METODI NUMERICI

INGEGNERIA INFORMATICA

13/03/2020
Seconda Lezione

ELISA FRANCOMANO

Dipartimento di INGEGNERIA

CONTATTI
ED. 6 – 3° PIANO – STANZA 2
• elisa.francomano@unipa.it
elisa.francomano@unipa.it
elisa.francomano@unipa.it
 RIEPILOGO

• Il dover dare risposte a fenomeni reali comporta che i modelli descriventi siano di
sovente di grandi dimensioni (cioè facenti uso di un numero elevato di variabili,
parametri, ecc..) e che il metodo numerico individuato debba essere implementato e
risolto mediante l’ausilio del calcolatore

• Avvalendosi di un calcolatore si lavora con una aritmetica finita cha dà luogo ad ERRORI

• Si commettono errori rappresentando i dati del problema con un numero finito di cifre

ERRORE INERENTE
• Si commettono errori eseguendo le operazioni aritmetiche richieste dal processo di
calcolo con una aritmetica finita

ERRORE ALGORITMICO

elisa.francomano@unipa.it MASTER SIGMA PALERMO FEBBRAIO 2015 16

 RIEPILOGO

FENOMENO

MODELLO MATEMATICO

METODO NUMERICO

ERRORE INERENTE
PROGRAMMA DI CALCOLO

ERRORE ALGORITMICO RISULTATO

17
 RIEPILOGO

ESEMPIO
La successione

può essere, per esempio, generata da

(1) (2)

19
 Stabilita’ Numerica RIEPILOGO

n ALG. 1 ALG. 2
%PRIMO ALGORITMO
— p1(1)=1; 1 1 1
— for n=2:100
2 0.333 0.333
— p1(n)=1/3*p1(n-1)
— end … … …
18 7.7435 .10-3 8.8555.10-9
% SECONDO ALGORITMO
— p2(1)=1;
— p2(2)=1/3; … … …
— for n=3:100
28 1.3114.10-13 6.56590.10-3
— p2(n)=10/3*p2(n-1)-p2(n-2)
— end
… … …
INSTABILITA’ NUMERICA DEL 48 3.761.10-23 2.2894.105
SECONDO ALGORITMO

… … …

Algoritmi NUMERICAMENTE STABILI

cioè che propagano meno l’errore rispetto ad altri

20
Malcondizionamento
Esistono problemi tali che, l’errore nel risultato è elevato e talvolta tale da
rendere privo di significato il risultato stesso.

Questo fenomeno è una particolarità intrinseca del problema e non

dipende dal processo risolvente utilizzato.

Problemi di questo tipo vengono detti MALCONDIZIONATI

DEFINIZIONE. Un problema è MALCONDIZIONATO quando

PICCOLE VARIAZIONI SUI DATI INIZIALI INDUCONO
GRANDI VARIAZIONI SUI RISULTATI

Vi sono problemi per i quali esiste la soluzione ed esiste un algoritmo per

calcolarla, ma che di fatto sono praticamente irrisolvibili perché
fortemente malcondizionati

22
 Malcondizionamento
ESEMPIO 4
Il seguente sistema lineare Ax=b:

Ha soluzione

Perturbando di poco per esempio il termine noto della prima equazione

il sistema ha come soluzione il vettore

Si è in presenza di un problema MALCONDIZIONATO

23
Complessità Computazionale

COMPLESSITA’ COMPUTAZIONALE
Quando per un problema esistono vari metodi per la sua risoluzione la scelta
deve anche tenere in considerazione parametri quali la quantità di memoria
utilizzata ed il tempo di calcolo impiegato per poter procedere alla risoluzione
di problemi di grandi dimensioni.

La complessità di calcolo (detta anche COMPLESSITA’ COMPUTAZIONALE o

COSTO COMPUTAZIONALE) viene misurata in funzione delle dimensioni del
problema che si sta trattando e dà indicazione del numero di operazioni
aritmetiche che necessitano per ottenere il risultato.

