Equazioni trascendenti: come risolverle con Python, dal punto fisso a Newton e Brent

Cerca nel sito

Altri risultati..

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors

Cerca nelle Categorie

Come risolvere equazioni trascendenti in Python

[math]x = \cos(x)[/math] e altre equazioni che l’algebra elementare non sa risolvere

Ti è mai capitato di guardare un’equazione così pulita e breve da sembrare un gioco da ragazzi, per poi accorgerti che ti sta prendendo in giro?

Prendiamo:

[math]x = \cos(x)[/math]

Nessun polinomio di grado elevato, nessuna radice ennesima, nessuna funzione esponenziale astrusa. Eppure, se proviamo a isolare [math]x[/math] con carta e penna usando gli strumenti dell’algebra elementare — radicali, logaritmi, funzioni trigonometriche e le loro inverse — andiamo a sbattere contro un muro.

Non esiste una rappresentazione chiusa. Non c’è un “trucco” per tirare fuori quella [math]x[/math] dall’argomento del coseno mantenendo un’uguaglianza analitica esatta. Eppure la soluzione esiste, è un numero reale ben preciso, e ha perfino un nome: la costante di Dottie.

Questo articolo esplora il territorio delle equazioni trascendenti. A differenza di equazioni come [math]x e^x = c[/math] (che i matematici hanno “domato” inventando un’etichetta apposita, la funzione W di Lambert), queste equazioni ci costringono a cambiare prospettiva. Si risolvono numericamente. E imparare a costruire questi algoritmi in Python è un rito di passaggio fondamentale per chiunque lavori con simulazioni e modelli computazionali.

1. Il muro dell’algebra: perché alcune equazioni resistono agli strumenti standard

Nel 1837, Pierre Wantzel dimostrò l’impossibilità della duplicazione del cubo e della trisezione dell’angolo con riga e compasso. Nel 1843, Joseph Liouville diede i primi risultati sistematici sull’impossibilità di esprimere certe soluzioni con radicali e funzioni elementari.

La lezione generale è questa: non ogni equazione ammette una soluzione esprimibile con le funzioni che già conosciamo.

Le equazioni trascendenti — quelle in cui l’incognita compare dentro funzioni trascendenti come esponenziali, logaritmi o trigonometriche — appartengono a questa categoria. Alcune, come [math]x e^x = c[/math], sono state “domate” definendo una nuova funzione speciale: la W di Lambert, che è l’inversa della funzione [math]w \mapsto w e^w[/math]. Quindi [math]x e^x = c[/math] si risolve immediatamente come [math]x = W(c)[/math].

Altre equazioni, come [math]x = \cos(x)[/math], non hanno ricevuto questo trattamento. Non perché sia impossibile in linea di principio definire una funzione speciale per ogni equazione trascendente, ma perché la struttura matematica sottostante non ha trovato, finora, un’applicazione così ricorrente e universale da giustificare l’introduzione di una funzione standard catalogata.

La domanda diventa allora: come troviamo la soluzione?

La risposta è l’analisi numerica.

2. Il caso classico: [math]x = \cos(x)[/math] e la costante di Dottie

2.1 Perché non esiste una rappresentazione elementare

L’equazione [math]x = \cos(x)[/math] chiede di trovare un punto fisso della funzione coseno.

Geometricamente, è l’ascissa del punto di intersezione tra la retta [math]y = x[/math] e la curva [math]y = \cos(x)[/math].

Figura 1: L’intersezione tra [math]y = x[/math] e [math]y = \cos(x)[/math] definisce la costante di Dottie [math]D \approx 0.7391[/math].

Se proviamo a risolverla algebricamente, non abbiamo strumenti: non esiste una funzione elementare che, composta con il coseno, restituisca [math]x[/math] isolato. Il problema è che [math]x[/math] compare sia dentro la funzione trascendente sia come termine lineare a sinistra dell’uguale.

2.2 Unicità della soluzione

L’equazione [math]x = \cos(x)[/math] ha un’unica soluzione reale. Lo dimostriamo in modo elegante e rigoroso.

Consideriamo la funzione:

[math]f(x) = x – \cos(x).[/math]

Ogni soluzione dell’equazione [math]x = \cos(x)[/math] è uno zero di [math]f(x)[/math].

Osserviamo innanzitutto che, poiché [math]-1 \le \cos(x) \le 1[/math], ogni soluzione deve soddisfare [math]-1 \le x \le 1[/math]. Quindi ci restringiamo all’intervallo [math][-1, 1][/math].

Su questo intervallo, la derivata è:

[math]f'(x) = 1 + \sin(x).[/math]

Poiché [math]\sin(x) \ge -\sin(1) \approx -0.8415[/math] per [math]x \in [-1, 1][/math], abbiamo:

[math]f'(x) \ge 1 – \sin(1) > 0.[/math]

Dunque [math]f[/math] è strettamente crescente su [math][-1, 1][/math].

