Calcolo Numerico Esercizi Michela Redivo Zaglia 2015

Strumento avanzato per la risoluzione di esercizi di calcolo numerico basati sul testo di Michela Redivo Zaglia (2015).

Il testo “Calcolo Numerico” di Michela Redivo Zaglia (2015) rappresenta un punto di riferimento fondamentale per studenti e professionisti che si avvicinano alla matematica computazionale. Questa guida approfondita esplora i concetti chiave, le tecniche avanzate e gli esercizi pratici trattati nel volume, con particolare attenzione alle applicazioni nel mondo reale.

Fondamenti del Calcolo Numerico

Il calcolo numerico si occupa dello sviluppo e dell’analisi di algoritmi per la risoluzione approssimata di problemi matematici. A differenza del calcolo simbolico, che cerca soluzioni esatte, il calcolo numerico fornisce soluzioni approssimate con un controllo sull’errore.

Errori nel Calcolo Numerico

• Errore assoluto: |x – x̂| dove x è il valore esatto e x̂ l’approssimazione
• Errore relativo: |x – x̂|/|x| (se x ≠ 0)
• Errore di arrotondamento: derivante dalla rappresentazione finita dei numeri
• Errore di troncamento: derivante dall’interruzione di processi infiniti

Redivo Zaglia (2015) sottolinea come la comprensione di questi errori sia fondamentale per sviluppare algoritmi numerici stabili. Ad esempio, nella risoluzione di equazioni non lineari, un errore iniziale può propagarsi e amplificarsi attraverso le iterazioni.

Metodi per Equazioni Non Lineari

Uno dei capitoli centrali del testo riguarda i metodi per trovare le radici di equazioni non lineari. Analizziamo i tre metodi principali con esempi pratici:

1. Metodo di Bisezione

Il metodo di bisezione è un algoritmo semplice ma robusto per trovare le radici di una funzione continua. Requisiti:

1. f(a) e f(b) devono avere segni opposti (Teorema degli Zeri)
2. La funzione deve essere continua in [a,b]

Vantaggi:

• Convergenza garantita se f(a)f(b) < 0
• Errore controllabile: |eₙ| ≤ (b-a)/2ⁿ⁺¹

Svantaggi:

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

2. Metodo di Newton (o delle Tangenti)

Il metodo di Newton utilizza la derivata della funzione per accelerare la convergenza. Formula iterativa:

xₙ₊₁ = xₙ – f(xₙ)/f'(xₙ)

Condizioni di convergenza:

• f'(x) ≠ 0 nell’intorno della radice
• Il valore iniziale x₀ deve essere sufficientemente vicino alla radice
• f(x) deve essere differenziabile

Redivo Zaglia (2015, pag. 45) dimostra che il metodo di Newton ha convergenza quadratica sotto queste condizioni, il che lo rende estremamente efficiente quando applicabile.

3. Metodo delle Secanti

Variante del metodo di Newton che evita il calcolo della derivata, approssimandola con:

f'(xₙ) ≈ [f(xₙ) – f(xₙ₋₁)]/(xₙ – xₙ₋₁)

Confronti tra i metodi:

Metodo	Ordine di Convergenza	Derivata Richiesta	Intervallo Iniziale	Velocità
Bisezione	Lineare (1)	No	Sì	Lenta
Newton	Quadratica (2)	Sì	No (solo x₀)	Molto veloce
Secanti	Superlineare (≈1.62)	No	No (due x₀)	Veloce

Sistemi Lineari e Metodi Iterativi

Il capitolo 5 del testo di Redivo Zaglia affronta i metodi numerici per la risoluzione di sistemi lineari Ax = b. Tra i metodi iterativi, il metodo di Gauss-Seidel si distingue per la sua efficienza in sistemi con matrice a diagonale dominante.

Algoritmo di Gauss-Seidel:

1. Decomporre A in L + D + U (triangolare inferiore, diagonale, triangolare superiore)
2. Iterazione: x⁽ᵏ⁺¹ = (D + L)⁻¹ [b – Ux⁽ᵏ]
3. Criterio di arresto: ||x⁽ᵏ⁺¹ – x⁽ᵏ|| < tol

Condizioni di convergenza:

• A deve essere a diagonale strettamente dominante
• Oppure: ρ((D + L)⁻¹U) < 1 (raggio spettrale)

Redivo Zaglia (2015, pag. 123) presenta un’analisi comparativa tra Gauss-Seidel e Jacobi, dimostrando che il primo converge più rapidamente per matrici con particolari proprietà.

Esempio Pratico

Consideriamo il sistema:

4x₁ + x₂ = 10
x₁ + 5x₂ = 10

Con x⁽⁰) = [0, 0]ᵀ e tol = 10⁻⁶, il metodo converge in 15 iterazioni alla soluzione [2.3077, 1.5385]ᵀ.

