Dispense Galligani Calcolo Numerico E Software Matematico 2016

Strumento avanzato per il calcolo numerico basato sul materiale delle dispense di Calcolo Numerico e Software Matematico (Galligani, 2016).

Guida Completa alle Dispense di Calcolo Numerico e Software Matematico (Galligani, 2016)

Introduzione al Calcolo Numerico

Le dispense del Prof. Luigi Galligani rappresentano un punto di riferimento fondamentale per lo studio del calcolo numerico e del software matematico. Pubblicate nel 2016 presso l’Università di Bologna, queste dispense coprono i principali algoritmi numerici con particolare attenzione all’implementazione pratica e all’analisi degli errori.

Il calcolo numerico si occupa di:

• Approssimazione di funzioni e dati
• Risoluzione di equazioni non lineari
• Sistemi lineari e non lineari
• Autovalori e autovettori
• Interpolazione e approssimazione
• Integrazione e derivazione numerica
• Equazioni differenziali ordinarie

Metodi per la Risoluzione di Equazioni Non Lineari

Metodo di Bisezione

Il metodo di bisezione è uno dei metodi più semplici per trovare le radici di una funzione continua. Si basa sul teorema degli zeri e dimezza iterativamente l’intervallo di ricerca.

Vantaggi:

• Convergenza garantita per funzioni continue
• Semplicità di implementazione
• Stima dell’errore disponibile

Limitazioni:

• Convergenza lineare (lenta)
• Richiede la conoscenza di un intervallo contenente la radice

Metodo di Newton-Raphson

Il metodo di Newton (o Newton-Raphson) utilizza la derivata della funzione per ottenere una convergenza quadratica sotto opportune condizioni.

Formula iterativa:

x_n+1 = x_n – f(x_n)/f'(x_n)

Vantaggi:

• Convergenza quadratica (molto rapida vicino alla soluzione)
• Adatto per funzioni differenziabili

Limitazioni:

• Richiede la derivata della funzione
• Può divergere se la stima iniziale è lontana dalla soluzione
• Problemi con derivata nulla

Confronto tra Metodi per Equazioni Non Lineari

Metodo	Ordine di Convergenza	Derivata Richiesta	Intervallo Iniziale	Complessità per Iterazione
Bisezione	Lineare (1)	No	Sì	O(1)
Newton-Raphson	Quadratico (2)	Sì	No	O(n) per f e f’
Secante	Superlineare (~1.62)	No (approssimata)	No	O(n) per f
Regula Falsi	Lineare (1)	No	Sì	O(1)

Sistemi Lineari e Metodi Diretti

La risoluzione di sistemi lineari è un problema fondamentale nel calcolo numerico. I metodi diretti, come l’eliminazione di Gauss, forniscono la soluzione esatta (in aritmetica esatta) in un numero finito di operazioni.

Eliminazione di Gauss

L’algoritmo consiste in due fasi principali:

1. Fase di eliminazione: Trasformazione della matrice in forma triangolare superiore
2. Fase di sostituzione all’indietro: Risoluzione del sistema triangolare

Complessità computazionale: O(n³) per una matrice n×n.

Problemi potenziali:

• Pivot nulli o molto piccoli
• Instabilità numerica
• Accumulo degli errori di arrotondamento

Soluzioni:

• Pivoting parziale o totale
• Scaling delle equazioni
• Utilizzo di aritmetica a precisione maggiore

Integrazione Numerica

L’integrazione numerica (o quadratura numerica) approssima il valore di un integrale definito. I metodi più comuni includono:

Regola dei Trapezi

Approssima l’area sotto la curva con trapezi. Errore di troncamento O(h³) per ogni intervallo.

Formula composita:

∫_a^b f(x)dx ≈ (h/2)[f(x₀) + 2∑f(x_i) + f(x_n)]

Regola di Simpson

Utilizza parabole per approssimare la funzione. Richiede un numero pari di intervalli. Errore di troncamento O(h⁵).

Confronto Metodi di Integrazione Numerica

Metodo	Ordine di Accuratezza	Num. Punti Richiesti	Stabilità	Applicabilità
Retangoli (punto medio)	O(h²)	n+1	Buona	Funzioni regolari
Trapezi	O(h²)	n+1	Buona	Generale
Simpson	O(h⁴)	n+1 (n pari)	Ottima	Funzioni lisce
Gauss-Legendre (n=2)	O(h⁴)	2	Eccellente	Integrali su [-1,1]

Equazioni Differenziali Ordinarie

I problemi ai valori iniziali (IVP) per equazioni differenziali ordinarie sono risolti numericamentre con metodi come:

Metodo di Eulero

Il metodo più semplice, con errore locale O(h²) e globale O(h).