24
Complessità Computazionale

𝑛!
3
25
 𝑛!
Metodo di Cramer (n+1)! Metodo di Gauss
3
Supponendo che per ogni moltiplicazione necessitano 10-6 secondi si può
dare una stima del tempo necessario per risolvere sistemi di varie dimensioni
con entrambe i metodi.

n Metodo di Cramer Metodo di Gauss

12 104 min 7.2* 10-4 sec

13 24 ore 9*10-4 sec

14 10 giorni 1.1*10-3 sec

26
Esempio 5
Dato il polinomio di ordine n

Si vuole valutare il suo valore in un punto x.

ALGORITMO 1
1. p=a0
2. y=x
3. Ripetere per i=1,…,n-1
3.1 p=p+aiy
3.2 y=y x
4. p=p+any

2n-1 moltiplicazioni n addizioni

MASTER SIGMA PALERMO 6 FEBBRAIO 2015 27

Algoritmo di RUFFINI-HORNER

p(x)=(…((anx+an-1)x+an-2) x+…a1)x+a0

ALGORITMO 2

1. p=an
2. Ripetere per i=1,…,n
2.1 p=px+an-i

n moltiplicazioni n addizioni

28
 ALCUNI ESEMPI di un uso non adeguato di metodi numerici
www.ima.umn.edu/ ~ arnold/disasters

Douglas N. Arnold McKnight

Professor of Mathematics
School of Mathematics University of Minnesota
President, Society for Industrial and Applied Mathematics
(SIAM - the largest applied mathematics and computational science
professional organization in the world)

A mathematician and educator.

His research mostly concerns numerical analysis, partial differential equations,
mechanics, and the interplay between these fields.
Much of his recent effort has been directed toward the development of the
finite element exterior calculus.
From 2001 to 2008 he directed the IMA, the world's leading interdisciplinary
mathematical research institute.

29
Some disasters attributable to bad numerical computing

Douglas N. Arnold McKnight:

“Have you been paying attention in your numerical analysis or scientific

computation courses? If not, it could be a costly mistake.
Here are some real life examples of what can happen when numerical
algorithms are not correctly applied. ! “

30
 ARIANE 5

E’ solo una piccola svista..1996:

il razzo Ariane 5 esplode al decollo, danni per un miliardo di euro

Non ci sono vittime, ma dopo 39

secondi di volo interviene il sistema
di autodistruzione, trasformando
l’Ariane 5 e il suo carico (4 satelliti) in
quello che è stato definito il“più
costoso fuoco d’artificio della storia”

MALFUNZIONAMENTO del software

di controllo nella conversione dei
dati
(controllo della pressione)

31
 Missili PATRIOT

I missili Patriot e la guerra del golfo

Il 25.02.1991, durante la guerra del

golfo, un missile Patriot, in Arabia
Saudita, ha mancato l’intercettazione
di un missile iracheno SCUD.
Lo SCUD ha distrutto una caserma
americana causando la morte di 28
soldati ed il ferimento di oltre 100
persone nella città di Dhahran.
Un report del General Accounting
Office spiega che l’errore è stato
dovuto essenzialmente al calcolo
inaccurato del tempo a causa di
ERRORI DI ARROTONDAMENTO

32
 FEM

Ø Disastri progettuali provocati da un uso non accurato ed acritico di

METODI AGLI ELEMENTI FINITI (FEM) per la risoluzione di
equazioni differenziali alle derivate parziali.

Ø Un motivo, sempre più frequente, di errori di progettazione è l’eccessiva

confidenza del progettista nella precisione e accuratezza dei risultati
ottenuti mediante tecniche numeriche.

33
 SLEIPNER A

Affondamento della piattaforma “SLEIPNER A ”

Nel 1991 l’affondamento della piattaforma off-

shore “SleipnerA” provocò un evento sismico
del terzo grado della scala Richter e danni
materiali per più di 700 milioni di $US

Per fortuna l’incidente avvenne in fase di

costruzione senza provocare vittime

Il problema nasce da una combinazione di errori

nell’analisi agli elementi finiti e insufficienti
ancoraggi per rafforzare zone critiche

