1 - Rappresentazione Numerica

Introduzione al Calcolo Numerico
Rappresentazione dei numeri sul calcolatore

Stabilità e condizionamento
Introduzione. Rappresentazione di numeri in

macchina, condizionamento e stabilità
Stefano Berrone
Sandra Pieraccini
Politecnico di Torino, Dipartimento di Scienze Matematiche

stefano.berrone@polito.it
sandra.pieraccini@polito.it
http://calvino.polito.it/~sberrone,
http://calvino.polito.it/~pieraccini
Metodi Numerici e Calcolo Scientifico

Ultimo aggiornamento: 28 settembre 2015
Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Prerequisiti
È necessario ripassare (almeno) i seguenti argomenti:

1 Analisi
1 Sviluppo di Taylor per funzioni di una variabile

2 (utile come complemento) Sviluppo di Taylor per funzioni in
più variabili
2 Geometria
1 Algebra lineare
2 autovalori

Bibliografia di riferimento e materiale didattico
1 G. Monegato, Metodi e algoritmi per il Calcolo Numerico, ed.

CLUT, 2008
2 S. Berrone, S. Pieraccini, Esercizi Svolti di Calcolo Numerico
con introduzione a MATLAB, ed. CLUT, 2004
Sul portale della didattica, nella sezione Materiale didattico del
corso, si trovano alcuni esercizi proposti, la maggior parte dei quali
con soluzione.

Ricevimento studenti e Articolazione del Corso

Ricevimento studenti
Su appuntamento (previo accordo telefonico o tramite e-mail,
sandra.pieraccini@polito.it, stefano.scialo@polito.it) presso il
Dipartimento di Scienze Matematiche, c.so Duca degli Abruzzi, 24,
III piano, salire dalle scale vicine all’aula 2.
Articolazione corso
Il corso si compone di Lezioni in aula e di esercitazioni di
Laboratorio.
Le lezioni in Laboratorio inizieranno la prima settimana di
corso e si effettueranno:
• Squadra 1 (Studenti con cognome A-L): lunedı̀ ore 13:00
presso LAIB3 (SEDE)
• Squadra 2 (Studenti con cognome M-Z): mercoledı̀ ore
13:00 presso LAIB3B (v. Boggio)
Come ottenere MATLAB
http://www.areait.polito.it. Clik sul logo MathWorks o su

“Software per l’Ateno” e seguire le istruzioni per THE MathWorks
- Total Academic Headcount
Modalità d’esame
L’esame consiste in due prove.
• Prova scritta:
- Darà diritto ad un punteggio fino a 25 punti
- Non è possibile consultare alcun tipo di materiale (libri, appunti,
tavole...)
- È consentito l’uso di una semplice calcolatrice
- I quesiti possono essere sia esercizi pratici che domande di
carattere teorico sull’intero programma svolto
• Test informatizzato in laboratorio:
- Darà diritto ad un punteggio fino a 7 punti
- La prova è costituita da un quiz con domande a risposta multipla
a cui rispondere con l’uso di MATLAB/OCTAVE, che potrà essere
utilizzato durante il test
- Non è possibile consultare alcun tipo di materiale (libri, appunti,
tavole...)
Rappresentazione dei numeri sul calcolatore Perché studiare metodi numerici?
Perché studiare metodi numerici?

Moltissimi fenomeni (fisici, ingegneristici, sociologici,
economici...) possono essere descritti da un modello
matematico, ovvero da una ‘equazione’.
Generalmente - tranne che in pochi, particolarissimi casi -
questa ‘equazione’ non è risolvibile per via analitica o sarebbe
troppo ‘costoso’ individuare a ‘mano’ la soluzione.
I metodi numerici ci aiutano a trovare una soluzione
(approssimata), tramite un calcolatore, di molti modelli
matematici.
La matematica ci aiuta comunque a capire le caratteristiche
dei problemi da affrontare e la qualità dei metodi numerici.
Infatti non tutti i metodi numerici...
...possono sempre fornire una soluzione
...possono fornire una soluzione ugualmente accurata
...possono fornire una soluzione ugualmente accurata in
modo efficiente.
Cos’è un metodo numerico?

