Zapis zmiennopozycyjny, arytmetyka, błędy numeryczne
Plan wykładu:
1. zapis zmiennopozycyjny
2. arytmetyka zmiennopozycyjna
3. reprezentacja liczb w standardzie IEEE754 4. błędy w obliczeniach numerycznych
5. definicje
2
Własności zapisu
zmiennopozycyjnego
Liczbę rzeczywistą w komputerze
reprezentuje liczba zmiennoprzecinkowa:
gdzie:
M – znacznik („mantysa”) jest liczbą ułamkową ze znakiem
– stanowi bazę reprezentacji i jest liczbą całkowitą (np.: 2, 10, 16)
E – wykładnik („cecha”) jest znakowaną liczbą całkowitą
Powyższy zapis jest niejednoznaczny:
m jest liczbą pozycji znacznika w bazie.
Można odróżnić
różnych reprezentacji tej samej liczby.
Ograniczeniem znacznika jest
ale problem nadal pozostaje.
Jednoznaczność osiągamy dla warunku
wtedy dla dowolnego i≠0 mamy
w praktyce stosuje się
Znaczniki spełniające powyższy warunek nazywamy znormalizowanymi (liczby znormalizowane).
Nie ma liczb znormalizowanych
w tym 0. Tworzą one osobną grupę zwana liczbami zdenormalizowanymi.
Znormalizowane wartości dla
F = M ¯
EF = M ¯
E= M
i¯
E+i= (M ¯
¡i)¯
E+ii = ¡m; : : : ; ¡1; 0; 1; : : : ; m
jMj < ¯
jMj¯
¡i2 [¯ =
p¡1; ¯
p) p = 0; 1
jF j < ¯
p¡1¡Emin¡3
4 ¡1 2
3 4 1
2 1
¡1 4 4
0 1
¡1
¯ = 2; p = 0 k = mlog
¯2
¯
p¡1· jMj < ¯
p¯
p¡i¡1· jMj¯
¡i< ¯
pPodstawowe operacje arytmetyczne.
Wykonujemy operacje na dwóch znormalizowanych liczbach
Czy przeprowadzenie 4 podstawowych operacji da znormalizowany wynik?
Mnożenie
sprawdzamy czy nie wystąpił nadmiar (EW>Emax) lub niedomiar (EW<Emin)
zmiennopozycyjny. Jeśli wartość znacznika wychodzi poza dozwolony zakres tj.:
to wykonujemy postnormalizację
F
1= M
1¯
E1; F
2= M
2¯
E2F
1F
2= M
1¯
E1M
2¯
E2= (M
1M
2)¯
E1+E2= M
W¯
W¯
2p¡2· jM
Wj = jM
1M
2j < ¯
p¡1F
1F
2= (M
1M
2¯
¡p+")¯
E1+E2+p¡"" = 0; 1
Dzielenie
ponieważ
konieczna jest postnormalizacja ilorazu do postaci
Dodatkowo należy zapewnić obsługę liczb zdenormalizowanych, dzielenia przez 0 oraz próby dzielenia 0/0.
F
1=F
2= (M
1¯
E1)=(M
2¯
E2)
= (M
1=M
2)¯
E1¡E2jM
Wj = M
1=M
22 (¯
¡1; ¯)
F
1=F
2= (¯
p¡"M
1=M
2)¯
E1¡E2¡p+"¯
¡1· jM
Wj < 1 =) " = 0
1 · jM
Wj < ¯ =) " = 1
4
Dodawanie i odejmowanie
Wymagane jest wstępne wyrównanie
wykładników. Powoduje to denormalizację operandu z mniejszym wykładnikiem i
utratę dokładności (na najmniej znaczących pozycjach znacznika).
Załóżmy
a) jeśli
oraz
to wówczas normalizacja doprowadzi do nadmiaru.
b) jeśli
oraz
to wystąpi niedomiar.
E
1¸ E
2F
1§ F
2= (M
1¯
E1) § (M
2¯
E2)
= (M
1§ M
2¯
¡(E1¡E2))¯
E1E
1= E
max¯
p· jM
Wj < 2¯
pE
1¡ (p ¡ i) · E
minjM
Wj < ¯
i· ¯
p¡1Jeśli spełniony jest warunek
wówczas może dojść do wyzerowania wszystkich znaczących pozycji znacznika sumy lub różnicy.
