Laboratorio di Metodi Numerici

Slides:



Advertisements
Presentazioni simili
Misure ed Errori Prof Valerio CURCIO.
Advertisements

Metodo di Calcolo Numerico per Equazioni differenziali Ordinarie
Cosa sono? Come si risolvono?
1 I numeri relativi DEFINIZIONE. Si dicono numeri relativi tutti i numeri interi, razionali e irrazionali dotati di segno (positivo o negativo). ESEMPI.
I numeri naturali ….. Definizione e caratteristiche
Rappresentazione di Numeri Reali
IL NUMERO …qualche idea…..
Come possono essere classificati?
© 2007 SEI-Società Editrice Internazionale, Apogeo Unità E1 Dallanalisi del problema alla definizione dellalgoritmo.
Cifre significative e arrotondamento Regole per la determinazione il numero delle cifre significative Conteggio delle cifre significative Tutti i valori.
Codifica dei Dati Idea: vogliamo rappresentare dati eterogenei utilizzando un linguaggio che l’elaboratore puo’ facilmente manipolare Essenzialmente vogliamo.
Algoritmi e Programmazione
Integrazione Corso: Analisi Numerica Anno Accademico:
ODE PROBLEMA DI CAUCHY IN 1-D Sia f : I x RR, I  R.
Elettrostatica 3 23 maggio 2011
esponente del radicando
1 Istruzioni, algoritmi, linguaggi. 2 Algoritmo per il calcolo delle radici reali di unequazione di 2 o grado Data lequazione ax 2 +bx+c=0, quali sono.
Ricerca della Legge di Controllo
Rappresentazione dei numeri reali
Studente Claudia Puzzo
Gli esseri viventi ricevono informazione direttamente dal mondo circostante e dai propri simili attraverso i sensi (percezione). La percezione, tuttavia,
Codifica binaria Rappresentazione di numeri
Usare rappresentazioni di lunghezza fissa porta ad avere valori non rappresentabili: Overflow indica un errore nella rappresentazione del risultato in.
RAPPRESENTAZIONE DELL’INFORMAZIONE
Metodi numerici per equazioni differenziali ordinarie Laboratorio di Metodi Numerici a.a. 2008/2009.
Laboratorio di Metodi Numerici a.a. 2008/2009 Prof. Maria Lucia Sampoli.
Metodi numerici per l’approssimazione
Metodi numerici per lapprossimazione Laboratorio di Metodi Numerici a.a. 2008/2009 Prof. Maria Lucia Sampoli.
Propagazione degli errori
Algoritmi e Programmazione strutturata
Grandezze e Misure.
Programma di Informatica Classi Prime
Complessità di un algoritmo
ESTENSIONI SEMPLICI e TEOREMA DELL’ELEMENTO PRIMITIVO
Le misure sono osservazioni quantitative
Di Parola Umberto e Pani Lara. Aritmetica di macchina Numeri di macchina Operazioni di macchina.
Process synchronization
Rappresentazione dell’informazione nel calcolatore.
Calcolo letterale.
Parte 3 Lo stato: variabili, espressioni ed assegnazioni
Misure ed Errori.
Rappresentazione della Informazione
Algoritmi.
Rappresentazioni a lunghezza fissa: problemi
A.S.E.14.1 ARCHITETTURA DEI SISTEMI ELETTRONICI LEZIONE N° 14 Rappresentazione esponenzialeRappresentazione esponenziale Virgola mobileVirgola mobile Operazioni.
Rappresentazione in virgola mobile (floating-point) Permette di rappresentare numeri con ordini di grandezza molto differenti utilizzando per la rappresentazione.
Fondamenti di Informatica
La Rappresentazione dell’Informazione
1 © 1999 Roberto Bisiani Overflow n Overflow  traboccamento Si verifica se il risultato di un’operazione non puo’ essere rappresentato con il numero di.
Rappresentazione dell'informazione
Rappresentazione dell'informazione 1 Se ho una rappresentazione in virgola fissa (es. su segno e 8 cifre con 3 cifre alla destra della virgola) rappresento.
La codifica dei numeri.
Conversione binario-ottale/esadecimale
Informatica e Informatica di Base
Istruzioni per l’uso…….
Le quattro operazioni.
Rappresentazione dei numeri
6. LIMITI Definizione - Funzioni continue - Calcolo dei limiti
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Numeri in virgola Marco D. Santambrogio – Ver. aggiornata al 24 Agosto 2015.
I sistemi di numerazione
Informatica Problemi e algoritmi. una situazione che pone delle domande cui si devono dare risposte. Col termine problema o situazione problematica s’indica.
DIPARTIMENTO DI ELETTRONICA E INFORMAZIONE Numeri con segno ed in virgola Marco D. Santambrogio – Ver. aggiornata al 20 Marzo.
Rappresentazione di un numero reale
Gli strumenti di misura
Corso di Chimica Generale ed Inorganica ESERCITAZIONE N°1.
I numeri relativi DEFINIZIONE. Si dicono numeri relativi tutti i numeri interi, razionali e irrazionali dotati di segno (positivo o negativo). ESEMPI Numeri.
Le frazioni A partire da N vogliamo costruire un nuovo insieme numerico nel quale sia sempre possibile eseguire la divisione. Per fare ciò dobbiamo introdurre.
IL NUMERO …qualche idea…..
Transcript della presentazione:

