Sei sulla pagina 1di 21

P.BRANDI – A.

SALVADORI Percorsi di Matematica 469

CAPITOLO 14

SOLUZIONI APPROSSIMATE DI EQUAZIONI

Le equazioni (e disequazioni) sono uno strumento base della modellizzazione


matematica, come si può constatare in [BS base].
Una equazione è una relazione del tipo
f ( x)  0
ove f : Dom f  R è una funzione.
Così risolvere un’equazione equivale a determinare gli zeri della funzione f .
La risoluzione di un’equazione si articola in tre fasi principali.
Esistenza La prima fase è la discussione dell'esistenza delle soluzioni.
Il teorema degli zeri (Capitolo 5) fornisce una utile risposta al problema
dell'esistenza di soluzioni (reali) di un’equazione.
Unicità La seconda fase è la valutazione dell'unicità della soluzione.
L’unicità della soluzione è assicurata, ad esempio, in ipotesi di stretta monotonia.
Il grafico di f può essere un valido aiuto per stabilire il numero delle soluzioni
dell’equazione.
Calcolo La terza fase riguarda il calcolo delle soluzioni, che può essere affrontato per via
esatta e/o mediante algoritmi di approssimazione.
Calcolo esatto E’ ben noto (cfr. ad esempio [BS base]) che solo un ristretto numero di equazioni
ammette una formula risolutiva. In [BS base] sono presentate alcune tecniche di
carattere generale per la risoluzione (esatta) di equazioni di vario tipo.
Calcolo In genere si affronta lo studio di soluzioni approssimate quando non si è in grado di
approssimato
calcolare la soluzione esatta. In questo paragrafo affronteremo il calcolo
approssimato delle soluzioni, illustrando alcuni algoritmi iterativi.
Localizzazione Come vedremo, prima di implementare un qualunque algoritmo di approssimazione
soluzioni è necessario aver stabilito l’esistenza di almeno una soluzione ed averla localizzata.
Inoltre la maggior parte degli algoritmi di approssimazione agisce in ipotesi di
unicità della soluzione.
CAPITOLO 14 – Soluzioni approssimate di equazioni 470

14.1 Equazioni algebriche

Ricordiamo che un’equazione algebrica di grado n


(14.1) P  x   xn  an1xn1   a1x  a0  0
ammette n radici in campo complesso (cfr. [BS base]) .
Una formula risolutiva esiste solo per le equazioni di grado inferiore al quinto e
comunque, le formule risolutive per le equazioni di III e IV grado sono di non facile
applicazione (cfr. [BS base]).
E’ quindi necessario e opportuno affrontare il problema della risoluzione approssi-
mata delle equazioni algebriche. In altri termini ci prefiggiamo l’obiettivo di
determinare algoritmi di approssimazione delle soluzioni reali dell’equazione (14.1).
La prima questione da porsi è: quante sono le soluzioni reali?

Algoritmo di Sturm

L’algoritmo di Sturm1 consente di determinare il numero delle soluzioni reali di


un’equazione algebrica comprese in un dato intervallo  a, b .
L’algoritmo è di tipo iterativo, analogo al metodo delle successive divisioni di Euclide
per MCD fra polinomi.
Algoritmo Descrizione dell’algoritmo:

Start Posto S0  P ed S1  P '

Stadio 1 - si divide S0 per S1  S0 ( x)  q1 ( x) S1 ( x)  r1 ( x) e si pone S2   r1

Stadio 2 - si divide S1 per S2  S1 ( x)  q2 ( x) S2 ( x)  r2 ( x) e si pone S3   r2

Stadio 3 - si divide S 2 per S3  S2 ( x)  q3 ( x) S3 ( x)  r3 ( x) e si pone S4   r3

Ultimo stadio - si procede in questo modo fino ad ottenere l’ultimo polinomio non nullo S k .

Si osservi che S k è il MCD fra P e P ' , analogamente a quanto si verifica per


l’algoritmo di Euclide.
La successione di polinomi (di grado decrescente)
Sequenza di
Sturm S0  P S1  P ' S2  r1 S3  r2 ... Sk

è detta sequenza di Sturm.


Fissato un numero reale a , denotiamo con var(a) il numero delle variazioni
(cambiamenti di segno) la successione
S0 (a ), S0' (a ), S1 (a ), S2 (a ), S3 (a ), , Sk ( a ) .

1
M.Impedovo-S. Pavanelli, L’algoritmo di Sturm, LetteraMatematica PRISTEM, 10 (1993) 29-32.
P.BRANDI – A.SALVADORI Percorsi di Matematica 471

pertanto la funzione
Funzione var
var : R  N  0,1, 2, 
associa ad ogni numero reale a  R il numero (eventualmente zero) delle variazioni
della successione di Sturm valutata in a .
Si può dimostrare che è monotona non decrescente, costante a tratti e subisce un
salto in corrispondenza alle soluzioni reali dell’equazione. Sussiste infatti il seguente
risultato.
Teorema Il numero delle radici reali e distinte dell’equazione
Sturm
P  x  0 x  a, b
(con P(a)  0 P(b)  0 ) è pari a
var(a)  var(b) .

