Estoy portando un algoritmo que funciona en Matlab para nublarse y observé un comportamiento extraño. El segmento relevante de código esDiferencia numérica Matlab/Octave/Numpy
P = eye(4)*1e20;
A = [1 -0.015 -0.025 -0.035; 0.015 1 0.035 -0.025; 0.025 -0.035 1 0.015; 0.035 0.025 -0.015 1];
V1 = A*(P*A')
V2 = (A*P)*A'
Este código, cuando funciono con Matlab, proporciona las siguientes matrices:
V1 = 1.0021e+20 0 -8.0000e+00 0
0 1.0021e+20 0 0
-8.0000e+00 0 1.0021e+20 0
0 0 0 1.0021e+20
V2 = 1.0021e+20 0 -8.0000e+00 0
0 1.0021e+20 0 0
-8.0000e+00 0 1.0021e+20 0
0 0 0 1.0021e+20
Nota que V1 y V2 son los mismos, como se esperaba.
Cuando el mismo código se ejecuta en Octave, que dispone lo siguiente:
V1 = 1.0021e+20 4.6172e+01 -1.3800e+02 1.8250e+02
-4.6172e+01 1.0021e+20 -1.8258e+02 -1.3800e+02
1.3801e+02 1.8239e+02 1.0021e+20 -4.6125e+01
-1.8250e+02 1.3800e+02 4.6125e+01 1.0021e+20
V2 = 1.0021e+20 -4.6172e+01 1.3801e+02 -1.8250e+02
4.6172e+01 1.0021e+20 1.8239e+02 1.3800e+02
-1.3800e+02 -1.8258e+02 1.0021e+20 4.6125e+01
1.8250e+02 -1.3800e+02 -4.6125e+01 1.0021e+20
En numpy, el segmento se convierte en
from numpy import array, dot, eye
A = numpy.array([[1, -0.015, -0.025, -0.035],[0.015, 1, 0.035, -0.025],[0.025, -0.035, 1, 0.015],[0.035, 0.025, -0.015, 1]])
P = numpy.eye(4)*1e20
print numpy.dot(A,numpy.dot(P,A.transpose()))
print numpy.dot(numpy.dot(A,P),A.transpose())
que da salida a
[[ 1.00207500e+20 4.61718750e+01 -1.37996094e+02 1.82500000e+02]
[ -4.61718750e+01 1.00207500e+20 -1.82582031e+02 -1.38000000e+02]
[ 1.38011719e+02 1.82386719e+02 1.00207500e+20 -4.61250000e+01]
[ -1.82500000e+02 1.38000000e+02 4.61250000e+01 1.00207500e+20]]
[[ 1.00207500e+20 -4.61718750e+01 1.38011719e+02 -1.82500000e+02]
[ 4.61718750e+01 1.00207500e+20 1.82386719e+02 1.38000000e+02]
[ -1.37996094e+02 -1.82582031e+02 1.00207500e+20 4.61250000e+01]
[ 1.82500000e+02 -1.38000000e+02 -4.61250000e+01 1.00207500e+20]]
Así, tanto Octave y numpy proporciona la misma respuesta, pero es muy diferente de la de Matlab. El primer punto es que V1! = V2, que no parece correcto. El otro punto es que, aunque los elementos no diagonales son muchos órdenes de magnitud más pequeños que los diagonales, esto parece estar causando algún problema en mi algoritmo.
¿Alguien sabe cómo numpy y Octave se comporta de esta manera?
Eso no es del todo cierto. Hay un tipo de datos float128, sin embargo, creo que su precisión no siempre está bien definida. – seberg
@Sebastian, no encontré referencia alguna para un tipo float128 - only complex128 (porque esos son dos float64 vistos como un número con la parte real e imaginaria). http://docs.scipy.org/doc/numpy/user/basics.types.html – Lucero
Sí ... eso es porque float128 solo está disponible dependiendo de la computadora en la que se esté ejecutando. Pero en la PC habitual es. – seberg