È un algoritmo1 con alcune proprietà teoriche (matematica) da
implementare su un calcolatore (informatica) per ottenere una
soluzione approssimata entro una accuratezza prefissata
(ingegneria).
Il Calcolo Scientifico unisce insieme tutti questi aspetti.
Ci occuperemo di:
descrivere alcuni metodi numerici e algoritmi per la risoluzione
di certe classi di problemi
descrivere le loro proprietà utili a scegliere un metodo
specifico tra diversi disponibili, tenuto conto di questioni di
robustezza, efficienza ed affidabilità
sapere come interpretare i risultati forniti dal calcolatore
quando applichiamo un metodo numerico.
1
Un algoritmo è una sequenza di istruzioni non ambigue, eseguite in tempo
finito
Organizzazione del corso (MNCS)
1 Rappresentazione numeri in macchina e conseguenze.

Stabilità e condizionamento (capitolo 1).
2 Sistemi lineari (capitolo 2, capitolo 3 tranne 3.2.4, 3.2.5,
3.2.6, 3.3.3, 3.3.4)
3 Interpolazione (capitolo 5 tranne 5.2.2, 5.4, 5.5, 5.6, 5.8, 5.9,
5.10)
4 Quadratura numerica (capitolo 7 paragrafi 7.1, 7.2, 7.7)
5 Equazioni non lineari (capitolo 6 tranne 6.2.5, 6.3, 6.4, 6.5)
6 Equazioni differenziali ordinarie (capitolo 8 paragrafi 8.1, 8.2)

Il sistema floating point

Per saper interpretare i risultati resituiti da un calcolatore,
dobbiamo innanzitutto capire come opera il calcolatore stesso.
Fissiamo la base β di un sistema di numerazione, la

rappresentazione floating point (virgola mobile) normalizzata
di un numero reale consiste nell’usare una opportuna potenza di β
in modo da non avere né parte intera e né zeri dopo la virgola.
Esempio
Base β = 10:
3 caratteristica
123.4567 ⇒ 0. 1234567
| {z } ·10
mantissa
0.00789 ⇒ 0.789 · 10−2

0.6 ⇒ 0.6 · 100
Osservazione
Ricordiamo che
0.789 = 7 · 10−1 + 8 · 10−2 + 9 · 10−3
(sistema posizionale)

Il sistema floating point sul calcolatore

Su un calcolatore, fissiamo:
1 β ∈ N+ , β ≥ 2, la base del sistema di numerazione
(tipicamente β = 2);
2 t ∈ N+ , numero di cifre di mantissa a disposizione sul
calcolatore per rappresentare ciascun numero;

3 L < 0 e U > 0, limiti entro cui può variare la caratteristica.
L’insieme dei numeri rappresentabili su tale calcolatore è chiamato

insieme dei numeri macchina (floating-point) ed è denotato
F(β, t, L, U).
F(β, t, L, U) è quindi l’insieme dei numeri del tipo

x = ±0.d1 d2 . . . dt β e
con mantissa m = 0.d1 d2 . . . dt formata da t cifre (0 ≤ di ≤ β − 1,
i = 1, .., t, e d1 6= 0 per la normalizzazione) e caratteristica e, con
L ≤ e ≤ U.
Formalmente,
F(β, t, L, U) = {0} ∪ {x ∈ R : x = ±0.d1 d2 . . . dt · β e }
Equivalentemente,
t
( )
X
s −i e
F(β, t, L, U) = {0} ∪ x ∈ R : x = (−1) di β ·β
i=1
dove s è un numero intero che rappresenta convenzionalmente il

segno (s = 0 per +, s = 1 per −).

I limiti della macchina
Iniziamo ad analizzare la mantissa:
β −1 = mmin ≤ m ≤ mmax = 1 − β −t
................
.
.
.
mmin = 0. 1 0 0 0 .
.
.
.
................
0 0 0 0 = β −1
1 2 3 4 t−1 t
................
.
.
.
mmax = 0. β−1 β−1 β−1 β−1 .
.
.
.
................
β−1 β−1 β−1 β−1 = 1 − β −t
1 2 3 4 t−1 t

Limiti dell’insieme F(β, t, L, U)

Aggiungiamo la caratteristica: x = ±m · β e . Per ogni numero
x ∈ F(β, t, L, U) si ha
xmin = β L−1 ≤ |x| ≤ β U 1 − β −t = xmax .