Inoltre:

[math]f(0) = 0 – \cos(0) = -1 < 0,[/math]

[math]f(1) = 1 – \cos(1) \approx 0.4597 > 0.[/math]

Per il teorema degli zeri e la monotonia stretta, esiste un unico zero in [math](0, 1)[/math]. Questo numero è la costante di Dottie:

[math]\boxed{D = 0.739085133215161\ldots}[/math]

È un numero trascendente? Non si sa. Ma è un numero reale, ben definito, ed è l’unica soluzione dell’equazione su tutto [math]\mathbb{R}[/math].

2.3 Il metodo del punto fisso

Un’idea naturale è trasformare l’equazione in un processo iterativo:

[math]x_{n+1} = \cos(x_n).[/math]

Partendo da un valore iniziale [math]x_0[/math], generiamo una successione. Se converge, il limite è la soluzione cercata.

Perché funziona?

Per il teorema del punto fisso di Banach: se una funzione [math]g[/math] mappa un intervallo chiuso in sé ed è una contrazione su quell’intervallo — cioè esiste una costante [math]q < 1[/math] tale che [math]|g(x) – g(y)| \le q |x – y|[/math] per ogni [math]x, y[/math] — allora l’iterazione [math]x_{n+1} = g(x_n)[/math] converge all’unico punto fisso per ogni scelta del dato iniziale nell’intervallo.

Nel nostro caso [math]g(x) = \cos(x)[/math]. Sull’intervallo [math][0, 1][/math]:

  • [math]g([0, 1]) = [\cos(1), 1] \subseteq [0, 1][/math], quindi [math]g[/math] mappa [math][0, 1][/math] in sé;
  • [math]|g'(x)| = |-\sin(x)| \le \sin(1) \approx 0.8415 < 1[/math] per ogni [math]x \in [0, 1][/math].

Quindi [math]g[/math] è una contrazione su [math][0, 1][/math] con costante [math]q = \sin(1) < 1[/math]. Il teorema di Banach garantisce:

  • esistenza di un punto fisso;
  • unicità del punto fisso;
  • convergenza dell’iterazione per ogni [math]x_0 \in [0, 1][/math].

2.4 Velocità di convergenza: lineare vs quadratica

La convergenza del punto fisso è lineare: l’errore si riduce di un fattore costante a ogni passo. In particolare, per [math]n[/math] grande:

[math]|x_{n+1} – D| \approx |\sin(D)| \cdot |x_n – D|.[/math]

Poiché [math]\sin(D) \approx 0.6736[/math], l’errore decresce linearmente. Questo significa che il numero di cifre corrette cresce in modo proporzionale al numero di iterazioni: sono necessarie molte iterazioni per ottenere alta precisione.

Figura 2: L’errore [math]|x_n – D|[/math] decresce linearmente in scala semilogaritmica.

A differenza di questo comportamento lineare, il metodo di Newton (che vedremo più avanti) presenta convergenza quadratica: l’errore all’iterazione [math]n+1[/math] è approssimativamente proporzionale al quadrato dell’errore all’iterazione [math]n[/math]. In altre parole, il numero di cifre corrette raddoppia a ogni passo.

Il messaggio fondamentale è: non basta sapere che un algoritmo converge; bisogna sapere quanto velocemente e a quali condizioni.

2.5 Implementazione in Python

import numpy as np

# Riferimento ad alta precisione
D_ref = 0.739085133215161

def punto_fisso_coseno(x0=1.0, tol=1e-12, max_iter=1000):
    x = x0
    for i in range(max_iter):
        x_new = np.cos(x)
        if abs(x_new - x) < tol:  # criterio arresto: variazione tra iterate
            return x_new, i + 1
        x = x_new
    return x, max_iter

D, iterazioni = punto_fisso_coseno()
print(f"Costante di Dottie: {D:.15f}")
print(f"Residuo |D - cos(D)| = {abs(D - np.cos(D)):.2e}")
print(f"Iterazioni (tol=1e-12): {iterazioni}")

Output:

Costante di Dottie:   0.739085133214773
Residuo |D - cos(D)| = 2.22e-16
Iterazioni (tol=1e-12): 69

Il valore ottenuto differisce dal riferimento alla quindicesima cifra a causa del criterio di arresto sulla differenza tra iterate consecutive, non sull’errore assoluto rispetto alla soluzione esatta. Il residuo [math]|D – \cos(D)|[/math] è però dell’ordine della precisione macchina, confermando la correttezza del risultato.

3. Equazione di Kepler: quando l’astronomia incontra l’analisi numerica

3.1 Il problema

L’equazione di Kepler descrive il moto di un pianeta su un’orbita ellittica:

[math]E – e \sin(E) = M.[/math]

Qui [math]E[/math] è l’anomalia eccentrica (l’incognita), [math]e[/math] è l’eccentricità dell’orbita ([math]0 \le e < 1[/math]), e [math]M[/math] è l’anomalia media, proporzionale al tempo trascorso.