34
 Teoria dell’ ERRORE

METODI
NUMERICI

• elisa.francomano@unipa.it
elisa.francomano@unipa.it
elisa.francomano@unipa.it • SIMAI
SIMAI
2012
2012
Torino
Torino
25-28
25-28
GIUGN0
GIUGN0
2012
2012
 Rappresentazione Floating Point

q}esponente
x = sign(x) 0.a1a2 a3 …at … ⋅ N = ± pN q
!##"##$
mantissa(p)

0 ≤ ai ≤ N −1

Rappresentazione normalizzata a1 ≠ 0

Ad x si associa la coppia (p,q)

TEORIA DELL’ERRORE 1
 Rappresentazione Normalizzata
Esempio
N=10 x=0.534

x = 0.534 ⋅10 0 x = 0.0534 ⋅101 x = 0.00534 ⋅10 2

a1 ≠ 0 x = 0.534 ⋅10 0

-------------------------------------------------------------------------------------
Si consideri
N=2

32 BIT Semplice precisione 64 BIT Doppia precisione

s q
mantissa p s q
mantissa p
sign(x)
1 8 23 sign(x) 1 11 52

TEORIA DELL’ERRORE 2
 ℑ(N,t,m,M ) = x ∈ ℜ x = sign(x)0.a1a2....a.tN pq,a1 ≠ 0, 0 ≤ ai ≤ N -1,m ≤ q ≤ M
{ }
m M
↓ ↓

ÁÌÂ −127 ≤ 𝑞 ≤ 128 semplice precisione

−1023 ≤ 𝑞 ≤ 1024 doppia precisione

DEFINIZIONE: x Î Á è detto numero di macchina

q<m si associa zero ad x ed il sistema segnala la

q ∉ [m, M ] situazione di UNDERFLOW
q>M x non viene rappresentato ed il sistema segna la
situazione di OVERFLOW

q ∈ [m, M ] x = ± p⋅ N q ∉ ℑ
si opera un’approssimazione in modo che
x! = ± p! ⋅ N q ∈ ℑ
NOTAZIONE : Si usa di frequente anche la notazione fl(x) alternativa ad 𝑥#
TEORIA DELL’ERRORE 3
 TRONCAMENTO ( o chopping)
p = 0.a1a2 a3...at at+1....as

p! = trn(p) = 0.a1a2 a3...at

ERRORE ASSOLUTO ERRORE RELATIVO

~
x-x
eA = ~
x-x eR =
x

ε A < N −t+q
ε R < N −t+1

TEORIA DELL’ERRORE 4
 ARROTONDAMENTO (ROUNDING)

~
x = arr(x) x! = p! N q

# trn( p) se at+1 < N / 2

%
p! = $ 1 −t
% trn( p + N ) se at+1 ≥ N / 2
& 2

1 −t+q
εA ≤ N
2
1 −t+1
εR ≤ N
2

TEORIA DELL’ERRORE 5
 eps

Precisione di Macchina (eps )

Definizione . Il valore che limita superiormente l’errore relativo

" Troncamento
$ N −t+1

eps = # 1 −t+1
$ N
% 2 Arrotondamento

Si ha pertanto una indicazione sull’entità dell’errore che si

commette nell’approssimazione di con ~x Î Á

TEORIA DELL’ERRORE 6
 Operazioni di macchina
x, y Î Á x op y Î Á ?
Esempio 1
x, y Î Á( 10 ,2,-5,5 )

x = 0.11× 100 Î Á y = 0.11 × 10 -2 Î Á

z = x + y = 0.1111×10 0 Ï Á

x op y Ï Á fl(x op y) Î Á

TEORIA DELL’ERRORE 7
 fl(xopy)-xopy ε R < eps
εR =
xopy
Definizione

fl(x op y) = (1 + e R )(x op y)

In aritmetica finita non è detto che valgano le proprietà dell’aritmetica

usuale:

fl(fl(x × y) × z) ¹ fl(x × fl(y × z))

fl(fl(x + y) + z) ¹ fl(x + fl(y + z))

TEORIA DELL’ERRORE 8
 fl(fl(x × y) × z) ¹ fl(x × fl(y × z))

