Анализ ошибок

• • Анализ ошибок** — это область исследования, изучающая природу, источники и величину погрешностей или неопределённостей, возникающих при решении различных задач. Особое значение этот анализ имеет в прикладных дисциплинах, таких как численные методы и статистика, где точность результатов напрямую влияет на их достоверность.

1. 1. Анализ погрешностей в численном моделировании

В процессе численного моделирования реальных систем анализ ошибок фокусируется на оценке того, как изменения или неточности во входных параметрах модели влияют на её выходные данные. Рассматривается распространение неопределённости от исходных величин к конечному результату.

Например, если система описывается функцией двух переменных \( z = f(x, y) \), то анализ изучает, как дисперсии (разбросы) величин \( x \) и \( y \) относительно их средних значений \( \bar{x} \) и \( \bar{y} \) приводят к отклонению результата \( z \) от его среднего \( \bar{z} \).

В контексте численных методов выделяют два основных подхода: **прямой** и **обратный анализ ошибок**.

1. 1. 1. Прямой анализ ошибок

Предположим, необходимо вычислить функцию \( Z = f(A) \), где \( A \) и \( Z \) принадлежат некоторым нормированным пространствам. Прямой анализ рассматривает приближённую функцию \( Z' = f'(A) \) (часто являющуюся конечным полиномиальным приближением к \( f(A) \)) и ставит целью определить границы возникающей при этом погрешности. Иными словами, требуется найти такое число \( \epsilon \), что выполняется неравенство \( 0 \leqslant \|Z - Z'\| \leqslant \epsilon \). Функцию \( f' \) можно интерпретировать как реализацию \( f \) на компьютере, где из-за особенностей машинной арифметики вычисленные значения отличаются от истинных. Оценка прямых ошибок широко применяется, в частности, в интервальной арифметике.

1. 1. 1. Обратный анализ ошибок

Данный подход трактует результат работы алгоритма \( Z' = f'(A) \) как абсолютно точный результат для слегка изменённых («возмущённых») входных данных \( A + \Delta A \). Если такое представление возможно и величина возмущения \( \|\Delta A\| \) мала, алгоритм считается **обратно устойчивым**. При этом \( \Delta A \) называют **эквивалентным возмущением** или **обратной ошибкой**. Исследование таких возмущений и составляет суть обратного анализа.

Теория обратного анализа ошибок, разработанная и популяризированная Джеймсом Х. Уилкинсоном, позволяет доказать **численную устойчивость** алгоритма. Ключевая идея заключается в демонстрации того, что полученное решение, несмотря на погрешности округления, является точным решением близкой задачи с незначительно изменёнными исходными данными. Если уровень требуемого возмущения сравним с неопределённостью самих входных данных, то результат можно считать столь же надёжным, как и эти данные. Такой алгоритм определяется как **вычислительно устойчивый**. Устойчивость характеризует чувствительность численной процедуры к ошибкам округления. В отличие от неё, **обусловленность** функции отражает её врождённую чувствительность к малым изменениям входных параметров и не зависит от конкретного алгоритма решения.

1. 1. Применение анализа ошибок

1. 1. 1. Система глобального позиционирования (GPS)

• • Анализ погрешностей в системе GPS** имеет критическое значение для понимания принципов её работы и оценки ожидаемой точности. Хотя GPS вносит корректировки, компенсирующие ошибки часов приёмника и другие факторы, определённые остаточные погрешности остаются неустранимыми. Система была разработана Министерством обороны США (Department of Defense, DOD) в 1970-х годах и с тех пор получила широчайшее распространение как в военной, так и в гражданской навигации.

1. 1. 1. Моделирование молекулярной динамики

В **классической молекулярной динамике (МД)** ошибки возникают из-за недостаточной выборки фазового пространства или редких событий, что приводит к статистическим погрешностям, связанным со случайными флуктуациями измеряемых величин.

Для серии \( M \) измерений некоторого свойства \( A \) его среднее значение вычисляется как: \[ \langle A \rangle = \frac{1}{M} \sum_{\mu=1}^{M} A_{\mu}. \]

Если измерения статистически независимы, дисперсия среднего равна: \[ \sigma^2(\langle A \rangle) = \frac{1}{M} \sigma^2(A). \]

Однако в большинстве расчётов МД присутствует временная корреляция между последовательными измерениями. Это означает, что эффективное число независимых измерений меньше \( M \), и дисперсия среднего оказывается заниженной. В таком случае более точная формула для дисперсии имеет вид: \[ \sigma^2(\langle A \rangle) = \frac{1}{M} \sigma^2(A) \left[ 1 + 2 \sum_{\mu} \left(1 - \frac{\mu}{M}\right) \phi_{\mu} \right], \] где \( \phi_{\mu} \) — **автокорреляционная функция**, определяемая как \[ \phi_{\mu} = \frac{ \langle A_{\mu}A_{0} \rangle - \langle A \rangle^{2} }{ \langle A^{2} \rangle - \langle A \rangle^{2}}. \]

Использование автокорреляционной функции позволяет корректно оценить статистическую погрешность. На практике часто применяется более простой метод, основанный на **блочном усреднении**.

1. 1. 1. Верификация научных данных

Любые экспериментальные измерения неизбежно сопровождаются погрешностью. Повторные измерения одного и того же объекта, как правило, дают слегка различающиеся результаты. Эти различия подчиняются известным статистическим закономерностям. Если же набор данных демонстрирует подозрительно точное соответствие теоретической модели, не проявляя ожидаемого статистического разброса, это может указывать на возможную фальсификацию или фабрикацию данных. Сам по себе анализ ошибок обычно не служит прямым доказательством недобросовестности, но может предоставить весомые косвенные свидетельства, подтверждающие подобные подозрения.

1. 1. См. также

• Численная устойчивость
• Обусловленность задачи
• Интервальная арифметика
• Статистическая погрешность

1. 1. Примечания

1. 1. Литература

1. 1. Ссылки

• All about error analysis.

Ссылки

• [https://archive.org/details/schaumsoutlineof00sche/page/11 |год=1988

|издательство=McGraw-Hill Professional |isbn=0070552215 }}

• «Error Analysis» in Encyclopedia of Computer Science. / (ed) Anthony Ralston, Edwin D. Reilly, David Hemmendinger. — Wiley, 2003. — ISBN 978-0-470-86412-8.
• Accuracy and reliability in scientific computing. — SIAM, 2005. — ISBN 978-0-89871-815-7.
• A Graduate Introduction to Numerical Methods: From the Viewpoint of Backward Error Analysis. — Springer, 2013. — ISBN 978-1-4614-8452-3.
• The Art of Molecular Dynamics Simulation. — 2004. — ISBN 978-0-511-19448-1.
• ЧИСЛЕННЫЕ МЕТОДЫ ЛИНЕЙНОЙ АЛГЕБРЫ. — Нижний Новгород, 2005. — ISBN 5–85746–837–X.

Ссылки

• [1]