Esercizio Adottando l’algoritmo di Sturm, determinare il numero delle soluzioni reali dell’equazione
14.1.1
x 4  3x  1  0
Svolgimento E’ facile verificare che la successione di Sturm è la seguente
9 2443
S0  x   x 4  3 x  1 S1  x   4 x3  3
x S2  x  
S3  x  
4 729
Tabulando la funzione var sui numeri interi compresi nell’intervallo  2, 3 si
ottiene la tabella
a -2 -1 0 1 2 3
S0 21 3 -1 -3 9 71
S1 -35 -7 -3 1 29 105
S2 -7/2 -5/4 1 13/4 11/2 31/4
S3 2443/729 2443/729 2443/729 2443/729 2443/729 2443/729
var 2 2 1 1 0 0

Il teorema di Sturm consente di affermare che (cfr.


anche grafico a lato)
- in  2, 1 non ci sono zeri
- in  1,0 c’è uno zero
- in  0,1 non ci sono zeri
- in 1, 2 c’è uno zero
- in  2,3 non ci sono zeri.
Inoltre si deduce che
- non ci sono altri zeri in 2,  , in quanto la funzione var non può essere negativa
- potrebbero esserci zeri in , 2 .
CAPITOLO 14 – Soluzioni approssimate di equazioni 472

Molteplicità degli zeri

Il teorema di Sturm fornisce anche informazioni sulla molteplicità delle radici.


A questo proposito, si osservi infatti che, se xc è uno zero di molteplicità
maggiore di 1, allora
P( x)  ( x  c) 2 g ( x)
da cui
P '( x)  2( x  c) g ( x)  ( x  c) 2 g '( x)  ( x  c)[2 g ( x)  ( x ) g '( x)]

in altri termini x  c è uno zero anche del polinomio derivata P’.


In questo caso, l’ultimo polinomio S k della successione di Sturm (che ricordiamo è
il MCD fra P e P’) non è costante, ma è un polinomio almeno di primo grado e i suoi
zeri coincidono con quelli di P di molteplicità maggiore di 1.
Precisamente, se S k è di primo grado, allora P ammette uno zero doppio, se S k è
di secondo grado, allora P ammette due zeri doppi o uno zero triplo, e così via.
Osservazione Nel caso dell’equazione dell'Esercizio 4.1.1
x 4  3x  1  0
l’ultimo polinomio della sequenza di Sturm è la costante 2443/729, perciò P e P’
sono primi fra loro e l’equazione ammette solo zeri semplici.
Possiamo concludere che l’equazione
x 4  3x  1  0
ammette due radici reali 1  x1  0 e 1  x2  2 e due complesse coniugate.

Localizzazione delle soluzioni

Presentiamo ora alcuni risultati sulla localizzazione delle soluzioni di una equazione
algebrica
P( x)  x n  an1 x n1   a1x  a0  0

Denotiamo con S R l’insieme delle soluzioni reali dell’equazione.

Teorema Risulta
SR     M  1 , M  1
Localizzazio-
ne di Sturm


ove M  max an1 , an2 , , a0  .
Dimostrazione Proviamo innanzi tutto che
per ogni x  M  1  P( x )  0 .

Essendo ai  M i  0,1, , n 1 ed x  1 , ricordando un ben noto prodotto


notevole si ha
xn  1 x n  x   M  1  M

P( x)  x n  M x n-1  
 1  xn  M
x 1

x 1
da cui segue l’asserto.
P.BRANDI – A.SALVADORI Percorsi di Matematica 473

Consideriamo ora il caso x    M  1 .


Applicando la tecnica precedente al polinomio P( x) (i coefficienti in valore
assoluto dei due polinomi coincidono), si prova che P(  x)  0 . Poiché i due
polinomi avrebbero radici opposte, necessariamente risulta P( x )  0 . In definitiva
x  M  1  P( x )  0
che prova l'asserto 

Osservazione Il teorema di Sturm consentirebbe di localizzare le


soluzioni reali dell’equazione dell'Esercizio 4.1.1

x 4  3x  1  0
(cfr. grafico a lato) nell’intervallo  4, 4 .
La localizzazione di Sturm può essere migliorata.
Un primo risultato è il seguente, di cui omettiamo
la dimostrazione.
Teorema Risulta
S R  , K  1
Localizzazio-
ne di
Mc Laurin
dove K  max  ai : ai  0, i  0,1, , n  1 .

Un secondo risultato si ottiene dividendo P per il binomio x  k , con k  0 fissato


P( x)  ( x  k ) Q( x)  R( x)
ove Q ed R denotano rispettivamente il quoziente ed il resto della divisione.

