Politecnico di Milano

Scuola di Ingegneria Industriale e dell’Informazione

Corso di studi in Ingegneria Meccanica

Appunti del corso di

Metodi analitici e numerici
-

Anno Accademico 2018/2019

Indice

I Metodi numerici 1

1 Risoluzione di sistemi lineari 2

1.1 Metodi diretti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Risoluzione di sistemi diagonali . . . . . . . . . . . . . . . . 4
1.1.2 Risoluzione di sistemi triangolari . . . . . . . . . . . . . . . 5
1.1.3 Fattorizzazione LU e metodo di eliminazione di Gauss . . . . 6
1.1.4 Algoritmo di Thomas . . . . . . . . . . . . . . . . . . . . . . 12
1.1.5 Fattorizzazione di Cholesky . . . . . . . . . . . . . . . . . . 13
1.1.6 Accuratezza della soluzione con metodi diretti . . . . . . . . 13
1.2 Metodi iterativi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.1 Metodo di Jacobi . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.2 Metodo di Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 20
1.2.3 Metodo del gradiente . . . . . . . . . . . . . . . . . . . . . . 21
1.2.4 Metodo del gradiente coniugato . . . . . . . . . . . . . . . . 25
1.2.5 Criteri di arresto per metodi iterativi . . . . . . . . . . . . . 30

2 Equazioni non lineari 32

2.1 Metodo di bisezione . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Metodo di Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2.1 Metodo di Newton semplice . . . . . . . . . . . . . . . . . . 36
2.2.2 Metodo di Newton modificato . . . . . . . . . . . . . . . . . 37
2.3 Risoluzione di sistemi non lineari . . . . . . . . . . . . . . . . . . . 39
2.4 Iterazioni di punto fisso . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4.1 Metodo di punto fisso per funzioni vettoriali . . . . . . . . . 43

I
 2.4.2 Metodo di Newton come iterazione di punto fisso . . . . . . 44
2.5 Criteri di arresto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3 Approssimazioni di funzioni e dati 46

3.1 Interpolazione polinomiale . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.1 Interpolazione polinomiale di Lagrange . . . . . . . . . . . . 49
3.1.2 Interpolazione polinomiale composita . . . . . . . . . . . . . 58
3.1.3 Interpolazione spline . . . . . . . . . . . . . . . . . . . . . . 61
3.2 Metodo dei minimi quadrati . . . . . . . . . . . . . . . . . . . . . . 62

4 Integrazione e derivazione numerica 67

4.1 Integrazione numerica . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.1.1 Formula del punto medio . . . . . . . . . . . . . . . . . . . . 69
4.1.2 Formula dei trapezi . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.3 Formula di Cavalieri-Simpson . . . . . . . . . . . . . . . . . 73
4.1.4 Formule interpolanti . . . . . . . . . . . . . . . . . . . . . . 74
4.1.5 Formule di quadratura gaussiane . . . . . . . . . . . . . . . 76
4.2 Derivazione numerica . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.1 Calcolo della derivata prima . . . . . . . . . . . . . . . . . . 79
4.2.2 Calcolo della derivata seconda . . . . . . . . . . . . . . . . . 81

5 Equazioni differenziali ordinarie 84

5.1 Problemi di Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.1.1 Problema modello . . . . . . . . . . . . . . . . . . . . . . . . 86
5.1.2 Soluzione all’equilibrio . . . . . . . . . . . . . . . . . . . . . 87
5.1.3 Esistenza e unicità soluzione del problema di Cauchy . . . . 89
5.1.4 Stabilità del problema di Cauchy . . . . . . . . . . . . . . . 91
5.2 Sistemi di equazioni differenziali . . . . . . . . . . . . . . . . . . . . 93
5.2.1 Equazioni differenziali ordinarie di ordine n . . . . . . . . . 94
5.2.2 Sistemi di equazioni differenziali vettoriali di ordine n . . . . 96
5.3 Metodi numerici per la risoluzione di ODE. . . . . . . . . . . . . . . 97
5.3.1 Risoluzione numerica dei problemi di primo ordine . . . . . . 97
5.3.2 Analisi degli errori e della stabilità . . . . . . . . . . . . . . 101
5.3.3 Metodi di Runge-Kutta . . . . . . . . . . . . . . . . . . . . . 110

II
 5.3.4 Theta-Metodi . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.3.5 Risoluzione di sitemi differenziali ordinari . . . . . . . . . . . 115
5.3.6 Risoluzione numerica di problemi del secondo ordine . . . . 116

II Equazioni alle derivate parziali 120

6 Introduzione 121
6.1 Equazioni alle derivate parziali . . . . . . . . . . . . . . . . . . . . . 121
6.2 Condizioni al contorno . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.3 Serie di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

7 Problemi di diffusione 127

7.1 L’equazione di diffusione . . . . . . . . . . . . . . . . . . . . . . . . 127
7.2 L’equazione del calore . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.3 Problemi ben posti . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.4 Unicità della soluzione . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.4.1 Problema monodimensionale . . . . . . . . . . . . . . . . . . 132
7.4.2 Problema multidimensionale . . . . . . . . . . . . . . . . . . 135
7.5 Esistenza della soluzione . . . . . . . . . . . . . . . . . . . . . . . . 137
7.5.1 Problema di Cauchy-Dirichlet . . . . . . . . . . . . . . . . . 139
7.5.2 Problema di Cauchy-Neumann . . . . . . . . . . . . . . . . . 149
7.5.3 Principio del massimo e stabilità . . . . . . . . . . . . . . . 157
7.6 Problema di diffusione reazione e trasporto . . . . . . . . . . . . . . 160

8 Problema di Laplace 163

8.1 Unicità della soluzione . . . . . . . . . . . . . . . . . . . . . . . . . 164
8.2 Esistenza della soluzione . . . . . . . . . . . . . . . . . . . . . . . . 168
8.2.1 Dominio rettangolare . . . . . . . . . . . . . . . . . . . . . . 168
8.2.2 Dominio circolare . . . . . . . . . . . . . . . . . . . . . . . . 174
8.3 Proprietà funzioni armoniche . . . . . . . . . . . . . . . . . . . . . . 181
8.3.1 Teorema della media . . . . . . . . . . . . . . . . . . . . . . 182
8.3.2 Principio del massimo . . . . . . . . . . . . . . . . . . . . . 183

III
III Problemi in forma debole 185

9 Introduzione alla forma debole 186

10 Elementi di analisi funzionale 189

10.1 Spazi di Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
10.2 Funzionali e forme . . . . . . . . . . . . . . . . . . . . . . . . . . . 199

11 Problemi variazionali astratti 201

11.1 Problemi di Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
11.1.1 Problema di Poisson-Dirichlet . . . . . . . . . . . . . . . . . 204
11.1.2 Problema di Poisson-Neumann . . . . . . . . . . . . . . . . . 208

12 Metodo di Galërkin e approssimazione ad elementi finiti 211

12.1 Metodo di Galërkin . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
12.1.1 Analisi metodo di Galërkin . . . . . . . . . . . . . . . . . . . 214
12.2 Metodo degli elementi finiti monodimensionale . . . . . . . . . . . . 218
12.2.1 Elementi finiti lineari . . . . . . . . . . . . . . . . . . . . . . 219
12.2.2 Elementi finiti quadratici . . . . . . . . . . . . . . . . . . . . 223
12.3 Elementi finiti per il problema di Poisson . . . . . . . . . . . . . . . 225
12.3.1 Problema di Poisson-Dirichlet . . . . . . . . . . . . . . . . . 225
12.3.2 Problema di Poisson-Dirichlet-Robin . . . . . . . . . . . . . 231
12.4 Elementi finiti per il problema di diffusione reazione e trasporto
stazionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
12.4.1 Coefficienti costanti . . . . . . . . . . . . . . . . . . . . . . . 234
12.4.2 Coefficienti non costanti . . . . . . . . . . . . . . . . . . . . 239
12.5 Elementi finiti per un problema di diffusione . . . . . . . . . . . . . 241
12.6 Stima degli errori . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

IV Trasformate integrali 246

13 Trasformata di Fourier 247

13.1 Integrale di Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
13.2 Proprietà trasformata di Fourier . . . . . . . . . . . . . . . . . . . . 253

IV
 13.3 Problemi differenziali . . . . . . . . . . . . . . . . . . . . . . . . . . 257
13.3.1 Equazione di Laplace nel semipiano . . . . . . . . . . . . . . 257
13.3.2 Problema di diffusione . . . . . . . . . . . . . . . . . . . . . 259

14 Trasformata di Laplace 262

14.1 Proprietà trasformata di Laplace . . . . . . . . . . . . . . . . . . . 263
14.2 Trasformata di Laplace per ODE . . . . . . . . . . . . . . . . . . . 268

A Codici di MATLAB® 271

A.1 Risoluzione di sistemi lineari . . . . . . . . . . . . . . . . . . . . . . 271
A.2 Equazioni non lineari . . . . . . . . . . . . . . . . . . . . . . . . . . 276
A.3 Integrazione numerica . . . . . . . . . . . . . . . . . . . . . . . . . 279
A.4 Risoluzione numerica di ODE . . . . . . . . . . . . . . . . . . . . . 281

V
Elenco delle figure

2.1 Errori metodo bisezione . . . . . . . . . . . . . . . . . . . . . . . . 35

2.2 Esempio di punto fisso . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.1 Polinomio di Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.2 Interpolazione funzione di Runge . . . . . . . . . . . . . . . . . . . 56
3.3 Interpolazione lineare composita . . . . . . . . . . . . . . . . . . . . 60
3.4 Interpolazione tramite metodo dei minimi quadrati . . . . . . . . . 63

4.1 Polinomi di Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.1 Aree di assoluta stabilità . . . . . . . . . . . . . . . . . . . . . . . . 111

12.1 Base a elementi finiti lineari . . . . . . . . . . . . . . . . . . . . . . 221

12.2 Mappatura per elementi finiti lineari . . . . . . . . . . . . . . . . . 223
12.3 Base a elementi finiti quadratici . . . . . . . . . . . . . . . . . . . . 224
12.4 Base lineare per problema Posson-Dirichlet . . . . . . . . . . . . . . 226
12.5 Derivata elementi finiti lineari . . . . . . . . . . . . . . . . . . . . . 228
12.6 Base quadratica per problema Posson-Dirichlet . . . . . . . . . . . . 230
12.7 Base per problema Posson-Dirichlet-Robin . . . . . . . . . . . . . . 233
12.8 Base per problema di diffusione reazione e trasporto stazionario . . 236
12.9 Elementi finiti per la matrice B . . . . . . . . . . . . . . . . . . . . 238

13.1 Funzione indicatrice e relativo spettro continuo . . . . . . . . . . . 251

13.2 Esempio trasformata di Fourier . . . . . . . . . . . . . . . . . . . . 253

14.1 trasformata di Laplace di una costante . . . . . . . . . . . . . . . . 264

14.2 Trasformata di Laplace dell’esponenziale . . . . . . . . . . . . . . . 264

VI
14.3 Schema risoluzione ODE tramite trasformata di Laplace . . . . . . 269

VII
Elenco delle tabelle

1 Tipologie di convergenza . . . . . . . . . . . . . . . . . . . . . . . . XIII

2 Formati numerici di MATLAB® . . . . . . . . . . . . . . . . . . . . XV

1.1 Stime errori sistemi lineari . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Tipologie di interpolazioni composite . . . . . . . . . . . . . . . . . 60

4.1 Pesi e nodi di quadratura per la formula di Simpson . . . . . . . . . 75

4.2 Polinomi di Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3 Nodi e pesi per la formula di quadratura di Gauss-Legendre . . . . 78

5.1 Errori metodi per la risoluzione di ODE. . . . . . . . . . . . . . . . 104

5.2 Funzioni di stabilità . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

8.1 Misure di intorni sferici . . . . . . . . . . . . . . . . . . . . . . . . . 183

13.1 Trasformate di Fourier notevoli . . . . . . . . . . . . . . . . . . . . 255

14.1 Trasformate di Laplace notevoli . . . . . . . . . . . . . . . . . . . . 266

VIII
Elenco dei codici MATLAB®

A.1 Algoritmo della sostituzione in avanti per le matrici triangoli inferiori.271

A.2 Algoritmo della sostituzione all’indietro per le matrici triangoli su-
periori. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
A.3 Metodo del gradiente. . . . . . . . . . . . . . . . . . . . . . . . . . . 273
A.4 Metodo del gradiente coniugato. . . . . . . . . . . . . . . . . . . . . 275
A.5 Metodo di newton semplice. . . . . . . . . . . . . . . . . . . . . . . 276
A.6 Metodo di newton modificato. . . . . . . . . . . . . . . . . . . . . . 277
A.7 Metodo di newton per sistemi di equazioni non lineari. . . . . . . . 278
A.8 Formula del punto medio composita. . . . . . . . . . . . . . . . . . 279
A.9 Formula dei trapezi composita. . . . . . . . . . . . . . . . . . . . . 280
A.10 Formula di Cavalieri-Simpson composita. . . . . . . . . . . . . . . . 280
A.11 Metodo di Eulero avanti. . . . . . . . . . . . . . . . . . . . . . . . . 281
A.12 Metodo di Eulero indietro. . . . . . . . . . . . . . . . . . . . . . . . 282
A.13 Metodo di Crank Nicolson. . . . . . . . . . . . . . . . . . . . . . . . 282

IX
X
Introduzione

Al giorno d’oggi ci sono moltissimi problemi di interesse scientifico che vengono

risolti tramite l’ausilio di calcolatori, perché troppo difficili da risolvere a mano
oppure perché non esiste una soluzione analitica al quesito posto.
In generale, un problema scientifico viene risolto applicando un metodo siste-
matico che permette di analizzare un particolare fenomeno fisico, capirne le cause
e prevede il suo comportamento. Tale tecnica, chiamata metodo scientifico, è
strutturata nel modo seguente:

Problema fisico Osservazione del fenomeno in natura, ipotesi sulle sue cause e
determinazione dei parametri che sono in grado di influenzarne il comporta-
mento.

Problema matematico Al fine di risolvere il problema fisico viene introdotto un

modello matematico, tramite il quale vengono messe in correlazione le cause
con gli effetti.

Problema numerico Molto spesso il problema matematico è troppo complesso

da risolvere, pertanto viene introdotto un modello numerico di supporto che
il calcolatore è in grado di risolvere.

Il risultato di questo lavoro è una soluzione affetta da più o meno grandi appros-
simazioni, che derivano in parte dalle semplificazioni apportate ai modelli mate-
matici e numerici e in parte dai processi calcolo. Al netto di queste considerazioni,
la soluzione trovata ha una grande validità in campo scientifico e ingegneristico;
per questo motivo negli ultimi anni le tecniche di calcolo numerico sono divenute
sempre più fondamentali e tuttora rappresentano molto spesso l’unica soluzione
disponibile alla risoluzione di problemi molto complessi.

XI
Problemi ben posti
Prima di iniziare ad analizzare le procedure numeriche è bene introdurre alcune
terminologie utili a classificare i metodi.
Definizione 1 (Problema ben posto). Un problema numerico si dice ben posto, se
esiste una sola soluzione che dipende con continuità dai dati.
Tale proprietà garantisce che a fronte di una piccola variazione dei dati in in-
gresso non si abbiano delle divergenze incontrollate della soluzione numerica, ma
che vari in modo continuativo. Per identificare in termini quantitativi la perturba-
bilità del sistema si fa uso di un parametro, chiamato numero di condizionamento.
Definizione 2 (Numero di condizionamento). Il numero di condizionamento è un
parametro in grado di stimare la stabilità di un metodo numerico ed è definito
come: { ∥δx∥ }
/∥x∥
k = sup ∥δd∥
δd /∥d∥
dove x è la soluzione e d il dato in ingresso.
Inoltre è utile definire una proprietà che metta in relazione i problemi mate-
matici con i problemi numerici.
Definizione 3 (Problema numerico consistente). Un problema numerico viene
detto consistente quando converge al problema matematico:

lim Fh (x, d) = F (x, d)

h→0

Mentre si dice che un problema è fortemente consistente quando il problema

numerico coincide con il problema matematico indipendentemente dal livello di
troncamento:
Fh (x, d) ≡ F (x, d) ∀h > 0
Definizione 4 (Problema numerico convergente). Un problema numerico si dice
convergente quando la soluzione converge alla soluzione del problema matematico:

lim (x − x̂h ) = lim ẽc = 0

h→0 h→0

dove x è la soluzione esatta, x̂h quella numerica e ẽc l’errore.

XII
Tabella 1: Principali tipologie di convergenza ordinate per velocità in modo crescente.

O(1) Nessuna dipendenza.

O(m) Dipendenza lineare da m.
O(mγ ) Dipendenza polinomiale da m.
O(γ m ) Dipendenza esponenziale da m.
O(m!) Dipendenza fattoriale da m.

Ovviamente per dimostrare la convergenza di un certa tecnica serve conoscere

la soluzione al problema dato, ma spesso non è possibile. L’idea è dunque quella di
applicare il metodo ad un problema noto, capire se vi è o meno convergenza e poi
estendere questa proprietà anche a tutti gli altri casi. Infine è bene sottolineare che
esistono diverse tipologie di convergenza, che differiscono per la velocità con cui il
metodo arriva alla soluzione: nella Tab. 1 sono riportate le principali tipologie.

Insieme numerico al calcolatore

Il calcolatore è una macchina che è in grado di eseguire un grande numero di
operazioni semplici in poco tempo. Essendo una macchina fisica non è dotata
della capacità di astrazione, pertanto ha la capacità di lavorare solamente con
un insieme finito di numeri discreti: questo significa che vi saranno sempre un
numero massimo e un numero minimo e dei buchi tra due quantità consecutive. Si
rende quindi necessario introdurre un nuovo insieme numerico, chiamato insieme
dei Floating Point.

Definizione 5 (Insieme dei Floating Point F). Si chiama insieme dei Floating
Point F(β, t, L, U ) l’insieme dei numeri che possono essere scritti come:

x ∈ F ⇐⇒ x = (−1)s mβ e−t

dove s è il segno (0 pari, 1 disperi), m è la mantissa, t il numero di cifre nella

mantissa, β la base (solitamente pari a 10) e e l’esponente.

XIII
 Da questa definizione risoluta chiaro che la minima differenza percettibile dal
computer varia a seconda del numero, anche per questo è definito un parametro.

Definizione 6 (ε-macchina). Si chiama ε-macchina il numero più piccolo che il

calcolatore può definire rispetto all’unità:

.
εm = min{1 + x ̸= 1}
x∈F

A questo punto è necessario trattare il problema dell’arrotondamento. Non

sempre infatti il risultato di un’operazione matematica appartiene all’insieme F,
pertanto la macchina arrotonda automaticamente al numero rappresentabile pre-
cedente o successivo. Tale errore, una volta generato si propaga anche in tutte le
operazioni successive.

Definizione 7 (Errore di arrotondamento). Si definisce errore di arrotondamento

il rapporto:
|x − f l(x)| 1
< εm
|x| 2
dove x è il numero reale, mentre f l(x) il numero floating point ad esso più vicino.

Infine si presentano i problemi dell’underflow e dell’overflow. Questi si verifi-

cano nel momento in cui il computer esegue un calcolo il cui il risultato è minore
della differenza più piccola o maggiore del numero più grande (in modulo) che esso
può memorizzare. Naturalmente quando si verifica uno di questi due fenomeni il
risultato perde notevolmente di definizione.

Definizione 8 (Minimo e massimo dell’insieme F). Dato un insieme di nume-

ri floatig point F(β, t, L, U ) si ha che il numero massimo e il numero minimo
rappresentabili senza perdere di definizione sono pari a:

xmin = β L−1 xmax = β U (1 − β −t )

È importante notare che per definire un insieme di numeri floating point è sempre
necessario definire la mantissa β, il numero delle cifre della mantissa t e i due
estremi L e U (entrambi sempre positivi).

XIV
Tabella 2: Principali formati per la visualizzazione del numero π all’interno
dell’ambiente MATLAB® (* opzione di default).

Tipologia notazione Comando Esempio

Corta* short 3.1416

Lunga long 3.141592653589793
Scientifica shorte 3.1416e+00
Scientifica lunga longe 3.141592653589793e+00
Rapporto rat 355/113

Teorema 1 (Cardinalità insieme F). Un insieme floating point F(β, t, L, U ) ha

cardinalità pari a:

#F(β, t, L, U ) = 2(β − 1)β t−1 (U − L + 1)

Nell’ambiente MATLAB® sono disponibili diverse tipologie per visualizzare un

numero; le principali sono riportate Tab. 2. Per passare da una notazione all’altra
è sufficiente scrivere:

format comando

prima di eseguire un calcolo.

XV
 Parte I

Metodi numerici

1
Capitolo 1

Risoluzione di sistemi lineari

La risoluzione dei sistemi lineari è un argomento di grande importanza nel cam-

po dei problemi numerici, perché non solo serve a trovare la soluzione di tutti i
problemi di tipo lineare, ma è anche alla base di metodi ben più complessi che
permettono di risolvere le equazioni differenziali.
Si consideri dunque il sistema lineare:

Ax = b

dove la matrice A ∈ Rn×n e i vettori x, b ∈ Rn . Per il Teorema di Cramer, esiste

una sola soluzione x0 se la matrice A è non-singolare (ipotesi sotto cui verranno
analizzati tutti il problemi presentati):

∃! x0 ∈ R ⇐⇒ det A ̸= 0

e, sempre per lo stesso teorema, tale soluzione corrisponde a:

x0 = A−1 b

Purtroppo il calcolo della matrice inversa A−1 , necessita della matrice dei cofattori,
che a sua volta si ottiene tramite il determinante di ognuna delle sottomatrici che
in generale è molto lungo e complesso.
Un’alternativa consiste nell’applicare il metodo di Cramer, che riesce a calcolare

2
le componenti del vettore x tramite il rapporto fra il determinate della matrice Bk
e il determinante della matrice A (dove la matrice Bk è ottenuta sostituendo la
k-colonna della matrice A con il vettore dei temrini noti b).

det(Bk ) [ ]
xk = Bk = a1 | . . . | ak−1 | b | ak+1 | . . . | an
det(A)

In questo caso sono quindi necessari solamente n + 1 determinanti per risolvere il

sistema, ma anche in questo modo sono necessari enormi sforzi di calcolo.
Il problema nasce proprio dal calcolo del determinate di una matrice, che
secondo la regola di Laplace è pari a:

∑
n
det(A) = (−1)i+j aij det(Aij ) ∀i = 1, 2, . . . , n
j=1

in cui il termine Aij rappresenta la sottomatrice di A ottenuta eliminando la i-

esima riga e la j-esima colonna mentre aij è l’elemento della matrice in posizione ij.
Questa è una formula ricorsiva che ogni volta richiede di calcolare i di determinanti
di ogni sottomatrice. Questo calcolo non è sostenibile a livello computazionale, poi-
ché il numero di operazioni elementari (flops) necessarie a tale calcolo è dell’ordine
di:
#flops ∽ O(n!) (1.1)

e richiederebbe quindi un tempo enorme anche per risolvere un sistema di picco-

lissime dimensioni. Per questi motivi vengono utilizzati altri metodi di risoluzione
molto più efficienti. Tali tecniche sono classificabili in due grandi macrogruppi:

Metodi diretti Metodi che arrivano alla soluzione esatta del sistema in un nu-
mero finito di passaggi.

Metodi iterativi Metodi che giungono alla soluzione esatta solamente dopo un
numero infinito di passaggi; ovviamente ci si può accontentare di una solu-
zione approssimata.

Ovviamente negli ambienti software che si usano tutti giorni queste tecni-
che sono già implementate e non serve ogni volta scriverle da capo: ad esempio

3
in MATLAB® è disponibile la funzione backslash che automaticamente sceglie il
metodo più efficiente per risolvere il sistema lineare:

x = A\b

Nello specifico A è la matrice, b il vettore dei termini noti e x la soluzione del si-
stema; essendo una moltiplicazione fra matrici è importantissimo che A moltiplichi
da sinistra.

1.1 Metodi diretti

Come già accennato nel paragrafo precedente, tali metodi giungono sempre alla
soluzione esatta, al netto di eventuali errori di calcolo. Prima di procedere si
analizzano una serie di matrici più semplici da risolvere.

1.1.1 Risoluzione di sistemi diagonali

Queste sono in assoluto i sistemi lineari più facili da risolvere, poiché tutte le
equazioni risultano disaccoppiate. Il problema si presenta come:

Dx = b

dove D è una matrice diagonale.

Definizione 1.1.1 (Matrice diagonale). Una matrice D ∈ Rn×n di dice diagonale

se:
[D]ij = dij ̸= 0 ⇐⇒ i = j

La soluzione di questi sistemi è immediata ed è si ottiene in esattamente n

passaggi:
bi
xi = ∀i = 1, 2, . . . , n
dii
Inoltre tutte le matrici diagonali godono anche la seguente proprietà, che
discende direttamente dalle ipotesi fatte a inizio capitolo:

∏
n
det(D) = dii ̸= 0 ⇐⇒ dii ̸= 0 ∀i = 1, 2, . . . , n (1.2)
i=1

4
1.1.2 Risoluzione di sistemi triangolari
La seconda tipologia di sistemi facili da risolvere è costituita dai sistemi triangolari
(inferiori o superiori); tali nomi derivano dalla forma che caratterizza la matrice
A, cioè quella di un triangolo.

Definizione 1.1.2 (Matrice triangolare inferiore). Una matrice A ∈ Rn×n si dice

triangolare inferiore quando:

[A]ij = aij = 0 i>j

Ossia quando gli elementi della matrice A sopra la diagonale principale sono nulli.

Nonostante siano presenti molti più termini non nulli rispetto alla matrici dia-
gonali (Paragrafo 1.1.1), è ancora possibile calcolare il determinante tramite la
moltiplicazione di tutti i termini presenti sulla diagonale e vale:

∏
n
det(A) = aii ̸= 0 ⇐⇒ aii ̸= 0 ∀i = 1, 2, . . . , n (1.3)
i=1

Per risolvere questi sistemi viene solitamente adottato l’algoritmo della sosti-
tuzione in avanti (o forward substitution), leggermente più complesso rispetto al
precedente.
L’idea è quella di risolvere la prima equazione, la cui soluzione è immediata per-
ché è disaccoppiata da tutte le altre. A questo punto si può sfruttare l’informazione
appena trovata per disaccoppiare e risolvere la seconda e così via. . . l’algoritmo
finale risulta quindi:

b1
x1 =
a11
Per i = 2, 3, . . . , n
( ∑
i−1 )
1
xi = bi − aij xj
aii j=1

Per risolvere il sistema sono quindi necessarie n divisioni (una per ogni riga)
ed un numero di somme e sottrazioni che è pari a zero al primo passaggio aumenta

5
di un’unità ad ogni incremento di i:

∑n
n(n − 1)
#flops = n + 2 (i − 1) = n + 2 = n2 (1.4)
i=1
2

Tale algoritmo gode quindi di un’efficienza molto superiore al metodo di riso-

luzione di Cramer, che ha ordine di grandezza O(n!) (Eq. (1.1)), per cui riesce a
risolvere sistemi lineari con un gran numero di equazioni in pochi istanti.
Tutte le considerazioni appena descritte per i sistemi e le matrici triangolari
inferiori possono essere riutilizzate per risolvere i sistemi triangolari superiori.
Definizione 1.1.3 (Matrice triangolare superiore). Una matrice A ∈ Rn×n si dice
triangolare superiore quando:

[A]ij = aij = 0 i<j

Ossia quando gli elementi della matrice A sotto la diagonale principale sono nulli.
Ancora si disaccoppiano una a una le equazioni, ma in questo caso si inizia con
l’ultima equazione e si termina con la prima. L’algoritmo necessario per questa
operazione prende il nome di sostituzione all’indietro (o backward substitution) ed
è definito nel modo seguente:

bn
xn =
ann
Per i = n − 1, n − 2, . . . , 1
( ∑n )
1
xi = bi − aij xj
aii j=i+1

Dato che questo procedimento è del tutto analogo al precedente, si può facil-
mente dimostrare che il numero di operazioni necessarie al completamento della
risoluzione è O(n2 ) (crf. Eq. (1.4)).

1.1.3 Fattorizzazione LU e metodo di eliminazione di Gauss

Molto spesso le matrici sono più complicate dei casi appena visti: esse infatti risul-
tano piene o comunque non organizzate a triangolo. Per risolvere questo problema

6
si fa largo uso del metodo di fattorizzazione LU, che consiste nel costruire due ma-
trici L e U (con L, U ∈ Rn×n ) tali che A = LU. In particolare si ricercano le due
matrici facendo in modo che L sia triangolare inferiore e U triangolare superiore;
una volta trovate si possono risolvere i sistemi:

Ly = b per trovare y
Ax = L(Ux) = Ly = b −→ (1.5)
Ux = y per trovare x

Chiaramente il sistema Ly = b è risolvibile con il metodo di sostituzione in avanti

e Ux = y con la sostituzione all’indietro.
Prima di procedere al calcolo delle due matrici è bene riflettere sulle condi-
zioni di esistenza della fattorizzazione LU. A tal fine, vengono qui proposte delle
definizioni utili a definire le condizioni di esistenza per la fattorizzazione.

Definizione 1.1.4 (Matrice definita positiva). Una matrice A ∈ Rn×n si definisce

definita positiva se:
zT Az > 0 ∀z ∈ Rn \{0}

Una definizione simile può essere scritta per le matrici definite negative sem-
plicemente sostituendo il maggiore stretto con un minore stretto all’interno della
definizione. Stesso discorso vale per le matrici definite semipositive o seminega-
tive, in cui si trova nella definizione una disuguaglianza semplice al posto di una
disuguaglianza stretta.

Definizione 1.1.5 (Matrice a dominanza diagonale per righe). Una generica

matrice A ∈ Rn×n si dice a dominanza diagonale per righe quando:

∑
n
|aii | ≥ |aij | ∀i = 1, 2, . . . , n
j=1
j̸=i

Definizione 1.1.6 (Matrice a dominanza diagonale per colonne). Una generica

matrice A ∈ Rn×n si dice a dominanza diagonale per colonne quando:

∑
n
|aii | ≥ |aji | ∀i = 1, 2, . . . , n
j=1
j̸=i

7
Teorema 1.1.1 (Condizione necessaria e sufficiente per fattorizzazione LU). Data
una matrice A ∈ Rn×n non-singolare esiste una sola fattorizzazione LU se e solo
se le sottomatrici principali di nord-ovest Ai sono tutte non-singolari.

∃! A = LU ⇐⇒ det(Ai ) ̸= 0 ∀i = 1, 2, . . . , n

Questa condizione è difficile da verificare, perché, come si è visto all’inizio

del capitolo, calcolare il determinante è molto costoso. Pertanto vi è un secondo
teorema che identifica le condizioni sufficienti, ma non necessarie per avere la
fattorizzazione.
Teorema 1.1.2 (Condizione sufficiente per fattorizzazione LU). Data una matrice
A ∈ Rn×n non-singolare esiste una sola fattorizzazione LU se una delle seguenti
affermazioni è verificata:
1. A è simmetrica e definita positiva (Def. 1.1.4);

2. A è a dominanza diagonale stretta per righe (Def. 1.1.5);

3. A è a dominanza diagonale stretta per colonne (Def. 1.1.6);

Da notare che per far valere il Teo. 1.1.2 non basta avere una disuguaglianza
generica, ma è richiesta una disuguaglianza stretta.
A questo punto il problema si è spostato su come trovare le matrici L e U; per
capire come fare, si consideri una matrice A ∈ R2×2 :
[ ] [ ][ ]
a11 a12 l11 0 u11 u12
A= =
a21 a22 l21 l22 0 u22

Si può facilmente notare che si sta cercando di determinare sei elementi con sola-
mente quattro equazioni disponibili. In particolare eseguendo il prodotto matriciale
si ottiene il seguente sistema sotto determinato:



a11 = l11 u11



a = l u
12 11 12
a = l u


 21 21 11


a = l u + l u
22 21 12 22 22

8
Questo ragionamento può essere esteso a una matrice generica A ∈ Rn×n : in questo
caso si hanno a disposizione n2 vincoli, per determinare n2 + n incognite. Si ha
quindi la possibilità di determinare a priori n elementi delle matrici L e U; per
convenzione si assume che:

lii = 1 ∀i = 1, 2, . . . , n

Si ottiene quindi una matrice L che non solo è diagonale inferiore, ma che ha anche
ha tutti gli elementi pari a 1 sulla diagonale principale. Sotto questa ipotesi si può
dimostrare che le matrici L e U vengono calcolare con il metodo di eliminazione di
Gauss (MEG.), in particolare, ad ogni iterazione si riarrangia la matrice A al fine
di farla diventare una matrice triangolare superiore, determinando volta per volta
una colonna di L.

A = A(0) −→ A(1) −→ A(2) −→ . . . −→ A(n) = U

↓ ↓ ↓ ↓
[L]i,1 [L]i,2 [L]i,3 [L]i,n

Pertanto la generica matrice A(k) avrà questo tipo di struttura:

 
(k) (k)
a ... a1n
 11 (k) 
 0 a22(k)
... a2n 
 
 . 
 0 . . 
A(k) =

 (1.6)
akk . . . akn 
(k) (k)
 
 . . . 
 .. .. .. . .. 
 
(k) (k)
0 0 . . . ank . . . ann

in cui si può ben distinguere il blocco non ancora lavorato di termini non nulli
in basso a destra e la matrice diagonale superiore finita, che avanza da sinistra a
destra ad ogni iterazione.
(k)
Definizione 1.1.7 (Elementi pivotali). Tutti gli elementi akk della matrice A(k)
dell’Eq. (1.6) si chiamano elementi pivotali.

Se tutti gli elementi pivoltali della matrice generica A ∈ Rn×n sono non nulli,

9
allora si può definire l’algoritmo del MEG.:

A(1) = A
Per k = 1, 2, . . . , n − 1
(k)
aik
lik = (k)
∀i = k + 1, . . . , n
akk
(k+1) (k) (k) ∀i = k + 1, . . . , n
aij = aij − lik akj
∀j = k, . . . , n

È interessante notare che per calcolare gli elementi lik sono necessari due cicli an-
(k+1)
nindati, mentre per sistemare gli elementi aij ne servono tre. Si può dimostrare
che per eseguire questo tipo di lavoro sono necessari un numero di cicli dell’ordi-
ne di O(n3/3), di conseguenza le sostituzioni in avanti e all’indietro necessarie per
risolvere il sistema lineare diventano trascurabili. Infine, se si deve lavorare con
una matrice A è di dimensione molto elevata, è possibile, al fine di risparmiare
spazio occupato, sovrasciverla ad ogni passaggio, in modo che tutti gli elementi
sulla diagonale e sopra di essa siano gli elementi della matrice U, mentre quelli
al di sotto della diagonale siano i coefficienti della matrice L (questo è possibile
solamente perché tutti gli elementi diagonali della matrice L sono noti e pari a
uno).

La tecnica del pivoting

Questo algoritmo è una variante del MEG. ed è utilizzato nel caso in cui, al fine di
determinare la fattorizzazione LU di una matrice, sia presente un termine pivotale
nullo. Si sa per certo che la matrice ha almeno un pivot diverso da zero ad ogni
passaggio, altrimenti la matrice stessa sarebbe singolare (evento che si è escluso
nelle ipotesi iniziali).
Il meccanismo alla base di questo metodo è quello di effettuare delle permu-
tazioni sulla matrice A, atte a scambiare le sue righe, in modo che sia sempre
possibile controllare l’elemento pivotale. Per fare ciò, basta moltiplicare A e il
vettore dei termini noti per una matrice P, detta di permutazione; a questo punto
è necessario rivedere la risoluzione dei sitemi presenti nell’Eq. 1.5, modificandoli

10
in questo modo:

Ly = Pb per trovare y
PAx = L(Ux) = Ly = Pb −→ (1.7)
Ux = y per trovare x

La tecnica del pivoting serve anche a ridurre la perdita di precisione nei calcoli.
Nello specifico si può dimostrare che conviene utilizzare l’elemento pivotale di
(k)
modulo massimo tra tutti quelli disponibili, amk :

(k) (k)
akk = max |amk |
m=k,...,n

A questo punto occorre scambiare la k-esima con la m-esima riga e per farlo ser-
va la matrice P adatta. Tale matrice è una matrice di zeri, su cui vengono inseriti
degli 1 nella posizione corrispondente di ogni elemento pivotale estratto. La ma-
trice P ha anche le proprietà di essere simmetrica, ortogonale e aver determinante
pari a uno.
P = PT = P−1 det(P) = 1

Nell’ambiente MATLAB® è disponibile la funzione di fattorizzazione LU, che

permette di calcolare velocemente le matrici L U e P tramite il MEG.:

[L U P] = lu(A)

Si ricorda che generalmente conviene usare la fattorizzazione LU solo quando il

termine noto b cambia molte volte, mentre la matrice A rimane costante, altri-
menti è più conveniente usare direttamente il MEG., perché ha un minor costo
computazionale.

11
1.1.4 Algoritmo di Thomas
Questo algoritmo viene utilizzato per risolvere una particolare classe di sistemi
lineari: quelli caratterizzati da una matrice di tipo tridiagonale.
 
a1 c 1 0 ... 0
 
 e 2 a2 c 2 0 
 
 
 0 e 3 a3 c 3 0 
A=
 .. .. .. 

 0 . . . 
. 
 .. c 
 n−1 
0 en an

Supponendo che esista la fattorizzazione LU della matrice A, allora si ottengono:

   
1 ... 0 α 1 c1 ... 0
   
β2 1   .. 
 α1 . 
L=
 .. . . . . . . .. 
 U= . .. 
. .  .. ..
. .
 
0 . . . βn 1 0 . . . α1

Come si può facilmente notare, le matrici L e U sono molto più semplici rispetto
a prima, perché contengono molti più zeri, e per questa ragione si avranno gradi
semplificazioni sull’algoritmo:

α 1 = a1
Per i = 1, 2, . . . , n
ei
βi =
αi−1
αi = ai − βi ci−1

Inoltre anche la risoluzione dei due sistemi risulta molto semplificata:


y = b
1 1
Ly = b −→
y = b − β − y i = 2, 3, . . . , n
i i i i−1

12
 
x = yn
n
Ux = y −→ αn
i = 1 [y − c x ] i = n − 1, n − 2, . . . , 1
i αi i i i+1

Come si può facilmente dimostrare l’algoritmo di Thomas richiede un numero

di flops necessari dell’ordine di grandezza di O(n), che è indice di una notevole
efficienza.

1.1.5 Fattorizzazione di Cholesky

La fattorizzazione di Cholesky è applicabile a tutte le matrici A ∈ Rn×n simmetri-
che e definite positive. Tale procedimento serve per determinare un’unica matrice
R tale che:
A = RRT

dove R è una matrice triangolare superiore, con elementi positivi sulla diagonale.
L’algoritmo necessario è quindi:

Per i = 1, 2, . . . , n
v
u
u ∑i−1
t
rii = aii − r2
ki
k=1
[ ∑
i−1 ]
1
rij = aij − rki rkj ∀j = i + 1, . . . , n
rii k=1

Il fatto di implementare una sola matrice fa risparmiare molta memoria (la metà
rispetto alla fattorizzazione LU). Purtroppo non si hanno grandi benefici per quan-
to concerne all’utilizzo delle risorse computazionali: infatti il costo del processo è
dell’ordine di grandezza di O(n3 /3).

1.1.6 Accuratezza della soluzione con metodi diretti

Il più grande problema dei metodi diretti è senza dubbio la propagazione degli erro-
ri computazionali. Definiamo quindi delle operazioni e grandezze che permettono
di controllare questo problema.

13
Definizione 1.1.8 (Norma di un vettore). La norma ρ di un vettore v ∈ Rn è
definita come: (∑ )1/ρ
n
∥v∥ρ = |vi |ρ

i=1

Quindi secondo questa definizione, la norma 1 è la somma di tutti i valori asso-

luti delle componenti di v, mentre la norma ∞ è pari al modulo della componente
di magnitudine massima.

Definizione 1.1.9 (Autovalori e autovettori). Data una matrice A ∈ Rn×n si

chiamano autovettori {λi (A)}ni=1 ⊂ C e autovalori {xi (A)}ni=1 ⊂ Cn della matrice
A le quantità definite come:

Axi = λi xi ∀i = 1, 2, . . . , n

Analiticamente, è possibile calcolare gli autovalori di A risolvendo il polinomio

p(λ) di grado n che si ottiene come:

Ax = λx
Ax − λIx = 0
(A − λI)x = 0
p(λ) ∈ Pn : det(A − λI) = 0

Da notare che gli autovalori di una matrice diagonale (Def. 1.1.1), triangolare
inferiore (Def. 1.1.2) o triangolare superiore (Def. 1.1.3) sono gli elementi presenti
sulla diagonale principale.
Inoltre per una generica matrice A ∈ Rn×n invertibile vale la seguente proprietà:

1
λi (A−1 ) = ∀i = 1, 2, . . . , n (1.8)
λn+1−i (A)

Definizione 1.1.10 (Raggio spettrale). Sia A ∈ Cn×n e siano {λi (A)}ni=1 ⊂ C i

suoi autovettori, si chiama raggio spettrale l’autovalore di modulo massimo:

ρ(A) = max |λi (A)|

i=1,...,n

14
Teorema 1.1.3 (Autovalori per matrice definita positiva). Data una matrice
A ∈ Rn×n simmetrica e definita positiva, i suoi autovalori sono tutti numeri reali
positivi:
{λi (A)}ni=1 ⊂ R+

Definizione 1.1.11 (Norma-P di una matrice). Si definisce norma-P, con P ≥ 1

di una matrice A ∈ Rn×n il numero reale positivo dato da:
[ ]
∥Av∥P
∥A∥P = sup = sup ∥Au∥P
v∈Rn \{0} ∥v∥P u∈Rn \{0}
∥u∥2 =1

Dalla Def. 1.1.11 si può ricavare che data la generica matrice A ∈ Rn×n :
√
∥A∥2 = λmax (AT A)

e se inoltre la matrice A è definita positiva si ha che:

∥A∥2 = λmax (A)

Definizione 1.1.12 (Numero di condizionamento). Data una matrice A ∈ Rn×n

non-singolare si definisce numero di condizionamento di A in norma P come:

KP = ∥A∥P A−1 P
P ∈ [0, +∞)

Dalla Def. 1.1.12 si può ottenere imponendo P = 2:

√
−1 λmax (AT A)
K2 = ∥A∥2 A =
2
λmin (AT A)

Inoltre se det(A) = 0 si ha che per definizione K2 → ∞ poiché λmin = 0.

Definizione 1.1.13 (Numero di condizionamento spettrale). Data una matri-

ce A ∈ Rn×n non-singolare si definisce numero di condizionamento spettrale la
quantità:
max|λi (A)|
K(A) = ρ(A)ρ(A−1 ) =
min|λi (A)|

15
 Tabella 1.1: Principali stime per l’errore sulla soluzione di sistemi lineari.

Errore assoluto e = x − x̂ e ∈ Rn
∥e∥
Errore relativo er = ∥x∥
er ∈ R, x ̸= 0
Residuo r = b − Ax̂ r ∈ Rn
∥r∥
Residuo normalizzato rr = ∥b∥
rr ∈ R, b ̸= 0

Ora che sono state definite tutte i parametri utili, si può dire che:

1. Il numero di condizionamento di una matrice quantifica la sensibilità del

sistema lineare associata a piccole variazioni dei dati.

2. Un sistema lineare è ben condizionato quando ha K2 (A) piccolo (1 ÷ 103 ); in

caso contrario si dice che il sistema è mal condizionato.

Un esempio di matrice mal condizionata è fornito dalla matrice di Hilbert, definita

come:
[ ] 1
H ij = ∀i, j = 1, 2, . . . , n
i+j
Per questa matrice, anche mantenendo un numero di righe e colonne relativamente
basso si hanno enormi numeri di condizionamento. Ad esempio se n = 10 la matrice
ha un numero di condizionamento pari a 1,6025 × 1013 .
Si supponga quindi di perturbare i dati di un sistema lineare, tramite piccole
variazioni della matrice δA e del vettore dei termini noti δb, per valutare la stabilità
della soluzione.

Ax = b −→ (A + δA)x̂ = b + δb

Generalmente si ha che la soluzione numerica x̂ differisce dalla soluzione nume-

rica x. Per questo sono necessarie delle grandezze in grado di stimare in modo
quantitativo l’errore commesso: nella Tab. 1.1 sono riportati i principali indica-
tori utilizzati. Purtroppo non sempre è possibile usare tutti questi indicatori: ad
esempio si deve risolvere un sistema la cui soluzione non è nota, non è possibile
usare né l’errore assoluto né l’errore relativo come stima.

16
 Nonostante tutto è sempre possibile avere una stima di massima dell’errore, in
funzione del numero di condizionamento (Def. 1.1.12) dalla matrice A:
[ ]
1 ∥δA∥2 ∥δb∥2
er ≤ +
∥δA∥
1 − K2 (A) ∥A∥ 2 ∥A∥2 ∥b∥2
2

Quindi se non ci sono fluttuazioni dei coefficienti della matrice del sistema lineare
δA = 0 si ottiene:
er ≤ K2 (A)rr

Da questo nasce il principio per cui per sistemi lineari mal condizionati, caratte-
rizzati quindi da numeri di condizionamento K2 (A) alti, anche a fronte di residui
piccoli, si hanno grandi errori.

1.2 Metodi iterativi

Un metodo iterativo punta a risolvere un sistema lineare assegnato tramite una
serie di passaggi per cui:
x = lim x(k)
k→+∞

dove x è la soluzione esatta, mentre x(k) , chiamata iterata di ordine k, è la soluzione

ottenuta al k-esimo passaggio: inoltre l’insieme di tute le iterate {x(k) }+∞ k=1 è la
successione di iterazioni. Si ricorda che la soluzione esatta del sistema lineare è
teoricamente raggiungibile solo al termine di un infinto numero di passaggi: ne
consegue che è necessario fermarsi dopo che si è raggiunto un livello di accuratezza
appropriato al problema.

Schema generale dei metodi iterativi

Si consideri una matrice A ∈ Rn×n , sempre non-singolare. Assegnato in modo

arbitrario un generico vettore x(0) ∈ Rn , per k = 1, 2, . . . si dice che:

x(k+1) = Bx(k) + g (1.9)

17
dove B è la matrice di iterazione e g il vettore di iterazione. Affinché il metodo
iterativo converga alla soluzione deve valere l’ipotesi di consistenza forte (Def. 3 a
pagina XII), che implica che devono valere le seguenti equazioni:

x = A−1 b x = Bx + g

Tramite opportune sostituazioni e possibile ricavare g in funzione di B:

g = x − Bx = (I − B)x = (I − B)A−1 b

Naturalmente, si può anche definire l’errore e il residuo al passaggio k:

e(k) = x − x(k) r(k) = b − Ax(k)

e sfruttando l’Eq. (1.9) anche l’errore al passaggio successivo; inoltre reiterando

l’operazione ci si può riportare ai dati iniziali:

e(k+1) = x − x(k+1) = (Bx + g) − (Bx(k+1) + g) = Be(k) = · · · = Bk e(0)

Per avere la convergenza alla soluzione l’errore si deve ridurre con l’aumentare
delle iterazioni:
e(k) ≤ ∥Bk ∥2 ∥e(0) ∥ per k = 1, 2, . . . (1.10)

Data quindi una matrice B definita positiva, per ipotesi, si ottiene:

e(k) ≤ [ρ(B)]k ∥e(0) ∥ per k = 1, 2, . . .

lim ∥e(0) ∥ = 0 ⇐⇒ ρ(B) < 1

k→+∞

Con i passaggi precedenti si è dimostrato che la condizione necessaria e sufficiente

per la convergenza del metodo a x soluzione del sistema lineare Ax = b, assegnato
un vettore arbitrario x(0) ∈ Rn , è che il raggio spettrale (Def. 1.1.10) della matrice
d’iterazione sia minore di uno:
ρ(B) < 1

18
In più, tanto più e piccolo il raggio spettrale ρ(B) → 0, tanto più è rapida la
convergenza.

1.2.1 Metodo di Jacobi

Si consideri una matrice A ∈ Rn×n sempre non singolare e con tutti gli elementi
sulla diagonale non nulli:

aii ̸= 0 ∀i = 1, 2, . . . , n

Il metodo di Jacobi consiste nel prendere una matrice di precondizionamento PJ

diagonale (cioè una trasformazione atta a migliorare il numero di condizionamento
della matrice A) tale per cui:
 
a11 0 . . . 0
 
 0 a22 
PJ = 
 .. ... .. 

