用两个样本估计导数
定义 11.1.1
(中心差分)
对 , 在 处的中心差分为
它在两侧各用一个函数值。较小的 可以改善数学上的近似,但除以 可能放大两个函数值的误差。我们把这两种效应分开处理。下述误差界是确定性的,依赖明确列出的假设,并不声称涵盖每种浮点计算。
截断误差界
定理 11.1.2
(中心差分的截断误差)
设 于包含 的区间上,且该处 。则
若可用的函数值为 ,其中 ,并假设相减与相除是精确的,则算得的商 满足
证明
(两个 Taylor 展开与三角不等式)
在 处对两个方向分别用 Taylor 定理,各取自己的中间点,得
相减后常数项与二次项抵消:。除以 ,
第二个陈述:分子的误差是 ,大小至多为 ,而分母是 ,所以 。三角不等式把两个界相加。两个中间点不必相同;两个余项各自受界就足够。这是绝对误差界,不是对 的相对误差界。
证明透视
两种误差、一个和,以及界不是什么
这个证明把两个独立的误差来源分开,并用各自适用的假设去界定: 控制函数偏离其切线加抛物线模型的程度(截断项), 控制函数值本身(样本项)。关键的抵消发生在 Taylor 这一步:两个展开式的偶次项相等而消去,因此误差是 ,而不是单侧差分的 。除数 把大小为 的样本误差变成 ,所以样本项随 缩小而增大,截断项则缩小。结论是对每一项的上界;在某次具体计算中,两个带符号的误差可以部分抵消,所以这个界可能高估实际误差。把界极小化,只是在模型下得出一个站得住脚的步长,并不证明实际误差在该处最小。模型假设相减与相除是精确的;完整的浮点分析还要加上舍入项。
在模型下选步长
设 、 为定值,且导数界在所有候选步长的共同邻域上成立。对 ,对 求导得
其唯一的正临界点是 ;导数在此点之前为负,之后为正,所以它在正的 上使这个界极小。若定义域或已知的导数界只容许 ,则只有在 时才可用此结论;否则界在容许区间内一直递减,其极小值在 。若 ,则当 时界趋向零,这个正临界点公式并不适用。
计算例子
例题 11.1.3
(函数值精确的三次式)
取 、。则 ,且 处处成立。直接展开得
取 、,函数值精确时的截断误差是 ,样本误差的贡献以 为界。在所述模型下,总误差至多为 。当 、 固定时,使界极小的步长是 ,该处的界约为 ;这个数值是使界最优,并不一定使观察到的误差最优。
例题 11.1.4
(零点处的指数函数)
设 、,则 ,。取 ,其值为 ,所以函数值精确时的误差约为 。在 上 ,所以界为 。这个界成立,而且相差约一成,因为 在这个区间上变化极小。
例题 11.1.5
(二次式:截断项消失)
对 ,,所以允许 。事实上对每个 都有 。此时界化为 ,随 增大而递减:没有内部极小点,而正临界点公式 也不适用,因为它要求 。对这类 ,步长越大越好,直至函数值仍可取得的最大区间为止。
常见错误
(除以 h 而不是 2h)
对 、、,分子为 。除以 得 ,误差为 的量级。若除以 ,得 ,是导数的两倍。中心差分跨越的宽度是 ,不是 。
反例模式
较小的步长未必改善误差界
在这个模型中,把 换成 ,截断界由 缩小到 ,但样本误差界由 增大到 1。如果没有随 变化的样本误差界,把 任意缩小并不保证得到更好的总误差界。
练习与解答
快速检查
(对三次例子,使用精确函数值时 是多少?)
使用 。
解答 · 答案
。
快速检查
(若 、,在 时所述的截断界是多少?)
使用 。
解答 · 答案
,即 。
快速检查
(为何样本误差界用 ,而不是 ?)
分别数一数分子与分母。
解答 · 答案
分子的误差至多为 ,而分母是 ,所以比值至多为 。
快速检查
(模型有没有计入最后一次除法的舍入?)
重读所述的假设。
解答 · 答案
没有;相减与相除已明确假设为精确。