科学计算涉及的统计学概念（几种误差）

这些科学计算的答案通常都是近似解。近似解虽然不是我们真正想要的精确解，但是可以非常接近精确解。“非常接近”的意思是这个解十分接近实际或仿真成功获得的结果，因为它们实现了目标。这类近似解或相似解会受到许多因素的影响。影响因素按照产生阶段可以分成两类：一类是在计算开始之前就有的，另一类是在计算过程中出现的。
在计算开始之前就出现近似值，主要由以下因素造成。

• 建模假设或无知：建模过程中可能使用了一些假设条件，没注意或者忽略了一些概念和现象的影响，最终导致了近似或可接受的误差。
• 观测或实验数据：从一些低精度的设备中获取的数据可能会不准确。计算过程中使用一些常量，比如π，这些常量都是近似值，这也是造成计算结果与真实值有差距的重要原因。
• 计算的先决条件：输入数据是从前一个实验或仿真中获取的值，可能有点误差，而经过计算误差被进一步放大了。前一步的处理可能会成为之后实验的先决条件。

计算过程中导致近似值的主要因素如下。

• 简化问题：如本章前面介绍的，为了解决大而复杂的问题，需要使用分而治之的方法，并不断将小难题转换成简单问题。这可能会产生近似值。而且将无限序列替换成有限序列也可能会产生近似值。
• 截断和舍入：许多仿真都会对中间结果进行截断和舍入操作。类似地，计算机内部表示浮点数的方法和算术运算过程也会导致些许不准确。

科学计算最终出现近似解可能是由上面的若干因素造成的。根据不同的问题和不同的解决方法，最终结果的准确性也可能会发生变化。

误差分析

误差分析（error analysis）是评估近似解对算法或计算过程准确性的影响程度的过程。下面将介绍误差分析的基本概念。

通过前面对近似解的讨论可以得出这样的结论：误差既可能出现在输入数据中，也可能在对输入数据的计算过程中产生。

如果进一步细分，计算误差还可以分为两类：截断误差（truncation error）和舍入误差（roundingerror）。截断误差是将复杂问题简化成简单问题时造成的，例如，在得到需要的准确率之前粗略地中断算法迭代。舍入误差是使用计算机计算时数字系统表示数字精度的规则造成的，也是在对数字进行算术运算时造成的。

最终，误差究竟是十分显著还是可以忽略不计，由最终数值的规模决定。例如，误差10对数值15来说是十分显著的，但对785来说就不算大了，对17 685来说甚至可以忽略不计。通常，误差值的影响程度与结果数值具有相关性。如果知道结果数值的量级，那么看看误差值的量级，就可以判断误差究竟是可以忽略不计还是十分显著。如果误差十分显著，就要考虑引入改进手段了。

敏感度、稳定性和准确性

下面介绍一些问题或算法的重要属性。敏感度（sensitivity或conditioning）是问题的一种属性。在某些条件下，问题可以被称为敏感的或不敏感的，或者是良态的或病态的。如果输入值发生相对变化时，输出结果也会发生等比例的相对变化，就说问题是不敏感的或良态的。另一方面，如果输出结果发生的变化比输入值的变化幅度大，那么就认为问题是敏感的或病态的。

后向与前向误差估计

假设我们通过映射函数 f 对 x 进行计算获得了y*，即y*=f(x)。现在真实值是 y，那么微量 y’=y*-y 被称为前向误差（forward error），对应的估计方法称为前向误差分析。通常，很难获取该估计值。

另一种方法是认为 y* 就是同样问题带有修正x的精确值，即y*=f(x’)。现在x*=x’x就被称为 y* 的后向误差（backward error）。后向误差分析就是对x*的参数估计过程。

误差可以忽略不计吗

这个问题的答案由你准备使用科学计算的具体领域和应用场景决定。如果计算导弹的发射时间，差 0.1 秒都会造成严重问题。如果是计算火车的到达时间，40 秒误差也不是大问题。类似地，药物剂量的一点改变可能会对病人造成极其恶劣的影响。一般情况下，如果应用场景中出现的计算误差与人的生命无关，或者不会导致巨大损失，那么可以忽略不计。否则，就需要努力解决误差的影响。