Laboratorio di Metodi Numerici a.a. 2009/2010 Prof. Maria Lucia Sampoli

Analisi Numerica Obbiettivo: dare una risposta numerica ad un problema matematico mediante un calcolatore digitale Problema reale Costruire un modello Formulare un problema matematico Risolvere il problema matematico Interpretare la soluzione

Esempio PROBLEMA REALE: calcolare il periodo di oscillazione di un pendolo note le caratteristiche fisiche. COSTRUZIONE MODELLO: dalla dinamica classica si fanno le seguenti ipotesi Sfera puntiforme Filo flessibile ed inestendibile Attriti trascurabili FORMULAZIONE MATEMATICA: radialmente la risultante delle forze è 0, tangenzialmente (componente forza peso) spostamento tangenziale

Formula troppo complessa ipotesi piccole oscillazioni RISOLVERE IL PROBLEMA MATEMATICO: dobbiamo calcolare (3.1) o (3.2). In entrambi i casi si commettono errori. In (3.1) occorre necessariamente troncare lo sviluppo in serie, ma anche in (3.2) l’espressione contenendo una radice non può essere calcolata esattamente bisogna trovare una strategia per il suo calcolo approssimato. Inoltre i dati (l,g) sono affetti da errore quindi INTERPRETAZIONE DELLA SOLUZIONE: gli errori introdotti rendono la soluzione accettabile?

Fonti di errore In ognuno dei passi 2. 3. e 4. si introducono degli errori. Ipotesi semplificative nella costruzione del modello Errori di misura nei dati errori di rappresentazione nei dati Errori di troncamento (approx di un processo infinito con un finito di calcolo effettivo) Errori di arrotondamento nei calcoli (esecuzione effettiva dell’algoritmo) è importante che gli errori introdotti nei vari stadi siano dello stesso ordine: è inutile calcolare accuratamente la soluzione di un problema matematico derivante da una modellizzazione non accurata. L’Analisi numerica si occupa essenzialmente della fase 4.

Fonti di errore I dati x sono affetti da errore (di misura o di rappresentazione dovuta al calcolatore) δx (errore inerente A) Anziché calcolare f si calcola una sua approssimazione g (# finito di passi) (errore analitico o di troncamento B) Il calcolo di g viene effettuato con l’esecuzione di uno specifico algoritmo su un calcolatore (precisione finita) ottenendo una approssimazione ĝ (errore algoritmico C)

Condizionamento e stabilità Def. Un problema è bencondizionato se a piccole variazioni sui dati corrispondono piccole variazioni sui risultati Def. Un algoritmo è stabile se amplifica poco (relativamente alla caratteristiche del calcolatore) gli errori di arrotondamento introdotti nelle singole operazioni

Esempi Malcondizionamento : Instabilità: calcolo per x=-9 sommando fino al 23-esimo termine, con la seconda espressione O.K. , mentre con la prima si ottiene un risultato negativo!