Anche questa equazione non ha soluzione chiusa in termini di funzioni elementari. Kepler stesso, nel 1609, ne conosceva l’importanza ma non disponeva degli strumenti per risolverla analiticamente.

3.2 Il metodo di Newton-Raphson

Per equazioni della forma [math]f(E) = 0[/math], il metodo di Newton è spesso la scelta più efficiente:

[math]E_{n+1} = E_n – \frac{f(E_n)}{f'(E_n)}.[/math]

Nel caso di Kepler:

[math]f(E) = E – e \sin(E) – M, \qquad f'(E) = 1 – e \cos(E).[/math]

Ti potrebbe interessare anche:  Maturità 2025: Soluzione Completa Esercizio 1 Funzione a Tratti (Continuità e Derivabilità)

Per [math]0 \le e < 1[/math], la derivata soddisfa:

[math]f'(E) = 1 – e \cos(E) \ge 1 – e > 0.[/math]

Quindi [math]f'(E)[/math] non si annulla: il passo di Newton è ben definito per ogni [math]E[/math].

In prossimità della soluzione, il metodo presenta convergenza quadratica: l’errore all’iterazione successiva è approssimativamente il quadrato dell’errore corrente. Con un’opportuna scelta del valore iniziale, converge rapidamente anche nei casi pratici.

La convergenza quadratica è una proprietà locale: richiede di essere sufficientemente vicini alla soluzione e opportune condizioni di regolarità.

3.3 Implementazione in Python

import numpy as np

def kepler_newton(M, e, tol=1e-14, max_iter=50):
    # Guess iniziale: per e < 0.8, M è ragionevole;
    # per e elevata, π è più robusto
    E = M if e < 0.8 else np.pi
    for i in range(max_iter):
        f = E - e * np.sin(E) - M
        fp = 1 - e * np.cos(E)
        dE = f / fp
        E -= dE
        if abs(dE) < tol:
            return E, i + 1
    return E, max_iter

# Esempio: M = 1.0 rad, e = 0.5
E_sol, it = kepler_newton(1.0, 0.5)
print(f"E = {E_sol:.10f}")
print(f"Verifica: E - e·sin(E) = {E_sol - 0.5*np.sin(E_sol):.10f}")
print(f"Iterazioni (tol=1e-14): {it}")

Output:

E = 1.4987011335
Verifica: E - e·sin(E) = 1.0000000000
Iterazioni (tol=1e-14): 6

In soli 6 passaggi otteniamo una precisione a 14 cifre decimali. La convergenza quadratica rende questo approccio standard in astronomia e ingegneria orbitale.

4. [math]x = \tan(x)[/math]: quando gli asintoti verticali mettono alla prova l’algoritmo

4.1 Contesto fisico: condizioni al contorno miste

In fisica matematica, le equazioni trascendenti più insidiose non nascono sempre da potenziali complicati, ma spesso dalle condizioni al contorno. Consideriamo un problema classico di conduzione del calore in una sbarra omogenea di lunghezza [math]L[/math]: un estremo è mantenuto a temperatura fissa (Dirichlet), mentre l’altro scambia calore con un fluido esterno per convezione (Robin). La separazione delle variabili porta a un problema di Sturm-Liouville le cui autofrequenze soddisfano una condizione di compatibilità che, con una scelta adimensionale naturale dei parametri, assume proprio la forma:

[math]x = \tan(x).[/math]

Lo stesso tipo di equazione emerge nelle vibrazioni di strutture con vincoli elastici, nelle frequenze di risonanza di cavità elettromagnetiche con pareti parzialmente riflettenti, e in molti altri problemi con condizioni al contorno miste.

La lezione è generale: non è l’equazione differenziale interna a generare la trascendenza, ma l’accoppiamento tra due regioni con comportamenti diversi (in questo caso, il dominio interno e l’ambiente esterno) che impone una condizione di raccordo non risolvibile algebricamente.

4.2 Soluzione numerica: il pericolo degli asintoti

La funzione [math]\tan(x)[/math] ha asintoti verticali in:

[math]x = \frac{\pi}{2} + n\pi, \qquad n \in \mathbb{Z}.[/math]

Questi punti dividono il dominio in infiniti intervalli aperti, in ciascuno dei quali [math]\tan(x)[/math] è continua e passa da [math]-\infty[/math] a [math]+\infty[/math]. La retta [math]y = x[/math] interseca ogni ramo esattamente una volta, generando una successione infinita di soluzioni positive e negative.

Le prime due radici positive non banali sono:

[math]x_1 \approx 4.4934094579, \qquad x_2 \approx 7.7252518369.[/math]

Qui il metodo di Newton diventa pericoloso: se il punto iniziale cade anche solo vicino a un asintoto, la derivata della tangente (la secante quadrata) esplode e spedisce l’iterazione successiva verso l’infinito. È il prototipo di funzione “patologica” che richiede un algoritmo robusto, non veloce.

