Числовой инструментарий

Прежде чем что-то решать, нужен способ хранить числа. Реши, как вектор и матрица живут в памяти — плоский массив со счётчиком строк или вложенные массивы, — и построй небольшие операции, на которых держится всё остальное: сложение, умножение на скаляр, скалярное произведение и умножение матрицы на вектор. Скалярное произведение — место, где новички впервые встречают тихий баг, ведь границы цикла и сопоставление индексов должны совпадать в точности; ошибись в одном — и ответ выглядит правдоподобно, но неверен. Держи операции чистыми: принимай входные данные, возвращай новый вектор или матрицу и никогда не мутируй аргументы, чтобы поздний шаг не испортил ранний. Награда за то, что этот слой получился скучным и правильным, — в том, что каждая более сложная вещь поверх него наследует эту правильность.

Теперь заставь инструментарий делать настоящую работу: решать систему линейных уравнений. Реализуй метод Гаусса — приведи матрицу к верхнетреугольному виду, вычитая масштабированные строки, а затем обратной подстановкой считай неизвестные. Это та же процедура, что ты делал вручную в алгебре, но машина заставляет быть точным в порядке операций и в учёте того, какая строка какую масштабирует. Начни с наивной версии на «удобной» системе 3x3, где ответ уже известен, чтобы неверный результат был очевидно неверным. Ты обнаружишь, что у алгоритма стоимость порядка n в кубе операций — вот почему решение системы из тысячи уравнений это реальные затраты, а не бесплатно: сложность, которую ты изучал, перестаёт быть абстракцией в тот момент, когда твой решатель начинает тормозить.

Наивный решатель ломается в первый же раз, когда ведущий элемент равен нулю — ты делишь на него и получаешь бесконечность или NaN, — и тихо теряет точность, когда ведущий элемент просто очень мал. Лекарство — частичный выбор ведущего элемента: перед исключением столбца переставь наверх строку с наибольшим по модулю значением в этом столбце, чтобы всегда делить на самое большое доступное число. Построй небольшой пример, на котором наивная версия выдаёт дико неверный ответ, а затем посмотри, как выбор ведущего элемента её спасает; этот контраст и есть весь урок. Это твоя первая настоящая встреча с мыслью, что математически верный алгоритм всё равно может быть численно неверным и что числа с плавающей точкой на числовой прямой — не те точные вещественные числа, которыми ты рассуждал на бумаге.

Добавь статистическую сторону: по вектору выборки вычисли среднее, дисперсию и стандартное отклонение. Среднее — просто; дисперсия — место, где ждёт тонкая ловушка. Учебная формула, вычитающая среднее квадратов из квадрата среднего, делается в один проход по плавающей точке, но катастрофически теряет значимость, когда числа большие и близкие, возвращая отрицательную дисперсию, что математически невозможно. Реализуй вместо неё численно честный двухпроходный вариант (или бегущую формулу Уэлфорда) и докажи тестом на больших почти равных значениях, что наивная формула проваливается, а твоя держится. Осознанно выбери между дисперсией генеральной совокупности и выборочной — выбор «делить на n» против «делить на n минус один» не косметический, и сеньор-инженер заявляет, какой из них он поставляет и почему.

Числовая библиотека, которой нельзя доверять, ничего не стоит, поэтому этот этап — про то, как доверие заслужить. Построй набор тестов вокруг ответов, которые ты можешь проверить независимо: решений, вычисленных вручную; тождеств, которые обязаны выполняться (матрица, умноженная на своё решение, воспроизводит правую часть); и эталонной реализации, с которой ты сверяешься. Дисциплина здесь — утверждать с допуском, а не на точное равенство: результаты с плавающей точкой почти никогда не совпадают побитово, поэтому ты сравниваешь в пределах эпсилон и выбираешь этот эпсилон осознанно. Покрой скучный счастливый путь, но основную энергию потрать на края: вырожденную матрицу без единственного решения, пустой ввод, вектор из одного элемента. Тесты — не довесок; они единственное, что стоит между «выглядит верно» и «оно верно».