 . . 
0 . . . ann

Da questo deriva che:

BJ = I − P−1 −1
J A = I − DJ A

Di conseguenza si ha che:

x(k+1) = Bx(k) + P−1

J b

Infine, l’algoritmo di Jacobi è pari a:

x(0) ∈ Rn arbitrario
Per k = 1, 2, 3 . . .
Per i = 1, 2, . . . , n
[ ]
(k+1) 1 ∑n
(k)
xi = bi − aij xj
aii j=1
j̸=i

19
Teorema 1.2.1 (Convergenza sufficiente al metodo di Jacobi). La condizione
sufficiente (ma non necessaria) per risolvere un sistema con il metodo di Jacobi è
che la matrice A ∈ Rn×n sia a dominanza diagonale stretta per righe (Def. 1.1.5 a
pagina 7) oppure simmetrica e definita positiva.

1.2.2 Metodo di Gauss-Seidel

Anche per il metodo di Gauss-Seidel si ha una matrice di precondizionamento PGS .
Per prima cosa si scompone la matrice A in una somma di tre matrici:

A=D−E−F

In particolare, sulla matrice D sono presenti solamente le componenti della diago-

nale di A, sulla matrice E tutti gli elementi sotto la diagonale di A cambiati di
segno e infine sulla matrice F tutti gli elementi sopra la diagonale di A (in entrambi
i casi la diagonale è escusa!).
La matrice di precondizionamento è pari a:

PGS = D − E

In tal modo la matrice di iterazione sarà pari a:

BGS = I − (D − E)−1 A

Ne segue quindi che:

(D − E)x(k+1) = (D − E − A)x(k) + b = y(k)

20
Infine, l’algoritmo di Gauss-Seidel è:

x(0) ∈ Rn arbitrario
Per k = 1, 2, 3 . . .
Per i = 1, 2, . . . , n
[ ]
(k+1) 1 ∑
i−1
(k+1)
∑n
(k)
xi = bi − aij xj − aij xj
aii j=1 j=i+1

Importantissimo notare che l’algoritmo non è in alcun modo implicito, poiché tutte
(k+1)
le componenti xj sono già state calcolate.
Esattamente come per il metodo di Jacobi, si ha che la condizione sufficiente,
ma non necessaria è avere una matrice A o simmetrica e definita positiva, oppure
a dominanza diagonale stretta per righe.

1.2.3 Metodo del gradiente

Il metodo del gradiente (semplice) è un metodo iterativo per risolvere i sistemi
lineari. L’idea alla base è quella di trovare una funzione opportuna il cui unico
minimo coincide con la soluzione del sistema lineare. Il metodo richiede che la
matrice A ∈ Rn×n sia:

• non singolare det(A) ̸= 0;

• simmetrica A = AT ;

• definita positiva vT Av > 0 ∀v.

Definizione 1.2.1 (Norma dell’energia). Sia v ∈ Rn e A ∈ Rn×n simmetrica e

definita positiva. Si chiama norma dell’energia di v, rispetto alla matrice A la
quantità:
√
∥v∥A = vT Av

Applicando la Def. 1.2.1 al sistema lineare Ax = b si ottiene l’energia del

sistema come:
1
ϕ(y) = yT Ay − yT b (1.11)
2

21
Teorema 1.2.2 (Relazione metodo del gradiente con l’energia del sistema). Il
vettore x è soluzione del sistema lineare Ax = b se e solo se è punto di minimo
assoluto dell’energia del sistema ϕ(y).

x ∈ Rn soluzione di Ax = b ⇐⇒ ϕ(x) = minn ϕ(y)

y∈R

Dimostrazione 1.2.1 (x è soluzione ⇒ ϕ(y) è minimo assoluto). Si consideri la

quantità y = x + e, dove e è un generico incremento. L’energia associata è pari a:

1
ϕ(y) = (x + e)T A(x + e) − (x + e)T b
2
1 T 1 1 1
= x Ax + xT Ae + eT Ax + eT Ae − xT b − eT b
2 2 2 2
1 T 1 T 1 T 1
= x Ax − x b + e Ae + x Ae + eT Ax − eT b
T

|2 {z } |2 {z } |2 {z } 2
=ϕ(x) = 12 ∥e∥A k∈R⇒k=kT
( )T
1 1 T 1
= ϕ(x) + ∥e∥A + x Ae + eT Ax − eT b
2 2 2
1 1 1
= ϕ(x) + ∥e∥A + eT |{z}
AT x + eT Ax − eT b
2 2 T
2
A =A
1 1 1
= ϕ(x) + ∥e∥A + eT Ax + eT Ax − eT b
2 2 2
1 ( )
= ϕ(x) + ∥e∥A + eT Ax − b
2 | {z }
=0 (soluz.)
1
= ϕ(x) + ∥e∥A ≥ ϕ(x)
2

Quindi si è dimostrato che ϕ(x) è punto di minimo assoluto e, inoltre, essendo

∥e∥2 una norma, ϕ(y) = ϕ(x) ⇐⇒ ∥e∥2 = 0, ma ciò implica che x = y.

Dimostrazione 1.2.2 (ϕ(y) è minimo assoluto ⇒ x è soluzione). Si consideri un

generico vettore y ∈ Rn il funzionale dell’energia del sistema ad esso associato è
pari a:
1∑ ∑
n n
1 T
ϕ(y) = y Ay − y b =T
yi aij yj − yi b i
2 2 i,j=1 i=1

dato che x è minimo quindi, per il Teorema di Fermat, deve anche essere un punto

22
stazionario; questo implica che la funzione ha gradiente nullo nel punto x:

∇ϕ(y) x = 0

A sua volta questo implica che tutte le componenti di ϕ(y) si annullano nel punto.
Riscrivendo poi la funzione descitta dall’Eq. (1.11) come somma di n componetenti
e derivando la generica k-esima nel punto si ottiene:

1∑ ∑
n n
1 T
ϕ(y) = y Ay − y b =
T
yi aij yj − y i b1
2 2 i,j=1 i=1

1∑ 1∑
n n
∂ϕ(y)
= akj yj + yi aik − bk
∂yk 2 j=1 2 i=1
∑
n
= akj yj − bk
j=1

dove al penultimo passaggio si è sfruttata la simmetria della matrice A per scam-

biare gli indici liberi delle componenti (da questo segue che akj = aik ). Infine dato
che tutte le n componeteti devono annullarsi nel punto si ottiene:
{∑
n }n
∇ϕ(y) x = akj xj − bk = Ax − b = 0 (1.12)
j=1 k=1

Inoltre, riscrivendo l’Eq. (1.12) per un generico x(k) si ha che:

∇ϕ(x(k) ) = Ax(k) − b = −r(k)

Il metodo del gradiente fa in modo che ad ogni iterazione la funzione ϕ(y)

tenda al suo minimo assoluto: per farlo viene calcolato il gradiente della funzione
e cambiato di segno (in modo che indichi la direzione di massima decrescita); a
questo punto basta moltiplicare per uno scalare αk e sommare il vettore ottenuto
all’iterata precedente. In formule, questo concetto si esprime come:

x(k+1) = x(k) − αk ∇ϕ(x(k) ) (1.13)

23
a questo punto serve calcolare l’incremento αk ad ogni iterazione: per farlo si può
utilizzare una funzione scalare F (α) : R −→ R definita come:
( )
F (αk ) = ϕ(x(k+1) ) = ϕ x(k) − αk ∇ϕ(x(k) )

Derivando la funzione F (α) e tenendo presente che per definizione (Eq. (1.13))
∇ϕ(x(k) ) = −r(k) si ottiene il prodotto scalare di:
( )
′
( (k) ) T
F (αk ) = − ∇ϕ x − αk ∇ϕ(x ) (k)
∇ϕ(x(k) )
( )
( (k) )
= −∇ϕ(x ) ∇ϕ x − αk ∇ϕ(x )
(k) T (k)

T
= r(k) ∇ϕ(x(k) − αk r(k) )

Ora, per il Teo. 1.2.2 il gradiente di ϕ può ssere riscritto come:

T[ ]
F ′ (αk ) = r(k) A(x(k) − αk r(k) ) − b
T T
= −r(k) r(k) + r(k) Ar(k)

Volendo infine avere αk come punto di ottimo, si impone che la derivata prima
F ′ (αk ) sia nulla (Teo. Fermat), da questo ricava l’incremento αk :

T T
F ′ (αk ) = −r(k) r(k) + r(k) Ar(k) = 0
T
r(k) r(k)
αk = T
r(k) Ar(k)

A questo punto si hanno tutti gli elementi necessari per scrivere l’algoritmo del

24
metodo del gradiente semplice:

x(0) arbitrario
r(0) = b − Ax(0)
Per k = 1, 2, . . .
T
r(k) r(k)
αk = T
r(k) Ar(k)
(k+1)
x = x(k) + αk r(k)
r(k+1) = b − Ax(k+1)

Teorema 1.2.3 (Errore metodo del gradiente). Sia A una matrice simmetrica e
definita positiva. Si ha che il metodo del gradiente converge a alla soluzione x
∀x ∈ Rn e che:

K(A) − 1
e(k) A
≤ dkp ∥e(0) ∥A con dp =
K(A) + 1

Si nota molto facilmente che per K(A) ≫ 0 il numero di condizionamento

K(A) → 1, quindi per sitemi mal condizionati la convergenza sarà molto lenta.

1.2.4 Metodo del gradiente coniugato

Questo metodo è un molto simile al metodo del gradiente semplice (Par. 1.2.3),
solo che in questo caso la direzione di decrescita non è determinata dal residuo,
ma viene corretta con opportuni metodi. La domanda che ci si pone è: esiste
una direzione di più rapida convergenza p(k) rispetto alla direzione individuata dal
metodo del gradiente r(k) , che permetta di arrivare ad una soluzione con meno
passaggi?
Ipotizzando che esista una p(k) che ottimizza la ricerca della soluzione, la
soluzione iterativa sarà del tipo:

xk+1 = x(k) + αk p(k)

25
Dove p(k) serve ad individuare la direzione di massima decrescita in modo tale da
garantire la soluzione nel minor numero di passaggi possibili, mentre αk serve a
garantire che ϕ(x(x+1) ) sia punto di minimo. Come per il metodo del gradiente,
αk minimizza la funzione ϕ(x(x+1) ) solo quando:
T
(k) p(k) r(k)
α = T
p(k) Ap(k)

Ma come si individua la direzione di decrescita massima p(k) ? Si fa in modo che

ogni passo sia ottimale tenendo conto di tutti i passaggi precedenti.

Definizione 1.2.2 (Vettori A-coniugati). Data una matrice A ∈ Rn×n e un set di

vettori {pi }ni=1 ⊂ Rn , si dice che il vettore pk è A-coniugato agli altri se:

pk Apj = 0 ∀j = 1, 2, . . . , k − 1 ∀k = 2, 3, . . . , n

La procedura prevede i seguenti passaggi:

1. Utilizziamo come punto di partenza un x(0) e una direzione p(0) arbitrari

(generalmente si utilizza p(0) = r(0) ).

2. Si determina la prima iterata come si fa per il metodo del gradiente semplice:

x(1) = x(0) + α(0) p(0)

con α0 tale da minimizzare la funzione descritta dall’Eq. (1.11):

T
(1) (0) (0) p(0) r(k)
ϕ(x ) = ϕ(x + α0 p ) =⇒ α0 = T
p(0) Ap(k)

3. Successivamente si calcola la seconda iterata:

x(2) = x(1) + α1 p(1) = x(0) + α0 p(0) + α1 p(1)

dove α1 e α0 ancora una volta tali che la funzione descritta dall’Eq. (1.11)
sia minima:
ϕ(x(0) + α0 p(0) + α1 p(1) ) = F (α0 , α1 )

26
 dove F è una funzione da due a una sola variabile.

4. Come nel caso precedente, si deve andare trovare il minimo della funzione
ϕ(y), che, a differenza del caso precedente, dipende da due parametri distinti:
α0 e α1 . Per calcolarli serve per prima cosa andare ad azzerare il gradente
∇F (α0 , α1 ):

∂F T
= p(0) ∇ϕ(x(0) + α0 p(0) + α1 p(1) )
∂α0
T[ ( ) ]
= p(0) A x(0) + α0 p(0) + α1 p(1) − b
T ( )
= p(0) −r(0) + α0 Ap(0) + α1 Ap(1)
T T T
= −p(0) r(0) + α0 p(0) Ap(0) + α1 p(0) Ap(1) = 0
∂F T T T
= · · · = −p(1) r(0) + α0 p(1) Ap(0) + α1 p(1) Ap(1) = 0
∂α1

Queste due equazioni rappresentano un sistema di due equazioni in due inco-

gnite. Inoltre al fine di ottenere lo stesso valore di α0 del passaggio precedente
si fa in modo che α0 non dipenda dal nuovo termine α1 o, in altri termini
non si fa altro che disaccoppiare il sistema imponendo che il coefficiente
dell’incognita α1 sia nullo nella prima equazione:

T
p(0) Ap(1) = 0

tale condizione implica che la direzione p(1) sia A-coniugata (Def. 1.2.2)
rispetto alla precedente. Infine, si può calcolare l’ultimo parametro incognito
α1 :
T
p(1) r(1)
α1 = T
p(1) Ap(1)

27
Nel caso generale il principio non cambia:

∑
k
{ }
(k+1) (0)
x =x + αj p(j) = min ϕ(y(k+1) ) = F (α)
y(k+1) ∈Rn
j=0

p(k)T Ap(j) = 0 ∀j = 1, 2, . . . , k − 1
αk tale che
∇F (α) = 0
T
p(k) r(k)
=⇒ αk = T
p(k) Ap(k)

A questo punto non rimane che trovare i p(k) A-coniugati tra loro: per fare questo,
alla fine di ogni passaggio si modifica la direzione di ∇ϕ (che corrisponde all’op-
posto della direzione del residuo) sottraendo un multiplo del vettore p(k) , ovvero
si cerca p(k+1) della forma:

p(k+1) = r(k+1) − βk p(k)

Ovviamente si sceglie βk tale che p(k+1) sia A-coniugato a tutti i {p(j) }kj=1 prece-
denti. Di fatto non si deve risolvere un sistema di k incognite, ma si βk ricava da
un’unica equazione scalare:

T T ( )
p(k) Ap(k+1) = p(k) A r(k+1) − βk p(k) = 0
T
p(k) Ar(k+1)
=⇒ βk = T
p(k) Ap(k)

Applicando tutte queste correzioni al metodo del gradiente si ottiene l’algorit-

mo del metodo del gradiente coniugato:

x(0) arbitrario
r(0) = b − Ax(0)
p(0) = r(0)

28
 Per k = 1, 2, . . .
T
r(k) p(k)
αk = T
p(k) Ap(k)
x(k+1) = x(k) + αk p(k)
r(k+1) = b − Ax(k+1)
T
p(k) Ar(k)
βk = T
p(k) Ap(k)
p(k+1) = r(k+1) − βk p(k)

Avendo imposto che le direzioni di decrescita siano A-coniugate (Def. 1.2.2),

automaticamente risulta che tutti i vettori {pi }n−1i=0 ⊂ R siano linearmente indi-
n

pendenti fra loro. Questo fatto a sua volta implica che ogni volta il metodo calcola
una nuova direzione e la utilizza per minimizzare la funzione ϕ(y) (cfr. Eq. 1.11
a pagina 21) aggiunge una dimensione alla direzione di decrescita: quindi prima
minimizza con una retta, poi con un piano, poi uno spazio, poi un iperpiano di
quattro dimensioni. . . fino ad arrivare alla soluzione esatta in massimo n passaggi.
Per questo motivo si può dire che il metodo del gradiente coniugato è un metodo
diretto, ma la pratica comune accetta senza particolari problemi un’approssima-
zione della soluzione: ad esempio per risolvere un sistema di mille equazioni lineari
non sono necessarie mille iterazioni, ma solo il numero minimo necessario per rag-
giungere la tolleranza prefissata, soprattutto perché a un certo punto gli errori di
calcolo diventano preponderanti.
Teorema 1.2.4 (Errore metodo del gradiente coniugato). Sia A una matrice sim-
metrica e definita positiva. Si ha che il metodo del gradiente coniugato converge
a alla soluzione x ∀x(0) ∈ Rn in al più n iterazioni e che l’errore e(k) è ortogonale
a tutte le direzioni di decrescita e ha norma:
√
2ck K(A) − 1
e (k)
A
≤ 2k
∥e ∥A
(0)
con c = √ per k < n
1+c K(A) + 1

Anche in questo caso, visto che si tratta di un algoritmo molto potente, è già
implementato nell’ambiete MATLAB® , tramite la funzione:

29
 x = pcg(A, b, tol)

dove A è la matrice del sistema, b il vettore dei termini noti, x la soluzione (output
della funzione) e tol la tolleranza richiesta.
Questa funzione è anche più potente di quella che è stata appena descritta,
perché fa uso della tecnica di precodizionamento per migliorare il numero di con-
dizionamento (Def. 1.1.12) della matrice A e quindi per facilitare la risoluzione del
sistema, evitando inutili errori computazionali.

1.2.5 Criteri di arresto per metodi iterativi

Come già accennato in precedenza, non è sempre possibile conoscere la soluzione
esatta al problema, per questo motivo si rende necessario introdurre un parametro
reale ẽ(k) che sia in grado di stimare l’errore e(k) realmente commesso. Nella
Tab. 1.1 a pagina 16 sono descritti i principali parametri usati. Ad essi si può
aggiungere anche la differenza di iterate successive definita come:

δ (k) = x(k) − x(k−1)

La regola generale per gli stimatori di errore ẽ(k) afferma che uno stimatore è
efficace solo quando:
ẽ(k) ≃ e(k+1)

quindi non vi è un criterio nettamente migliore degli altri, ma ognuno di essi si

adatta meglio nelle diverse situazioni. Ad esempio:
∥r(k) ∥
• Se si sceglie il residuo normalizzato ẽ(k) = ∥b∥
si ha che:

e(k+1) ≤ K2 (A)ẽ(k)

quindi se la matrice A è ben condizionata questa è la scelta consigliata.

• Se si sceglie, per una matrice B simmetrica e definita positiva, la differenza

di iterate successive ẽ(k) = ∥δ (k) ∥ si ha che:

e(k) = x − x(k−1) = x − x(k+1) + x(k+1) − x(k) = e(k+1) + δ (k)

30
da cui segue che:
e(k) ≤ e(k+1) + δ (k)

inoltre, dall’Eq. (1.10), si ricava che:

e(k) ≤ ρ(B) e(k) + δ (k)

1
e(k) ≤ δ (k)
1 − ρ(B)

quindi se il raggio spettrale ρ(B) → 0 questo criterio è ottimo, al contrario

se ρ(B) → 1 l’errore risulta sovrastimato.

31
Capitolo 2

Equazioni non lineari

All’interno del Cap. 1 sono stati analizzati vari metodi per risolvere i sistemi lineari.
Ma come si trova la soluzione di un’equazione o sistema di equazioni che non
godono della proprietà di linearità? In questo capitolo si analizzeranno i metodi
per rispondere a questa domanda.
Consideriamo un problema molto comune nel campo dell’ingegneria, cioè quello
relativo all’esistenza (e alla ricerca) degli zeri di una funzione a variabile reale
generica:

f (x) : [a, b] ⊆ R −→ R
α ∈ R | f (α) = 0

In genere questo problema rimane circoscritto a un intervallo specifico [a, b], sia
per motivi numerici, sia per motivi tecnico-ingegneristici: non è molto significativo
andare a trovare uno zero i un intervallo che risulta fuori-range per un determinato
fenomeno fisico. Prima di procedere con la trattazione ricordiamo un teorema
fondamentale per la risoluzione di equazioni.

Teorema 2.0.1 (Degli zeri). Sia f (x) ∈ C(I) con I = [a, b] ⊆ R tali che
f (a)f (b) < 0. Allora esiste almeno un punto interno all’intervallo I in cui la
funzione f (x) si annulla:

∃ α ∈ (a, b) | f (α) = 0

32
 Nelle sezioni seguenti vengono discussi i principali metodi per risolvere le equa-
zioni implicite. Nell’ambiente MATLAB® è già implementata una funzione in
grado di risolvere per via numerica un’equazione:

x = fsolve(f, x0)

dove f è la funzione da azzerare, mentre x0 l’iterata iniziale. Si segnala inoltre che

nello stesso ambiente è implementata anche una seconda funzione:

s = solve(eqn, var)

che permette di risolvere equazioni simboliche per via analitica: in questo caso
eqn è l’equazione da azzerare, mentre var è la variabile rispetto a cui ricavare la
soluzione s.

2.1 Metodo di bisezione

Sia f (x) una funzione a variabili reali, continua nell’intervallo [a, b]. Il metodo di
bisezione sfrutta il teorema degli zeri (Teo. 2.0.1) per trovare un solo punto dove
la funzione f si annulla. Supponendo che ∃! α ∈ [a, b] | f (α) = 0, si può scrivere
l’algoritmo:
}
a(0) = a
dati del problema
b(0) = b
a(0) + b(0)
x(1) =
2
Per k = 1, 2, 3, . . .
Se x(k) = 0
α = x(k)
Se f (a(k) )f (x(k) ) < 0
a(k+1) = a(k)
b(k+1) = x(k)
a(k) + b(k)
x(k+1) =
2

33
 Se f (a(k) )f (x(k) ) > 0
a(k+1) = x(k)
b(k+1) = b(k)
a(k) + b(k)
x(k+1) =
2

Come si nota dal testo, questo metodo non fa altro che prendere l’intervallo
iniziale [a, b], valutare la funzione nel punto medio e scegliere quale tra i due nuovi
intervalli rispetta condizioni del teorema degli zeri (Teo. 2.0.1); il metodo si arresta
quando si giunge al di sotto di una tolleranza prefissata, oppure se a un certo punto
la funzione viene valutata proprio in corrispondenza del suo zero. In ogni caso, ad
ogni iterazione l’intervallo si va a dimezzare:

|I|
I (k) = Per k = 1, 2, . . . (2.1)
2k

Questa equazione è in qualche modo indice dell’errore massimo che il metodo sta
commettendo al passaggio k; quest’ultimo infatti non può in nessun caso essere
maggiore della metà della misura dell’intervallo I (k) :

I (k) |I|
e(k) = α − x(k) ≤ ẽ(k) = = k+1
2 2

L’ipotesi di convergenza (Def. 4 a pagina XII), poiché:

|I| k→+∞ +
ẽ(k) = −−−−→ 0
2k+1

In figura Fig. 2.1 nella pagina successiva è rappresentato l’andamento dell’errore

de metodo di bisezione per calcolare lo zero della seguente funzione:

1
f (x) = √ + ln(x + 1) α = 1,020 747
x+1

Inoltre, sempre dell’Eq. (2.1), si può anche calcolare il numero minimo di passaggi

34
 100

10−4

10−8

10−12

10−16
0 10 20 30 40 50
Figura 2.1: Esempio dell’andamento degli errori del metodo di bisezione in funzione
del numero delle iterazioni su un grafico semilogaritmico: in particolare, in azzurro è
riportato l’errore effettivo, mentre in arancione l’errore stimato.

necessari per raggiungere una predeterminata tolleranza:

b−a b−a
ẽ(k) = < toll =⇒ k > log2
2k+1 toll

Definizione 2.1.1 (Convergenza di ordine p). Un metodo iterativo per la ricerca

degli zeri si dice che converge con ordine p se vale:

x(k+1) − α
lim ( (k) )p = µ
k→+∞ x −α

dove µ è una costante di R, indipendente da k, chiamata fattore di convergenza

asintotico.

In generale quindi, si cerca di avere p maggiore possibile, per avere una con-
vergenza più veloce allo zero della funzione. Nel caso del metodo di bisezione il
metodo converge con andamento lineare (p = 1), infatti:

x(k+1) − α ẽ(k+1) (b − a)/2(k+1) 2k 1

lim = lim = lim = lim =
k→+∞ x(k) − α k→+∞ ẽ(k) k→+∞ (b − a)/2(k) k→+∞ 2(k+1) 2

35
2.2 Metodo di Newton
2.2.1 Metodo di Newton semplice
Il metodo di Newton è uno strumento potente per ricercare uno zero α di una
data funzione f ∈ C 1 (I) con I = [a, b] ⊆ R. Il principio di base è quello di
approssimare la soluzione con l’intersezione della retta tangente al un punto della
funzione con l’asse delle ascisse. Per ricavare il metodo, si consideri l’espansione
con il polinomio di Taylor dell’intorno di x0 arrestata al primo ordine di una
generica funzione f ∈ C 1 (I):
( )
y(x) = f (x0 ) + f ′ (x0 )(x − x0 ) + o (x − x0 ) (2.2)

Ipotizzando di trascurare i termini di grado superiore al primo e imponendo la

condizione di intersezione y(x) = 0 si ottiene:

f (x0 )
x = x0 −
f ′ (x0 )

Dato che si vuole approssimare x ≃ α si può scrivere un algoritmo che sia in

grado di reiterare questo processo:

x(0) arbitrario, sufficientemente vicino a α

Per k = 0, 1, 2, . . .
f (x(k) )
x(k+1) = x(k) − con f ′ (x(k) ) ̸= 0
f ′ (x(k) )

Questo metodo purtroppo ha in sé un grande svantaggio: le tecnica deriva da

un’approssimazione mediante un polinomio di Taylor (Eq. 2.2), che in quanto tale
vale solo in un intorno del punto x0 ; per questo motivo non è per nulla detto che
il metodo converga alla soluzione ∀x ∈ R, ma si può affermare senza particolari
problemi che per ogni scelta di x(0) sufficientemente vicina allo zero α si ha la
convergenza.

Teorema 2.2.1 (Convergenza metodo di Newton). Data una funzione f ∈ C 1 (I),

α ∈ I tale che f (α) = 0, si ha che ∀x(0) ∈ I assegnato arbitrario sufficientemente

36
vicino a α la convergenza del metodo di Newton è garantita.
Se inoltre f ∈ C 2 (I) il metodo di Newton converge con ordine p = 2:

x(k+1) − α 1 f ′′ (α)
lim ( ) =
k→+∞ x(k) − α 2 2 f ′ (α)

2.2.2 Metodo di Newton modificato

Un aspetto importante sugli zeri di una funzione di cui ancora non si è discusso
è legato alla molteplicità di quest’ultimi (Def. 2.2.1). Tale proprietà influenza in
modo non indifferente la convergenza del metodo di Newton, pertanto val la pena
di analizzare con cura questo fenomeno.

Definizione 2.2.1 (Molteplicità di uno zero). Sia f ∈ C m (Iα ), con m ≥ 1 e

m ∈ N. Lo zero α della funzione f ha molteplicità pari a m se:

f (i) (α) = 0 ∀i = 1, 2, . . . , m − 1 e f (m) (α) ̸= 0

In particolare si dice che α è uno zero semplice se m = 1, mentre che α è uno zero
multiplo se m > 1. Inoltre la radice α ha molteplicità m se e solo se f (x) può
essere riscritta come:

f (x) = (x − α)m g(x) con g(α) ̸= 0

Teorema 2.2.2 (Convergenza metodo Newton semplice per zeri multipli). Se

f ∈ C 2 (Iα ) ∩ C m (Iα ) e x(0) sufficientemente vicino allo zero α allora il metodo di
Newton semplice converge con p = 1:

x(k+1) − α 1
lim = 1 −
k→+∞ x(k) − α m

Dimostrazione 2.2.1 (Convergenza metodo Newton semplice per zeri multipli).

Si supponga che α abbia molteplicità m, dalla Def. 2.2.1 si ha che:

f (x) = (x − α)m g(x) con g(α) ̸= 0, (2.3)

37
Il metodo di Newton può essere riscritto come una funzione ϕ(x) tale che:

f (x)
ϕ(x) = x −
f ′ (x)

e sostituendo l’espressione descritta dall’Eq. (2.3) si ha che:

(x − α)m g(x)
ϕ(x) = x −
m(x − α)m−1 g(x) + (x − α)m g ′ (x)
(x − α)g(x)
=x−
mg(x) + (x − α)g ′ (x)

Derivando l’espressione ϕ(x) per la variabile x si ottiene:

′
[ ′
]
mg 2
(x) + (x − α)g (x) 1 + mg(x) + (x − α)g (x)
ϕ′ (x) = 1 − ( )2 +
mg(x) + (x − α)g ′ (x)
mg ′ (x) + g ′ (x) + (x − α)g ′′ (x)
+ (x − α)g(x) ( )2
mg(x) + (x − α)g ′ (x)

che valutata in corrispondenza dello zero α vale:

mg 2 (α) 1
ϕ′ (α) = 1 − 2 2
=1− con m > 1
m g (α) m

Quindi il Teo. 2.2.2 afferma che tanto più è grande m tanto più è lenta la con-
vergenza del metodo. Tale complicazione spesso non è accettabile, perché impiega
grande potenza computazionale per risolvere un’equazione.
Per fortuna, è possibile migliorare la convergenza introducendo una costante m
davanti al rapporto della funzione con la sua derivata. L’algoritmo diventa quindi:

x(0) arbitrario, sufficientemente vicino a α

Per k = 0, 1, 2, . . .
f (x(k) )
x(k+1) = x(k) − m con f ′ (x(k) ) ̸= 0
f ′ (x(k) )

Teorema 2.2.3 (Convergenza metodo di Newton modificato). Dato m ∈ N, con

m > 1, f ∈ C 2 (Iα ) ∩ C m (Iα ) e x(0) sufficientemente vicino allo zero α allora il

38
metodo di Newton modificato converge con p = 2.

2.3 Risoluzione di sistemi non lineari

Molto spesso accade che un problema non sia risolvibile tramite una sola equa-
zione, ma che sia necessario trattarlo mediante l’uso di più equazioni non lineari
accoppiate. Si consideri la funzione non lineare vettoriale del tipo:

F(x) : Rn −→ Rn

Risolvere un sistema di equazioni non lineare con soluzione α significa andare a

trovare gli zeri della funzione F:

α ∈ Rn | F(α) = 0

A questo punto si può pensare di andare a generalizzare i metodi visti nei para-
grafi precedenti per le funzioni a una sola variabile reale. Purtroppo però il metodo
più semplice, cioè quello di bisezione (Sez. 2.1) non può essere implementato per
le funzioni con dominio di dimensione superiore a quella di R, perché non si riesce
a dividerlo ogni volta in due parti uguali. Rimane quindi il metodo di Newton
(Sez. 2.2.1) la cui versione base può essere facilmente estesa per domini di Rn .
Definizione 2.3.1 (Matrice Jacobiana). Data una funzione F ∈ C 1 (Rn ), si defi-
nisce matrice Jacobiana la matrice le cui componenti sono pari a:

[ ] ∂fi ∀i = 1, 2, . . . , n
JF = (x)
ij ∂xj ∀j = 1, 2, . . . , n

dove fi rappresenta la funzione vettoriale Rn −→ R corrispondente alla i-esima

componente di F.
Come suggerisce la Def. 2.3.1 l’equivalente della derivata prima per le funzioni
vettoriali del tipo F : Rn −→ R è data dalla matrice Jacobiana, pertanto l’Eq. (2.2)
estesa a domini di più dimensioni diventa:
( )
F(x) = F(x0 ) + JF (x0 )(x − x0 ) + o ∥x − x0 ∥

39
 Ancora una volta trascurando i termini di ordine superiore al primo, imponendo
che la funzione sia nulla in x e ipotizzando che det(JF ) ̸= 0 si ottiene un sistema
lineare con incognita δx:

JF (x0 ) (x − x0 ) = −F(x0 )
| {z }
=δx

JF (x0 )δx = −F(x0 )

Come già analizzato prima, per ottenere l’algoritmo del metodo basta reiterare il
processo:

x(0) arbitrario
Per k = 0, 1, 2, . . .
JF (x0 (k) )δx(k) = −F(x(k) ) si calcola δx(k)
x(k+1) = x(k) + δx(k)

Per determinare quale sia il metodo migliore per risolvere il sistema lineare, si
rimanda al Cap. 1 a pagina 2.

Teorema 2.3.1 (Convergenza metodo di Newton per sistemi non lineari). Se

F ∈ C 2 (Iα ) con Iα ⊆ Rn e assegnato arbitrariamente x(0) sufficientemente vicino
allo zero semplice α allora il metodo di Newton per sistemi di equazioni non lineari
converge con ordine p = 2.

2.4 Iterazioni di punto fisso

Alcune delle funzioni f : R −→ R ammettono dei punti fissi, cioè dei punti α tali
per cui:
α ∈ R | f (α) = α (2.4)

Un esempio di queste funzioni è rappresentato dalla funzione cos(x) la quale pos-

siede un punto fisso in corrispondenza di 0,739 085 rad. Come evince dall’esempio

40
riportato in Fig. 2.2, il punto fisso di una funzione può essere interpretato come
intersezione con la bisettrice del primo e terzo quadrante.
La grande utilità delle iterazioni di punto fisso è rappresentata dal fatto che
possono essere utilizzate per la ricerca di zeri di alcune funzioni. Infatti:

ϕ(α) = α =⇒ ϕ(α) − α = 0

Quindi il punto fisso α della funzione coseno corrisponde allo zero della funzione:

f (x) = ϕ(x) − x

Teorema 2.4.1 (Convergenza globale iterazioni di punto fisso). Sia ϕ(x) una
funzione a variabili reali ϕ(x) : R −→ R.

1. Se ϕ ∈ C 0 ([a, b]) e ϕ(x) ∈ [a, b] ∀x ∈ [a, b] allora esiste almeno un punto fisso
della funzione ϕ in [a, b].

2. Se inoltre, ∃ L ∈ [0, 1) tale che |ϕ(x1 ) − ϕ(x2 )| ≤ L|x1 − x2 | ∀x1 , x2 ∈ [a, b]

allora esiste un solo punto fisso e l’algoritmo converge ad α ∀x(0) ∈ [a, b].

3. Se inoltre, ϕ ∈ C 1 ([a, b]) con |ϕ′ (x)| < 1 ∀x(0) ∈ [a, b] allora esiste un solo
punto fisso e l’algoritmo converge almeno linearmente. Inoltre:

x(k+1) − α
lim = ϕ′ (α)
k→+∞ x(k) − α

L’algoritmo delle iterazioni di punto fisso risulta dunque:

x(0) ∈ [a, b] arbitrario

Per k = 1, 2, 3, . . .
x(k+1) = ϕ(x(k) )

Teorema 2.4.2 (Valor medio di Lagrange). Sia f ∈ C 1 ([a, b]) allora esiste almeno
un ξ ∈ [a, b] tale che:
f (a) − f (b) = f ′ (ξ)(a − b)

41
 1.5 y

1
α

0.5

x
0.5 1 1.5 2
Figura 2.2: Punto fisso della funzione y(x) = cos(x), ottenuto dall’intersezione della
funzione cos(x) con la bisettrice del primo e quarto quadrante (tratteggiata).

Teorema 2.4.3 (Convergenza locale di Ostrowski). Se ϕ ∈ C 1 ([a, b]) e |ϕ′ (x)| < 1,
assegnato un x(0) arbitrario abbastanza vicino ad α allora il metodo iterativo di
punto fisso converge con ordine p = 1:

x(k+1) − α
lim = ϕ′ (α)
k→+∞ x(k) − α

Dimostrazione 2.4.1 (Convergenza locale di Ostrowski). Sostituendo all’espres-

sione x(k+1) −α la definizione di punto fisso (Eq. (2.4)) e l’algoritmo x(k+1) = ϕ(x(k) )
si ottiene:
x(k+1) − α = ϕ(x(k) ) − ϕ(α) ξ (k) ∈ [x(k) , x(k+1) ]

che per il teorema del valore medio di Lagrange (Teo. 2.4.2) è pari a:

x(k+1) − α = ϕ′ (ξ (k) )(x(k) − α)

Riarrangiando l’equazione si ottiene il rapporto

x(k+1) − α
= ϕ′ (ξ (k) )
x(k) − α

Inoltre sapendo che per k → +∞, x(k) → α e ξ (k) → α, poiché il valore di ξ (k) è

42
limitato all’intervallo [x(k) , x(k+1) ]; quindi per il teorema del confronto semplice:

ϕ′ (ξ (k) ) −−−−→ ϕ′ (α)

k→+∞

Quindi se |ϕ′ (x)| < 1 (una delle ipotesi del teorema) si avrà la convergenza, se
invece |ϕ′ (x)| > 1 il metodo non arriverà alla soluzione, a meno che x(0) ∼
= α. Vi
′
è poi un caso limite dato da |ϕ (x)| = 1, in questo caso la convergenza del metodo
dipende solamente dalla scelta della prima iterata x(0) .

Teorema 2.4.4 (Convergenza locale di Ostrowski). Se ϕ ∈ C 2 ([a, b]), con derivata

prima e seconda valutata nel punto ϕ′ (α), ϕ′′ (α) ̸= 0 e scelto x(0) sufficientemente
vicino ad α allora il metodo converge quadraticamente, quindi con p = 2:

x(k+1) − α 1 ′′
lim ( )2 = ϕ (α)
k→+∞ x (k) −α 2

2.4.1 Metodo di punto fisso per funzioni vettoriali

La definizione di punto fisso (Eq. (2.4)), può essere facilmente estesa anche a tutte
le funzioni vettoriali. Con lo stesso principio di prima, si può infatti affermare che
un punto fisso di una funzione ϕ(x) : Rn −→ Rn è un punto α tale per cui:

α ∈ Rn | ϕ(α) = α

Anche i punti fissi di funzioni vettoriali possono essere utilizzati per ricercare lo
zero della funzione F(x) = ϕ(x) − x, tramite l’algoritmo:

x(0) arbitrario
Per k = 0, 1, 2, . . .
x(k+1) = ϕ(x(k) )

Teorema 2.4.5 (Convergenza iterazioni di punto fisso vettoriali). Se il raggio

spettrale |ρ(Jϕ )| < 1 allora il metodo delle iterazioni di punto fisso converge almeno
linearmente.

43
2.4.2 Metodo di Newton come iterazione di punto fisso
il metodo di Newton, già descritto nella Sez. 2.2.1 a pagina 36, può essere analizzato
come un caso particolare dei iterazione di punto fisso, infatti:

f (x(k) )
x(k+1) = x(k) − = ϕN (x(k) ) (2.5)
f ′ (x(k) )

Derivando la funzione ϕN (x) rispetto alla variabile x si ottiene:

f (x)f ′′ (x)
ϕ′N (x) = ( )2
f ′ (x)

Inoltre, espandendo in serie di Taylor la funzione ϕ′N (x) nell’intorno di α fino

all’ordine m, per il quale si ha la prima derivata non nulla nel punto si ottiene la
seguente espressione:
1
ϕ′N (α) = 1 −
m
Quindi ancora una volta si ha che il metodo di Newton (analizzato come iterazione
di punto fisso) converge linearmente se α è uno zero multiplo e quadraticamente
se lo zero è semplice (si era già giunti a tale risultato nel Teo. 2.2.2 a pagina 37).

x(k+1) − α 1 f ′′ (α)
lim ( )2 = con f ′ (α) ̸= 0
k→+∞ x(k) − α 2 f ′ (α)

Anche il metodo di Newton coniugato può essere analizzato come iterazione di

punto fisso: in questo caso l’Eq.(2.5) diventa:

f (x(k) )
x(k+1) = x(k) − m = ϕM (x(k) ) (2.6)
f ′ (x(k) )

Derivando ancora la funzione ϕM (x(k) ), valutandola nello zero α ed espandendo

in serie di Taylor l’espressione ottenuta, fino alla prima derivata m non nulla nel
punto, si ottiene:
1
ϕ′N (α) = 1 − m = 0 ∀m ≥ 1
m
Quindi si ha sempre convergenza quadratica, qualsiasi sia la moltplicità m dello
zero, ancora abbaiamo ottenuto lo stesso risultato del Teo. 2.2.2.

44
2.5 Criteri di arresto
Come si è analizzato nei precedenti paragrafi, la maggior parte dei metodi numerici
per il calcolo degli zeri è di tipo iterativo, per cui si devono trovare dei parametri
adatti ad arrestare il processo quando il risultato ottenuto giunge al di sotto delle
tolleranze prefissate.
Per ovviare a questo problema esistono principalmente due diverse tipologie di
criteri:

Differenza di due iterate successive questo è un criterio particolarmente utile

se si vuole valutare quanto sia efficace o meno proseguire con le iterazioni: il
criterio si arresta quando i benefici portate da eventuali passaggi successivi
diventano trascurabili.

toll + 1 per k = 0
ẽ(k) =
δ (k) = x(k) − x(k+1) per k ≥ 1

Condizione di arresto: ẽ(k) ≤ toll

Residuo a differenza di quanto visto per i sistemi lineari, questo criterio di arresto
è indice dell’errore assoluto che si sta commettendo (la soluzione è sempre
nota, poiché si ricerca sempre lo zero della funzione).

ẽ(k) = r(k) = f (r(k) )

Condizione di arresto: ẽ(k) ≤ toll

I criteri appena visti possono essere facilmente estesi alla risoluzione di sistemi
non lineari (Sez. 2.3 a pagina 39), sostituendo il valore assoluto, con la norma dello
zero.

45
Capitolo 3

Approssimazioni di funzioni e dati

Questo capitolo ha come obiettivo presentare le principali tipologie di approssi-

mazioni di funzioni e dati, che rappresentano tecniche essenziali in alcuni campi
scientifici. Tendenzialmente si ricorre all’approssimazione per due principali moti-
vi: per semplificare problemi che altrimenti risulterebbero impossibili da risolvere
(come il calcolo di alcuni integrali definiti, oppure la risoluzione problemi differen-
ziali. . . ) e per trovare delle correlazioni empiriche per i risultati di esperimenti o
statistiche.
Un esempio semplice di questi metodi può essere rappresentato dall’espansione
in serie di Taylor, che permette di approssimare molto bene una funzione assegnata
nell’intorno di un punto.

Definizione 3.0.1 (Polinomio di Taylor). Si consideri un intervallo [a, b] e una

funzione f (x) : [a, b] −→ R tale che f (x) ∈ C (n−1) ([a, b]). Dato un punto x0 ∈ (a, b)
si chiama polinomio di Taylor l’espressione:

′ f ′′ (x0 ) f (n) (x0 )

Tn (f, x) = f (x0 ) + f (x0 )(x − x0 ) + (x − x0 ) + · · · +
2
(x − x0 )n
2 n!

Oppure in forma compatta:

∑
n
f (k) (x0 )
Tn (f, x) = (x − x0 )k
k=0
k!

46
e si ha che:
f (x) = Tn (f, x) + Rn (x)

dove Rn (x) è una funzione che indica il resto dell’approssimazione.

Teorema 3.0.1 (Resto di Peano e di Lagrange). Il resto del polinomio di Taylor,

secondo Peano è pari a:
( )
Rn (x) = o (x − x0 )n

mentre secondo Lagrange vale:

f (n) (ξ)
Rn (x) = (x − x0 )n con ξ ∈ (x, x0 )
n!

All’interno dell’ambiente MATLAB® è implementato un tool che permette di

calcolare e visualizzare con grande semplicità il polinomio di Taylor di una data
funzione:

taylortool

Oltre a questo, è anche disponibile una funzione per il calcolo del polinomio di
Taylor per funzioni a variabili simboliche:

T = taylor(f, var, x0)

dove T è il polinomio di Taylor, f e x sono rispettivamente la funzione e la variabile

simbolica mentre x0 il punto su cui si ricerca il polinomio.
Il polinomio di Taylor ha una grandissima utilità, ma purtroppo consente una
buona approssimazione della funzione solo in un intorno relativamente piccolo,
attorno al punto in cui è centrata, oltre che richiedere notevoli sforzi di calcolo.
Per questo motivo vanno ricercati metodi più efficaci per approssimare le funzioni.
Si supponga dunque di avere un insieme di n + 1 nodi distinti:
{ }n
xi i=0 xi ̸= xj ∀i ̸= j

Per ognuno di essi è definito un dato, quindi si conoscono n + 1 punti distinti:

{ }n
(xi , yi ) i=0 xi ̸= xj ∀i ̸= j

47
e inoltre se è nota la funzione che definisce gli yi si può scrivere:
{ }n
(xi , f (xi )) i=0 xi ̸= xj ∀i ̸= j

Definizione 3.0.2 (Interpolazione ai nodi). Fare un’interpolazione ai nodi signi-

fica andare a ricercare una funzione interpolante f˜(x) tale che:

f˜(xi ) = yi ∀i = 0, 1, . . . , n

In generale esistono molteplici topologie di funzioni interpolanti e ognuna di es-

se presenta dei pregi, dei difetti e quindi si adatta meglio di altre ad un determinato
contesto; in ogni caso le più usate sono senza dubbio quelle:

• Polinomiali
f˜(x) = a0 + a1 x + a2 x2 + · · · + an xn

• Razionali
a0 + a1 x + a2 x 2 + · · · + an x n
f˜(x) =
b0 + b1 x + b2 x 2 + · · · + b m x m

• Trigonometriche
∑
n
f˜(x) = cj eijx
j=−n

• Esponenziali
f˜(x) = k1 ax1 + . . .

• Splines

Per semplicità si tratteranno solamente gli interpolanti che dipendono solo linear-
mente dai loro coefficienti incogniti; quindi dall’elenco precedente sono escluse le
sole interpolazioni razionali ed esponenziali.

3.1 Interpolazione polinomiale

La più semplice tra tutte le interpolazioni è quella polinomiale. Essa è molto utile
perché i polinomi sono delle funzioni molto semplici da gestire durante i calcoli (in

48
particolare per i calcolo degli zeri, integrali, derivate. . . ), ma purtroppo si vedrà
che non sempre riescono a seguire bene la funzione che interpolano. Prima di
procedere con i metodi di interpolazione polinomiale si analizzano le proprietà
dell’insieme P.

Definizione 3.1.1 (Spazio vettoriale dei polinomi). Un generico polinomio è

un’espressione del tipo:

pn (x) = a0 + a1 x + a2 x2 + · · · + an xn

Se il coefficiente an ̸= 0 si dice che il polinomio ha grado n e si scrive:

pn (x) ∈ Pn

dove Pn è lo spazio vettoriale di tutti i polinomi di grado inferiore o uguale a n.

3.1.1 Interpolazione polinomiale di Lagrange

Iniziamo dunque con analizzare un polinomio che interpoli tutti i nodi distinti del
problema.