Teorema
Localizza-
Se i coefficienti dei polinomi Q ed R sono non negativi, allora si ha
zione di
Laguerre S R  , k 

Dimostrazione Dalle ipotesi segue immediatamente che


per ogni x  k  0  P( x)  0.
CAPITOLO 14 – Soluzioni approssimate di equazioni 474

Esercizio Localizzare le soluzioni reali delle equazioni


14.1.2
1) x 4  3x3  0.75 x 2  3.25 x  1.5  0
2) x 4  5x3  2.75 x 2  3.25 x  1.5  0
3) x5  x 4  10 x 3  3 x 2  x  1  0
4) x 4  5.2 x 3  5 x 2  x  7  0

Svolgimento
1) Secondo Sturm le soluzioni reali dell’equazione 1) (cfr. Fig. 14.1) sono comprese
nell’intervallo  4, 4 . Come si può verificare facilmente, Mc Laurin non migliora
la stima.
2) Secondo Sturm le soluzioni reali dell’equazione 2) (cfr. Fig. 14.2) sono comprese
nell’intervallo  6, 6 . Mc Laurin consente di affermare che nessuna radice supera
4, così la precedente stima si migliora S R   6, 4 .
3) Secondo Sturm le soluzioni reali dell’equazione 3) (cfr. Fig. 14.3) sono comprese
nell’intervallo  11,11 .
Mc Laurin consente di affermare che nessuna radice supera 2, così la stima si
aggiorna S R   11, 2 .
Osserviamo inoltre che, se applichiamo Mc Laurin al polinomio P   x  (che ha
radici opposte a quelle di P  x  )

 x5  x 4  10 x3  3 x 2  x  1  0  x5  x 4  10 x3  3 x 2  x  1  0
otteniamo che le radici non superano 4. Di conseguenza le soluzioni del polinomio
assegnato P  x  sono superiori a –4 e la stima diventa
S R   4, 2 .
4) Secondo Sturm le soluzioni reali dell’equazione 4) (cfr. Fig. 14.4) sono comprese
nell’intervallo  8,8 . Per Mc Laurin nessuna radice supera 6,2 .
Inoltre, applicando il teorema di Mc Laurin al polinomio ausiliario
x 4  5x 3  5 x 2  x  7  0
otteniamo che le radici non superano 1. Di conseguenza le soluzioni del polinomio
assegnato sono superiori a –1.
In definitiva, Mc Laurin migliora la stima di Sturm nel modo seguente
SR   1, 6.2 .

Fig. 14.1 Fig. 14.2


P.BRANDI – A.SALVADORI Percorsi di Matematica 475

Fig. 14.3 Fig. 14.4

Esercizio Localizzare le soluzioni reali dell’equazione


14.1.3
x4 10 x3  20 x2  x 1  0

Svolgimento Secondo Sturm le soluzioni reali dell’equazione sono comprese nell’intervallo


21, 21 , Mc Laurin fornisce invece la limitazione  2,11 .
Utilizzando Laguerre si possono migliorare entrambe le stime. Precisamente si ha
k Coefficienti di Q R
8 1, -2, 4, 33 263
9 1, -1, 11, 100 899
10 1, 0, 20, 201 2009

La migliore maggiorazione che si può dedurre da questi dati è la seguente


S R  ,10 .
Par ottenere una limitazione inferiore applichiamo il teorema al polinomio P   x  .
Osserviamo che risulta
k Coefficienti di Q R
1 1, 11, 31, 30 29
0.5 1, 10.5, 25.25, 11.625 4.813
0.25 1, 10.25, 22.6, 4.6 0.16
0.2 1, 10.2, 22.04, 3.4 -0.32

Di conseguenza la migliore limitazione inferiore


che si può dedurre da questi dati è la seguente
SR   0.25,  .

Concludendo la migliore stima della localizzazione


delle soluzioni dell’equazione
x4  10 x3  20 x2  x  1  0
è l’intervallo  0.25,10 .
CAPITOLO 14 – Soluzioni approssimate di equazioni 476

14.3 Metodo di bisezione (o dicotomico)

Proponiamo un primo algoritmo molto elementare


per l’approssimazione delle soluzioni di una
Esistenza della equazione
soluzione f  x  0 x   a, b 
Assumiamo che f sia continua ed assuma valori di
segno discorde nei due punti a e b
f (a)  f (b)  0
cosi che l’equazione ammette almeno una soluzione
(per il teorema degli zeri).
Descrizione Iniziamo con una descrizione qualitativa dell’algoritmo dicotomico: si tratta di un
dell’algoritmo
processo iterativo che procede per successive suddivisioni dell’intervallo  a, b .
Step 1 ab
Il punto medio dell’intervallo  a, b 
2
individua due sottointervalli
 a  b a  b 
 a, 2  e  2 , b
   
Si osservi che la funzione f assume valori di
segno concorde negli estremi dell’intervallo di
sinistra, mentre assume valori di segno discorde in
quello di destra. Così la soluzione è sicuramente
compresa in questo ultimo intervallo. Fig. 14.5
Poniamo
a  b 
 2 , b    a1 , b1 
 
e procediamo alla bisezione dell’intervallo  a1 , b1  .

