📊 statistics

Statistical Taylor Expansion: A New and Path-Independent Method for Uncertainty Analysis

यह शोध पत्र "सांख्यिकीय टेलर विस्तार" (Statistical Taylor Expansion) प्रस्तुत करता है, जो अनिश्चितता विश्लेषण के लिए एक कठोर, पथ-स्वतंत्र विधि है जो सटीक इनपुट को यादृच्छिक चरों (random variables) से बदल देती है ताकि सभी गणनात्मक चरणों के माध्यम से त्रुटि प्रसार को ट्रैक किया जा सके, जिससे परिणाम की विश्वसनीयता का सटीक परिमाणीकरण संभव होता है और पारंपरिक संख्यात्मक दृष्टिकोणों एवं लाइब्रेरी फंक्शनों की महत्वपूर्ण सीमाओं को उजागर किया जा सके।

मूल लेखक: Chengpu Wang

प्रकाशित 2026-07-20

📖 11 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chengpu Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बढ़ते हुए सेम के पौधे की ऊंचाई मापने की कोशिश कर रहे हैं। आप एक रूलर (पैमाना) उठाते हैं, लेकिन आपका हाथ थोड़ा कांप रहा है, और उस रूलर पर छोटी-छोटी खरोंचें भी हैं। विज्ञान और इंजीनियरिंग की दुनिया में, हम इसे "अनिश्चितता" (uncertainty) कहते हैं। आमतौर पर, जब हम इन कांपते हुए नंबरों के साथ गणित करते हैं, तो हम उन्हें आदर्श, ठोस ब्लॉकों की तरह मानते हैं। हम कहते हैं, "यदि मैं 5 को 3 से गुणा करता हूँ, तो मुझे 15 मिलता है।" लेकिन वास्तविक दुनिया में, यदि आपका "5" वास्तव में "5.001" था और आपका "3" "2.999" था, तो उत्तर सटीक रूप से 15 नहीं होगा। यह संभावनाओं का एक बिखरा हुआ बादल होगा।

दशकों से, वैज्ञानिक इस बिखराव को ट्रैक करने की कोशिश कर रहे हैं। कुछ लोग "इंटरवल अरिथमेटिक" (interval arithmetic) का उपयोग करते हैं, जो ऐसा कहने जैसा है कि, "उत्तर 14 और 16 के बीच कहीं है।" यह सुरक्षित है, लेकिन अक्सर बहुत व्यापक होता है, जैसे यह कहना कि "सुई घास के ढेर में कहीं है" और पूरा खलिहान ही दिखा देना। अन्य लोग मानक फ्लोटिंग-पॉइंट मैथ (floating-point math) का उपयोग करते हैं, जो तेज़ है लेकिन बिखराव को पूरी तरह से अनदेखा कर देता है जब तक कि वह किसी क्रैश का कारण न बन जाए। बड़ा सवाल यह है: क्या हम ऐसा गणित कर सकते हैं जो न केवल हमें एक उत्तर दे बल्कि हमें यह भी बताए कि हम उस पर कितना भरोसा कर सकते हैं और गणना के अधिक चरणों के साथ वह भरोसा कैसे बदलता है? यह एरर एनालिसिस (error analysis) का क्षेत्र है, जो यह समझने के लिए समर्पित है कि हमारे मापन की छोटी गलतियाँ हमारे निष्कर्षों में बड़ी गलतियाँ कैसे बन जाती हैं।

यहाँ एक नई विधि आती है जिसे स्टैटिस्टिकल टेलर एक्सपेंशन (Statistical Taylor Expansion) कहा जाता है, जिसे शोधकर्ता चेंगपु वांग ने प्रस्तावित किया है। इस विधि को एक जादुई कैलकुलेटर के रूप में सोचें जो केवल नंबरों को नहीं काटता; बल्कि यह डिस्ट्रीब्यूशन्स (distributions) को काटता है। इसके बजाय कि आप इसमें "5" जैसा एक अकेला नंबर डालें, आप इसमें "5 के साथ एक कंपन" (5 with a wobble) डालते हैं। पेपर का तर्क है कि प्रत्येक इनपुट को एक ज्ञात आकार (जैसे बेल कर्व) और नमूनों की एक विशिष्ट संख्या वाले रैंडम वेरिएबल के रूप में मानकर, हम यह ट्रैक कर सकते हैं कि वह कंपन गणना के हर चरण में कैसे लहरों की तरह फैलता है। सबसे रोमांचक बात? यह विधि दावा करती है कि यह सिद्धांत रूप में पाथ-इंडिपेंडेंट (path-independent) है।