4.3 Implementazione in Python

Il metodo brentq di SciPy è la scelta corretta: combina bisezione, interpolazione lineare e inversa quadratica, ma soprattutto mantiene il bracketing, confinando la ricerca all’interno di un intervallo che non attraversi mai un asintoto.

from scipy.optimize import brentq
import numpy as np

# Primo zero in (π, 3π/2): attenzione a non toccare gli asintoti!
x1 = brentq(lambda x: x - np.tan(x), np.pi + 0.01, 1.5*np.pi - 0.01)
print(f"Primo zero:  {x1:.10f}")
print(f"Verifica: tan(x1) = {np.tan(x1):.10f}")

# Secondo zero in (2π, 5π/2)
x2 = brentq(lambda x: x - np.tan(x), 2*np.pi + 0.01, 2.5*np.pi - 0.01)
print(f"Secondo zero: {x2:.10f}")
print(f"Verifica: tan(x2) = {np.tan(x2):.10f}")

Output:

Primo zero:   4.4934094579
Verifica: tan(x1) = 4.4934094579
Secondo zero: 7.7252518369
Verifica: tan(x2) = 7.7252518369

La chiave ingegneristica non è l’algoritmo in sé, ma la formulazione del problema numerico: prima di chiamare brentq, dobbiamo conoscere la struttura del dominio, individuare gli asintoti e costruire intervalli di bracketing che restino interamente all’interno di un singolo ramo continuo. Nessun algoritmo, per quanto robusto, può rendere continua una funzione discontinua.

5. Lambert W vs. le altre: la differenza fondamentale

A questo punto è naturale chiedersi: perché [math]x e^x = c[/math] ha una “formula” ([math]x = W(c)[/math]) mentre [math]x = \cos(x)[/math] no?

La risposta sta nella struttura di inversione.

Equazione Tipo di soluzione Funzione speciale? Metodo numerico tipico
[math]x e^x = c[/math] Chiusa: [math]x = W(c)[/math] Sì (Lambert W) scipy.special.lambertw
[math]x = \cos(x)[/math] Solo numerica No Punto fisso, Newton
[math]E – e \sin(E) = M[/math] Solo numerica No Newton-Raphson
[math]x = \tan(x)[/math] Solo numerica No Brent, Newton

La funzione W di Lambert è definita come l’inversa della funzione [math]w \mapsto w e^w[/math]. Quindi l’equazione [math]x e^x = c[/math] si risolve immediatamente applicando [math]W[/math] a entrambi i membri: [math]x = W(c)[/math]. Questo è il punto matematico fondamentale.

Per [math]x = \cos(x)[/math] o l’equazione di Kepler, non esiste una funzione speciale standard che realizzi questa inversione in modo universale. Le soluzioni esistono, sono uniche (o discrete), ma si trovano caso per caso con metodi numerici.

6. Toolbox Python per equazioni trascendenti: come scegliere il metodo numerico

Una volta capito che un’equazione trascendente può non avere una soluzione esprimibile attraverso le funzioni elementari, la domanda successiva diventa inevitabilmente:

Quale algoritmo dobbiamo usare per trovare numericamente la soluzione?

La risposta non è semplicemente: quello più veloce.

In analisi numerica, infatti, un algoritmo deve essere valutato considerando contemporaneamente convergenza, robustezza, costo computazionale e informazioni disponibili sul problema.

Un metodo che converge in quattro iterazioni può essere una scelta peggiore di uno che ne richiede quaranta se le sue iterazioni sono molto più costose o se la convergenza dipende fortemente dal valore iniziale.

Viceversa, un metodo leggermente più lento può essere preferibile quando offre una garanzia di convergenza molto più forte.

Consideriamo quindi tre strategie fondamentali:

  • iterazione di punto fisso;
  • bisezione e metodo di Brent;
  • Newton-Raphson.

6.1 Prima domanda: che cosa sappiamo della funzione?

Supponiamo di voler risolvere

[math]f(x) = 0.[/math]

Prima ancora di scegliere l’algoritmo, è utile raccogliere alcune informazioni:

  • conosciamo un intervallo che contiene la soluzione?
  • la funzione è continua nell’intervallo?
  • sappiamo che esiste un cambio di segno?
  • possiamo calcolare facilmente la derivata?
  • abbiamo un buon valore iniziale?
  • la funzione presenta asintoti o altre discontinuità?
  • ci sono più radici?
  • abbiamo bisogno di una garanzia di convergenza oppure possiamo accettare un metodo più aggressivo?

Queste domande sono più importanti della semplice distinzione tra algoritmi “veloci” e “lenti”.

La scelta del metodo è infatti parte della modellazione numerica del problema.

