Lezione03 - Introduzione Al Calcolo Numerico

Lezione 3 – Introduzione al calcolo numerico
Contenuto
§ Gestione dei dati numerici al calcolatore
Identificazione e Simulazione di Processi Chimici AA 2023/24
• Aritmetica del calcolatore

§ Errore computazionale
• Errori di arrotondamento
• Errori di troncamento
§ Stabilità numerica
§ Costo computazionale
Riferimenti Bibliografici
§ A. Quarteroni, E. Saleri. P. Gervasio, Calcolo Scientifico 6° Ed., Springer (2017)
§ A. Quarteroni, R. Sacco, E. Saleri, Numerical Mathematics 2° Ed., Springer (2007)
§ A. Quarteroni, R. Sacco, E. Saleri, P. Gervasio, Matematica Numerica 4° Ed., Springer (2014)
Massimiliano Villone
§ Script allegati: zero.m, Taylor.m, Taylor_negative.m, der_exp.m, computational_time.m

Matematica numerica
Matematica numerica ≠ Matematica «classica»

§ Esempio
• In matematica «classica», dati due numeri reali 𝑎, 𝑏 ≠ 0, l’operazione 𝑏/𝑎 è equivalente all’operazione 𝑎!" ∗ 𝑏.
• In matematica numerica, le due operazioni possono avere un diverso «costo» e addirittura portare a risultati diversi.
2/28
ISPC – Lezione 3
Introduzione al calcolo numerico
11/03/24
Valutazione degli errori
§ Definiamo
• 𝑥 valore esatto di una grandezza,
• 𝑥) valore approssimato della stessa grandezza.
§ Esistono due modi di valutare l’errore che si compie nel calcolare 𝑥) (“al posto” di 𝑥).
• Errore assoluto:
𝜀#$% = |𝑥 − 𝑥|
)
－Di solito, 𝜀#$% “dice” poco.

－Può essere elevato, ma accettabile, se l’ordine di grandezza di 𝑥 è alto.
• Errore relativo:
𝑥 − 𝑥)
𝜀&'( =
𝑥
－E’, in genere, il modo migliore di valutare l’errore.

－E’ spesso espresso in termini percentuali à 𝜀% = 𝑥 − 𝑥) /𝑥 ∗ 100.
－Perde del tutto di significato quando 𝑥 = 0 (ed è comunque poco significativo quando l’ordine di grandezza di 𝑥 3/28
è basso). ISPC – Lezione 3
11/03/24
Gestione dei dati numerici (1/7)
§ Un computer memorizza informazioni sulla base del sistema binario.
• L’elemento di memoria di base su cui il calcolatore può scrivere “0” o “1” si chiama “bit”.
• Una sequenza di 8 bit si chiama “byte”.

－In un byte, si possono scrivere 2* = 256 combinazioni diverse di 0 e 1.
－In un byte, quindi, si possono scrivere lo zero ed i primi 255 numeri naturali.
§ Un computer, ovviamente, dispone di un numero finito di banchi di memoria.
§ Al computer si può rappresentare soltanto un sottoinsieme dei numeri reali di dimensione finita, detto “insieme dei
numeri floating-point” (𝔽).
• Inoltre, “infilare” i numeri reali in un numero finito di celle di memoria implica una rappresentazione approssimata
dei numeri stessi.
4/28
ISPC – Lezione 3
11/03/24
§ Ogni numero reale 𝑥 viene rappresentato dalla macchina con un valore arrotondato, che si indica con 𝑓𝑙(𝑥) e viene
detto “numero in virgola mobile” (floating-point number).
• Dal momento che può essere memorizzata solo una quantità finita di cifre decimali, 𝑓𝑙(𝑥) non coincide
necessariamente con 𝑥.
§ Rappresentazione normalizzata dei numeri in virgola mobile (standard IEEE 754):
𝑓𝑙(𝑥) = −1 𝑠 𝑚𝛽𝑒
in cui
• 𝑠 può valere 0 o 1 e rende conto del segno del numero,
• 𝛽 è un numero naturale ≥ 2 ed è detto “base” della rappresentazione,
• 𝑒 è un esponente variabile tra gli estremi 𝐿 ed 𝑈, con 𝐿 < 0 ed 𝑈 > 0,
• 𝑚 = 0. 𝑎" 𝑎- … 𝑎. è detta “mantissa”,
con 𝑎" ≠ 0
0 ≤ 𝑎/ ≤ 𝛽 − 1 per 𝑖 = 2, … , 𝑡
• 𝑡 (numero di cifre contenute nella mantissa) è detta “precisione”.
5/28
ISPC – Lezione 3
11/03/24
§ In forma compatta, l’insieme 𝔽 è caratterizzato dalla base 𝛽, dalla precisione 𝑡 e dagli estremi 𝐿 ed 𝑈 entro cui è
compreso l’esponente 𝑒 à 𝔽(𝛽, 𝑡, 𝐿, 𝑈).
§ Data la finitezza di 𝐿 ed 𝑈, non si possono rappresentare numeri arbitrariamente piccoli o grandi in valore assoluto.
• 𝑥012 = 𝛽 3!" ,
• 𝑥0#4 = 𝛽𝑈 (1 − 𝛽 !5 )
§ Di default, l’insieme dei numeri floating point di MATLAB è 𝔽(2,53, −1021, 1024).
• 53 cifre significative in base 2 corrispondono a 15 cifre significative in base 10.
• In valore assoluto, il minimo ed il massimo numero rappresentabili sono
－𝑥012 ∼ 𝑂(10!6-6 )
－𝑥0#4 ∼ 𝑂(1067* )
§ Non bisogna confondere precisione ed accuratezza.