इसे समझने के लिए, कल्पना करें कि आप अपने घर से पार्क तक जा रहे हैं। यदि आप जंगलों के बीच से घुमावदार रास्ता लेते हैं, तो आप कीचड़ में फंस सकते हैं। यदि आप सीधी सड़क लेते हैं, तो आप साफ रहते हैं। पारंपरिक गणित में, "कीचड़" (त्रुटि) इस बात पर निर्भर करता है कि आपने कौन सा रास्ता चुना। अपने चरणों का क्रम बदल दें, और आपका अंतिम परिणाम अलग हो सकता है। वांग की विधि बताती है कि यदि आप अनिश्चितता को सांख्यिकीय रूप से ट्रैक करते हैं, तो आपके द्वारा लिया गया रास्ता मायने नहीं रखना चाहिए। अंतिम "अनिश्चितता का बादल" वही होना चाहिए, चाहे आप वहां कैसे भी पहुंचे हों। हालांकि, पेपर नोट करता है कि व्यवहार में, संचित राउंडिंग एरर (rounding errors) अभी भी संचालन के क्रम पर निर्भर कर सकते हैं, हालांकि यह विधि इन त्रुटियों को अतिरिक्त अनिश्चितता के रूप में पकड़ लेती है। पेपर इस विचार का परीक्षण करने के लिए वेरिएंस अरिथमेटिक (Variance Arithmetic) नामक एक व्यावहारिक उपकरण पेश करता है, जो दिखाता है कि यह मानक कंप्यूटर लाइब्रेरी में छिपी त्रुटियों को पकड़ सकता है, मैट्रिक्स मैथ की समस्याओं को ठीक कर सकता है, और यहाँ तक कि यह भी प्रकट कर सकता है कि डेटा को फिट करने के कुछ सामान्य तरीके (रिग्रेशन) मौलिक रूप से दोषपूर्ण क्यों हैं क्योंकि वे वेरिएबल्स के बीच के संबंध को अनदेखा करते हैं।

मुख्य विचार: कांपता हुआ रूलर

आइए देखें कि यह कैसे काम करता है। पेपर में, लेखक एक सरल अवधारणा से शुरुआत करते हैं: एक सिग्नल केवल एक नंबर नहीं है; यह एक नंबर प्लस एक कंपन (wobble) है। यदि आप एक लंबाई को $x \pm \delta x$ के रूप में मापते हैं, तो आप केवल यह नहीं कह रहे हैं कि "यह 5 मीटर है।" आप कह रहे हैं, "यह संभवतः 5 मीटर है, लेकिन यह थोड़ा अधिक या कम हो सकता है, और यहाँ उस संभावना का आकार दिया गया है।"

पेपर एक नियम पर आधारित है जिसे अनकोरिलेटेड अनसर्टेनिटी कंडीशन (Uncorrelated Uncertainty Condition) कहा जाता है। कल्पना कीजिए कि आपके पास दो माप हैं, जैसे मेज की चौड़ाई और ऊंचाई। यदि चौड़ाई में कंपन का ऊंचाई के कंपन से कोई लेना-देना नहीं है (वे स्वतंत्र हैं), तो गणित अपेक्षाकृत सीधा है। पेपर इस बात का उपयोग करके एक नए प्रकार का "टेलर एक्सपेंशन" प्राप्त करता है। आप कैलकुलस से क्लासिक टेलर एक्सपेंशन को जानते होंगे, जहाँ हम एक वक्र (curve) को एक सीधी रेखा का उपयोग करके और फिर छोटे सुधार जोड़कर अनुमानित करते हैं। यह नया संस्करण भी वही करता है, लेकिन केवल नंबर जोड़ने के बजाय, यह वेरिएंस (कंपन का वर्ग) जोड़ता है।

परिणाम एक फॉर्मूला है जो आपको हर उत्तर के लिए तीन चीजें देता है:

मीन (Mean): सबसे संभावित उत्तर (जैसे 15)।
डेविएशन (Deviation): अनिश्चितता का बादल कितना चौड़ा है (जैसे $\pm 0.5$ )।
रिलायबिलिटी (Reliability): 0 से 1 का एक स्कोर जो आपको बताता है कि आप उस बादल पर कितना भरोसा कर सकते हैं।