Osservazione (Denormalizzazione)
Dalla relazione precedente di deduce che non è possibile
rappresentare alcun numero (a parte lo zero) minore in valore
assoluto di xmin .
Per aggirare questa limitazione lo standard IEEE754 prevede una
rappresentazione denormalizzata.
Quando la caratteristica e è pari al valore minimo L, la condizione
d1 6= 0 può essere abbandonata e quindi vengono accettate
mantisse comprese tra β −t e β −1 − β −t .

Approssimazione di un numero reale con un numero di

macchina
Poiché F(β, t, L, U) è un sottoinsieme finito di R, dato un numero
reale x = sign(x) m β e ∈ / F la cui caratteristica e cada nel range
[L, U], questo dovrà essere approssimato con un numero
x̄ ∈ F(β, t, L, U).
Sia x un numero reale e sia x̄ la sua approssimazione:
x = (−1)s m · β e , x̄ = (−1)s m̄ · β e
Errore assoluto:
Ea ≡ |x̄ − x|
Errore relativo:
|x̄ − x|
Er ≡ , x 6= 0
|x|

Tecniche di approssimazione (standard IEEE754-2008)

Roundings to nearest
1 Round to nearest, ties to even (Arrotondamento): approssima con il
n.m. (numero di macchina) più vicino; se il numero cade esattamente a
metà strada tra due n.m. consecutivi, approssima con quello con cifra
meno significativa pari. È l’opzione di default in aritmetica binaria.
2 Round to nearest, ties away from zero: approssima con il n.m. più vicino; se il
numero cade esattamente a metà strada tra due n.m. consecutivi, approssima
con quello maggiore per numeri positivi, quello minore per numeri negativi.
Directed roundings
1 Round toward 0 (Troncamento): directed rounding towards zero (also
known as truncation or chopping).
2 Round toward plus Infinity: directed rounding towards positive infinity (also
known as rounding up or ceiling).
3 Round toward minus Infinity: directed rounding towards negative infinity (also
known as rounding down or floor).
Errori commessi
Osservazione
Le mantisse dei numeri macchina sono separate di passi uniformi
pari a β −t . Infatti due mantisse consecutive hanno la forma
0.d1 d2 d3 . . . dt−1 dt
0.d1 d2 d3 . . . dt−1 (dt + 1)

Quindi i numeri floating-point normalizzati sono, per un fissato
valore della caratteristica, equispaziati.

Errori commessi
Troncamento: tutte le mantisse m ∈ [m1 , m1 + β −t ) vengono

approssimate con m̄ = m1 . L’errore commesso è quindi
m − m1 < β −t ,
sempre positivo.
Arrotondamento: tutte le mantisse che cadono in
(m1 − 12 β −t , m1 + 21 β −t ) vengono approssimate con m1 . In
questo modo l’errore sulla mantissa risulta
1
|m − m1 | ≤ β −t
2
e può essere sia positivo che negativo.

Tra questi metodi l’arrotondamento è sicuramente più oneroso

dal punto di vista di istruzioni del microprocessore, ma provoca
un’errore metà degli altri ed è sicuramente più conveniente dal
punto di vista dell’accuratezza.
Riassumendo gli errori di approssimazione sulle mantisse risultano:
|m̄ − m| < β −t , troncamento,

1 −t
|m̄ − m| ≤ β , arrotondamento
2

L’errore assoluto associato all’approssimazione x̄ vale:
|x̄ − x| = |m̄ − m|β e < β e−t , troncamento,

1 e−t
|x̄ − x| = |m̄ − m|β e ≤ β , arrotondamento,
2
Poiché m ≥ 0.1000 . . . = β −1 , si ha
|x| = mβ e ≥ β −1 β e
e quindi per l’errore relativo
|x̄ − x| β e−t
≤ e−1 < εm ≡ β 1−t , troncamento,
|x| β
1 e−t
|x̄ − x| β 1
≤ 2 e−1 ≤ εm ≡ β 1−t , arrotondamento.
|x| β 2

La quantità eps ≡ β 1−t verrà chiamata epsilon di macchina.