Osservazioni Un problema può essere malcondizionato per certi dati e per altri no. Anche un problema bencondizionato può dare risultati non sufficientemente corretti se risolto con un algoritmo instabile. La stabilità di un algoritmo è data dal bencondizionamento della successione delle trasformazioni elementari che lo compongono.

Complessità di calcolo Un algoritmo è una successione finita di istruzioni , assegnate in modo non ambiguo, la cui esecuzione consenta di passare da una situazione iniziale (dati) ad una situazione finale (risultati), in un tempo finito. I requisiti fondamentali di un algoritmo sono la generalità (adatto a risolvere una classe di problemi) e l’ottimalità (rispetto al tempo, al numero di operazioni, alla stabilità, …) Due algoritmi si possono confrontare anche rispetto al numero di operazioni. Maggior numero di operazioni corrisponde a maggior tempo di esecuzione, ma non sempre a peggior accuratezza (es. aumentando # cifre per rappresentare un numero aumenta il tempo di esecuzione delle operazioni…)

Esempio: algoritmo di Horner Calcolo del valore di un polinomio in un punto Algoritmo 1 Dati a0,….an,x Poni s=a0, xp=1; Per i=1…n xp=xp*x s=s+ai*xp Stampa s Stop 2n Molt. +n Add. Algoritmo 2 Dati a0,….an,x Poni s=an Per i=n-1,n-2,….,0 s=s*x+ai Stampa s Stop n Molt. +n Add. OTTIMALE!

Rappresentazione dei numeri Il sistema di numerazione decimale è basato sull’alfabeto decimale {0,1,2,3,4,5,6,7,8,9} ed ogni numero è rappresentato come una sequenza di simboli di tale alfabeto. Ad ogni simbolo è associato un peso a seconda della posizione. Es: 2863=2 x 103 + 8 x 102 + 6 x 101 + 3 x 100 In generale i sistemi numerici posizionali in base β2 rappresentano ogni numero con m cifre in base β : N=dm-1…….d0 Dove i di denotano elementi di un insieme di β simboli che corrispondono ai primi β numeri naturali 0….. β -1. Vale: N=∑di β i Es:11002=1 x 23+1 x 22+0 x 21+0 x 20

Numeri di macchina Poiché si hanno a disposizione un numero finito di bits, solo un sottoinsieme dei numeri reali è rappresentabile in un computer. Tale sottoinsieme è detto insieme dei numeri di macchina. Si suppone di rappresentare i numeri reali con il sistema posizionale a “virgola mobile normalizzata” dove la prima cifra d1 DEVE essere sempre diversa da zero. In generale l’insieme dei numeri rappresentabili in un calcolatore è dato da F(β,t,L,U) β è la base t sono le cifre di mantissa L e U sono i valori minimo e massimo dell’esponente e

Errori di rappresentazione Errori di arrotondamento: il numero di cifre è maggiore di t Errori di underflow: l’esponente e è minore di L Errori di overflow: l’esponente e è maggiore di U Il limite sulla mantissa caratterizza la precisione

Precisione Il numero di cifre che l’elaboratore riserva alla mantissa dei numeri reali (t) determina la precisione con la quale l’elaboratore lavora Sia x≠0 un numero reale tale che la sua rappresentazione in virgola mobile normalizzata richiede più di t cifre di mantissa dobbiamo fare un’approssimazione (errore di arrotondamento) e sostituire x con il numero reale di macchina più vicino (floating di x fl(x)) La determinazione di fl(x) può avvenire in due modi: troncamento o arrotondamento

Errori Si possono definire l’errore assoluto e relativo L’errore assoluto è influenzato dall’ordine di grandezza del dato, mentre l’errore relativo non è influenzato dall’ordine di grandezza del dato. L’errore relativo dà indicazioni sull’approssimazione operata sulla mantissa del dato ovvero sull’accuratezza (o precisione) con cui il dato è approssimato L’errore relativo non dipende dalla caratteristica ma dalla mantissa Se vogliamo una misura della precisione con cui l’elaboratore approssima un qualunque numero reale dobbiamo svincolarci da questa dipendenza COME? Considerando una limitazione superiore degli errori di arrotondamento relativi