Wybór reprezentacji
Liczbę zmiennopozycyjną zapisujemy na n pozycjach, z czego:
a) 1 pozycję przeznaczamy na znak liczby b) t pozycji na zapis znacznika
c) d pozycji na zapis wykładnika
p ¡ i ¸ jmlog
¯2 j
m¡1m¡2 m¡t
: : : : : : : : : : : :
s se e0 e1 ed¡1
wykładnik znacznik
znak
x = s
Ã
tX
i=1
m
¡i¯
¡i!
¯
En = 1 + d + t
Wartość błędu bezwzględnego wynika z nierównomiernego rozłożenia liczb w reprezentacji zmiennopozycyjnej
Błąd względny
rośnie ze zmniejszaniem znacznika aż do wartości
MRRE – maximum relative representation error.
¯p¡3 ¯p¡2 ¯p¡1 ¯p 0
M
j"(x)j = jfl(x) ¡ xj
x ·
1
2
ulp¯
EM ¯
E= ulp 2M
M RRE = max
M
j"(x)j = 1
2 ulp¯
p¡1Dokładność reprezentacji
Jeśli liczba zmiennopozycyjna jest
reprezentowana przez skończoną liczbę bitów to dokładność reprezentacji określa liczba bitów znacznika a zakres
reprezentowanych liczb zależy od liczby bitów wykładnika.
Jeśli zachodzi warunek
(ulp – najmniej znacząca pozycja znacznika) wówczas zaokrąglając liczbę x do bliższej reprezentacji dostajemy błąd
bezwzględny
gdzie fl(x) oznacza reprezentację liczby x w zapisie zmiennopozycyjnym.
M ¯
E· x · (M + ulp)¯
E; x 2 R
jfl(x) ¡ xj · 1
2 ulp¯
E6
Dobór zakresu wykładnika
Jednym z wymagań jest aby dla każdej znormalizowanej liczby x możliwe było obliczenie jej odwrotności. Wykładnik kodowany jest na d pozycjach z czego pozycji musimy zarezerwować na 0 oraz
wielkości nieznormalizowane (nieskończoności itp.).
Rozpiętość wykładnika wynosi
i aby istniały znormalizowane reprezentacje odwrotności małych liczb.
Dla =2, -1=1 i p=0
najmniejszy znacznik ma wartość 0,100000...000
a największy
0,111111...111
najbardziej znaczący bit nie musi być kodowany (bit ukryty). Pominięcie go prowadzi do pełnego wykorzystania
przestrzeni kodowej znacznika (100%). W innych przypadkach liczby znormalizowane zajmują jedynie (1-1/)100% przestrzeni.
Bit ukryty jest odtwarzany w trakcie operacji arytmetycznych.
s = E
max¡ E
min= 2
d¡ ¸
Schematy zaokrąglania liczb Podczas wykonywania operacji
arytmetycznych może dojść do zwiększenia się liczby bitów wynikowych, np. przy
mnożeniu dwóch znaczników
Aby zapisać wynik należy uciąć ostanie m bitów. Eliminacja nadmiarowych bitów nazywana jest zaokrąglaniem.
Reguły zaokrąglania
m
w= 2m
x · y ) fl(x) · fl(y) x 2 fl ) f l(x) = x
F
1= M ¯
E· x · (M + ulp)¯
E= F
2| {z }
x=F1_x=F2
Odcięcie (najprostsze)
Jeśli
m - liczba pozycji znacznika d - liczba uciętych bitów
i standaryzowanym błędem losowym obcinania znacznika jest
Dla równomiernego rozkładu wartości x w przedziale [M, M+ulp] miarą średniego standaryzowanego błędu obcinania jest
Błąd ten jest zawsze ujemny
– estymator T(x) jest ujemnie obciążony.
Skutek obcinania: niedoszacowanie.
M · x < M + ulp , T (x) = M
x = M + i2
¡dulp; 0 · i · 2
d¡ 1
T (x) ¡ x
ulp = ¡i2
¡dZaokrąglanie do najbliższej wartości Reguły zaokrąglania
Ten typ zaokrąglania powoduje, że średnia
wartość błędu standaryzowanego jest bliska 0, ale estymator R(x) jest obciążony dodatnio.
Zaokrąglanie symetryczne Reguły zaokrąglania
Średnia wartość błędu standaryzowanego wynosi 0, a estymator S(x) jest niebciążony.