"पाथ-इंडिपेंडेंट" जादू

यहाँ पेपर वास्तव में साहसी हो जाता है। मानक कंप्यूटर गणित में, जिस तरह से आप समीकरण लिखते हैं, वह मायने रखता है। यदि आप $x^2 - x$ की गणना करते हैं, तो आपको $x(x-1)$ की तुलना में थोड़ा अलग उत्तर मिल सकता है, भले ही गणितीय रूप से वे समान हों। इसे डिपेंडेंसी प्रॉब्लम (Dependency Problem) कहा जाता है। यह ऐसा है जैसे यदि आप दो अलग-अलग शेफ से एक ही सामग्री का उपयोग करके केक बनाने के लिए कहें लेकिन उन्हें सामग्री के साथ अलग क्रम में उपयोग करने दें, और वे अंत में थोड़े अलग स्वाद के साथ समाप्त करें क्योंकि वे सामग्रियों के बीच की परस्पर क्रिया को ट्रैक करने में विफल रहे।

वांग की विधि दावा करती है कि वह इसे सिद्धांत में हल करती है। हर मध्यवर्ती चरण के माध्यम से "कंपन" को ट्रैक करके, यह विधि सुनिश्चित करती है कि अनिश्चितता का अंतिम परिणाम समान रहता है, चाहे आपने गणित को कैसे भी पुनर्व्यवस्थित किया हो। पेपर इसे वेरिएंस अरिथमेटिक के साथ प्रदर्शित करता है, जो एक सॉफ्टवेयर कार्यान्वयन है जो प्रत्येक संख्या को एक जोड़ी के रूप में मानता है: (वैल्यू, अनिश्चितता)।

लेखकों ने कई कठिन परिदृश्यों पर इसका परीक्षण किया:

पॉलीनोमियल्स (Polynomials): उन्होंने दिखाया कि यह विधि राउंडिंग एरर (छोटी गलतियाँ जो कंप्यूटर नंबर स्टोर करते समय करते हैं) को ट्रैक कर सकती है और अनिश्चितता की सीमाओं को सटीक रख सकती है।
मैट्रिक्स इन्वर्जन (Matrix Inversion): यह समीकरणों के सिस्टम को हल करने का एक जटिल तरीका है। पेपर ने पाया कि इसे करने का मानक तरीका (गौसियन एलिमिनेशन) त्रुटियां पैदा करता है क्योंकि यह नंबरों के बीच के डिपेंडेंसी को तोड़ देता है। नया तरीका, जो एक प्रत्यक्ष फॉर्मूले का उपयोग करता है, अनिश्चितता को ईमानदार रखता है।
फास्ट फूरियर ट्रांसफॉर्म (FFT): यह ध्वनि या छवियों को उनके फ्रीक्वेंसी घटकों में तोड़ने का एक सुपर-फास्ट तरीका है। पेपर ने पाया कि साइन (sine) और कोसाइन (cosine) फंक्शन के लिए मानक गणितीय लाइब्रेरी में छिपी हुई संख्यात्मक त्रुटियां हैं जो "रेजोनेंस" पैटर्न—नकली सिग्नल जो असली दिखते हैं—बना सकती हैं। एक विशेष "क्वाट साइन" (Quart Sine) फंक्शन और वेरिएंस अरिथमेटिक का उपयोग करके, वे इन त्रुटियों को पकड़ सके।

यह पेपर किन चीजों को खारिज करता है

पेपर कुछ "मानक" प्रथाओं के प्रति काफी आलोचनात्मक है। यह स्पष्ट रूप से रैंडम अनिश्चितताओं के लिए इंटरवल अरिथमेटिक (Interval Arithmetic) का उपयोग करने के विरुद्ध तर्क देता है। इंटरवल अरिथमेटिक ऐसा है जैसे कहना, "उत्तर 14 और 16 के बीच है।" पेपर दिखाता है कि यह विधि त्रुटि को ओवर-एस्टिमेट (अति-अनुमानित) करती है, जिससे रेंज उपयोगी होने के लिए बहुत चौड़ी हो जाती है। यह ऐसा है जैसे कहना कि एक कार 0 से 100 मील प्रति घंटे की गति से चल रही है जबकि आप जानते हैं कि वह वास्तव में 55 मील प्रति घंटे पर है। पेपर का सुझाव है कि चूंकि अधिकांश वास्तविक दुनिया की त्रुटियां रैंडम (जैसे सिक्का उछालना) होती हैं, न कि वर्स्ट-केस परिदृश्य, इसलिए इंटरवल अरिथमेटिक गलत उपकरण है।