Step 2 Questa volta (cfr. immagine a lato) la funzione


assume valori di segno discorde agli estremi
dell’intervallo di destra.
Così poniamo
 a1  b1 
 a1 , 2    a2 , b2 
 
e proseguiamo bisecando l’intervallo  a2 , b2  .
Procedendo iterativamente per successive suddi-
visioni, a partire dall’intervallo  a, b , si genera
una successione di intervalli (uno contenuto Fig. 14.6
nell’altro)
Step n
 an , bn    an1 , bn1  n  N
ciascuno dei quali contiene almeno la radice dell’equazione.
Trasformazione Il processo iterativo è quindi generato da una trasformazione T che opera su
intervallo-
intervallo sottointervalli di  a, b  , cioè T : ,    ,  .
P.BRANDI – A.SALVADORI Percorsi di Matematica 477

Precisamente, fissato un sottointervallo  ,  tale che f     f    0


Descrizione della
trasformazione
 
si valuta la funzione nel punto medio f .
 2 

Supposto2 che f    0 , si hanno due possibilità:
 2 
     
- se f   f  0 si pone T ,   , (cfr. Fig.14.5)
 2   2 

     
- se f   f  0 si pone T ,    ,  (cfr. Fig.14.6)
 2   2 
In altri termini, suddiviso l’intervallo  ,  in due sottointervalli (mediante il punto
medio) la trasformazione T seleziona quello ove la funzione assume valori di segno
discorde agli estremi.
Di conseguenza T associa all’intervallo  ,  , (che
Formalizzazione
del processo contiene una soluzione dell’equazione) il
iterativo sottointervallo dicotomico che contiene ancora una
soluzione.
Il processo generato dalla trasformazione T è il
seguente

 a0 , b0    a, b  start

 an , bn   T  an 1 , bn 1  n  1, 2, 3,

Teorema Se f :  a, b   R è una funzione continua tale che f  a   f b   0 ,


Convergenza
algoritmo le successioni  an n e  bn n generate con il processo dicotomico
dicotomico

 a0 , b0    a, b  start

 an , bn   T  an 1 , bn 1  n  1, 2, 3,
convergono ad una soluzione dell’equazione x .
Inoltre le successioni  an n e  bn n sono monotone e costituiscono approssima-
zioni rispettivamente per difetto e per eccesso di x
an  an1  x  bn1  bn

Sussiste infine la seguente stima dell’errore di approssimazione


b0  a0
en  n N .
2n
Dimostrazione Proponiamo un cenno della dimostrazione.

2       0 , allora il punto medio è soluzione dell’equazione e l’algoritmo si arresta.


Se f  
 2 
CAPITOLO 14 – Soluzioni approssimate di equazioni 478

Attrattore del Si dimostra facilmente che la trasformazione T è una contrazione, quindi, in virtù del
processo
Teorema di Caccioppoli, il processo ammette come attrattore una soluzione x
dell’equazione.
Inoltre, essendo gli intervalli dicotomici, le successioni degli estremi  an n e  bn n
sono monotone (la prima non decrescente, la seconda non crescente) e costituiscono
approssimazioni rispettivamente per difetto e per eccesso di x .
In forza della dicotomia, che è la chiave del processo, è facile stimare l’ampiezza di
ciascun intervallo
b a
bn  an  0 n 0 .
2
Stima errore di Si ottiene così una stima esplicita dell’errore di approssimazione in funzione del passo
approssimazione
b0  a0
en  max  x  an , n  x   bn  an  
2n

Ordine di Per valutare l’ordine di convergenza della successione delle approssimanti,


convergenza
consideriamo il limite seguente
e 1
lim n 1 
n  e 2
n

L’ordine di convergenza dell’algoritmo è pertanto apri ad 1.


Il metodo dicotomico ha quindi una convergenza “lenta”, infatti guadagna una cifra
binaria ad ogni passo e quindi occorrono 3 o 4 passi per guadagnare una cifra
decimale..
Nei prossimi paragrafi presenteremo metodi più veloci, che però sussistono sotto
ipotesi più restrittive.
P.BRANDI – A.SALVADORI Percorsi di Matematica 479

Esercizio Discutere esistenza, unicità e calcolo approssimato delle soluzioni dell’equazione


14.3.1
x10x  1  0

Svolgimento
Posto
Esistenza e
localizzazione f  x   x 10x  1 x  R
della soluzione
risulta
f  0   1 ed f 1  9

di conseguenza, per il teorema degli zeri,


l’equazione ammette almeno una soluzione
nell’intervallo 0,1 .
Unicità della
soluzione

La soluzione è unica in quanto f è crescente.