Wadą zwykłego zaokrąglania oraz zaokrąglania symetrycznego jest konieczność wykonania 2m- pozycyjnego dodawania.
R(x) =
½ M; x ¡ M <
ulp2M + ulp; x ¡ M ¸
ulp2S(x) = 8 <
:
M ¡ ulp; ¡ulp · x ¡ M < ¡
12ulp M; ¡
12ulp · x ¡ M · +
12ulp M + ulp; +
12ulp · x ¡ M < +ulp
±
T= 1 2
d2
X
d¡1 i=0( ¡i)2
¡d< 0
8
Reprezentacja liczb w standardzie IEEE754
Formaty liczb zmiennopozyjcyjnych:
1) zwykły pojedynczej precyzji - single (real)
2) rozszerzony pojedynczej precyzji - single extended
3) zwykły podwójnej precyzji - double
4) rozszerzony podwójnej precyzji - double extended
Wykładnik jest reprezentowany w kodzie z obciążeniem, a znacznik w kodzie znak- moduł. Wartość liczby w IEEE754
gdzie: EB - wykładnik, B – przesunięcie
(dzięki niemu nie musimy pamietać znaku), (E=EB-B -”prawdziwy” wykładnik)
(1,f) – wartość modułu znacznika
Jeśli d oznacza liczbę bitów wykładnika to wielkością przemieszczenia jest
B = 2
d¡ 1
F = ( ¡1)
s2
EB¡B(1; f )
Bez przesunięcia, najmniejszą wartością wykładnika jest
EB=Emin+B=00...0012 a największą
EB=Emax+B=11...1102 Zakres wykładnika jest ograniczony z obawy przed uzyskaniem nadmiaru podczas
obliczania odwrotności liczb.
Liczby zdenormalizowane z zakresu
[-2Emin,+2Emin] łącznie z zerami można zapisać
F = ( ¡1)
s2
Emin(0; f )
symbol single double Rozmiar
formatu n 32 64
Rozmiar
znacznika m 23(+1) 52(+1)
Rozmiar
wykładnika d 8 11
obciążenie B 127 1023
Zakres
wykładnika E [-126,127] [-1022,1023]
dokładność ulp Zakres
formatu RNG
¼ 2
128¼ 3; 8 ¢ 10
382
¡23¼ 10
¡72
¡52¼ 10
¡15¼ 2
1024¼ 9 ¢ 10
30710
Nie-liczby
Pojawiają się podczas wykonywania operacji np.:
Bez ich obsługi program przerywałby działanie. Obsługa nie-liczb pozwala je wykryć i np. zrestartować schemat iteracyjny z innym parametrem.
Znakowane zero Po co?
Dla liczb rzeczywistych mamy
zatem relacja
nie jest spełniona. Dla znakowanego 0 mamy
0=0; p
¡jxj
1= ¡ 1 = 0; 1=(1= ¡ 1) = +1
1=(1=x) = x
x = ¡1; 1=x = ¡0 1=(1=x) = 1= ¡ 0 = ¡1 = x
Wyjątki w IEEE754
Standard zapewnia obsługę specyficznych wyników operacji:
1. nadmiar (Fmax, nieskończonośc)
2. niedomiar (Fmin, l. denormalizowane) 3. dzielenie przez 0
4. niepoprawna operacja (NAN)
5. niedokładność (zaokrąglenie wyniku)
Przykład – zapis 8 bitowy Liczba
ma reprezentację
Ale dla liczby x=0.2 pojawia się problem
po zaokrągleniu wyniku do najbliższej liczby
co daje błąd bezwzględny równy 0.0125 i błąd względny na poziomie 6.25%.
Błędy numeryczne
Najprostszy podział:
1. błędy wejściowe 2. błędy zaokrągleń 3. błędy obcięcia
Błędy wejściowe
Występują gdy dane liczbowe
wprowadzane do pamięci komputera
odbiegają od wartości dokładnych. Kiedy występują?