Teorema 3.1.1 (Esistenza e unicità polinomio interpolante). Dati n + 1 nodi

distinti {xi }ni=0 ⊂ I, esiste un solo polinomio di grado al più n:

∃! Πn (x) ∈ P

che interpola i dati, ossia:

Πn (xi ) = yi ∀i = 0, 1, . . . , n

Data inoltre una funzione f (x) ∈ C 0 (I) tale che f (xi ) = yi , esiste un solo
polinomio di grado al più n che interpola f (x) nell’intervallo I:

∃! Πn f (x) ∈ P Πn f (xi ) = yi ∀i = 0, 1, . . . , n

49
Dimostrazione 3.1.1 (Unicità polinomio interpolante). Si supponga per assurdo
che vi siano due diversi polinomi dello stesso grado (al più n) che interpolano gli
stessi punti:
∃ Π1n (x), Π2n (x) ∈ P con Π1n (x) ̸= Π2n (x)

Dato che entrambi i polinomi hanno grado al più n una loro generica combinazione
lineare sarà ancora un un polinomio di grado al più n; tra le infinite possibili si
scelga:
.
Πn (x) = Π1n (x) − Π2n (x) Πn (x) ∈ Pn

Ora per definizione di polinomio interpolante (presente all’interno del Teo. 3.1.1)
si ha che:

Πn (xi ) = Π1n (xi ) − Π2n (xi ) = yi − yi = 0 ∀i = 0, 1, . . . , n

Quindi il polinomio Πn (x) ha n + 1 zeri. Tuttavia, per il teorema fondamentale

dell’algebra, un polinomio di grado n non può avere n + 1 zeri, a meno che:

Πn (x) ≡ 0 =⇒ Π1n (x) ≡ Π2n (x)

Nella dimostrazione precedente si è visto che se il polinomio interpolante esiste

allora questo è unico. Il nuovo problema è quindi quello di costruire l’espressione
del polinomio.
Come si evince dalla Def. 3.1.1 tutti i polinomi di grado al massimo n sono
elementi di uno spazio vettoriale, chiamato Pn di dimensioni dim(Pn ) = n + 1;
pertanto ha senso definire una base vettoriale dello spazio, come ad esempio:
{ }
Pn = span 1, x, x , . . . , x
2 n

Naturalmente la base non è unica, ma, come per tutti gli spazi vettoriali, ne
esistono infinte diverse in grado di generare l’intero Pn .

Definizione 3.1.2 (Base di Lagrange). Assegnati n + 1 nodi distinti {xi }ni=0 , si

50
definisce base di Lagrange o polinomio caratteristico di Lagrange:

φi (x) ∈ Pn | φk (xi ) = δki ∀k = 0, 1, . . . , n

dove δki è il delta di Kronecker (Def. 3.1.3).

Definizione 3.1.3 (Delta di Kronecker). Si definisce delta di Kronecker la seguen-

te espressione: 
0 per i ̸= j
δij =
1 per i = j

La base di Lagrange era l’ultimo elemento necessario per costruire il polinomio

che sia in grado di interpolare i dati.

Dimostrazione 3.1.2 (Esistenza polinomio interpolante). Per definizione, un po-

linomio interpolante deve per forza passare per tutti i punti assegnati. Tale con-
cetto può essere espresso in formule tramite combinazione lineare degli elementi
della base di Lagrange, che garantiscano che ognuno di essi valga uno solamente
quando deve interpolare il nodo ad esso associato e sia nullo altrove. Il tutto viene
poi pesato sul valore dell’ordinata del punto da cui deve passare:

∑
n
Πn (x) = yi φi (x)
i=0

Il problema si è spostato dal trovare l’intero polinomio a scrivere in maniera anali-

tica gli n + 1 elementi φi (x) della base di Lagrange. Ognuno di essi deve soddisfare
le due proprietà seguenti:

1. Deve essere nullo in tutti i k nodi diversi dall’i-esimo nodo che deve inter-
polare, per cui:
∏
n
φi (x) = H (x − xk )
k=0
k̸=i

dove H è una costante reale da determinare.

51
 2. Deve valere uno nel’i-esimo nodo che deve interpolare; imponendo questa
condizione si ottiene:

∏
n
1
φi (xi ) = 1 =⇒ H (xi − xk ) = 1 =⇒ H = ∏n
k=0 (xi − xk )
k=0 k̸=i
k̸=i

Per queste ragioni il generico polinomio che interpola gli n + 1 nodi assegnati è
esprimibile come:
∏n
∑
n ∑
n k=0 (x − xk )
yi ∏n
k̸=i
Πn (x) = yi φi (x) =
i=0 i=0
k=0 (xi − xk )
k̸=i

Questa espressione di chiama polinomio interpolante di Lagrange.

A primo impatto la formula sembra molto complicata, ma è molto meccanica

e basta applicarla un paio di volte per impararla:

Esempio 3.1.1 (Calcolo polinomio interpolante di Lagrange). Si considerino i

punti P0 (1, 1), P1 (−1, 2) e P2 (0, 0). Trovare il polinomio interpolante di Lagrange.
Per prima cosa serve trovare le basi φ0 (x), φ0 (x) e φ0 (x). Per farlo basta
scrivere un numero n di parentesi a numeratore a denominatore (in questo caso
2), poi si scrive (x − . . . ) all’interno delle parentesi a numeratore e (a − . . . )
a denominatore (dove a è l’ascissa del punto della base). Infine si riempiono i
puntini inserendo uno alla volta le ascisse di tutti gli altri punti:

(x − . . . )(x − . . . )
φa (x) = = ...
(a − . . . )(a − . . . )
(x − (−1))(x − 0) x2 + x
φ0 (x) = =
(1 − (−1))(1 − 0) 2
(x − 1)(x − 0) x −x
2
φ1 (x) = =
(−1 − 1)(−1 − 0) 2
(x − 1)(x − (−1))
φ3 (x) = = −x2 + 1
(0 − 1)(0 − (−1))

Una volta trovate la basi si moltiplica per l’ordinata del rispettivo punto si som-

52
 3 y

2
P1

1
P2 P0
x
−2 −1 1 2

−1

Figura 3.1: Esempio di interpolazione polinomiale con polinomio di Lagrange.

mano tutte (notare che si poteva evitare di calcolare φ2 (x), poiché y2 = 0).

x2 + x x2 − x 3 1
Π2 (x) = 1 +2 + 0(−x2 + 1) = x2 − x
2 2 2 2

Nella Fig. 3.1 è rappresentato l’esempio appena descritto.

A questo punto è necessario andare a quantificare l’errore che si commette

quando si approssima una funzione con il suo polinomio interpolante. Ovviamen-
te tutto questo è possibile solamente i punti analizzati sono appartenenti a una
funzione nota.

Definizione 3.1.4 (Errore di interpolazione). Sia I ⊂ R un intervallo limitato

tale che {xi }ni=0 ⊂ I e sia f (x) una funzione generica da interpolare sull’intervallo.
Si definisce errore di interpolazione En f (x) la differenza:

En f (x) = f (x) − Πn f (x)

e inoltre si può definire un parametro en (f ) che non sia funzione di x, ma che

sia indice dell’errore commesso nell’interpolazione. Tale grandezza, in formule è
espressa come:
en (f ) = max|En f (x)|
x∈I

53
Teorema 3.1.2 (Errore di interpolazione). Dati {xi }ni=0 ⊂ I noti distinti, che
appartengono a una funzione f ∈ C n+1 (I) allora l’errore di interpolazione è pari
a: ( )
f (n+1) ξ(x)
En f (x) = ωn (x)
(n + 1)!
con ξ(x) ∈ I. Il termine ωx (x) ci chiama polinomio nodale ed è pari a:

∏
n
ωn (x) = (x − xi )
i=0

Inoltre si può dire che:

1
en (f ) ≤ max f (n+1) (x) max|ωn (x)|
(n + 1)! x∈I x∈I

La formula che propone il Teo. 3.1.2 è molto generica e in generale poco utile,
serve quindi riarrangiarla in qualche modo per ottenere una grandezza utile a
risolvere i problemi di calcolo. Per farlo però, bisogna definire la tipologia dei nodi
che si vuole utilizzare.

Nodi equispaziati

Teorema 3.1.3 (Errore interpolazione con nodi equispaziati). Si considerino n+1

nodi equispaziati su un intervallo I = [a, b] del tipo :

a = x0 < x 1 < · · · < x n = b

b−a
xi = ih + a con h =
n

Allora il valore massimo (in modulo) che può assumere il polinomio nodale ωn (x)
è pari a:
n!
max|ωn (x)| = hn+1
x∈I 4
Quindi il massimo valore dell’errore di interpolazione vale:

hn+1
en (f ) = max f (n+1) (ξ)
4(n + 1) ξ∈I

54
Dimostrazione 3.1.3 (Errore interpolazione con nodi equispaziati). Il problema
principale è sistemare il valore del polinomio nodale, in modo da poter trovare una
limitazione superiore al valore. Si consideri dunque il suo valore assoluto:

∏
n ∏
n
| ωn (x)| = (x − xi ) = |x − xi |
i=0 i=0

Supponga che il generico valore x appartenga al primo intervallo dei nodi [x0 , x1 ].
Si sa per certo che se x = x0 , x1 la moltiplicazione dei primi due termini della
produttoria sarà nulla. Inoltre, essendo una moltiplicazione del valore assoluto di
due polinomi la funzione sarà continua. Quindi la funzione |x − x0 ||x − x1 | avrà
(per il teorema di Rolle) almeno un punto di massimo, che per ovvie ragioni sarà
al centro dell’intervallo. In formule:

hh h2
|x − x0 ||x − x1 | ≤ =
22 4

Dato che x ∈ [x0 , x1 ] le distante da tutti gli altri punti sono facilmente calcolabili:

|x − x2 | ≤ 2h |x − x3 | ≤ 3h ... |x − xn | ≤ nh

Mettendo insieme i risultati ottenuti si ottiene:

∏n
h2 hn+1
| ωn (x)| = |x − xi | ≤ n! hn−1 = n!
i=0
4 4

Si ma questo è effettivamente l’intervallo peggiore per valutare ωn (x)? Sì. Si

consideri ad esempio il punto di mezzo del primo intervallino e il punto di mezzo
dell’intervallino centrale. La distanza che c’è tra il punto di mezzo dell’intervallino
esterno dai nodi dell’altro capo del polinomio è circa il doppio della distanza che
c’è tra gli stessi nodi dal punto centrale, quindi i punti per cui ωn (x) è maggiore
sono proprio quelli appartenenti agli intervalli esterni.

Il Teo. 3.1.3 e più in generale il Teo. 3.1.2 non garantiscono in alcun modo che
aumentando il numero dei nodi l’errore dell’interpolazione diminuisca, perché il
massimo della derivata (n + 1)-esima potrebbe tendere a infinito più velocemente

55
 2 y
0.6 y

0.4
1

0.2
x
x
−3 −2 −1 1 2 3
−3 −2 −1 1 2 3

−0.2
−1
(a) Funzione di Runge (azzurro) con con po- (b) Andamento dell’errore En f (x): in aran-
linomi di Lagrange di grado 5 (arancione) e 7 cione per il polinomio di Larange di grado 5
(magenta). e in magenta per quello di grado 7

Figura 3.2: Interpolazione della funzione di Runge e relativi errori.

[ ]−1
di quanto ωn (x) (n + 1)! tenda a zero. La regola dice che se:

n→+∞
max f (n+1 è limitato =⇒ en (f ) −−−−→ 0+
x∈I

Fenomeno di Runge

Esistono delle funzioni, anche apparentemente semplici, tali per però sono sempre
affette da un grande errore di interpolazione. Un esempio di esse è la funzione di
Runge, definita come:
1
f (x) =
1 + x2
Nonostante non abbia una forma particolarmente complessa da studiare, non si
presta per nulla bene all’interpolazione di Lagrange, sopratutto sugli estremi. Un
esempio di questo fenomeno è riportato in Fig. 3.2.

Teorema 3.1.4 (Stabilità rispetto a pertrurbazioni di dati). Data una funzione da

interpolare, molto spesso si può valutare la stabilità rispetto a piccole perturbazioni
di dati:

f (x) 7−→ Πn f (x)

f¯(x) = f (x) + ε 7−→ Πn f¯(x)

56
Si osserva che anche per piccolissime variazioni l’interpolazione si allontana di
molto dalla funzione originale, nel caso più generico possibile si scrive:

Πn f¯(x) − Πn f (x) ≫ ∥ε∥∞

Nodi non equispaziati

Per cercare di contrastare i grandi errori di interpolazione si cerca di trovare un

set migliore di nodi, non equispaziati. Come si nota bene dall’effetto di Run-
ge (Sez. 3.1.1), il maggior errore di interpolazione viene commesso sugli estremi
dell’intervallo, quindi si cerca di abbattere il valore dell’errore infittendo queste
zone.

Definizione 3.1.5 (nodi di Cebyëv-Gauss-Lobatto (CGL.)). Dato un intervallo

standard Iˆ = [−1, 1] si definiscono i n + 1 nodi di Cebyëv-Gauss-Lobatto (CGL.)
mediante l’espressione:
( )
πi
x̂1 = − cos ∀i = 0, 1 . . . , n
n

Questi possono essere estesi al generico intervallo [a, b] dilatandoli per la metà della
misura dell’intervallo e translandoli di un valore pari alla media aritmetica degli
estremi: ( )
a+b b−a πi
x1 = − cos ∀i = 0, 1 . . . , n
2 2 n
Teorema 3.1.5 (Errore interpolazione per nodi CGL.). Se la funzione da in-
terpolare f ∈ C (n+1) (I) e si usano i nodi CGL. il fenomeno di Runge non si
verifica:

lim Πn f (x) = f (x) ∀x ∈ I

n→+∞

lim en (f (x)) = 0
n→+∞

e anche i fenomeni di instabilità risultano molto mitigati.

57
 Tornando al problema della costruzione del polinomio interpolante si può pen-
sare di ricavare Πn (x) vincolandolo a passare per tutti gli n + 1 punti assegnati;
questo significa risolvere un sistema lineare del tipo:


 a0 + a1 x + a2 x2 + · · · + an xn = y0




a + a x + a x 2 + · · · + a x n = y
0 1 2 n 1
 .
.. .
.. .
..





a + a x + a x 2 + · · · + a x n = y
0 1 2 n n

=⇒ Ba = y

dove a è il vettore dei coefficienti incogniti, y le ordinate dei punti nodali e infine
B la matrice di Vandermonde, cioè una matrice della forma:
 
1 x1 x21 x31 . . . xn1
 
1 x2 x22 x32 . . . xn2 
V=
 .. .. .. 

. . .
1 xn xn x3n . . .
2
xnn

Ancora si può avere una prova che il polinomio di Lagrange esiste ed è unico,
poiché il determinante della matrice B può essere scritto come:
∏
det(B) = (xi − xj )
1≤i<j≤n

ed essendo tutti i nodi distinti per ipotesi det(B) ̸= 0 e quindi per il teorema
di Cramer esiste una sola soluzione al sistema e di conseguenza al problema di
interpolazione. Il problema di fondo è che la matrice di Vandermonde è mal con-
dizionata (K2 (B) ≫ 0) e, come visto nel Cap. 1 questo implica che i coefficienti
trovati saranno affetti da notevoli errori di calcolo.

3.1.2 Interpolazione polinomiale composita

L’interpolazione polinomiale composita lavora su un principio del tutto simile a
quello dell’interpolazione polinomiale semplice: la differenza tra i due metodi è

58
costituita dal fatto che in questo caso l’intervallo I = [a, b] viene diviso in tanti
[Link] del tipo:

Ii = [xi−1 − x1 ] ∀ii = 1, 2, . . . , n

È importante notare che non è stata fatta nessuna ipotesi in merito all’ampiezza
Hi degli intervalli. Di conseguenza si definisce ampiezza caratteristica l’ampiezza
dell’intervallino di misura massima:

H = max |Hi |
i=1,2,...,n

Definizione 3.1.6 (Polinomio interpolante lineare a tratti). Si chiama polinomio

1 (x) ∈ P1 definito come:
interpolante lineare a tratti il polinomio ΠH

ΠH
1 (x) = yi
yi − yi−1 ∀i = 1, 2, . . .
ΠH
1 (x) = yi−1 + (x − xi−1 )
xi − xi−1

Definizione 3.1.7 (Errore interpolazione lineare composita). Esattamente come

visto prima se la funzione f (x) è nota allora è possibile definire l’errore come:

1 f (x) − f (x)
e1H (f ) = max ΠH
x∈I

Teorema 3.1.6. Data una funzione f (x) ∈ C 2 (I) allora si ha che:

H2
1 (f ) ≤ ẽ1 (f ) =
eH H
max|f ′′ (x)|
8 x∈I

E di conseguenza si ha che l’errore converge quadraticamente con H.

Nella Fig. 3.3 è ripotato un esempio dell’interpolazione composita lineare: è

interessante notare che per bassi numeri di nodi il metodo approssima davvero
male la funzione, mentre per un alto numero d nodi l’errore di interpolazione è
piccolo.
In generale è possibile anche costruire un polinomio di grado r maggiore al

59
 y
10

x
−2 2 4 6

−10

Figura 3.3: Interpolazione lineare composita della funzione f (x) = 3x sin(x) − e−x ,
riportata in azzurro: nello specifico la spezzata arancione è stata costruita utilizzando
cinque nodi equispaziati, quella magenta utilizzandone nove.

Tabella 3.1: Tipologie di interpolazioni composite e relativi nodi necessari.

Tipologia polinomio Nodi necessari Figure geometriche

Lineare n+1 n rette

Quadratico 2n + 1 n parabole
Cubico 3n + 1 n cubiche
.. .. ..
. . .
n-simo grado rn + 1

primo che interpola in maniera composita dei nodi assegnati:

r (x) ∈ Pr
ΠH con x ∈ Ii ∀i = 1, 2, . . . , n

In questo caso si ha la necessità di avere ulteriori r − 1 nodi per ogni intervallino in

modo da avere sufficienti informazioni per eseguire l’interpolazione. Nella Tab. 3.1
è riportato in modo schematico questo concetto.

Teorema 3.1.7 (Errore di interpolazione polinomiale composita). Data una fun-

60
zione f ∈ C r+1 (I) allora l’errore di interpolazione è pari a:

1 (f ) ≤ ẽ1 (f ) = Cr H
eH con Cr ∈ R+
H r+1
max f (r+1) (x)
x∈I

In questo caso la convergenza sarà di ordine p + 1.

Nell’ipotesi di utilizzare nodi equispaziati di una distanza H = (b − a)/n si può
ricavare il numero minimo di nodi da utilizzare per avere l’errore massimo al di
sotto di una certa tolleranza:
√
Cr
ẽ1 (f ) ≤ toll
H
=⇒ n ≥ (b − a) r+1
max|f (r+1) (x)|
8 · toll x∈I

3.1.3 Interpolazione spline

Le spline sono delle interpolazioni composite costruite con tramite dei polinomi.
A differenza dell’interpolazione polinomiale composita (Sez. 3.1.2) vista in prece-
denza, le spline hanno l’obiettivo di aumentare il grado di continuità del polinomi
nei punti nodali. Questo significa che al posto di imporre dei vincoli di passaggio
per dei punti si impongono dei vincoli sulle derivate.

Definizione 3.1.8 (Interpolazione spline). Si chiama interpolazione spline un po-

linomio interpolante Sr (x) di grado al più r definito su ogni intervallo Ii che abbia
continue tutte le prime m derivate:

Sr (x) Ii
∈ Pr ∀i = 1, 2, . . . , n
Sr (xj ) = yj ∀i = 1, 2, . . . , n

(k) − ∀i = 1, 2, . . . , n
Sr(k) (x+
j ) = Sr (xj )
∀k = 1, 2, . . . , k

In generale esistono molte tipologie diverse di spline, come quella naturale, che
prevede che la derivata seconda del primo e dell’ultimo nodo sia nulla o quella
not-a-knot, la quale richiede che tutte le derivate terze di ogni nodo siano uguali
a destra e a sinistra. MATLAB® a meno di diverse istruzioni utilizza l’ultima ed
è richiamabile attraverso il comando:

PP = spline(x, y)

61
In cui il vettore PP contiene i coefficienti del polinomio, mentre x e y sono le
coordinate dei punti nodali. Se si vuole avere una function handle che dato un
qualsiasi valore appartenente all’intervallo restituisca il valore dell’interpolazione
di tipo spline basta inserire su MATLAB® l’espressione:
s = @(t) spline(x, y, t)
A questo punto basta richiamarla nel codice tramite s(t), per ottenere il valore
ricercato.

3.2 Metodo dei minimi quadrati

Il metodo dei minimi quadrati è molto utile quando si sta ricercando un certo tipo
di correlazione per legare dei punti. Si consideri ad esempio di essere in presenza di
un fenomeno e di voler ricavare, sotto opportune semplificazioni, una correlazione
che sia in grado di prevedere il comportamento dell’evento.
Per completare questo lavoro serve replicare il fenomeno per un numero suffi-
cientemente grande di volte, cambiando dove possibile i parametri che lo influen-
zano, e poi trovare una o più correlazioni che leghino gli effetti con le cause. Il
metodo dei minimi quadrati è una valida tecnica per trovare queste correlazioni.
Definizione 3.2.1 (Polinomio approssimante nel senso dei minimi quadrati). Dato
un insieme di n+1 dati {(xi , yi )}ni=0 e un numero intero m ∈ N se esiste la funzione
polinomiale f˜m (x) di grado m tale che:

∑
n
[ ]2 ∑
n
[ ]2
˜
yi − fm (xi ) ≤ yi − pm (xi ) ∀pm (x) ∈ Pm
i=0 i=0

si chiama polinomio approssimante nel senso dei minimi quadrati di grado m.

Nel caso più generico possibile è lecito scegliere un qualsiasi grado m ≤ n, ma
nella pratica comune si tendono a semplificare i problemi e quindi a scegliere un
grado del polinomio m ≪ n. Ovviamente se il grado scelto è proprio m = n il
polinomio approssimante nel senso dei minimi quadrati coincide con il polinomio
interpolante di Lagrange (Sez. 3.1.1 a pagina 49).

f˜n (x) ≡ Πn (x)

62
 0

−10

−20

−30

0 20 40 60 80 100
Figura 3.4: Il grafico mostra un esempio di un’interpolazione lineare nel senso dei
minimi quadrati di cento punti.

Nella Fig. 3.4 è riportato un possibile esempio di interpolazione ottenuta tramite

il metodo dei minimi quadrati.

Definizione 3.2.2 (Energia del vettore dei coefficienti). Dato il vettore dei coef-
ficienti b ∈ Rm si chiama energia del vettore la funzione:

ϕ(b) : Rm −→ R
∑
n
[ ]2
ϕ(b) = yi − (b0 + b1 x1 + · · · + bm xm
i ) (3.1)
i=0

Teorema 3.2.1 (Calcolo polinomio approssimante nel senso dei minimi quadrati).
Il polinomio approssimante nel senso dei minimi quadrati di un insieme di n+1 dati,
con x1 sono nodi distinti, è un polinomio di grado m il cui vettore dei coefficienti
minimizza la funzione ϕ(b) definita dall’Eq.(3.1):
[ ]
a ∈ Rm | ϕ(a) = minm ϕ(b)
b∈R

Dimostrazione 3.2.1 (Calcolo polinomio approssimante nel senso dei minimi

quadrati). Si consideri la Def. 3.2.1. È immediato dire che per soddisfare la defini-
zione il polinomio approssimante nel senso dei minimi quadrati deve minimizzare
l’Eq.(3.1). Essa è una funzione semidefinita positiva su tutto Rm , quindi se ammet-

63
te un punto stazionario, questo sarà un minimo assoluto. Per trovare i coefficienti
a si deve risolvere l’equazione vettoriale:

∇ϕ(b) a
=0 (3.2)

Derivando ϕ(b) rispetto alla generica componente k-esima si ottiene:

[ n ]
∂ϕ ∂ ∑[ m 2
]
(b) = yi − (b0 + b1 x1 + · · · + bm xi )
∂bk ∂bk i=0
∑n
∂ [ ]2
= yi − (b0 + b1 x1 + · · · + bm xm
i )
i=0
∂bk

Il polinomio può essere riscritto come somma di termini che vanno da zero (termine
noto) a m:

∑n [ ∑ m ]2
∂ϕ ∂
(b) = yi − j
bj x i
∂bk i=0
∂bk j=0
∑ n [ ∑m ]
=2 yi − j
bj xi xki
i=0 j=0

Imponendo quindi la condizione data dell’Eq. (3.2) si ottiene:

∑
n ∑
m ∑
n
aj xij+k = xki yi ∀k = 0, 1 . . . , m
i=0 j=0 i=0

Questo equivale a risolvere un sistema lineare di m + 1 ingonite del tipo:

Aa = q
a = (a0 , a1 , . . . , am )T a ∈ Rm (incognito)
∑n
[A]kl = xk+l
i ∀k, l = 0, 1, . . . , m A ∈ R(m+1)×(m+1)
i=0
∑
n
qk = xki yi ∀k = 0, 1, . . . , m q ∈ Rm
i=0

64
Importante notare che tutte sommatorie sull’indice i sono indipendenti dalla di-
mensione del problema lineare. Nello specifico l’indice i va da zero a n ed è relativo
ai nodi, gli indici k e l per la matrice e k per il vettore dei termini noti sono relativi
al sistema lineare. Per fare maggiore chiarezza si può riscrivere il sistema come:
 ∑ ∑    ∑ 
n+1 xi ... 
m
i xi
   
 
a  y 
∑ ∑i 2 
1

 
 ∑ i
i


 i xi 
 a1   
 . i xi  i y x
i i
 . .. ..   ..  =  .. 
 . . .  .    . 

∑ m ∑ 2m     ∑ m

i xi ... x
i i a m i y i x i

Si nota molto bene che la matrice A è simmetrica e definita positiva (se tutti i
nodi xi sono distinti) quindi il sistema è sempre risolvibile.

In merito agli errori commessi dal metodo dei minimi quadrati non si fanno
grandi considerazioni. In genere comunque si calcola il intervallo interpolante
tale per cui un possibile risultato di un esperimento ricada all’interno di esso con
probabilità nota.
Nell’ambiente MATLAB® sono invece disponibili due funzioni utili per inter-
polare un insieme di punti. La prima consente di trovare i coefficienti coeff un
polinomio di grado n che interpoli nel senso dei minimi quadrati un insieme di
punti di coordinate x, y:

coeff = polyfit(x, y, n)

Ovviamente se il grado n coincide con la lunghezza dei vettori x e y si otterranno

i coefficienti del polinomio interpolante di Lagrange (Sez. 3.1.1 a pagina 49). La
seconda funzione prende in ingresso un vettore di coefficienti p e un set di valori x
in cui valutare il polinomio.

z = polyval(p, x)

Infine se si vuole creare una function handle che, assegnato un valore t resituisca
il valore interpolato di un set di punti:

z = @(t) polyval(polyfit(x, y, n), t)

o anche di un seconda function handle più complicata:

65
 z = @(t) polyval(polyfit(x, f(x), n), t)

Sul sito di MATLAB® sono riportate con precisione tutte le altre funzionalità di
queste due applicazioni, come ad esempio il calcolo della media o della deviazione
standard dell’approssimazione ai minimi quadrati. . .

66
Capitolo 4

Integrazione e derivazione
numerica

Le operazioni di integrazione e di derivazione sono spesso alla base di problemi

di carattere scientifico-ingegneristico, quindi è necessario trovare e analizzare delle
tecniche che permettano di applicare i concetti di integrazione e derivazione ana-
lizzati finora solamente per via analitica, a tutti i problemi numerici che la pratica
comune propone. In questo capitolo verranno descritti i metodi e algoritmi che si
utilizzano maggiormente, per l’integrazione o la derivazione delle sole funzioni a
variabile reale.

4.1 Integrazione numerica

Dall’analisi di funzioni si sa che le funzioni che non sono puntualmente discontinue
(cioè quasi tutte. . . ) sono integrabili, ma in pratica non sempre è possibile trovare
il risultato di un integrale in forma esplicita, e anche nel caso in cui lo si conosca
potrebbe comunque essere complicato valutarlo.
∫
I(f ) = f (t)dt

Le tecniche di integrazione risolvono, almeno in parte, questo problema: tra-

mite l’uso di tali metodi tutte le funzioni si possono integrare in modo definito

67
ed, inoltre, è possibile, attraverso le proprietà della funzione integrale, creare un
algoritmo che restituisca il valore della primitiva di una funzione da un punto di
riferimento prefissato a un generico valore x.
∫ b ∫ x
I(f ) = f (t)dt =⇒ F (x) = f (t)dt
a x0

Tali tecniche, che prendono il nome di formule di quadratura, per raggiungere

questo risultato, calcolano, in maniera approssimata, il valore dell’area sottesa
alla curva f (t), attraverso due diverse classi di metodi:

Formule di quadratura semplici in cui la funzione f (t) viene approssimata da

una funzione f˜(t) di cui è più facile calcolare l’integrale sull’intervallo dato:

Iq (f ) ≃ I S (f˜) ∀x ∈ [a, b]

Formule di quadratura composite in cui si partiziona l’intervallo [a, b] in n

sotto-intervalli di ampiezza H, i cui estremi prendono di nuovo il nome di no-
di. Su ognuno dei sotto-intervalli si calcolano le funzione f˜k che approssimano
f (t):
f˜k ≃ f [x ,x ] ∀k = 1, 2, . . . , n
k−1 k

A questo punto l’integrale di quadratura è pari alla somma di tutti gli

integrali ottenuti:
n ∫
∑ xk
Iq (f ) ≃ I (f˜) =
C
f˜(t)dt
k=0 xk−1

Definizione 4.1.1 (Grado di esattezza). Si definisce grado di esattezza di una

formula di quadratura il massimo intero r ∈ N tale per cui la formula integra
esattamente i polinomi di grado r o inferiore.

I(pr (x)) ≡ Iq (pr (x)) ∀pr ∈ P

Definizione 4.1.2 (Ordine di accuratezza). Si chiama ordine di accuratezza di

una formula di quadratura l’ordine di convergenza dell’errore rispetto all’ampiezza

68
H su cui è definita la formula.

4.1.1 Formula del punto medio

La formula del punto medio, semplice o composita che sia, approssima l’area sot-
tesa alla funzione attraverso l’area di uno o più rettangoli. In altre parole, si può
dire che, nel caso semplice, la funzione viene approssimata da un polinomio di
grado zero, che interpola la funzione nel punto medio dell’intervallo.

IPS M (f ) ≃ I(Π0 f )

Da cui segue che la formula di quadratura del punto medio semplice è definita
dalla seguente espressione:

a+b
IPS M (f ) = (b − a)f (x̄) con x̄ =
2

La formula del punto medio composita si ottiene approssimando la funzio-

ne f (t) con un polinomio di grado zero, calcolato in maniera composita su ogni
intervallo. Nell’ipotesi di utilizzare nodi equispaziati si ottiene:

b−a
xk = a + kH ∀k = 0, 1, . . . , n H=
n

Andando quindi a calcolare l’integrale del polinomio approssimante, si ottiene:

∑
n
xk + xk−1
IPCM (f ) = I(ΠH
0 f) = H f (x̄) con x̄k =
k=i
2

Teorema 4.1.1 (Errore formula del punto medio semplice). Se la funzione inte-
granda f ∈ C 2 ([a, b]) si ha che l’errore della formula del punto medio semplice è
pari a:
(b − a)3 ′′
eSP M (f ) = I(f ) − IPS M (f ) = f (ξ) ξ ∈ [a, b]
24

69
Teorema 4.1.2 (Valor medio integrale). Sia f : [a, b] ⊆ R −→ R integrabile.
Allora esiste un punto c ∈ [a, b] tale che:
∫ b
1
f (c) = f (x)dx
b−a a

dove il secondo termine dell’equazione viene chiamato valor medio integrale.

Teorema 4.1.3 (Valor medio discreto). Questo teorema è una sorta di discretiz-
zazione del teorema precedente. Data una funzione f : [a, b] ⊆ R −→ R, esiste
almeno un punto c ∈ [a, b] tale che:

1 ∑
N
f (c) = f (xi )
b − a i=0

in cui gli xi si sono ottenuti partizionando l’intervallo [a, b] in N sottointervalli di

ugual misura. il termine a destra dell’equazione prende il nome di valor medio
discreto.

Dimostrazione 4.1.1 (Errore formula del punto medio semplice). L’errore della
formula del punto medio semplice può essere visto come la differenza tra l’in-
tegrale della funzione e l’integrale della funzione approssimata, in questo caso un
polinomio di grado zero, che può essere riscritta sfruttando le proprietà di linearità
dell’integrale:
∫ ∫
b b [ ]
eSP M (f ) = I(f ) − IPS M (f ) = f (x)dx − (b − a)f (x̄) = f (x) − f (x̄) dx
a a

A questo punto si sviluppa in serie di Taylor con resto di Lagrange la funzione

f (x) attorno al punto x̄:

′ f ′′ (ξ)
f (x) = f (x̄) + f (x̄)(x − x̄) + (x − x̄)2 ξ ∈ [a, b]
2

70
Sostituendo l’espressione ottenuta all’interno dell’integrale si ottiene:
∫ b [ ]
eSP M (f ) = f (x) − f (x̄) dx
a
∫
[ b
f ′′ (ξ) ]
= f (x̄) + f ′ (x̄)(x − x̄) + (x − x̄)2 − f (x̄) dx
a 2
∫ b
[ ′ f ′′ (ξ) ]
= f (x̄)(x − x̄) + (x − x̄)2 dx
a 2
∫ b ∫
′ f ′′ (ξ) b
= f (x̄) (x − x̄)dx + (x − x̄)2 dx
2
| a {z } a
=0 per il Teo. 4.1.2
[( )3 ( )3 ]
f ′′ (ξ) a+b a+b
= b− − a−
6 2 2
f ′′ (ξ) [ ]
= (2b − a − b)3 − (2a − a − b)3
48
(b − a)3 ′′
= f (ξ) ξ ∈ [a, b]
24

Teorema 4.1.4 (Errore formula del punto medio composita). Se la funzione in-
tegranda f ∈ C 2 ([a, b]) si ha che l’errore della formula del punto medio composita
è pari a:
(b − a)3 ′′
eC
PM (f ) = I(f ) − I C
PM (f ) = f (ζ) ζ ∈ [a, b]
24
Dimostrazione 4.1.2 (Errore formula del punto medio composita). L’errore della
formula del punto medio semplice può, come prima, essere riscritto sfruttando le
proprietà di linearità dell’integrale e della sommatoria:
∫ ∑ n ∫
∑
b n xk [ ]
eC
P M (f ) = I(f ) − IPCM (f ) = f (x)dx − H f (x̄k ) = f (x) − f (x̄k ) dx
a k=1 k=1 xk−1

Applicando i medesimi passaggi del teorema precedente e il valor medio discreto

(Teo. 4.1.3) si ottiene:

∑
n
H3
eC
P M (f ) = f ′′ (ξk ) ξk ∈ [xk−1 , xk ]
k=1
24

71
Infine la sommatoria può essere riscritta come:

b − a 2 ′′
eC
P M (f ) = H f (ζ) ζ ∈ [a, b]
24

Infine, l’ordine di convergenza della formula del punto medio composita è pari a
due, infatti l’errore va a zero come il termine H 2

Come si può facilmente notare dal Teo. 4.1.1 e dal Teo. 4.1.4 gli errori del-
la formula di quadratura del punto medio semplice e composita sono nulli se la
derivata seconda della funzione f (x) è nulla in tutto l’intervallo di integrazione:
questo significa che la formula del punto medio ha grado di esattezza uno, perché
riesce a integrare in modo esatto tutte le costanti e le rette.

4.1.2 Formula dei trapezi

La formula di quadratura dei trapezi approssima l’area sottesa alla funzione a
quella di un trapezio, nel caso semplice, o a più di uno in caso di quella composita.
In altre parole, nel caso semplice, si può dire che la funzione è approssimata da un
polinomio interpolante di primo grado, che passa per gli estremi dell’intervallo.

ITS (f ) ≃ I(Π1 f )

La formula di quadratura risulta dunque:

b − a( )
ITS (f ) = f (b) + f (a)
2

È immediato notare che la base del trapezio è data dalla differenza b − a, mentre
le due altezze dalla valutazione delle funzione negli estremi.
Nel caso composito l’area viene approssimata da n trapezi o, equivalentemente,
la funzione viene interpolata da un polinomio lineare composito:

ITC (f ) ≃ I(ΠH
1 f)

72
Nel caso di n + 1 nodi equispaziati la formula diventa:

∑
n
f (xk ) + f (xk−1 )
ITC (f ) =H
k=1
2

1 ( ) ∑
n−1
b−a
= H f (x0 ) + f (xn ) + H f (xk ) con H =
2 k=1
n

Nell’ultimo passaggio la formula è stata semplificata: ad ogni passaggio della som-

matoria viene sommato il termine k-esimo con quello precedente. Questo equivale
a sommare una sola volta tutti i termini e a moltiplicare il risultato per due, esclusi
chiaramente il primo e l’ultimo, che vengono trattati in modo diverso.

Teorema 4.1.5 (Errori formula di quadratura del trapezio). Data una funzione
f ∈ C 2 ([a, b]) allora l’errore della formula di quadratura del trapezio semplice vale:

(b − a)3 ′′
eST (f ) = I(f ) − ITS (f ) = − f (ξ) ξ ∈ [a, b]
12

In cui il segno negativo è un refuso dei calcoli di poca importanza (infatti sparisce
se si analizza il valore assoluto dell’errore). Per quella composita:

b − a 2 ′′
T (f ) = I(f ) − IT (f ) = −
eC ζ ∈ [a, b]
C
H f (ζ)
12

Quindi anche nel caso dei trapezi l’errore converge con ordine due.

Il Teo. 4.1.5 afferma che pur avendo utilizzato più informazioni e avendo speso
più potenza computazionale per risolvere l’integrale con la formula dei trapezi il
grado di esattezza è sempre uno e l’errore non solo non ha ordine di convergenza
migliore rispetto a prima, ma addirittura è maggiore di quello del punto medio!

4.1.3 Formula di Cavalieri-Simpson

Il concetto è sempre lo stesso: approssimare la funzione con un polinomio inter-
polante (semplice o composito) e risolvere l’integrale dell’interpolazione. Questa
volta si utilizza un polinomio di secondo grado Π2 f (x), cioè una parabola. Nel
caso della formula semplice, quest’ultima viene vincolata a passare per gli estremi

73
e il punto medio dell’intervallo [a, b]. La formula che si ottiene è quindi:

b − a[ ] b+a
ISS (f ) = f (a) + f (b) + 4f (x̄) x̄ =
6 2

Nel caso della formula composita vengono scelti gli estremi di ogni sotto-intervallo
e il punto medio di ciascuno di essi. Nel caso di nodi equidistanti si ottiene:

H ∑[ ]
n
ISC (f ) = f (xk−1 ) + f (xk ) + 4f (x̄k )
6 k=1
xk + xk−1 b−a
x̄k = H=
2 n

Teorema 4.1.6 (Errori formula di quadratura di Cavalieri-Simpson). Data una

funzione f ∈ C 4 ([a, b]) allora si ha che l’errori formula di quadratura di Cavalieri-
Simpson semplice è pari a:

(b − a)5 (4)
S (f ) = I(f ) − IS (f ) = −
eC ξ ∈ [a, b]
C
f (ξ)
2880

Mentre per quella composita l’errore è pari a:

b − a 4 (4)
C (f ) = I(f ) − IC (f ) = −
eC ζ ∈ [a, b]
C
H f (ζ)
2880

Questa volta il grado di esattezza della formula è pari a tre, mentre l’ordine di
convergenza dell’errore è quattro. Inoltre la costante a denominatore fa si che gli
errori della formula di Cavalieri-Simpson siano notevolmente più piccoli rispetto
alle altre due formule di quadratura.

4.1.4 Formule interpolanti

Come già ampiamente espresso nei paragrafi precedenti, le formule di quadratura
derivano tutte quante da funzioni interpolanti.
A questo punto è necessario generalizzare questo concetto, considerando una

74
Tabella 4.1: Esempio di tabaulazione dei pesi e nodi di quadratura dalla formula di
Cavalieri-Simpson.

Pesi di quadratura Nodi di quadratura

y0 = a α0 = (b − a)/6
y1 = (a + b)/2 α1 = 2(b − a)/3
y2 = b α2 = (b − a)/6

generica funzione interpolante f˜. In generale si può scrivere:

∑
n
Iq (f ) = I(f˜) = αj f (yj )
j=0

dove l’insieme degli {αj }nj=0 raccoglie tutti gli n + 1 pesi di quadratura, che sono
figli della funzione interpolante utilizzata, mentre {yj }nj=0 sono i nodi di quadratura
necessari alla formula.
Grazie a questa tipologia di formulazione è possibile tabulare i valori ᾱj e ȳj
relativi metodo utilizzato e calcolati sull’intervallo standard [−1, 1]. Durante l’ese-
cuzione dell’algoritmo questi vengono richiamati e adattati all’intervallo generico
[a, b].
b−a b−a a+b
αj = ᾱj yj = ȳj +
2 2 2
Nella Tab. 4.1 sono riportati, a titolo di esempio, pesi e nodi della formula di
Cavalieri-Simpson.

Definizione 4.1.3 (formule di Newton-Côtes). Se le formule di quadratura sono

costruite attraverso una funzione f˜ polinomiale, allora vengono chiamate formule
di Newton-Côtes.

Teorema 4.1.7 (Grado di esattezza delle formule di Newton-Côtes). Si osserva

che per le formule di Newton-Côtes costruite con un polinomio di grado r dispari
il grado di esattezza è r + 1, mentre se r è dispari, allora il grado di esattezza è r.

Questa proprietà è già stata incontrata e analizzata nei paragrafi precedenti,

relativi alle formule del punto medio e Cavalieri-Simpson (di grado dispari) e dei

75
 Tabella 4.2: Polinomi di Legendre per n ≤ 6.

Grado Polinomio

0 L0 (x) = 1
1 L1 (x) = x
2 L2 (x) = 12 (3x2 − 1)
3 L3 (x) = 12 (5x3 − 3x)
4 L4 (x) = 18 (35x4 − 30x2 − 3)
5 L5 (x) = 18 (63x5 − 70x3 − 15x)
6 L6 (x) = 1
16
(231x6 − 315x4 + 105x2 − 5)

trapezi (di grado pari).

4.1.5 Formule di quadratura gaussiane

Questa tipologia particolare di formule di quadratura si basa sulla ricerca di inter-
valli non equispaziati tali da rendere il grado di esattezza il massimo raggiungibile.

Formule di Gauss-Legendre

La funzione integranda f (x) è approssimata da un particolare tipo di polinomi,

cioè i polinomi di Legendre {Lk (x)}n+1
k=0 .

Definizione 4.1.4 (Polinomi di Legendre). Si definisce polinomio di Legendre

Ln (x) un polinomio di grado n calcolato ricorsivamente come:

L0 (x) = 1 L1 (x) = x
2k + 1 k
Lk+1 (x) = Lk (x) − Lk−1 (x)
k+1 k+1

I primi sette polinomi di Legendre sono riportati nella Tab.4.2 e sono graficati
nella Fig. 4.1.

76
 y
1

x
−1.5 −1 −0.5 0.5 1 1.5

−1

Figura 4.1: Rappresentazione grafica dei polinomi di Legendre di grado ≤ 6. In

particolare il polinomio di grado zero è blu, quello di grado uno rosso, verde quello
di grado 3, rosa quello di quarto grado, magenta quello di quinto e infine azzurro il
polinomio di Legendre di sesto grado.

Si può dimostrare che questi polinomi sono tutti ortogonali sull’intervallo [−1, 1]
e che sono una base dello spazio vettoriale Pn . Inoltre questi polinomi sono di gran-
de utilità nel calcolo numerico degli integrali. Infatti si può scrivere la formula di
quadratura gaussiana associata come:

∑
n
InGL (f ) = ᾱjGL f (ȳjGL )
j=0

in cui le quantità {ȳjGL }nj=0 , da adattare all’intervallo [a, b], sono gli zeri del
polinomio di Legendre di grado n + 1, ossia:

.
ȳjGL = x̄ | Ln+1 (x̄) = 0 ∀j = 0, 1, . . . , n

mentre i pesi reali positivi {ᾱjGL }nj=0 si calcolano come:

2
ᾱjGL = [ ][ ′ ]2 ∀j = 0, 1, . . . , n
1− (ȳjGL )2 Ln+1 (ȳjGL )

Questi dati possono essere calcolati su un intervallo standard, tabulati in ma-

trici e richiamati dal metodo quando necessario. Un esempio di tabulazione è
riportato nella Tab. 4.3. Usando questi dati per risolvere la formula di quadratura

77
Tabella 4.3: Nodi, pesi e grado di esattezza si alcune formule di quadratura di Gauss-
Legendre. I pesi corrispondenti a nodi simmetrici rispetto allo zero sono riportati una
sola volta.

n Nodi Pesi r

0 0 2 1
1 ± √13 1 3
√
2 0, ± 515 5 8
,
9 9
5
.. .. .. ..
. . . .

gaussiana si ha sempre grado di esattezza pari a r = 2n + 1.

Formule di Gauss-Legendre-Lobatto

Queste formule sono analoghe alle formule di Gauss-Legendre (Sez. 4.1.5), con la
sola differenza che il primo e l’ultimo nodo hanno valore fissato, indipendentemente
dal valore di n:
ȳ0 = −1 ȳn = −1

Questo vincolo ovviamente porta benefici di calcolo, al netto di una riduzione del
grado di esattezza del metodo, che passa da r = 2r + 1 a r = 2r − 1.
Sull’ambiente MATLAB® sono definite alcune funzioni utili al calcolo degli
integrali definiti:

I = integral(fun, a, b)

dove I è il risultato dell’integrazione, fun la funzione integranda, a e b gli estremi

di integrazione. Inoltre è definita anche la funzione per variabili simboliche, in
grado di calcolare la primitiva F della funzione f:

F = int(f,var)

4.2 Derivazione numerica

Si consideri una funzione f (x) : [a, b] ⊆ R −→ R, derivabile sull’intervallo.
La sua derivata prima è definita, sull’intervallo [a, b] come limite del rapporto

78
incrementale:
f (x + h) − f (x)
lim ∀x ∈ [a, b]
h→0 h
Questo concetto è valido per tutti i metodi analitici per lo studio di funzione,
ma non è applicabile alle funzioni definite sui calcolatori, visto che essi sono affetti
da errori di risoluzione e men che meno hanno la capacità di astrarre il concetto
di limite. Per queste ragioni vanno trovati dei metodi di calcolo di tipo discreto,
in grado di approssimare le derivate.

4.2.1 Calcolo della derivata prima

Nonostante non si possa utilizzare il concetto di limite sui calcolatori, si può co-
munque trovare una sorta di rapporto incrementale discreto. Tale metodo, che
prende il nome di differenze finite, è definito sulla base di diverse versioni.

Definizione 4.2.1 (Differenze finite in avanti). Usando una differenza finita po-
sitiva delle ascisse, si ottiene la differenza finita in avanti:

. f (x̄ + h) − f (x̄)
f ′ (x) ≃ δ+ f (x̄) = con h > 0
h

Definizione 4.2.2 (Differenze finite in indietro). Usando una differenza finita

negativa delle ascisse, si ottiene la differenza finita in indietro:

. f (x̄) − f (x̄ − h)
f ′ (x) ≃ δ− f (x̄) = con h > 0
h

Definizione 4.2.3 (Differenze finite centrate). Usando sia una differenza finita
positiva sia una differenza finita negativa delle ascisse, si ottiene la differenza finita
centrata:
. f (x̄ + h) − f (x̄ − h)
f ′ (x) ≃ δC f (x̄) = con h > 0
2h
Teorema 4.2.1 (Consistenza e convergenza metodi delle differenze finite). Tutti
e tre i metodi delle differenze finite sono consistenti e convergono alla derivata
prima:
lim δf (x̄) = f ′ (x̄)
h→0

79
Dimostrazione 4.2.1 (Consistenza e convergenza metodi delle differenze finite).
La dimostrazione del Teo. 4.2.1 è immediata: per verificare che il metodo sia
consistente (Def. 3 a pagina XII) si passa al limite delle differenze finite, che
coincide con la definizione di derivata prima: essendo il metodo consistente la
soluzione converge sempre.