ESEMPIO 2 x, y, z Î Á( 10 ,2,-5,5 )

x = 0.11 ×101 y = 0.31 × 101 z = 0.25 × 101

x × y × z = 8.525
fl(fl(x × y) × z) = fl( ( 0.34 × 101 ) × z) = 0.85 × 101

fl(x × fl(y × z)) = fl( x × ( 0.78 × 101 )) = 0.86 × 101

TEORIA DELL’ERRORE 9
 ESEMPIO 3 x1 , x2 , x3 Î Á(10,2,-5,5)

fl(fl(x1 + x2 ) + x3 ) ¹ fl(x1 + fl( x2 + x3 ))

x1 = 0.11× 10 0 x2 = 0.13 × 10 -1 x3 = 0.14 × 10 -1

x1 + x2 + x3 = 0.137 × 10 0 Ï Á

fl(fl(x1 + x2 ) + x3 ) = fl(0.12 × 10 0 + 0.14 × 10 -1 ) = 0.13 × 10 0 Î Á

fl(x1 + fl(x2 + x3 )) = fl(0.11 × 10 0 + 0.27 × 10 -1 ) = 0.14 × 10 0Î Á

TEORIA DELL’ERRORE 10
 CASO STUDIO

y = f ( x1 , x2 , x3 ) = x1 + x2 + x3

ALGORITMO 1

~y (1) = fl(fl(x + x ) + x ) = fl((x + x )(1 + e ) + x ) =

1 2 3 1 2 R1 3

((x1 + x2 )(1 + e R1 ) + x3 )(1 + e R2 ) =

= ( (x1 + x2 + x3 ) + (x1 + x2 )e R1 )(1 + e R2 ) =
= (x1 + x2 + x3 ) + (x1 + x2 + x3 )e R2 + (x1 + x2 )e R1 +
(x1 + x2 )e R1 e R2 »
( x1 + x2 + x3 ) + (x1 + x2 + x3 )e R2 + (x1 + x2 )e R1

TEORIA DELL’ERRORE 11
 ERRORE RELATIVO

~
y (1)
- y fl(fl(x1 + x2 ) + x3 ) - (x1 + x2 + x3 )
εR =
(1)
= »
y (x1 + x2 + x3 )
(x1 + x2 + x3 ) + (x1 + x2 + x3 )ε R2 + (x1 + x2 )ε R1 - (x1 + x2 + x3 )
=
x1 + x2 + x3
(x1 + x2 )
ε R1 + ε R2
(x1 + x2 + x3 )

TEORIA DELL’ERRORE 12
 y = f ( x1 , x 2 , x 3 ) = x1 + x 2 + x 3
ALGORITMO 2

~y ( 2) = fl(x + fl(x + x )) = fl(x + (x + x )(1 + ε )) =

1 2 3 1 2 3 R1

(x1 + (x2 + x3 )(1 + ε R1 ))(1 + ε R2 ) =

= ((x1 + x2 + x3 ) + (x2 + x3 )ε R1 )(1 + ε R2 ) =
= (x1 + x2 + x3 ) + (x1 + x2 + x3 )ε R2 + (x2 + x3 )ε R1 +
(x2 + x3 )ε R1 ε R2 »
(x1 + x2 + x3 ) + (x1 + x2 + x3 )ε R2 + (x2 + x3 )ε R1

TEORIA DELL’ERRORE 13
 (2)
(2) !
y -y fl(x1 + fl(x2 + x3 ))-(x1 + x2 + x3 )
εR = = ≈
y (x1 + x2 + x3 )
(x1 + x2 + x3 )+(x1 + x2 + x3 )ε R2 +(x2 + x3 )ε R1 -(x1 + x2 + x3 )
=
x1 + x2 + x3
(x2 + x3 )
= ε R1 + ε R2
(x1 + x2 + x3 )

TEORIA DELL’ERRORE 14
 (x1 + x2 )
e R( 1 ) » e R1 + e R2
(x1 + x2 + x3 )

(x2 + x3 )
e R( 2 ) » e R1 + e R2
(x1 + x2 + x3 )