- gdy wprowadzane dane pomiarowe są obarczone błędami pomiarowymi (np.
pomiar wielkości fizycznych takich jak oporu czy napięcia)
- gdy ze względu na skończoną długość słowa binarnego dochodzi do wstępnego zaokrąglenia liczb (ułamki dziesiętne lub zaokrąglanie liczb niewymiernych jak np.:
e, )
x
(10)= 3:25 x
(z2)= (0)1101
| {z }
M
(0)10
| {z }
W
x
(2)= 0:0011(0011)::::
x
0(z2)= (0)1100(1)10 x
0(2)= 0:001100
x
0(10)= 0:1875
12
Przykład
Chcemy wyznaczyć wartość ex, więc korzystamy z rozwinięcia
ale numerycznie lepiej zrobić to tak
gdzie: E(x) jest częścią całkowitą liczby x, q jest częścią ułamkową
Pierwszy wyraz jest potęgą a drugi liczymy wg rozwinięcia.
Do wyznaczenia pozostaje tylko
błąd obcięcia. Szereg ucinamy na n-tym wyrazie.
Błędy obcięcia - powstają podczas zmniejszania liczby działań np.:
a)przy obliczaniu wartości szeregów (ucięcie szeregu)
b)wyznaczaniu granic (obliczanie wartości całki)
c)zastępowaniu pochodnej funkcji ilorazem różnicowym
e
x=
X
1 n=0x
nn! ; ¡1 < x < +1
e
x= e
E(x)e
q0 · x < 1
Reszta szeregu:
szacujemy maksymalny błąd obcięcia tj.
widzimy że szereg jest więc szybko zbieżny.
Dokładniejsze oszacowanie
0 · R
n(q) < 3
(n + 1)! q
n+1R
n(x) = e
µq(n + 1)! q
n+1; 0 < µ < 1 µ ¼ 1; q ¼ 1
R
n(q) = q
n+1(n + 1)! + q
n+2(n + 2)! + q
n+3(n + 3)! + : : :
= q
n+1(n + 1)!
µ
1 + q
n + 2 + q
2(n + 2)(n + 3) + : : :
¶
< q
n+1(n + 1)!
Ã
1 + q
n + 2 +
µ q n + 2
¶
2+ : : :
!
R
n(q) < q
n+1(n + 1)!
1 1 ¡
n+2qStosując wzór na sumę szer. geom.
dla oraz
dostajemy warunek
gdzie
jest ostatnim wyrazem użytym przy sumowaniu elementów.
Wyrażenie na ex (małe x)przyjmuje postać:
0 · q < 1 n + 2
n + 1 < n + 1 n
0 < R
n(q) < u
nq
n ; 0 < q < 1 u
n= q
nn!
e
x= u
0+ u
1+ u
2+ : : : + R
n(x)
gdzie
Wówczas schemat iteracyjny obliczania wartości sumy jest następujący
z warunkami
Załóżmy, że
"
jest maksymalną wartością błędu obcięcia szeregu.u
0= 1; u
k= xu
k¡1k ; k = 1; 2; 3; : : : ; n
u
k= x
k u
k¡1s
k= s
k¡1+ u
kk = 0; 1; 2; : : : ; n
u
0= 1; s
¡1= 0; s
0= 1
14
np. obliczmy wartość
z dokładnością 2.5x10-6
wynik
p e
u
0= 1
u
1= 0:5000000 u
2= 0:1250000 u
3= 0:0208333 u
4= 0:0026042 u
5= 0:0002604 u
6= 0:0000217 u
7= 0:0000016
p e = 1:648721 jR
n(x) j · R
n( jxj)
< jxj
n+1(n + 1)! ¢ 1 1 ¡
n+2jxj< 2 jxj
n+1(n + 1)! = 2 jxj
n + 1 ¢ jxj
nn!
< ju
nj · "
ju
n(x) j < "
Proces sumowania przerywamy gdy spełniony będzie poniższy warunek
Ostatecznie warunek ten przyjmuje bardziej „przystępną” postać
Błędy zaokrągleń
Pojawiają się podczas wykonywania operacji arytmetycznych. Wynikają z ograniczonej reprezentacji liczb
zmiennopozycyjnych.
Wielkość błędów zależy od:
a) dokładności reprezentacji b) sposobu zaokrąglania wyniku
c) rodzaju przeprowadzanej operacji
Lemat Wilkinsona – błędy zaokrągleń powstające podczas wykonywania
działań zmiennopozycyjnych są
równoważne zastępczemu zaburzeniu liczb, na których wykonujemy działania.