• Ad esempio, 3.133333333 è una stima di 𝜋 con una precisione di 10 cifre decimali, ma è accurata solo alla seconda
cifra decimale.
“There's no sense in being precise when you don't even know what you're talking about.” 6/28
ISPC – Lezione 3
John von Neumann Introduzione al calcolo numerico
11/03/24
§ Di default, MATLAB visualizza 4 cifre dopo la virgola.
• Questa impostazione può essere cambiata.
－Esempio:
>> 1/7
ans =
0.1429
>> format long
>> 1/7
ans =
0.142857142857143
>> format short e
>> 1/7
ans =
1.4286e-01
>> format long e
>> 1/7
ans =
1.428571428571428e-01
- Il comando format (o format short ) ripristina le impostazioni di default.
- NOTA: modificare il formato di visualizzazione dei dati numerici non altera la precisione degli stessi. 7/28
ISPC – Lezione 3
11/03/24
§ Per definizione, la distanza fra 1 ed il più vicino numero floating-point maggiore di 1 memorizzabile da un computer
prende il nome di precisione della macchina ed è pari a
𝜀8 = 𝛽"!5
• In MATLAB, 𝜀8 = 2!9- ≃ 2.22×10!": . Per visualizzarne il valore, si può digitare
>> eps
ans =
2.2204e-16
§ Di default, MATLAB immagazzina 15 cifre significative per ogni dato numerico: questa impostazione è detta «doppia
precisione».
§ Esiste la possibilità di “risparmiare” memoria forzando la “singola precisione”, in cui, per ogni dato numerico,
vengono immagazzinate 7 cifre significative.

• In singola precisione
- 𝜀8 = 1.22×10!; ,
- 𝑥012 ∼ 𝑂(10!<9 ),
8/28
- 𝑥0#4 ∼ 𝑂(106* ). ISPC – Lezione 3
11/03/24
§ Fissata la precisione, tutti i numeri in valore assoluto minori di 𝑥012 vengono riconosciuti da MATLAB come 0 à
underflow.
>> 10^-324
ans =
0
§ Fissata la precisione, tutti i numeri in valore assoluto maggiori di 𝑥0#4 vengono riconosciuti da MATLAB come infinito
à overflow.
>> 10^309
ans =
Inf
9/28
ISPC – Lezione 3
11/03/24
§ In genere, MATLAB non si blocca né emette messaggi di errore se calcola valori indeterminati (NaN, cioè “Not a
Number”) o infiniti (Inf).
§ Ciò può avere la conseguenza che il risultato di un’operazione sia drasticamente sbagliato (sebbene il software riesca,
formalmente, a calcolare un risultato).
§ Per evitare di incorrere in tale rischio, si può digitare nella finestra dei comandi
dbstop if naninf
§ Per verificare se l’opzione è attiva:
dbstatus
§ Per resettarla:
dbclear all
10/28
ISPC – Lezione 3
11/03/24
Aritmetica del calcolatore (1/3)
§ Le operazioni elementari fra numeri di 𝔽 non godono di tutte le proprieta delle analoghe operazioni definite in ℝ.
• Sono valide
－la commutatività dell’addizione: 𝑓𝑙 𝑥 + 𝑦 = 𝑓𝑙 𝑦 + 𝑥 ∀𝑥, 𝑦 ∈ 𝔽,