TEORIA DELL’ERRORE 15
 ALGORITMO 1 ALGORITMO 2
~
y (1) = fl(fl(x1 + x2 ) + x3 ) ~ (2)
y == fl(x
~
y(2) fl(x1 + fl( x2 + x3 ))
1 + fl( x2 + x3 ))
(2)
z1(1) = fl(x1 + x2 ) z1 1 == fl(x
z
(2) fl(x2++xx3 ))
2 3
~y (1) = fl(z (1) + x ) ~
y(2)(2) = fl(x1 + z(2)
(2)
)
1 3 ~
y = fl(x1 + z11 )
(x1 + x2 ) (x2 + x3 )
e R( 1 ) » e R1 + e R2 e (R( 22 )) » (x + x ) e + e
(x1 + x2 + x3 ) eR » (x1 +2 x2 +3 x3 )e RR11 + e RR22
(x1 + x2 + x3 )

(x1 + x 2 ) (x 2 + x 3 )
ε (1)
R ≤! ε R1 + ε R 2 ε R(2) ≤! εR + εR2
(x1 + x 2 + x 3 ) (x1 + x 2 + x 3 ) 1
"$ $#$$ % "$ $#$$ %

q1(1 )( x1 , x2 , x3 ) q1( 2 )( x1 , x2 , x3 )
TEORIA DELL’ERRORE 16
 ERRORE ALGORITMICO

QUANTIFICAZIONE

M
e ALG = åqi ( x1 , x2 ,..., xn )g i M numero di
i =1
operazioni
che compongono
l' algoritmo in uso

g i := e R i i=1,2,…,M

Errore relativo riferito all’ i-esima operazione dell’algoritmo in uso

TEORIA DELL’ERRORE 17
20
 ESEMPIO 4
3
f : Â ¾¾® Â

y = f ( x1 , x2 , x3 ) = x1 + x2 + x3

xi
ci = i = 1,...,3
x1 + x2 + x3

x1 x2 x3
e IN » eR + eR + eR
x1 + x2 + x3 x1 + x2 + x3
1
x1 + x2 + x3 2 3

TEORIA DELL’ERRORE 18
 ERRORE ALGORITMICO

ALGORITMO1 ALGORITMO 2
~y (1) = fl(fl(x + x ) + x ) ~
y (2) = fl(x1 + fl( x2 + x3 ))
1 2 3
z1(1) = fl(x1 + x2 )
z1(2) = fl(x2 + x3 )
~y (1) = fl(z (1) + x )
1 3 ~y (2) = fl(x1 + z1(2) )g 1 g 2
g1 g2
(x1 + x2 ) (x2 + x3 )
e R( 1 ) » e R1 + e R2 e R( 2 ) » e R1 + e R2
(x1 + x2 + x3 ) (x1 + x2 + x3 )

(x1 + x 2 ) (x 2 + x 3 )
ε (1)
≤! ε R1 + ε R 2 ε R(2) ≤! εR + εR2
R
(x1 + x 2 + x 3 ) (x1 + x 2 + x 3 ) 1
"$ $#$$ % "$ $#$$ %

q1(1 )( x1 , x2 , x3 ) q1( 2 )( x1 , x2 , x3 )
TEORIA DELL’ERRORE 19
 ERRORE INERENTE

FORMALIZZAZIONE

f(~
x1 , ~
x2 ,..., ~
xn ) - f(x1 , x2 ,..., xn )
ε IN =
f(x1 , x2 ,..., xn )

QUANTIFICAZIONE
Si consideri:
~x = (~x ,~x ,...,~x ) x = (x1 , x2 ,..., xn )
1 2 n

~ ~ δf(x) ~ δf(x) ~ δf(x)

f(x ) = f(x) + (x1 - x1 ) + (x2 - x2 ) + ! + (xn - xn ) + ...
δx1 δx2 δxn

TEORIA DELL’ERRORE 20
 ~ ~ δf(x) ~ δf(x) ~ δf(x)
f(x ) = f(x) + (x1 - x1 ) + (x2 - x2 ) + ! + (xn - xn ) + ...
δx1 δx2 δxn