Po przeprowadzeniu operacji dostajemy
Błędy względne zaokrągleń:
mnożenia
dzielenia
dodawania i odejmowania
Zwłaszcza przy odejmowaniu możemy dostać duży błąd, gdy
f l(x) = x(1 + "
x); f l(y) = y(1 + "
y)
f l(x)f l(y) ¡ xy
xy = (1 + "
x)(1 + "
y) ¡ 1 =
= "
x+ "
y+ "
x"
y¼ "
x+ "
yf l(x)=f l(y) ¡ x=y
x=y = 1 + "
x1 + "
y¡ 1 =
= "
x¡ "
y1 ¡ "
y¼ "
x¡ "
yf l(x) § fl(y) ¡ (x § y)
x § y = x"
x§ y"
yx § y =
= x
x § y "
x¡ y
x § y "
y¼ y; ¼ ¡"
16
Wykonywanie kolejnych operacji na wynikach poprzednich operacji prowadzi do kumulacji błędów zaokrągleń.
Można je zmniejszyć ustalając odpowiednio sposób i kolejność wykonywanych działań lub zwiększając precyzję obliczeń (nie zawsze można).
Szacowanie błędów zaokrągleń
a) Sumowanie liczb (jedna z częściej wykonywanych operacji)
oznaczenie
Zgodnie z lematem Wilkinsona:
Indeks s - suma indeks x - wartość
Obliczona wartość sumy:
s =
X
n i=1x
is
k= f l ¡
s
k¡1+ x
k¢
= s
0k¡1+ x
0k18
Obliczona suma jest sumą zaburzonych składników. Wielkość zaburzeń zależy od kolejności wykonywania sumowania. Nie znamy wielkości poszczególnych mnożników, ale możemy oszacować
maksymalne dopuszczalne zmiany składników:
Najmniej zaburzony jest składnik ostatni bo tylko (1+) lub (1-) razy.
Można stąd wysunąć wniosek odnośnie sumowania: liczby należy sumować od najmniejszej do największej wg wartości bezwzględnej
- trzeba zmienić algorytm na dokładniejszy.
x
1;min= x
1(1 ¡ ")
nx
i;min= x
i(1 ¡ ")
n+1¡ix
1;max= x
1(1 + ")
nx
i;max= x
i(1 + ")
n+1¡ib) Obliczanie wartości wielomianu
W „tradycyjny” ale nieoptymalny sposób:
Wykonujemy:
-M operacji mnożenia
- D operacji dodawania
Optymalny sposób obliczania wartość wielomianu zapewnia Schemat Hornera
Wykonujemy tylko M=n-1 mnożeń i D=n dodawań.
Uwaga:
Wyniki uzyskane wg powyższych algorytmów mogą się różnić.
w(x) = x
n+ a
1x
n¡1+ a
2x
n¡2+ ¢ ¢ ¢ + a
n¡1x + a
nw(x) = xx | {z } ¢ ¢ ¢ x
n
+ a
1x | {z } ¢ ¢ ¢ x
n¡1
+ ¢ ¢ ¢ + a
n¡1x + a
nM = ( n ¡ 1)(n + 2) 2
w(x) = x µ
x ³
x ¢ ¢ ¢ ¡
x + a
1¢ + a
2´
+ ¢ ¢ ¢ + a
n¡1¶
+ a
nD = n
20
Zadanie numeryczne to jasny i niedwuznaczny opis powiązania funkcjonalnego między danymi
wejściowymi i danymi wyjściowymi. Dane te składają się ze skończonej liczby wielkości rzeczywistych.
Algorytm numeryczny dla zadania numerycznego to opis poprawnie
określonych operacji (arytmetycznych lub logicznych), które należy wykonać aby przekształcić wektor danych wejściowych na wektor danych wyjściowych.
Przykład
Określić największy pierwiastek rzeczywisty równania
dla wektora danych wejściowych
jest to zadanie numeryczne. Daną wyjściową jest szukany pierwiastek.
Algorytm dla tego zadania – metoda Newtona, schemat iteracyjny, wzory Cardana.
Uwarunkowanie zadania dla danych
poszukujemy wyniku
czyli
Jeśli niewielkie względne zmiany danych zadania powodują duże względne zmiany rozwiązania, to zadanie takie jest źle
uwarunkowane.
Wskaźnikiem uwarunkowania zadania nazywamy wielkość charakteryzującą wpływ zaburzeń danych na zaburzenie rozwiazania.