－la commutatività della moltiplicazione: 𝑓𝑙 𝑥𝑦 = 𝑓𝑙 𝑦𝑥 ∀𝑥, 𝑦 ∈ 𝔽.
• Sono violate
－l’unicità dello zero,
－la proprietà associativa,
－la proprietà distributiva.
§ Violazione dell’unicità dello zero

• Consideriamo la seguente sequenza di comandi (cfr. zero.m):
a = 1;
b = 1;
while a+b ~= a
disp(b)
b = b/2;
end
• In ℝ, una tale sequenza è, evidentemente, infinita. Che succede in 𝔽? 11/28
ISPC – Lezione 3
11/03/24
§ Violazione della proprietà associativa
• In 𝔽, l’associatività è violata quando si verificano overflow o underflow. Proviamolo:
>> a = 1.0e+308;
>> b = 1.1e+308;
>> c = -1.001e+308;
>> a + (b + c)
ans =
1.0990e+308
>> (a + b) + c
ans = Inf
§ Violazione della proprietà distributiva

• Per ragioni analoghe, anche la proprietà distributiva può essere violata:
>> a = 1.0e+308;
>> b = 1.1e+308;
>> c = 0.1;
>> (a + b) * c
ans = Inf
>> a * c + b * c 12/28
ISPC – Lezione 3
ans = 2.1000e+307 Introduzione al calcolo numerico
11/03/24
§ Cancellazione numerica
>> x = 1.0e-15;
>> (1 + x) - 1
ans =
1.1102e-15
".7!".""7-
• Il risultato esatto sarebbe dovuto essere, ovviamente, 1.0e-15 à 𝜀% = ".7
∗ 100 ≃ 11%.
• Quando si sottraggono tra loro due numeri quasi uguali (rispetto alla precisione del calcolatore) si subisce una
perdita di cifre significative.
－Le cause non sono da attribuire all'operazione di sottrazione in sé, ma questa operazione amplifica gli errori già
presenti nella rappresentazione approssimata effettuata dal calcolatore per poter memorizzare i numeri in
memoria.
«Il “nemico numero uno“ del calcolo numerico è la sottrazione di due numeri quasi uguali»
Guido Buzzi-Ferraris
13/28
ISPC – Lezione 3
11/03/24
Errori di arrotondamento (1/7)
§ Siccome, per ogni dato numerico, il computer può memorizzare un numero finito di cifre significative, la macchina
commetterà errori di arrotondamento (round-off) su tutti i dati il cui valore vero ha un numero di cifre significative
maggiore del massimo memorizzabile.
𝑥 − 𝑓𝑙(𝑥) 1
𝜀# = ≤ 𝜀8
𝑥 2
§ Torniamo all’esempio della slide 2 e consideriamo il problema 7𝑥 = 21, risolvibile in due modi:
• 𝑥 = 21/7
>> format long
>> single(21)/single(7)
ans =
single
3
• 𝑥 = 7!" ×21
>> single(7^-1)*single(21)
ans =
single
3.0000002
14/28
－NOTA: Per «esaltare» il problema, abbiamo forzato la singola precisione. ISPC – Lezione 3
11/03/24
§ Gli errori di arrotondamento sono generalmente piccoli; tuttavia, se ripetuti all’interno di algoritmi lunghi e complessi,
possono propagarsi (o amplificarsi), generando effetti catastrofici.
§ Ci sono alcuni esempi famosi di disastri dovuti alla propagazione degli errori di arrotondamento.
• Indice della Borsa di Vancouver

Nel gennaio 1982, la Borsa di Vancouver istituì un nuovo indice, cui fu attribuito un valore pari a 1000.
Dopo 22 mesi di variazioni del suo valore di mercato, effettuati arrotondando il valore dell’indice alla terza cifra
decimale, esso era pari a 524.811, ma il suo valore "vero" sarebbe dovuto essere 1098.892.
E’ stato stimato che l’arrotondamento comportasse la perdita di circa 25 punti al mese.
15/28
ISPC – Lezione 3
https://en.wikipedia.org/wiki/Vancouver_Stock_Exchange Introduzione al calcolo numerico
11/03/24
• Razzo Ariane 5
Il 4 giugno 1996, il razzo Ariane 5 dell’ESA (del valore di 500 M$ ed il cui sviluppo
era costato 7 G$) fu lanciato da Kourou (Guiana Francese).