Con il simbolo εm (o um ) si indicherà invece la precisione di
macchina.
εm è una costante caratteristica dell’aritmetica di macchina in
considerazione e rappresenta la massima precisione relativa
di calcolo raggiungibile sul calcolatore e con il tipo di dati
che la implementano.
Due quantità la cui differenza relativa sia minore della
precisione di macchina sono da considerarsi indistinguibili per
il calcolatore.
Non ha senso cercare di determinare approssimazioni con
precisione relativa inferiore alla quantità εm .

Una prospettiva leggermente diversa
Sia fl(x) l’approssimazione in macchina di x e δ l’errore relativo

commesso:
fl(x) − x
δ= ⇒ fl(x) = x(1 + δ)
x
Ricordiamo che si ha, dalla definizione di εm , |δ| ≤ εm
Si ha allora
fl(x) = x(1 + δ), |δ| ≤ εm .

Standard IEEE
I PC che implementano lo Standard IEEE 754-1985 prevedono:
1 32 bit for single precision, 1+8+23 (hidden bit)

2 64 bit for double precision, 1+11+52 (hidden bit)
3 128 bit for quadruple precision, 1+15+112 (hidden bit)
Osservazione (Hidden bit)

Se β = 2 in un’aritmetica floating point normalizzata la prima cifra
della mantissa diversa da zero è necessariamente d1 = 1. Quindi la
cifra non viene memorizzata e viene “guadagnato“ un bit. Ne
segue che il valore di eps e εm corrsiponde ad avere un numero di
cifre di mantissa pari a t + 1.
1 Single precision: L = −126, U = 127,

eps = 21−(23+1) = 2−23 ≈ 10−7 ;
2 Double precision: L = −1022, U = 1023,
eps = 21−(52+1) = 2−52 ≈ 10−16 ;
xmin,denorm = 2−1074 = 2−1022−52 , xmin,norm = 2−1022 ,
xmax,norm = (1 + (1 − 2−52 )) · 21023 ;
3 Quadruple precision: L = −16382, U = 16383,
eps = 21−(112+1) = 2−112 ≈ 10−34 ;

Overflow e Underflow
1 Overflow: errore dovuto al tentativo di rappresentare numeri

con e > U
2 Underflow: errore dovuto al tentativo di rappresentare
numeri con e < L

Operazioni di macchina effettuate in virgola mobile

Vediamo adesso cosa accade quando si effettuano delle operazioni
aritmetiche in macchina. Il risultato di una operazione aritmetica
eseguita tra due numeri macchina non è, in generale, un numero
macchina, quindi anche questo risultato dovrà essere approssimato.
Definizione
Chiameremo operazione di macchina il risultato dell’operazione
eseguita sui numeri macchina seguita da un’approssimazione.
Indichiamo con ⊕, , ⊗, le operazioni macchina corrispondenti

a +, −, ×, /.
Quindi, ad esempio,
a ⊕ b := fl(fl(a) + fl(b))

Per le operazioni di macchina si ha
a ⊕ b = fl(fl(a) + fl(b)) = (fl(a) + fl(b))(1 + δ1 ), |δ1 | ≤ εm

a b = fl(fl(a) − fl(b)) = (fl(a) − fl(b))(1 + δ2 ), |δ2 | ≤ εm
a ⊗ b = fl(fl(a) × fl(b)) = (fl(a) × fl(b))(1 + δ3 ), |δ3 | ≤ εm
a b = fl(fl(a) / fl(b)) = (fl(a) / fl(b))(1 + δ4 ), |δ4 | ≤ εm
Osservazione
Queste relazioni mostrano che, prescindendo dagli eventuali errori
di macchina presenti nelle rappresentazioni degli operandi, l’errore
relativo commesso eseguendo operazioni di macchina non è mai
superiore alla precisione di macchina.

Osservazione
Non tutte le proprietà delle operazioni aritmetiche si conservano
per le operazioni di macchina. La proprietà commutativa per
somma e prodotto si conserva anche per le operazioni di macchina:
a ⊕ b = b ⊕ a, a ⊗ b = b ⊗ a,
Ma non valgono più le seguenti proprietà:
a ⊕ (b ⊕ c) 6= (a ⊕ b) ⊕ c,
a ⊗ (b ⊗ c) 6= (a ⊗ b) ⊗ c,
a ⊗ (b ⊕ c) 6= (a ⊗ b) ⊕ (a ⊗ c),
(a ⊗ b) b 6= a,
(a b) ⊗ b 6= a,
(a ⊗ b) c 6= (a c) ⊗ b.

