В области численного анализа число обусловленности функции измеряет, насколько выходное значение функции может измениться при небольшом изменении входного аргумента. Это используется для измерения того, насколько чувствительна функция к изменениям или ошибкам во входных данных, и сколько ошибок в выходных данных возникает из-за ошибки во входных данных. Очень часто решается обратная задача: данная задача решается для x, и поэтому необходимо использовать число обусловленности (локальной) обратной задачи. В линейной регрессии число обусловленности матрицы моментов можно использовать как диагностику мультиколлинеарности . [1] [2]
Число обусловленности является приложением производной [ необходима цитата ] и формально определяется как значение асимптотического относительного изменения выхода для наихудшего случая для относительного изменения входных данных. «Функция» - это решение проблемы, а «аргументы» - это данные в проблеме. Число обусловленности часто применяется к вопросам линейной алгебры, и в этом случае производная проста, но ошибка может быть во многих различных направлениях и, таким образом, вычисляется из геометрии матрицы. В более общем смысле числа обусловленности могут быть определены для нелинейных функций от нескольких переменных.
Задача с низким числом условий называется хорошо обусловленной , а задача с высоким числом условий - плохо обусловленной . В нематематических терминах плохо обусловленная задача - это проблема, в которой при небольшом изменении входных данных ( независимых переменных или правой части уравнения) происходит большое изменение ответа или зависимой переменной . Это означает, что становится трудно найти правильное решение / ответ на уравнение. Номер условия - это свойство проблемы. В паре с проблемой есть любое количество алгоритмов, которые можно использовать для решения проблемы, то есть для вычисления решения. У некоторых алгоритмов есть свойство, называемое обратной стабильностью.. В общем, можно ожидать, что алгоритм с обратной стабильностью будет точно решать хорошо обусловленные проблемы. Учебники по численному анализу дают формулы для чисел обусловленности задач и идентифицируют известные обратные устойчивые алгоритмы.
Как правило, если число условия , то вы можете потерять до цифр точности сверх того, что было бы потеряно для числового метода из-за потери точности арифметических методов. [3] Однако число условия не дает точного значения максимальной погрешности, которая может возникнуть в алгоритме. Обычно он просто ограничивает его оценкой (вычисленное значение которой зависит от выбора нормы для измерения погрешности).
Общее определение в контексте анализа ошибок [ править ]
Для данной задачи и алгоритма с входным значением x абсолютная ошибка равна, а относительная ошибка равна .
В этом контексте абсолютное число обусловленности проблемы f равно
и относительное число обусловленности
Матрицы [ править ]
Например, число обусловленности, связанное с линейным уравнением Ax = b, дает оценку того, насколько неточным будет решение x после аппроксимации. Обратите внимание, что это делается до того, как будут учтены эффекты ошибки округления ; кондиционирование - это свойство матрицы, а не алгоритм или точность вычислений с плавающей запятой компьютера, используемого для решения соответствующей системы. В частности, следует думать о числе обусловленности как о (очень грубо) скорости, с которой решение x будет изменяться относительно изменения b . Таким образом, если число обусловленности велико, даже небольшая ошибка в bможет вызвать большую ошибку в x . С другой стороны, если число условия мало, то ошибка в x не будет намного больше, чем ошибка в b .
Число обусловленности определяется более точно как максимальное отношение относительной ошибки в x к относительной ошибке в b .
Пусть e будет ошибкой в b . Предполагая, что A - невырожденная матрица, ошибка решения A −1 b равна A −1 e . Отношение относительной ошибки решения к относительной ошибке в b равно
Максимальное значение (для ненулевых b и e ) тогда рассматривается как произведение двух операторных норм следующим образом:
То же определение используется для любой непротиворечивой нормы , т. Е. Такой , которая удовлетворяет
Когда число обусловленности равно единице (что может произойти только в том случае, если A является скалярным кратным линейной изометрии ), тогда алгоритм решения может найти (в принципе, то есть, если алгоритм не вносит собственных ошибок) аппроксимацию решения. чья точность не хуже, чем у данных.
Однако это не означает, что алгоритм будет быстро сходиться к этому решению, просто он не будет произвольно расходиться из-за неточности исходных данных (обратная ошибка), при условии, что прямая ошибка, вносимая алгоритмом, также не расходится, потому что накопления промежуточных ошибок округления. [ требуется разъяснение ]
Число обусловленности также может быть бесконечным, но это означает, что проблема некорректно поставлена (не имеет единственного, четко определенного решения для каждого выбора данных; то есть матрица необратима), и никакой алгоритм не может быть ожидается надежное решение.
Определение числа обусловленности зависит от выбора нормы, что можно проиллюстрировать двумя примерами.
Если это норма определена в квадрате суммируемых пространства последовательностей л 2 (которое совпадает с обычным расстоянием в стандартном евклидовом пространстве и, как правило , как отмечено ), то
где и максимальные и минимальные сингулярные значения из соответственно. Следовательно:
- Если это нормально , то
- где и являются максимальными и минимальными (по модулю) собственные значения из соответственно.
- Если это унитарная , то
Число обусловленности по отношению к L 2 возникает так часто в численной линейной алгебре , что дано имя, число обусловленности матрицы .