Calcolo Utilizzando il metodo dicotomico determiniamo una stima di tale soluzione
approssimato
della soluzione
stadio estremi dell’intervallo

0 f  0   0 f 1  0 a0  0 b0  1
1 f  0.5   0  f  0   f  0.5   0 a1  0 b1  0.5
 0  0.5 
f   f  0.25  0 
2  2  a2  0.25 b2  0.5
f  0.25  f  0.5  0

10 a10  0.39875 b10  0.3994


Sulla base dei dati riportati in tabella, possiamo assumere il valore
Soluzione
approssimata   0.39
come approssimazione della soluzione, esatta fino alla seconda cifra decimale.
CAPITOLO 14 – Soluzioni approssimate di equazioni 480

14.4 Metodi di linearizzazione

I metodi di linearizzazione sono algoritmi iterativi che consistono nell’approssimare


le soluzioni dell’equazione
(14.1) f ( x)  0
con quelle di una successione di equazioni lineari
(14.2) mn x  qn  0 nN .

Assumiamo che f :  a, b  R sia continua con valori di segno discorde agli estremi
( f (a)  f (b)  0 ), cosi l’equazione (14.1) ammette almeno una soluzione (per il
Teorema degli zeri).

Modello Le trasformazioni T che generano i vari processi di linearizzazione sono tutte dello
generale
stesso tipo, ne diamo qui una descrizione in termini geometrici.
L’idea base è la seguente: fissato un punto c  a, b
Step 1 - si considera il punto Pc   c, f  c   sul grafico di
f ed il fascio di rette di centro Pc
y  m  x  c  f c  m  R

Step 2 - si seleziona (secondo una legge che varia in


funzione del metodo) una retta di tale fascio
y  m *  x  c  f c 
Step 3 - si determina la soluzione della equazione
f  xc 
m *  x  c   f  c   0  xc  c 
m*
Trasformazione La trasformazione T associa a c il punto T  c   xc .

Il processo iterativo generato da T

Processo  x0 start
iterativo (14.3) 
 xn 1  T ( xn ) n  0,1, 2,
consente di individuare una successione  xn n che (come vedremo) sotto opportune
ipotesi converge alla soluzione di (14.1).

La successione  xn n delle iterate assume la forma


Successione f ( xn )
delle iterate
(14.4) xn 1  xn 
mn
ove mn è il coefficiente angolare della retta selezionata al passo n nel fascio
y  f  xn   m  x  xn 
P.BRANDI – A.SALVADORI Percorsi di Matematica 481

Presentiamo ora i principali algoritmi di approssimazione delle soluzioni di una


equazione che si basano su un processo di linearizzazione.
Come vedremo, per individuare ciascun metodo è sufficiente assegnare i suoi
elementi caratteristici
lo start e la legge che seleziona la retta del fascio
(assegna cioè il coefficiente angolare mn ).

Regula falsi

Elementi
caratterizzanti
start si fissano come prima coppia di iterate
x0 ed x1 gli estremi dell’intervallo  a, b 
passo n la retta selezionata (al passo n  2 ) è
quella che congiunge il punto
 x0 , f  x0  con il punto  xn1 , f  xn1 
individuato al passo precedente, il cui
coefficiente angolare è
retta selezionata
f  xn 1   f  x0 
mn  n2
xn 1  x0

La successione delle iterate è quindi

 x0 , x1 start
Algoritmo 
regula falsi  f  xn 
 x  x   xn  x0  n  1, 2,

n 1 n
f  x n   f  x0 

Teorema Supponiamo che


- f :  a, b  R sia una funzione di classe C 2 tale che f  a   f  b   0
convergenza
regula falsi
- f " sia di segno costante
Allora la successione  xn n fornisce un’approssimazione dell’unica soluzione
x dell’equazione
f  x  0 x   a, b 
che migliora ad ogni passo.

Dimostrazione Diamo solo un cenno della dimostrazione.


Esistenza ed Le ipotesi assunte assicurano che l’equazione f ( x)  0 ha un’unica soluzione x .
unicità
Convergenza Si prova che la trasformazione T è una contrazione, quindi ammette un (unico)
del metodo
punto fisso x  T  x  , attrattore del processo; così lim xn  x .
n 
Inoltre la successione delle iterate è monotona, di conseguenza l’errore di
approssimazione en  xn  x diminuisce ad ogni passo.
CAPITOLO 14 – Soluzioni approssimate di equazioni 482

Algoritmo delle Secanti

Elementi
caratterizzanti
start si assegnano come prima coppia di iterate
x0 e x1 gli estremi dell’intervallo
a, b .
passo n la retta selezionata al passo n  2 è la
secante passante per i punti

x n 1 , f  xn1   e x n2 , f  xn2  


calcolati nei due passi precedenti di
retta
selezionata coefficiente angolare
f  xn 1   f  xn  2 
mn  n2
xn 1  xn  2
Quindi l’algoritmo iterativo è il seguente

 x0 , x1 start
Algoritmo 
secanti  f  xn 
 x  x   xn  xn1  n  1, 2,
f  xn   f  xn 1 
n 1 n

Teorema
Convergenza
Nelle stesse ipotesi adottate per la regula falsi, la successione  xn n fornisce
metodo delle un’approssimazione dell’unica soluzione dell’equazione
secanti
f  x  0 x   a, b 
che migliora ad ogni passo.