6.2 Punto fisso: semplice, elegante, ma con condizioni precise

Se possiamo riscrivere l’equazione nella forma

[math]x = g(x),[/math]

possiamo costruire l’iterazione

[math]x_{n+1} = g(x_n).[/math]

È esattamente ciò che abbiamo fatto per la costante di Dottie:

[math]x_{n+1} = \cos(x_n).[/math]

Il vantaggio è evidente: l’algoritmo è estremamente semplice.

Ma c’è una precisazione fondamentale.

Non tutte le iterazioni di punto fisso convergono.

Per ottenere una garanzia semplice, possiamo cercare un intervallo chiuso [math]I[/math] tale che:

[math]g(I) \subseteq I[/math]

e

[math]|g'(x)| \le q < 1[/math]

per ogni [math]x \in I[/math].

In questo caso [math]g[/math] è una contrazione e il teorema del punto fisso di Banach garantisce l’esistenza e l’unicità del punto fisso e la convergenza dell’iterazione per ogni punto iniziale appartenente a [math]I[/math].

Per [math]g(x) = \cos x[/math], sull’intervallo [math][0, 1][/math] abbiamo:

[math]|\cos'(x)| = |\sin x| \le \sin(1) < 1.[/math]

Per questo il metodo funziona così bene nel nostro primo esempio.

Il suo principale svantaggio è però la convergenza lineare: l’errore diminuisce progressivamente, ma non particolarmente velocemente.

Ti potrebbe interessare anche:  Python: esercizio. Determinare se un numero è perfetto.

6.3 Bisezione: la robustezza prima della velocità

Supponiamo invece di conoscere un intervallo [math][a, b][/math] nel quale [math]f[/math] sia continua e tale che:

[math]f(a)f(b) < 0.[/math]

Per il teorema degli zeri, esiste almeno una radice nell’intervallo.

La bisezione sfrutta direttamente questa informazione.

A ogni iterazione calcoliamo il punto medio:

[math]m = \frac{a + b}{2}.[/math]

Se [math]f(a)f(m) < 0[/math], la radice rimane nell’intervallo [math][a, m][/math]; altrimenti, se [math]f(m)f(b) < 0[/math], rimane in [math][m, b][/math].

L’intervallo viene quindi dimezzato a ogni passo.

Il metodo è lento rispetto a Newton, ma ha un vantaggio fondamentale:

se le ipotesi sono rispettate, la convergenza è garantita.

Dopo [math]n[/math] iterazioni, la lunghezza dell’intervallo è:

[math]\frac{b – a}{2^n}.[/math]

Possiamo quindi controllare direttamente quanto è piccolo l’intervallo nel quale si trova la radice.

La bisezione non richiede la derivata e non richiede nemmeno un valore iniziale particolarmente vicino alla soluzione: ci basta un intervallo valido che la racchiuda.

6.4 Brent: la robustezza della bisezione con accelerazioni intelligenti

La bisezione è molto robusta, ma può essere relativamente lenta.

Il metodo di Brent cerca di ottenere il meglio dei due mondi.

L’idea è combinare il principio di bracketing della bisezione con tecniche di interpolazione più rapide, utilizzando in particolare interpolazione lineare e interpolazione quadratica inversa.

In Python, SciPy mette a disposizione questa strategia attraverso:

from scipy.optimize import brentq

e una chiamata del tipo:

root = brentq(f, a, b)

Ma c’è una condizione fondamentale che spesso viene persa nella divulgazione:

Brent non è un metodo che “gestisce le discontinuità”.

Come la bisezione, il metodo richiede che la funzione sia continua nell’intervallo considerato e che gli estremi costituiscano un intervallo di bracketing:

[math]f(a)f(b) < 0.[/math]

La robustezza di Brent deriva proprio dal fatto che mantiene il controllo dell’intervallo che racchiude la radice.

Questo diventa particolarmente importante quando la funzione presenta asintoti.

6.5 Gli asintoti: il problema non è Brent, è l’intervallo

Consideriamo nuovamente:

[math]f(x) = x – \tan(x).[/math]

La tangente presenta asintoti verticali nei punti:

[math]x = \frac{\pi}{2} + k\pi.[/math]

Questi punti dividono il dominio in intervalli nei quali la funzione è continua.

Se vogliamo usare brentq, dobbiamo quindi scegliere un intervallo che rimanga interamente all’interno di uno stesso ramo continuo della funzione.

Per esempio, per la prima radice positiva non banale possiamo usare:

[math]\left(\pi, \frac{3\pi}{2}\right).[/math]

In questo intervallo [math]x – \tan(x)[/math] è continua e cambia segno, quindi possiamo applicare Brent.

Non sarebbe invece corretto scegliere un intervallo che attraversasse un asintoto della tangente.

Questo è un principio generale:

un algoritmo di bracketing non rende continua una funzione discontinua.

Prima di applicarlo dobbiamo conoscere la struttura del dominio e costruire correttamente l’intervallo di ricerca.

