Calcolo Numerico Matlab

Strumento professionale per il calcolo numerico con visualizzazione grafica dei risultati.

Guida Completa al Calcolo Numerico con MATLAB

Il calcolo numerico rappresenta una branca fondamentale della matematica applicata che si occupa di sviluppare algoritmi per la risoluzione approssimata di problemi matematici. MATLAB (MATrix LABoratory) è uno degli ambienti di programmazione più potenti e diffusi per implementare questi algoritmi, grazie alla sua sintassi intuitiva e alle librerie ottimizzate per il calcolo scientifico.

Fondamenti del Calcolo Numerico

Prima di addentrarci nelle specificità di MATLAB, è essenziale comprendere i concetti base del calcolo numerico:

• Errore di troncamento: Deriva dall’approssimazione di processi infiniti (come serie) con un numero finito di operazioni.
• Errore di arrotondamento: Causato dalla rappresentazione finita dei numeri reali nei computer (standard IEEE 754).
• Condizionamento di un problema: Misura la sensibilità della soluzione ai dati di input. Un problema è “ben condizionato” se piccole variazioni nei dati producono piccole variazioni nel risultato.
• Stabilità degli algoritmi: Un algoritmo è stabile se gli errori iniziali non vengono amplificati durante il calcolo.

MATLAB gestisce questi aspetti attraverso funzioni built-in che implementano algoritmi numerici robusti. Ad esempio, la funzione fzero per trovare zeri di funzioni utilizza una combinazione di metodi di bisezione, secante e interpolazione inversa quadratica, adattandosi automaticamente al problema specifico.

Metodi Numerici Implementabili in MATLAB

MATLAB offre strumenti per implementare tutti i principali metodi numerici. Di seguito una panoramica dei più utilizzati:

1. Risoluzione di equazioni non lineari:
   • fzero: Trova lo zero di una funzione non lineare unidimensionale
   • fsolve: Risolve sistemi di equazioni non lineari multidimensionali
2. Interpolazione e approssimazione:
   • interp1: Interpolazione 1D (lineare, spline cubica, ecc.)
   • polyfit: Approssimazione polinomiale ai minimi quadrati
   • spline: Interpolazione con spline cubiche
3. Integrazione numerica:
   • integral: Integrazione numerica adattiva (metodo di quadratura di Gauss-Kronrod)
   • trapz: Regola del trapezio
   • cumtrapz: Integrazione cumulativa con regola del trapezio
4. Risoluzione di equazioni differenziali:
   • ode45: Metodo di Runge-Kutta (4,5) per problemi non stiff
   • ode15s: Metodo per equazioni differenziali stiff

Implementazione Pratica in MATLAB

Vediamo alcuni esempi concreti di implementazione:

1. Trovare gli zeri di una funzione

% Definizione della funzione
f = @(x) x.^3 - 6*x.^2 + 11*x - 6;

% Trova lo zero vicino a x=1.5
zero = fzero(f, 1.5);
disp(['Lo zero della funzione è in x = ', num2str(zero)]);
            

2. Integrazione numerica

% Definizione della funzione da integrare
f = @(x) exp(-x.^2).*sin(x);

% Integrazione tra 0 e pi
Q = integral(f, 0, pi);
disp(['Il valore dell''integrale è ', num2str(Q)]);
            

3. Risoluzione di equazioni differenziali

% Definizione dell'EDO: y' = -2*x*y
ode = @(x,y) -2*x*y;

% Intervallo di soluzione e condizione iniziale
xspan = [0 2];
y0 = 1;

% Risoluzione con ode45
[x, y] = ode45(ode, xspan, y0);

% Plotting
plot(x, y, '-o');
xlabel('x');
ylabel('y(x)');
title('Soluzione dell''EDO y'' = -2xy');
grid on;
            

Ottimizzazione delle Prestazioni

Per ottenere il massimo dalle capacità di calcolo di MATLAB, è importante seguire alcune best practice:

• Vettorizzazione del codice: Evitare cicli for quando possibile, utilizzando invece operazioni su array. MATLAB è ottimizzato per operazioni vettoriali.
• Preallocazione degli array: Quando si lavorano con array di grandi dimensioni, preallocare lo spazio necessario per evitare ridimensionamenti costosi.
• Utilizzo delle funzioni built-in: Le funzioni native di MATLAB sono implementate in linguaggio compilato e ottimizzate per le prestazioni.
• Profiling del codice: Utilizzare profile viewer per identificare i colli di bottiglia nelle applicazioni complesse.
• Parallel computing: Per problemi computazionalmente intensivi, sfruttare il Parallel Computing Toolbox per distribuire il carico su più core.