यह ऑर्डिनरी लीनियर रिग्रेशन (Ordinary Linear Regression) (डेटा पॉइंट्स पर लाइन फिट करने का मानक तरीका) को भी दोषपूर्ण बताता है। पेपर का सुझाव है कि जब आप डेटा पॉइंट्स को अनिश्चितता के साथ मानते हैं, तो मानक फॉर्मूले इस बात को अनदेखा करते हैं कि "x" और "y" मूल्यों में त्रुटियां कैसे जुड़ी हुई हैं। इससे एक "डिपेंडेंसी प्रॉब्लम" पैदा होती है जहाँ गणना की गई लाइन उतनी सटीक नहीं होती जितनी होनी चाहिए। पेपर एक "टोटल रिग्रेशन" दृष्टिकोण प्रस्तावित करता है जो इन संबंधों को ध्यान में रखता है, लेकिन यह स्वीकार करता है कि यह गणना करना बहुत कठिन है और अक्सर इसमें सरल क्लोज्ड-फॉर्म समाधान की कमी होती है, जिससे कई मामलों में दोषपूर्ण साधारण तरीकों की ओर वापस समझौता करना पड़ता है।

निष्कर्ष: हम कितने निश्चित हैं?

लेखकों ने व्यापक सिमुलेशन और परीक्षण किए हैं, और परिणाम आशाजनक हैं लेकिन अभी भी हर स्थिति के लिए "हल की गई" समस्या नहीं हैं।

सफलताएं: साइन, कोसाइन और लॉगारिदम जैसे बुनियादी गणितीय कार्यों और मैट्रिक्स ऑपरेशंस से जुड़े परीक्षणों में, विधि ने जो वे "आइडियल कवरेज" कहते हैं, उसे प्राप्त किया। इसका मतलब है कि गणना की गई अनिश्चितता वास्तविक परिणामों के प्रसार से लगभग पूरी तरह मेल खाती है (एक एरर डेविएशन लगभग 1.0)। उदाहरण के लिए, जब उन्होंने एक सिग्नल में शोर जोड़ा और उसे फास्ट फूरियर ट्रांसफॉर्म के माध्यम से चलाया, तो विधि ने त्रुटियों के आकार को सही ढंग से पहचाना।
"रेजोनेंस" की खोज: पेपर ने पाया कि साइन और कोसाइन फंक्शन के लिए मानक कंप्यूटर लाइब्रेरी में छोटी, व्यवस्थित त्रुटियां होती हैं। जब ये त्रुटियां कुछ आवृत्तियों (frequencies) के साथ परस्पर क्रिया करती हैं, तो वे एक "रेजोनेंट पैटर्न" बनाते हैं जो एक वास्तविक सिग्नल जैसा दिखता है। पेपर का सुझाव है कि ये त्रुटियां महत्वपूर्ण हो सकती हैं और मानक फ्लोटिंग-पॉइंट मैथ इन्हें छिपा देता है।
सीमाएं: यह विधि अभी पूर्ण नहीं है। लेखक नोट करते हैं कि कुछ जटिल कार्यों (जैसे लॉगारिदम या पावर्स) के लिए, गणित तभी काम करता है जब इनपुट अनिश्चितता पर्याप्त छोटी हो। यदि "कंपन" बहुत बड़ा है, तो सुधारों की श्रृंखला विचलित (diverge) हो जाती है, और विधि टूट जाती है। उन्होंने यह भी पाया कि इस विधि को मानक गणित की तुलना में अधिक कंप्यूटिंग पावर की आवश्यकता होती है क्योंकि इसे कई अधिक टर्म्स की गणना करनी पड़ती है।
विश्वास स्तर: पेपर इन निष्कर्षों को मापा गया और सिम्युलेटेड प्रस्तुत करता है। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक टूल बनाया, हजारों परीक्षण चलाए, और परिणामों को ज्ञात सत्यों के साथ तुलना की। हालांकि, वे स्वीकार करते हैं कि यह विधि अभी "विकास के प्रारंभिक चरणों" में है। उनका सुझाव है कि जबकि सिद्धांत ठोस है, व्यावहारिक कार्यान्वयन को सभी प्रकार के संभाव्यता वितरणों (probability distributions) को संभालने और रोजमर्रा के उपयोग के लिए पर्याप्त तेज़ होने के लिए और अधिक काम की आवश्यकता है।

निष्कर्ष (The Takeaway)

यह पेपर सोचने के एक नए तरीके का प्रस्ताव करता है: अनिश्चितता एक बग नहीं है; यह एक फीचर है। प्रत्येक संख्या को संभावनाओं के एक बादल के रूप में मानकर और यह ट्रैक करके कि वह गणित करते समय कैसे बदलता है, हम ऐसे परिणाम प्राप्त कर सकते हैं जो केवल नंबर नहीं हैं, बल्कि हमारे ज्ञान का ईमानदार मूल्यांकन हैं।

