225 lines
6.6 KiB
Plaintext
225 lines
6.6 KiB
Plaintext
---
|
|
format:
|
|
html:
|
|
include-in-header:
|
|
text: |
|
|
<script type="application/javascript">
|
|
window.PlotlyConfig = {MathJaxConfig: 'local'}
|
|
</script>
|
|
---
|
|
|
|
# Ein Beispiel zur Stabilität von Gleitkommaarithmetik
|
|
|
|
## Berechnung von $\pi$ nach Archimedes
|
|
|
|
```{julia}
|
|
#| error: false
|
|
#| echo: false
|
|
#| output: false
|
|
using PlotlyJS, Random
|
|
using HypertextLiteral
|
|
using JSON, UUIDs
|
|
using Base64
|
|
|
|
|
|
## see https://github.com/JuliaPlots/PlotlyJS.jl/blob/master/src/PlotlyJS.jl
|
|
## https://discourse.julialang.org/t/encode-a-plot-to-base64/27765/3
|
|
function IJulia.display_dict(p::PlotlyJS.SyncPlot)
|
|
Dict(
|
|
# "application/vnd.plotly.v1+json" => JSON.lower(p),
|
|
# "text/plain" => sprint(show, "text/plain", p),
|
|
"text/html" => let
|
|
buf = IOBuffer()
|
|
show(buf, MIME("text/html"), p)
|
|
#close(buf)
|
|
#String(resize!(buf.data, buf.size))
|
|
String(take!(buf))
|
|
end,
|
|
"image/png" => let
|
|
buf = IOBuffer()
|
|
buf64 = Base64EncodePipe(buf)
|
|
show(buf64, MIME("image/png"), p)
|
|
close(buf64)
|
|
#String(resize!(buf.data, buf.size))
|
|
String(take!(buf))
|
|
end,
|
|
|
|
)
|
|
end
|
|
|
|
function Base.show(io::IO, mimetype::MIME"text/html", p::PlotlyJS.SyncPlot)
|
|
uuid = string(UUIDs.uuid4())
|
|
show(io,mimetype,@htl("""
|
|
<div style="height: auto" id=\"$(uuid)\"></div>
|
|
<script>
|
|
require(['../js/plotly-latest.min.js'], function(plotly) {
|
|
plotly.newPlot($(uuid),
|
|
$(HypertextLiteral.JavaScript(json(p.plot.data))),
|
|
$(HypertextLiteral.JavaScript(json(p.plot.layout))),{responsive: true});
|
|
});
|
|
</script>
|
|
"""))
|
|
end
|
|
```
|
|
|
|
Eine untere Schranke für $2\pi$, den Umfang des Einheitskreises, erhält man durch die
|
|
Summe der Seitenlängen eines dem Einheitskreis eingeschriebenen regelmäßigen $n$-Ecks.
|
|
Die Abbildung links zeigt, wie man beginnend mit einem Viereck der Seitenlänge $s_4=\sqrt{2}$ die Eckenzahl iterativ verdoppelt.
|
|
|
|
:::{.narrow}
|
|
|
|
| Abb. 1 | Abb.2 |
|
|
| :-: | :-: |
|
|
|  |  |
|
|
: {tbl-colwidths="[57,43]"}
|
|
|
|
:::
|
|
|
|
|
|
Die zweite Abbildung zeigt die Geometrie der Eckenverdoppelung.
|
|
|
|
Mit
|
|
$|\overline{AC}|= s_{n},\quad |\overline{AB}|= |\overline{BC}|= s_{2n},\quad |\overline{MN}| =a, \quad |\overline{NB}| =1-a,$ liefert Pythagoras für die Dreiecke $MNA$ und
|
|
$NBA$ jeweils
|
|
$$
|
|
a^2 + \left(\frac{s_{n}}{2}\right)^2 = 1\qquad\text{bzw.} \qquad
|
|
(1-a)^2 + \left(\frac{s_{n}}{2}\right)^2 = s_{2n}^2
|
|
$$
|
|
Elimination von $a$ liefert die Rekursion
|
|
$$
|
|
s_{2n} = \sqrt{2-\sqrt{4-s_n^2}} \qquad\text{mit Startwert}\qquad
|
|
s_4=\sqrt{2}
|
|
$$
|
|
für die Länge $s_n$ **einer** Seite des eingeschriebenen regelmäßigen
|
|
$n$-Ecks.
|
|
|
|
|
|
Die Folge $(n\cdot s_n)$
|
|
konvergiert monoton von unten gegen den
|
|
Grenzwert $2\pi$:
|
|
$$
|
|
n\, s_n \rightarrow 2\pi % \qquad\text{und} \qquad {n c_n}\downarrow 2\pi
|
|
$$
|
|
Der relative Fehler der Approximation von 2π durch ein $n$-Eck ist:
|
|
$$
|
|
\epsilon_n = \left| \frac{n\, s_n-2 \pi}{2\pi} \right|
|
|
$$
|
|
|
|
|
|
## Zwei Iterationsvorschriften^[nach: Christoph Überhuber, „Computer-Numerik“ Bd. 1, Springer 1995, Kap. 2.3]
|
|
Die Gleichung
|
|
$$
|
|
s_{2n} = \sqrt{2-\sqrt{4-s_n^2}}\qquad \qquad \textrm{(Iteration A)}
|
|
$$
|
|
ist mathematisch äquivalent zu
|
|
$$
|
|
s_{2n} = \frac{s_n}{\sqrt{2+\sqrt{4-s_n^2}}} \qquad \qquad \textrm{(Iteration B)}
|
|
$$
|
|
|
|
(Bitte nachrechnen!)