Allora:
f(~
x ) - f(x) (~ x1 - x1 ) δf(x)
= +
f(x) f(x) δx1
(~
x2 - x2 ) δf(x) (~
xn - xn ) δf(x)
+!+ + ...
f(x) δx2 f(x) δxn
n
(~
xi - xi ) δf(x) xi n
(~
xi - xi ) xi δf(x)
»å =å
i =1 f(x) δxi xi i =1 xi f(x) δxi

x ) - f(x) n (~
f(~ x - xi ) xi δf(x)
e IN = Ȍ i
f(x) i =1 xi f(x) δxi

TEORIA DELL’ERRORE 21
 f(~x ) - f(x) n ( ~xi - xi ) xi δf(x)
Ȍ
f(x) i=1 xi f(x) δxi

n
xi δf(x)
εIN » å εRi
i =1 f(x) δxi

xi δf(x)
ci = i = 1,..., n
f(x) δxi
Indici di CONDIZIONAMENTO di

f(x1 , x2 ,..., xn )
n
ε IN » å ci ε Ri
i =1

TEORIA DELL’ERRORE 22
 ERRORE TOTALE

εTOT » εIN + ε ALG

Esempio 5: Studiare l’errore totale nel calcolo del problema

y = f ( x1 , x2 , x3 ) = x1 + x2 + x3
CONDIZIONAMENTO

x1 x2 x3
e IN » eR + eR + eR
x1 + x2 + x3 x1 + x2 + x3
1
x1 + x2 + x3
2 3

(x1 + x2 ) (x2 + x3 )
= g1 + g 2 ALG =
ε (2) g1 + g 2
(1)
ε ALG
(x1 + x2 + x3 ) (x1 + x2 + x3 )

STABILITA’ STABILITA’

TEORIA DELL’ERRORE 23
 Studio dell’errore totale nelle operazioni elementari

Somma Algebrica

y = f ( x1 , x2 ) = x1 ± x2

e TOT » e ALG + e IN = g 1 + c1e R1 + c2e R2

x1 ± x2
c1 = c2 =
x1 ± x2 x1 ± x 2

TEORIA DELL’ERRORE 24
 x1 ± x2
c1 = c2 =
x1 ± x2 x1 ± x 2

WARNING:

Due numeri molto prossimi tra loro se sottratti danno origine a

indici di condizionamento molto elevati cioè

MALCONDIZIONAMENTO del problema

Questo fenomeno prende il nome di

CANCELLAZIONE NUMERICA
TEORIA DELL’ERRORE 25
 Prodotto

y = f ( x1 , x2 ) = x1 × x2

e TOT » e ALG + e IN = g 1 + c1e R1 + c2e R2

x1 x2
c1 = x2 = 1 c2 = x1 = 1
x1 × x2 x1 × x2

Il problema è sempre BENCONDIZIONATO

TEORIA DELL’ERRORE 26
 Divisione

y = f ( x1 , x2 ) = x1 / x2

e TOT » e ALG + e IN = g 1 + c1e R1 + c2e R2

x1 x2 - x1
c1 = 1/ x2 = 1 c2 = × 2 = -1
x1 / x 2 x1 / x2 x2

Il problema è sempre BENCONDIZIONATO

TEORIA DELL’ERRORE 27
 ESEMPIO 6 In riferimento al problema del calcolo delle radici del trinomio

x 2 - 2px + 1 = 0 p>>1

f : Â ® Â2 f(p) = (f1(p), f 2 (p)) = (x1 , x2 )

ALGORITMO 1

D = 4p2 - 4 L’algoritmo proposto è INSTABILE

causa CANCELLAZIONE NUMERICA
x1 = p - p 2 - 1
x 2 = p + p2 - 1

TEORIA DELL’ERRORE 28
POSSIBILE SOLUZIONE…..