Teorema 4.2.2 (Errori delle differenze finite in avanti e in indietro). Sia la fun-
zione f ∈ C 2 (Ix̄ ) gli errori delle differenze finite in avanti e all’indietro sono date
da:

h
E+ f (x̄) = f ′ (x̄) − δ+ f (x̄) = − f ′′ (ξ+ ) ξ+ ∈ [x̄, x̄ + h]
2
h
E− f (x̄) = f ′ (x̄) − δ− f (x̄) = − f ′′ (ξ− ) ξ− ∈ [x̄ − h, x̄]
2

Ciò implica che tutti polinomi di grado minore o uguale a uno vengono derivati
in modo esatto dalle differenze finite in avanti o all’indietro:

E+ p(x̄) = E− p(x̄) ≡ 0 ∀p(x) ∈ P1

Dimostrazione 4.2.2 (Errore differenze finite in avanti). L’errore come al solito

può essere definito come differenza tra la derivata vera e la sua approssimazione:

f (x̄ + h) − f (x̄)
E+ f (x̄) = f ′ (x̄) − δ+ f (x̄) = f ′ (x̄) −
h

Espandendo in serie di Taylor la funzione f (x̄ + h) al primo ordine, si ottiene:

f ′′ (ξ) 2
′ f (x̄) + f ′ (x̄)h + h − f (x̄) f ′′ (ξ) 2
E+ f (x̄) = f (x̄) − 2
=− h ξ ∈ [x̄, x̄ + h]
2 2

Teorema 4.2.3 (Errori delle differenze finite centrate). Sia la funzione f ∈ C 3 (Ix̄ )
gli errori delle differenze finite centrate sono dati da:

h [ ′′′ ]
EC f (x̄) = f ′ (x̄) − δC f (x̄) = − f (ξ+ ) + f ′′′ (ξ+ )
12
ξ+ ∈ [x̄, x̄ + h] ξ− ∈ [x̄ − h, x̄]

80
Dimostrazione 4.2.3 (Errori delle differenze finite centrate). L’errore di ap-
prossimazione è esprimibile come differenza tra la derivata nel punto e la sua
approssimazione:
EC f (x̄) = f ′ (x̄) − δC f (x̄)

Sviluppando in serie di Taylor i termini f (x̄ + h) e f (x̄ − h) si ottiene:

1[ 1 1
EC f (x̄) = f ′ (x̄) − f (x̄) + f ′ (x̄)h + f ′′ (x̄)h2 + f ′′′ (ξ+ )h3 +
2h 2 6
1 h2 ] 1 [ ′′′ ]
− f (x̄) + f ′ (x̄)h − f ′′ (x̄)h2 + f ′′′ (ξ− )h3 = − f (ξ+ ) + f ′′′ (ξ− )
2 6 12

A differenza delle differenze finite in avanti o all’indietro, le differenze finite

centrate derivano tutti polinomi di grado minore o uguale a due vengono derivati
in modo esatto:
EC p(x̄) ≡ 0 ∀p(x) ∈ P2

Per quanto riguarda gli ordini di convergenza di può facilmente affermare che
le differenze finite in avanti e all’indietro convergono linearmente, mentre quelle
centrate con ordine due.

4.2.2 Calcolo della derivata seconda

Per l’approssimazione numerica della derivata seconda si utilizza un procedimento
del tutto analogo a quelli analizzati per il calcolo della derivata prima.

Definizione 4.2.4 (Differenze finite centrate per derivate seconde). Usando la

valutazione della funzione nel punto, la differenza finita in avanti e in indietro si
ottiene:
f (x̄ + h) − 2f (x̄) + f (x̄ − h)
f ′′ (x̄) = δC2 f (x̄) =
h2
Teorema 4.2.4 (Differenze finite centrate per derivate seconde). Se la funzione
f ∈ C 4 (Ix̄ ) allora l’errore del metodo è:

h2 [ (4) ]
EC2 f (x̄) = f ′′ (x̄) − δC2 f (x̄) = −f (ξ+ ) + f (4) (ξ− )
24
ξ+ ∈ [x̄, x̄ + h] ξ− ∈ [x̄ − h, x̄]

81
Dimostrazione 4.2.4 (Differenze finite centrate per derivate seconde). Anco-
ra una volta l’errore è definito come differenza tra la derivata seconda e la sua
approssimazione numerica:

EC f (x̄) = f ′′ (x̄) − δC2 f (x̄)

Questa volta si procedere con lo sviluppo in serie di Taylor per i termini f (x̄ + h)
e f (x̄ − h) fino al terzo ordine (è consentito farlo perché i termini di ordine due si
elidono a vicenda):

EC2 (f (x̄)) = f ′′ (x̄) − δC2 (x̄) =

1[ 1 1
= f ′′ (x̄) − 2 f (x̄) + f ′ (x̄)h + f ′′ (x̄)h2 + f ′′′ (x̄)h3 +
h 2 6
1 (4)
+ f (ξ+ )h4 − 2f (x̄) + f (x̄) − f ′ (x̄)h +
24
1 1 1 ]
+ f ′′ (x̄)h2 − f ′′′ (x̄)h3 + f (4) (ξ− )h4
2 6 24

Svolgendo tutti i calcoli, si ottiene:

h2 [ (4) ]
EC2 f (x̄) = f ′′ (x̄) − δC2 f (x̄) = −f (ξ+ ) + f (4) (ξ− )
24
ξ+ ∈ [x̄, x̄ + h] ξ− ∈ [x̄ − h, x̄]

Il metodo discende direttamente dalle differenze finite centrate, quindi avrà

la medesima tipologia di convergenza, cioè quadratica. A differenza del metodo
precedente le differenze finite per la derivata seconda riescono a derivare in modo
esatto tutte i polinomi di grado minore o uguale a tre.
All’interno dell’ambiente MATLAB® è disponibile una funzione per il calcolo
delle differenze finite:

df = diff(f)

dove f è un vettore dove sono salvati tutte le valutazioni di una certa funzione,
mentre nel vettore df verranno calcolate tutte le differenze tra gli elementi suc-
cessivi del vettore di input. Questa funzione non calcola la differenza finita della

82
funzione: per ottenere l’algoritmo basta dividere ogni punto del vettore per la
distanza h che c’è fra ogni punto.

83
Capitolo 5

Equazioni differenziali ordinarie

Un’equazione differenziale ordinaria (abbreviata spesso in ODE. Ordinary Diffe-

rential Equation) è un’equazione che lega una funzione incognita alle sue derivate.
In generale si dice che l’equazione è di n-esimo ordine se l’equazione può essere ri-
scritta come una funzione di una variabile indipendente t, della funzione incognita
y(t) e delle sue derivate fino all’ordine n calcolate rispetto alla variabile t:

dy d2 y dn y
F (t, y, , 2 ,..., n ) = 0
dt dt dt

La soluzione dell’equazione è una funzione a variabile reale, definita su un

intervallo I:
y(t) : I = [t0 , tf ] ⊂ R −→ R

5.1 Problemi di Cauchy

Un problema differenziale non è completo se non sono presenti anche le condizioni
iniziali del problema:

y (k) (t) t0
= y0,k ∀k = 0, 1, . . . , n − 1

Definizione 5.1.1 (Problema di Cauchy di primo ordine). Dato un intervallo

I = [t0 , ff ] ⊂ R il problema di Cauchy di primo ordine consiste nel trovare una

84
funzione y(t) : I ⊂ R −→ R tale che:

y ′ (t) = f (t, y)
∀t ∈ I (5.1)
y(t ) = y
0 0

È importante sottolineare che la funzione f , che non è l’incognita del problema,

ma solo il legame tra t, y e la sua derivata, è una funzione definita come:
( )
f t, y(t) : I × R −→ R

Quindi di per sé la funzione y(t) potrebbe essere definita su tutto R, ma è interes-

sante ai fini del problema analizzarla solo sull’intervallo I.

Teorema 5.1.1 (Integrale del problema di Cauchy di primo ordine). Se la funzione

f ∈ C 0 (I × R) e f (t, y) = g(t) allora la soluzione al problema di Cauchy di primo
ordine può essere sempre scritta come:
∫ tf ( )
y(t) = f τ, y(τ ) dτ + y0
t0

Dimostrazione 5.1.1 (Integrale del problema di Cauchy di primo ordine). Dalla

prima equazione del problema di Cauchy (Eq. 5.1) è possibile scrivere:
( )
dy = f (τ, y τ ) dτ = g(τ )dτ

A questo punto si può integrare in modo definito usando come estremi di integra-
zione le condizioni iniziali del problema e le condizioni all’istante t:
∫ y(t) ∫ t
dy = g(τ )dτ ∀t ∈ I
y0 t0

Dato che y(t) ∈ C ( I) per definizione di problema di Cauchy il primo integrale è

pari a y(t) − y0 da cui segue che:
∫ tf
y(t) = g(τ )dτ + y0
t0

85
5.1.1 Problema modello
Il problema modello è un particolare tipologia di ODE. di primo ordine, molto
facile da risolvere. Tale problema è molto spesso utilizzato per analizzare i metodi
numerici per la risoluzione di equazioni differenziali (da qui il nome). Esso è
definito come: 
ẏ(t) = λy
∀t ∈ I ⊂ R λ ∈ R− (5.2)
y(t ) = y
0 0

La soluzione a questo problema è facilmente ottenibile tramite la tecnica delle

separazione delle variabili:
∫ y(t) ∫ t
dy dy
= λy =⇒ = λdτ
dt y0 y t0

Risolvendo gli integrali si ottiene la soluzione:

y(t) = y0 eλ(t−t0 )

Dato che il numero reale λ è minore di zero, la soluzione dell’equazione y(t) tenderà
ad annullarsi per alti valori di t:

lim y(t) = 0
t→+∞

Generalizzando questo problema per valori si λ ∈ C la soluzione può essere

riscritta come:

y(t) = y0 e[ℜ(λ)+iℑ(λ)](t−t0 )
[ ( ) ( )]
= y0 eℜ(λ)(t−t0 ) cos ℑ(λ)(t − t0 ) + i sin ℑ(λ)(t − t0 )

Quindi in questo caso si he che:

lim y(t) = 0 ⇐⇒ ℜ(λ) < 0

t→+∞

86
5.1.2 Soluzione all’equilibrio
Si consideri un problema di Cauchy del tipo:

f (t, y) = f (y) ∀t ∈ I

Si assuma anche che la funzione f ∈ C 1 (I). Il problema di Cauchy associato

all’equazione (chiamata equazione logistica) è definito da:

ẏ = f (t)
∀t ∈ I
y(t ) = y
0 0

Definizione 5.1.2 (Soluzione di equilibrio). Se per un certo valore della funzione

incognita ȳ(t) si ha che la funzione f (ȳ) è nulla:

ȳ(t) f (ȳ(t)) = 0

allora la soluzione ȳ(t) è detta soluzione di equilibrio. In queste condizioni, vista

la natura del problema, la soluzione sarà per forza di cose una costante:

ẏ(t) = f (y(t)) = 0 ∀t ∈ I ⇐⇒ ȳ(t) = cost

Esempio 5.1.1 (Calcolo soluzioni di equilibrio). Sia f (y) = αy(1 − βy ), con le

costanti α, β ∈ R+ . Il problema di Cauchy associato sarà quindi:
 ( )

ẏ = αy 1 − y
β ∀t ∈ I

y(t ) = y
0 0

Le soluzioni di equilibrio del problema si trovano azzerando la funzione f (y):

ȳ1 = 0 ȳ2 = β

A questo punto sono distinguibili tre diversi intervalli: (−∞, ȳ1 ], (ȳ1 , ȳ2 ) e [ȳ2 , +∞).

• Se la condizione iniziale y0 = y(t0 ) < ȳ1 , allora la funzione tenderà a

87
 divergere, poiché la derivata della funzione risulta monotona decrescente
ẏ = f (y) < 0.

• Allo stesso modo se il dato iniziale y0 = y(t0 ) > ȳ2 la funzione sarà an-
cora monotona decrescente, ma essendo la soluzione di equilibrio più pic-
cola della condizione iniziale, allora la soluzione y(t) tenderà a raggiungere
asintoticamente la soluzione ȳ2 .

• Infine se la condizione iniziale y0 = y(t0 ) ∈ (ȳ1 , ȳ2 ) allora la soluzione sarà

monotona crescente e raggiungerà la soluzione di equilibrio ȳ2 .
L’esempio dimostra che la stabilità della soluzione a un’equazione differenziale
dipende dal segno della funzione f (y) in un intorno del dato iniziale. Formalizzando
questa regola si ottiene la Def. 5.1.3.
Definizione 5.1.3 (Soluzione di un’equazione differenziale stabile). La soluzione
ȳ è una soluzione di un’equazione stabile se:

∀ε > 0 ∃ δ(ε) > 0 |y0 − ȳ| < δ(ε)

Ossia se si ha un intervallo δ(ε) tale per cui ogni condizione iniziale y0 appartenente
all’intervallo non faccia si che la soluzione ad essa associata diverga. In formule,
questo concetto si esprime come:

|y(t) − ȳ| < ε ∀t ∈ I

Definizione 5.1.4 (Equazione asintoticamente stabile). Se un’equazione differen-

ziale stabile ha limite per t tendente a infinito:

lim y(t) = ȳ
t→+∞

allora si dice che l’equazione è asintoticamente stabile.

Teorema 5.1.2 (Condizioni per l’assoluta stabilità). Data una funzione f ∈ C 1 (I)
tale che f (ȳ) = 0 e f ′ (ȳ) ̸= 0, se:
• f ′ (ȳ) < 0 allora l’equazione è asintoticamente stabile;

• f ′ (ȳ) > 0 allora l’equazione è instabile;

88
5.1.3 Esistenza e unicità soluzione del problema di Cauchy
Il problema di Cauchy ammette l’esistenza di una sola soluzione solamente se
la funzione f (t, y) che descrive l’equazione differenziale ha certe proprietà. Si
consideri dunque il problema di Cauchy in forma normale (cioè quando la funzione
f esplicita la derivata di ordine massimo presente nell’equazione):

ẏ = f (t, y)
∀t ∈ I
t(t ) = y
0 0

Teorema 5.1.3 (Esistenza della soluzione al problema di Cauchy). Se la funzione

f (t, y) : I × J −→ R, che descrive l’equazione differenziale in forma normale, è
continua sull’intervallo I × J, dove J ⊆ R è l’insieme su cui è definita la soluzione
y(t) allora esiste almeno una soluzione al problema dato.

Definizione 5.1.5 (Funzione localmente Lipschitz). Una funzione f : I ×J −→ R

è lipschitziana (di Lipschitz o anche solo LIP.) se:

∀y1 , y2 ∈ J
∃ L ∈ R+ |f (t, y1 ) − f (t, y2 )| < L|y1 − y2 |
∀t ∈ I

La proprietà di una funzione di essere localmente Lipschitz implica che i rap-

porti incrementali della funzione sono limitati almeno su un intervallo J ⊆ R.
Questo concetto presuppone la continuità di f (y): infatti, dato che è possibile
scegliere arbitrariamente i valori di y1 e y2 :

y1 →y2 y1 →y2
|y1 − y2 | −−−→ 0+ =⇒ |f (t, y1 ) − f (t, y2 )| −−−→ 0+ ∀t ∈ I
y1 →y2
f (t, y1 ) −−−→ f (t, y2 ) ∀t ∈ I

Nonostante sia garantita la continuità, la derivabilità rimane comunque una pro-

prietà ulteriore, non garantita dalla proprietà di essere Lipschitz. Infatti possono
esistere funzioni LIP. che però non sono derivabili: un esempio è rappresentato
dalla funzione f (x) = |x|.

89
Teorema 5.1.4 (Esistenza e unicità locale per la soluzione del problema di Cau-
chy). Sia f una funzione f : I × J −→ R, se la funzione è continua su entrambi
gli argomenti e localmente Lipschitz nel secondo argomento allora la soluzione del
problema di Cauchy ad essa associata esiste ed è unica.

Questo ragionamento può facilmente essere ampliato a livello globale, esten-

dendo l’intervallo J a tutto R.

Definizione 5.1.6 (Funzione globalmente di Lipschitz). Una funzione generica

f : I × R −→ R è lipschitziana se:

∀y1 , y2 ∈ R
∃ L ∈ R+ |f (t, y1 ) − f (t, y2 )| < L|y1 − y2 |
∀t ∈ I

Teorema 5.1.5 (Esistenza e unicità globale per la soluzione del problema di

Cauchy). Sia f una funzione definita I × R −→ R, se la funzione è continua
su entrambi gli argomenti e localmente Lipschitz nel secondo argomento allora la
soluzione del problema di Cauchy ad essa associato esiste ed è unica su tutto R.

Teorema 5.1.6 (Lipschitz e derivabilità). Se la funzione f (t, y) è derivabile nel

secondo argomento allora è anche Lipschitz.

Dimostrazione 5.1.2 (Lipschitz e derivabilità). Se la funzione f (t, y) è derivabile

in y allora la variazione |f (t, y1 ) − f (t, y2 )|, può essere riscritta tramite l’uso del
valor medio di Lagrange (Teo. 2.4.2 a pagina 41):

∂f
|f (t, y1 ) − f (t, y2 )| = (t, ξ)(y1 − y2 ) ξ ∈ [y1 , y2 ]
∂y

Andando a riscrivere l’espressione ottenuta tramite le proprietà del valore assoluto,

si ottiene:

∂f
|f (t, y1 ) − f (t, y2 )| ≤ max (t, y) |y1 − y2 | = L|y1 − y2 | ξ ∈ [y1 , y2 ]
t∈I ∂y
y∈R

Nell’ultimo passaggio si è maggiorata la derivata parziale valutata in t e ξ con il suo

massimo assoluto. Questo è lecito farlo perché essendo f ∈ C 1 in y la sua derivata

90
è continua su tutto l’intervallo e limitata sull’intervallo chiuso e limitato [y1 , y2 ]
e quindi per il teorema di Weierstrass ammette massimo e minimo assoluti. Il
massimo è una costante di R e quindi si ritrova la definizione di funzione Lipschitz
(Def. 5.1.6).

5.1.4 Stabilità del problema di Cauchy

A questo punto è necessario chiedersi come cambia la soluzione a un problema di
Cauchy assegnato a fronte di una perturbazione dei dati.
 
ẏ(t) = f (t, y(t)) ż(t) = f (t, z(t)) + δ(t)
−→
y(t ) = y y(t ) = y + δ
0 0 0 0 0

in cui z(t) è la soluzione del problema perturbato, mentre δ0 e δ(t) sono le pertur-
bazioni sui dati.

Definizione 5.1.7 (Stabilità di Ljapunov). Un problema si dice stabile nel senso

di Ljapunov se:

∀δ0 , δ(t) |δ(t)| < ε con ε > 0

∃c > 0 |y(t) − z(t)| < c ε ∀t ∈ I

con ε tale da permettere l’esistenza di z(t). Inoltre, si dice che il problema è

asintoticamente stabile quando la soluzione perturbata tende alla soluzione non
perturbata.

È importante notare che se un problema di Cauchy è stabile, allora auto-

maticamente è anche ben posto, pertanto si sa già che la soluzione esiste ed è
unica.

Teorema 5.1.7 (Lemma di Gronwall). Siano g, w ∈ C 0 ([t0 , t]) e φ(t), ∀t ∈ [t0 , tf ];

se: ∫ t
w(t) ≤ g(t) + w(τ )φ(τ )dτ
t0

91
allora: ∫t
φ(τ )dτ
w(t) ≤ g(t) e t0

Dimostrazione 5.1.3 (Stabilità di Ljapunov). La dimostrazione si basa sulle

ipotesi già fatte per il teorema di esistenza e unicità della soluzione del problema
.
di Cauchy (Teo. 5.1.5). Si definisce w(t) = z(t) − g(t), cioè come differenza che
c’è tra la funzione soggetta alla perturbazione e la funzione imperturbata. Ne
consegue che:
ẇ(t) = ż(t) − ġ(t) = f (t, z) + δ(t) − f (t, y)

Integrando su t si ottiene l’espressione:

∫ t
w(t) = w(t0 ) + ẇ(τ )dτ
t0
∫ t ∫ t
[ ]
= δ0 + f (τ, z) − f (τ, y) dτ − δ(τ )dτ
t0 t0

Maggiorando l’espressione attraverso i moduli e tenendo presente che la funzione

f è LIP., si ottiene:
∫ t ∫ t
|w(t)| ≤ |δ0 | + |f (τ, z) − f (τ, y)|dτ + |δ(τ )|dτ
t0 t0
∫ t ∫ t
≤ |δ0 | + |δ(τ )|dτ + L |z(τ ) − y(τ )|dτ
t0 t0

Ora, per ipotesi si ha che |δ(t)| < ε e chiamando |δ0 | = ε si ha che:

∫ t ∫ t
|w(t)| ≤ ε + ε |δ(τ )|dτ + L |z(τ ) − y(τ )|dτ
t0 t
∫ t 0
≤ ε(1 + |t − t0 |) + L |z(τ ) − y(τ )|dτ
t0

Applicando il Teo. 5.1.7 (usando φ ≡ L):

∫t
Ldτ
|w(t)| ≤ ε(1 + |t − t0 |)e t0
≤ C(t)ε

Infine dato che la funzione C(t) è limitata sull’intervallo I = [t0 , tf ] si può definire

92
un massimo:
{ }
C = max C(t)
t∈I

5.2 Sistemi di equazioni differenziali

I sistemi di equazioni differenziali sono molto utili in campo scientifico, per due
diversi motivi:

1. permettono di risolvere i problemi di Cauchy vettoriali di primo ordine;

2. permettono di ricondurre le equazioni differenziali ordinarie di grado n (vet-

toriali o scalari) a un problema di Cauchy vettoriale di primo ordine.

Definizione 5.2.1 (Equazione differenziale vettoriale di primo ordine). Si de-

finisce equazione differenziale vettoriale di primo ordine un’uguaglianza tra una
funzione vettoriale incognita e la sua derivata di ordine primo:

F(t, y(t), ẏ(t)) = 0

dove è una funzione del tipo y(t) : I ⊆ Rm −→ Rm con m ≥ 1. Inoltre la funzione

vettoriale F, può sempre essere scritta sotto forma di matrice:

F : I × Rm −→ Rm
 
f1 (t, y1 , y2 , . . . , ym )
 
 f2 (t, y1 , y2 , . . . , ym ) 

F= 
.. 
 . 
fm (t, y1 , y2 , . . . , ym )

Definizione 5.2.2 (Problema di Cauchy vettoriale di primo ordine). Si definisce

problema di Cauchy vettoriale di primo ordine:

ẏ = F(t, y)
∀t ∈ I
y(t ) = y
0 0

93
 A questo punto tutti i ragionamenti fatti per le equazioni differenziali di primo
ordine possono essere ripetuti tali e quali per le equazioni differenziali vettoriali.
Definizione 5.2.3 (Funzione vettoriale di Lipschitz). Si definisce funzione vetto-
riale localmente di Lipschitz una funzione tale che:

∃ L ∈ R+ ∥F(t, y1 ) − F(t, y2 )∥ < L∥y1 − y2 ∥ ∀y1 , y2 ∈ J ∀t ∈ I

Se poi J ≡ R la funzione si dice globalmente di Lipschitz.

Teorema 5.2.1 (Esistenza e unicità locale). Data una funzione F(t, y) ∈ C 0 (I ×
Rm ) e di Lipschitz continua (localmente o globalmente) nel secondo argomento,
esiste una sola soluzione al problema di Cauchy associato.
Definizione 5.2.4 (Problema modello generalizzato). Si chiama problema modello
generalizzato alle equazioni vettoriali il problema di Cauchy:

ẏ(t) = Ay(t)
∀t ∈ I
y(t ) = y
0 0

dove la matrice A è una matrice a coefficienti costanti appartenente allo spazio

Rm × Rm .
La soluzione al problema modello sarà data, ancora una volta dall’equazione:

∑
m
y= Cj eλj (t−t0 ) vj
j=1

dove {λj }mj=1 e {vj }j=1 sono rispettivamente gli autovalori e gli autovettori asso-
m

ciati alla matrice A. Infine si ha che se tutti gli autovalori di A hanno parte reale
negativa, allora la soluzione è asintoticamente stabile e converge a zero:
{ }m
ℜ λj j=1 < 0 ⇐⇒ lim y = 0
t→+∞

5.2.1 Equazioni differenziali ordinarie di ordine n

Prima di analizzare le equazioni differenziali di ordine n si analizzano le equazioni
di secondo ordine; queste sono delle uguaglianze tra una funzione incognita e le

94
sue derivate di primo e secondo ordine. In forma normale l’equazione si scrive:

ÿ(t) = f (t, y, ẏ) ∀t ∈ [t0 , tf ]

Definizione 5.2.5 (Problema di Cauchy di secondo ordine). Si definisce problema

di Cauchy di secondo ordine il problema:





ÿ(t) = f (t, y, ẏ)
ẏ(t0 ) = y1 ∀t ∈ [t0 , tf ]



y(t ) = y
0 0

Si nota subito dalla definizione che la funzione f è definita su un dominio di

dimensione superiore rispetto a prima:

f (t, y, ẏ) : I × R × R −→ R

Come si è preannunciato nel paragrafo precedente, per analizzare e risolvere i

problemi con equazioni di secondo grado è sufficiente usare i sistemi di equazioni
differenziali di primo ordine. Si consideri la funzione v(t) definita come:

v(t) = ẏ ∀t ∈ I

Tramite l’imposizione di questo vincolo si può riscrivere l’equazione differenziale

come ÿ(t) = f (t, y, v) e conseguentemente il problema di Cauchy diventa:





v̇(t) = f (t, y, v)


ẏ(y) = v
∀t ∈ I




v(t0 ) = v0 = y1


y(t ) = y
0 0

Questo ragionamento può essere generalizzato alle equazioni differenziali scalari

95
di ordine n. Si consideri ad esempio un problema di Cauchy del tipo:


 y (n) = f (t, y, y ′ , . . . , y (n−1) )






 y (t ) = yn−1
 n−1 0
..
. ∀t ∈ I





 y1 (t0 ) = y1



y (t ) = y
0 0 0

In questo caso è possibile riscrivere l’intero sistema tramite l’ausilio di unn vettore
di stato, del tipo:
( )T
z(t) = y (n−1) (t), y (n−2) (t), . . . , y ′ (t), y(t)

Quindi il problema di Cauchy diventa:


ż(t) = f (t, z(t))
z(t ) = z
0 0

Tale formulazione equivale a un problema di Cauchy differenziale vettoriale del pri-

mo ordine: una volta risolto, l’ultima componente del vettore z(t) sarà la funzione
incognita y(t).

5.2.2 Sistemi di equazioni differenziali vettoriali di ordine

n
Definizione 5.2.6 (Equazione differenziale vettoriale di ordine n). Si definisce
equazione differenziale vettoriale un’uguaglianza tra una funzione vettoriale inco-
gnita e le sue derivate di ordine inferiore o uguale a n:

F(t, y(t), ẏ(t), ÿ(t), . . . , y(n) (t)) = 0

96
dove è una funzione incognita del tipo y(t) : I ⊆ Rm −→ Rm con m ≥ 1, le cui
componenti sono funzioni del tipo:
( )
y = x1 (t), x2 (t), . . . , xm (t)

mentre la funzione vettoriale è una funzione del tipo: F : I × Rm × Rn −→ Rm

(da notare il dominio di dimensione 1 + m × n, dove 1 è dato dall’intervallo I,
m dal numero delle componenti della funzione y e infine n dato dal numero delle
derivate presenti nel problema).

Per risolvere il problema di Cauchy associato si ripete lo stesso ragionamento

di prima, solo che al posto di definite un vettore di stato di funzioni scalari, se ne
definisce uno incolonnando le derivate della funzione vettoriale.
( )T
z(t) = y(n−1) (t), y(n−2) (t), . . . , y′ (t), y(t)

In tal modo si riduce il sistema vettoriale di m equazioni vettoriali, di grado n, e

n condizioni iniziali a un sistema di una equazione differenziale vettoriale di primo
ordine con una condizione iniziale.

5.3 Metodi numerici per la risoluzione di ODE.

Nei paragrafi precedenti si sono introdotti i problemi di Cauchy senza trovare una
soluzione. Il problema è che in generale sono pochissime le equazioni vettoriali
le cui soluzioni possono essere scritte sotto forma analitica (tutte quelle lineari e
poche altre, comunque molto semplici). Per tutte le altre si deve per forza passare
per un qualche metodo numerico.

5.3.1 Risoluzione numerica dei problemi di primo ordine

Il primissimo passo per risolvere un’equazione differenziale per via numerica è
discretizzare l’intervallo dei tempi I = [t0 , tf ], andando a definire i nodi {tn }Nh
n=0

97
equidistanti, dove h è il passo, mentre Nh il numero dei sottointervalli:

tf − t0
h=
Nh
tn = t0 + nh n = 0, 1, . . . , Nh

Inoltre si indica {un }N

n=0 la soluzione approssimata dell’equazione differenziale,
h

valutata in ogni nodo.

Metodo di Eulero in avanti

Il metodo di Eulero in avanti è un metodo esplicito per calcolare la soluzione di

equazioni differenziali di primo ordine. Esso approssima la derivata prima della
funzione incognita tramite le differenze finite in avanti (Def. 4.2.1 a pagina 79):
( )
f tn , y(tn ) ≃ δ+ f (tn )

Dove la funzione f descrive l’equazione differenziale. Sostituendo la funzione vera

y(tn ) con la funzione approssimata u(tn ) e sostituendo la definizione di differenza
finita in avanti, si ottiene:

un − un−1
f (tn , un ) =
h

rigirando tale espressione, in modo da risolvere l’equazione per l’incognita un+1 e

imponendo la condizione iniziale si ottiene il metodo di Eulero in avanti:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
un+1 = un + hf (tn , un )

Si dice che il metodo è un metodo esplicito perché l’unica incognita è presente

solamente a sinistra dell’equazione (un e tn sono entrambi noti) e quindi è sempre
calcolabile (eventualmente anche analiticamente) la soluzione dell’espressione.

98
Metodo di Eulero all’indietro

Questo metodo è del tutto analogo a quello predente, solo che utilizza le differenze
finite in indietro (Def. 4.2.2 a pagina 79) per approssimare la derivata prima.
( )
f tn , y(tn ) ≃ δ− f (tn )

In cui la funzione f descrive l’equazione differenziale. Con passaggi analoghi al

caso precedente si ottiene il metodo di Eulero all’indietro:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
un+1 = un + hf (tn , un+1 )

Purtroppo questa volta il metodo è implicito, poiché l’incognita un+1 compare

all’interno della funzione f , per cui non sempre è risolvibile analiticamente. In
tal caso ad ogni iterazione bisogna risolvere l’espressione con un metodo numerico
(vedi Cap. 2 a pagina 32)

un+1 Fn (un+1 ) = un+1 − un − hf (tn , un+1 ) = 0

Metodo di CrankNicolson

Questo metodo nasce come una media dei metodi di Eulero appena analizzati.
Questa volta la l’incremento delle funzione viene approssimato come:
∫ ∫
tn+1 un+1 ( )
∆y(tn+1 ) = ẏ(τ )dτ ≃ f τ, y(τ ) dτ = ∆un+1
tn un

A questo punto il secondo integrale viene stimato tramite il metodo di quadratura

dei trapezi (Sez. 4.1.2 a pagina 72); l’espressione diventa dunque:

h[ ]
un+1 − un = f (tn , un ) + f (tn+1 , un+1 )
2

99
Infine il metodo di Crank-Nicolson risulta:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
h[ ]
un+1 = un + f (tn , un ) + f (tn+1 , un+1 )
2

Anche in questo caso non si conosce il termine un+1 , per cui il metodo risulta
ancora una volta implicito.

Metodo di Heun

Finora si sono analizzati diversi metodi, alcuni più precisi (metodo Crank-Nicolson),
altri più veloci da risolvere (Eulero in avanti). Il metodo di Heun nasce con
l’obiettivo di rendere esplicito, e quindi più veloce, il metodo di Crank-Nicolson.
L’idea alla base è quella di stimare un+1 tramite il metodo di Eulero in avanti:

u∗n+1 = un + hf (tn , un )

e poi di inserire il risultato nel metodo di Crank-Nicolson:

h[ ]
un+1 − un = f (tn , un ) + f (tn+1 , u∗n+1 )
2

A questo punto l’espressione ottenuta non è più implicita, perché la funzione un+1
è stata approssimata a u∗n+1 allo step precedente.
L’algoritmo finale risulta dunque:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
u∗n+1 = un + hf (tn , un )
h[ ]
un+1 = un + f (tn , un ) + f (tn+1 , u∗n+1 )
2

100
5.3.2 Analisi degli errori e della stabilità
Come tutti i metodi numerici anche quelli costruiti per la risoluzione di ODE. sono
soggetti ad errori.
Si definisce errore alla discretizzazione di u la quantità:

ēn = y(tn ) − un

cioè la distanza totale tra funzione vera valutata in tn e la funzione approssimata.

Si introduce anche l’errore al passo n-esimo, che si calcola come applicando il
metodo partendo dalla funzione esatta:

Metodo: un−1 −→ un
Calcolo errore: y(tn−1 ) −→ u∗n

Quindi si può sempre scrivere l’errore totale come:

ēn = (y(tn ) − u∗n ) + (u∗n − un )

| {z } | {z }
Errore al passo n Propagazione
errori precedenti

In tal modo si riesce a distinguere l’errore dovuto alla consistenza del metodo,
creatosi al passo n, e l’errore imputabile alla stabilità del metodo.

Definizione 5.3.1 (Errore di troncamento). Si chiama τn (h) l’errore di tronca-

mento locale ed è definito come:

y(tn ) − u∗n
τn (h) =
h

Inoltre, tale errore si dice globale quando:

τ (h) = max |τn (h)|

n=1,...,Nh

Definizione 5.3.2 (Consistenza metodi per la risoluzione di ODE.). Un metodo

per la risoluzione di equazioni differenziali ordinarie viene detto consistente quando

101
l’errore di troncamento globale si annulla al diminuire di h:

h→0
τ (h) −−→ 0+

Inoltre viene detto consistente di ordine p se

τ (h) = O(hp )

Si consideri ora il metodo di Eulero in avanti (esplicito) e si valuti l’andamento

degli errori dovuto al calcolo numerico. Per prima cosa si analizza la consistenza;
dalla definizione si ottiene:

hτn (h) = y(tn ) − u∗n

( )
= y(tn ) − y(tn−1 ) + hf (tn−1 , y(tn−1 ))

Quindi, se la funzione y ∈ C 2 (I) si può sostituire l’espressione y(tn ) con la sua

espansione in serie di Taylor:

h2
y(tn ) = y(tn−1 ) + hẏ(tn−1 ) + ÿ(ξn ) ξn ∈ [tn−1 , tn ]
2

Sostituendo l’espressione si ottiene:

h2 ( )
hτn (h) = y(tn−1 ) + hẏ(tn−1 ) + ÿ(ξn ) − y(tn−1 ) + hf (tn−1 , y(tn−1 ))
2
.
Tendendo presente che ẏ(tn−1 ) = f (tn−1 , y(tn−1 )) l’espressione si semplifica in:

h
τn (h) = ÿ(ξn )
2

Tale espressione è l’errore di troncamento locale; andando però a massimizzare il

valore di ÿ(ξ) si ottiene l’errore di troncamento globale:

h
τ (h) = D con: D = max |ÿ(ξn )|
2 n=1,...,Nh

Stabilito l’errore di consistenza del metodo di Eulero in avanti, si valuta l’errore

102
u∗n − un :

u∗n − un = y(tn−1 ) + hf (tn−1 , y(tn−1 )) − un

= y(tn−1 ) + hf (tn−1 , y(tn−1 )) − (un−1 − hf (tn−1 , un−1 ))
[ ]
= y(tn−1 ) − un−1 + h f (tn−1 , y(tn−1 )) − f (tn−1 , un−1 ))

Considerando l’espressione in modulo e ricordando che per ipotesi la funzione f

dev’essere LIP. nel secondo argomento, si ha che:

|u∗n − un | ≤ |y(tn−1 ) − un−1 | + h|f (tn−1 , y(tn−1 )) − f (tn−1 , un−1 ))|

≤ |y(tn−1 ) − un−1 | + hL|y(tn−1 ) − un−1 |
≤ (1 + hL)ēn−1

Sommando le due componenti ottenute si ottiene l’errore totale del metodo,

che risulta pari a:

|ēn | ≤ hτ (h) + (1 + hL)|ēn−1 |

[ ]
≤ hτ (h) + (1 + hL) hτ (h) + (1 + hL)2 |ēn−2 |
≤ hτ (h) + (1 + hL)hτ (h) + (1 + hL)2 |ēn−2 |

Questo ragionamento può essere ripetuto n volte; sapendo inoltre che l’ultimo
termine della sommatoria è pari all’errore iniziale |ē0 | ed è nullo per le condizioni
iniziali del metodo si ottiene:

∑
n
|ēn | ≤ hτ (h) (1 + hL)k
k=0

Infine, andando a fare il limite per h → 0 (o n → +∞) di questa espressione si

ottiene la seguente equivalenza asintotica:

∑
n
|ēn | ≤ hτ (h) (1 + hL)k ∼ hτ (h)(1 + hL)n ∼
k=0
enhL − 1 1 h
∼h τ (h) = (eL(tn −t0 ) − 1)D = C(D)h
hL L 2

103
Tabella 5.1: Nella tabella sono riportate le diverse tipologie, gli ordini di convergenza
e le ipotesi sulla funzione incognita per studiare gli errori di ogni metodo.

Metodo Classe Ordine Tipologia

Eulero avanti y ∈ C 2 (I) p=1 Esplicito

Eulero indetro y ∈ C 2 (I) p=1 Implicito
Crank-Nicolson y ∈ C 3 (I) p=2 Implicito
Heun y ∈ C 3 (I) p=2 Esplicito

Quindi il metodo di Eulero, per trovare una funzione y ∈ C 2 (I) in avanti

converge linearmente alla soluzione.
Per quanto concerne agli altri metodi studiati i risultati dell’analisi degli errori
sono riportati in Tab. 5.1.
Inoltre se sono forniti gli errori con due diversi passi, si può stimare l’ordine
di convergenza del metodo tramite la formula:

log(en1/en2 )
p=
log(hn1/hn2 )

Zero stabilità

La proprietà della zero stabilità garantisce che in un intervallo [t0 , tf ] limitato, a

fronte di piccole perturbazioni sui dati iniziali vi siano solo piccole perturbazioni
sulla soluzione numerica.
Sia zn la soluzione approssimata e {δn }N n=0 l’insieme delle perturbazioni. Ad
h

esempio il metodo di Eulero in avanti diventa:

z0 = y0 + δ0
Per n = 0, 1, . . . , Nh − 1
[ ]
zn+1 = zn + h f (tn , un ) + δn

104
Definizione 5.3.3 (Metodo Zero-stabile). Un metodo numerico per la risoluzione
di equazioni differenziali ordinarie si dice zero-stabile nell’intervallo I = [t0 , tf ]
limitato se esistono h0 , C, ε0 ∈ R+ tali che:

∀h ∈ (0, h0 ] ∀ε ∈ [0, ε0 ] |δn | < ε |zn − un | ≤ Cε ∀n = 0, 1 . . . , Nh − 1

Dove C è una costante che può dipendere dalla lunghezza T − t0 dell’intervallo

di integrazione I, ma è indipendente da h. (Corollario) Se poi la funzione f è di
Lipschitz allora la costante vale:

C = eL(tf −t0 ) − 1

Teorema 5.3.1 (Lax-Ritchmyer). Un metodo per la risoluzione numerica di equa-

zioni differenziali ordinarie è consistente se e solo se è anche convergente.

Purtroppo molto spesso si ha che la costante C diventa molto grande se la

misura dell’intervallo I si ingrandisce di molto.

tf →+∞
C −−−−→ +∞

In questo tipo di situazioni, anche andando a ridurre molto l’intervallo h le per-

turbazioni non riescono ad essere controllate (posto che comunque non è sempre
possibile controllare h arbitrariamente).

Assoluta stabilità

La proprietà dell’assoluta stabilità garantisce che un dato metodo numerico sia

stabile rispetto alle perturbazioni anche quando l’intervallo dei tempi diventa molto
grande:
I = [t0 , +∞)

In altre parole si può dire che l’assoluta stabilità sia una generalizzazione della
zero stabilità a domini molto più ampi.

Definizione 5.3.4 (Metodo assolutamente stabile). Un metodo si dice assoluta-

mente stabile se, quando viene applicato al problema modello (Sez. 5.1.1) risulta

105
che:
lim un = 0
n→+∞

Definizione 5.3.5 (Metodo incondizionatamente stabile). Un metodo si dice

incondizionatamente stabile se la sua assoluta stabilità è valida ∀h > 0.

Chiaramente se un metodo è assolutamente, ma non incondizionatamente sta-

bile, si ha che la sua stabilità è condizionata a valori di h racchiusi dall’intervallo:

h ∈ (0, hmax ]

Nei prossimi paragrafi viene analizzata l’assoluta stabilità dei quattro metodi
presentati finora.

Eulero avanti Applicando la formula al problema modello:

un+1 = un + hf (tn , un ) = un + hλun = (1 + hλ)un = (1 + hλ)n u0

passando al limite (definizione di assoluta stabilità) si ottiene:

lim un = lim (1 + hλ)n u0 = lim (1 + hλ)n y0 = 0

n→+∞ n→+∞ n→+∞

=⇒ |1 + hλ| < 1

Andando a sistemare la disequazione:

−1 < 1 + hλ < 1
−2 < hλ < 0

Considerando che λ è un numero negativo, per cui l’espressione non cambia se si

sostituisce λ = −|λ|:

−2 < −h|λ| < 0

2
0<h<
|λ|

106
Quindi affinché il metodo du Eulero avanti sia assolutamente stabile deve essere
rispettata la seguente condizione:
( )
2
h∈ 0, hmax =
|λ|

Da questo segue che il metodo è condizionatamente stabile.

Eulero indietro Applicando la formula al problema modello si ottiene:

un+1 = un + hf (tn+1 , un+1 ) = un + hλun+1

un y0
un+1 = =
(1 + hλ) (1 + hλ)n+1

Passando al limite:

y0
lim un = lim =0
n→+∞ n→+∞ (1 + hλ)n

=⇒ |1 − hλ| > 1

Essendo λ un numero negativo:

|1 − hλ| = |1 + h|λ|| = 1 + h|λ| > 1 ∀h ∈ R+

Quindi il metodo di Eulero indietro è un metodo incondizionatamente stabile.

Crank-Nicolson Applicando la formula di Crank-Nicolson al problema modello

si ha che:

h[ ]
un+1 = un + f (tn , un ) + f (tn+1 , un+1 )
2
h
un+1 = un + λ[un + un+1 ]
( ) 2 ( )
h h
1 − λ un+1 = 1 + λ un
2 2
( )n+1
1 + h2 λ 1 + h2 λ
un+1 = un = y0
1 − h2 λ 1 − h2 λ

107
Passando al limite:
( )n
1 + h2 λ
lim un = lim y0 = 0
n→+∞ n→+∞ 1 − h2 λ
1 + h2 λ
=⇒ <1
1 − h2 λ

Sistemando l’espressione nel modulo e sapendo che λ è un numero negativo:

1 + h2 λ 2 + hλ 2 − h|λ|
= = <1 ∀h ∈ R+
1 − h2 λ 2 − hλ 2 + h|λ|

Quindi anche in questo caso il metodo è incondizionatamente assolutamente stabile.

Metodo di Heun Applicando la formula di Heun al problema modello si ha

che:

u∗n+1 = un + hf (tn , un ) = (1 + hλ)un

h[ ]
un+1 = un + f (tn+1 , u∗n+1 ) + f (tn , un )
2
h 1
un+1 = un + λ[(1 + hλ)un + un ] = (2 + 2hλ + (hλ)2 )un
2 2
1
un+1 = n+1 (2 + 2hλ + (hλ)2 )n+1 y0
2

Passando al limite:

1
lim un = lim (2 + 2hλ + (hλ)2 )n+1 y0 = 0
n→+∞ n→+∞ 2n+1
2 + 2hλ + (hλ)2
=⇒ <1
2
−2 < 2 + 2hλ + (hλ)2 < 2
−4 < 2hλ + (hλ)2 < 0

108
Tabella 5.2: Funzioni di stabilità (a variabile complessa z = hλ) dei quattro metodi
analizzati.

Metodo Funzione di stabilità

Eulero avanti REA (z) = 1 + z

1
Eulero indietro REI (z) = 1−z
2+z
Crank-Nicolson RCN (z) = 2−z

Heun RH (z) = 1 + z + 12 z 2

Risolvendo le due disequazioni si ottiene:

( )
2
h∈ 0, hmax =
|λ|

Quindi il metodo di Heun è condizionatamente assolutamente stabile.

Questo criterio è sempre più o meno uguale; per questo motivo si può genera-
lizzarlo definendo una funzione di stabilità, del tipo:

R : C −→ C
[ ]n
un = R(hλ y0

La funzione di stabilità R dipende dal metodo utilizzato ed è definita su un dominio

complesso perché in generale il problema modello ha parametro λ ∈ C: nella
Tab.5.2 sono riportati gli esempi relativi ai quattro metodi finora analizzati.
A questo punto si può dire che si ha assoluta stabilità incondizionata quando:

|R(hλ)| < 1

e si può generalizzare questo concetto, definendo un’area, sul piano complesso, di

assoluta stabilità come:
{ }
A = z ∈ C |R(z = hλ)| < 1

A titolo di esempio, in Fig. 5.1 sono riportate le aree di assoluta stabilità dei

109
metodi analizzati fino ad adesso.

Definizione 5.3.6 (A-stabilità). Si dice che un metodo per la risoluzione di

equazioni differenziali ordinarie è A-stabile quando la relativa regione di assoluta
stabilità contiene il semipiano:
ℜ(z) < 0

Quindi sono A-stabili i metodi di Eulero indietro e Crank-Nicolson (entrambi

impliciti), mentre non lo sono i metodi di Eulero avanti e Heun (espliciti).
Tutti i concetti di assoluta stabilità sono stati ricavati, per definizione, dal
problema modello, ma come possono essere generalizzati a un problema di Cuachy
qualsiasi? Tramite ragionamenti su un problema del primo ordine qualsiasi si può
arrivare alla conclusione che si ha la stabilità per:

∂f
(t, y) < 0 ∀t ∈ [t0 , +∞)
∂y

In tal caso i metodi di Eulero indietro e Crank-Nicolson rimangono assolutamente

incondizionatamente stabili, mentre la condizione per l’assoluta stabilità di Eulero
avanti e Heun è data da:

2 ∂f
0 < h < hmax = λmax = max (t, y)
λmax t∈[t0 , +∞) ∂y

5.3.3 Metodi di Runge-Kutta

Questa famiglia di metodi punta a costruire la soluzione numerica un+1 anche in
base alla soluzione immediatamente precedente. In altre parole questi metodi sono
in grado di infittire i nodi nelle zone in cui vi è una maggiore necessità e allo stesso
tempo di diradare la griglia in zone in cui vi è una minore necessità di calcolo.
L’algoritmo generale di Runge-Kutta è dato da:

u0 = y0 (Dato iniziale)
Per n = 0, 1, 2, . . . , Nh − 1
∑s
un+1 = un + h bi ki
i=1

110
 2 2
ℑ(z) ℑ(z)

1 1

ℜ(z) ℜ(z)
−3 −2 −1 1 −1 1 2 3

−1 −1

−2 −2
(a) Il metodo di Eulero avanti risulta as- (b) Il metodo di Eulero indietro risulta
solutamente stabile per tutti i valori di assolutamente stabile per tutti i valori di
z = hλ che appartengono all’area di un z = hλ che non appartengono all’area di
cerchio di raggio uno centrato in z0 = −1. un cerchio di raggio uno centrato in z0 = 1.