È una distinzione fondamentale fra robustezza dell’algoritmo e correttezza della formulazione del problema numerico.

6.6 Newton-Raphson: molto veloce, ma meno protetto

Il metodo di Newton parte da un’approssimazione [math]x_n[/math] e utilizza la tangente al grafico della funzione:

[math]x_{n+1} = x_n – \frac{f(x_n)}{f'(x_n)}.[/math]

Geometricamente, a ogni passo sostituiamo localmente la funzione con la sua approssimazione lineare.

Quando siamo sufficientemente vicini a una radice semplice e la funzione è sufficientemente regolare, Newton presenta convergenza quadratica:

[math]|e_{n+1}| \approx C |e_n|^2.[/math]

Questo significa che, nella fase asintotica della convergenza, il numero di cifre corrette può crescere molto rapidamente.

È il motivo per cui Newton può passare, in pochissime iterazioni, da una buona approssimazione a una soluzione estremamente precisa.

Ma c’è una distinzione fondamentale:

la convergenza quadratica è una proprietà locale, non una garanzia globale.

Se il valore iniziale è scelto male, Newton può:

  • convergere verso una radice diversa;
  • allontanarsi dalla soluzione;
  • oscillare;
  • produrre passi molto grandi;
  • incontrare un punto nel quale [math]f'(x)[/math] è nullo o molto piccolo.

Per questo Newton è estremamente efficace quando possediamo una buona informazione iniziale, ma non è automaticamente il metodo più sicuro.

6.7 Confrontiamo i tre metodi su [math]x – \cos(x) = 0[/math]

Consideriamo nuovamente:

[math]f(x) = x – \cos(x).[/math]

La soluzione è:

[math]D \approx 0.739085133215161.[/math]

Possiamo confrontare tre strategie.

Metodo Informazione richiesta Convergenza Robustezza Velocità tipica
Punto fisso Forma [math]x = g(x)[/math] e condizioni di contrazione Lineare Buona quando le condizioni sono verificate Bassa
Bisezione Intervallo continuo con cambio di segno Lineare Molto alta Bassa
Brent Intervallo continuo con cambio di segno Superlineare nella pratica Molto alta Alta
Newton Derivata + valore iniziale Quadratica localmente Dipendente dal punto iniziale Molto alta

Per una tolleranza dell’ordine di [math]10^{-14}[/math], un confronto tipico mostra una differenza molto evidente nel numero di iterazioni:

  • il punto fisso richiede diverse decine di passi;
  • la bisezione ne richiede anch’essa diverse decine;
  • Newton arriva alla precisione richiesta in pochissimi passi;
  • Brent mantiene la robustezza del bracketing, ma può essere molto più rapido della bisezione.

Il numero esatto di iterazioni, tuttavia, dipende dalla versione della libreria, dai criteri di arresto e dal valore iniziale utilizzato.

Per questo non bisogna interpretare una tabella di iterazioni come una misura universale delle prestazioni.

6.8 Iterazioni e costo computazionale non sono la stessa cosa

Questo punto è importante.

Supponiamo che Newton richieda 4 iterazioni e la bisezione 50.

Non possiamo concludere automaticamente che Newton sia “12,5 volte più veloce”.

Ogni iterazione può avere un costo diverso.

Nel caso di Newton dobbiamo valutare:

[math]f(x_n)[/math]

e

[math]f'(x_n).[/math]

Nel punto fisso dobbiamo valutare soltanto [math]g(x_n)[/math].

La bisezione richiede invece valutazioni della funzione nei punti necessari per mantenere il bracketing.

In problemi più complessi, inoltre, il calcolo della derivata può essere molto costoso.

La vera domanda non è quindi:

Quante iterazioni servono?

ma:

Quanto costa ottenere una soluzione della precisione richiesta mantenendo un comportamento numericamente affidabile?

6.9 Il criterio di arresto: quando possiamo dire “abbiamo trovato la soluzione”?

Un algoritmo iterativo non produce normalmente una soluzione esatta.

Produce una successione:

[math]x_0, x_1, x_2, \ldots[/math]

e dobbiamo decidere quando fermarci.

Un criterio semplice è controllare la variazione tra due iterate:

[math]|x_{n+1} – x_n| < \varepsilon.[/math]

Ma questo criterio da solo non garantisce sempre che:

[math]|f(x_n)|[/math]

sia piccolo.

Per questo è spesso utile controllare anche il residuo:

[math]r_n = |f(x_n)|.[/math]

Nel nostro problema:

[math]r_n = |x_n – \cos(x_n)|.[/math]

La distinzione è importante.

L’errore

[math]|x_n – x^*|[/math]

misura la distanza dalla vera soluzione [math]x^*[/math], ma normalmente non possiamo calcolarlo perché [math]x^*[/math] è proprio ciò che stiamo cercando.