EVITARE L’ OPERAZIONE ELEMENTARE MALCONDIZIONATA CHE DA’ ORIGINE ALLA

INSTABILITA’ DELL’ALGORITMO

ALGORITMO1 ALGORITMO2

D = 4p -42 D = 4 p2 - 4

x1 = p - 2
p -1 x2 = p + p2 - 1
1
x2 = p + p2 - 1 x1 =
x2
INSTABILE STABILE

ax 2 + bx + c = 0
Ricordando che x 2 - 2px + 1 = 0
c
x1 x2 = x1 x2 = 1
a
TEORIA DELL’ERRORE 29
ESEMPIO 7 La successione precedentemente considerata (Lezione 1)

può essere generata con

(1) (2)

TEORIA DELL’ERRORE 30
 Stabilita’ Numerica
n ALG1 ALG2
%PRIMO ALGORITMO
— p1(1)=1; 1 1 1
— for n=2:100
2 0.333 0.333
— p1(n)=1/3*p1(n-1)
— end … … …
18 7.7435 .10-3 8.8555.10-9
% SECONDO ALGORITMO
— p2(1)=1;
— p2(2)=1/3; … … …
— for n=3:100
28 1.3114.10-13 6.56590.10-5
— p2(n)=10/3*p2(n-1)-p2(n-2)
— end
… … …
INSTABILITA’ NUMERICA DEL 48 3.761.10-23 2.2894.105
SECONDO ALGORITMO

… … …

TEORIA DELL’ERRORE 31
 METODO DI ARCHIMEDE PER IL CALCOLO DI π
Si approssima il valore di π con le aree dei poligoni di 2n lati
(n=2,3,…) inscritti nella circonferenza di raggio unitario.
Si indica con An l’area del poligono regolare di 2n lati

(OA * BH) n−1

n 2π
An = 2 = 2 sin( n ) = 2 n−1 sin(βn )
2 2
Al crescere di n, l’angolo β n decresce:

β2 = π / 2 , β3 = π / 4, ..... , βn = βn−1 / 2

1− cos(2 βn ) 1− 1− sin 2 (2 βn ) 1− 1− sin 2 (βn−1 )

sin(βn ) = = =
2 2 2

TEORIA DELL’ERRORE 32
 n−1
A n = 2 sin(βn )
1− 1− sin 2 (βn−1 )
sin(βn ) = βn = βn−1 / 2
2
n=2 A 2 = 2sin(π / 2)
A L SINB

ALGORITMO n=10 3.1415729

---------------------- n=15 3.14159263
1. L=2
2. SINB=1 n=27 3.16227773
3. RIPETERE per n=2,3,…
3.1 A=L. SINB
n=29 3.46410161
3.2 L=L.2 n=30 4 ?
3.3 1− 1− SINB2
SINB = n=31 0 ?
2
n=32 0 ?

TEORIA DELL’ERRORE 33
 METODO DI VIETE PER IL CALCOLO DI
π
Data di nascita: 1540, Fontenay-le-Comte,
Francia Data di morte: 13 febbraio 1603, Parigi,
Francia Studi: Università di Poitiers

Approssima con il semiperimetro dei poligoni regolari di 2n lati

(n=2,3,..) inscritti nella circonferenzan di raggio unitario.
2 ⋅ ln
pn = = 2 n−1 ⋅ ln
2
Riferendosi alla figura

2π
AB = l2 AC = l3 CÔB = AÔC =
23
AÔC π AB
CÂB = = 3 AH = = AC cos( CÂB )
2 2 2
l2 π l2
= l3 cos( 3 ) l3=
2 2 π
2 cos( )
23

TEORIA DELL’ERRORE 34
 2 2 2 ⋅ l2 2 ⋅ l2 p2
p 3 = 2 ⋅ l3 = = =
π π π
2 ⋅ cos( 3 ) cos( 3 ) cos( 3 )
2 2 2
π
p n−1 p n−1 βn =
In generale si ha: pn =
π
= 2n
cos( n ) cos(β n )
2

1+ cos(2 βn ) 1+ cos(βn−1 )
βn = βn−1 / 2 cos(βn ) = =
2 2
ALGORITMO
---------------------- n=2 2.8284
1. p=2 n=3 3.0615
2. COSB=0 n=6 3.1403
3. RIPETERE per n=2,3,…
n=8 3.1415
3.1 COSB = 1+ COSB n=13 3.1416
2
p …
3.2 p=
COSB ...

TEORIA DELL’ERRORE 35