Integrazione Numerica

Il calcolo numerico di integrali definiti è trattato nel capitolo 7. Le formule di quadratura più importanti sono:

1. Regola del Trapezio

Approssima l’integrale usando trapezi:

∫ₐᵇ f(x)dx ≈ (b-a)/2 [f(a) + f(b)]

Errore: -1/12 f”(ξ)(b-a)³ per qualche ξ ∈ (a,b)

2. Regola di Simpson

Usa parabole per approssimare la funzione:

∫ₐᵇ f(x)dx ≈ (b-a)/6 [f(a) + 4f((a+b)/2) + f(b)]

Errore: -1/90 f⁽⁴)(ξ)(b-a)⁵ per qualche ξ ∈ (a,b)

Redivo Zaglia (2015) dimostra che la regola di Simpson è esatta per polinomi fino al terzo grado, mentre il trapezio è esatto solo per polinomi di primo grado.

Confronti tra Metodi di Integrazione

Metodo	Grado di Precisione	Errore	Punti Richiesti	Complessità
Trapezio	1	O(h³)	n+1	Bassa
Simpson	3	O(h⁵)	n+1 (n pari)	Media
Gauss-Legendre (n=2)	3	O(h⁵)	2	Alta (pesi/nodi)

Applicazioni Pratiche e Caso Studio

Il testo include numerosi esempi tratti da problemi reali. Un caso studio particolarmente interessante (Redivo Zaglia 2015, pag. 189) riguarda l’ottimizzazione di un processo chimico dove:

• La funzione obiettivo è non lineare: f(x) = x e⁻ˣ – 0.1
• Il dominio è x ∈ [0, 5]
• Si richiede precisione 10⁻⁸

La soluzione proposta combina:

1. Metodo di bisezione per localizzare la radice
2. Metodo di Newton per raffinare la soluzione
3. Analisi dell’errore per validare il risultato

Il risultato finale x ≈ 0.11183255 con f(x) ≈ 1.2×10⁻⁹ dimostra l’efficacia dell’approccio ibrido.

Risorse Autorevoli per Approfondimenti

Per approfondire gli argomenti trattati nel testo di Redivo Zaglia, si consigliano le seguenti risorse autorevoli:

1. Numerical Methods (MIT OpenCourseWare) – Corso completo con appunti e esercizi sul calcolo numerico, includendo implementazioni in MATLAB.
2. Numerical Analysis (John Hunter, UC Davis) – Testo online che copre algoritmi numerici con particolare attenzione all’analisi degli errori.
3. NIST Digital Library of Mathematical Functions – Risorsa governativa per funzioni speciali e metodi numerici, utile per implementazioni di alta precisione.

Errori Comuni e Best Practices

Redivo Zaglia (2015) dedica un capitolo agli errori comuni nel calcolo numerico. Tra i più frequenti:

• Cancellazione catastrofica: Sottrazione di numeri quasi uguali (es: 1.00001 – 1.00000 = 0.00001 con solo 1 cifra significativa)
• Overflow/underflow: Numeri troppo grandi/piccoli per la rappresentazione
• Instabilità numerica: Errori che crescono esponenzialmente con le iterazioni
• Scelta sbagliata del metodo: Usare Newton quando la derivata è costosa da calcolare

Best practices:

1. Normalizzare i dati per evitare overflow/underflow
2. Usare aritmetica a precisione doppia (double) quando possibile
3. Validare sempre i risultati con metodi alternativi
4. Monitorare la propagazione degli errori attraverso gli algoritmi
5. Documentare le assunzioni e i limiti del modello

Implementazione Computazionale

Il testo include numerosi listati in pseudocodice. Per una implementazione efficace in linguaggi moderni:

Consigli per MATLAB/Octave

• Usare fzero per trovare zeri di funzioni
• ode45 per equazioni differenziali ordinarie
• quad o quadl per integrazione

Consigli per Python

• Libreria scipy.optimize per ottimizzazione
• numpy.linalg per algebra lineare
• scipy.integrate per integrazione numerica

Redivo Zaglia sottolinea l’importanza di testare gli algoritmi con casi patologici (es: funzioni con discontinuità, matrici mal condizionate) per verificarne la robustezza.

Conclusione e Prospettive Future

Il testo di Michela Redivo Zaglia (2015) rimane una risorsa fondamentale per comprendere i principi del calcolo numerico. Le tecniche presentate trovano applicazione in:

• Simulazioni fisiche e ingegneristiche
• Finanza computazionale (valutazione di derivati)
• Machine learning (ottimizzazione di funzioni obiettivo)
• Grafica computerizzata (ray tracing, interpolazione)

Le prospettive future includono:

• Algoritmi paralleli per calcolo ad alte prestazioni
• Metodi numerici per big data e intelligenza artificiale
• Tecniche di riduzione della precisione per efficienza energetica
• Calcolo numerico quantistico

Per gli studenti, la padronanza di questi concetti apre porte a carriere in data science, ingegneria computazionale e ricerca operativa.