2 2
ℑ(z) ℑ(z)

1 1

ℜ(z) ℜ(z)
−3 −2 −1 1 −3 −2 −1 1

−1 −1

−2 −2
(c) Il metodo di Crank-Nicolson risulta (d) Il metodo di Heun risulta assolutamen-
assolutamente stabile per tutti i valori di te stabile per tutti i valori di z = hλ che
z = hλ che appartengono al semipiano appartengono all’area un’ellisse centrata in
complesso avente parte reale negativa. z0 = −1.

Figura 5.1: In figura sono rappresentate le quattro regioni di assoluta stabilità per i
metodi analizzati finora.

111
Si può notare facilmente che la funzione f non compare nell’algoritmo, almeno in
maniera esplicita, proprio perché le valutazioni sono fatte su s stadi che non hanno
uguale misura tra loro. Analizzando più a fondo l’espressione si può notare che la
sommatoria presente ad ogni passaggio può essere vista come il prodotto scalare di
due vettori k, b ∈ Rs , in cui il primo contiene le valutazioni della funzione f (t, y)
in opportuni punti, mentre il secondo i pesi di ognuna di esse. Nello specifico il
vettore k è calcolato come:
( ∑
s )
ki = f tn + ci h, un + aij kj ∀i = 1, 2, . . . , s
j=1

Ancora una volta si possono vedere le costanti ci come componenti di un vettore

c ∈ Rs e gli aij come elementi di una matrice A ∈ Rs×s .
Tutti gli elementi di A, b e c sono costanti e dipendono da quale metodo di
Runge-Kutta si sceglie per approssimare l’equazione differenziale e solitamente
vengono tabulati in tabelle (tabelle di Butcher):

c A
bT

Tali tabelle vengono poi richiamate dall’algoritmo in fase di risoluzione del-

l’equazione. È importante notare che i metodi di Runge-Kutta possono essere
impliciti o espliciti, dipende da come viene calcolato il termine ki e quindi da come
è organizzata la matrice A (il metodo diventa esplicito quando aij = 0 ∀i ≥ j).

Esempio 5.3.1 (Metodo di Runge-Kutta a due stadi). Si consideri la seguente

matrice di Butcher, per un metodo di Runge-Kutta a due stadi:

0 0 0
1 1 0
1/2 1/2

112
Calcolo dei coefficienti ki :

k1 = f (tn + c1 h, un ha11 k1 + ha12 k2 )

= f (tn , un ) = fn
h2 = f (tn + c2 h, un ha21 k1 + ha22 k2 )
= f (tn + h, un hk1 )
= f (tn+1 , un + hfn )

da cui segue che il metodo è definito come:

h
un+1 = un + [fn + f (tn , un + fn )]
2

che coincide con il metodo di Heun!

In generale i metodi di Runge-Kutta sono dei metodi adattativi, cioè sono
pensati per adattarsi all’equazione e variare il passo; ad esempio al primo stadio
s1 vale:
∑s1
s1
un+1 = un + hn bsi 1 kis1
i=1

poi si calcola usn+1

2
imponendo che sia più piccolo del precedente se:

s2 < s 1 ⇐⇒ usn+1
1
− usn+1
2
> ε = toll

In caso contrario si può optare per hn+1 > hn , per risparmiare tempo di calcolo.
In MATLAB® sono implementate diverse funzioni atte a risolvere le equazioni
differenziali ordinarie; in particolare si segnalano:
[t, y] = ode23(fun, T, y0)
[t, y] = ode45(fun, T, y0)
Entrambe le funzioni restituiscono i vettori t e y che contengono i tempi e le
valutazioni della risoluzione approssimata e richiedono in ingresso la funzione fun,
l’intervallo di integrazione T e la condizione iniziale y0. Ovviamente le due funzioni
non sono equivalenti, ma utilizzano due diversi ordini di metodo Runge-Kutta
espliciti: la prima ha un tempo di esecuzione molto minore, ma meno precisa dal
punto di vista degli errori.

113
5.3.4 Theta-Metodi
Anche in questo caso il punto di partenza è la discretizzazione del dominio tem-
porale I in un numero Nh di punti equidistanti.
Questa volta si introduce un parametro ϑ ∈ [0, 1] la cui funzione è quella di
pesare le valutazioni della funzione f tra i due passi consecutivi tn e tn+1 . I metodi
risultano quindi:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
[ ]
un+1 = un + h (1 − ϑ)f (tn , un ) + ϑf (tn+1 , un+1 )

Si nota immediatamente che per alcuni valori di ϑ il ϑ-metodo corrispondente

coincide con uno visto in precedenza:

1. (ϑ = 0) Eulero avanti:

un+1 = un + hf (tn , un )

2. (ϑ = 1) Eulero indietro:

un+1 = un + hf (tn+1 , un+1 )

3. (ϑ = 1/2) Eulero avanti:

h[ ]
un+1 = un + f (tn , un ) + f (tn+1 , un+1 )
2

Per quanto riguarda gli errori dei ϑ-metodi si dimostra che:

y ∈ C 2 (I) en = |y(tn ) − un | ≤ Ch ϑ ∈ [0, 1]\{1/2}

y ∈ C 2 (I) en = |y(tn ) − un | ≤ Ch2 ϑ = 1/2

114
5.3.5 Risoluzione di sitemi differenziali ordinari
Tutti i metodi analizzati sono applicabili alla risoluzione di sistemi di funzioni
differenziali ordinarie.
Per prima cosa si riduce il problema a un problema di Cauchy vettoriale del
primo ordine, come visto in precedenza; poi si applica uno dei metodi visti prima.
Ad esempio i ϑ-metodi diventano:

u0 = y0 (dato iniziale)
Per n = 0, 1, . . . , Nh − 1
[ ]
un+1 = un + h (1 − ϑ)F(tn , un ) + ϑF(tn+1 , un+1 )

Nel particolare caso dei ϑ-metodi è possibile fare una riflessione in merito alla
funzione F(t, y); supponiamo che per ipotesi sia possibile scrivere la funzione come:

F(tn , y) = Ay + g(t)

dove la matrice A è una matrice a coefficienti costanti. Allora è possibile riscrivere

il metodo come:
[ ]
un+1 = un + h (1 − ϑ)(Aun + gn ) + ϑ(Aun+1 + gn+1 )
[ ] [ ]
(I − hϑA)un+1 = I + h(1 − ϑ)A + h ϑgn + (1 − ϑ)gn+1

Questa espressione è di fatto un sistema lineare: tutto quello che c’è a destra
dell’uguale è costante e costituisce il termine noto, mentre (I − hϑA) è la matrice
del sistema e un+1 rappresenta l’unica incognita dell’espressione.

Stabilità per sistemi differenziali ordinari

Si consideri il problema modello generalizzato alle funzioni vettoriali:


ẏ(t) = Ay(t)
∀t ∈ [t0 , tf ]
y(t ) = y
0 0

115
Teorema 5.3.2 (Effetto autovalori matrice di stato). Se gli autovalori della ma-
trice di stato A hanno tutti parte reale negativa allora:
{ }m
ℜ λi (A) <0 =⇒ lim y(t) = 0
t→+∞
i=1

Definizione 5.3.7 (Assoluta stabilità di metodi per ODE. vettoriali). Si dice

che il metodo per la risoluzione di equazioni differenziali vettoriali converge as-
solutamente se, quando applicato al problema modello (con autovalori a parte
reale negativa), restituisce una funzione approssimata che tende ad annullarsi con
l’aumentare di n:
lim un = 0
n→+∞

Come fatto precedentemente questo criterio può essere esteso a tutte le funzioni
F(t, y) generiche, andando a considerare gli autovalori della matrice Jacobiana. In
particolare, il metodo risulta stabile se:

[ ] ∂fi
JF (t) ij = (t, y)
∂yj
( )
λi JF (t) ∈ A ∀i = 1, 2, . . . , m ∀t ∈ I

5.3.6 Risoluzione numerica di problemi del secondo ordine

I metodi presentati in questo capitolo sono di solito poco usati e poco svilup-
pati perché, come visto in precedenza è sempre possibile ridurre il problema a
un’equazione vettoriale di primo ordine.

Metodo Leap-Frog

Il metodo Leap-Frog prevede di approssimare le derivate (prima e seconda) della

funzione tramite le differenze finite centrate (Def. 4.2.3 e Def. 4.2.4 a pagina 81).

ẏ(tn ) ≃ δC y(tn ) ÿ(tn ) ≃ δC2 y(tn )

116
Sia dunque un l’approssimazione della funzione al passo n e vn l’approssimazione
della sua derivata prima:

un+1 − 2un + un−1 un+1 − un−1

f (tn , un , vn ) = vn =
h2 2h

Girando le due espressioni si ha che:

un+1 − 2un + un−1 = h2 f (tn , un , vn )

un+1 − un−1 = 2hvn

Sommando membro a membro le espressioni si ottiene:

2un+1 − 2un = h2 f (tn , un , vn ) + 2hvn

Da cui si ricava che:

h2
un+1 = un + hvn + f (tn , un , vn )
2

Il problema adesso è stimare il valore di vn+1 , poiché al passaggio successivo sarà

necessaria per calcolare la funzione. Dalla definizione di differenze finite centrate:

1
vn = (un+1 − un−1 )
2h

Scalando tutto di un indice si ottiene:

1
vn+1 = (un+2 − un )
2h

A questo punto si sostituisce un+2 , due volte, con il valore appena calcolato:
( )
1 h2
vn+1 = un+1 + hvn+1 + f (tn+1 , un+1 , vn+1 ) − un
2h 2
( 2
)
1 h h2
= un + hvn + f (tn , un , vn ) + hvn+1 + f (tn+1 , un+1 , vn+1 ) − un
2h 2 2

117
Infine si ricava vn+1 :

h( )
vn+1 = vn + f (tn , un , vn ) + f (tn+1 , un+1 , vn+1 )
2

Sintetizzando tutti i passaggi si ottiene l’algoritmo Leap-Frog:

u0 = y0 (Dato iniziale)
v0 = y1 (Dato iniziale)
Per n = 0, 1, . . . , Nh − 1
h2
un+1 = un + hvn + f (tn , un , vn )
2
h( )
vn+1 = vn + f (tn , un , vn ) + f (tn+1 , un+1 , vn+1 )
2

Dall’algoritmo si capisce subito il perché del nome del metodo (letteralmente signi-
fica balzo della rana): ad ogni passaggio calcola la funzione nel punto e la derivata
nel nodo immediatamente successivo; successivamente torna indietro a calcolare la
funzione. . .
Si nota subito che la prima equazione è lineare in un , quindi non ci sono partico-
lari problemi; purtroppo non è così per la seconda: il termine vn+1 non è necessaria-
mente lineare (dipende dalla funzione f ) quindi potrebbe richiedere l’applicazione
di uno dei metodi di risoluzione di equazioni non lineari.
In ogni caso, il metodo Leap-Frog ha ordine di convergenza p = 2 ed è sempre
assolutamente e incondizionatamente stabile.

118
Metodo di Newmark

Il metodo di Newmark nasce come estensione dei ϑ-metodi ai problemi del secondo
ordine. Assegnati ξ, ϑ ≥ 0 si definisce l’algoritmo come:

u0 = y0 (Dato iniziale)
v0 = y1 (Dato iniziale)
Per n = 0, 1, . . . , Nh − 1
h2 [ ]
un+1 = un + hvn + 2ξfn+1 + (1 − ξ)fn
[ 2 ]
vn+1 = vn + h ϑfn+1 + (1 − ϑ)fn

In particolare di ogni possibile combinazione di ξ e ϑ si segnala che:

• il metodo è esplicito se ξ = ϑ = 0;
1
• il metodo coincide con Leap-Frog se ϑ = 2
e ξ = 0.

Il metodo di Newmark non è condizionatamente assolutamente stabile. In

particolare la condizione è data da:

1
2ξ ≥ ϑ ≥
2

119
 Parte II

Equazioni alle derivate parziali

120
Capitolo 6

Introduzione

6.1 Equazioni alle derivate parziali

Nello studio di gran parte di eventi di interesse scientifico si fa largo uso di modelli
matematici per descrivere, analizzare, prevedere e sopratutto controllare un certo
fenomeno. Questo non riguarda solamente le discipline di carattere strettamente
ingegneristico, ma anche campi come la finanza, medicina, ecologia. . . in cui è
diventato sempre più importante capire un evento per anticiparne l’evoluzione.
Un modello matematico solitamente è ottenuto combinando da una legge ge-
nerale (come principi di conservazione di massa o energia. . . ) e da una relazione
costitutiva, spesso di natura sperimentale, concerne a un particolare fenomeno in
esame. Il risultato di tale combinazione è molto spesso un’equazione differenziale
alle derivate parziali.

Definizione 6.1.1 (Equazione differenziale alle derivate parziali). Un’equazione

differenziale alle derivate parziali è un legame del tipo:

F (x1 , . . . , xn , ux1 , . . . , uxn , ux1 x2 , . . . ) = 0

dove u è una funzione incognita di n variabili. In particolare si dice che un’equa-

zione differenziale è di ordine n se il massimo ordine di derivazione è n.

Una delle distinzioni più importanti che si possono fare per analizzare le equa-
zioni differenziali è quella tra equazioni lineari, in cui la funzione F è lineare

121
rispetto alla funzione u e a tutte le sue derivate, e equazioni non lineari. Per
motivi di semplicità verranno proposte solamente problemi di tipo lineare.

6.2 Condizioni al contorno

Le condizioni al contorno sono fondamentali per risolvere un problema differenziale,
poiché rappresentano il punto di partenza per determinare la funzione risolvente.
In parte questo concetto è stato già incontrato nei problemi di Cauchy per equa-
zioni differenziali ordinarie: allora si parlava di condizione iniziale della funzione,
cioè di un valore noto ad un istante di tempo prefissato. Con condizioni al con-
torno si intendono invece una o più funzioni in grado di descrivere l’evoluzione nel
tempo del sistema, quando viene fissata una certa variabile.
Si consideri dunque una equazione differenziale alle derivate parziali, definita
su uno spazio monodimensionale e nel tempo. Il dominio dunque si può scrivere
come:
Q = [0, L] × (t0 , tf )

Per risolvere il problema serviranno quindi:

• l’equazione differenziale;

• una funzione della variabile spaziale x che rappresenti la condizione iniziale

(di Cauchy) per il tempo;

• una o più funzioni del tempo che rappresentino le condizioni al contorno per
la variabile spaziale.

Tra le infinite tipologie di condizioni al contorno possibili, si descrivono brevemente

quelle maggiormente utilizzate nel modelli matematici.

Condizioni di Dirichlet Le condizioni al contorno di di Dirichlet definiscono

come varia il valore della funzione incognita u(x, t) lungo la frontiera del dominio
spaziale, nel caso monodimensionale sopra citato tale concetto diventa:

u(0, t) = g (t)
1
∀t ∈ (t0 , tf )
u(L, t) = g (t)
2

122
Se invece la funzione incognita è definita su una variabile spaziale di tipo vettoriale
allora la condizione diventa:

u(x, t) = g(t) ∀t ∈ (t0 , tf )

∂Ω

Nel caso in cui la funzione g(t) (o più di una nel caso a più dimensioni)
sia costantemente nulla, si dice che le condizioni al contorno di Dirichlet sono
omogenee.

Condizioni di Neumann Le condizioni al contorno di di Neumann definiscono

il flusso uscente dai punti di frontiera de dominio spaziale. Tale condizione può
essere espressa mediante l’uso della derivata parziale prima rispetto alla variabile
spaziale x; nel caso monodimensionale, questo corrisponde a:

 ∂u (0, t) = g (t)
1
∂x
∀t ∈ (t0 , tf )
 ∂u (L, t) = g (t)
∂x 2

Allo stesso modo se la funzione vettoriale dipende da una variabile spaziale di tipo
vettoriale allora la condizione di Neumann diventa:

∇u(x, t) · n̂ = g(t) ∀t ∈ (t0 , tf )

∂Ω

dove n̂ è la normale uscente dalla frontiera ∂Ω

Anche in questo caso se la funzione g(t) è sempre nulla, si parla di condizioni
di Neumann omogenee.

Condizioni di Robin Le condizioni al contorno di Robin (o di radiazione) sono

una generalizzazione delle condizioni di Dirichlet e Neumann. In poche parole
esse affermano che la derivata della funzione incognita ux (x, t) è proporzionale
alla differenza tra il valore di equilibrio della funzione U (che si ottiene a tempo

123
infinito) e la funzione u(x, t); nel caso a una sola dimensione questo diventa:

 ∂u (0, t) = γ (U − u(0, t))
∂x
∀t ∈ (t0 , tf ) γ ∈ R
 (L, t) = γ (U − u(0, t))
∂u
∂x

Nel caso il problema sia definito per funzioni spaziali a dominio vettoriale la
condizione diventa:
( )
∇u(x, t) · n̂ = γ U − u(x, t) ∀t ∈ (t0 , tf ) γ ∈ R
∂Ω

Ovviamente non si possono definire delle condizioni omogenee di Robin, perché

coincidono con quelle di Neumann.

Condizioni miste Per ultimo si presentano le condizioni miste. Per costruire

questo tipo di condizioni basta partizionare la frontiera in diversi insiemi e definire
su ognuno di essi una delle tipologie di condizioni a contorno appena analizzate.

6.3 Serie di Fourier

La serie di Fourier è una tecnica matematica che permette di approssimare una
funzione periodica (o resa tale) mediante una combinazione lineare di polinomi
trigonometrici.
Nel campo della risoluzione delle equazioni differenziali alle derivate parziali
l’approssimazione mediante serie di Fourier molto spesso utilizzata semplificare le
funzioni presenti del problema per facilitarne la soluzione.

Definizione 6.3.1 (Funzione periodica). Data una funzione f (x) : R −→ R, si

dice che è periodica se:

∃ T ∈ R+ f (x) = f (x + T ) ∀x ∈ R

dove il valore T è detto periodo della funzione.

124
 Affinché si possa definire lo sviluppo in serie di Fourier di una certa funzione
f è necessario che questa sia dotata di una minima regolarità. La condizione
sufficiente a soddisfare l’ipotesi e che la funzione appartenga allo spazio L2 .

Definizione 6.3.2 (Funzione a quadrato integrabile). Si dice che una funzione

f (x) è a quadrato integrabile e quindi appartiene allo spazio L2 su un intervallo I
se esiste finito l’integrale: ∫
( )2
f (x) dx < +∞
I

Teorema 6.3.1 (Sviluppo in serie di Fourier). Sia f (x) ∈ L2 , periodica (o resa

tale) di periodo T . In questo caso è sempre possibile espandere in serie di Fourier
la funzione f (x), ossia si può sempre scrivere:

a0 ∑ ( )
+∞
f (x) = + an cos(nx) + bn sin(nx)
2 n=1

Dove i coefficienti an e bn sono pari a:

∫ T ∫ T
1 1
an = f (x) cos(nx)dx bn = f (x) sin(nx)dx
T −T T −T

La serie di Fourier può anche essere riscritta in forma complessa, utilizzando

l’identità di Eulero:
einx = cos(nx) + i sin(nx)

In tal modo la serie diventa:

∑
+∞ ∫ T
1
f (x) = ck e ink
cn = f (x)e−inx dx
n=−∞
2T −T

In particolare i coefficienti complessi cn sono legati a quelli reali an e bn tramite le

formule:

1 1 1
c 0 = a0 cn = (an − ibn ) c−n = c̄n = (an + ibn )
2 2 2
a0 = 2c0 an = cn + c−n bn = i(cn − c−n )

125
Teorema 6.3.2 (Proprietà funzioni in L2 ). Una funzione che appartiene allo
spazio L2 su un intervallo (0, L) dispone delle seguenti proprietà:

1. esiste una sola espansione in serie di Fourier fN (x) della funzione;

2. il limite:
∫ L [ ]2
lim ∥fN (x) − f (x)∥ = lim fN (x) − f (x) dx = 0
N →+∞ N →+∞ 0

cioè la l’espansione di Fourier fN (x) converge alla funzione f (x) in norma

L2 (0, L);

3. vale l’identità di Parseval:

∫
a0 ∑ ( 2 ) ∑
+∞ +∞
2 L 2 2
+ 2
an + b n = |cn | = f (x)dx = ∥f (x)∥2L2 (0.L)
2 n=1 n=−∞
L 0 L

4. I limiti:
lim an = lim bn = lim |cn | = 0
n→+∞ n→+∞ n→+∞

126
Capitolo 7

Problemi di diffusione

7.1 L’equazione di diffusione

L’equazione di diffusione (o del calore) nasce dagli studi di Fourier sulla propa-
gazione del calore all’interno di un mezzo omogeneo e isotropo, ma è in grado di
descrivere in modo preciso qualsiasi fenomeno di tipo diffusivo, come ad esempio
il diffondersi di un certo tipo di materiale in un mezzo fluido o certe tipologie di
densità di probabilità. . .
l’equazione è espressa dalla formula:

∂u
(x, t) − D∇2 u(x, t) = f (x, t)
∂t

In essa si distingue la derivata temporale e il laplaciano della funzione incogni-

ta u(x, t) e una funzione f (x, t) che rappresenta l’intensità di una fonte esogena
distribuita nel mezzo.

Definizione 7.1.1 (Laplaciano). Data una funzione f ∈ C 2 (Ω) si definisce la-

placiano, o operatore di Laplace, la somma delle derivate parziali seconde non
miste:
∑n
∂2
∇ =∇·∇=
2

k=1
∂k ∂k

127
7.2 L’equazione del calore
Si consideri ad esempio di voler studiare il comportamento termico di un filo me-
tallico, avente una dimensione pari a L molto maggiore delle altre due (problema
monodimensionale). Si immerga in contatto tale filo in un ambiente a temperatura
nota e costante, pari a T0 , per un tempo sufficientemente lungo affinché si instauri
l’equilibrio termico:
u(x) = T0 ∀x ∈ [0, L]

Si metta a contatto il filo con due corpi aventi temperatura pari a T1 e T2 : dopo
un po’ di tempo si osserva che il filo tende ad assumere una distribuzione di tipo
lineare, i cui massimi e minimi sono posti in corrispondenza degli estremi. Il
caso appena descritto è un tipico comportamento che l’equazione di diffusione può
analizzare e prevedere senza particolari difficoltà.
Teorema 7.2.1 (della divergenza). Si consideri un volume V ⊆ Rn compatto e
delimitato da una superficie di frontiera liscia ∂S. Se la funzione F è una funzione
differenziabile con continuità su tutto il volume, si ha che:
∫ ∫
∇ · FdΩ = F · n̂dσ
V ∂V

In altre parole: l’integrale su tutto il volume della divergenza di F è pari al flusso

sulla superficie di frontiera di V .
Sia V un elemento di volume arbitrario posto all’interno del corpo rigido,
indicando con e(x, t) l’energia interna specifica per unità di massa si ha che:
∫
EV = ρe(x, t)dΩ
V

dove EV è l’energia totale del corpo, mentre ρ la sua densità. In tal modo il tasso
di variazione è pari a:
∫ ∫
d
ĖV = ρe(x, t)dΩ = ρet (x, t)dΩ
dt V V

dove nell’ultimo passaggio si è usata la formula di Leibniz per la derivazione sotto

il segno di integrale. Sia q il flusso di calore uscente dalla superficie di contorno del

128
volume ∂V . Sotto tali ipotesi l’energia entrante (o uscente se di segno negativo) è
pari a: ∫ ∫
Ein = − q · n̂dσ = − ∇ · qdΩ
∂V V

In questo caso si è utilizzato il teorema della divergenza (Teo. 7.2.1). Infine il

contributo dovuto alla fonte di energia esterna è pari a:
∫
f ∗ (x, t)dΩ
V

Il bilancio di energia risulta quindi pari a:

∫ ∫ ∫
ρet (x, t)dΩ = − ∇ · qdΩ + ρf ∗ (x, t)dΩ
V V V

Dato che non si è fatta alcun genere di ipotesi sul dominio V l’uguaglianza risulta
verificata anche nel caso in cui si rimuova l’integrazione:

ρet (x, t) = −∇ · q + ρf ∗ (x, t)

Sostituendo la legge di Fourier per la condizione di calore q = −κ∇u(x, t) e

considerando l’aumento dell’energia interna et = cv u(x, t) si ottiene l’equazione
del calore:
( )
ρcv ut (x, t) − ∇ κ∇u(x, t) = ρf ∗ (x, t)
ut (x, t) − D∇2 u(x, t) = f (x, t)

7.3 Problemi ben posti

Definita la relazione dell’equazione differenziale e le condizioni al contorno sul
dominio spazio-temporale, possiamo definire i problemi differenziali di diffusione.
Si supponga che il problema sia monodimensionale e che la funzione f (x, t) sia
sempre nulla (equazione differenziale omogenea).

129
Problema di Cauchy-Dirichlet Si definisce il problema di Cauchy-Dirichlet il
problema differenziale alle derivate parziali del tipo:


 (x, t) ∈ (0, L) × (0, tf )
 u = Duxx
 t
u(0, t) = g1 (t) u(L, t) = g2 (t) t ∈ (0, tf )



u(x, 0) = ϕ(x) x ∈ (0, L)

Problema di Cauchy-Neumann Si definisce il problema di Cauchy-Neumann

il problema differenziale alle derivate parziali del tipo:


 (x, t) ∈ (0, L) × (0, tf )
 u = Duxx
 t
ux (0, t) = q1 (t) ux (L, t) = q2 (t) t ∈ (0, tf )



u(x, 0) = ϕ(x) x ∈ (0, L)

Problema di Cauchy-Robin Si definisce il problema di Cauchy-Robin il pro-

blema differenziale alle derivate parziali del tipo:


 (x, t) ∈ (0, L) × (0, tf )
 u = Duxx
 t ( ) ( )
ux (0, t) = γ1 U1 − u(x, t) ux (L, t) = γ2 U2 − u(x, t) t ∈ (0, tf )



u(x, 0) = ϕ(x) x ∈ (0, L)

Problema di Cauchy-Misto Si definisce il problema di Cauchy-Misto un pro-

blema di diffusione con una qualunque combinazione di condizioni al contorno tra
le tre precedenti.
Come si analizzerà nel prossimo paragrafo, per tutti questi problemi esiste una
sola soluzione u(x, t) ∈ C 0 (QT ), dove la regione QT è definita come:

. { }
QT = (x, t) ∈ (0, L) × (0, tf )

anche se la funzione che descrive la condizione iniziale di Cauchy ϕ(x) ̸∈ C 0 ((0, L)).
Tra i quattro problemi ce n’è uno che ha una proprietà in più degli altri: quello
di Neumann. Esso infatti, quando ha le condizioni al contorno omogenee, oltre ad
avere una sola soluzione, ha valor medio integrale sullo spazio costante nel tempo.

130
Dimostrazione 7.3.1 (Valor medio problema Cauchy-Neumann omogeneo). An-
dando a moltiplicare l’equazione differenziale omogenea per una funzione generica
v(x) ̸= 0:
∂u ∂ 2u
v = Dv 2
∂t ∂x
Integrando su tutto il dominio spaziale si ha che:
∫ L ∫ L
∂u ∂ 2u
v dx = D v dx
0 ∂t 0 ∂x2

Per semplicità si separa la manipolazione degli integrali. Si prenda dunque il

secondo integrale, l’espressione della funzione integranda può essere riscritta come:
( )
∂ 2u ∂ ∂u ∂u ∂v
v 2 = v −
∂x ∂x ∂x ∂x ∂x
∫ ( L ) ∫ L
∂ ∂u ∂u ∂v
II = D v dx − D dx
0 ∂x ∂x 0 ∂x ∂x
[ ]x=L ∫ L
∂u ∂u ∂v
=D v −D dx
∂x x=0 0 ∂x ∂x

Il primo termine è ovviamente nullo proprio per le condizioni al contorno del

problema di Neumann omogeneo. Tornando all’uguaglianza tra gli integrali si ha
che: ∫ L ∫ L
∂u ∂u ∂v
v dx = −D dx
0 ∂t 0 ∂x ∂x

Dato che l’espressione è valida per tutte le funzioni v(x) ̸= 0 si può scegliere una
funzione costante, ad esempio v(x) ≡ 1, ∀x ∈ (0, L); in tal modo si annulla il
secondo termine dell’equazione:
∫ L ∫ L
∂u d
dx = u(x, t)dx = 0
0 ∂t dx 0

Per definizione il valor medio integrale della funzione u(x, t) è pari a:

∫ L
1
um (x, t) = u(x, t)dx
L 0

131
Sostituendo la definizione nel passaggio precedente si ottiene:

d
L um = 0
dx

Da cui segue che il valore medio sullo spazio della soluzione u(x, t) è una funzione
tempo invariante.

7.4 Unicità della soluzione

Nella Sez. 7.3 si è detto che i problemi di diffusione di Cauchy al bordo (cioè con
condizioni al contorno di Dirichlet, Neumann, Robin e misto) sono tutti ben posti
e questo significa che la soluzione esiste, è unica e dipende con continuità dai dati.
Tutto questo chiaramente va dimostrato e in genere prima di dimostrare l’esi-
stenza delle soluzione si dimostra la sua unicità.

7.4.1 Problema monodimensionale

Il più semplice dei problemi di diffusione è quello definito su una sola dimensione
spaziale. Per prima cosa si analizza questa tipologia di problema.

Dimostrazione 7.4.1 (Unicità soluzione monodimensionale). Sia dato un proble-

ma di diffusione omogeneo monodimensionale, avente una fra le quattro tipologie
di condizione al contorno analizzate.


 (x, t) ∈ QT
 u (x, t) = Duxx (x, t)
 t
u(x, 0) = ϕ(x) x ∈ (0, L)



Condizione di D, N, R, M.

Si supponga che per assurdo esistano due funzioni diverse u e v che siano
soluzioni del problema differenziale. Essendo l’equazione di diffusione lineare, una
qualsiasi combinazione lineare delle soluzioni risulta essere ancora soluzione del
problema.
∃ w(x, t) = u(x, t) − v(x, t) ̸= 0 ∀(x, t) ∈ QT

132
Sostituendo l’espressione nel problema, si ottiene il seguente sistema:


 (x, t) ∈ QT
 w (x, t) = Dwxx (x, t)
 t
w(x, 0) = ϕ(x) − ϕ(x) ≡ 0 x ∈ (0, L)



Condizione omogenea di D, N, R, M.

La dimostrazione del perché le condizioni al bordo diventano omogenee è imme-

diata: le funzioni u v (o le loro derivate) devono essere pari alla stessa quantità
lungo tutta la frontiera, per cui la funzione w, essendo pari alla loro differenza,
dovrà essere puntualmente nulla.
Dato che w è per ipotesi soluzione al problema, la seguente equazione:

∂w ∂ 2w
(x, t) = D 2 (x, t)
∂t ∂x

risulta essere un’identità. Si moltiplichi tale espressione da ambo le parti per la

funzione w(x, t) e la si integri su tutto il dominio temporale.
∫ L ∫ L
∂w ∂ 2w
w dx = D w dx (7.1)
0 ∂t 0 ∂x2

Si consideri ora l’integrale di sinistra, per le proprietà dei differenziali e per il

teorema di Reynolds si ha che:
∫ L ∫ L ∫ L
∂w 1 ∂w2 d 1 2 dE
I= w dx = dx = w dx = (t) ≥ 0
0 ∂t 0 2 ∂t dt 0 2 dt

Cioè è pari alla derivata dell’energia della funzione w(x, t) cioè alla derivata dell’in-
tegrale di una funzione al quadrato, cioè a quantità sempre positiva o al massimo
nulla. Al contrario il secondo integrale può essere riarrangiato sfruttando la regola
di differenziazione del prodotto di funzioni (integrazione per parti):

d(f g) = gdf + f dg =⇒ gdf = d(f g) − f dg

133
 ∫ L
∂ 2w
II = D w
dx
∂x2
0
∫ L ( ) ∫ L
PP ∂ ∂w ∂w ∂w
=D w dx − D dx
0 ∂x ∂x 0 ∂x ∂x
[ ]L ∫ L [ ]2
∂w ∂w
=D w −D dx
∂x 0 0 ∂x

Il primo termine dell’ultimo passaggio è sempre nullo per le condizioni al contorno

(in Dirichlet sarà nulla la funzione valuta nel punto, in Neumann la derivata. . . ).
Il secondo, essendo una somma continua di funzioni al quadrato, è sempre pari a
una quantità negativa o al più nulla:
∫ L [ ]2
∂w
II = −D dx ≤ 0
0 ∂x

Tornando all’Eq. 7.1 e sostituendo quanto si è appena ricavato, si ha che:

∫ L [ ]2
dE ∂w dE
0≤ (t) = −D dx ≤ 0 =⇒ (t) = 0 ∀t ∈ (0, tf )
dt 0 ∂x dt

Per il teorema del confronto semplice la derivata dell’energia è sempre nulla, quindi
la funzione w(x, t), sarà una costante nel tempo.
Si consideri ora, l’energia che si ha all’istante t = 0, cioè quando la funzione
deve essere pari alla condizione iniziale del problema:
∫
1 L ( )2
E(0) = w(x, 0) dx = 0
2 0

Da questo segue che, fra le infinite costanti possibili l’unica accettabile è quella
nulla:
E(t) ≡ 0 ∀t ∈ (0, tf )

Il valor medio dell’energia della funzione w(x, t) sullo spazio è a sua volta nullo:
∫ L ( )2
w(x, t) dx ≡ 0 ⇐⇒ w(x, t) ≡ 0 ∀(x, t) ∈ QT
0

134
E questo a sua volta è verificato solo se:

u(x, t) ≡ v(x, t) ∀(x, t) ∈ QT

Cioè le due funzioni, diverse per ipotesi, devono essere uguali puntualmente, che
è un assurdo. La soluzione a tutti i problemi diffusione con condizioni di Cauchy
e bordo, ammesso che esista, risulta unica.

7.4.2 Problema multidimensionale

Si consideri un problema di diffusione definito su un dominio spaziale di dimensioni
superiori a uno:
Ω ⊂ Rd 1<d∈N

Di conseguenza il dominio del problema diventa:

QT = Ω × (t0 , tf )

Come si vedrà i seguito è utile introdurre la definizione di frontiera parabolica,

perché i punti appartenenti a questo insieme hanno particolari proprietà.

Definizione 7.4.1 (Frontiera parabolica). Si definisce frontiera parabolica del do-

minio QT l’insieme dei suoi punti di frontiera su cui sono definite le condizioni al
contorno.
( ) ( )
∂P QT = Ω̄ × {t = t0 } ∪ ∂Ω × (t0 , tf ] con: Ω̄ = Ω ∪ ∂Ω

Teorema 7.4.1 (Integrazione per parti su più dimensioni). La formula di inte-

grazione per parti per funzioni a variabile reale:
∫ ∫
′ PP
f (x)g(x)dx = f (x)g(x) − f (x)g(x)dx

può essere estesa al più dimensioni mediante il teorema della divergenza:

∫ I ∫
PP
∇u · vdω = uv · n̂dσ − u∇ · vdω
Ω ∂Ω Ω

135
Dimostrazione 7.4.2 (Unicità soluzione multidimensionale). Sia dato un pro-
blema di diffusione omogeneo su uno spazio multidimensionale, avente una fra le
quattro tipologie di condizione al contorno analizzate.


 u (x, t) = D∇2 (x, t) (x, t) ∈ QT

 t
u(x, 0) = ϕ(x) x∈Ω



Condizione di D, N, R, M.

Come prima si suppone che per assurdo esistono due soluzioni distinte u(x, t) e
v(x, t) dello stello problema di diffusione. Essendo l’equazione di diffusione lineare
ogni combinazione lineare delle due soluzioni risulta deve per forza essere anch’essa
soluzione all’equazione. Si consideri quindi la soluzione w(x, t) definita come:

w(x, t) = u(x, t) − v(x, t) ̸= 0

Con tale funzione le condizioni al bordo risultano omogenee, qualsiasi sia la loro
tipologia.
Con passaggi analoghi al caso monodimensionale (moltiplicazione per la fun-
zione w e integrazione su tutto il dominio spaziale) si arriva a:
∫ ∫
wwt dω = D w∇2 wdω
Ω Ω

Il primo integrale viene trattato esattamente come prima:

∫ ∫
∂w d 1 2 dE
I= w dω = w dω = (t) ≥ 0 ∀t ≥ 0
Ω ∂t dt Ω 2 dt

Il secondo integrale viene riscritto tramite la formula di integrazione per parti:

∫ ∫ I ∫
(
) PP
II = D 2
w∇ wdω = D w∇ · ∇w dω = D w∇w · n̂dσ − ∥∇w∥2 dω
Ω Ω ∂Ω Ω

Per via delle condizioni al contorno omogenee il termine di flusso è sempre nullo:
nello specifico Dirichlet annulla la funzione, Neumann e Robin la sua derivata

136
(rappresentata dal gradiente). Da questo deriva che:
∫
II = − ∥∇w∥2 dω ≤ 0 ∀t ≥ 0
Ω

Unendo il primo e il secondo integrale si ha che E(t) è ancora una costante.

Inoltre si sa, dalla condizione di Cauchy, che all’istante iniziale:
∫
1
E(0) = w2 (x, t)dω = 0
2 Ω

Di conseguenza E(t) ≡ 0. Per ragionamenti analoghi a quelli precedenti si ha che:

u(x, t) = v(x, t) ∀(x, t) ∈ QT

e questo rappresenta un assurdo. Si conclude quindi che non esistono due soluzioni
distinte all’equazione di diffusione.

Teorema 7.4.2 (Proprietà soluzione). Nelle dimostrazioni precedenti si è utilizza-

ta la formule di integrazione per parti, la quale richiede la continuità della funzione,
delle sue derivate prime in entrambe le variabili e della derivata seconda spaziale.
Da queste ipotesi si ha che la soluzione deve avere la seguente proprietà:

u(x, t) ∈ C 2,1 (QT ) ∩ C 0 (Q̄T = QT ∪ ∂Ω)

7.5 Esistenza della soluzione

Nel paragrafo precedente si è dimostrato che se la soluzione esiste questa è unica.
Ci si chiede ora quale sia la soluzione al problema. Prima di procedere con il
metodo risolutivo si introducono le serie di Weierstrass e le loro proprietà.
∑
Definizione 7.5.1 (Serie di Weierstrass). Una serie di funzioni n fn (x) si dice
di Weierstrass su un intervallo I se:
{ }
∃ cn n∈N |fn (x)| ≤ cn ∀x ∈ I

e la successione {cn } converge.

137
Teorema 7.5.1 (Proprietà serie di Weierstrass). Data una serie di funzioni di
∑
Weierstrass n fn (x) su un intervallo I, in cui tutte le funzioni fn (x) sono continue
sull’intervallo allora:

• la serie di funzioni è anch’essa continua:

∑
+∞
f (x) = fn (x) ∈ C 0 (I)
n=1

• il limite delle serie esiste finito ed è uguale alla serie dei limiti:

∃ lim fn (x) = ln ∈ R
x→x0
∑
+∞
∃ lim f (x) = ln = l ∈ R
x→x0
n=1

• tutte le funzioni fn (x) sono derivabili nell’intervallo I, anche la serie delle

derivate è di Weierstrass e quindi anche f (x) è derivabile sull’intervallo.
Inoltre la derivata della serie risulta essere pari alla serie delle derivate:

∑
+∞
′
f (x) = fn′ (x)
n=1

Ora si dispone di tutti gli strumenti necessari per la risoluzione del problema
di diffusione. Per farlo si adotta la tecnica della separazione delle variabili, che
prevede che la soluzione al problema sia pari al prodotto di due funzioni distinte,
ognuna delle quali è una funzione di una sola variabile:

u(x, t) = X(x)T (t)

X(x) : R −→ R T (t) : R −→ R

Questo ragionamento permette di dividere un problema complicato, definito su

due variabili, in due problemi più semplici definiti ognuno su una sola variabile. Il
metodo è del tutto generale e si applica bene a tutte le equazioni differenziali alle
derivate parziali che:

138
 • sono lineari;

• sono omogenee;

• hanno condizioni al contorno di Dirichlet, Neumann, Robin o miste omoge-

nee.

A questo punto è necessario trattare i problemi di diffusione con diverse con-

dizioni al contorno in modo separato.

7.5.1 Problema di Cauchy-Dirichlet

Per semplicità si analizza prima il problema di diffusione di tipo omogeneo, cioè
avente la funzione forzante f (x) sempre nulla.

ut − Duxx = 0

Condizioni al contorno omogenee

Si consideri il seguente problema di diffusione omogeneo monodimensionale, avente

come condizioni al contorno quelle di Dirichlet omogenee:


 (x, t) ∈ (0, L) × (0, tf )
 u = Duxx
 t
u(0, t) = u(L, t) = 0 t ∈ (0, tf ) (7.2)



u(x, 0) = ϕ(x) x ∈ (0, L)
Si consideri dunque una soluzione di tentativo, ottenuta facendo uso del metodo
di separazione delle variabili U (x, t) = X(x)T (t). Sostituendo tale espressione
nell’equazione di diffusione si ha che:

∂U ∂ 2U
=D 2
∂t ∂x
∂(XT ) ∂ 2 (XT )
=D
∂t ∂x2
XT = DT X ′′
′

1 T′ X ′′
=
DT X

139
Naturalmente questa espressione deve valere in ogni punto del dominio QT , poiché
la stessa equazione è definita su esso. Affinché tale relazione sia soddisfatta è
necessario che entrambi i rapporti siano pari ad una costante, per via del fatto che
le funzioni T e X non hanno nessuna variabile in comune.

1 T′ X ′′
= =k∈R
DT X

In tal modo si sono ottenuti due problemi differenziali ordinari indipendenti,

più semplici da risolvere, al posto che un solo problema a derivate parziali, molto
più complicato da risolvere.
Si consideri dunque il problema di primo ordine, relativo alla funzione T (t):

T ′ (t) = DkT (t)

Questa tipologia di equazione differenziale ha soluzione:

T (t) = eDkt

Il problema è ora capire che valore ha la costante k, per farlo si utilizza il secondo
problema differenziale, cioè quello relativo alla funzione X(x):

X ′′ (x) − kX(x) = 0

in funzione del valore che assume la costante si hanno dei comportamenti diversi
della soluzione; nello specifico si distinguono tre casi:

1. La costante è un numero positivo: k = λ2 ∈ R+

Il problema differenziale diventa quindi:

X ′′ (x) − λ2 X(x) = 0

Per risolverlo si passa all’equazione caratteristica:

µ2 − λ2 = 0 =⇒ µ = ±λ

140
 In tal caso la soluzione è pari a:

X(x) = c1 e−λx + c2 e+λx

Imponendo le condizioni al contorno si ottiene il sistema lineare:

 [ ]{ }
X(0) = c + c = 0 1 1 c1
1 2
=⇒ =0
X(L) = c e−λL + c e+λL = 0 e−λL e +λL
c2
1 2

Naturalmente si ha che il determinante della matrice non mai essere nullo:

1 1
−λL +λL
= e+λL − e−λL ̸= 0 ∀λ > 0
e e

Quindi per il teorema di Cramer esiste una sola soluzione; essendo inoltre il
sistema omogeneo si ha che la soluzione è data da:

c1 = c2 = 0

e questo a sua volta implica che la funzione:

X(x) ≡ 0 x ∈ (0, L)

Tale soluzione è senza dubbio una soluzione banale al problema di diffusione,

pertanto è da scartare.

2. La costante è nulla: k = 0
Questo semplifica notevolmente il problema differenziale, che si riduce a:

X ′′ (x) = 0

La soluzione all’equazione è di tipo polinomiale ed è pari a una retta generica:

X(x) = c1 x + c2

141
 Come prima si impongono le condizioni al bordo, ottenendo il sistema lineare:
 [ ]{ }
X(0) = c = 0 0 1 c1
2
=⇒ =0
X(L) = c L + c = 0 L 1 c2
1 2

Ancora una volta il determinante della matrice non può mai essere nullo:

0 1
= −L ̸= 0
L 1

Per il teorema di Cramer vi è ancora una sola soluzione al sistema, rappre-

sentata da tutti le incognite nulle.

c1 = c2 = 0

Esattamente come prima si ottiene una soluzione banale al problema diffe-

renziale.

3. La costante è negativa: k = −λ2 < 0

Il problema differenziale diventa quindi:

X ′′ (x) + λ2 X(x) = 0

Per risolverlo si passa ancora all’equazione caratteristica:

µ2 + λ2 = 0 =⇒ µ = ±iλ

In tal caso la soluzione è pari alla somma di due esponenziali complessi, che
per l’identità di Eulero si possono riscrivere come:

X(x) = c1 cos(λx) + c2 sin(λx)

Ancora una volta si impongono le condizioni al bordo, ottenendo il sistema

142
 lineare:
 [ ]{ }
X(0) = c = 0 1 0 c1
1
=⇒ =0
X(L) = c cos(λL) + c sin(λL) = 0 cos(λL) sin(λL) c2
1 2

In questo caso il determinante della matrice può essere nullo per alcuni
particolari valori di λ:

1 0 nπ
= sin(λL) = 0 ⇐⇒ λ= n∈N
cos(λL) sin(λL) L

Imponendo che il determinante sia nullo si abbassa di un grado il rango

della matrice e non si ha più l’unicità della soluzione al sistema lineare (si
hanno ∞1 soluzioni distinte, per il teorema di Rouché-Capelli), pertanto la
soluzione avente i coefficienti c1 = c2 = 0, che a sua volta implica la soluzione
banale al sistema, non è più la sola disponibile. La soluzione del problema
differenziale risulta dunque:
( )
nπ
Xn (x) = cn sin x
L

A questo punto è possibile riscrivere la funzione Un (x, t) come:

( )
−D( nπ )2 t nπ
Un (x, t) = cn e L sin x
L

Fino ad adesso si è costruita la soluzione utilizzando l’equazione differenziale e la

condizione al contorno: manca da imporre la condizione di Cauchy.