Osservazione
Inoltre per le operazioni di macchina può accadere che valga la
relazione
a ⊕ b = fl(a), 0 < |fl(b)| |fl(a)|.

Due espressioni equivalenti in aritmetica infinita possono non

esserlo in aritmetica finita.
Definizione
Diremo equivalenti due espressioni che in aritmetica finita
forniscano risultati la cui distanza relativa differisce di una quantità
dell’ordine della precisione di macchina.

Cancellazione numerica
Il fenomeno della cancellazione numerica è la conseguenza più

grave dell’aritmetica finita.
Essa può verificarsi quando si esegue la sottrazione di due numeri
molto vicini tra loro.
Definizione
Si dice cancellazione numerica il fenomeno di perdita di cifre
significative che si verifica quando si opera una sottrazione tra due
numeri “quasi uguali” tra loro (ovvero, il risultato è più piccolo di
ciascuno dei due operandi)
Sostanzialmente consiste in una enorme amplificazione degli

errori di approssimazione sugli operandi.

Esempio (Cancellazione 1)
Si considerino i seguenti numeri:
x1 = 0.19101972 · 103 , x2 = 0.19101708 · 103
e si voglia eseguire l’operazione x1 x2 in un’aritmetica in base

β = 10, 6 cifre di mantissa, operante con troncamento
(εm = 10−5 )
fl(x1 ) = 0.191019 · 103 , fl(x2 ) = 0.191017 · 103 .
Che errore abbiamo commesso per ora?
|fl(x1 ) − x1 | = 0.720000 · 10−3
|fl(x1 ) − x1 | 0.720000 · 10−3

= ' 0.37692 · 10−5 < εm
|x1 | 0.19101972 · 103
Esempio (segue)
|fl(x2 ) − x2 | 0.800000 · 10−4
= ' 0.41881 · 10−6 < εm
|x2 | 0.19101708 · 103
Calcoliamo la differenza in macchina:
x1 x2 = 0.000002 · 103 = 0.200000 · 10−2
Errore commesso? Differenza esatta:
x1 − x2 = 0.264000 · 10−2
Errore relativo:
|(x1 x2 ) − (x1 − x2 )|
= 0.2424,
|(x1 − x2 )|

Esempio (segue)
Cos’è accaduto? Approssimando le mantisse di x1 e x2 si sono
“buttate via” le cifre che seguono la sesta (con un errore di
approssimazione entro i limiti della precisione di macchina).La
differenza effettuata tra x1 e x2 ha però amplificato molto la
perdita di informazione dovuta all’approssimazione, fino a farla
risalire alla prima cifra significativa del risultato!
fl(x1 ) = 0.191019 · 103 , fl(x2 ) = 0.191017 · 103
⇓
x1 x2 = 0.000002 · 103 = 0.200000 · 10−2 .

Esempio (segue)
Con arrotondamento?
fl(x1 ) = 0.191020 · 103 , fl(x2 ) = 0.191017 · 103
x1 x2 = 0.000003 · 103 = 0.300000 · 10−2

|(x1 x2 ) − (x1 − x2 )|
= 0.1363
|(x1 − x2 )|

Osservazione
Nell’esempio precedente la sottrazione di macchina non introduce
alcun errore di approssimazione, ma fornisce il risultato esatto.
Quindi la sottrazione non genera problemi in sé, ma amplifica
errori di approssimazione già esistenti sugli operandi.

Si può evitare la cancellazione numerica? Usare (quando possibile)

forme alternative per il calcolo di una espressione.
Esempio (Cancellazione 2)
f (x0 + h) − f (x0 )
f 0 (x0 ) ' , h piccolo
h
Sia f (x) = sin(x)
sin(x0 + h) − sin(x0 ) 2 2x0 + h h

= cos sin
| h
{z } |h 2
{z 2}
AlgoritmoI AlgoritmoII
Esempio (Cancellazione: calcolo della varianza)

n n
1X 1X 2
var (X ) = (xi − x̄)2 = xi − x̄ 2
n n
|i=1 {z } |i=1 {z }
AlgoritmoI AlgoritmoII
Condizionamento
Stabilità
Stabilità di un algoritmo e condizionamento di un problema
Obiettivo: studiare come errori sui dati di un problema si

propagano sui risultati.
Definizione
Un problema è ben posto quando ammette una ed una sola
soluzione e la soluzione dipende con continuità dai dati.
Altrimenti il problema è mal posto.
Nel seguito assumeremo di lavorare sempre su problemi ben posti.