Dopo 37 secondi dal lancio, un errore di progettazione del sistema di guida del
razzo causò la conversione di un dato in virgola mobile a 64 bit relativo alla velocità
orizzontale del razzo in un numero intero a 16 bit.
Siccome il numero era maggiore di 32767, si verificò un un errore di overflow, che
mandò il razzo fuori rotta e lo fece esplodere.
• Sistema di difesa antimissile Patriot

Il sistema, utilizzato dagli USA durante la Guerra del Golfo, impiegava un registro
di valori di tempo con un passo di 1/10 s.
La gestione dei numeri era basata su una rappresentazione binaria a 24 bit.
La rappresentazione binaria di 1/10 ha infinite cifre, dunque era approssimata.
Dopo 100 ore di attività, il sistema aveva accumulato un errore di 0.34 s. Ciò rese
impossibile l’intercettazione di uno SCUD iracheno, che, viaggiando a circa 1700

m/s, percorreva circa mezzo chilometro in 0.3 s.
16/28
ISPC – Lezione 3
https://www-users.cse.umn.edu/~arnold/disasters/disasters.html Introduzione al calcolo numerico
11/03/24
§ Esempio: si vuole calcolare il valore di 𝑒 > tramite l’algoritmo basato sull’espansione in serie di Taylor
𝑥- 𝑥6
>
𝑒 =1+𝑥+ + +⋯
2! 3!
Implementiamo l’algoritmo in MATLAB, lavorando in singola precisione (cfr. Taylor):
x = single(input('Inserire il valore di x: '));

sum = single(1);
term = single(1);
i = single(1);
while (sum + term) ~= sum
term = x^i/factorial(i);
sum = sum + term;
i = i + 1;
end
disp('e^x = ')
disp(sum)
17/28
ISPC – Lezione 3
11/03/24
Eseguiamo al variare di 𝑥:
𝑥 𝑒 > calcolato 𝑒 > “vero”

1 2.718282 2.718281828459046
5 148.41318 148.4131591025766
10 22026.467 22026.46579480671
-1 0.3678794 0.367879441171442
-5 0.0067379 0.006737946999087
-10 4.9762736 x 10-4 4.539992943405057 x 10-5
Per 𝑥 > 0, i risultati numerici sono in accordo con i valori corretti.

Per 𝑥 < 0, si possono ottenere soluzioni non soddisfacenti (per 𝑥 = −10, l’algoritmo “sbaglia” di un ordine di
grandezza).
Sebbene l’algoritmo sia, in linea di principio, corretto, c’è qualcosa che lo rende inutilizzabile nella pratica.
• Per 𝑥 < 0, l’algoritmo è instabile, poiché i piccoli errori introdotti dall’aritmetica numerica si possono amplificare a
causa delle differenze fra termini quasi uguali, con effetti disastrosi sul risultato.
18/28
ISPC – Lezione 3
11/03/24
§ Propagazione degli errori di arrotondamento nell’esecuzione del prodotto per una costante:
𝑦 = 𝑎𝑥
𝜀? ~𝜀>
§ Propagazione degli errori di arrotondamento nell’esecuzione di una differenza:
𝑧=𝑥−𝑦
𝑥 𝑦
𝜀@ ~ 𝜀> + 𝜀
𝑥−𝑦 𝑥−𝑦 ?
19/28
ISPC – Lezione 3
11/03/24
§ Torniamo all’esempio: come si potrebbe ovviare al problema che si è presentato?
• Gli errori sono dovuti alle sottrazioni tra numeri simili. Infatti, se 𝑥 < 0, i termini con potenze pari sono positivi e
quelli con potenze dispari negativi. Per 𝑥 < 0, si potrebbe usare quest’altro algoritmo:
1 1
𝑒 > = !> =
𝑒 (−𝑥)- (−𝑥)6
1 + (−𝑥) + 2! + 3! + ⋯
• Implementiamolo (cfr. Taylor_negative.m) ed eseguiamolo per 𝑥 = −10:
x = single(input('Inserire il valore di x: '));
sum = single(1);
term = single(1);
i = single(1);
while (sum + term) ~= sum
term = (-x)^i/factorial(i);
sum = sum+term;
i = i + 1; >> Taylor_negative
end Inserire il valore di x: -10