लेखक सुझाव देते हैं कि यह दृष्टिकोण, जिसे वे स्टैटिस्टिकल टेलर एक्सपेंशन कहते हैं, "सांख्यिकीय बीजगणित" (Statistical Algebra) नामक गणित की एक नई शाखा की ओर ले जा सकता है। यह हमें अपने एल्गोरिदम लिखने, डेटा को फिट करने और अपने कंप्यूटर द्वारा दिए गए नंबरों पर भरोसा करने के तरीके पर पुनर्विचार करने की चुनौती देता है। हालांकि यह कोई जादुई छड़ी नहीं है जो सब कुछ तुरंत ठीक कर देती है, लेकिन यह हमारी गणनाओं की विश्वसनीयता को मापने का एक कठोर, सैद्धांतिक रूप से पथ-स्वतंत्र तरीका प्रदान करता है, जो इंजीनियरिंग डिजाइन से लेकर वैज्ञानिक खोजों तक, छिपी हुई त्रुटियों से हमें बचा सकता है। इसका कोड ओपन-सोर्स है, जो दूसरों को इसे टेस्ट करने, सुधारने और शायद एक दिन, इसे हमारे गणित करने के मानक तरीके के रूप में स्थापित करने के लिए आमंत्रित करता है।

तकनीकी सारांश: सांख्यिकीय टेलर विस्तार और विचरण अंकगणित (Statistical Taylor Expansion and Variance Arithmetic)

1. समस्या विवरण

पारंपरिक संख्यात्मक अंकगणित अनिश्चितता विश्लेषण में महत्वपूर्ण सीमाओं का सामना करता है। मानक फ्लोटिंग-पॉइंट अंकगणित केवल एक सटीक परिणाम मान की गणना करता है, और राउंडिंग त्रुटियों (rounding errors) या इनपुट अनिश्चितताओं को अनदेखा कर देता है। अंतराल अंकगणित (Interval arithmetic), सीमाओं को ट्रैक करने के बावजूद, "डिपेंडेंसी समस्या" (dependency problem) से ग्रस्त होता है, जहाँ यह परिणाम अंतरालों का अतिरंजित अनुमान लगाता है क्योंकि यह एक ही चर के बार-बार होने वाले उदाहरणों को स्वतंत्र मानता है। इसके अलावा, पारंपरिक संख्यात्मक एल्गोरिदम अक्सर "पथ-निर्भर" (path-dependent) होते हैं, जिसका अर्थ है कि परिणाम और उसकी त्रुटि विशेषताएँ एल्जेब्रिक ऑपरेशन्स या एल्गोरिद्मिक चरणों (जैसे, कैटास्ट्रोफिक कैंसिलेशन) के विशिष्ट अनुक्रम के आधार पर बदल जाती हैं।

अनिश्चितता प्रसार (uncertainty propagation) के मौजूदा तरीके, जैसे कि पारंपरिक विचरण-सहप्रसरण (variance-covariance) ढांचा, आम तौर पर प्रथम-क्रम इंटरैक्शन तक सीमित होते हैं और विशिष्ट वितरण गुणों को मानते हैं। वे उच्च-क्रम इंटरैक्शन, इनपुट वितरण की विशिष्ट प्रकृति (जैसे, गॉसियन बनाम यूनिफॉर्म), या परिणाम की सांख्यिकीय विश्वसनीयता को समझने में विफल रहते हैं। इसके अतिरिक्त, मानक प्रतिगमन (regression) तकनीकें अक्सर इनपुट अनिश्चितताओं का भार (weights) के रूप में दुरुपयोग करती हैं, जो असंबंधित अनिश्चितताओं के संबंध में सांख्यिकीय सिद्धांतों का उल्लंघन करती हैं।

2. कार्यप्रणाली: सांख्यिकीय टेलर विस्तार (Statistical Taylor Expansion)

यह शोध पत्र सांख्यिकीय टेलर विस्तार को पेश करता है, जो पारंपरिक टेलर श्रृंखला का एक कठोर विस्तार है। इनपुट चरों को सटीक मानों के रूप में मानने के बजाय, यह विधि उन्हें एक ज्ञात वितरण, एक माध्य (mean), एक विचलन (deviation/uncertainty), और एक नमूना गणना (sample count) द्वारा अभिलक्षित रैंडम वेरिएबल्स के रूप में प्रतिस्थापित करती है।