Un (x, 0) = ϕ(x)

Al fine di semplificare l’espressione si considera l’espansione in serie di Fourier di

soli seni della funzione ϕ(x):

∑
+∞ ( )
nπ
ϕ(x) = bn sin x
n=1
L

143
Da cui segue, per il principio di identità, che tutti i coefficienti cn , ancora incogniti,
sono pari ai coefficienti di Fourier bn e quindi la funzione U (x, t) è pari a:

∑
+∞ ( )
−D( nπ )2 t nπ
U (x, t) = bn e L sin x
n=1
L

Adesso però è necessario verificare che la soluzione U (x, t) appena costruita con-
verga alla soluzione del problema u(x, t) e che soddisfi l’equazione differenziale.
Per risolvere il primo problema, si deve maggiorare la serie, in modo da lavorare
con termini più semplici da trattare:
( )
−D( nπ nπ
≤ |bn |e−D( L )
nπ 2
)2 t t
bn e L sin x
L

Ora, per le proprietà della serie di Fourier, i coefficienti bn tendono ad annullarsi

quando n −→ +∞ e da questo deriva che:
( )n
−D( nπ )2 t −D( nπ )2 t 1
|bn |e L ≤e L = π 2
Dn( L ) t
= qnn ≤ q n t ≥ t0 > 0
e

Il termine q è il termine generale di una serie geometrica, la quale converge se:

q<1

Tale ipotesi è senz’altro verificata, per cui la serie U (x, t) converge alla funzione
u(x, t) per tutti i punti appartenenti al dominio QT .
L’ultimo problema da affrontare consiste nel verificare la soluzione u(x, t) soddi-
sfa l’equazione differenziale. Sappiamo che sicuramente la funzione U (x, t) verifica
l’equazione, perché è stata costruita a partire da essa, e tende alla funzione u(x, t).
Rimane solo da vedere se anche la funzione u(x, t) soddisfa l’equazione di diffu-
sione. In altre parole bisogna verificare che la seguente espressione risulti essere
un’identità:
( )∑
+∞
∗ ?
∑
+∞
( ) ∗
∂t − D∂xx
2
bn Un = bn ∂t − D∂xx 2
Un
n=1 n=1

in cui il termine Un∗ è pari alla funzione Un divisa per il suo coefficiente bn .
Poco fa si è dimostrato che tutti i termini Un sono più piccoli di una specifica

144
costante qn , per cui collezionando queste costanti, si può determinare una succes-
∑
sione geometrica convergente: per questo motivo la serie n bn Un∗ è una serie di
Weierstrass (Def. 7.5.1) e l’uguaglianza vista prima risulta sempre verificata.
La soluzione al problema di diffusione omogeneo, con condizioni al contorno di
Dirichlet omogenee, definito dall’Eq. (7.2), è dunque:

∑
+∞ ( )
−D( nπ )2 t nπ
u(x, t) = bn e L sin x
n=1
L

dove i coefficienti bn sono i coefficienti della serie di Fourier della funzione ϕ(x):
∫ L ( )
2 nπ
bn = ϕ(x) sin x dx
L 0 L

Infine è importante notare il comportamento asintotico della soluzione:

lim u(x, t) = 0
t→+∞

Questo fenomeno si verifica perché la variabile t è inserita nella soluzione tramite

un esponenziale negativo che nel tempo smorza qualsiasi effetto di tipo sinusoidale.

Condizioni al contorno costanti

Si complichi leggermente il problema iniziale, non considerando più delle condizioni

al contorno di Dirichlet omogenee, ma imponendo come condizioni al bordo due
costanti a e b. In tal caso si ha:


 (x, t) ∈ (0, L) × (0, tf )


ut = Duxx


u(0, t) = a t ∈ (0, tf )
(7.3)

 ∈


u(L, t) = b t (0, t f )


u(x, 0) = ϕ(x) x ∈ (0, L)

Prima cosa: il metodo di separazione delle variabili non è applicabile, almeno

direttamente, perché le condizioni al contorno non sono omogenee. Si supponga
che il problema ammetta una soluzione stazionaria us (x); essendo stazionaria ha

145
sicuramente derivata temporale nulla, poiché non dipende dal tempo:

∂us
=0 ∀x ∈ (0, L) (7.4)
∂t

Quindi l’equazione di diffusione si semplifica:

∂ 2 us
=0 (7.5)
∂x2

Questa è un’equazione differenziale ordinaria di secondo ordine omogenea, dalla

quale è possibile ricavare la soluzione us (x). Questa è una funzione che ha derivata
seconda sempre nulla, e passa per due putni noti, cioè a e b, quindi non può essere
altro che una retta.
x
us (x) = (b − a) + a
L
La soluzione al problema principale (Eq. (7.3)) sarà quindi pari alla somma
della soluzione stazionaria us (x) e a quella che descrive il transitorio ū(x, t), che
nel tempo tende a smorzarsi:

u(x, t) = us (x) + ū(x, t)

In effetti questa notazione è molto comoda, perché permette di riscrivere il pro-

blema di diffusione. Nello specifico l’equazione differenziale, tenendo conte delle
condizioni date delle Eq. (7.4) e Eq.(7.5), può essere riscritta come:

∂ ∂2
(us (x) + ū(x, t)) = D 2 (us (x) + ū(x, t))
∂t ∂x
∂ ∂2
ū(x, t) = D 2 ū(x, t)
∂t ∂x

La condizione di Dirichlet in zero:

u(0, t) = us (x) x=0

+ ū(x, t) x=0

= a − ū(0, t)

146
Quindi dato che il problema impone che u(0, t) = a, si ha che:

ū(0, t) = a − a = 0

Ovviamente lo stesso ragionamento vale anche per la condizione nell’altro estremo

L. Infine la condizione di Cauchy risulta:

u(x, 0) = us (x) + ū(x, 0) = ϕ(x)

ū(x, 0) = ϕ(x) − us (x) = ϕ̄(x)

Riassumendo il problema può essere riscritto come:



 (x, t) ∈ (0, L) × (0, tf )
 ū = Dūxx
 t
ū(0, t) = ū(L, t) = 0 t ∈ (0, tf )



ū(x, 0) = ϕ̄(x) x ∈ (0, L)

Adesso si che è possibile ricavare la soluzione ū(x, t) tramite il metodo di separazio-

ne delle variabili, perché adesso il problema è omogeneo con condizioni omogenee.
La soluzione finale del problema descritto dall’Eq. (7.3) è pari a:

∑
+∞ ( )
−D( nπ )2 t nπ
u(x, t) = b̄n e L sin x + us (x)
n=1
L

dove i coefficienti b̄n sono i coefficienti della serie di Fourier della funzione ϕ̄(x):
∫ L ( )
2 nπ
b̄n = ϕ̄(x) sin x dx
L 0 L

Problema non omogeneo

Si consideri un altra tipologia di complicazione, non più sulle condizioni al contor-

no, ma sull’equazione stessa: cioè la presenza di una funzione forzante, della sola
variabile spaziale, al secondo membro dell’equazione. Il problema risulta essere

147
quindi: 

 u − Duxx = f (x) (x, t) ∈ (0, L) × (0, tf )

 t
u(0, t) = u(L, t) = 0 t ∈ (0, tf )



u(x, 0) = ϕ(x) x ∈ (0, L)
Si procede ancora con una soluzione di tentativo, del tipo:

∑
+∞ ( )
nπ
u(x, t) = cn (t) sin x
n=1
L

Ipotizzando che la serie sia di Weierstrass e derivando l’espressione si ottiene:

∑
+∞ ) (
nπ
ut (x, t) = c′n (t) sin
x
n=1
L
( )
n2 π 2 ∑
+∞
nπ
uxx (x, t) = − 2 cn (t) sin x
L n=1 L

Sostituendo il tutto nell’equazione si ottiene:

+∞ [
∑ ] ( )
′ n2 π 2 nπ
cn (t) − 2 cn (t) sin x = f (x)
n=1
L L

Approssimando la funzione f (x) alla sua serie di Fourier:

∑
+∞ ( ) ∫ L ( )
nπ 2 nπ
f (x) = kn sin x kn = f (x) sin x dx
n=1
L L 0 L

Al posto di considerare le sommatorie intere si consideri ora la generica n-esima

funzione: [ ] ( ) ( )
′ n2 π 2 nπ nπ
cn (t) − 2 cn (t) sin x = kn sin x
L L L
Semplificando le funzioni seno da ambo i lati dell’equazione si ottengono infinite
equazioni differenziali ordinarie di primo ordine:

n2 π 2
c′n (t) − cn (t) = kn n ∈ N∗
L2

148
Il lato positivo di tutte queste equazioni differenziali è che sono tutte funzioni della
sola variabile t. La generica soluzione è data da:

n2 π 2 2
t L2
cn (t) = An e L2 + kn (7.6)
n2 π 2

Infine, come già fatto per i precedenti problemi, si sviluppa in serie di Fourier la
funzione ϕ(x) e la si pone uguale alla soluzione trovata, in modo da calcolare tutti
i coefficienti An ancora incogniti:

∑
+∞ ( ) ∑
+∞ ( )
nπ nπ
u(x, 0) = cn (0) sin x = bn sin x
n=1
L n=1
L

Dove i bn sono noti e sono pari a:

∫ L ( )
2 nπ
bn = ϕ(x) sin x dx
L 0 L

Risolvendo le equazioni si ottengono i coefficienti An :

L2
An = bn − kn ∀n ∈ N∗
n2 π 2

Sostituendo il risultato nell’Eq. (7.6) si ottiene l’espressione finale dei coefficienti

cn (t): ( )
n2 π 2 2 L2 n2 π 2 2
cn (t) = bn e L 2 t
+ 2 2 kn 1 − e L 2 t
nπ
Infine la soluzione al problema di Cauchy non omogeneo risulta essere:

+∞ [
∑ ( )] ( )
n2 π 2 2 L2 n2 π 2 2 nπ
u(x, t) = bn e L2
t
+ 2 2 kn 1 − e L 2 t
sin x
n=1
nπ L

7.5.2 Problema di Cauchy-Neumann

A questo punto si analizza la seconda tipologia del problema di diffusione: quella
con le condizioni al bordo di Neumann.

149
Condizioni al contorno omogenee

Come sempre si parte dal facile: funzione omogenea con condizioni al contorno
omogenee. Il problema differenziale risulta quindi essere:


 u − Duxx = 0 (x, t) ∈ (0, L) × (0, tf )

 t
ux (0, t) = ux (L, t) = 0 t ∈ (0, tf )



u(x, 0) = ϕ(x) x ∈ (0, L)

Non ci sono particolari controindicazioni, quindi si applica il metodo della

separazione delle variabili:
u(x, t) = X(x)T (t)

Esattamente come per il problema di Dirichlet si ha:

1 T′ X ′′
= =k∈R
DT X

Anche in questo caso la costante k può essere positiva, nulla o negativa. Si

distinguono quindi i tre diversi casi:

1. k è un numero positivo (k = λ2 > 0): Il problema diventa:

X ′′ (x) = λ2 X(x)

La soluzione per il problema spaziale risulta essere:

X(x) = c1 eλx + c2 e−λx

Sostituendo le condizioni al contorno di Neumann si trova:


X ′ (0) = c λ − c λ = 0
1 2
X ′ (L) = c λeλL − c λe−λL = 0
1 2

Il determinante della matrice associata a questo sistema è sempre non nullo,

150
 per cui esiste un’unica soluzione:

c1 = c2 = 0

Questa è una soluzione banale, quindi va scartata.

2. k è nulla: Il problema assume la forma:

X ′′ (x) = 0

La cui soluzione è di tipo polinomiale:

X(x) = c1 x + c2

Andando a sostituire le condizioni al contorno ottiene:


X ′ (0) = 0 = 0
X ′ (L) = c = 0
1

Come si può notare la prima equazione è inutile. La matrice associata al

sistema ha quindi determinante sempre nullo (riga vuota), quindi per il teo-
rema di Rouché-Capelli si hanno ∞1 soluzioni distinte: infatti la constante
c2 rimane indeterminata.
Si sono quindi trovate delle soluzioni non banali all’equazione differenziale:
le costanti.
X0 (x) = c0

3. k è un numero positivo (k = −λ2 < 0): Il problema diventa:

X ′′ (x) = −λ2 X(x)

La soluzione per il problema spaziale risulta essere:

X(x) = c1 cos(λx) + c2 sin(λx)

151
 Sostituendo le condizioni al contorno di Neumann si trova:

X ′ (0) = c λ = 0
1
X ′ (L) = c λ cos(λx) − c λ sin(λL) = 0
1 2

Il determinante della matrice associata è pari a λ2 sin(λL), quindi si azzera

ogni qual volta che la costante λ è pari a un numero naturale:

nπ
sin(λx) = 0 ⇐⇒ Lλ = nπ ⇐⇒ λ= n ∈ N∗
L

Come sempre se il determinante è nullo allora il sistema delle condizioni al

bordo ammette più di una soluzione; si ha quindi che la quantità:

∑
+∞ ( )
nπ
X(x) = cn cos x
n=1
L

Rappresenta la totalità delle soluzioni per il problema relativo alla costante

spaziale x.

Il problema sulla coordinata temporale è identico a quello analizzato per il

problema di Cauchy-Dirichlet (sez. 7.5.1)

nπ
T ′ (t) = Dλ2 T (t) = D T (t)
L

La cui soluzione è costituita dall’espressione:

nπ
T (t) = eD L t

A questo punto si possono rimettere insieme le due soluzioni (quelle ottenute

per k ≤ 0):
∑
+∞ ( )
D nπ t nπ
U (x, t) = co + cn e L cos x
n=1
L

Naturalmente anche il termine costante c0 è stato moltiplicato per il suo esponen-

ziale, ma questo risulta sempre unitario perché è ottenuto con n = 0.
A questo punto i passaggi sono identici al problema di Cauchy-Dirichlet, quindi

152
rimane solo da applicare la condizione iniziale di Cauchy, data dalla funzione ϕ(x)
e da verificare che la soluzione totale U (x, t) trovata soddisfi ancora l’equazione di
diffusione. Espandendo la funzione ϕ(x) tramite serie di Fourier di soli coseni, si
ottiene:

∑ ( ) ( )
a0 ∑
+∞ +∞
nπ nπ
U (x, 0) = co + cn cos x = + an cos x = ϕ(x)
n=1
L 2 n=1
L

Dove i termini an si calcolano come:

∫ L ∫ L ( )
a0 1 2 nπ
= ϕ(x)dx an = ϕ(x) cos x dx
2 L 0 L 0 L

Adesso si dovrebbe dimostrare che la funzione U (x, t) è una serie di Weierstrass

e che quindi soddisfa l’equazione di diffusione e converge alla soluzione u(x, t) del
problema differenziale. La dimostrazione è identica a quella vista per il problema
di Cauchy-Dirichlet (in effetti i coseni sono delle sinusoidi traslate di un quarto di
periodo).
Sostituendo i coefficienti di Fourier ricavati poco fa nella soluzione si ottiene:
( )
a0 ∑
+∞
nπ nπ
u(x, t) = + an eD L t cos x
2 n=1
L

Da notare che i termine costante all’inizio dell’espressione non è moltiplicato per

nessun esponenziale decrescente e quindi rappreseneta il valor medio della della
soluzione al problema di Neumann:

a0
lim u(x, t) =
t→+∞ 2

Tale concetto è in pieno accordo con tutto quello precedentemente dimostrato nella
Sez. 7.3 a pagina 129.

153
Condizioni al contorno costanti

Si analizzi ora il problema di Cauchy-Neumann con condizioni al contorno non

omogenee, ma costanti, cioè del tipo:


 ut (x, t) − Duxx (x, t) = 0 (x, t) ∈ QT




u (0, t) = a t ∈ (t0 , tf )
x
(7.7)

ux (L, t) = b t ∈ (t0 , tf )




u(x, 0) = ϕ(x) x ∈ (0; L)

Anche in questo caso non si può risolvere direttamente il problema con il meto-
do della separazione delle variabili, ma bisogna per prima cosa rendere omogenee le
condizioni al bordo. Si consideri la soluzione al problema come una somma di due
funzioni: una funzione che descrive il transitorio ū(x, t), che quindi tende ad annul-
larsi nel tempo, e una soluzione stazionaria us (x) che descrive il comportamento
del sistema a tempo infinito.

u(x, t) = ū(x, t) + us (x) (7.8)

Si consideri ora solamente la soluzione stazionaria:

∂us ∂ 3 us
−D 2 =0
∂t ∂x

La soluzione us è una soluzione che per ipotesi non dipende dal tempo, per cui
l’equazione di diffusione si riduce a:

∂ 3 us
=0
∂x2

La soluzione proposta per questa equazione differenziale ordinaria del secondo

ordine è una retta: il problema è che questa tipologia di funzione non è in grado
di soddisfare entrambe le condizioni al contorno, essendo la derivata di una retta
una costante, per cui non è accettabile. Affinché le condizioni di Neumann siano
soddisfatte bisogna imporre che la soluzione stazionaria non sia una retta definita

154
in (0, L), ma una parabola del tipo:

us (x) = c1 x2 + c2 x + c3

Sotto questa nuova ipotesi le condizioni di Neumann possono tranquillamente

essere soddisfatte, infatti, tralasciando la costante c3 che tanto sparisce nella
derivazione si ha che:
 
u′ (0) = c = a c = b−a
2 1
u′s (x) = 2c1 + c2 −→
s
−→ 2L
u′ (L) = 2c L + c = b c = a
s 1 2 2

La soluzione risulta quindi:

b−a 2
us (x) = x + ax
2L

Emerge però un nuovo problema: la soluzione trovata non ha la derivata

seconda costante, ma pari a una quantità finita:

∂ 3 us b−a
2
=
∂x L

Questo non è accettabile, perché a questo punto l’equazione di diffusione non

risulta più soddisfatta. Per ovviare a questo nuovo problema si sfrutta la seconda
variabile, cioè t, che finora è stata esclusa. Si impone dunque che la soluzione us
sia una funzione a due variabili, del tipo:

b−a 2
us (x, t) = x + ax + ct t
2L

In questo modo la derivazione rispetto al tempo r garantisce che la costante che

155
rimane dalla derivata seconda spaziale sia annullata dalla costante ct :

∂us ∂ 2 us
−D 2 =0
∂t ∂x
b−a
ct − D =0
L
b−a
=⇒ ct = D
L

Riassumendo il tutto, la soluzione us (x, t) è pari a:

b−a 2 b−a
us (x, t) = x + ax + D t
2L L

Trovata la prima soluzione si passa allo studio del vero e proprio transito-
rio. Dalla relazione data dall’Eq. (7.8) e sostituendola nel problema descritto
dall’Eq. (7.7) si ottiene:

• l’equazione di diffusione si semplifica per via delle condizioni imposte nella

costruzione della funzione us (x, t):

∂( ) ∂2 ( )
us (x, t) + ū(x, t) − D 2 us (x, t) + ū(x, t) = 0
∂t ∂x
∂ ū ∂ 2 ū
−D 2 =0 ∀(x, t) ∈ QT
∂t ∂x

• le condizioni di Neumann diventano omogenee in ū(x, t):


ū (0, t) = u (0, t) − (u ) (0, t) = a − a = 0
x x s x
∀t ∈ (t0 , tf )
ū (L, t) = u (L, t) − (u ) (L, t) = b − b = 0
x x s x

• la condizione di Cauchy viene riscritta:

ū(x, 0) = u(x, 0) − us (x, 0) = ϕ(x) − us (x, 0) = ϕ̃(x) ∀x ∈ (0, L)

Riscrivendo il tutto, si ottiene un problema di diffusione in ū(x, t) omogeneo

156
con condizioni di Neumann omogenee:


 ∂ ū 2
− D ∂∂xū2 = 0 ∀(x, t) ∈ QT

 ∂t

ūx (0, t) = ūx (L, t) = 0 ∀t ∈ (t0 , tf )




ū(x, 0) = ϕ̃(x) ∀x ∈ (0, L)

Quest’ultimo è risolvibile tramite la tecnica della separazione delle variabili. Infine

la soluzione al problema di diffusione con condizioni di Neumann costanti, descritto
dall’Eq. (7.7) è data da:
( )
ã0 ∑
+∞
nπ nπ b−a 2 b−a
u(x, t) = + ãn eD L t cos x + x + ax + D t
2 n=1
L 2L L

dove al solito le costanti ãn sono i coefficienti dell’espansione in serie di Fourier di

soli seni della funzione ϕ̃(x).

7.5.3 Principio del massimo e stabilità

Si consideri ora un problema fisico, relativo alla diffusione del calore all’interno di
un corpo. Per il secondo principio della termodinamica il calore fluisce da zone
più calde a zone più fredde del sistema considerato: ne consegue che in tutti i
sistemi in cui non vi è generazione interna, la massima temperatura che può essere
raggiunta si trova per forza sulla frontiera parabolica. Tale principio può essere
specchiato: qualora non vi siano assorbimenti di calore interni al corpo, il minimo
della temperatura può essere raggiunto solamente sulla frontiera parabolica.

Teorema 7.5.2 (Principio del massimo e del minimo). Sia u(x, t) una funzio-
ne continua su tutto il dominio e differenziabile due volte rispetto alla variabile
spaziale x e una su quella temporale t, in tutti i punti interni.

u(x, t) ∈ C 2,1 (QT ) ∩ C 0 (Q̄T )

Se la funzione u(x, t) soddisfa:

157
 • ut − ∇2 u = q ≤ 0 in QT allora il massimo della soluzione si trova sulla
frontiera parabolica:
{ } { }
max u(x, t) = max u(x, t)
(x,t)∈Q̄T (x,t)∈∂P QT

• ut −∇2 u = q ≥ 0 in QT allora il minimo della soluzione si trova sulla frontiera

parabolica:
{ } { }
min u(x, t) = min u(x, t)
(x,t)∈Q̄T (x,t)∈∂P QT

• ut − ∇2 u = 0 in QT allora sia il massimo sia il minimo della soluzione si

trovano sulla frontiera parabolica:
{ } { }
max u(x, t) = max u(x, t)
(x,t)∈Q̄T (x,t)∈∂P QT
{ } { }
min u(x, t) = min u(x, t)
(x,t)∈Q̄T (x,t)∈∂P QT

Dimostrazione 7.5.1 (Principio del massimo). La frontiera parabolica può essere

vista come un cilindro avente come base Ω × {t = t0 } e come superficie laterale
∂Ω × [t0 , T ).
Sia ε > 0 tale che T − ε > 0 e si ponga w = u − εt. Allora:

wt − D∇2 w = q − ε < 0

Supponiamo che per assurdo la funzione w non assuma il valore massimo in ∂P QT −ε

(analogo alla regione QT , solo che l’intervallo dei tempi si riduce di una quantità
ε). In questo caso il valore massimo è assunto in un punto (x0 , t) dove x0 ∈ Ω e
t0 < t∗ ≤ T − ε. Essendo il punto (x0 , t∗ ) un punto di massimo per forza la somma
delle derivate omogenee deve essere negativa, per cui:

∇2 w(x0 , t∗ ) ≤ 0

158
Inoltre la derivata temporale è:

w (x , t∗ ) = 0 se: t∗ < T − ε
t 0
w (x , t∗ ) ≥ 0 se: t∗ = T − ε
t 0

In ogni caso si ha:

wt (x0 , t∗ ) − ∇2 w(x0 , t∗ ) ≥ 0

Ma questo è incompatibile con l’ipotesi del problema, poiché la quantità q − ε a

destra dell’equazione è per forza negativa.
Per questo motivo il massimo della funzione w sarà per forza sulla frontiera
parabolica ∂P QT −ε , inoltre essendo w ≤ u si ha che:
{ }
max w ≤ max w ≤ max u + T ε ≤ max u + T ε (7.9)
Q̄T −ε ∂P QT −ε ∂P QT −ε ∂P QT

Per passare dal massimo della funzione sulla sotto regione Q̄T −ε al massimo della
funzione sull’intera regione Q̄T è sufficiente far tendere ε → 0:

max u −→ max u
Q̄T −ε Q̄T

Ma facendo il limite della Eq. (7.9) si ottiene:

ε→0
max u + T ε −−→ max u
∂P Q T ∂P Q T

Partendo dal principio del massimo si possono fare alcune importanti conside-
razioni sull’equazione del calore. Per prima cosa si considerino due funzioni diverse
u, w ∈ C 2,1 (QT ) ∩ C 0 (Q̄T ), che soddisfano i problemi:

ut − D∇2 u = f1 wt − D∇2 w = f2

Se u ≥ w sulla forntiera parabolica ∂P QT e f1 ≥ f2 allora:

u(x, t) ≥ w(x, t) ∀(x, t) ∈ Q̄T (7.10)

159
Inoltre vale:

max |u − w| ≤ max |u − w| − T max |f1 − f2 | (7.11)

(x,t)∈Q̄T (x,t)∈∂P QT (x,t)∈Q̄T

Questo permette di fare dei confronti tra le diverse funzioni, anche senza sapere le
loro espressioni analitiche. Inoltre è anche possibile affermare che il problema di
diffusione di Cauchy-Dirichlet dipende in modo continuativo dai dati:

u(x, t) ∂Ω
= g(t) w(x, t) ∂Ω
= g(t) + ε f2 = f1 + ε

Di fatto si sta dicendo che w è uno stato perturbato di u rispetto ai dati al bordo.
Applicando le Eq. (7.10) e Eq. (7.11):

max |u − w| ≤ ε + T ε = (1 + T )ε
(x,t)∈Q̄T

Questo indica che le perturbazioni dei dati in un generico istante sono limitate da
quelle che si hanno all’istante iniziale e dal tempo trascorso. L’informazione può
anche essere letta nell’altro senso: se il problema è omogeneo e se si sa a priori
che:
u(x∗ , t∗ ) = max u(x, t) Con: (x∗ , t∗ ) ∈ QT
(x,t)∈Q̄T

Allora:
u(x, t) = cost ∀(x, t) ∈ QT

7.6 Problema di diffusione reazione e trasporto

Nel mondo fisico si ha spesso a che fare non solo con i fenomeni diffusivi, ma anche
con quelli di reazione e trasporto. Dati i parametri µ, di diffusione, σ di reazione
e la velocità di trasporto v si può definire un modello matematico differenziale
descritto dall’equazione:

∂u
− µ∇2 u + v · ∇u + σu = f (x, t)
∂t

160
Ad esso, come sempre, vanno aggiunte la condizione iniziale di Cauchy e una delle
condizioni al bordo.
Per semplicità si consideri un problema monodimensionale omogeneo con con-
dizioni al contorno di Dirichlet omogenee:


 u (x, t) − µuxx (x, t) + vux (x, t) + σu(x, t) = 0 (x, t) ∈ QT

 t
u(0, t) = u(L, t) = 0 t ∈ (t0 , tf )



u(x, 0) = ϕ(x) x ∈ (0, L)

Il trucco per risolvere questo problema e quello di ritornare a un normale problema

di diffusione; per farlo si impone una soluzione del tipo:

w(x, t) = eαx+βt u(x, t) = g(x, t)u(x, t)

Sostituendo questa equazione all’interno del problema differenziale si ottiene:



 (x, t) ∈ QT
 w = µwxx
 t
w(0, t) = w(L, t) = 0 t ∈ (t0 , tf ) (7.12)



w(x, 0) = ϕ̃(x) x ∈ (0, L)

Risulta quindi necessario calcolare i coefficienti α, β e quindi la funzione ϕ̃(x);

per farlo si impone che la funzione w(x, t) soddisfi l’equazione, le condizioni al
bordo e quelle iniziali. Per l’equazione basta calcolare le derivate e sostituire
nell’equazione di diffusione wt = µwxx :

wt = βg(x, t)u(x, t) + g(x, t)ut (x, t)

wxx = α2 g(x, t)u(x, t) + 2αg(x, t)ux (x, t) + g(x, t)uxx (x, t)

=⇒ ut (x, t) − µuxx (x, t) − 2µαux (x, t) + [β − µα2 ]u(x, t) = 0

Uguagliando i coefficienti delle derivate con quelli presenti nel problema di diffu-

161
sione trasporto e reazione si ottiene il sistema:
 
v = −2µα α = − v
2µ
=⇒
σ = β − µα2 β = σ + v2
4µ

Per quanto riguarda le condizioni al contorno del problema in w(x, t) non ci sono
problemi, poiché: 
w(0, t) = g(0, t)u(0, t) = 0
w(L, t) = g(L, t)u(L, t) = 0

Quest’ultimo risulta sempre verificato se le condizioni al contorno di u(x, t) sono

omogenee. Da ultimo va calcolata la condizione iniziale di Cauchy:

ϕ̃(x) = ϕ(x)eαx = ϕ(x)e− 2µ x

v

A questo punto il problema dato dall’Eq. (7.12) risulta completamente definito e si

può applicare il metodo della separazione delle variabili per trovare w(x, t). Infine
la soluzione al problema di diffusione reazione e trasporto, definito dall’Eq. (7.6),
risulta essere pari a:

∑
+∞ [ ( )2 ] ( )
v
x− µ nπ v2
+σ+ 4µ t nπ
u(x, t) = b̃n e 2µ L sin x
n=1
L

Dove i coefficienti b̃n sono i coefficienti dell’espansione in serie di Fourier della

funzione ϕ̃(x).
La soluzione all’equazione di diffusione reazione e trasporto è costituita da
due esponenziali e da una sinusoide. In particolare, l’esponenziale temporale è di
tipo decrescente e dipende dai due parametri σ e v (cioè reazione e trasporto); in
particolare si evince che al crescere di questi due parametri la funzione accelera
il suo decadimento. Inoltre la velocità di trasporto tende a spostare la soluzione
verso uno dei bordi assegnati dal problema.

162
Capitolo 8

Problema di Laplace

Il problema di Laplace si configura come un problema di diffusione giunto a regime

stazionario, tale per cui:
∂u
=0 ∀x ∈ Ω
∂t
Sotto queste condizioni l’equazione di diffusione si semplifica e diventa:

−∇2 u(x) = 0 x∈Ω

Il problema di Laplace può essere complicato da una funzione forzante; in

questo caso il problema prende il nome di problema di Poisson:

−µ∇2 u(x) = f (x)

Naturalmente anche per questa seconda tipologia di problemi differenziali sono

necessarie delle condizioni al contorno, identiche a quelle precedenti.

Problema di Dirichlet

−∇2 u(x) = 0
x∈Ω
u(x) = g(x)
∂Ω

163
Problema di Neumann

−∇2 u(x) = 0
x∈Ω
∇u(x) · n̂ = g(x)
∂Ω

Problema di Robin

−∇2 u(x) = 0
x∈Ω
(∇u(x) · n̂ + γu(x)) = g(x)
∂Ω

Problema misto In cui le condizioni al contorno sono definite a tratti secondo

le tipologie precedenti

Il problema di Laplace in genere è detto anche problema ai limiti, per sottoli-

neare l’importanza del ruolo che ricoprono i dati al bordo. Ovviamente dato che si
è persa completamente la dipendenza temporale non è più necessaria la condizione
iniziale di Cauchy.
Come si vedrà nei paragrafi successivi per risolvere questi problemi è fonda-
mentale la geometria del dominio; in particolare verranno trattate due casistiche
fondamentali: i domini rettangolari e quelli circolari.

8.1 Unicità della soluzione

Come al solito prima di andare a ricercare eventuali soluzioni al problema diffe-
renziale ci si sofferma sull’unicità della soluzione. Anche in questo caso i problemi
menzionati nel paragrafo precedente son tutti ben posti, fatta eccezione per il
problema di Laplace-Neumann.
Prima di procedere si descrivono le condizioni di compatibilità, necessarie alla
risoluzione del problema differenziale. Si consideri un problema di Poisson del tipo:

−µ∇2 u(x) = f (x)

∫ ∫
−µ ∇ u(x)dω =
2
f (x)dω
Ω Ω

164
Il primo membro dell’equazione può essere riscritto utilizzando il teorema della
divergenza:
∫ I ∫
( )
−µ ∇ · ∇u(x) dω = −µ ∇u(x) · n̂dσ = f (x)dω
Ω ∂Ω Ω

Definendo una funzione h(x) = −µ∇u(x)· n̂ si ottiene l’equazione di compatibilità:

I ∫
h(x)dω = f (x)dω
∂Ω Ω

Da notare che questa condizione può essere interpretata come conservazione del
flusso di calore: tutto il calore generato internamente (funzione f (x)) coincide con
il calore smaltito sui bordi del dominio (funzione h(x)).

Teorema 8.1.1 (Esistenza e unicità soluzione al problema di Laplace). Sia Ω ⊂ Rn

un dominio limitato del problema e ∂Ω la sua frontiera, per ipotesi sufficientemente
regolare. Se il problema soddisfa le conduzioni di compatibilità allora:

1. esiste una sola soluzione ai problemi di Laplace con condizioni iniziali di

Dirichlet, Robin e miste;

2. esistono infinite soluzioni al problema di Laplace-Neumann, definite tutte a

meno di una costante;

3. la soluzione è una funzione:

u(x) ∈ C 2 (Ω) ∩ C 1 (Ω̄)

Dimostrazione 8.1.1 (Unicità problemi di Laplace). Per assurdo si ipotizza che

esistono due soluzioni distinte u(x) ̸= v(x) al problema differenziale di Laplace.
Dato che l’equazione è lineare, ogni combinazione lineare delle soluzioni sarà ancora
soluzione al problema, per cui si definisce una funzione w(x) tale che:

w(x) = u(x) − v(x)

La funzione w(x) sarà soluzione del problema omogeneo (quindi di Laplace), poiché
le eventuali funzioni forzanti si semplificano nell’equazione differenziale. Inoltre,

165
lavorando sull’identità:

−µ∇2 w(x) = 0 =⇒ w∇2 w(x) = 0

Integrando su tutto il dominio e risolvendo l’espressione per parti si ha che:

∫ I ∫
PP
2
w∇ wdω = w∇w · n̂dσ − ∥∇w∥2 dω = 0
Ω ∂Ω Ω

e si ottiene dunque che:

∫ I
∥∇w∥ dω =2
w∇w · n̂dσ
Ω ∂Ω

Il problema è quindi analizzare il secondo integrale, cioè quello al bordo:

Condizioni di Dirichlet

u ∂Ω
=v ∂Ω
= g(x) =⇒ w ∂Ω
≡0

E questo risultato implica che il secondo integrale è sempre nullo:

I
II = w∇w · n̂dσ = 0
∂Ω

Condizioni di Robin
( ) ( )
−µ∇u· n̂−γu ∂Ω
= −µ∇v· n̂−γv ∂Ω
= g(x) =⇒ −µ∇w· n̂ ∂Ω
= γw

E questo risultato implica che il secondo integrale è sempre minore o al

massimo uguale a zero:
I I
γ
II = w∇w · n̂dσ = − w2 dσ ≤ 0
∂Ω µ ∂Ω

Condizioni di Neumann

∇u · n̂ ∂Ω
= ∇v · n̂ ∂Ω
= g(x) =⇒ ∇w · n̂ ∂Ω
≡0

166
 E questo risultato implica che il secondo integrale è sempre nullo:
I
II = w∇w · n̂dσ = 0
∂Ω

Mettendo insieme tutti i risultati si ha che:

∫ I
∥∇w∥ dω =
2
w∇w · n̂dσ ≤ 0
Ω ∂Ω

ma essendo il primo termine una quantità semidefinita positiva (integrale di una

funzione al quadrato), la precedente uguaglianza è verificata solo se:

∇w(x) ≡ 0 ∀x ∈ Ω

Essendo la derivata prima di w(x) sempre nulla, la funzione non può che essere
costante in tutto il dominio.

w = c = cost =⇒ u=v+c

Infine, si possono riutilizzare le condizioni al contorno per completare la dimostra-

zione. In particolare:

Dirichlet Nel caso del problema di Dirichlet le condizioni al contorno vincolano

le funzioni u(x) e v(x) ad assumere gli stessi valori sul bordo e quindi ne
segue che queste coincideranno su tutto il dominio (assurdo, per l’ipotesi
precedente).

u ∂Ω
=v ∂Ω
= g(x)
=⇒ c=0 =⇒ u≡v

Robin Le condizioni al contorno di Robin sono in generale una combinazione

lineare della derivata e della funzione. Dalla dimostrazione precedente si ha

167
 che la derivata di w(x) è nulla, per cui si ritorna ad un problema di Dirichlet.
( )
− µ∇w · n̂ − γw ∂Ω
=w ∂Ω
=0
=⇒ c=0 =⇒ u≡v

Neumann Le condizioni al contorno di Neumann non sono sufficienti a dimostra-

re l’unicità del problema. Si è dimostrato che la differenza w(x) tra le due
soluzioni è una costante, ma in questo caso non si possono fare delle conside-
razioni ulteriori (perché la condizione non costringe la funzione ad assumere
un certo valore al bordo, ma vincola solamente la derivata):

∇w · n̂ ∂Ω
=0
=⇒ u = v + cost

8.2 Esistenza della soluzione

Nel paragrafo precedente si è dimostrato che se la soluzione esiste è unica, ora è
necessario andare a ricercare l’espressione della soluzione.
Come già anticipato alla Sez. 8 a pagina 163, nei problemi di Laplace è molto
importante la conoscenza della geometria del dominio, perché influenzano pesan-
temente la forma finale della soluzione. Nei paragrafi successivi verranno trovate
le soluzioni per le due più comuni forme di dominio.

8.2.1 Dominio rettangolare

Si consideri una regione di spazio rettangolare, definito su due dimensioni:
{ }
Ω= (x, y) ∈ R2
(x, y) ∈ (0, L) × (0, H)

168
Condizioni al contorno omogenee su tre lati

Per semplicità si impongono le condizioni al contorno di Dirichlet solamente su un

lato del rettangolo. Il problema, posto in questi termini diventa:


 ∇2 u(x, y) = 0 (x, y) ∈ Ω




u(0, y) = u(L, y) = 0 y ∈ (0, H)
(8.1)

u(x, H) = 0 x ∈ (0, L)




u(x, 0) = g(x) x ∈ (0, L)

A questo punto si applica la tecnica della separazione delle variabili, definendo

la soluzione come:
u(x, y) = X(x)Y (y)

in cui le funzioni X(x) e Y (y) sono due funzioni a variabile reale del tipo:

X(x) : R −→ R Y (y) : R −→ R

Per prima cosa l’espressione della soluzione u(x, y) deve soddisfare l’equazione
differenziale, per cui, sostituendo si ottiene:

X ′′ Y ′′
X ′′ Y + XY ′′ = 0 =⇒ =− =k
X Y

in cui k non può essere che una costante reale, per via del fatto che entrambi i pro-
blemi sono definiti su una sola delle due variabili, che sono a loro volta indipendenti
tra loro.
Utilizzando il problema nella variabile x e le sue condizioni al contorno definite
al problema descritto dall’Eq. (8.1) si ottiene:

X ′′ (x) − kX(x) = 0
X(0) = X(L) = 0

Come si nota subito, la funzione g(x) è stata lasciata un attimo da parte, per ora
si considerano solamente condizioni al contorno omogenee.

169
 Ancora una volta andando a risolvere il problema della funzione X(x) ci si deve
soffermare sul segno della costante k:

• costante positiva: k = λ2 > 0

In questo caso la soluzione al problema è data da:

X(x) = c1 eλx + c2 e−λx

Imponendo le condizioni al contorno si ottiene il sistema:


X(0) = c + c = 0
1 2
X(L) = c eλL + c e−λL = 0
1 2

Analizzando il determinante della matrice associata si scopre che questo non

può mai annullarsi:

1 1
λL −λL
= e−λL − eλL ̸= 0 ∀L > 0
e e

Per il teorema di Cramer il sistema avrà una sola soluzione ed essendo

quest’ultimo omogeneo si otterrà solamente:

c1 = c2 = 0

Tali condizioni corrispondono alla soluzione banale dell’equazione differen-

ziale, per cui sono da scartare.

• costante nulla: k = 0
In questo caso la soluzione si riduce a un’espressione polinomiale, del tipo:

X(x) = c1 x + c2

170
 Imponendo le condizioni al contorno si ottiene il seguente sistema:

X(0) = c = 0
2
X(L) = c L + c = 0
1 2

Anche per questo secondo caso si ha l’unicità della soluzione al sistema

lineare, poiché:
0 1
= −L ̸= 0 ∀L > 0
L 1
Quindi anche in questo caso si ottiene la soluzione banale:

c1 = c2 = 0

• costante negativa k = −λ2 < 0

Da ultimo si utilizza la costante negativa e nel farlo si ottiene la soluzione:

X(x) = c1 cos(λx) + c2 sin(λx)

Poste quindi le condizioni al contorno omogenee si ottiene il sistema lineare:


X(0) = c = 0
1
X(L) = c cos(λL) + c sin(λL)
1 2

In questo caso non è per nulla scontata l’unicità della soluzione, poiché il
determinante della matrice associata al sistema lineare è pari a:

1 0 nπ
= sin(λL) = 0 ⇐⇒ λ= n ∈ N∗
cos(λL) sin(λL) L

In questo caso si ottiene sia la soluzione banale, sia un insieme di infinte

soluzioni del tipo:
( nπ )
Xn (x) = cn sin
L
nπ
Appurato che la costante k = L
si discute ora del secondo problema, cioè

171
quello relativo alla variabile y:

Y ′′ (y) − ( nπ )2 Y (y) = 0
L
Y (H) = 0

Come si vede è stata lasciata libera la condizione al contorno su y = 0, che verrà

determinata in seguito: si tratta infatti del lato su cui sono definite le condizioni
al contorno in x.
La soluzione a questo problema è dunque:

Yn (y) = c1,n e L x + c2,n e− L x

nπ nπ

e imponendo l’unica condizione al contorno rimanente si ha che:

c1,n e L H + c2,n e− L H = 0
nπ nπ
Yn (H) = 0 =⇒

Da quest’ultima equazione si ricava la relazione tra c1,n e c2,n :

nπ
c2,n = −c1,n e2 L H

A questo punto si sostituisce quanto appena ricavato nella soluzione ottenuta

precedentemente e si riarrangia quest’ultima in modo da semplificare la notazione:
[ ]
nπ
2 nπ H − nπ
Yn (y) = cn e L −e
y L e L
y

[ nπ (y−H) nπ ]
nπ
H eL − e L (H−y)
= 2cn e L
2
[ − nπ (H−y) nπ ]
H −e + e L (H−y)
nπ L
= −2cn e L
2
nπ [ ]
= −2cn e L H sinh nπ L
(H − y)
[ nπ ]
= dn sinh L (H − y)

172
 Ricomponendo tutti i pezzi si ottiene la seguente soluzione:

∑
+∞
[ nπ ]
u(x, y) = cn sin( nπ
L
x) sinh L
(H − y)
n=1

dove nei coefficienti cn sono state raggruppate tutte le varie costanti. A questo
punto occorre imporre che la soluzione soddisfi la condizione dettata dalla funzione
g(x):
∑
+∞
( nπ )
u(x, 0) = cn sin( nπ
L
x) sinh L
H = g(x)
n=1

Per risolvere questa equazione si è costretti a sviluppare in serie di Fourier la fun-

zione g(x), in un’espansione di soli seni (quindi si sta supponendo che la funzione
g(x) ∈ L2 (0, L)):
∫
b 2 L ( nπ )
cn = (nnπ ) bn = g(x) sin x dx
sinh L
H L 0 L

La soluzione finale al problema descritto dell’Eq. (8.1) risulta essere pari a:

[ ]
∑
+∞
sinh nπ (H − y)
L[ ]
u(x, y) = bn sin( nπ
L
x)
n=1
sinh nπL
H

Generico problema rettangolare

Questo problema non è altro che la generalizzazione del caso precedente. In questa
nuova situazione le condizioni al contorno sono definite su ogni lato della regione
su cui è definita l’equazione; in tal caso il problema risulta essere:

∇2 u(x, y) = 0 (x, y) ∈ (0, L) × (0, H)
u = g i = 1, 2, 3, 4
Γi i

dove le quattro funzioni g1 sono definite come:

g1 (x), g3 (x) : (0, L) −→ R g2 (y), g4 (y) : (0, H) −→ R

Al fine di semplificare il problema si sfrutta la proprietà di linearità dell’ope-

173
ratore differenziale del laplaciano (e quindi dell’equazione), utilizzando il principio
di sovrapposizione degli effetti; in tal modo si possono risolvere quattro problemi
più semplici, come quello analizzato nel caso precedente:

∇2 u(x, y) = 0 (x, y) ∈ Ω
per k = 1, 2, 3, 4
u = δ g i = 1, 2, 3, 4
Γi ik i

Il problema differenziale è stato appena riscritto utilizzando la notazione del delta

di Krnoneker (Def. 3.1.3 a pagina 51 ).
La soluzione al problema sarà quindi data dalla sommatoria delle quattro
soluzioni:
∑
4
u(x, y) = uk (x, y)
k=1

Importantissimo notare che ognuna delle quattro soluzioni è diversa dalle altre:
[ nπ ]
∑
+∞
sinh (H − y)
L[ ]
u1 (x, y) = b(1) nπ
n sin( L x) nπ
n=1
sinh L
H
[ nπ ]
∑
+∞
sinh (L − x)
H[ ]
u2 (x, y) = b(2) nπ
n sin( H y) nπ
n=1
sinh H
L
[ nπ ]
∑+∞
sinh y
u3 (x, y) = b(3) nπ
n sin( L x) [ nπL ]
n=1
sinh L H
[ nπ ]
∑
+∞
sinh x
u4 (x, y) = b(4) nπ
n sin( H y) [ nπ
H ]

n=1
sinh H L

8.2.2 Dominio circolare

Si supponga di aver un dominio a simmetria polare di due dimensioni (cerchi,
corone circolari. . . ) su cui è definito il problema di Laplace. In questo caso
risulta di gran lunga conveniente utilizzare le coordinate polari, al posto che le

174
solite cartesiane:
 
x = ρ sin(ϑ) ρ = x 2 + y 2
⇐⇒ ρ ∈ R+
0 , ϑ ∈ [−π, +π)
y = ρ sin(ϑ) ϑ = arctan y
x

Teorema 8.2.1 (Operatore laplaciano su coordinate polari). L’operatore di La-

place definito sulle coordinate polari è pari alla quantità:

∂2 1 ∂ 1 ∂2
∇2P = + +
∂ρ2 ρ ∂ρ ρ2 ∂ϑ2

Prima di iniziare a risolvere i problemi in coordinate polari è giusto definire i

domini su cui si andrà a lavorare:
{ } { }
Ω = (x, y) ∈ R 2 2
x +y <R2 2
∂Ω = (x, y) ∈ R 2 2
x +y =R2 2

Il problema di Laplace diventa quindi:


∇2 u(ρ, ϑ) = 0
P
(ρ, ϑ) ∈ Ω (8.2)
u = g(ϑ)
ρ=R

A questo punto la soluzione sarà della forma (tecnica della separazione delle
variabili):

u(ρ, ϑ) : [0, R) × [−π, +π) −→ R

u(ρ, ϑ) = P(ρ)Θ(ϑ)

Inserendo nell’equazione questa espressione si ottiene:

1 1
P′′ Θ + P′ Θ + 2 PΘ′′ = 0
ρ ρ

Anche in questo caso si vogliono ottenere due problemi indipendenti, pertanto si

175
ricava:
P′′ (ρ) + ρ1 P′ (ρ) Θ′′ (ϑ)
− 1 = =k∈R
ρ2
P(ρ) Θ(ϑ)

Si parta dal problema più semplice, ossia quello in Θ(ϑ): al fine di di trovare una
soluzione accettabile per il problema, la funzione incognita deve per forza di cose
essere 2π-periodica (altrimenti dopo un giro risulta quantomeno discontinua).
• Costante positiva: k = λ2 > 0
Sotto questa ipotesi l’equazione differenziale diventa:

Θ′′ (ϑ) − λ2 Θ(ϑ) = 0

e ammette una soluzione nella forma:

Θ(ϑ) = c1 eλϑ + c2 e−λϑ

Quest’ultima è un’espressione che non può mai essere periodica, per cui la
soluzione è da scartare.

• Costante nulla: k = 0
Imponendo che la costante sia nulla l’equazione diventa:

Θ′′ (ϑ) = 0

la cui soluzione è rappresentata della famiglia delle rette:

Θ(ϑ) = c1 ϑ + c2

Imponendo che la soluzione sia periodica, si ricava:

Θ(0) = Θ(2π) =⇒ c2 = c1 2π + c2

Quindi se la costante c1 = 0 allora la periodicità risulta rispettata. Le uniche

soluzioni accettabili sono quindi le costanti:

Θ0 (ϑ) = c0

176
 • Costante negativa: k = −λ2 < 0
Da ultimo si impone che la constate sia negativa; da questo ne consegue che
l’equazione assume la forma:

Θ′′ (ϑ) − λ2 Θ(ϑ) = 0

ed essa ammette soluzione pari a:

Θ(ϑ) = c1 cos(λϑ) + c2 sin(λϑ)

Imponendo la condizione di periodicità si ha che:

Θ(−π) = Θ(π)
c1 cos(λπ) − c2 sin(λπ) = c1 cos(λπ) + c2 sin(λπ)
2c2 sin(λπ) = 0

Affinché non vi siano soluzioni banali, si deve per forza azzerare il seno; da
questo ne segue che:
λ = n ∈ N∗

Alla fine delle riflessioni relative alla funzione Θ(ϑ) si hanno due diverse tipo-
logie di funzioni accettabili:

1. costante nulla genera Θ(ϑ) = c0 ;

2. costante negativa genera Θ(ϑ) = c1 cos(λϑ) + c2 sin(λϑ).