Dimostrazione Diamo solo un cenno della dimostrazione.


Esistenza ed Le ipotesi assicurano l’esistenza e l’unicità della soluzione.
unicità

Convergenza A differenza della regula falsi, entrambi i punti che individuano la retta si aggiornano
del metodo con il procedere del passo.
Le ipotesi assunte assicurano che la trasformazione T ammette un unico punto fisso
x . La successione  xn n delle iterate (fornita dalla 14.4) non è in generale
monotona, tuttavia anche in questo caso, l’approssimazione migliora ad ogni passo.
Velocità di Il metodo delle secanti è un algoritmo con velocità di convergenza più alta rispetto a
convergenza
quella della bisezione.
Precisamente, si prova che l’ordine di convergenza è (cfr. [Co])

1  5  / 2  1.618 .
P.BRANDI – A.SALVADORI Percorsi di Matematica 483

Metodo delle tangenti o di Newton3

Elementi
caratterizzanti

start Si assegna il punto x0 coincidente con uno degli


estremi dell’intervallo  a, b 

passo n la retta selezionata è la tangente al grafico di f


nel punto x n 1 , f  xn1   individuato al passo
precedente di coefficiente angolare
mn  f   xn-1  n  1
Quindi l’algoritmo iterativo è il seguente
Algoritmo
Newton  x0 start

 f  xn 
 xn 1  xn  f '  x  n  1, 2,
 n

Teorema Supponiamo4 che


- f :  a, b  R sia una funzione di classe C 2 tale che f  a   f  b   0
Newton

- f   x   0 per ogni x   a, b

- f   x  sia di segno costante

Allora la successione  xn n fornisce un’approssimazione dell’unica soluzione


dell’equazione
f  x  0 x   a, b 
che migliora ad ogni passo.

Dimostrazione Le ipotesi (più restrittive di quelle dei metodi precedenti) assicurano ovviamente
Esistenza ed
unicità esistenza ed unicità della soluzione in  a, b  .
Convergenza del Proponiamo una dimostrazione elementare della convergenza della successione
metodo
 xn n .
Consideriamo uno dei quattro casi possibili (cfr. immagine precedente) e assumiamo
f '0 f " 0 f a  0 f b   0
La funzione è quindi crescente e convessa.

3
L’algoritmo è noto anche come metodo di Newton-Raphson-Fourier
Newton introduce l’idea del metodo in Analysis per Aequationes Numero Terminorum Infinotas (1666) e lo descrive quindi
3
in Method of Fluxions (1671) per risolvere l’equazione x  2 x  5  0 . Il metodo fu pubblicato dall’autore solo nel 1736.
Joseph Raphson (1648 – 1715) è noto per aver pubblicato nel 1690 il volume Analysis Aequationum Universalis ove è
illustrato il metodo delle tangenti di Newton. In Questiones d’analyse Algebrique (1818) Fourier (1772 - 1837) propone
un’estensione di tale metodo.
In alcuni testi compare anche l’ipotesi f  a  f '  a   b  a ed f  b  f '  b   b  a che assicura che le rette tangenti
4

negli estremi dell’intervallo intersecano l’asse delle ascisse all’interno dell’intervallo  a, b  .


CAPITOLO 14 – Soluzioni approssimate di equazioni 484

Sia  l’unica soluzione dell’equazione f  x   0 .


Fissato uno start5 x0 con   x0  b ed f  x0   0 , consideriamo la successione
delle iterate
 x0 start

 f  xn 
 x  x  n  1, 2,
f '  xn 
n 1 n

Proviamo, per induzione, che
  xn
(1)  nN
 xn 1  xn
da cui segue
(2)   xn1  xn nN

Step 1 Proviamo innanzi tutto che la (1) sussiste per n  0 .


f  x0 
Per posizione   x0 , inoltre essendo  0 , si ha
f '  x0 
f  x0 
x1  x0   x0 .
f '  x0 
Step 2 Assunta quindi (1) vera per n, proviamola per n+1.
Essendo per ipotesi   xn , in virtù del teorema di Lagrange applicato nell’intervallo
, xn  , esiste un elemento   x*  xn tale che

f  xn   f   
 f '  x *  f  xn   f  xn   f      xn    f '  x *
xn  
Da cui, tenuto conto della monotonia crescente di f ' (conseguenza dell’ipotesi
f "  0 ) si ottiene
f  xn 
f  xn    xn    f '  xn    xn  
f '  xn 
e quindi
f  xn 
xn 1  xn   xn   xn     
f '  xn 
Abbiamo così provato che   xn 1 , proviamo ora che xn 2  xn1 .

