Таких стандартів не існує, оскільки надійні оцінки помилок часто коштують набагато дорожче, ніж приблизні розрахунки.
В основному існує чотири види оцінок помилок:
(i) Теоретичні аналізи, що підтверджують, що числовий метод є чисельно стійким. Це насправді не дає рядка помилок, оскільки аналіз лише гарантує, що зроблена помилка не гірша, ніж кількісна помилка у вхідних аргументах. Це достатньо для більшості наукових розрахунків, оскільки вхідні дані також є лише приблизними, тому помилка, допущена чисельно стабільним методом, не гірша, ніж використання трохи іншого (але невідомого) введення. Більшість високо оцінених числових методів супроводжується чисельним стабільним аналізом, хоча навряд чи знайдеться реалізація, яка повідомляє на запит результуючу так звану відсталу помилку.
(ii) Оцінки асимптотичних помилок. Вони припускають, що продуктами всіх помилок (помилки введення, помилки округлення або помилки дискретизації є найпоширенішими джерелами) можна знехтувати (сумнівно, якщо функції дуже нелінійні), і використовувати аналіз чутливості для поширення вхідних помилок. Разом з числовим аналізом стійкості це також може фіксувати ефект помилок округлення або помилок дискретизації. Отримані рядки помилок такі ж надійні, як і обґрунтованість припущень, на яких вони ґрунтуються. Використовуючи автоматичні інструменти диференціації, вартість оцінки помилок, як правило, є коефіцієнтом 1 або 2 на додаток до вартості наближення. Таким чином, така оцінка помилок є досить частою на практиці.
[Редагувати] Наприклад, теорема Еттлі-Прагера дає легко обчислювані відсталі помилки для рішення лінійних систем. Аналіз чутливості говорить про те, що ці помилки повинні бути помножені на норму зворотної матриці, яку можна оцінити, використовуючи оцінювач Хагера (вбудований в сучасні оцінки кількості умов).
(iii) Стохастичний аналіз помилок: (CESTAC, http://www.sciencedirect.com/science/article/pii/0378475488900705) Це робиться шляхом перевантаження всіх операцій відповідним стохастичним варіантом, який оцінює три набори аргументів і після цього додає штучну помилку випадкового округлення. заключні три результати використовуються для обчислення середнього та стандартного відхилень квадратного кореня (сума квадратів відхилень від середнього, розділеного на 2 = 3-1). Це дає досить корисну оцінку точності частини похибки округлення. Однак це не враховує помилки дискретизації, яка, як правило, є домінуючою помилкою в обчисленнях ODE та PDE. Вартість залежить від мови програмування через накладні витрати при виконанні перевантажених операцій. Якщо припустити (що майже ніколи не буває) перевантаження не несе штрафу в часі, витрати на результат плюс оцінка помилок - це коефіцієнт 3 порівняно з обчисленням лише наближення.
(iv) Інтервальний аналіз: це дає чіткі межі для всіх джерел помилок, якщо вони зроблені належним чином, але, за винятком простих випадків, він вимагає великого досвіду (або програмного забезпечення, яке його втілює), щоб зробити це таким чином, щоб межі не сильно переоцінювали справжні помилки . Серед лінійних алгебр серед інших доступне програмне забезпечення для інтервалу (наприклад, IntLab http://www.ti3.tu-harburg.de/rump/intlab/ ; коштує в 6 разів, якщо розмірність великий) та глобальної оптимізації (наприклад, , COCONUT http://www.mat.univie.ac.at/~coconut/coconut-environment/; може бути набагато дорожчим або навіть дешевшим, ніж приблизна глобальна оптимізація, залежно від проблемних особливостей). Але багато інших класів проблем, які легко піддаються лікуванню приблизно (наприклад, що охоплюють траєкторії великих планет Сонячної системи протягом 10 років), повністю недоступні для поточного покоління інтервальних методів.