Condizionamento
Stabilità
Consideriamo la risoluzione numerica di un problema ben posto.

Nello studio della propagazione degli errori, occorre distinguere tra
il ruolo assunto:
1 dal problema (condizionamento del problema)
2 dal particolare algoritmo usato per risolvere il problema
(stabilitá dell’algoritmo)

Condizionamento
Stabilità
Generico problema: assegnato il dato d, trovare x tale che
x = f (d) (1)
Siano:
δd una perturbazione del dato d −→ dato d + δd
x̄ = f (d + δd) la soluzione esatta del problema con dato
d + δd
x̃ la risposta dell’algoritmo al dato d + δd.
NB: generalmente x̄ 6= x̃

Condizionamento
Stabilità
Esempio
Si consideri il problema di trovare la radice quadrata di un numero
d assegnato: √
x= d
Si consideri il seguente algoritmo molto rudimentale:
√ d +1
x= d'
2
Sia d = 1000 e δd = 1. Si ha:
√
x = 1000
√ √
x̄ = d + δd = 1001
d+δd+1 1002
x̃ = 2 = 2 .

Condizionamento
Stabilità
Condizionamento
Come il problema reagisce alle inevitabili perturbazioni su dati?

Sia δx = x̄ − x
δx sarà grande o piccolo rispetto a δd?
Domanda:
Le inevitabili perturbazioni sui dati del problema (δd) come si

trasmettono sui risultati, prescindendo dal particolare algoritmo
che si vuole usare per risolvere il problema?
Risposta:
Dipende dal problema!

Condizionamento
Stabilità
Definizione (qualitativa!)
Un problema è ben condizionato se le perturbazioni sui dati non
influenzano eccessivamente i risultati.
Un problema è mal condizionato se le perturbazioni sui dati

influenzano i risultati in misura molto grande.

Condizionamento
Stabilità
Definizione (Numero di condizionamento)

Se si ha una relazione del tipo
kδxk kδdk
≤K
kxk kdk
o
kδxk kδdk
'K
kxk kdk
per una qualche costante K = K (d), il fattore K (d) si definisce
numero di condizionamento del problema.
Definizione (Numero di condizionamento)

Un problema si dice ben condizionato se K (d) è piccolo, sarà
mal condizionato se K (d) è grande.

Condizionamento
Stabilità
Esempio (Condizionamento della somma fra due numeri)

Consideriamo il problema di calcolare la somma di due numeri
x =a+b
(i dati sono d1 = a e d2 = b, la soluzione del problema x = a + b).

Ci domandiamo se è un problema ben condizionato.
Siano x la soluzione esatta, ā = a + δa, b̄ = b + δb. Quindi
x + δx = a + δa + b + δb
da cui si ottiene
δx = δa + δb

Condizionamento
Stabilità
Esempio (segue)
Pertanto
|x̄ − x| |δx| |δa + δb| |δa| |δb|
= = ≤ +
|x| |x| |a + b| |a + b| |a + b|
|a| |δa| |b| |δb|
= +
|a + b| |a| |a + b| |b|
Le costanti
|a| |b|
Ka = , Kb =
|a + b| |a + b|
sono i coefficienti di amplificazione delle perturbazioni relative
|δa| |δb|
|a| |b| per questo problema. Possiamo prendere come numero di
condizionamento K = max(Ka , Kb ).
Com’è dunque il condizionamento del problema?

Condizionamento
Stabilità
Esempio (segue)
Si osserva che se a + b → 0, si ha Ka , Kb → ∞. Quindi il problema
è mal condizionato se a + b è piccolo.
Ma quando a + b è piccolo? Quando a e b sono vicini in modulo e
di segno opposto... in pratica la situazione in cui si verifica la
cancellazione numerica!
Quindi la cancellazione numerica può essere interpretata come il
mal condizionamento della somma algebrica quando a + b è
piccolo (rispetto a ciascuno dei due addendi).
Più in generale si può stimare il numero di condizionamento di un

problema usando sviluppi di Taylor (; libro di testo).