Si procede dunque valutando i due diversi casi sulla funzione P(ρ):

1. costante nulla:
Il problema differenziale diventa:

1
P′′ (ρ) + P′ (ρ) = 0
ρ

177
 Per risolvere questo nuovo problema non si fa altro che integrare:

P′′ (ρ) 1
′
=−
P (ρ) ρ
∫ ′′ ∫
P (ρ) 1
′
dρ = − dρ
P (ρ) ρ
ln|P′ (ρ)| = − ln|ρ| + k1

P′ (ρ) = ek1 ρ−1 = c1 ρ−1

∫ ∫
P (ρ)dρ = c1 ρ−1 dρ
′

ρ
P(ρ) = c1 ln + c2
R

2. costante negativa:
Il problema differenziale a questo punto è completo:

ρ2 P′′ (ρ) + ρP(ρ) − n2 P(ρ) = 0

Questa è un’equazione differenziale nota (Eq. di Bernoulli). Si supponga

che la soluzione sia del tipo: P(ρ) = ρα ; sostituendo si ottiene:

ρ2 α(α − 1)ρα−2 + ραρα−1 − n2 ρα = 0

ρα [α2 − n2 ] = 0
=⇒ α = ±n

La soluzione risulta essere pari a:

( )n ( )−n
ρ ρ
Pn (ρ) = c1 + c2
R R

Ricomponendo finalmente tutti i pezzi si può riscrivere la soluzione più generale

al problema dato dall’Eq. (8.2) come somma di due termini a parte e quattro

178
sommatorie:
{( ) [ ]
ρ ∑
+∞
ρ
n
u(ρ, ϑ) = c0 + c̄0 ln + cn cos(nϑ) + dn sin(nϑ) +
R R
]}
n=1
( )−n [
ρ
+ c̄n cos(nϑ) + d¯n sin(nϑ)
R

Da ultimo è necessario inserire le condizioni al contorno. Prima di farlo però

bisogna soffermarsi su una semplice riflessione: si considerino i termini del loga-
ritmo e del raggio elevato alla meno uno. Tali termini divergono nel momento in
cui il raggio tende ad annullarsi, quindi va da se che se nel dominio è presente
l’origine tutti i coefficienti che moltiplicano questi termini devono per forza di cose
annullarsi:
c̄0 = c̄n = d¯n = 0 ∀n

Problema su una regione circolare

Si consideri di essere nel caso della regione più semplice: una circolare. Applicando
le condizioni al contorno si ha che:

u(ρ, ϑ) ∂Ω
= g(ϑ)

Sviluppando in serie di Fourier la funzione g(ϑ) si ottiene:

∑
+∞
[ ]
g(ϑ) = a0 + an cos(nϑ) + bn sin(nϑ) ∀ϑ
n=1

A differenza delle altre volte l’integrazione per il calcolo dei coefficienti è legger-
mente diversa:
∫ +π ∫ ∫
1 1 +π 1 +π
a0 = g(ϑ)dϑ an = g(ϑ) cos(nϑ)dϑ bn = g(ϑ) sin(nϑ)dϑ
2π −π π −π π −π

179
Problema su una corona circolare

Supponendo che R2 > R2 > 0, si definisce il dominio come:

{ }
Ω= (x, y) ∈ R 2
R12 2
<x +y < 2
R22

Questa volta non si sarà solamente un bordo, ma due (la circonferenza interna e
quella esterna):
{ }
Γ1 = (x, y) ∈ R 2 2
x +y = 2
R12
{ }
Γ2 = (x, y) ∈ R 2 2
x +y = 2
R22

Conseguentemente il problema risulta essere:



 ∇2 u = 0

 P
u = g1 (ϑ) (ρ, γ) ∈ Ω

 Γ1

u
xΓ2
= g2 (ϑ)

Con la tecnica della separazione delle variabili si ottiene il medesimo risultato di

prima:
{( )n [ ]
ρ ∑ +∞
ρ
u(ρ, ϑ) = c0 + c̄0 ln + cn cos(nϑ) + dn sin(nϑ) +
R2 R2
]}
n=1
( )−n [
ρ
+ c̄n cos(nϑ) + d¯n sin(nϑ)
R2

Questa volta non si possono azzerare tutti i coefficienti delle funzioni che divergono
nell’origine, perché quest’ultima non appartiene al dominio. Andando a sviluppare
le funzioni g1 (ϑ) e g2 (ϑ) in serie di Fourier e imponendo le condizioni al contorno

180
si ottengono tre sistemi da risolvere per ricavare i coefficienti:
 ∫ +π

 R1 1
c0 + c̄0 ln = g1 (ϑ)dϑ
R2 2π
∫ +π−π

 1
c0 + c̄0 ln|1| = g2 (ϑ)dϑ
2π −π
 ( )n ( )−n ∫

 R1 R1 1 +π
cn + c̄n = g1 (ϑ) cos(nϑ)dϑ
R2 R∫2 π −π

 1 +π
cn 1n + c̄n 1−n = g2 (ϑ) cos(nϑ)dϑ
π −π
 ( )n ( )−n ∫

 R 1 ¯ R1 1 +π
d n + dn = g1 (ϑ) sin(nϑ)dϑ
R2 R∫2 π −π

 1 +π
dn 1n + d¯n 1−n = g2 (ϑ) sin(nϑ)dϑ
π −π
Tutti questi sistemi lineari risultano avere determinante non nullo se R1 ̸= R2 ,
quindi ammettono sempre una sola soluzione soluzione.

Formula di Poisson

Dato un problema di Laplace definito su un insieme Ω ∈ R2 con Ω = BR (0), cioè

un intorno sferico di raggio R centrato nell’origine (Def. 8.3.2), con condizioni al
bordo di Dirichlet: 
∇2 u(x) = 0
u =g ∂Ω

Si ricava che la soluzione è una funzione u(ρ, ϑ) definita come:

∫
1 π
(R2 − ρ2 )g(α)
u(ρ, ϑ) = dα
2π −π R2 + ρ − 2Rρ cos(ϑ − α)

8.3 Proprietà funzioni armoniche

Ci sono alcune funzioni che sono più regolari delle altre e che godono di notevoli
proprietà che permettono di semplificare di non poco i problemi fisici-matematici
ad esse associati.

181
Definizione 8.3.1 (Funzione armonica). Una funzione v(x) si dice armonica in
Ω ⊆ Rn se:
v(x) ∈ C 2 (Ω) ∇2 v(x) = 0

In altre parole, si può dire che una funzione è armonica se soddisfa l’equazione di
Laplace.

Sono quindi delle funzioni armoniche tutte le costanti, le rette, le sinusoidi,

le esponenziali. . . Tutte queste sono funzioni particolarmente regolari e quindi
non è difficile immaginare che siano caratterizzate tutte quanti da importanti
caratteristiche.

8.3.1 Teorema della media

La prima proprietà che caratterizza le funzioni armoniche riguarda i valore della
media integrale.

Definizione 8.3.2 (Intorno sferico). Si definisce intorno sferico di raggio R un

insieme tale che: { }
BR (x) = y ∈ R n
∥y − x∥ < R

Teorema 8.3.1 (Media integrale di funzioni armoniche). Si consideri un intorno

sferico BR (x), di raggio R e centrato in x e una funzione armonica v(x), definita
su un dominio Ω ⊆ Rn . Allora ∀ BR (x) ⊂ Ω si ha che:
∫
1
v(x) = v(y)dy
|BR (x)| BR (x)
I
1
v(x) = v(y)dy
|∂BR (x)| ∂BR (x)

Dove |BR (x)| e |∂BR (x)| sono le misure dell’intorno: nella Tab. 8.1 sono riportati
i principali valori per diverse dimensioni.

182
 Tabella 8.1: Principali valori delle misure di intorni sferici per diverse dimensioni.

n=1 n=2 n=3 n=4

|BR (x)| 2R πR2 4

3
πR3 1 2 4
2
π R
|∂BR (x)| 2πR 4πR2 2π 2 R3

Il teorema della media può essere generalizzato. In particolare se la funzione

v(x) non è armonica allora si ha che su un intorno sferico di raggio R:

∇2 v(x) > 0 v(x) ≤ vmed

∇2 v(x) < 0 v(x) ≥ vmed

Teorema 8.3.2 (Media integrale di funzioni armoniche). Data una funzione con-
tinua v(x) ∈ C 0 (Ω) che possiede le proprietà del Teo. 8.3.1 allora è anche una
funzione armonica e:
v(x) ∈ C ∞ (Ω)

8.3.2 Principio del massimo

Anche per l’equazione di Laplace e quindi per le funzioni armoniche, soluzioni
dell’equazione vale il principio del massimo analizzato per l’equazione di diffusione.

Teorema 8.3.3 (Principio del massimo). Data una funzione v(x) armonica allora:
{ } { }
min v(x) ≤ v(x) ≤ max v(x)
x∈∂Ω x∈∂Ω

In altre parole il minimo e il massimo della funzione si possono trovare solamente

sulla frontiera del dominio su cui è definita la funzione.

Tale teorema porta con se delle immediate conseguenze:

1. Se la funzione v(x) è armonica e il minimo o il massimo vengono assunti per

punti interni al dominio allora la funzione non può che essere una costante.

183
2. Si consideri il problema differenziale su Ω definito da:

∇2 u = 0
u =g
∂Ω

Per forza di cose si ha che

∀ g(x) ∈ C 0 (∂Ω) ∃! ug (x) ∈ C 2 (Ω) ∩ C 0 (Ω̄)

dove ug (x) è soluzione del problema associato. Siano dunque due funzioni
g1 e g2 due dati di Dirichlet al bordo e u1 e u2 le due soluzioni associate.

(a) se g1 > g2 allora:

u1 > u 2 ∀x ∈ Ω

(b) è garantita la stabilità e la dipendenza con continuità dai dati:

|u1 − u2 | ≤ max|g1 − g2 | ∀x ∈ Ω
x∈∂Ω

184
 Parte III

Problemi in forma debole

185
Capitolo 9

Introduzione alla forma debole

Si consideri il problema differenziale Lu = f dove L è un operatore differenziale

generico, u la soluzione e f la forzante. La formulazione classica (o forma forte) del
problema implica che la soluzione u deve essere valida in ogni punto del dominio
su cui è definita e inoltre devono esistere ed essere continue tutte le sue derivate
presenti nell’operatore differenziale L.
Il fatto è che sotto queste ipotesi si escludono automaticamente una grande
quantità di casistiche di notevole interesse fisico che magari non godono di queste
proprietà, per cui è necessario rilassare queste ipotesi.

Definizione 9.0.1 (Delta di Dirac). Data la funzione gn (x) definita come:


0 x < 0 e x ≥ 1/n
gn (x) =
n 0 ≤ x ≤ 1/n

si chiama Delta di Dirac δ0 (x) il limite:

lim gn (x) = δ0 (x)

n→+∞

In particolare si ha che: ∫
gn (x)dx = 1 ∀n
R

Il delta di Dirac è quindi la funzione impulso, cioè vale zero sempre tranne nell’o-
rigine in cui assume il valore uno. In realtà il punto su cui avviene l’impulso può

186
essere spostato in un punto c qualsiasi, tramite le seguenti notazioni.

δc (x) δ(x − c)

Un’altra notevole proprietà del delta di Dirac è data da:

∫
δc (x)ϕ(x)dx = ϕ(c)

cioè l’integrale indefinito di una funzione integrabile generica moltiplicata per il

delta di Dirac è pari al valore della funzione nel punto.

Definizione 9.0.2 (Funzione di Heaviside). Si chiama funzione di Heaviside la

funzione definita come:

1 x ≥ c
H(x − c) = c∈R
0 x < c

La derivata della funzione di Heaviside può essere identificata nel delta di Dirac:

d
H(x − c) = δc (x)
dx

Mentre il suo integrale, ricavabile partizionando il dominio di integrazione viene

spesso chiamata funzione rampa:
∫ x
R(x) = H(ξ)dξ = xH(x)
−∞

Alla luce dell’introduzione di queste nuove definizioni si può fare un’importante

riflessione in merito ai problemi differenziali.
Si consideri un filo teso di lunghezza unitaria al cui centro è messo in ten-
sione da una forza di intensità unitaria. Ora, tutto questo può essere modellato
matematicamente tramite il problema:

−u′′ (x) = δ 1 (x)
2
x ∈ (0, 1)
u(0) = u(1) = 0

187
Si nota immediatamente che la funzione f (x) = δ 1 (x) non è una funzione continua
2
nel dominio, quindi non può esistere la formulazione forte al problema appena
presentato; tuttavia nella pratica comune si può avere esperienza tutti i giorni di
questo fenomeno.
Non esiste quindi una formulazione forte al problema, ma può esistere una
formulazione debole. Per prima cosa si può integrare da entrambi i lati:

∫ ∫ c
x x x ∈ (0, 1/2)
−u′ (x) = − u′′ (τ )dτ = δ 1 (τ )dτ + c =
0 0
2 c + 1 x ∈ [1/2, 1)


−c x ∈ (0, 1/2)
′
u (x) =
−(c + 1) x ∈ [1/2, 1)

Integrando ancora una volta sulla coordinata spaziale si ottiene:


−cx + d x ∈ (0, 1/2)
u(x) =
−(c + 1)x + e x ∈ [1/2, 1)

Imponendo le condizioni al contorno di Dirichlet si ottiene:


−x/2 x ∈ [0, 1/2)
u(x) =
1/2(x − 1) x ∈ [1/2, 1]

che corrisponde alla soluzione del problema. Quest’ultima è una funzione continua,
ma non derivabile neanche al primo ordine; per questo motivo non si può dire che
è una soluzione al problema posto in formulazione forte.
La tecnica appena vista prende il nome di formulazione del problema diffe-
renziale debole, ossia si cerca di integrare una funzione, eventualmente sfruttando
alcune particolari proprietà di integrazione

188
Capitolo 10

Elementi di analisi funzionale

Prima di procedere con ulteriori riflessioni in merito alla formulazione debole di

problemi differenziali, è necessario analizzare ed eventualmente generalizzare alcuni
concetti.

Integrale di Lebesgue

L’integrale di Lebesgue è una generalizzazione dell’integrale di Riemann, cioè

quello che viene comunemente utilizzato nelle operazioni differenziali.
Si considerino ad esempio due funzioni f è g, uguali in ogni punto, fatta ec-
cezione di alcune porzioni di dominio caratterizzate da aerea sottesa infinitesima
(esempio di questo può essere dato da discontinuità di terza specie. . . ). Sotto
queste ipotesi si ha che: ∫ ∫
f dω = gdω
Ω Ω

Cioè si utilizza una funzione g di poco più regolare di f (e quindi più facile da
integrare) per svolgere l’operazione di integrazione.
Quindi si ha che: la funzione f è integrabile se e solo se la funzione g risulta
integrabile. Inoltre si hanno le seguenti proprietà:

1. f è integrabile se e solo se |f | è integrabile;

2. f è integrabile secondo Riemann, in senso generalizzato, se e solo se f è

integrabile secondo Lebesgue.

189
Derivazione nel senso delle distribuzioni

La derivazione nel senso delle distribuzioni è una generalizzazione della normale

derivata. Si consideri ad esempio la funzione H(x) di Heaviside: si ha che questa
funzione non è derivabile in senso classico nel punto x = 0, ma lo è nel senso delle
distribuzioni:
d
H(x) = δ0 (x)
dx
Importantissimo è notare che se una funzione è derivabile in senso classico allora
per forza lo è anche nel senso delle distribuzioni.

10.1 Spazi di Hilbert

Gran parte della teoria della risoluzione di equazioni differenziali in forma debole
è basata sugli spazi di Hilbert, che sono alcuni particolari spazi vettoriali.

Definizione 10.1.1 (Spazio vettoriale). Uno spazio vettoriale è un insieme V

chiuso rispetto a due operazioni: somma e prodotto per scalare:

∀ v, u ∈ V v+u=w ∈V
∀v ∈ V α∈R αv = w ∈ V

Tali operazioni devono avere le seguenti proprietà:

1. Elemento neutro:
v+0=v 1v = v

2. Elemento opposto:
1
v + (−v) = 0 v =1
v
3. Commutativa:
v+u=u+v αv = vα

4. Associativa (pseudo-associativa per il prodotto per scalare):

u + (v + w) = (u + v) + w (αβ)v = α(βv)

190
 5. Distributiva.

Vi sono molteplici esempi di spazi vettoriali, tra essi si riportano:

1. l’insieme R;

2. i vettori di Rn ;

3. i polinomi di grado n, Pn ;

4. i polinomi trigonometrici di grado n, Πn ;

5. l’insieme delle funzioni continue su [a, b], intervallo generico, C 0 ([a, b]).

Ogni spazio vettoriale è dotato di una norma, cioè un’operazione propria di

quello spazio, che associa ad ogni vettore un numero scalare positivo.

Definizione 10.1.2 (Norma). Dato uno spazio vettoriale lineare V , si definisce

norma una funzione
∥·∥ : V −→ R

che gode delle seguenti proprietà:

1. Positività:

∥v∥ ≥ 0 ∀ v ∈ V e ∥v∥ = 0 ⇐⇒ v=0

2. Omogeneità:
∀λ ∈ R ∀v ∈ V ∥λv∥ = |λ|∥v∥

3. Disuguaglianza triangolare

∀ v, u ∈ V ∥x + y∥ ≤ ∥v∥ + ∥u∥

Definizione 10.1.3 (Distanza). Si definisce distanza tra due elementi apparte-

nenti al medesimo spazio vettoriale x, y ∈ V come:

d(x, y) = ∥x − y∥

191
In questo caso si dice che lo spazio vettoriale V è normato, cioè dotato di norma,
e metrico, poiché su di esso è definita una distanza.

Definizione 10.1.4 (Sequenza di elementi). Si chiama sequenza di elementi sullo

spazio vettoriale X una successione {nn } ∈ X quando questa converge a un vettore
x ∈ X, cioè:
x→+∞
d(xn , x) = ∥xn − x∥ −−−−→ 0+

Definizione 10.1.5 (Sequenza di Cauchy). Si chiama sequenza di Cauchy sullo

spazio vettoriale X una successione {nn } ∈ X tale che:

d(xn , xm ) = ∥xn − xm ∥ −→ 0+ n, m −→ +∞

Teorema 10.1.1 (Sequenze e sequenze di Cuachy). Se {nn } ∈ X converge a x

allora {nn } ∈ X è una sequenza di Cauchy.

Non è assolutamente garantito il contrario, cioè non è detto che una sequenza
di Cauchy converga a x.

Esempio 10.1.1. Si consideri lo spazio vettoriale dei numeri razionali X = Q. In

questo caso la norma coincide con il valore assoluto del numero, quindi:

∥·∥ = |·|

Si consideri a questo punto la successione definita da:

( )n
1
xn = 1 + xn ∈ Q
n

Non è difficile dimostrare che la sucessione appena definita è una sequenza di

Cauchy, infatti:
( )n ( )m
1 1 n,m→+∞
d(xn , xm ) = 1 + − 1+ −−−−−→ |e − e| = 0
n m

Il fatto è che questa successione non converge ad x = e e quest’ultimo è un numero

irrazionale, che quindi non appartiene allo spazio vettoriale scelto: e ̸∈ Q. Si

192
conclude dicendo che la successione scelta è una sequenza di Cauchy, ma non è
una sequenza di elementi in X = Q

Definizione 10.1.6 (Spazio normato completo). Si dice che X è uno spazio

normato completo se ogni sequenza di Cauchy converge a un elemento x ∈ X.

Definizione 10.1.7 (Spazi di Banach). Si definiscono spazi di Banach Lp (Ω)

sull’intervallo Ω ⊆ Rn tutti gli spazi vettoriali che hanno norma:
[∫ ] p1
∥v∥Lp (Ω) = p
v dω 1 ≤ p ≤ +∞
Ω

Nel caso in cui p = +∞ allora la norma diventa:

{ }
∥v∥L∞ (Ω) = esssup |f (x)|

si ha quindi che questa norma è essenzialmente superiormente limitata, cioè:

∃ ∥v∥L∞ (Ω) < +∞ ⇐⇒ |f (x)| ≤ M < +∞

su tutti i punti x ∈ Ω, fatta eccezione di alcuni punti isolati in cui la funzione può
essere singolare.

Teorema 10.1.2 (Spazi di Banach e spazi normati completi). Uno spazio è

normato completo se e solo se è uno spazio di Banach.

Sulla questione della norma bisogna in genere stare molto attenti: ad esempio,
si consideri lo spazio delle funzioni continue C 0 (Ω). Tale spazio è dotato di una
norma (quindi è normato), ma non è completo se si usa come norma quella di
L1 (Ω) o quella di L2 (Ω), ad esempio la funzione f (x) = 1 presenta una forma in-
determinata quando p = +∞. Tuttavia lo spazio C 0 (Ω) diventa normato completo
quando si scegli un’altra tipologia di norma: quella del massimo:

∥f ∥C 0 (Ω) = max|f (x)|

x∈Ω

193
Teorema 10.1.3 (Disuguaglianza di Hölder). La disuguaglianza di Hölder riguar-
da la norma del prodotto di due funzioni:
∫
1 1
|f g|dω ≤ ∥f ∥Lp ∥g∥Lq con: + = 1 [1 ≤ p, q < +∞)
Ω p q

La disuguaglianza di Hölder fa si che se si vuole f g ∈ L1 (Ω) è necessario che

le funzioni f e g siano di regolarità superiore. Di solito è molto comune trovare
p = q = 1/2:
∥f g∥L1 ≤ ∥f ∥L2 ∥g∥L2
Definizione 10.1.8 (Spazi vettoriali con prodotto scalare). Lo spazio vettoriale
generico X è dotato di un prodotto scalare, se esiste una funzione definita come:

⟨·, ·⟩ : X × X −→ R

con le seguenti proprietà:

1. semidefinita positiva:

∀x ∈ X ⟨x, x⟩ ≥ 0 ⟨x, x⟩ = 0 ⇐⇒ x=0

2. commutativa:
∀ x, y ∈ X ⟨x, y⟩ = ⟨y, x⟩

3. distributiva:

∀ x, y, z ∈ X ∀ λ, µ ∈ R ⟨x, λy + µz⟩ = λ⟨x, y⟩ + µ⟨x, z⟩

Inoltre il prodotto scalare indice una norma:

√
∥x∥ = ⟨x, x⟩

Definizione 10.1.9 (Spazio di Hilbert). Uno spazio vettoriale X è uno spazio di

Hilbert se è normato e completo rispetto alla norma indotta dal prodotto scalare.
√
∥x∥H = ⟨x, x⟩

194
 Gli spazi di Hilbert son spazi funzionali necessari per i metodi matematici
avanzati. Da notare che non tutti gli spazi vettoriali di Banac (Def. 10.1.7) Lp (Ω)
non sono spazi di Hilbert.

Teorema 10.1.4 (Disuguaglianza di Schwarz). Sia H uno spazio di Hilbert. Dati

due vettori appartenenti a tale spazio si ha che il valore assoluto del loro prodotto
scalare è sempre minore o uguale del prodotto delle norme die due vettori:

|⟨x, y⟩| = ∥x∥H ∥y∥H ∀ x, y ∈ H

Teorema 10.1.5 (Teorema di proiezione). Sia H uno spazio di Hilbert e V ⊂ H

su sottospazio chiuso. Allora di ha che:

∀x ∈ H ∃! Pv x ∈ V ∥Pv x − x∥H = inf ∥x − v∥H

v∈H

Ossia si ha una sola proiezione ortogonale del vettore x ∈ H su V data dal punto
Pv x tale da minimizzare la distanza tra x e il generico vettore v ∈ V .

Dal teorema di proiezione si possono fare due osservazioni:

1. Se x vive sullo spazio V allora la proiezione Pv x coincide con il vettore stesso:

x∈V ⇐⇒ Pv x = x

2. Vale il teorema di Pitagora generalizzato:

∥x∥ = ∥Pv x∥2 + ∥Qv x∥2

dove Qv x = x − Pv x è il resto che rimane dalla proiezione.

Definizione 10.1.10 (Spazi vettoriali di Sobolev H k (Ω)). Si definisce spazio

vettoriale H 1 (Ω) di Hilbert:
{ }
H (Ω) = v ∈ L2 (Ω)
1
∇v ∈ L (Ω)
2

195
Cioè lo spazio funzionale in cui tutte le funzioni in esso contenute e le loro derivate
sono elementi di L2 (Ω). Più in generale si dice che:
{ }
k
H (Ω) = v ∈ L (Ω)
2
D v ∈ L (Ω) ∀ α
α 2
|α| ≤ k

Questi spazi si chiamano anche spazi vettoriali di Sobolev e si può facilmente

osservare che tutti sono sottospazi di L2 .

Definizione 10.1.11 (Norma e seminorma di H 1 (Ω)). Si definisce seminorma

dello spazio di Sobolev H 1 (Ω) la quantità:
√∫
|v|H 1 = |∇v|2 dω = ∥∇v∥L2
Ω

Mentre si definisce norma dello spazio H 1 (Ω) la quantità:

√
∥v∥H 1 = ∥v∥2L2 + |v|2H 1

Teorema 10.1.6 (Continuità funzioni di H 1 (Ω)). Sia Ω ⊂ Rn , con n ≥ 1, un

dominio avente bordo sufficientemente regolare. Allora si ha che:

n
H k (Ω) ⊂ Cm (Ω̄) se: k ≥ m +
2

Esempio 10.1.2. Si consideri n = 1 e m = 0. In questo caso si ha che:

H k (Ω) ⊂ C 0 (Ω) se: k ≥ 1/2

Quindi si sa per certo che tutte le funzioni in una dimensione contenute nello spazio
di Sobolev H 1 (Ω) sono continue. Questo non vale se le dimensioni aumentano
n ≥ 2 e lo spazio non cambia:

n
H k (Ω) ⊂ C 0 (Ω) se: k > ≥1
2

Da questo ne discende che:

H 1 (Ω) ̸⊂ C 0 (Ω)

196
Teorema 10.1.7 (Disuguaglianza di traccia). Assegnato v ∈ H 1 (Ω) dove il bordo
∂Ω risulta sufficientemente regolare allora esiste un’applicazione lineare:

γ0 H 1 (Ω) −→ L2 (Ω)

Tale che:
γ0 v = v ∂Ω
e ∥γ0 v∥L2 ≤ c∥v∥H 1

in cui c è una generica costante di R.

Definizione 10.1.12 (Spazio H01 (Ω)). Analogamente a quanto sempre fatto:

{ }
H01 (Ω) = v ∈ H 1 (Ω) γ0 v = v ∂Ω
≡0

Teorema 10.1.8 (Disuguaglianza di Poincaré). Sia Ω ⊂ Rn . Allora esiste una

costante positiva, dipendente dal dominio, ∃ CΩ > 0 tale che:

∥v∥L2 ≤ CΩ |v|H 1 ∀ v ∈ H01 (Ω)

Definizione 10.1.13 (Norme equivalenti). Due norme ∥·∥ e |·| si dicono equiva-
lenti se esistono due costanti positive c1 , c2 ∈ R+ tali che:

c1 ∥·∥ ≤ |·| ≤ c2 ∥·∥

Teorema 10.1.9 (Corollario disuguaglianza di Poincaré). La seminorma |v|H 1 e

la norma ∥v∥H 1 sono equivalenti se v ∈ H01 (Ω), infatti:
√
|v|H 1 ≤ ∥v∥H 1 ≤ 1 + CΩ2 |v|H 1 ∀ v ∈ H01 (Ω)

Dimostrazione 10.1.1 (Corollario disuguaglianza di Poincaré). Per la definizione

di norma di H 1 (Ω) (Def. 10.1.11) si ha che:
√
∥v∥H 1 = ∥v∥2L2 + |v|2H 1 ∀ v ∈ H 1 (Ω)

197
Da cui segue che:
|v|2H 1 ≤ ∥v∥2L2 + |v|2H 1 = ∥v∥2H 1

Considerando poi la disuguaglianza di Poincaré si ha che:

∥v∥L2 ≤ CΩ |v|H 1

Ne segue quindi che:

|v|H 1 ≤ ∥v∥2H 1 = ∥v∥2L2 + |v|2H 1 ≤ (1 + CΩ2 )|v|2H 1

Esempio 10.1.3 (Calcolo costante di Poincaré). Si consideri lo spazio, definito su

una sola dimensione, Ω = (a, b) ⊂ R e v ∈ H01 (Ω). per determinare il valore della
costante di Poincaré:
∫ x ∫ x
′
v(x) = v (x)ds ≤ |v ′ (x)|ds
a a

Applicando la disuguaglianza di Schwarz tra la norma della funzione v ′ (x) e la

funzione unitaria costante:
√∫ √∫ √∫
x x √ x
v(x) ≤ |v (x)| ds
′ 2
1ds = x − a |v ′ (x)|2 ds
a a a

Bene adesso che si è maggiorata la funzione si calcola la sua norma su L2 (a, b):
∫ b ∫ b (∫ x )
′ 2
∥v∥2L2 = 2
v (x)dx = (x − a) |v (x)| ds dx
a a a

Per ultimo si applica la disuguaglianza di Poincaré:

∫ b
(b − a)2 ′
(x − a)dx∥v ′ (x)∥H 1 =
2 2
∥v∥2L2 ≤ ∥v (x)∥H 1
a 2

Da quest’ultima equazione è possibile ricavare che:

b−a
CΩ = √
2

198
10.2 Funzionali e forme
I funzioni e le forme sono degli elementi essenziali per riscrivere i problemi diffe-
renziali in forma debole. Di fatto essi rappresentano una sorta di generalizzazione
delle classiche funzioni.

Definizione 10.2.1 (Funzionale). Un funzionale è un operatore che lavora da uno

spazio di Hilbert H a un codominio reale.

F : H −→ R

I funzionali possono avere o non avere alcune proprietà, a seconda di come sono
definiti. In particolare, possono essere:

• Lineari:
F (u + λv) = F (u) + λF (v) ∀ u, v ∈ H, λ ∈ R

• Limitati:
∃c > 0 |F (v)| < c∥v∥H ∀v ∈ H

• Continui:

∃c > 0 |F (v) − F (w)| ≤ c∥v − w∥H ∀ v, w ∈ H

Teorema 10.2.1 (Continuità e limitatezza di funzionali). Se un funzionale è

limitato, allora è anche continuo e viceversa.

Definizione 10.2.2 (Spazio duale). Dato uno spazio di Hilbert H, si definisce

spazio duale H ∗ di H l’insieme di tutti i funzionali di H lineari e limitati.

F : H −→ R

Inoltre, si definisce anche la norma dello spazio duale come:

|F (v)|
∥F ∥H ∗ = sup
v∈H ∥v∥H
v̸=0

199
Teorema 10.2.2 (Teorema di rappresentazione di Riesz). Sia H uno spazio di
Hilbert, allora ∀ F ∈ H ∗ :

∃! f ∈ H F (v) = ⟨f, v⟩H ∀v ∈ H

∫
=⇒ F (v) = f vdω
Ω

Definizione 10.2.3 (Forma). Una forma è un’applicazione tale che:

a : H × H −→ R

Anche le forme, come i funzionali, possono avere o non avere alcune importanti
proprietà; tra esse si riportano:

• Bilinearità:

a(u, λv + µz) = λa(u, v) + µa(u, z)
∀ u, v, z ∈ H, ∀ λ, µ ∈ R
a(λu + µz, v) = λa(u, v) + µa(z, v)

• Simmetria:
a(u, v) = a(v, u) ∀ u, v ∈ H

• Continuità:

∃M > 0 |a(u, v)| ≤ M ∥u∥H ∥v∥H ∀ v, w ∈ H

• Coercività:
∃α > 0 a(u, u) ≥ α∥u∥H ∀u ∈ H

200
Capitolo 11

Problemi variazionali astratti

Come già accennato all’interno della Sez. 9 a pagina 186 molti dei problemi dif-
ferenziali più complessi non ammettono una soluzione classica, ma potrebbero
ammetterne una in forma debole.

Teorema 11.0.1 (Lemma di Lax-Milgram). Un problema in forma debole può

essere riscritto come ricerca di una funzione u ∈ V tale che:

a(u, v) = F (v) ∀v ∈ V

in cui V è uno spazio vettoriale di Hilbert.

Teorema 11.0.2 (Teorema di Lax-Milgram). Dato V uno spazio vettoriale di

Hilbert, una forma a(u, v) e un funzionale F (v), definiti in quello spazio, che
descrivono il problema differenziale, se si ha che:

1. la forma a(u, v) è bilineare, continua e coerciva;

2. il funzionale F (v) è lineare e continuo;

allora esiste una sola soluzione al problema posto in forma debole u e inoltre:

1
∥u∥V ≤ ∥F ∥V ∗
α

dove α è la costante di coercività.

201
Dimostrazione 11.0.1 (Norma della soluzione). Andando a maggiorare il fun-
zionale, tramite la definizione della norma dello spazio duale (Def. 10.2.2), e
minorando la forma bilineare tramite la proprietà di coercività (Def. 10.2.3), si
ottiene:
α∥u∥2V ≤ a(u, u) = F (u) ≤ ∥F ∥V ∗ ∥u∥V

Analizzando il primo e l’ultimo termine si ottiene:

α∥u∥2V ≤ ∥F ∥V ∗ ∥u∥V
1
∥u∥V ≤ ∥F ∥V ∗
α

Teorema 11.0.3 (Soluzione come minimo dell’energia). La soluzione a un pro-

blema variazionale astratto per la ricerca della funzione u ∈ V è equivalente ad un
problema di minimo della funzione J(v) che descrive l’energia del problema:
∫ L ∫ L
1 ′ 2
J(v) = µ0 (v ) dx − f vdx
2 0 0

u J(v) v=u
= min J(v)
v∈V

Dimostrazione 11.0.2 (Soluzione è minimo dell’energia). Sia δ una generica

funzione incremento. Valutando il funzionale J(ṽ) in corrispondenza di ṽ = u + δ
si ha che:
∫ ∫ L
1 L ( )
′ 2
J(u + δ) = µ0 (u + δ) dx − f (u + δ)dx
2 0 0
∫ ∫ L ∫ L
1 L ( ′ 2 ′ ′ ′ 2
)
= µ0 (u ) + 2u δ + (δ ) dx − f udx − f δdx
2 0
∫ L [ ∫ L 0
∫ L
0
]
1 ′ 2 ′ ′
= J(u) + µ0 (δ ) dx + µ0 u δ dx − f δdx
2 0 0 0

Dato che per ipotesi la funzione u è soluzione al problema variazionale astratto,

allora: ∫ L ∫ L
′ ′
µ0 u v dx − f vdx = 0 ∀ v ∈ V = H01 (0, L)
0 0

Tra tutte le funzioni possibili si sceglie la funzione v = δ. In tal modo il valore del

202
funzionale in ṽ = u + δ è pari a:
∫ L
1
J(u + δ) = J(u) + µ0 (δ ′ )2 dx ≥ J(u)
2 0

Questo perché il termine della parentesi quadra è pari a zero, essendo soluzione.

Dimostrazione 11.0.3 (Minimo dell’energia è soluzione). Assegnati δ ∈ R, w ∈

V generici, si valuta il funzionale dell’energia in corrispondenza di ṽ = u + δw.
Dalla prima dimostrazione si ha che:
∫ L [ ∫ L ∫ L ]
1 ′ 2 ′ ′
J(u + δw) = J(u) + µ0 2
δ (w ) dx + µ0 δu w dx − δf wdx
2 0 0 0

Derivando rispetto a δ si ottiene:

[ ∫ ] [ ∫ L ∫ L ]
∂J ∂J ∂ µ0 L 2 ′ 2 ∂ ′ ′
(u + δw) = (u) + δ (w ) dx + µ0 δu w dx − δf wdx
∂δ ∂δ ∂δ 2 0 ∂δ 0 0
∫ L ∫ L ∫ L
′ ′ ′
= µ0 w u dx + 2 δw dx − f wdx
0 0 0

Dato che si sa per certo che la funzione u è il minimo dell’energia si può scrivere:

∂J
(u + δw) = 0 ∀w ∈ V
∂δ

e quest’ultima condizioni è verificata solamente se δ = 0. A questo punto si ottiene:

∫ L ∫ L
′ ′
µ0 u w dx − f wdx = 0 ∀w ∈ V
0 0

Quindi per forza di cose la funzione u è soluzione del problema variazionale astrat-
to.

11.1 Problemi di Poisson

I più semplici problemi differenziali da trattare in forma debole sono quelli di
Poisson. Anche in questo caso si classificano i problemi in funzione delle condizioni
al contorno che vengono imposte.

203
11.1.1 Problema di Poisson-Dirichlet
Condizioni al contorno omogenee

Si consideri un problema di Poisson-Dirichlet avente condizioni omogenee, del tipo:


−µ u′′ (x) = f (x)
0
x ∈ (0, L) µ0 ∈ R+
u(0) = u(L) = 0

L’obiettivo che ci si pone è quello di riscrivere il problema in forma debole. Per

prima cosa occorre riarrangiare l’equazione differenziale: si moltiplica da ambo le
parti per una funzione generica v, chiamata funzione test, e poi si integra su tutto
il dominio spaziale.
∫ L ∫ L
′′
− µ0 u vdx = f vdx ∀v ∈ V (11.1)
0 0

Ora è necessario scegliere lo spazio vettoriale V in cui ambientare il problema

differenziale. In questo caso le condizioni al contorno sono entrambe omogenee e
quindi la soluzione al problema sarà vincolata a presentare degli zeri agli estremi
del dominio. Proprio per questo motivo si sceglie lo spazio H01 (0, L). In tal modo
si ha che:
V = H01 (0, L) =⇒ v v(0) = v(L) = 0

Riprendendo l’Eq. (11.1) e integrando per parti il temine a sinistra per parti si
ottiene: ∫ L ∫ L
L
′ ′ ′
−(µ0 u v) + µ0 u v dx = f vdx ∀v ∈ V
0 0 0

Avendo scelto V = H01 (0, L) il primo termine è sempre nullo, poiché la ogni funzione
v si annulla in corrispondenza degli estremi del dominio. In tal modo si ottiene
dunque: ∫ ∫
L L
µ0 u′ v ′ dx = f vdx
0 0

Per la disuguaglianza di Hölder (Teo. 10.1.3), entrambi gli integrali sono definiti
se:
u, u′ , v, v ′ ∈ L2 (0, L)

204
cosa che va benissimo, poiché si è appena scelto lo spazio H01 (0, L) per queste
funzioni. Il problema variazionale astratto (o problema in forma debole) risulta
così definito:
∫ L ∫ L
′ ′
u∈V µ0 u v dx = f vdx ∀v ∈ V con V = H01 (0, L)
|0 {z } | {z }
0
a(u,v) F (v)

A questo punto è necessario vedere se tutte le ipotesi del teorema di Lax-

Milgram (Teo. 11.0.2) sono rispettate e quindi se esiste una sola soluzione u ∈ V .
Per prima cosa si analizza la forma:
∫ L
a(u, v) = µ0 u′ v ′ dx
0

Si evince immediatamente che è lineare sia in u che in v,e quindi bilineare, poiché
le operazioni di derivazione e integrazione sono entrambe lineari. La forma è anche
continua, poiché per la disuguaglianza di Schwarz:
∫ L
|a(u, v)| ≤ |µo u′ v ′ |dx ≤ µ0 ∥u′ ∥L2 ∥v ′ ∥L2
0

Questa non è ancora la definizione di forma continua per che le norme sono en-
trambe calcolate sullo spazio L2 , che non è lo spazio V scelto. Tuttavia, proprio
per come stata definita la norma su H 1 si ha che:
√
∥u∥H 1 = ∥u∥2L2 + ∥u′ ∥2L2 ≥ ∥u′ ∥L2

Lo stesso passaggio può essere riproposto per la funzione v. Risulta quindi che:

|a(u, v)| ≤ µ0 ∥u∥H 1 ∥v∥H 1

La costante M > 0 necessaria alla definizione della continuità della forma è in

questo caso pari proprio a µ0 . Infine è necessario dimostrare che la forma a è
coerciva: ∫ L
a(v, v) = µ0 (v ′ )2 dx = µ0 ∥v ′ ∥2L2 (11.2)
0

205
Dato che lo spazio scelto è V = H01 allora è possibile utilizzare la disuguaglianza
di Poincaré (Teo. 10.1.9). Per questo motivo è lecito scrivere:

∥v∥L2 < CΩ ∥v ′ ∥L2

∥v∥2H 1 = ∥v∥2L2 + ∥v ′ ∥L2 ≤ (1 + CΩ2 )∥v ′ ∥L2
2 2

Ricavando la norma della funzione v ′ su L2 e sostituendola nell’Eq. (11.2) si ottiene

l’espressione:
µ0
a(v, v) ≥ 2
∥v∥2H 1
1 + CΩ
che dimostra che la forma a è coerciva.
A questo punto si analizza il funzionale F : anche in questo caso la proprietà
di linearità è presto dimostrata, visto che gli operatori differenziali sono entrambi
lineari; inoltre è anche continuo poiché:
∫ L
|F (v)| = |f v|dx = ∥f v∥L2 ≤ ∥f ∥L2 ∥v∥L2
0

In particolare nell’ultimo passaggio è stata utilizzata la disuguaglianza di Schwarz.

Per il teorema di Lax-Milgram (Teo. 11.0.2) esiste una sola soluzione u ∈ V al
problema variazionale astratto e si ha che:

c (1 + CΩ2 )∥f ∥L2

∥u∥V ≤ =
α µ0

Condizioni al contorno non omogenee

Si consideri il problema differenziale di Poisson-Dirichlet con condizioni al bordo

non omogenee del tipo:

−µ u′′ (x) = f (x)
0
x ∈ (0, L) µ0 ∈ R+
u(0) = g u(L) = g
1 2

L’obiettivo è quello di ricondursi ad un caso omogeneo per poi applicare il

metodo appena analizzato, esattamente come visto per la formulazione forte di
problemi differenziali. Si sceglie quindi una funzione di rilevamento del dato al

206
bordo Rg , tale per cui:

Rg ∈ H 1 (0, L) Rg (0) = g1 e Rg (L) = g2

Per semplicità si sceglie una retta passante per g1 e g2 :

x
Rg (x) = g1 + (g2 − g1 )
L

A questo punto si può riscrivere la funzione soluzione come somma della funzione
Rg e della funzione ū, ancora incognita:

u(x) = Rg (x) + ū(x) con: ū(x) ∈ H01 (0, L)

Il problema, riscritto in forma debole diventa:

∫ L ∫ L
′′
−µ0 (ū + Rg ) vdx = f vdx ∀ v ∈ V = H01 (0, L)
0 0

Integrando il termine a sinistra dell’equazione per parti si ottiene:

∫ ∫
L
′ ′
]L [ ′ ′
L
µ0 (ū + Rg ) v dx − µ0 u (x)v (x) 0 = f vdx
0 0

Ancora una volta il secondo termine dell’integrazione per parti si annulla, essendo
la funzione test v sempre nulla al bordo. Riscrivendo i termini rimanenti si ha che:
∫ L ∫ L
′ ′
µ0 ū v dx = (f v − µ0 Rg′ v ′ )dx
| 0
{z } |0 {z }
a(ū,v) F (v)

Quest’ultima equazione descrive il problema variazionale astratto, equivalente a

quello analizzato precedentemente, relativo alle condizioni omogenee.

ū ∈ H01 (0, L) a(ū, v) = F (v) ∀ v ∈ H01 (0, L)

Come si evince facilmente la forma bilineare non è cambiata, quindi sarà sempre
continua e coerciva. Il problema è capire se il funzionale F (v), in cui sono rientrate

207
anche le condizioni al contorno risulta ancora lineare e continuo.
Sulla prima richiesta non ci sono problemi, le operazioni di derivazione, som-
ma algebrica e integrazione sono lineari, quindi la combinazione di queste tre è
anch’essa lineare. Rimane dunque dimostrare la continuità:
∫ L ∫ L
|F (v)| ≤ |f v|dx + µ0 Rg′ v ′ dx
0 0

= ∥f v∥L1 + µ0 Rg′ v ′ L1
≤ ∥f ∥L2 ∥v∥L2 + µ0 Rg′ L2 ∥v ′ ∥L2
≤ ∥f ∥L2 ∥v∥H 1 + µ0 Rg′ L2 ∥v∥H 1
( )
= ∥f ∥L2 + µ0 Rg′ L2 ∥v∥H 1

In questo caso si ha che la costante di continuità è pari a:

c = ∥f ∥L2 + µ0 Rg′ L2

Quindi per il teorema di Lax-Milgram (Teo. 11.0.2) esiste una sola soluzione ū ∈ V
al problema variazionale astratto. Naturalmente una volta risolto il problema in ū,
si deve sommare la soluzione di rilevamento Rg per trovare la soluzione al problema
principale.

11.1.2 Problema di Poisson-Neumann

Si analizza ora il problema di Poisson con condizioni al contorno di Neumann. Al
fine di mantenere un certo grado di generalità si impongono delle condizioni non
per forza omogenee. Il problema differenziale risulta quindi essere:

µ u′′ (x) = f (x)
0
x ∈ (0, L) µ0 ∈ R+
µ u′ (0) = h µ u′ (L) = h
0 1 0 2

Al solito, si moltiplica per la funzione test v e si integra sul dominio spaziale:

∫ L ∫ L
′′
−µ0 u vdx = f vdx ∀v ∈ V
0 0

208
Integrando il primo termine per parti si ha che:
L ∫ L ∫ L
′ ′ ′
−µ0 u (x)v(x) + µ0 u v dx = f vdx
0 0 0

Questa volta i termini valutati non spariscono, poiché non è stata fatta ancora nes-
suna ipotesi sullo spazio funzionale del problema V , ne sulla forma della funzione
test v. Non c’è altra scelta che valutare i termini in corrispondenza del bordo:
∫ L ∫ L
′ ′ ′ ′
− µ0 u (L) v(L) + µ0 u (0) v(0) + µ0 u v dx = f vdx
| {z } | {z } 0 0
h2 h2

Come evidenziato nell’equazione si possono sostituire i termini con le condizioni

al contorno di Neumann. In questo modo si ha che:
∫ L ∫ L
′ ′
µ0 u v dx = f vdx + h2 v(L) − h1 v(0)
| 0
{z } | 0
{z }
a(u,v) F (v)

Non a caso le condizioni al contorno sono finite nel funzionale F (v). Questo succede
sempre se le condizioni al contorno non sono quelle di Dirichlet omogenee.
Dato che le condizioni al bordo di Neumann, Robin, miste e Dirichlet non
omogenee sono talmente importanti che finiscono all’interno della formulazione
debole, sono anche dette condizioni naturali, mentre quelle di Dirichlet omogenee
sono chiamate condizioni essenziali, perché la loro presenza ha effetto solo sulla
scelta dello spazio funzionale adeguato, ma non rientrano nel problema principale.
Manca comunque da definire un spazio funzionale in cui ambientare il problema
e da verificare che tutte le ipotesi di Lax-Milgram siano ancora verificate. Come
si nota dalla condizioni al contorno, non per forza la soluzione u deve annullarsi
in corrispondenza degli estremi e quindi non è più possibile scegliere lo spazio H01 .
Nonostante questa complicazione, rimane più che lecito scegliere lo spazio H 1 . Con
questo tipo di scelta il problema variazionale diventa:

u ∈ V = H 1 (0, L) a(u, v) = F (v) ∀v ∈ V

209
Si passa ora alla verifica delle ipotesi di Lax-Milgram. La forma è sempre la stessa,
quindi non ci sono problemi. Il funzionale invece è cambiato, quindi va rivisto. La
linearità è al solito garantita, mentre la continuità va verificata:
∫ L
|F (v)| ≤ |f v|dx + |h2 ||v(l)| + |h1 ||v(0)|
0

A questo punto, il primo termine può essere riscritto utilizzando la disuguaglianza

di Schwarz, mentre per quel che riguarda gli altri due è possibile utilizzare la
disuguaglianza di traccia (Teo. 10.1.7 a pagina 196). Infatti:

v ∈ H 1 (0, L) =⇒ ∃c > 0 ∥γ0 v∥L2 (∂Ω) ≤ c∥v∥H 1

e in questo caso questo implica:

|v(L)| ≤ c1 ∥v∥H 1 |v(0)| ≤ c2 ∥v∥H 1

Da cui segue che:

∫ L
|F (v)| ≤ |f v|dx + |h2 ||v(l)| + |h1 ||v(0)|
0

≤ ∥f ∥L2 ∥v∥L2 + c1 |h1 |∥v∥H 1 + c2 |h2 |∥v∥H 1

≤ ∥f ∥L2 ∥v∥H 1 + c1 |h1 |∥v∥H 1 + c2 |h2 |∥v∥H 1
( )
= ∥f ∥L2 + c1 |h1 | + c2 |h2 | ∥v∥H 1
= C∥v∥H 1

Anche in questo caso tutte le ipotesi sono rispettate, quindi esiste solo una solu-
zione al problema in forma debole.