Если - норма, определенная в пространстве последовательностей ℓ ∞ всех ограниченных последовательностей (которая соответствует максимуму расстояний, измеренных на проекциях в базовые подпространства и обычно обозначается как ), и является нижнетреугольной невырожденной (т. Е. ), То
Число обусловленности, вычисляемое с помощью этой нормы, обычно больше, чем число обусловленности, вычисляемое с помощью суммируемых с квадратом последовательностей, но его можно вычислить более легко (и это часто является единственным практически вычислимым числом обусловленности, когда проблема, которую необходимо решить, включает нелинейную алгебра [ требуется пояснение ] , например, при приближении иррациональных и трансцендентных функций или чисел численными методами).
Если число обусловленности не намного больше единицы, матрица хорошо обусловлена, что означает, что ее обратное значение может быть вычислено с хорошей точностью. Если число обусловленности очень велико, матрица считается плохо обусловленной. На практике такая матрица почти сингулярна, и вычисление ее обратной, или решение линейной системы уравнений подвержено большим численным ошибкам. Необратимая матрица имеет число обусловленности, равное бесконечности.
Нелинейный [ править ]
Числа условий также могут быть определены для нелинейных функций и могут быть вычислены с помощью исчисления. Число условий меняется в зависимости от точки; в некоторых случаях можно использовать максимальное (или верхнее) число условий в области определения функции или области вопроса в качестве общего числа условий, в то время как в других случаях число условий в определенной точке представляет больший интерес.
Одна переменная [ править ]
Число обусловленности дифференцируемой функции от одной переменной как функции . По оценке , это
Наиболее элегантно это можно понять как (абсолютное значение) отношение логарифмической производной от , которое равно , и логарифмической производной от , которое дает отношение . Это потому, что логарифмическая производная - это бесконечно малая скорость относительного изменения функции: это производная, масштабированная на значение . Обратите внимание, что если функция имеет ноль в точке, ее число обусловленности в этой точке бесконечно, поскольку бесконечно малые изменения на входе могут изменить выход с нуля на положительный или отрицательный, давая отношение с нулем в знаменателе, следовательно, бесконечное относительное менять.
Более непосредственно, учитывая небольшое изменение в , относительное изменение IS , в то время как относительное изменение является . Принимая соотношение доходности
Последний член - это коэффициент разности (наклон секущей линии), и взятие предела дает производную.
Числа обусловленности общих элементарных функций особенно важны при вычислении значащих цифр и могут быть вычислены непосредственно из производной; увидеть значение арифметики трансцендентных функций . Ниже приведены несколько важных из них:
Имя | Символ | Номер условия |
---|---|---|
Сложение / вычитание | ||
Скалярное умножение | ||
Разделение | ||
Полиномиальный | ||
Экспоненциальная функция | ||
Функция натурального логарифма | ||
Функция синуса | ||
Функция косинуса | ||
Касательная функция | ||
Обратная функция синуса | ||
Функция обратного косинуса | ||
Функция обратной тангенса |
Несколько переменных [ править ]
Числа условий могут быть определены для любой функции, отображающей свои данные из некоторой области (например, -набора действительных чисел ) в некоторый codomain (например, -набор действительных чисел ), где и домен, и codomain являются банаховыми пространствами . Они показывают, насколько чувствительна эта функция к небольшим изменениям (или небольшим ошибкам) в своих аргументах. Это имеет решающее значение при оценке чувствительности и потенциальных трудностей с точностью при решении многочисленных вычислительных задач, например, при нахождении полиномиального корня или вычислении собственных значений .
Состояние число в точке ( в частности, его относительное состояние кол [4] ), затем определяются как отношение максимального дробного изменения к любому фракционным изменений , в пределе , когда изменение в становится бесконечно малым: [4 ]
где - норма в области / области области .
Если дифференцируема, это эквивалентно: [4]
где обозначает матрицу Якоби из частных производных по крайней , и является индуцированной нормой на матрице.
См. Также [ править ]
- Численные методы линейных наименьших квадратов
- Матрица Гильберта
- Некорректно поставленная проблема
- Особое значение
Ссылки [ править ]
- ^ Белсли, Дэвид А .; Кух, Эдвин ; Велш, Рой Э. (1980). «Число условий» . Регрессионная диагностика: определение важных данных и источников коллинеарности . Нью-Йорк: Джон Вили и сыновья. С. 100–104. ISBN 0-471-05856-4.
- ^ Pesaran, М. Хаш (2015). «Проблема мультиколлинеарности» . Эконометрика временных рядов и панельных данных . Нью-Йорк: Издательство Оксфордского университета. С. 67–72 [p. 70]. ISBN 978-0-19-875998-0.
- ^ Чейни; Кинкейд (2008). Вычислительная математика и вычисления . п. 321. ISBN. 978-0-495-11475-8.
- ^ a b c Trefethen, LN; Бау, Д. (1997). Числовая линейная алгебра . СИАМ. ISBN 978-0-89871-361-9.
Дальнейшее чтение [ править ]
- Деммель, Джеймс (1990). «Ближайшие дефектные матрицы и геометрия плохой обусловленности». В Cox, MG; Хаммарлинг, С. (ред.). Надежные численные вычисления . Оксфорд: Clarendon Press. С. 35–55. ISBN 0-19-853564-3.
Внешние ссылки [ править ]
- Число обусловленности матрицы в Институте целостных численных методов
- Библиотечная функция MATLAB для определения номера условия
- Номер условия - Математическая энциклопедия
- Кто изобрел матричное число условий? Ник Хайэм