Formula:

y_n+1 = y_n + h·f(t_n, y_n)

Limitazioni: Richiede passi molto piccoli per accuratezza, instabile per alcune equazioni.

Metodi di Runge-Kutta

Famiglia di metodi che combinano più valutazioni della funzione per ottenere maggiore accuratezza. Il metodo RK4 (ordine 4) è particolarmente popolare.

Formula RK4:

k₁ = f(t_n, y_n)
k₂ = f(t_n + h/2, y_n + h/2·k₁)
k₃ = f(t_n + h/2, y_n + h/2·k₂)
k₄ = f(t_n + h, y_n + h·k₃)
y_n+1 = y_n + (h/6)(k₁ + 2k₂ + 2k₃ + k₄)

Analisi degli Errori

Un aspetto fondamentale nel calcolo numerico è la comprensione e il controllo degli errori:

• Errore assoluto: |x* – x|
• Errore relativo: |x* – x|/|x| (se x ≠ 0)
• Errore di arrotondamento: Dovuto alla rappresentazione finita dei numeri
• Errore di troncamento: Dovuto all’approssimazione del metodo
• Errore totale: Combinazione degli errori sopra

La propagazione degli errori è studiata attraverso:

• Condizionamento del problema
• Stabilità dell’algoritmo
• Analisi all’indietro (backward error analysis)

Software Matematico

Le dispense trattano anche l’implementazione pratica degli algoritmi utilizzando:

• MATLAB/Octave: Ambiente ideale per prototipazione rapida
• Python (NumPy, SciPy): Sempre più popolare per applicazioni scientifiche
• C/C++: Per implementazioni ad alte prestazioni
• Fortran: Storicamente usato in calcolo scientifico

Esempio di implementazione del metodo di Newton in Python:

def newton_method(f, df, x0, tol=1e-6, max_iter=100):
    x = x0
    for i in range(max_iter):
        fx = f(x)
        if abs(fx) < tol:
            return x, i
        dfx = df(x)
        if dfx == 0:
            raise ValueError("Derivata nulla")
        x = x - fx/dfx
    raise ValueError("Raggiunto numero massimo di iterazioni")

# Esempio: trovare radice di sin(x) - x/2
f = lambda x: math.sin(x) - x/2
df = lambda x: math.cos(x) - 1/2
root, iterations = newton_method(f, df, 1.5)
        

Applicazioni Pratiche

I metodi numerici trovano applicazione in numerosi campi:

• Fisica computazionale: Simulazione di sistemi complessi
• Ingegneria: Analisi strutturale, fluidodinamica
• Finanza quantitativa: Valutazione di derivati
• Biologia computazionale: Modelli di sistemi biologici
• Grafica computerizzata: Rendering, animazioni
• Machine Learning: Ottimizzazione di modelli

Risorse Accademiche

Per approfondire gli argomenti trattati nelle dispense di Galligani, si consigliano le seguenti risorse autorevoli:

• Dipartimento di Matematica del MIT - Risorse avanzate su analisi numerica
• NIST (National Institute of Standards and Technology) - Standard e benchmark per algoritmi numerici
• Dipartimento di Matematica UC Davis - Materiali didattici su calcolo numerico
• SIAM (Society for Industrial and Applied Mathematics) - Pubblicazioni scientifiche su metodi numerici

Consigli per lo Studio

1. Comprensione teorica: Studiare i teoremi alla base di ogni metodo
2. Implementazione pratica: Scrivere codice per ogni algoritmo
3. Analisi degli errori: Valutare sempre la precisione dei risultati
4. Confronto dei metodi: Testare diversi approcci sullo stesso problema
5. Visualizzazione: Plottare funzioni e risultati per meglio comprenderli
6. Applicazioni reali: Cercare problemi concretidi interesse

Errori Comuni da Evitare

• Trascurare il condizionamento del problema
• Non verificare le ipotesi dei teoremi (es. continuità della funzione)
• Usare tolleranze troppo grandi o troppo piccole
• Non considerare la propagazione degli errori
• Implementare algoritmi instabili quando esistono alternative
• Trascurare la documentazione del codice

Conclusione

Le dispense di Calcolo Numerico e Software Matematico del Prof. Galligani (2016) offrono una trattazione completa ed equilibrata tra teoria e pratica. La padronanza di questi concetti è essenziale per qualsiasi studente o professionista che lavori con modelli matematici e simulazioni numeriche.

Per ottenere i migliori risultati:

• Combina lo studio teorico con esercitazioni pratiche
• Utilizza il calcolatore interattivo sopra per testare i metodi
• Consulta le risorse accademiche suggerite per approfondimenti
• Partecipa a forum specializzati per discutere problemi complessi