Appunti Calcolo Numerico Unipi

Guida Completa agli Appunti di Calcolo Numerico – Università di Pisa

Il calcolo numerico rappresenta una branca fondamentale della matematica applicata che si occupa di sviluppare algoritmi per approssimare soluzioni di problemi matematici complessi. Presso l’Università di Pisa, questo corso è parte integrante dei programmi di studio in Ingegneria, Matematica e Informatica, offrendo agli studenti gli strumenti necessari per affrontare problemi reali attraverso metodi computazionali.

1. Fondamenti del Calcolo Numerico

Il calcolo numerico si basa su tre pilastri fondamentali:

• Approssimazione: Sostituzione di problemi continui con problemi discreti (es: derivazione numerica)
• Algoritmi: Procedure sistematiche per risolvere problemi (es: metodo di Newton)
• Analisi dell’errore: Valutazione dell’accuratezza delle soluzioni approssimate

Secondo il programma ufficiale del Dipartimento di Matematica dell’Università di Pisa, gli obiettivi formativi includono:

1. Comprensione dei limiti della rappresentazione finita dei numeri reali
2. Capacità di implementare algoritmi numerici in linguaggi di programmazione
3. Valutazione critica della stabilità e convergenza dei metodi

2. Metodi per la Risoluzione di Equazioni Non Lineari

Uno degli argomenti centrali del corso sono i metodi per trovare le radici di equazioni non lineari f(x) = 0.

Metodo	Ordine di Convergenza	Vantaggi	Svantaggi	Costo Computazionale
Bisezione	Lineare (1)	Sempre convergente per funzioni continue	Lento, richiede intervallo iniziale	O(log(1/ε))
Newton-Raphson	Quadratico (2)	Molto veloce vicino alla soluzione	Richiede derivata, può divergere	O(log(log(1/ε)))
Secante	Superlineare (≈1.62)	Non richiede derivata	Richiede due punti iniziali	O(log(1/ε)^1.62)

Il metodo di Newton-Raphson è particolarmente rilevante per la sua efficienza. Secondo uno studio pubblicato sul SIAM Journal on Numerical Analysis, questo metodo riduce l’errore quadraticamente in condizioni ottimali, rendendolo ideale per problemi con derivata facilmente calcolabile.

3. Interpolazione e Approssimazione

L’interpolazione polinomiale è un’altra area cruciale, con particolare attenzione ai:

• Polinomi di Lagrange (interpolazione esatta)
• Polinomi di Newton (per dati aggiuntivi)
• Spline cubiche (per interpolazione “liscia”)

Il teorema fondamentale dell’algebra garantisce che per n+1 punti distinti esiste un unico polinomio di grado ≤n che li interpola. Tuttavia, per n elevato si osservano fenomeni di oscillazione di Runge, come dimostrato nei corsi avanzati di analisi numerica.

4. Integrazione Numerica

Le formule di quadratura permettono di approssimare integrali definiti. Le più utilizzate includono:

1. Regola del trapezio: Errore O(h³)
2. Regola di Simpson: Errore O(h⁵)
3. Quadratura di Gauss: Massima precisione con meno punti

Metodo	Formula	Errore	Punti Richiesti
Trapezio	(b-a)/2 [f(a) + f(b)]	-(b-a)³f”(ξ)/12	2
Simpson	(b-a)/6 [f(a) + 4f(m) + f(b)]	-(b-a)⁵f⁴(ξ)/90	3
Gauss-Legendre (n=2)	(b-a)/2 [f(x₁) + f(x₂)]	O(h⁵)	2

Secondo le linee guida del National Institute of Standards and Technology (NIST), la scelta del metodo di integrazione dovrebbe basarsi sul compromesso tra accuratezza richiesta e costo computazionale, con particolare attenzione alla regolarità della funzione integranda.

5. Sistemi Lineari e Metodi Iterativi

La risoluzione di sistemi lineari Ax = b è fondamentale in molte applicazioni. I metodi si dividono in:

• Diretti: Eliminazione di Gauss, fattorizzazione LU
• Iterativi: Jacobi, Gauss-Seidel, Gradiente Coniugato

Per matrici grandi e sparse (comuni in problemi di ingegneria), i metodi iterativi sono spesso preferibili. Il criterio di convergenza per questi metodi è strettamente legato al raggio spettrale della matrice di iterazione, come dimostrato nei corsi avanzati di algebra lineare numerica.

6. Applicazioni Pratiche e Progetti

Gli studenti dell’Università di Pisa spesso lavorano su progetti che applicano questi concetti a:

• Simulazioni fisiche (dinamica dei fluidi)
• Ottimizzazione di processi industriali
• Elaborazione di immagini medicali
• Modelli finanziari (valutazione di opzioni)

Un progetto tipico potrebbe coinvolvere l’implementazione di un solutore per equazioni differenziali ordinarie usando il metodo di Runge-Kutta, con validazione rispetto a soluzioni analitiche note. Questi progetti sviluppano competenze sia teoriche che pratiche, fondamentali per la ricerca accademica e l’industria.

7. Risorse per lo Studio

Per approfondire gli argomenti trattati nel corso, si consigliano:

1. “Numerical Recipes” di Press et al. (testo di riferimento per implementazioni pratiche)
2. “Introduction to Numerical Analysis” di Stoer e Bulirsch (approccio teorico rigoroso)
3. Le dispense ufficiali del corso disponibili sulla piattaforma e-learning dell’Università di Pisa
4. Il software MATLAB per sperimentare con gli algoritmi studiati

Inoltre, il American Mathematical Society pubblica regolarmente articoli sugli sviluppi recenti nel campo del calcolo numerico, molti dei quali accessibili attraverso le risorse della biblioteca universitaria.

8. Errori Comuni e Come Evitarli

Gli studenti spesso incontrano difficoltà con:

• Instabilità numerica: Accumulo di errori di arrotondamento (es: cancellazione catastrofica)
• Scelta dei parametri: Tolleranze troppo stringenti o troppo lasche
• Implementazione degli algoritmi: Errori di programmazione nei cicli iterativi
• Interpretazione dei risultati: Confondere precisione con accuratezza

Per mitigare questi problemi, è essenziale:

1. Testare gli algoritmi con casi nota (benchmark)
2. Utilizzare aritmetica a precisione doppia quando necessario
3. Validare i risultati con metodi alternativi
4. Documentare chiaramente il codice e i parametri utilizzati

9. Prospettive Future nel Calcolo Numerico

Il campo è in rapida evoluzione con nuove sfide e opportunità:

• High Performance Computing: Utilizzo di GPU e cluster per problemi su larga scala
• Machine Learning: Integrazione con tecniche di apprendimento automatico
• Quantum Computing: Algoritmi quantistici per problemi numerici
• Incertezza e Stocasticità: Metodi per problemi con dati incerti

Il gruppo di ricerca in Matematica Computazionale dell’Università di Pisa è attivamente coinvolto in molti di questi ambiti, offrendo opportunità di tesi e dottorato in aree all’avanguardia.

10. Preparazione per l’Esame

Per superare con successo l’esame di Calcolo Numerico:

1. Rivedere attentamente le dimostrazioni teoriche (convergenza, stabilità)
2. Esercitarsi con implementazioni pratiche in Python/MATLAB
3. Studiare gli esempi svolti durante le lezioni
4. Fare simulazioni di esame con esercizi degli anni precedenti
5. Chiarire i dubbi durante le ore di ricevimento

L’esame tipicamente include:

• Domande teoriche (30-40% del punteggio)
• Esercizi pratici di implementazione (40-50%)
• Progetto/relazione su un argomento specifico (20-30%)