disp('e^x = ') e^x =
disp(1/sum) 4.5399927e-05
• Gli errori di arrotondamento, in questo caso, non si amplificano!
• Dato un problema matematico, esiste sempre un algoritmo risolutivo che impedisca la propagazione degli errori di 20/28
ISPC – Lezione 3
arrotondamento à algoritmo stabile. Introduzione al calcolo numerico
11/03/24
Errori di troncamento (1/2)
§ Spesso, i modelli matematici di interesse in ingegneria chimica comprendono operazioni che comportano passaggi al
limite (e.g., derivate).
§ Il computer non è in grado di eseguire operazioni del genere, quindi ricorre a formule approssimate, che introducono
errori di troncamento.
• Tali errori sono assenti nei problemi matematici di dimensione intrinsecamente finita (e.g., sistemi di equazioni
algebriche lineari).
§ Esempio: si vuole determinare numericamente il valore della derivata prima di una funzione 𝑓(𝑥) in un generico punto
𝑥.
Si può usare la formula
𝑓 𝑥 + ℎ − 𝑓(𝑥)
𝑓A 𝑥 ≃
ℎ
che deriva dal troncamento al I ordine dell’espansione in serie della funzione
A
𝑓 AA 𝑥 -
𝑓 𝑥+ℎ =𝑓 𝑥 +𝑓 𝑥 ℎ+ ℎ +⋯
2!
L’errore che si commette impiegando l’espressione approssimata è l’errore di troncamento
𝑓 AA 𝜂 -
𝜀. = ℎ
2 21/28
con 𝑥 < 𝜂 < 𝑥 + ℎ ISPC – Lezione 3
11/03/24
Errori di troncamento (2/2)
§ Abbiamo visto che, approssimando una derivata prima con un rapporto incrementale, si commette un errore di
troncamento.
§ Ovviamente, l’entità dell’errore dipende da ℎ; ci si potrebbe aspettare che, al diminuire di ℎ, l’errore diminuisca.
• Verifichiamolo con un esempio: calcoliamo numericamente il valore della derivata prima di 𝑓 𝑥 = 𝑒 > in 𝑥 = 1, il
cui valore vero è 𝑒(≃ 2.71828) (cfr. der_exp.m):
ℎ 𝑓’(𝑥) num 𝜀!"#
h = single(input('Inserire il valore di h: '));
1 4.67077 1.95
x = single(1); 10$% 2.85884 1.41×10$%
derf = (exp(x + h) - exp(x))/h 10$& 2.73191 1.36×10$&
10$' 2.71988 1.60×10$'
Eseguiamo al variare di ℎ, ottenendo i risultati in tabella 10$( 2.72036 2.07×10$'

10$) 2.71797 3.10×10$(
10$* 2.62261 9.57×10$&
10$+ 4.76837 2.05
10$, 0 2.72
L’errore inizialmente diminuisce, poi comincia a crescere e l’approssimazione diventa sempre peggiore.
L’ultimo dato indica che 𝑓(𝑥) ed 𝑓(𝑥 + ℎ) non sono più distinguibili à errori di arrotondamento.
22/28
ISPC – Lezione 3
11/03/24
Stabilità numerica (1/2)
§ Con il termine “stabilità” vengono designati concetti completamente diversi tra loro. È opportuno distinguere
chiaramente.
• Stabilità di un fenomeno fisico.