मुख्य सैद्धांतिक ढांचा

असंबंधित अनिश्चितता की स्थिति (Uncorrelated Uncertainty Condition): यह विधि इस धारणा पर आधारित है कि जब परिशुद्धता (precision) 1 से कम हो, तो सिग्नल के बीच अनिश्चितता-स्तर का सहसंबंध सिग्नल-स्तर के सहसंबंध से कम होता है। यह अनिश्चितता के प्रसार में सिग्नल और शोर (noise) घटकों को अलग करने की अनुमति देता है।
उच्च-क्रम विस्तार (Higher-Order Expansion): पारंपरिक प्रथम-क्रम त्रुटि प्रसार के विपरीत, सांख्यिकीय टेलर विस्तार आउटपुट के माध्य और विचरण की गणना करने के लिए पूर्ण टेलर श्रृंखला का उपयोग करता है।
- आउटपुट $f(x)$ का माध्य $f(x) + \sum_{n=2}^{\infty} \frac{(\delta x)^n}{n!} f^{(n)}(x) \zeta(n, \kappa)$ के रूप में व्युत्पन्न किया जाता है, जहाँ $\zeta(n, \kappa)$ सामान्यीकृत इनपुट वितरण के बाउंड मोमेंट्स (bound moments) को दर्शाता है।
- विचरण $\delta^2 f(x)$ की गणना डेरिवेटिव और बाउंड मोमेंट्स वाले उच्च-क्रम इंटरैक्शन पदों को जोड़कर की जाती है, जो गैर-रेखीय प्रभावों और चरों के बीच उच्च-क्रम इंटरैक्शन को कैप्चर करती है।
पथ स्वतंत्रता (Path Independence): फंक्शन के पूर्ण विश्लेतिक रूप (analytic form) के माध्यम से निर्भरताओं को ट्रैक करके, यह विधि सुनिश्चित करती है कि गणना किया गया माध्य और विचरण सैद्धांतिक रूप से पथ-स्वतंत्र है। यह पारंपरिक संख्यात्मक विधियों के विपरीत है जहाँ ऑपरेशन्स का क्रम राउंडिंग एरर और डिपेंडेंसी आर्टिफैक्ट्स के संचय को प्रभावित करता है।
सांख्यिकीय बाउंडिंग (Statistical Bounding): यह विधि विचरण अनुमान की विश्वसनीयता को परिभाषित करने के लिए एक "बाउंडिंग लीकेज" पैरामीटर ( $\epsilon$ ) और एक बाउंड रेंज ( $\kappa$ ) पेश करती है। यह "डिस्ट्रीब्यूशनल पोल्स" (जहाँ डेरिवेटिव शून्य होता है, जिससे डेंसिटी बढ़ जाती है) और "डिस्ट्रीब्यूशनल ज़ीरोस" (जहाँ डेंसिटी लुप्त हो जाती है) के बीच अंतर करती है, और $\log(x)$ और $x^c$ जैसे कार्यों के लिए अभिसरण (convergence) स्थितियों का विश्लेषण करती है।

कार्यान्वयन: विचरण अंकगणित (Variance Arithmetic)

शोध पत्र सांख्यिकीय टेलर विस्तार के संख्यात्मक कार्यान्वयन के रूप में विचरण अंकगणित प्रस्तुत करता है। यह एक अपूर्ण मान $x \pm \delta x$ को दो 64-बिट फ्लोटिंग-पॉइंट नंबरों के जोड़े के रूप में प्रदर्शित करता है। संख्यात्मक स्थिरता और वैधता सुनिश्चित करने के लिए, कार्यान्वयन विशिष्ट नियमों को लागू करता है:

परिमित (Finite): परिणाम और विचरण को परिमित रहना चाहिए।
एकदिष्ट (Monotonic): अभिसरण सुनिश्चित करने के लिए विस्तार पद निरपेक्ष मान में एकदिष्ट रूप से घटने चाहिए।
स्थिर (Stable): ट्रंकेशन एरर बाउंडिंग लीकेज द्वारा परिभाषित थ्रेशोल्ड से नीचे होना चाहिए।
धनात्मक (Positive): प्रत्येक विस्तार क्रम पर विचरण धनात्मक रहना चाहिए।
विश्वसनीय (Reliable): विचरण का विचलन एक विशिष्ट टॉलरेंस के भीतर होना चाहिए।

यह विधि फ्लोटिंग-पॉइंट राउंडिंग एरर्स को इनपुट विचलन $\delta x$ के हिस्से के रूप में भी शामिल करती है, उन्हें यूनिफॉर्मली डिस्ट्रीब्यूटेड नॉइज़ के रूप में मानती है।