Essendo   xn 1 , ovviamente risulta f  xn1   0 da cui segue che

f  xn 1 
xn  2  xn 1   xn 1 .
f '  xn 1 
Abbiamo così provato la (1).
Poiché la successione  xn n è monotona, esiste il limite lim xn  inf xn  x  
n  n

5
Come start si considera l'estremo di Fourier, che è quello (fra a e b ) in cui il segno della funzione è concorde con quello
della derivata seconda.
P.BRANDI – A.SALVADORI Percorsi di Matematica 485

Ricordando l’algoritmo iterativo, si ha

 f ( xn-1 )  f (x)
lim xn  lim  xn-1    xx
n  n 
 f '  n-1  
x f ' x 
da cui si conclude che
x  T  x  ed f  x   0  x   .

Velocità di L’algoritmo ha un ordine di convergenza pari a 2 essendo


convergenza
en 1
lim 2
 R
n 
en

Dimostrazione Si osservi che, in virtù della formula di Taylor, esiste   xn ,  tale che
1
0  f     f  xn      xn  f '  xn      xn  f "  
2

2
da cui
f  xn  1
  xn 1    xn      xn  f "   / f '  xn 
2

f '  xn  2
cioè
1
en 1   en2 f "    / f '  xn 
2
e quindi
1 en 1 1
en 1  en2 f "   / f '  xn   2
 f "   / f '   
2 en 2
Il metodo di Newton ha quindi un ordine di convergenza doppio rispetto la regula
falsi 

Applichiamo il metodo di Newton a due casi di particolare interesse.

Esempio Nel caso dell’equazione x 2  2 , l’algoritmo di Newton diventa


14.4.1
1 2
xn 1   xn  
2 xn 

che corrisponde all’algoritmo babilonese per il calcolo della radice quadrata (cfr.
Capitolo 13).

Esempio 1
14.4.2 Nel caso f  x    c c  0 , l’algoritmo diventa
x
xn1  xn  2  c xn 

che permette un calcolo approssimato del reciproco di c attraverso addizioni e


moltiplicazioni, senza divisioni.
CAPITOLO 14 – Soluzioni approssimate di equazioni 486

14.5 Metodi iterativi a confronto

Proponiamo alcuni esempi per illustrare i metodi iterativi di approssimazione.

Esercizio Confrontare gli algoritmi di approssimazione per l’equazione


14.5.1
x 10x -1  0
Svolgimento Si può controllare che i quattro metodi presentati nel paragrafi precedenti sono
applicabili nell’intervallo 0,2 .
La tabella seguente sintetizza le approssimazioni ottenute
Passo Bisezione Secanti Tangenti Regula falsi
1 0 0 0 0
2 1 1 0.99 1
3 0.5 0.1 0.7 0.1
4 0.25 0.17 0.50 0.17
5 0.375 0.5 0.4 0.24
6 0.4375 0.33 0.3999 0.28
7 0.40625 0.3797 0.399014 0.32
8 0.390625 0.40 0.39901297825 0.34
9 0.398435 0.398 0.3990129782600 0.36
10 0.40234375 0.3990126 0.3990129782600 0.37
I dati della tabella evidenziano che la velocità di convergenza del metodo di Newton è
superiore a tutte le altre.

Esempio Il modello del moto dei pianeti, ottenuto in accordo con la legge di gravitazione
Keplero
universale di Newton e alle leggi di Keplero, conduce a studiare la così detta
equazione di Keplero.

e  sin     b  0   0, 
ove e, b  R .

Esercizio Discutere l’approssimazione delle soluzioni dell’equazione di Keplero, comprese


14.5.2 nell’intervallo 0,  2 , nel caso particolare b  1 ed e  1
sin    -1  0

Svolgimento Il grafico della funzione


f     sin    -1
(cfr. figura a lato) “mostra” che l’equazione studiata
ammette una sola soluzione in  0,  2 .
Come prova di questa affermazione è facile verificare
che sussistono le ipotesi del metodo della tangenti.
La tabella seguente sintetizza le approssimazioni con i
diversi metodi descritti nei paragrafi precedenti.
P.BRANDI – A.SALVADORI Percorsi di Matematica 487

Passo Bisezione Secanti Tangenti Regula falsi


1 0 0 0 0
2 1 1 0.5 1
3 0.5 0.54 0.51095 0.54
4 0.75 0.50 0.51097342935 0.512
5 0.625 0.51098 0.5109734293882 0.511
6 0.5625 0.51097343 0.5109734293882 0.510976
7 0.53125 0.5109734293882 0.5109734293882 0.5109735
8 0.515625 0.5109734293882 0.5109734293882 0.51097343
9 0.5078125 0.5109734293882 0.5109734293882 0.5109734296
10 0.51171875 0.5109734293882 0.5109734293882 0.51097342939

Esempio Come è noto, la crescita esponenziale supera quella polinomiale, in altri termini risulta
Crescite
esponenziale e ex - p  x   0
polinomiale
a confronto
per valori di x sufficientemente grandi.
Sorprendentemente però, in alcuni casi le funzioni polinomiali (quadratiche, cubiche,
etc.) sorpassano al finito la funzione esponenziale.
Precisiamo il senso dell’affermazione, limitandoci a considerare la funzione
esponenziale e la cubica
f  x   ex g  x   x3 .
Nonostante nel punto iniziale  x0  0 
l’esponenziale sia sopra la cubica
f  0   1  g (0)  0
dopo solo cinque unità è già avvenuto il
sorpasso.
È infatti
f (5) - g (5)  e5 - 53  35 - 53  0 .