－Può convenire definire un problema fisico “ben posto” o “mal posto”.
－Se si desidera trattare numericamente un fenomeno fisico, esso non deve essere “divergente” (e.g., esplosivo).
• L’analisi numerica permette di risolvere solo problemi ben posti.
• Stabilità della modellazione matematica di un fenomeno fisico.
－Alcune formulazioni risentono poco di piccole variazioni nei dati, altre, invece, danno risultati completamente
diversi anche se si fanno piccolissime variazioni nei dati o nella struttura stessa del problema matematico.
－Indipendentemente dagli algoritmi numerici utilizzati, nel primo caso si parlerà di “formulazione ben
condizionata”, nel secondo caso di “formulazione mal condizionata”.
• Stabilità dell’algoritmo che si usa per risolvere numericamente il problema matematico.
－In generale, è possibile utilizzare diversi algoritmi per risolvere numericamente uno stesso problema
matematico.
－Dato un problema matematico ben condizionato, un algoritmo numerico è stabile se riesce ad inibire la
propagazione degli errori di arrotondamento.
－Un algoritmo che può generare un aumento incontrollato degli errori di arrotondamento anche quando è
applicato ad un problema ben condizionato viene detto instabile.
23/28
ISPC – Lezione 3
11/03/24
Stabilità numerica (2/2)
Problema fisico/chimico ben posto (non esplosivo, non caotico, …)
Modellazione Errori di modello (𝑒0 )
Problema matematico ben condizionato
Scelta metodo risolutivo Errori di troncamento (𝑒. )
Algoritmo numerico stabile
Implementazione al calcolatore Errori di arrotondamento (𝑒# )
Risultato numerico
§ Nella gestione di un dato numerico, la somma degli errori di arrotondamento e troncamento costituisce l’errore
computazionale.
𝜀S = 𝜀# + 𝜀.
• Si può ridurre 𝜀# lavorando in doppia precisione. 24/28
ISPC – Lezione 3
• Si può ridurre 𝜀. scegliendo formule approssimate più accurate. Introduzione al calcolo numerico
11/03/24
Costo computazionale (1/4)
§ La risoluzione di un problema al computer viene effettuata attraverso un algoritmo, ossia una sequenza finita di passi
necessari per ottenere un risultato a partire da dati di ingresso.
§ Il costo computazionale di un algoritmo è il numero di operazioni aritmetiche che esso richiede per la sua esecuzione.
§ La velocità di un elaboratore è il numero di operazioni floating-point che la macchina esegue nell’unità di tempo e si
misura in flops (floating-point operations per second).
• Un moderno processore “consumer” ha una potenza di calcolo esprimibile come
4 × # 𝑐𝑜𝑟𝑒 × frequenza di clock
- Ad esempio, un processore quad-core a 4 GHz ha una potenza di calcolo di circa 64 Giga-flops.

- Nel 2019, un supercomputer IBM ha raggiunto 148.6 Peta-flops.
25/28
ISPC – Lezione 3
11/03/24
§ Dato un parametro 𝑑 che quantifica la dimensione di un problema (ad esempio, l’ordine della matrice dei coefficienti di
un sistema lineare), un algoritmo ha complessità
• costante, se richiede un numero di operazioni indipendente da 𝑑,

• lineare, se richiede 𝑂(𝑑) operazioni,
• polinomiale, se richiede 𝑂(𝑑T ) operazioni, con 𝑚 intero positivo,
• esponenziale, se richiede 𝑂(𝑐 U ) operazioni, con 𝑐 intero positivo,
• fattoriale, se richiede 𝑂(𝑑!) operazioni.
§ Esempio
Consideriamo una matrice quadrata 𝑨 di dimensione 𝑛. Vogliamo quantificare il costo computazionale dell’usuale
algoritmo per eseguire il prodotto 𝒓 = 𝑨 ⋅ 𝒗, con 𝒗 ∈ ℝV .
La componente 𝑗-esima del prodotto è 𝑟W = 𝐴W" 𝑣" + 𝐴W- 𝑣- + ⋯ + 𝐴W2 𝑣2 . Per calcolarla, sono richiesti 𝑛 prodotti e 𝑛 −
1 somme.
𝒓 ha 𝑛 componenti, quindi si devono eseguire 𝑛(2𝑛 − 1) operazioni.
Dunque, l’algoritmo richiede 𝑂(𝑛- ) operazioni, pertanto esso ha complessità polinomiale (in particolare, quadratica)
rispetto alla dimensione 𝑛 del problema.
26/28
ISPC – Lezione 3
11/03/24
§ La complessità di un algoritmo è un parametro importante nella scelta della tecnica risolutiva di un problema numerico.
§ Quando l’algoritmo viene codificato in un programma, possono intervenire altri fattori che ne condizionano l’efficacia,
ad esempio l’accesso alle memorie.
§ La valutazione delle prestazioni di un programma può essere effettuata misurandone il tempo di esecuzione (o tempo
di CPU, poiché è il tempo impiegato dall’unità centrale del calcolatore per eseguire il programma).
27/28
ISPC – Lezione 3
11/03/24
§ Esempio
Valutiamo il tempo computazionale necessario ad eseguire il prodotto tra una matrice quadrata ed un vettore al variare
della dimensione della matrice (computer con processore 3.7 GHz Intel Core i5 6 core) (cfr. computational_time.m).
clear all
close all
clc
n = 4000; 10
-3
5
step = 50;
4.5
A = rand(n,n);
v = rand(n); 4
T = [ ];
Tempo computazionale [s]