Zadanie jest:
-dobrze uwarunkowane -źle uwarunkowane
-źle postawione
a
3x
3+ a
2x
2+ a
1x + a
0= 0 (a
0; a
1; a
2; a
3)
d
d d = (d
1; d
2; : : : ; d
n) 2 R
nw w w = (w
1; w
2; : : : ; w
m) 2 R
mw w w = '(d d d); ' : R
n! R
mcond('; d d d) ¼ 1 cond('; d d d) À 1 cond('; d d d) ! +1
k'(ddd) ¡ '( ~ d~ d~ d) k = cond(';ddd)kddd ¡ ~ d~ d~ d k
Przykład
Jakie jest uwarunkowanie obliczania iloczynu skalarnego?
zaburzamy dane wejściowe
i liczmy względną zmianę wyniku
S =
X
n i=1a
ib
i6= 0
a
i(®) = a
i(1 + ®
i) b
i(¯) = b
i(1 + ¯
i)
®
i¯
i¼ 0
¯ ¯
¯¯
P
ni=1
a
i(1 + ®
i)b
i(1 + ¯
i) ¡ P
ni=1
a
ib
iP
ni=1
a
ib
i¯ ¯
¯¯ ¼
¼
¯ ¯¯
¯ P
ni=1
a
ib
i(®
i+ ¯
i) P
ni=1
a
ib
i¯ ¯¯
¯ ·
· max
i
j®
i+ ¯
ij
Ã
nX
i=1
ja
ib
ij=
¯ ¯
¯ ¯
¯ X
ni=1
a
ib
i¯ ¯
¯ ¯
¯
!
Za wskaźnik uwarunkowania przyjmujemy
dla
czyli zadanie jest dobrze uwarunkowane.
Algorytmy numerycznie poprawne Są to algorytmy numerycznie najwyższej jakości, dla których obliczone rozwiązanie jest „nieznacznie” zaburzonym
rozwiązaniem dla „nieznacznie”
zaburzonych danych.
„nieznaczne ” zaburzenie – zaburzenie na poziomie reprezentacji (rd(d), rd(w))
ja
ib
ij = a
ib
i! cond(aaa; bbb) = 1 cond(a a a; bbb) =
P
ni=1
ja
ib
ij j P
ni=1
a
ib
ij
kddd ¡ rd(ddd)k · ½
dkdddk
kw w w ¡ rd(w w w) k · ½
wkw w w k
23
Algorytmy numerycznie stabilne - dokładne rozwiązanie:
- dane zaburzone na poziomie reprezentacji:
- dokładny wynik dla danych :
- zaburzony wynik dla zaburzonych danych:
Dostajemy oszacowanie
gdzie
jest optymalnym poziomem błędu rozwiązania w danej arytmetyce (fl).
d b d d
d b d d w
w w = '(d d d); kddd ¡ b db db d k · ½
dkdddk
b
w w w = '(b d d d); kb w w w ¡ e w w w k · ½
wk b w w w b b k
algorytm A jest numerycznie stabilny, jeśli dla każdego
istnieje stała K (ograniczenie od góry) i dla dostatecznie silnej arytmetyki zachodzi
- realizacja odwzorowania przez algorytm A w arytmetyce zmiennopozycyjnej
Wskaźnik stabilności K powinien być jak najmniejszy – jego wielkość może służyć do oceny algorytmu.
Stabilność numeryczna jest własnością jakiej powinniśmy oczekiwać od algorytmu.
kw w w ¡ e w w w e e k · kw w w ¡ b w w w b b k + k b w w w b b ¡ e w w w e e k ·
· (1 + ½
w)P (d d d; ')
d
d d 2 D
k'(ddd) ¡ fl(A(ddd))k · K ¢ P (ddd; ')
e
w w w = f l ( w w w) b
P (d d d; ') = ½
wkw w w k + max k'(ddd) ¡ '(b db db d) k
f l(A(d d d))
Złożoność obliczeniowa rozważamy problem
Minimalną liczbę działań potrzebnych do obliczenia wyniku definiujemy jako
Wielkość z(,D) nazywamy złożoności obliczeniową zadania.
Jeśli zadanie ma n danych istotnych tj.
wówczas
i liczba istotnych danych określa oszacowanie z dołu złożoności obliczeniowej. Analiza algorytmów numerycznych powinna
z('; D) = sup
d2D
z('; D)
_
d2D
^
1·j·n
_
±