Precisione di macchina Limitazione superiore degli errori relativi La quantità εm è detta precisione di macchina. La conoscenza di εm è fondamentale per valutare i risultati e scegliere le tolleranze (nei programmi che traducono algoritmi) Può essere calcolata operativamente come la più piccola quantità che sommata ad 1 dà un risultato diverso da 1

Aritmetica finita Dati e risultati sono memorizzati con un numero finito di cifre (t) di mantissa e qualunque operazione viene effettuata con un numero finito di cifre (t) di mantissa ! Risultati temporanei delle operazioni sono memorizzati in apposite locazioni con più cifre di mantissa, ma in ogni caso il numero è finito (si effettua un tronc./arr.) Le 4 operazioni effettuate su numeri di macchina non producono necessariamente un numero di macchina Il risultato deve essere trasformato nel suo floating

Operazioni macchina Somma algebrica di 2 numeri reali: Si trasforma il numero con caratteristica minore in modo che i 2 numeri abbiano la stessa caratteristica (uno dei due perde la forma v.m.n.) Si sommano le mantisse (lasciando invariate le caratteristiche) Si ricava il floating del risultato (si rinormalizza il numero troncando o arrotondando se necessario) Prodotto/divisione di 2 numeri reali Si esegue il prodotto/divisione delle mantisse e si sommano/sottraggono le caratteristiche Esempio

Osservazioni sulla precisione finita Per le operazioni di macchina non valgono più tutte le proprietà delle quattro operazioni: Vale la proprietà commutativa Non vale la proprietà associativa Non vale la proprietà distributiva Formule o algoritmi matematicamente equivalenti (che portano all stesso risultato se applicati in precisione infinita) possono produrre risultati diversi in aritmetica finita. Lo studio degli errori di arrotondamento e della loro propagazione attraverso gli algoritmi è di fondamentale importanza per poter interpretare e valutare i risultati di un qualunque algoritmo che operi con numeri reali

Esempio 1 L’ errore relativo nel primo caso: 1.3/2010.3≈10-3, mentre nel secondo 0.3/2010.3 ≈10-4. Pur essendo diversi gli errori sono accettabili in entrambi i casi rispetto alla precisione usata

Esempio 2 Formule matematicamente equivalenti non lo sono più quando si opera in precisione finita

Importante Il concetto di uguaglianza va modificato quando si lavora sui numeri reali in precisione finita Risultati diversi possono essere considerati uguali nei limiti della precisione usata Due numeri sono uguali quando hanno uguale caratteristica ed uguale mantissa MA due numeri sono da considerarsi uguali quando la loro differenza è piccola rispetto alla precisione di macchina |a-b|<ε ε è la tolleranza ed il suo valore dipende dalla precisione di macchina

Algoritmo per determinare εm Si osserva che Poni εm=1 Poni εm=β-1* εm Poni a=1+ εm Se a>1 vai a 2. altrimenti vai a 5. Poni εm=β* εm Stampa εm

Propagazione degli errori sui dati Stabilità Propagazione degli errori sui dati Conclusione: si commettono errori nel rappresentare i numeri reali si commettono errori nell'esecuzione delle operazioni aritmetiche Idea tranquillizzante e sbagliata: poiché gli errori sono molto piccoli anche i risultati sono affetti da errori molto piccoli Occorre studiare come si propagano gli errori delle operazioni dell'algoritmo. DEF: Un algoritmo si dice stabile se rimane limitato l'influsso degli errori

Propagazione degli errori sui dati Stabilità Propagazione degli errori sui dati Ad esempio nella SOMMA si ha una grande amplicazione degli errori sui dati sommando numeri quasi uguali in modulo ma opposti di segno (cancellazione numerica) L'analisi della propagazione degli errori in un algoritmo è estremamente complessa. Dato un problema P Analisi in avanti (forward analysis): si valuta la differenza tra la soluzione esatta y e quella calcolata y~ Analisi all’ indietro (backward analysis): si interpreta la soluzione calcolata y~ come soluzione esatta di un problema perturbato Q e si valuta P-Q

Stabilità