データの性質を見極めておかないと誤った統計数値を得てしまうよという教訓を垂れる訳だろうが...
図に示すような 3 種類のデータがある。各データは 2 列で,1 列目と 2 列目の合計が等しいかどうか判断せよと。
1 番目のデータ(左上が 1 列目,左下が 2 列目)のヒストグラム
かなり大きな正の値のデータのみ
2 番目のデータ(中上が 1 列目,中下が 2 列目)のヒストグラム
正・負のデータからなり,絶対値がほどほど大きいデータを少し含む
3 番目のデータ(右上が 1 列目,右下が 2 列目)のヒストグラム
正・負のデータからなり,外れ値ともいえるような絶対値がめちゃ大きいデータをほんのわずか含む
無邪気に,mean を使ったりすると,
> cat(sum(q1[,1]), sum(q1[,2]))
9007199254740992 9007199254740992
> cat(sum(q2[,1]), sum(q2[,2]))
0 -4.54747350886464e-13
> cat(sum(q3[,1]), sum(q3[,2]))
-71606554540133104 8756878575033.26
のようになる。1 番目のデータの各列の和は等しく,2 番目のデータでは誤差範囲で同じ,3 番目のデータではすごく違いがあるように見えるかもしれないが元のデータのオーダーが 30 桁ほどなんだから,誤差範囲であろうと判断しなければならない。
そもそも,2 番目とか 3 番目のようなデータは実際にはない(オーダーが大きいのは,単位をかえればよいし,普通そのように表されるだろう)ので,そんなに神経質にならなくてもよいのだけど。
それでも,次の様なアルゴリズムで和を求めるというのは,予防的措置として推奨されるかもしれない。
a. 足し算と引き算を混ぜない。正のデータと負のデータを別々に和を求めて,最後に 2 つの和を合計する。
b. 小さな数と大きな数の足し算をしない。小さなものから順に足していく(より慎重にするなら,2 つのデータの和を求めたら,残りのデータと一緒にしてその中の小さな 2 つのデータの和を求めるということを繰り返す)。
以下のようなプログラムを書いてみる。
sum2 = function(d) {
sum1 = function(x) {
x1 = x[x > 0]
x2 = x[x < 0]
cat(sum(x1), sum(abs(x2)), sum(x1)-sum(abs(x2)), "\n")
ifelse(length(x1) > 0, tail(cumsum(sort(x1)), 1), 0) -
ifelse(length(x2) > 0, tail(cumsum(sort(abs(x2))), 1), 0)
}
sum1(d[,1]) == sum1(d[,2])
}
これによる結果は,以下のようになる。
> sum2(q1)
9007199254740992 0 9007199254740992
9007199254740992 0 9007199254740992
[1] TRUE
> sum2(q2)
196452.384765625 196452.384765625 0
16530519.4 16530519.4 0
[1] TRUE
> sum2(q3)
2.76019691920891e+33 2.76019691920891e+33 0
1.82694806300339e+29 1.82694806300339e+29 35184372088832
[1] FALSE
3 番目のデータにおいてはまだ誤差範囲であるが同じではないという結果である。
えい,まだるっこしい。
いっそのこと,長精度実数計算をしてしまえ(ただし,上に書いた a, b は考慮する)。
library(Rmpfr)
sum9 = function(d) {
sum8 = function(x) {
prec = 200
x1 = mpfr(x[x > 0], prec)
x2 = mpfr(x[x < 0], prec)
s1 = if (length(x1) > 0) tail(cumsum(sort(x1)), 1) else 0
s2 = if (length(x2) > 0) tail(cumsum(sort(abs(x2))), 1) else 0
print(c(s1, s2, s1-s2))
s1-s2
}
sum8(d[,1]) == sum8(d[,2])
}
これによれば,全てのデータセットで,2 列の合計値は等しくないということがはっきりする。
そして,その差は誤差範囲であるということである。
> sum9(q1)
3 'mpfr' numbers of precision 128 .. 200 bits
[1] 9007199254740993 0 9007199254740993
3 'mpfr' numbers of precision 128 .. 200 bits
[1] 9007199254740992 0 9007199254740992
[1] FALSE
> sum9(q2)
3 'mpfr' numbers of precision 200 bits
[1] 196452.384765625 196452.384765625 0
3 'mpfr' numbers of precision 200 bits
[1] 16530519.40000000000000479616346638067625463008880615234375
[2] 16530519.399999999999994582111639829236082732677459716796875
[3] 1.0214051826551440171897411346435546875000000000000000000000000e-14
[1] FALSE
> sum9(q3)
3 'mpfr' numbers of precision 200 bits
[1] 2760196919208909839959496867497081.8282129668101326662451169565
[2] 2760196919208909911700429409141880.8282129668101326104341159326
[3] -71740932541644798.999999999999999944188998976167179947377656232
3 'mpfr' numbers of precision 200 bits
[1] 182694806300338729143596181240.44380035052800129831732213181835
[2] 182694806300338720381823051512.44380035052800286368844502856631
[3] 8761773129727.9999999999999984346288771032520431883572850254938
[1] FALSE
※コメント投稿者のブログIDはブログ作成者のみに通知されます