3. मुख्य योगदान और परिणाम

सैद्धांतिक प्रगति

अनिश्चितता पूर्वाग्रह (Uncertainty Bias): अध्ययन "अनिश्चितता पूर्वाग्रह" को आउटपुट के वास्तविक माध्य और इनपुट माध्य पर फंक्शन के मूल्यांकन के बीच के अंतर के रूप में परिभाषित करता है, जो यह मापता है कि इनपुट अनिश्चितता अपेक्षित परिणाम को कैसे बदलती है।
अभिसरण विश्लेषण (Convergence Analysis): शोध पत्र विचरण श्रृंखला के अभिसरण के लिए गणितीय स्थितियाँ स्थापित करता है, विशेष रूप से उन कार्यों के लिए जिनमें डिस्ट्रीब्यूशनल पोल्स या ज़ीरोस होते हैं (जैसे, $\log(x)$ और $x^c$ )। यह दर्शाता है कि अभिसरण इनपुट परिशुद्धता और बाउंड रेंज $\kappa$ के सापेक्ष निर्भर करता है।
सांख्यिकीय बीजगणित (Statistical Algebra): शोध पत्र रैंडम वेरिएबल्स के साथ समीकरणों को हल करने के लिए एक नए ढांचे के रूप में "सांख्यिकीय बीजगणित" का प्रस्ताव करता है, जो एनालिटिक समाधानों को स्टोकेस्टिक संदर्भों (जैसे, रैंडम कोएफिशिएंट्स वाले डिफरेंशियल इक्वेशंस) तक विस्तारित करता है।

अनुभवजन्य प्रदर्शन (Empirical Demonstrations)

शोध पत्र विविध अनुप्रयोगों में विचरण अंकगणित को प्रमाणित करता है:

पॉलीनोमियल कंप्यूटेशन: फ्लोटिंग-पॉइंट राउंडिंग एरर्स को ट्रैक करने और पैरामीटर स्पेस में निरंतरता बनाए रखने की क्षमता प्रदर्शित करता है, यहाँ तक कि डिस्ट्रीब्यूशनल पोल्स के पार भी।
मैट्रिक्स इन्वर्जन: यह दिखाता है कि एडजुगेट मैट्रिक्स (adjugate matrix) के माध्यम से मैट्रिक्स के व्युत्क्रम की विश्लेतिक परिभाषा का उपयोग करने से (गौसियन एलिमिनेशन के बजाय) डिपेंडेंसी समस्या से बचा जा सकता है। यह मैट्रिक्स कंडीशन नंबर्स और डिटर्मिनेंट प्रिसिजन के बीच एक मजबूत रैखिक सहसंबंध प्रकट करता है, जो यह सुझाव देता है कि मैट्रिक्स स्थिरता के लिए कंडीशन नंबर्स की तुलना में अनिश्चितता एक बेहतर मीट्रिक हो सकती है।
मैथमेटिकल लाइब्रेरी फंक्शन्स: मानक फंक्शन ( $e^x, \log x, \sin x$ ) का मूल्यांकन करता है। यह प्रकट करता है कि मानक लाइब्रेरी फंक्शन्स (जैसे, sin, cos) में महत्वपूर्ण संख्यात्मक त्रुटियां होती हैं जो FFT परिणामों में "रेजोनेंस" पैटर्न पैदा कर सकती हैं, जिससे बड़े वैल्यू एरर होते हैं जिन्हें पारंपरिक अंकगणित पकड़ने में विफल रहता है।
FFT विश्लेषण: FFT अनुप्रयोगों में, यह विधि दर्शाती है कि मानक लाइब्रेरी साइन फंक्शन्स का उपयोग करने से व्यवस्थित त्रुटियां उत्पन्न होती हैं जो FFT ऑर्डर के साथ बढ़ती हैं। "क्वार्ट साइन" (integer indices पर आधारित) फंक्शन का उपयोग करके फ्लोटिंग-पॉइंट राउंडिंग को समाप्त करके, यह विधि आदर्श कवरेज प्राप्त करती है। यह दिखाता है कि अंतराल अंकगणित इन रैंडम संदर्भों में अनिश्चितता का अत्यधिक आकलन करता है, जबकि विचरण अंकगणित वास्तविक एरर डिस्ट्रीब्यूशन को उच्च सटीकता के साथ ट्रैक करता है।
प्रतिगमन (Regression): शोध पत्र पारंपरिक लीस्ट-स्क्वेयर्स रिग्रेशन की आलोचना करता है जो इनपुट अनिश्चितताओं को वेट के रूप में उपयोग करता है। यह "टोटल रिग्रेशन" और "पार्टिशन एंड वेट" विधियों का प्रस्ताव करता है जो विथ-सबसेट और बिटवीन-सबसेट कोवेरिएंस को कठोरता से संभालते हैं, जिससे साधारण मल्टी-डायमेंशनल रिग्रेशन में निहित डिपेंडेंसी समस्याओं से बचा जा सकता है।
हाइड्रोजन स्पेक्ट्रा: हाइड्रोजन स्पेक्ट्रल लाइनों से फाइन-स्ट्रक्चर कांस्टेंट ( $\alpha$ ) की गणना में लागू करते हुए, यह विधि माप अनिश्चितताओं के प्रभाव को मात्रात्मक रूप से बताती है और पहचान करती है कि विभिन्न माप उप-समूहों के बीच का विचरण कुल विचरण का केवल 14% है, जो प्रायोगिक सुधार के विशिष्ट मार्ग सुझाता है।