Confronto tra Metodi Numerici

La scelta del metodo numerico appropriato dipende dalle caratteristiche specifiche del problema. La tabella seguente confronta alcuni metodi comuni per la risoluzione di equazioni non lineari:

Metodo	Velocità di Convergenza	Memoria Richiesta	Robustezza	Casi d’Uso Tipici
Bisezione	Lineare (r ≈ 0.5)	Bassa	Alta	Funzioni continue con segno opposto agli estremi
Newton-Raphson	Quadratica (r ≈ 2)	Media (richiede derivata)	Media (sensibile alla scelta iniziale)	Funzioni differenziabili con buona stima iniziale
Secanti	Superlineare (r ≈ 1.618)	Bassa	Media	Alternative a Newton quando la derivata è costosa
Regula Falsi	Lineare (r ≈ 1)	Bassa	Alta	Simile alla bisezione ma con convergenza più veloce

Per l’integrazione numerica, invece, la scelta dipende dalla regolarità della funzione:

Metodo	Ordine di Accuratezza	Complessità Computazionale	Adatto per Funzioni
Regola del Trapezio	O(h²)	Bassa	Lisce
Regola di Simpson	O(h⁴)	Media	Lisce con derivata quarta continua
Quadratura di Gauss	O(h²ⁿ) per n punti	Alta (per n grande)	Funzioni analitiche
Monte Carlo	O(1/√N)	Molto alta (per alta precisione)	Funzioni in spazi multidimensionali

Visualizzazione dei Risultati

Una delle maggiori forze di MATLAB è la sua capacità di visualizzazione dati. Il tool di plotting integrato permette di creare grafici pubblicazione-ready con pochi comandi. Alcune funzioni chiave:

• plot: Grafici 2D di linee e punti
• scatter: Diagrammi di dispersione
• surf/mesh: Superfici 3D
• contour: Curve di livello
• histogram: Istogrammi
• imagesc: Visualizzazione di matrici come immagini

Esempio di visualizzazione avanzata:

% Dati di esempio
x = linspace(-2*pi, 2*pi, 1000);
y = sin(x)./x;

% Creazione della figura
figure;
plot(x, y, 'LineWidth', 2, 'Color', [0 0.4470 0.7410]);
xlabel('x');
ylabel('sinc(x)');
title('Funzione sinc(x) = sin(x)/x');
grid on;
ax = gca;
ax.FontSize = 12;
ax.TitleFontWeight = 'bold';

% Aggiunta di una legenda e annotazioni
hold on;
plot(0, 1, 'ro', 'MarkerSize', 10, 'MarkerFaceColor', 'r');
legend('sinc(x)', 'x=0', 'Location', 'northeast');
text(0, 1.1, 'sinc(0) = 1', 'HorizontalAlignment', 'center');
            

Applicazioni Avanzate

Oltre ai metodi numerici classici, MATLAB eccelle in applicazioni avanzate:

1. Elaborazione di segnali e immagini:
   • Filtraggio digitale con filter e filtfilt
   • Trasformate di Fourier con fft e ifft
   • Elaborazione immagini con imread, imshow, edge
2. Machine Learning e Statistica:
   • Classificazione con fitctree (alberi decisionali)
   • Regressione con fitlm (modelli lineari)
   • Clustering con kmeans
3. Ottimizzazione:
   • fminunc: Ottimizzazione non vincolata
   • linprog: Programmazione lineare
   • ga: Algoritmi genetici
4. Simulazione di sistemi dinamici:
   • Simulink per la modellazione di sistemi complessi
   • ode15s per sistemi stiff
   • pdepe per equazioni differenziali alle derivate parziali

Risorse Esterne Autorevoli

Per approfondire gli aspetti teorici e pratici del calcolo numerico con MATLAB, si consigliano le seguenti risorse:

• Numerical Methods (MIT OpenCourseWare) – Corso completo sul calcolo numerico del Massachusetts Institute of Technology
• National Institute of Standards and Technology (NIST) – Standard e linee guida per il calcolo scientifico
• MATLAB Academic Courseware – Materiali didattici ufficiali di MathWorks per l’insegnamento universitario

Errori Comuni e Come Evitarli

Anche gli utenti esperti possono incorrere in errori nel calcolo numerico. Ecco i più comuni e come prevenirli:

1. Cancellazione catastrofica:

   Si verifica quando si sottraggono due numeri quasi uguali, causando una perdita significativa di cifre significative. Soluzione: riformulare l’algoritmo per evitare sottrazioni di numeri simili.

   Esempio problematico: 1 - cos(x) per x vicino a 0

   Soluzione alternativa: 2*sin(x/2)^2

2. Overflow/Underflow:

   L’overflow si verifica quando un numero supera il massimo rappresentabile, mentre l’underflow quando è troppo piccolo. Soluzione: ridimensionare i dati o utilizzare la logaritmizzazione.