Il residuo

[math]|f(x_n)|[/math]

è invece direttamente calcolabile.

Per questo, in un algoritmo numerico serio, non dovremmo limitarci a dire:

“le iterate non cambiano più.”

Dovremmo anche verificare che la soluzione approssimata soddisfi effettivamente l’equazione con il livello di accuratezza desiderato.

6.10 Una possibile strategia pratica

Possiamo riassumere la scelta del metodo con una sequenza di domande.

1. Posso trovare un intervallo continuo che racchiude la radice?

Se sì, ho a disposizione un metodo di bracketing come bisezione o Brent.

2. Posso calcolare facilmente la derivata e ho un buon valore iniziale?

Se sì, Newton può essere estremamente efficiente.

3. L’equazione ha naturalmente la forma [math]x = g(x)[/math]?

Posso valutare un’iterazione di punto fisso, ma devo verificare le condizioni che ne garantiscono la convergenza.

4. La funzione presenta asintoti o discontinuità?

Devo prima suddividere il dominio in regioni di continuità e scegliere intervalli che non attraversino le discontinuità.

5. Come verifico il risultato?

Controllo sia il criterio di arresto sia il residuo.

Ti potrebbe interessare anche:  Conversione tra basi numeriche: 6 esercizi pratici

Questa è la mentalità corretta della matematica computazionale: non scegliere l’algoritmo prima di aver analizzato il problema.

6.11 Implementazione comparativa in Python

Possiamo ora confrontare i metodi direttamente.

import numpy as np
from scipy.optimize import fixed_point, newton, bisect, brentq

f = lambda x: x - np.cos(x)
g = lambda x: np.cos(x)
fp = lambda x: 1 + np.sin(x)

# Punto fisso
x_fp = fixed_point(g, 1.0, xtol=1e-14)

# Bisezione
x_bi = bisect(f, 0, 1, xtol=1e-14)

# Brent
x_br = brentq(f, 0, 1, xtol=1e-14)

# Newton
x_nw = newton(f, 1.0, fprime=fp, tol=1e-14)

soluzioni = {
    "Punto fisso": x_fp,
    "Bisezione": x_bi,
    "Brent": x_br,
    "Newton": x_nw
}

for metodo, x in soluzioni.items():
    residuo = abs(f(x))
    print(f"{metodo:15s}: x = {x:.15f}, residuo = {residuo:.2e}")

Un risultato tipico sarà dell’ordine di:

Punto fisso    : x = 0.739085133215161, residuo ≈ 10^-15
Bisezione      : x = 0.739085133215161, residuo ≈ 10^-15
Brent          : x = 0.739085133215161, residuo ≈ 10^-15
Newton         : x = 0.739085133215161, residuo ≈ 10^-16

Il punto interessante non è che tutti restituiscano praticamente lo stesso numero.

È proprio questo il risultato che ci aspettiamo.

La differenza fra gli algoritmi sta soprattutto nel modo in cui raggiungono quella soluzione e nelle condizioni necessarie per farlo.

6.12 Quale metodo scegliere?

Possiamo quindi costruire una regola pratica.

  • Punto fisso: ottimo per capire la teoria dei punti fissi e il teorema di Banach; semplice, trasparente, ma generalmente lento.
  • Bisezione: scelta eccellente quando la priorità è la robustezza e disponiamo di un intervallo continuo con cambio di segno.
  • Brent: spesso la scelta migliore quando abbiamo un intervallo di bracketing valido e vogliamo combinare robustezza e velocità senza calcolare la derivata.
  • Newton-Raphson: eccellente quando abbiamo una buona approssimazione iniziale e una derivata facilmente disponibile; molto veloce, ma meno protetto contro una scelta iniziale sfavorevole.

E soprattutto:

Brent non elimina i problemi della funzione: li rende gestibili solo quando abbiamo formulato correttamente il problema di bracketing.

Se la funzione presenta un asintoto, dobbiamo individuarlo prima.

Se la funzione è discontinua nell’intervallo, non possiamo applicare automaticamente il teorema degli zeri.

Se ci sono più radici, dobbiamo capire quale intervallo contiene quella che ci interessa.

La robustezza numerica nasce quindi dall’unione di due elementi:

[math]\boxed{\text{buon algoritmo} + \text{buona analisi del problema}}[/math]

Ed è proprio questa una delle lezioni più importanti dell’analisi numerica.

7. Conclusione

L’equazione [math]x = \cos(x)[/math] ci insegna qualcosa di profondo sulla matematica applicata: non avere una rappresentazione in termini di funzioni elementari o speciali standard non significa non avere una soluzione.

La costante di Dottie, l’anomalia eccentrica di Kepler, gli autovalori della buca quantistica: sono tutti numeri perfettamente definiti, calcolabili con precisione arbitraria, e fondamentali per la scienza. Ciò che li accomuna è la necessità di abbandonare la ricerca di una manipolazione algebrica e abbracciare l’analisi numerica.