3.5
sizeA = [ ];
3
for k = 50:step:n
AA = A(1:k,1:k); 2.5
vv = v(1:k)'; 2
tstart = tic;
1.5
b = AA*vv;
tt = toc(tstart); 1
T = [T, tt]; 0.5

sizeA = [sizeA, k];
0
end 0 500 1000 1500 2000 2500 3000 3500 4000
Dimensione della matrice
plot(sizeA,T,'o’)
grid on
28/28
xlabel('Dimensione della matrice','FontSize',14) ISPC – Lezione 3
ylabel('Tempo computazionale [s]','FontSize',14) Introduzione al calcolo numerico
11/03/24

Lezione03 - Introduzione Al Calcolo Numerico

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

Lezione03 - Introduzione Al Calcolo Numerico

Caricato da

Copyright:

Formati disponibili

Lezione 3 – Introduzione al calcolo numerico

• Aritmetica del calcolatore

§ Script allegati: zero.m, Taylor.m, Taylor_negative.m, der_exp.m, computational_time.m

Matematica numerica ≠ Matematica «classica»

• 𝑥) valore approssimato della stessa grandezza.

－Di solito, 𝜀#$% “dice” poco.

－E’, in genere, il modo migliore di valutare l’errore.

• Una sequenza di 8 bit si chiama “byte”.

§ Un computer, ovviamente, dispone di un numero finito di banchi di memoria.

§ Rappresentazione normalizzata dei numeri in virgola mobile (standard IEEE 754):

§ Non bisogna confondere precisione ed accuratezza.

• In MATLAB, 𝜀8 = 2!9- ≃ 2.22×10!": . Per visualizzarne il valore, si può digitare

vengono immagazzinate 7 cifre significative.

§ Per verificare se l’opzione è attiva:

－la commutatività dell’addizione: 𝑓𝑙 𝑥 + 𝑦 = 𝑓𝑙 𝑦 + 𝑥 ∀𝑥, 𝑦 ∈ 𝔽,

§ Violazione dell’unicità dello zero

§ Violazione della proprietà distributiva

maggiore del massimo memorizzabile.

• Indice della Borsa di Vancouver

era costato 7 G$) fu lanciato da Kourou (Guiana Francese).

• Sistema di difesa antimissile Patriot

impossibile l’intercettazione di uno SCUD iracheno, che, viaggiando a circa 1700

x = single(input('Inserire il valore di x: '));

𝑥 𝑒 > calcolato 𝑒 > “vero”

Per 𝑥 > 0, i risultati numerici sono in accordo con i valori corretti.

§ Propagazione degli errori di arrotondamento nell’esecuzione di una differenza:

end Inserire il valore di x: -10

Eseguiamo al variare di ℎ, ottenendo i risultati in tabella 10$( 2.72036 2.07×10$'

• Stabilità di un fenomeno fisico.

Modellazione Errori di modello (𝑒0 )

Problema matematico ben condizionato

Scelta metodo risolutivo Errori di troncamento (𝑒. )

Algoritmo numerico stabile

Implementazione al calcolatore Errori di arrotondamento (𝑒# )

4 × # 𝑐𝑜𝑟𝑒 × frequenza di clock

- Ad esempio, un processore quad-core a 4 GHz ha una potenza di calcolo di circa 64 Giga-flops.

• costante, se richiede un numero di operazioni indipendente da 𝑑,

Tempo computazionale [s]

T = [T, tt]; 0.5

Potrebbero piacerti anche