3. Instabilità numerica:

   Alcuni algoritmi apparentemente corretti possono essere numericamente instabili. Ad esempio, la formula ricorsiva per i polinomi di Chebyshev è instabile per gradi elevati.

4. Convergenza lenta:

   Alcuni metodi iterativi possono richiedere un numero eccessivo di iterazioni. Soluzione: utilizzare metodi di accelerazione della convergenza o cambiare algoritmo.

5. Scarsa condizionamento della matrice:

   Nei sistemi lineari, matrici con numero di condizione elevato (cond(A) >> 1) amplificano gli errori. Soluzione: utilizzare fattorizzazioni come QR o SVD.

Best Practice per la Programmazione in MATLAB

Per scrivere codice MATLAB efficiente e manutenibile:

• Documentazione: Utilizzare sempre commenti chiari e la sintassi help per documentare le funzioni:

                      function y = myfunction(x)
                      % MYFUNCTION Calcola qualcosa di importante
                      %   y = MYFUNCTION(x) restituisce il risultato per l'input x
                      %   x deve essere un vettore numerico
                      %   Esempio: y = myfunction(1:10)
                      

• Modularità: Suddividere il codice in funzioni piccole e specializzate piuttosto che in script monolitici.
• Validazione degli input: Utilizzare validateattributes o narginchk per verificare i parametri di input.
• Gestione degli errori: Utilizzare try-catch per gestire eccezioni in modo elegante.
• Testing: Creare test unitari con il framework matlab.unittest.
• Controllo versione: Utilizzare Git (con matlab.git) per tracciare le modifiche al codice.

Esempio Completo: Risoluzione di un’Equazione Differenziale con Visualizzazione

Il seguente esempio mostra come risolvere numericament un’equazione differenziale del secondo ordine (oscillatore armonico smorzato) e visualizzare i risultati:

            % Definizione dei parametri
            m = 1;      % massa
            c = 0.2;    % coefficiente di smorzamento
            k = 10;     % costante elastica

            % Equazione differenziale: m*y'' + c*y' + k*y = 0
            % Riscriamo come sistema di primo ordine:
            % y1 = y
            % y2 = y'
            % y1' = y2
            % y2' = (-c*y2 - k*y1)/m

            ode = @(t,Y) [Y(2); (-c*Y(2) - k*Y(1))/m];

            % Condizioni iniziali: y(0) = 1, y'(0) = 0
            Y0 = [1; 0];

            % Intervallo temporale
            tspan = [0 10];

            % Risoluzione con ode45
            [t, Y] = ode45(ode, tspan, Y0);

            % Estrazione delle soluzioni
            y = Y(:,1);    % posizione
            dy = Y(:,2);   % velocità

            % Visualizzazione
            figure;

            % Subplot per la posizione
            subplot(2,1,1);
            plot(t, y, 'b-', 'LineWidth', 2);
            xlabel('Tempo [s]');
            ylabel('Posizione [m]');
            title('Oscillatore Armonico Smorzato');
            grid on;

            % Subplot per la velocità
            subplot(2,1,2);
            plot(t, dy, 'r-', 'LineWidth', 2);
            xlabel('Tempo [s]');
            ylabel('Velocità [m/s]');
            grid on;

            % Calcolo dell'energia totale (cinetica + potenziale)
            KE = 0.5*m*dy.^2;          % Energia cinetica
            PE = 0.5*k*y.^2;           % Energia potenziale
            TE = KE + PE;              % Energia totale

            % Visualizzazione dell'energia
            figure;
            plot(t, KE, 'r-', t, PE, 'b-', t, TE, 'k-', 'LineWidth', 2);
            xlabel('Tempo [s]');
            ylabel('Energia [J]');
            legend('Cinetica', 'Potenziale', 'Totale', 'Location', 'best');
            title('Conservazione dell''Energia');
            grid on;
            

Conclusione

Il calcolo numerico con MATLAB rappresenta uno strumento indispensabile per ingegneri, scienziati e ricercatori in numerosi campi applicativi. La combinazione di un linguaggio di programmazione ad alto livello con librerie numeriche ottimizzate permette di affrontare problemi complessi con relativa semplicità, senza dover implementare da zero algoritmi sofisticati.

Per diventare proficiente nel calcolo numerico con MATLAB, è essenziale:

1. Comprendere a fondo i fondamenti teorici dei metodi numerici
2. Saper valutare la precisione e l’accuratezza dei risultati
3. Conoscere le funzioni built-in di MATLAB e le loro opzioni
4. Essere in grado di interpretare e visualizzare correttamente i risultati
5. Mantenersi aggiornati sulle nuove funzionalità introdotte in ogni release

Con la pratica costante e l’applicazione a problemi reali, MATLAB diventerà uno strumento sempre più potente nel tuo arsenale di calcolo scientifico, permettendoti di affrontare sfide computazionali sempre più complesse con fiducia e competenza.