A differenza di [math]x e^x = c[/math], che ha trovato in Lambert W una sua “funzione speciale” perché [math]W[/math] è definita proprio come l’inversa di [math]w \mapsto w e^w[/math], queste equazioni rimangono nel dominio del calcolo approssimato. E questo non è un fallimento: è il riconoscimento che la matematica ha molteplici registri. Quello simbolico è meraviglioso, ma quello numerico è altrettanto rigoroso, e spesso l’unico praticamente disponibile.


Il punto di vista applicativo: 

Questa selezione di esercizi non è casuale ed è didatticamente preziosa perché mostra l’evoluzione della scelta algoritmica in base alla topologia del problema:

1. [math]x = \cos(x)[/math] – Il prototipo per il teorema di Banach

L’esercizio su [math]x = \cos(x)[/math] è il prototipo accademico perfetto per il Teorema di Banach. La sua peculiarità è che la funzione stessa fa da iteratore.

Dal punto di vista applicativo, però, ci insegna che “convergenza” non significa “efficienza”: un tasso di convergenza lineare impiega 69 iterazioni per un calcolo banale. Serve a mostrare il limite dell’approccio più ovvio.

2. Equazione di Keplero – La potenza del metodo di Newton

L’equazione di Keplero è dove le cose si fanno serie. In meccanica orbitale, questi calcoli vengono eseguiti milioni di volte al secondo per simulare traiettorie.

La peculiarità qui è l’uso del metodo di Newton: potendo calcolare la derivata a costo irrisorio (basta un coseno), otteniamo una convergenza quadratica devastante (6 iterazioni). È l’esercizio applicativo per eccellenza per dimostrare la potenza dell’inversa Jacobiana scalare.

3. [math]x = \tan(x)[/math] – L’incubo degli asintoti

L’esercizio su [math]x = \tan(x)[/math] introduce il vero incubo computazionale: gli asintoti.

Dal punto di vista applicativo, provare a usare il metodo di Newton qui è un suicidio: se il punto iniziale finisce vicino a [math]\frac{\pi}{2}[/math], la tangente spara la stima successiva verso l’infinito.

Ecco perché il passaggio a brentq (che confina la ricerca e non usa derivate) è un tocco di classe ingegneristica per funzioni patologiche.


Specchietto riassuntivo — Come affrontare un’equazione trascendente

Passo Azione
1. Riconosci L’incognita è intrappolata dentro una funzione trascendente? Non isolabile con funzioni elementari?
2. Verifica Esiste una funzione speciale standard che la risolve (es. Lambert W per [math]x e^x = c[/math])? Se sì, usala.
3. Riformula Scrivi come [math]f(x) = 0[/math] o come problema di punto fisso [math]x = g(x)[/math].
4. Scegli il metodo Punto fisso (semplice, lento, richiede contrazione), Bisezione/Brent (robusto, richiede cambio segno), Newton (veloce, richiede derivata e buon guess).
5. Implementa Usa SciPy (brentq, newton, fixed_point) o scrivi l’iterazione custom.
6. Verifica Controlla il residuo [math]f(x^*)[/math] e la stabilità della soluzione.

In sintesi

In fondo, la matematica assomiglia molto alla vita: non tutti i problemi si risolvono con una formula chiusa ed elegante. Certe volte, ostinarsi a cercare la soluzione perfetta sulla carta ci blocca.

L’analisi numerica ci insegna un approccio diverso, infinitamente più pragmatico: fare un passo alla volta, calibrare il tiro sfruttando le informazioni del passo precedente, e avvicinarsi alla meta finché l’errore non è così minuscolo da non avere più alcuna importanza pratica. Quando l’algebra getta la spugna, avere un algoritmo in Python che fa il lavoro sporco per noi è una conquista su cui possiamo fondare l’ingegneria moderna.

📚 Analisi Numerica, Equazioni Trascendenti e Metodi Iterativi

Quando un’equazione non ammette una soluzione esprimibile con le tecniche elementari, entrano in gioco analisi matematica, teoremi di esistenza e metodi numerici. Questi approfondimenti collegano continuità, limiti e teorema degli zeri alla funzione W di Lambert e ai principali algoritmi iterativi per la ricerca degli zeri, mostrando anche come implementarli in Python.

👉Analisi matematica applicata: continuità, limiti e teorema degli zeri in 3 esercizi svolti

👉La funzione W di Lambert: quando la matematica deve inventare una nuova funzione

👉Come risolvere equazioni trascendenti impossibili: guida alla funzione di Lambert

👉Metodo di Newton-Raphson in Python: teoria, esempi pratici e risoluzione dei cicli infiniti

👉Guida pratica ai metodi iterativi: bisezione e Newton-Raphson con esercizi applicati

👉La libreria SciPy: strumenti e metodi per il calcolo scientifico in Python

(34)

PubblicitàPubblicità