|
|
|
|
|
|
|
|
Allerdings ist Iteration A schlecht konditioniert und numerisch instabil, wie der folgende Code zeigt. Ausgegeben wird die jeweils berechnete Näherung für π.
|
|
|
|
```{julia}
|
|
using Printf
|
|
|
|
iterationA(s) = sqrt(2 - sqrt(4 - s^2))
|
|
iterationB(s) = s / sqrt(2 + sqrt(4 - s^2))
|
|
|
|
s_B = s_A = sqrt(2) # Startwert
|
|
|
|
ϵ(x) = abs(x - 2π)/2π # rel. Fehler
|
|
|
|
ϵ_A = Float64[] # Vektoren für den Plot
|
|
ϵ_B = Float64[]
|
|
is = Float64[]
|
|
|
|
@printf """ approx. Wert von π
|
|
n-Eck Iteration A Iteration B
|
|
"""
|
|
|
|
for i in 3:35
|
|
push!(is, i)
|
|
s_A = iterationA(s_A)
|
|
s_B = iterationB(s_B)
|
|
doublePi_A = 2^i * s_A
|
|
doublePi_B = 2^i * s_B
|
|
push!(ϵ_A, ϵ(doublePi_A))
|
|
push!(ϵ_B, ϵ(doublePi_B))
|
|
@printf "%14i %20.15f %20.15f\n" 2^i doublePi_A/2 doublePi_B/2
|
|
end
|
|
```
|
|
|
|
Während Iteration B sich stabilisiert bei einem innerhalb der Maschinengenauigkeit korrekten Wert für π, wird Iteration A schnell instabil. Ein Plot der relativen Fehler $\epsilon_i$ bestätigt das:
|
|
|
|
|
|
```{julia}
|
|
using PlotlyJS
|
|
|
|
layout = Layout(xaxis_title="Iterationsschritte", yaxis_title="rel. Fehler",
|
|
yaxis_type="log", yaxis_exponentformat="power",
|
|
xaxis_tick0=2, xaxis_dtick=2)
|
|
|
|
plot([scatter(x=is, y=ϵ_A, mode="markers+lines", name="Iteration A", yscale=:log10),
|
|
scatter(x=is, y=ϵ_B, mode="markers+lines", name="Iteration B", yscale=:log10)],
|
|
layout)
|
|
|
|
```
|
|
|
|
|
|
|
|
## Stabilität und Auslöschung
|
|
|
|
Bei $i=26$ erreicht Iteration B einen relativen Fehler in der Größe des Maschinenepsilons:
|
|
|
|
|
|
```{julia}
|
|
ϵ_B[22:28]
|
|
```
|
|
|
|
Weitere Iterationen verbessern das Ergebnis nicht mehr. Sie stabilisieren sich bei einem relativen Fehler von etwa 2.5 Maschinenepsilon:
|
|
|
|
|
|
```{julia}
|
|
ϵ_B[end]/eps(Float64)
|
|
```
|
|
|
|
|
|
Die Form Iteration A ist instabil. Bereits bei $i=16$ beginnt der relative Fehler wieder zu wachsen.
|
|
|
|
Ursache ist eine typische Auslöschung. Die Seitenlängen $s_n$ werden sehr schnell klein. Damit ist
|
|
$a_n=\sqrt{4-s_n^2}$ nur noch wenig kleiner als 2 und bei der Berechnung von $s_{2n}=\sqrt{2-a_n}$ tritt ein typischer Auslöschungseffekt auf.
|
|
|
|
|
|
```{julia}
|
|
setprecision(80) # precision für BigFloat
|
|
|
|
s = sqrt(BigFloat(2))
|
|
|
|
@printf " a = √(4-s^2) als BigFloat und als Float64\n\n"
|
|
|
|
for i = 3:44
|
|
s = iterationA(s)
|
|
x = sqrt(4-s^2)
|
|
if i > 20
|
|
@printf "%i %30.26f %20.16f \n" i x Float64(x)
|
|
end
|
|
end
|
|
|
|
|
|
```
|
|
|
|
Man sieht die Abnahme der Zahl der signifikanten Ziffern. Man sieht auch, dass eine Verwendung von `BigFloat` mit einer Mantissenlänge von hier 80 Bit das Einsetzen des Auslöschungseffekts nur etwas hinaussschieben kann.
|
|
|
|
**Gegen instabile Algorithmen helfen in der Regel nur bessere, stabile Algorithmen und nicht genauere Maschinenzahlen!**
|
|
|
|
:::{.content-hidden unless-format="xxx"}
|
|
|
|
Offensichtlich tritt bei der Berechnung von $2-a_n$ bereits relativ früh
|
|
eine Abnahme der Anzahl der signifikanten Ziffern (Auslöschung) auf,
|
|
bevor schließlich bei der Berechnung von $a_n=\sqrt{4-s_n^2}$
|
|
selbst schon Auslöschung zu einem unbrauchbaren Ergebnis führt.
|
|
|
|
::: |