Condizionamento
Stabilità
Stabilità (ovvero: ruolo dell’algoritmo nella propagazione

degli errori)
Il risultato finale di un algoritmo dipende in maniera

fondamentale da come le perturbazioni, cioè i successivi errori
compiuti ad ogni passo, si amplificano o si smorzano durante la
risoluzione dei singoli problemi elementari.
Definizione (intuitiva)
Un algoritmo si dice numericamente stabile se la successione
delle operazioni di macchina non amplifica eccessivamente gli errori
di arrotondamento.
In pratica, tutte le operazioni intermedie e il risultato finale
dell’algoritmo devono presentare un errore relativo controllabile
con la precisione di macchina.

Condizionamento
Stabilità
Definizione (quantitativa)
Se
kx̃ − x̄k
' εm
kx̄k
l’algoritmo si dice stabile
Partendo dagli stessi dati si possono avere algoritmi in cui l’errore

finale é dell’ordine della precisione di macchina (stabili), altri in cui
ciò non avviene (instabili).
L’algoritmo I dell’esempio Cancellazione 2 è instabile perché

l’errore finale non è controllabile in termini della sola precisione di
macchina, mentre l’algoritmo II genera un’errore controllabile con
εm , quindi è stabile.

1 - Rappresentazione Numerica

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

1 - Rappresentazione Numerica

Caricato da

Copyright:

Formati disponibili

Introduzione al Calcolo Numerico

Rappresentazione dei numeri sul calcolatore

Introduzione. Rappresentazione di numeri in

Politecnico di Torino, Dipartimento di Scienze Matematiche

Metodi Numerici e Calcolo Scientifico

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

È necessario ripassare (almeno) i seguenti argomenti:

1 Sviluppo di Taylor per funzioni di una variabile

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Bibliografia di riferimento e materiale didattico

1 G. Monegato, Metodi e algoritmi per il Calcolo Numerico, ed.

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Ricevimento studenti e Articolazione del Corso

Come ottenere MATLAB

http://www.areait.polito.it. Clik sul logo MathWorks o su

Perché studiare metodi numerici?

Cos’è un metodo numerico?

Organizzazione del corso (MNCS)

1 Rappresentazione numeri in macchina e conseguenze.

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Il sistema floating point

Fissiamo la base β di un sistema di numerazione, la

0.00789 ⇒ 0.789 · 10−2

0.789 = 7 · 10−1 + 8 · 10−2 + 9 · 10−3

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Il sistema floating point sul calcolatore

calcolatore per rappresentare ciascun numero;

L’insieme dei numeri rappresentabili su tale calcolatore è chiamato

F(β, t, L, U) è quindi l’insieme dei numeri del tipo

F(β, t, L, U) = {0} ∪ {x ∈ R : x = ±0.d1 d2 . . . dt · β e }

dove s è un numero intero che rappresenta convenzionalmente il

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

I limiti della macchina

Iniziamo ad analizzare la mantissa:

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Limiti dell’insieme F(β, t, L, U)

xmin = β L−1 ≤ |x| ≤ β U 1 − β −t = xmax .

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Approssimazione di un numero reale con un numero di

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Tecniche di approssimazione (standard IEEE754-2008)

0.d1 d2 d3 . . . dt−1 (dt + 1)

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Troncamento: tutte le mantisse m ∈ [m1 , m1 + β −t ) vengono

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Tra questi metodi l’arrotondamento è sicuramente più oneroso

|m̄ − m| < β −t , troncamento,

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

L’errore assoluto associato all’approssimazione x̄ vale:

|x̄ − x| = |m̄ − m|β e < β e−t , troncamento,

e quindi per l’errore relativo

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

La quantità eps ≡ β 1−t verrà chiamata epsilon di macchina.

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

Una prospettiva leggermente diversa

Sia fl(x) l’approssimazione in macchina di x e δ l’errore relativo

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

1 32 bit for single precision, 1+8+23 (hidden bit)

Osservazione (Hidden bit)

1 Single precision: L = −126, U = 127,

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion

1 Overflow: errore dovuto al tentativo di rappresentare numeri

Stefano Berrone Sandra Pieraccini Introduzione. Rappresentazione di numeri in macchina, condizion