Il grafico delle funzioni f e g nell’intervallo


[0,10] illustra chiaramente il loro reciproco
comportamento.

Aggiungere i metodi di punto fisso


Traslochi Il Ragioniere Mario Rossi deve cambiare ufficio, ma conservare l’arredo. La sua
difficoltosi preoccupazione è il trasferimento dell’armadio: egli pensa di trascinarlo orizzontal-mente
caso con lungo due corridoi, larghi rispettivamente 1,15 m e 75 cm, che si intersecano ad
spessore angolo retto.
Discutere la fattibilità dell’operazione in funzione delle dimensioni dell’armadio (a base
rettangolare; larghezza=65 cm, lunghezza=1,25 m).
CAPITOLO 14 – Soluzioni approssimate di equazioni 488

Svolgimento Valutiamo la lunghezza massima L di un mobile dello


spessore s che possa compiere una rotazione di 90 gradi.
Denotato con  l’angolo SCD ˆ e indicata con L( ) la
lunghezza massimale corrispondente all’angolo  , dallo
schema a lato si deduce

115 75
L  AB  AP  SB    65 tan()  65 cotan() =L()
sin  cos 

L  min L( )

Discutiamo quindi l'esistenza e calcolo del minimo


min L( )
0  /2

ove
115 75 65
L()   
sin  cos  sin  cos 
Per risolvere la questione individuiamo gli intervalli di crescenza/decrescenza.
A questo proposito, calcoliamo la derivata:
5 23  cos  3  15sin   26  cos  2  15sin   13
L '()   2 
sin  cos  
risulta
L '()  0  23 cos   15sin   26  cos    15sin   13  0
3 2

Si tratta di una disequazione difficile da trattare!


Se operiamo un cambiamento di variabile, adottando le formule parametriche, si
ottiene:

L '(t ) 
5
t  t  1
2 2 18t 6
 67t 4  60t 3  2t 2  5 t  tan
2
da cui la disequazione fratta
18t 6  67t 4  60t 3  2t 2  5
L '(t )  0  0
t2 1
Anche quest'ultima disequazione non è agevole da trattare vista l'impossibilità di
scomporre in fattori il numeratore. Così dobbiamo arrenderci, ma solo per il
momento!
Riprenderemo la questione nel Capitolo 14.
P.BRANDI – A.SALVADORI Percorsi di Matematica 489

14.6 Esercizi proposti

14.6.1 Newton illustrò il suo metodo attraverso l’equazione


x3  2 x  5  0 .
Quali risultati avrà trovato?

14.6.2 Nel 1225 Leonardo Pisano (detto Fibonacci) studiò l’equazione


x3  2 x2  10 x  20  0
e ricavò la seguante soluzione x  1.368808107 .
Non è noto il procedimento che adottò, ma il risultato è notevole per il suo tempo.
Dopo aver discusso esistenza, unicità e localizzazione delle soluzioni dell’equazione,
determinare un processo iterativo di approssimazione della soluzione e confrontare il
risultato con quello di Fibonacci.

14.6.3 Dopo aver discusso esistenza, unicità e localizzazione delle soluzioni reali
dell’equazione di Abel-Ruffini
x5 - 4 x  2  0
determinare, utilizzando i metodi di linearizzazione, le prime 6 cifre decimali esatte di
tali soluzioni.

14.6.4 Dopo aver discusso esistenza, unicità e localizzazione delle soluzioni delle equazioni
seguenti, stimare tali soluzioni con una precisione di 102
1) xe x  5 2) 2x  4 x 3) x e1/ x  3

4) x5  x3  0.1  0 5) 2 x  log x  4

Applicando il metodo di Newton, determinare un algoritmo di approssimazione per


14.6.5 3
2 . Calcolare i prime 5 passi, con start x0  1 e stimare l’errore.

14.6.6 Calcolare un’approssimazione della soluzione delle equazioni

1) cos x  x 2) sin x  x 1 3) e x  x  2  0 .

6
14.6.7
Adottando il metodo di Newton, dare una stima di 2 esatta alla ottava cifra
decimale.

14.6.8 Utilizzando un metodo iterativo di approssimazione esposto in questo capitolo,


determinare i punti di sorpasso.
Discutere esistenza, unicità e calcolo dei punti di sorpasso fra la funzione
esponenziale e x e la funzione potenza x k , con k intero positivo.

14.6.9 Adottando il metodo di Newton, approssimare il reciproco del numero e.


14.6.10 Dopo aver localizzato una soluzione dell’equazione
x 4  12 x  34  0
determinare una sua approssimazione adottando il metodo delle secanti (utilizzare
almeno 4 passi).