सत्यापन मेट्रिक्स (Validation Metrics)

शोध पत्र दो प्राथमिक सत्यापन परीक्षणों को परिभाषित करता है:

डिस्ट्रीब्यूशन टेस्ट: गणना किए गए माध्य और विचलन की तुलना परिणामों के डेटासेट से करता है। आदर्श कवरेज सटीक 1 का एरर डेविएशन और एक नॉर्मल एरर डिस्ट्रीब्यूशन प्रदान करती है।
वैल्यू टेस्ट: गणना किए गए मानों की तुलना ज्ञात सटीक परिणामों (जैसे, राउंड-ट्रिप ट्रांसफॉर्मेशन) से करता है। आदर्श कवरेज शून्य पर केंद्रित (डेल्टा-जैसे) एरर डिस्ट्रीब्यूशन और -1 के एरर स्लोप के साथ परिणाम देती है।

4. महत्व और दावे

शोध पत्र का दावा है कि सांख्यिकीय टेलर विस्तार परिणामों को पथ-स्वतंत्र (path-independent) बनाकर संख्यात्मक अनिश्चितता विश्लेषण के दृष्टिकोण को मौलिक रूप से बदल देता है। यह पारंपरिक संख्यात्मक दृष्टिकोणों से एक स्पष्ट अंतर है जहाँ परिणाम लिए गए विशिष्ट एल्जेब्रिक रूप या एल्गोरिद्मिक पथ पर निर्भर करता है।

महत्व के संबंध में मुख्य दावे हैं:

छिपी हुई त्रुटियों को प्रकट करना: यह विधि मानक गणितीय लाइब्रेरी फंक्शन्स और फ्लोटिंग-पॉइंट राउंडिंग एरर्स में महत्वपूर्ण संख्यात्मक त्रुटियों का पता लगा सकती है जो पारंपरिक अंकगणित या अंतराल अंकगणित के लिए अदृश्य या अत्यधिक अनुमानित होती हैं।
विश्वसनीयता को मापना: यह परिणामों के लिए एक "बाउंडिंग रिलायबिलिटी" (0 और 1 के बीच का मान) प्रदान करता है, जो इनपुट सैंपल काउंट और डिस्ट्रीबशंस से प्राप्त होता है, जो कि एक नवीन क्षमता है।
प्रतिगमन को पुनर्परिभाषित करना: यह पारंपरिक प्रतिगमन प्रथाओं के दोषों को उजागर करता है, विशेष रूप से इनपुट अनिश्चितताओं का भार के रूप में दुरुपयोग, और एक सांख्यिकीय रूप से कठोर विकल्प प्रदान करता है।
नया गणितीय प्रतिमान: "सांख्यिकीय बीजगणित" का परिचय यह सुझाव देता है कि रैंडम वेरिएबल्स को सीधे हल करने के लिए एक मार्ग उपलब्ध है, न कि केवल सैंपलिंग-आधारित स्टोकेस्टिक विधियों पर निर्भर रहने के बजाय।

लेखक स्वीकार करते हैं कि यह विधि निष्पादन लचीलेपन को कम करती है (पूर्ण विश्लेतिक रूपों की आवश्यकता के कारण) और वर्तमान कार्यान्वयन (विचरण अंकगणित) प्रारंभिक विकास चरण में है। वे नोट करते हैं कि जबकि यह विधि रैंडम अनिश्चितताओं को प्रभावी ढंग से संभालती है, क्लोज्ड-फॉर्म एनालिटिक समाधानों या स्पष्ट इनपुट अनिश्चितताओं वाले परिदृश्यों (जैसे, हार्डवेयर सपोर्ट के बिना सामान्य फ्लोटिंग-पॉइंट राउंडिंग एरर ट्रैकिंग) में अनुकूलित करने में चुनौतियां बनी हुई हैं।

अध्ययन निष्कर्ष निकालता है कि उन अनुप्रयोगों के लिए जहाँ अनिश्चितताएं स्वभाव से रैंडम होती हैं (अधिकांश वैज्ञानिक और इंजीनियरिंग संदर्भों में), सांख्यिकीय टेलर विस्तार अनिश्चितता लक्षण वर्णन के लिए अंतराल अंकगणित की तुलना में अधिक सटीक और उपयुक्त ढांचा प्रदान करता है।