210
Capitolo 12

Metodo di Galërkin e
approssimazione ad elementi finiti

Il metodo di Galërkin è un metodo numerico che permette di trovare la soluzione

di un problema differenziale posto in forma debole, del tipo:

u∈V a(u, v) = F (v) ∀v ∈ V

dove V è uno spazio funzionale di Hilbert di dimensioni infinite.

Da esso si sviluppa poi tutta la teoria degli elementi finiti, che rappresenta lo
strumento base per risolvere le equazioni differenziali.

12.1 Metodo di Galërkin

Si consideri dunque un problema variazionale astratto, ambientato in uno spazio
V generico:
u∈V a(u, v) = F (v) ∀v ∈ V

Come già accennato lo spazio V è uno spazio vettoriale di dimensioni infinte,

avente come base {ηj }j∈N∗ . Questo implica che ogni elemento appartenente allo
spazio vettoriale può essere riscritto come combinazione lineare degli elementi della

211
base:
∑
+∞
{ }+∞
w∈V ⇐⇒ w= wj ηj con: wj i=1
∈R
j=1

Si consideri ora Vh , cioè una famiglia si spazi dipendenti da un solo parametro

h > 0. Inoltre ognuno di questi spazi è un sottospazio di V di dimensione finita:

Vh ⊂ V dim(Vh ) = Hh < +∞

A questo punto si può costruire una sequenza di spazi, ognuno avente dimensione
superiore a tutti quelli precedenti e dimensione inferiore a quelli successivi:

Vh1 ⊂ Vh2 ⊂ · · · ⊂ VhNh ⊂ V

dove ovviamente h1 < h2 < · · · < hNh . Inoltre, proprio per come è definita la
sequenza si ha che:
lim Nh = +∞ lim Vh = V
h→0 h→0

Tutti i sottospazi sono sottospazi vettoriali, quindi ogni elemento ad essi appar-
tenente può ancora essere scritto come combinazione lineare degli elementi della
base:
∑Nh
vh ∈ Vh ⇐⇒ vh = vj φj
j=1

in cui le φj sono le funzioni di base, mentre i pesi vj sono coefficienti reali detti
variabili di controllo.

Definizione 12.1.1 (Metodo di Galërkin). Si chiama metodo di Galërkin un

qualsiasi metodo atto a ricercare una funzione uh ∈ Vh tale che:

a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

in cui lo spazio vettoriale Vh ⊂ V ha dimensioni finite e la soluzione può essere

scritta come:
∑
Nh
uh = uj φj
j=1

Quindi non esiste un solo metodo di Galërkin, ma ne esistono infiniti: in parti-

212
colare, in funzione della scelta della base {φj }j=1
Nh
di Vh si avrà lo specifico metodo
di Galërkin, in cui le incognite saranno {uj }j=1 . Il problema variazionale astratto
Nh

può essere riscritto come:

a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

A questo punto si utilizza un trucco: la precedente equazione, che descrive il

problema, deve valere per una qualsiasi funzione vh . Allora è più che lecito scegliere
proprio una funzione vh = φi , dove φi è una delle Nh funzioni base dello spazio
vettoriale Vh . Il problema diventa quindi:

a(uh , φi ) = F (φi ) i = 1, 2, . . . , Nh

Inoltre si può anche sostituire l’incognita uh come combinazione lineare di tutte le

funzioni base, pesate per i coefficienti uj :

(∑
Nh )
a uj φj , φi = F (φi ) i = 1, 2, . . . , Nh
j=1

A questo punto si sfrutta la proprietà di bilinearità della forma a(·, ·); in tal caso
il problema può essere riscritto come:

∑
Nh
a(φj , φi ) uj = F (φi ) i = 1, 2, . . . , Nh
j=1
| {z } | {z }
[A]ij fi

Questa nuova equazione corrisponde a un sistema lineare. Nello specifico, la forma

valutata in corrispondenza delle funzioni base corrisponde all’elemento i, j-esimo
della matrice A ∈ RNh × RNh (da notare che gli indici risultano invertiti, per
via del prodotto matrice-vettore!), la valutazione del funzionale corrisponde all’i-
esima componente del vettore dei termini noti e infine gli elementi uj possono
essere inseriti nel vettore delle incognite. Sintetizzando tutto questo si ottiene:

Au = f

213
In poche parole, si è appena dato prova che uh ∈ Vh ⊂ V è soluzione del problema
variazionale astratto se e solo se e soluzione del problema di Galërkin.
Le proprietà della matrice A, chiamata matrice di rigidezza o matrice di stiff-
ness, dipendono dalla forma a(·, ·) associata e dalla base che viene adottata per
risolvere il problema.

Teorema 12.1.1 (Matrici di rigidezza associate a forme coercive). Se la forma

a(·, ·) : V × V −→ R, associata a un problema ellittico, è coerciva allora la matrice
di rigidezza A è definita positiva.

Dimostrazione 12.1.1 (Matrici di rigidezza associate a forme coercive). Affinché

una matrice sia definita positiva, è necessario che la quantità vT Av sia sempre
positivo. Riscrivendo il prodotto si ottiene:

∑
Nh
[ ] ∑
Nh
T
v Av = vi A ij vj = vi a(φj , φi )vj
i,j=1 i,j=1

Sfruttando la proprietà di bilinearità si ottiene:

(∑
Nh ∑
Nh )
T
v Av = a vj φj , vi φi = a(vh , vh )
j=1 i=1

Ora, ammesso che la forma sia coerciva, si ottiene:

vT Av = a(vh , vh ) ≥ α∥vh ∥Vh > 0

Teorema 12.1.2 (Matrici di rigidezza associate a forme simmetriche). Se la forma

a(·, ·) : V × V −→ R, associata a un problema ellittico, è simmetrica allora la
matrice di rigidezza A è simmetrica.

12.1.1 Analisi metodo di Galërkin

Anche per il metodo di Galërkin, come per tutti gli altri metodi numerici, vanno
fatte delle riflessioni in merito all’esistenza, unicità e stabilità della soluzione.

214
Esistenza e unicità

Teorema 12.1.3 (Esistenza e unità della soluzione al metodo di Galërkin). Se

esiste una sola soluzione u ∈ V al problema variazionale astratto, allora anche per
il metodo di Galërkin esiste una sola soluzione.
Dimostrazione 12.1.2 (Esistenza e unità della soluzione al metodo di Galërkin).
Supponiamo che esista una sola soluzione al problema variazionale astratto; ora
bisogna verificare che tutte le ipotesi del teorema di Lax-Milgram (Teo. 11.0.2 a
pagina 201) siano soddisfatte anche per il metodo di Galërkin.
• lo spazio Vh ⊂ V , quindi per forza è uno spazio di Hilbert (essendo un
sottospazio di uno spazio di Hilbert).

• la forma a(·, ·) e il funzionale F (·), sono le medesime del problema varia-

zionale, pertanto sono entrambe lineari e continue, mentre la forma è anche
coerciva.

Stabilità

Teorema 12.1.4 (Stabilità del problema di Galërkin). Il problema di Galërkin è

stabile uniformemente rispetto ad h, nel senso che:

1
∥uh ∥Vh ≤ ∥F ∥V ∗
α h

Dimostrazione 12.1.3 (Stabilità del problema di Galërkin). Si consideri il pro-

blema di Galërkin:
a(uh , vh ) = F (vh ) ∀vh ∈ Vh

Dato che la forma è coerciva, si ha che:

α∥uh ∥2Vh ≤ a(uh , vh ) = F (vh ) ≤ ∥F ∥V ∗ ∥uh ∥Vh

h

Da cui segue che:

1
∥uh ∥Vh ≤
∥F ∥V ∗
α h

Da notare che è la stessa dimostrazione proposta per l’ultimo punto del teorema
di Lax-Milgram.

215
Convergenza

Si supponga che uh ∈ Vh tenda a u ∈ V per h → 0, ossia se Nh → +∞.

Teorema 12.1.5 (Ortogonalità del metodo di Galërkin). La soluzione uh ∈ Vh ,

soluzione del problema di Galërkin, soddisfa la relazione:

a(u − uh , vh ) = 0 ∀ vh ∈ Vh

Il nome del teorema richiama l’ortogonalità della soluzione, ma nella soluzione

non c’è, almeno a prima vista nulla che riguardi questo concetto. Si consideri però
la dimostrazione del Teo. 12.1.1: con passaggi assolutamente identici si potrebbe
dire che:
( )T
a(u − uh , vh ) = u − uh Avh = 0

Quindi l’errore u − uh relativo alla soluzione e sempre A-ortogonale alla soluzione

trovata.

Dimostrazione 12.1.4 (Ortogonalità del metodo di Galërkin). Se le funzioni

u e uh sono rispettivamente le soluzioni del problema variazionale stratto e del
problema di Galërkin, allora valgono le seguenti relazioni:

u∈V a(u, v) = F (v) ∀v ∈ V

uh ∈ Vh a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

Dato che la prima equazione è più generale, per via del fatto che Vh ⊂ V , si può
scegliere una particolare funzione test v = vh ∈ Vh . Il tutto può essere riscritto nel
sistema: 
a(u, v ) = F (v )
h h
∀ vh ∈ Vh
a(u , v ) = F (v )
h h h

Sottraendo le due equazioni membro a membro si ha che:

a(u, vh ) − a(uh , vh ) = F (vh ) − F (vh ) = 0 ∀ vh ∈ Vh

Da cui ne segue che:

a(u − uh , vh ) = 0 ∀ vh ∈ Vh

216
 Inoltre, è bene sottolineare che se la forma a(·, ·) è simmetrica, allora è possibile
introdurre la norma dell’energia come:
√
∥u∥a = a(u, u)

Quindi nel caso in cui il dominio della forma sia V × V = R2 , si può osservare
che il Teo. 12.1.4, scritto attraverso la norma dell’energia, implichi che il prodotto
scalare fra la differenza u − uh e una qualsiasi funzione test vh ∈ Vh sia sempre
nullo.
Infatti, la soluzione al metodi di Galërkin uh non è altro che la proiezione della
soluzione u sul sottopsazio Vh ⊂ V (ortogonale nel senso della prodotto scalare
indotto dalla forma); quindi la soluzione al problema di Galërkin è certamente
la migliore approssimazione della soluzione u del problema in forma debole, una
volta scelto lo spazio Vh . Questo concetto può essere riassunto dalla proprietà della
consistenza forte:
u ∈ Vh =⇒ uh ≡ u

Teorema 12.1.6 (Lemma di Céa). Sia u la soluzione al problema variazionale e

uh la soluzione al problema di Galërkin. Si ha che:

M
∥u − uh ∥V ≤ inf ∥u − vh ∥V
α vh ∈Vh

In cui le costanti M e α sono le costanti di continuità e coercività della forma.

Dimostrazione 12.1.5 (Lemma di Céa). Si consideri la quantità:

a(u − uh , u − uh ) = a(u − uh , u − vh + vh − uh )

Per via della bilinearità della forma si può riscrivere come:

a(u − uh , u − uh ) = a(u − uh , u − vh ) + a(u − uh , vh − uh ) = a(u − uh , u − vh )

Il secondo termine perché è sempre nullo, essendo la funzione vh − uh ∈ Vh e

applicando l’ortogonalità del metodo di Galërkin (Teo. 12.1.4). Inoltre, essendo la

217
forma continua e coerciva, si ha che:

α∥u − uh ∥2V ≤ a(u − uh , u − uh ) = a(u − uh , u − vh ) ≤ M ∥u − vh ∥V ∥u − uh ∥V

Considerando solo il primo e l’ultimo termine si ha che:

α∥u − uh ∥V ≤ M ∥u − vh ∥V ∀ vh ∈ Vh

Se questa disequazione deve valere sempre, allora:

M
∥u − uh ∥V ≤ inf ∥u − vh ∥V
α vh ∈Vh

Questo teorema ha una grande importanza perché è la base per dimostrare la

convergenza del metodo. Infatti, per via di come sono costruiti gli spazi Vh :

Per h → 0 =⇒ Vh → V
( )
=⇒ lim inf ∥v − wh ∥V = 0 ∀v ∈ V
h→0 wh ∈Vh

L’ultimo limite viene anche chiamato densità di Vh in V e implica la convergenza

del metodo di Galërkin:
lim ∥u − uh ∥V = 0
h→0

Naturalmente, se il rapporto M/α ≫ 1 si ha che l’errore del metodo può essere

grande, nonostante la convergenza assicurata.

12.2 Metodo degli elementi finiti monodimensio-

nale
Nel paragrafo precedente si è dimostrato che se esiste una sola soluzione al pro-
blemi in forma debole allora esiste una sola soluzione al problema di Galërkin. Si
consideri ora un insieme monodimensionale Ω = (a, b), sui cui è definito il proble-
ma differenziale. La soluzione u sarà definita sull’insieme V ⊆ H 1 (Ω), quindi la
soluzione di Galërkin su Vh ⊂ V . Il metodo degli elementi finiti consiste in una

218
scelta particolare dello spazio Vh .
Per prima cosa si partiziona l’insieme Ω̄ in N + 1 sottointervalli, chiamati
elementi di griglia:

Kj = (xj−1 , xj ) j = 1, 2, . . . , N + 1

Gli estremi degli elementi di griglia sono detti invece nodi:

a = x0 , x1 , x2 , . . . , xN , xN +1 = b

Non è detto che tutti questi nodi siano equispaziati. Nel caso non lo fossero il
parametro h è pari al massimo di tutte le distanze fra nodi consecutivi:

h= max hj hj = xj − xj−1
j=1,...,N +1

Definizione 12.2.1 (Spazio elementi finiti). Si chiama spazio degli elementi finiti
di grado r ≥ 1 lo spazio funzionale:
{ }
Xhr (Ω) = vh ∈ C 0 (Ω̄) vh Kj
∈ Pr ∀Kj ∈ τh

in cui τh è la partizione del dominio Ω̄, mentre Pr l’insieme di tutti i polinomi

algebrici di grado inferiore o uguale a r.

Dato che in generale è utile non complicarsi troppo la vita, si usano essenzial-
mente due diverse tipologie di elementi finiti: lineari e quadratici.
Il passo successivo è quello di costruire le basi {φj }N
j=0 dello spazio a elementi
h

finiti lineare Xh1 (Ω) e quadratico Xh2 (Ω).

12.2.1 Elementi finiti lineari

Lo spazio degli elementi finiti lineare è formato da alcune delle funzioni più sem-
plici: le rette. In particolare, lo spazio è definito come:
{ }
Xh1 (Ω) = vh ∈ C 0 (Ω̄) vh Kj
∈ P1 ∀Kj ∈ τh

219
Si avrà quindi che la base {φj }N +1
j=0 sarà composta da N +2 funzioni, definite come:

 x −x
 1 x ∈ [x0 , x1 ]
φ0 = x1 − x0

0 x ̸∈ [x0 , x1 ]

 x − xi−1

 x ∈ [xi−1 , xi )

 xi − xi−1
xi+1 − x
φi = x ∈ [xi , xi+1 ] i = 1, 2, . . . , N

 xi+1 − xi


0 x ̸∈ [xi−1 , xi+1 ]
 x−x
 N
x ∈ [xN , xN +1 ]
φN +1 = xN +1 − xN

0 x ̸∈ [xN , xN +1 ]

I grafici relativi a queste funzioni sono riportati in Fig. 12.1.

Sotto questa formulazione, si osserva che se la matrice di rigidezza A coinvol-
ge il prodotto φj φi (come in tutti i casi analizzati), questa non può che essere
tridiagonale, poiché:
φj φi ̸= 0 ⇐⇒ |i − j| ≤ 1

In generale, si tende a ricercare delle basi a elementi finiti con supporto (cioè la
distanza massima tale che φj φi ̸= 0) più piccolo possibile, in modo che la matrice
di rigidezza riempia di zeri e quindi sia più facile da risolvere.
La base che è appena stata ottenuta è detta base lagrangiana (Def. 3.1.2 a
pagina 50), ed è la stessa che si è trovata nel capitolo sull’approssimazione di
funzioni. Come già analizzato in precedenza, questa tipologia di polinomi ha la
proprietà di assumere valore unitario quando vengono valutati nel nodi in cui sono
centrati e di esser nulli in tutti gli altri nodi.

φj (xi ) = δij

dove δij è il delta di Kronecker (Def. 3.1.3). Inoltre tutte le incognite uh possono
essere riscritte come come combinazione lineare degli elementi della base Inoltre,

220
 φ0 φi

1 1

x x
x0 x1 xN +1 xi−1 xi xi+1

(a) Primo elemento di una base generica (b) Elemento i-esimo di una base generi-
a elementi finiti lineari monodimensiona- ca a elementi finiti lineari monodimensio-
le. nale.

φN +1 φ

1 1

x x
x0 xN xN +1 x0 xN +1

(c) Ultimo elemento di una base generica (d) Intera base a elementi finiti lineari
a elementi finiti lineari monodimensiona- monodimensionale.
le.

Figura 12.1: Base a elementi finiti lineari in una dimensione.

221
proprio per la proprietà del delta di Kronecker si ha che:

∑
N +1 ∑
N +1
uh (x) = uj φj (x) =⇒ uh (xi ) = uj φj (xi ) = ui
j=0 j=0

Quindi la funzione incognita uh , valutata in corrispondenza dei nodi, è pari a un

elemento delle incognite del problema.
Si osserva anche che in ogni elemento di griglia, le funzioni di base hanno una
struttura a X, che è sempre uguale. Per questo motivo è possibile elaborare una
mappatura, per costruire le basi più velocemente. Sia dunque

x = ϕi (ξ) = xi + ξ(xi+1 − xi )

In cui ϕi (x) : [0, 1] −→ [xi , xi+1 ] è detta funzione di traccia e serve, una volta
invertia, per passare da una mappa sempre uguale alla generica funzione base
φi (x). Definendo due funzioni φ̂0 (ξ) e φ̂1 (ξ) con i valori di ξ ∈ [0, 1], si ottiene la
mappa: 
φ̂ (ξ) = 1 − ξ
0
φ̂ (ξ) = ξ
1

A questo punto si può invertire la funzione di traccia, per passare alle funzioni di
base, cioè ∀ i = 0, 1, . . . , N :
( )
φi (x) = φ̂0 ξ(x)
( )
φi+1 (x) = φ̂1 ξ(x)
x − xi
con: ξ(x) = ϕ−1i (x) =
xi+1 − xi

Notare le due funzioni corrispondono a metà della funzione di base centrata sul
nodo sinistro e metà della funzione di base che è centrata sul nodo destro; nella
Fig. 12.2 è riportata la mappatura di un elemento generico della base.

222
 φ̂0 , φ̂1 φi , φi+1

1 1

ξ x
1 xi xi+1

(a) Mappa. (b) Elemento i-esimo di una base generi-

ca a elementi finiti lineari monodimensio-
nale.

Figura 12.2: Mappatura per una base a elementi finiti lineari in una dimensione.

12.2.2 Elementi finiti quadratici

La seconda tipologia di elementi finiti più usata è costituita dagli elementi finiti
quadratici. Secondo la definizione, si ha che:
{ }
Xh2 = vh ∈ C 0 (Ω̄) vh Kj
∈ P2 ∀ Kj ∈ τ h

Quindi in questo caso non si hanno più delle rette, ma delle parabole. Ovviamen-
te data la maggiore complessità del polinomio sono necessari tre punti per ogni
parabola.

Elementi: Kj = (x2j , x2j+2 ) j = 0, 1, . . . , N

Vertici: x0 , x2 , . . . , x2N +2
Nodi: x0 , x1 , . . . , x2N +2

In altre parole si fa in modo che i nodi di indice pari siano i vertici delle parabole
rivolte verso il basso, mentre quelli di indice dispari degli zeri di altre parabole

223
 φpari φdisp

1 1

x x
xi−2 xi−1 xi xi+1 xi+2 xi−1 xi xi+1

(a) Elemento finito quadratico pari. (b) Elemento finito quadratico dispari.

x
x0 x2N +2

(c) Intera base a elementi finiti quadratici monodimensionale.

Figura 12.3: Base a elementi finiti quadratici in una dimensione.

rivolte verso l’alto. Ovviamente deve valere ancora che:

φj (xi ) = δij

Questa tipologia elementi finiti è riportata nella Fig. 12.3; in particolare si nota
che il supporto degli elementi quadratici pari è il doppio di quelli dispari.
Anche in questo caso è possibile adottare la tecnica della mappatura della base,

224
che risulta un po’ più complicata di quella lineare. Nello specifico:


 φ̂ = (1 − ξ)(1 − 2ξ)

 0 ( )
φ̂1 = 4ξ(1 − ξ) =⇒ φi (x) = φ̂k ξ(x)



φ̂ = ξ(2ξ − 1)
2

12.3 Elementi finiti per il problema di Poisson

12.3.1 Problema di Poisson-Dirichlet
Si consideri il problema di Poisson con condizioni al contorno di Dirichlet, dato
da: 
−µu′′ (x) = f (x)
x ∈ Ω = (0, L)
u(0) = u(L)

Ovviamente, qualora il problema non avesse condizioni omogenee, di deve utilizzare

la funzione di rilevamento per renderlo tale.
Si è già visto, nel Par. 11.1.1 a pagina 204, come passare alla formulazione
debole del problema:

u ∈ V = H01 (Ω) a(u, v) = F (v) ∀v ∈ V

A questo punto si passa al problema di Galërkin (Par. 12.1):

uh ∈ Vh ⊂ V a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

Dove la dimensione dello spazio funzionale è finita: dim(Vh ) = Nh < +∞. A

questo punto si crea una partizione τh dell’intervallo Ω̄ = [0, L], con N + 1 nodi
equispaziati, in modo che x0 = 0 e xN +1 = L. In tal caso il parametro h risulta
essere:
L
h=
N +1
Adesso è necessario scegliere se utilizzare lo spazio a elementi finiti lineari o
quadratici.

225
 φ

uh (0) uh (L)
x
L

Figura 12.4: Base degli elementi finiti lineari per il problema di Poisson con condizioni
di Dirichlet omogenee; in azzurro sono segnati tutti gli elementi della base presenti, in
viola quelli automaticamente esclusi dalle condizioni al contorno.

Elementi finiti lineari

Si analizzi per prima il caso più semplice, quello a elementi finiti lineari. Si impone
quindi che:
{ }
Vh = Xh1 = vh ∈ C (Ω̄)
0
vh Kj
∈ P1 ∀ Kj ∈ τh

Avendo optato per questa scelta il problema risulta quindi essere:

uh ∈ Vh ⊂ V ∩ Xh1 a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

Notare che la scelta dello spazio (già a livello del problema in forma debole) era
stata V = H01 , quindi lo spazio adesso risulta essere:

Vh ⊂ H01 (Ω) ∩ Xh1 (Ω̄)

In tal modo si sa per certo che la funzione deve essere nulla agli estremi, per cui si
può evitare già dal principio di costruire la base ad elementi finiti in quelle zone;
in Fig. 12.4 è riportata la base scelta.
Adesso è necessario costruire la soluzione, con la solita combinazione lineare

226
(da notare gli estremi della sommatoria!):

∑
N
uh = uj φj (x)
j=1

A questo punto si hanno tutti gli strumenti per costruire la matrice di rigidezza
A e il vettore delle forzanti f . Per prima cosa è bene fare una riflessione sulle loro
dimensioni:
dim(Vh ) = N =⇒ A ∈ RN ×N , f ∈ RN

Riprendendo il problema degli elementi finiti:

∑
N N (∫
∑ L ) ∫ L
a(φj , φi )uj = µφ′j φ′i dxuj = f φi dx i = 1, 2, . . . , N
j=1 j=1 0 0

Va da sé che le componenti della matrice di rigidezza e del vettore forzante risultano

pari a: ∫ ∫
L L
Aij = µ φ′j (x)φ′i (x)dx fi = f (x)φi (x)dx
0 0

Per prima cosa, si assembla la matrice di rigidezza. Per farlo, il primo passo è
calcolare le derivate degli elementi finiti.
Essendo loro delle rette, le derivate prime non saranno alto che i coefficienti
angolari (cfr. Fig 12.5):

1 x ∈ (xi−1 , xi )
φ′i (x) = h
− 1 x ∈ (xi , xi+1 )
h

Si possono distinguere quindi quattro diversi casi:

• Se |i − j| > 1 allora per forza almeno una delle due derivate (j o i che sia)
si annulla, quindi:

φ′j (x)φ′i (x) = 0 =⇒ Aij = 0

• Se j = i − 1 allora la derivata j sarà positiva, mentre quella i negativa,

227
 φi (x) φ′i (x)

1
1 h

x
xi−1 xi xi+1

x
− h1
xi−1 xi xi+1

(a) Elemento finito generico. (b) Derivata dell’elemento finito generi-

co.

Figura 12.5: Elemento finito generico e derivata prima.

quindi: ∫ ( )
L
1 1 1
Aij = µ − dx = −µ
0 h h h

• Se j = i + 1 allora la derivata j sarà negativa, mentre quella i positiva,

quindi: ∫ L( )
1 1 1
Aij = µ − dx = −µ
0 h h h

• Se j = i allora le derivate avranno lo stesso segno, quindi il prodotto fra le

due non può che essere positivo:
∫ L ( )2
1 2
Aij = µ =µ
0 h h

Tutto questo può essere riassunto nella matrice di rigidezza A. In particolare,

essa avrà tutti zeri tranne che sulla diagonale, in cui assumerà sempre il valore 2,
sulla sovradiagonale e sottodiagonale, in cui invece assumerà il valore di −1. Tutti

228
gli elementi poi saranno moltiplicati per un fattore µ/h. In formule:
 
2 −1 0 0 ...
 .. 
−1 2 −1 . 
 
 .. 

µ  0 −1 2 . 
A=  
h .. .. 
. . 
 
 .. 
 . 2 −1
0 ... −1 2

Quanto riguarda il vettore delle forzanti il discorso è più semplice: ogni com-
ponente è il risultato di un’integrazione definita:
∫ L
fi = f (x)φi (x)dx i = 1, 2, . . . , N
0

Elementi finiti quadratici

Si consideri lo stesso problema di prima, definito come:


−µu′′ (x) = f (x)
x ∈ (0, L)
u(0) = u(L) = 0

Esattamente come prima, si ha che il problema di Galërkin-elementi finiti è definito

come:
uh ∈ Vh ⊂ V a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

In questo caso si vogliono utilizzare gli elementi finiti quadratici, al posto di quelli
lineari. Per questo motivo si ha che:

Vh ⊂ V = H01 (Ω) ∩ Xh2 (Ω)

Ancora si ha la possibilità di escludere il primo e l’ultimo elemento della ba-

se ad elementi finiti, poiché la funzione presenta degli zeri sia in corrispondenza
dell’estremo destro, sia in corrispondenza di quello sinistro (cfr. Fig. 12.6).
La matrice di rigidezza A, non avendo cambiato la definizione rispetto a prima

229
 φ

uh (0) uh (L)
x
L

Figura 12.6: Base degli elementi finiti quadratici per il problema di Poisson con condi-
zioni di Dirichlet omogenee; in azzurro sono segnati tutti gli elementi della base presenti,
in viola quelli automaticamente esclusi dalle condizioni al contorno.

avrà elementi non nulli se:


[ ] |i − j| ≤ 2 se i dispari
A ij ̸= 0 ⇐⇒
|i − j| ≤ 1 se i pari

Questo perché gli elementi finiti quadratici hanno un supporto pari a 4h quando
sono dispari, mentre se sono pari hanno un supporto pari a 2h.
In ogni caso la matrice di rigidezza A ha una serie di importanti proprietà che
val la pena di sottolineare:

1. A è una matrice definita per bande, cioè composta da elementi non nulli a
bande diagonali;

2. se la forma a(·, ·) è simmetrica e coerciva, allora la matrice di rigidezza sarà

simmetrica e definita positiva;

3. il numero di condizionamento della matrice A è pari a:

c
K2 (A) = c>0
h2

Quindi se è vero che per h → 0 la soluzione uh → u, quindi il meto-

do degli elementi finiti genera una soluzione molto più accurata, ma pur-
troppo la soluzione numerica sarà affetta da grandi errori di approssima-

230
 zione, poiché Ks (A) → +∞ (tutto questo senza neanche contare il costo
computazionale. . . ).

Elementi finiti in più dimensioni

Il concetto alla base è pressoché identico. Per prima cosa si crea la base di elementi
finiti; dato un insieme Ω definito su più dimensioni, si ha che:
{ }
Vhr (Ω) = vh ∈ C 0 (Ω̄) vh Kj
∈ Pr ∀ Kj ∈ τh

Dato ad esempio uno spazio a tre dimensioni, si partiziona il dominio Ω tramite

tanti triangoli in due dimensioni. In tal modo si crea una sorta di piramide in cui
il vertice assuma valore unitario e la base ha sempre valore nullo.
La ragione per cui di solito vengono utilizzati dei triangoli in due dimensioni è
data dal fatto che sono necessari e sufficienti tre punti per definire univocamente
un piano.

12.3.2 Problema di Poisson-Dirichlet-Robin

Si consideri il seguente problema misto, con condizioni di Dirichlet omogenee su
un bordo e sull’altro condizioni di Robin:


 −µu′′ (x) = f (x)


u(0) = 0 x ∈ Ω = (0, L)



µu′ (x) + γu(L) = q
2

Si assuma anche che il coefficiente µ ∈ R+ . Passando alla formulazione debole del

problema si ottiene:

u ∈ V = Hd1 (Ω) a(u, v) = F (v) ∀v ∈ V

231
Dove lo spazio funzionale scelto Hd1 (Ω) prevede che tutte le funzioni v abbiano uno
zero in corrispondenza del bordo sinistro:
{ }
Hd1 (Ω) = v ∈ H 1 (Ω) v(0) = 0

In questa formulazione, la forma e il funzionale sono definite come:

∫ L
a(u, v) = µ u′ v ′ dx + γu(L)v(L)
0
∫ L
F (v) = f vdx + q2 v(L)
0

A questo punto, si può procedere con la formulazione del problema di Galërkin-

elementi finiti, usufruendo degli elementi finiti lineari:

uh ∈ Vh ⊂ V = Hd1 (Ω) ∩ Xh1 (Ω) a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

Dato che nell’estremo sinistro la soluzione presenta uno zero, è possibile tralasciare
il primo elemento della base ad elementi finiti, la quale quindi è esprimibile con la
notazione {φi (x)}N +1
i=1 (cfr. Fig 12.7).
Da ultimo, si procede con l’assemblaggio della matrice A e del vettore delle
forzanti f . In realtà, questi sono molto simili al problema con le condizioni al
contorno di Dirichlet omogenee (Par. 12.3.1), fatta eccezione per le dimensioni e
gli ultimi elementi:
A ∈ R(N +1)×(N +1) f ∈ RN +1

La matrice di rigidezza A è del tutto analoga a quella precedente, tranne che per

232
 φ

uh (0)
x
L

Figura 12.7: Base degli elementi finiti per il problema di Poisson misto con condizioni
di Dirichlet omogenee a sinistra e di Robin a destra; in azzurro sono segnati tutti gli
elementi della base presenti, in viola quello automaticamente esclusi dalle condizioni
al contorno di Dirichlet. Sulla destra è incluso quello in verde dove sono applicate le
condizioni di Robin, che non per forza implicano che la funzione uh presenti uno zero in
L.

due correzioni sull’elemento [A]N +1,N +1 :

   
2 −1 0 ... 0 0 0 0 ... 0
 ..   .. 
−1 2 −1 .   .
  0 0 0 
 ..   .. 
µ
 0 −1 2 .  0
+ 0 0 . 

A=  .. ..   .. .. 
h . .   . . 
   
 ..  . 
 . 2 −1  .. 0 0
0 ... −1 1 0 ... 0 γ

In particolare, si nota che l’ultimo elemento ha valore µh al posto che 2µh

, poiché
si integra su un dominio che è la metà di tutti gli altri; inoltre è presente anche
l’aggiunta di un termine γ, derivante dalle condizioni al bordo di Robin.

233
 Per quanto riguarda il vettore delle forzanti f il discorso è molto più facile:
 ∫L   

 f (x)φ0 (x)dx   
 0 

 ∫ 0 
 
 


 L 
 
 


 ∫ 0
f (x)φ 1 (x)dx 
 

0 


 L f (x)φ2 (x)dx   0    
0
f= .. + .

 . 
 
 .. 

 ∫L 
 
 


 
 
 


 f (x)φ N (x)dx 
 
 0 

 ∫
 L
0 
  
 
0
f (x)φ N +1 (x)dx q 2

Infatti il vettore è del tutto analogo a quello precedente, fatta eccezione per l’ultimo
termine, che vede invece l’aggiunta delle condizioni al contorno di Robin.

12.4 Elementi finiti per il problema di diffusione

reazione e trasporto stazionario
Data la grande difficoltà di questo problema si analizzeranno solamente i casi
stazionari del problema.

12.4.1 Coefficienti costanti

Si consideri il problema differenziale, con condizioni di Neumann non omogenee,
definito da:


 −µu′′ (x) + βu′ (x) + σu(x) = f (x)


−µu′ (0) = q1 x ∈ Ω = (0, L)



µu′ (L) = q
2

Affinché il problema sia stabile si assume che:

µ, σ ∈ R+ β∈R

Riscrivendo il problema in forma debole si ottiene:

u ∈ V = H 1 (Ω) a(u, v) = F (v) ∀v ∈ V

234
Dove la forma e il funzionale valgono rispettivamente:
∫ L ∫ L ∫ L
′ ′ ′
a(u, v) = µ u v dx + β u vdx + σ uvdx
0 0 0
∫ L
F (v) = f vdx + q1 v(0) + q2 v(L)
0

Da notare che lo spazio vettoriale non ha più gli zeri agli estremi. Per questioni di
semplicità si opta per uno spazio di elementi lineare, ottenuto da una partizione
di N + 2 nodi equispaziati, con passo h:
{ }
L
Vh = Xh1 = vh ∈ C 0 (Ω̄) vh Kj
∈ P1 ∀ Kj ∈ τ h h=
N +1

Quindi il problema di Galërikn-elementi finiti diventa:

uh ∈ Vh ⊂ H 1 (Ω) ∩ Xh2 a(uh , vh ) = F (vh ) ∀ vh ∈ Vh

Al contrario del problema di Dirichlet, questa volta bisogna per forza di cose
utilizzare una base ad elementi finiti completa (Fig. 12.8). Di conseguenza, le
dimensioni della matrice e dei vettori sono:

∑
N +1
A ∈ R(N +2)×(N +2) f ∈ RN +2 uh (x) = uj φj (x)
j=0

Per prima cosa si parte dalla forzante f , più semplice da calcolare. Dal proble-
ma, si ha che:
∫ L
fi = f (x)φi (x)dx + q1 φi (0) + q2 φi (L) i = 0, 1, . . . , N + 1
0

Dato che gli ultimi due termini danno un contributo solo sul primo e sull’ultimo

235
 φ

x
L

Figura 12.8: Base degli elementi finiti per il problema di diffusione reazione e trasporto
stazionario con condizioni di Neumann; sono evidenziati in viola tutti gli elementi degli
estremi, presenti anch’essi nel problema.

elemento del vettore, si può riscrivere:

 ∫L   

 f (x)φ (x)dx 
 
 q1 

 ∫0L
0

 
 


 
 
 


 ∫ 0
f (x)φ 1 (x)dx 
 

0 


 L 
 
 

0
f (x)φ 2 (x)dx 0
f= .. + .. 

 . 
 
 .

 ∫L 
 
 


 
 
 


 f (x)φ N (x)dx 
 
 0 


∫ L
0  
   
0
f (x)φN +1 (x)dx q2

Per quanto riguarda la costruzione della matrice di rigidezza, il discorso è più

complicato. Per semplicità si separano i tre contributi:

A=K+B+M

In particolare, queste matrici sono definite come:

∫ L ∫ L ∫ L
Kij = µ φ′j (x)φ′i (x)dx Bij = β φ′j (x)φi (x)dx Mij = σ φj (x)φi (x)dx
0 0 0

La matrice K è analoga alla matrice A incontrata nel caso del problema di

Poisson con condizioni di Dirichlet omogenee (Par. 12.3.1), fatta eccezione per gli

236
elementi [K]11 e [K]Nh Nh :
∫ L ( )2 µ
[K]11 = µ φ′0 dx = = [K]Nh Nh
0 h

In questo caso non si ha più il coefficiente due perché si sta integrando sul primo
e l’ultimo elemento finito, che sono pari alla metà di uno standard. La matrice K
risulta quindi essere:
 
1 −1 0 0 ...
 .. 
−1 2 −1 . 
 
 .. 

µ  0 −1 2 . 
K=   det(K) = 0
h .. .. 
. . 
 
 .. 
 . 2 −1
0 ... −1 1

Per assemblare la matrice B, bisogna distinguere quattro casi diversi (cfr. Fig. 12.9):

• Se |i − j| > 1 allora per forza almeno una fra la derivata o la funzione base
si annulla, quindi:

φj (x)φ′i (x) = 0 =⇒ Bij = 0

• Se j = i − 1 allora la derivata j sarà negativa e pari a un valore −1/h, mentre

la funzione i positiva, quindi il valore dell’integrale sarà pari a:
∫ L ( )
1 1h β
Bij = β − φi (x)dx = −β =−
0 h h2 2

• Se j = i + 1 allora sia la derivata j che la funzione i saranno entrambe

positive, quindi:
∫ L ( )
1 1h β
Bij = β φi (x)dx = β =
0 h h2 2

• Se j = i allora l’integrale sarà nullo. L’integrazione infatti può essere spez-

237
 φ

1
h

≈
xi−1 xi xi xi+1 xi−1 xi xi+1

− h1

Figura 12.9: Base degli elementi finiti per il problema di diffusione reazione e trasporto
stazionario per il calcolo della matrice B. In ordine sono rappresentati il caso j = i − 1,
j = i + 1 e infine j = i.

zata in due parti, nella prima la derivata risulta positiva, mentre la seconda
sarà negativa. I due integrali avranno quindi lo stesso valore, ma con segno
opposto:
∫ L ∫ xi+1 ∫ xi ( )
1 1 1h 1h
Bij = β φ′j φi dx =β φi dx − β φi dx = β − =0
0 xi h xi−1 h h2 h2

Riassumendo questi concetti, la matrice B risulta essere pari a:

 
−1 1 0 ... 0
 .. 
−1 0 1 . 
 
 ... 

β  0 −1 0 
B=   det(B) = 0
2 .. .. 
. . 
 
 .. 
 . 0 1
0 ... −1 −1

Da ultimo, si analizza la matrice M, detta anche matrice di massa. Anche in

questo caso, si analizzano tre diversi casi:

• Se |i − j| > 1 allora almeno una delle due funzioni risulta esser nulla, quindi:

φj (x)φi (x) = 0 =⇒ Mij = 0

238
 • Se j − i = ±1 allora una funzione è crescete, mentre l’altra è decrescente.
Ne risulta quindi che:
∫ L
σh
Mij = σ φj (x)φi (x)dx =
0 6

• Se j = i allora entrambe le funzioni saranno uguali:

∫ ∫
L L ( )2 σh
Mij = σ φj φi dx = φj dx =
0 0 3

La matrice M risulta infine essere pari a:

 
2 1 0... 0
 .. 
1 2 1 .
 
 ... 
σh 
0 1 2 

M= det(M) ̸= 0
6 

... ... 

 
 .. 
. 2 1
0 ... 1 2

12.4.2 Coefficienti non costanti

Si supponga che i dati del problema non siano costanti, ma funzioni nella variabile
spaziale. Il problema di diffusione reazione e trasporto stazionario risulta quindi:
 (
− µ(x)u′ (x))′ + β(x)u′ (x) + σ(x)u(x) = f (x)
x ∈ Ω = (0, L)
u(0) = u(L) = 0

Per ipotesi si assuma che:

µ(x) ≥ µ0 > 0 σ(x) ≥ σ0 > 0 ∀x ∈ Ω

Anche in questo caso si può passare alla formulazione debole del problema, la quale
è sintetizzabile come:

u ∈ V = H01 (Ω) a(u, v) = F (v) ∀v ∈ V

239
In cui la forma e il funzionale sono definiti esattamente come nel caso precedente,
fatta eccezione per le funzioni µ(x), β(x) e σ(x), che questa volta non possono
uscire dall’integrale:
∫ L ∫ L ∫ L
′ ′ ′
a(u, v) = µu v dx + βu vdx + σuvdx
0 0 0
∫ L
F (v) = f vdx
0

A questo punto si hanno tutti gli strumenti per passare al metodo di Galërkin-
elementi finiti; la matrice di rigidezza risulta quindi:
∫ ∫ ∫
[ ] L L L
A ij = µ(x)φ′j φ′i dx + β(x)φ′j φi dx + σ(x)φj φi dx
0 0 0

mentre il vettore delle forzanti:

∫ L
fi = f φi dx
0

In questo caso non è possibile calcolare un grande numero di integrali in forma

esatta, per via delle funzioni µ(x), β(x) e σ(x), che non per forza hanno degli
integrali semplici da svolgere. Inoltre, anche ammesso di poter calcolare in maniera
analitica tutti gli integrali, risulta davvero poco conveniente, per via del fatto che
il problema degli elementi finiti acquista una maggior validità al crescere della
discretizzazione dello spazio. Alla luce di tutto ciò, si utilizzano le formule di
quadratura per risolvere gli integrali:

∑
N +1
fi ≃ ᾱq f (ȳq )φi (ȳq )
q=0

Di solito, al fine di ottimizzare i calcoli si fa uso dei nodi di Gauss-Legendre

(Par. 4.1.5 a pagina 76) e si fa in modo che il grado di esattezza sia almeno 2r,
dove r è il grado degli elementi finiti.

240
12.5 Elementi finiti per un problema di diffusio-
ne
Il caso del problema di diffusione è notevolmente più complicato di tutti gli altri
riscontrati finora: infatti questa è la prima volta che si si incontra un problema
alle derivate parziali.
Si consideri dunque il problema differenziale, definito come:


 u (x, t) − µxx (x, t) = f (x) Ω × (0, T )

 t
u(0, t) = u(L, t) = 0 t ∈ (0, T )



u(x, 0) = u (x)
0 x ∈ Ω = (0, L)

Per prima cosa è necessario passare alla formulazione debole del problema, data
da:
u ∈ V = H01 (Ω) a(u, v) = F (v) ∀v ∈ V

In cui la forma e il funzionale risultano essere pari a:

∫ L ∫ L
a(u, v) = ut vdx + µ ux vx dx
0 0
∫ L
F (v) = f vdx
0

Adesso è necessario valutare il problema equivalente di Galëkin-Elementi finiti:

Vh ⊂ V ∩ Xhr (Ω) = H01 (Ω) ∩ Xhr (Ω)

Sia dunque {φj (x)}N

j=1 la base dello spazio ad elementi finiti. Si ha quindi che:
h

∑
Nh
uh (x) = φj (x)uj (t) uh (t) ∈ Vh ∀t > 0
j=1

Questa volta non si hanno dei coefficienti, ma delle vere e proprie funzioni temporali

241
uh (t) come incognite:

uj (t) : (0, T ) −→ R j = 1, 2, . . . , Nh

Inoltre, essendo la base funzione della sola coordinata spaziale l’intera derivata
temporale si scarica sull’incognita:

∂uh ∑Nh

(t) = φj (x)u̇j (t)

∂t j=1

Il problema ad elementi finiti risulta quindi:

∫ L ∫ L ∫ L
∂uh
∀ t > 0 uh ∈ Vh vh dx + µ u′h vh′ dx = f vh dx ∀ vh ∈ Vh
0 ∂t 0 0

Con la costante di Cauchy definita come: uh (0) = u0,h ∈ Ω.

Questa tipologia di problema è detta anche semidiscreta, per via del fatto che,
pur avendo continuità temporale, si ha una discretizzazione spaziale.
Ora si hanno tutti gli strumenti per determinare le incognite. A differenza di
prima, non ci si può più ricondurre a un semplice sistema lineare, ma:
∫ L∑
Nh (∑
Nh ) ∫ L
u̇j (t)φj φi dx + a uj φj , φi = f φi dx ∀i
0 j=1 j=1 0

Sfruttando le proprietà dei vari operatori è possibile riscrivere l’equazione come:

∑
Nh ∫ L ∑
Nh ∫ L
u̇j (t) φj φi dx + uj a(φj , φi ) = f φi dx ∀i
| {z }
j=1 | 0
{z } j=1
[A]ij | {z }
0
[M]ij fi

Quindi il problema è diventato un problema di Cauchy, definito come:


Mu̇(t) + Au(t) = f
u(0) = u
0

Dove il vettore u0 corrisponde alla condizione iniziale discreditata. A questo punto

242
non resta che procedere con la discretizzazione del dominio temporale e procedere
con un metodo risolutivo per sistemi di ODE. Ad esempio, si utilizzano i ϑ-metodi:

1 [ ]
M(uk+1 − uk ) + A ϑuk+1 + (1 − ϑ)uk = ϑf (tk+1 ) − (1 − ϑ)ftk
∆t

tutto questo per k = 0, 1, . . . , Nt − 1. Riscrivendo il stistema di Cauchy, si ottiene:

[ ] [ ] [ ]

 M + ϑA uk+1 = M + (1 − ϑ)A uk + ϑfk+1 − (1 − ϑ)fk
∆t ∆t ∀k

u(0) = u
0

La convergenza in spazio dell’errore è data da:

e ≤ chα(r) + ∆tβ(ϑ)

Quindi se ϑ ∈ [1/2, 1] si ha assoluta stabilità incondizionata, mentre per ϑ ∈ [0, 1/2]

si ha assoluta stabilità solamente se:

∆t < Cϑ h2

12.6 Stima degli errori

Dato un problema in forma debole con soluzione u e un’approssimazione di essa
uh , mediante il metodo degli elementi finiti, si cerca di dare una stima a priori
dell’errore che si commette:
e = u − uh ∈ V

Definizione 12.6.1 (Interpolante polinomiale composito). Un interpolante poli-

nomiale composito di una funzione v ∈ C 0 (Ω̄) è una funzione del tipo:

Πrh v(x) : Ω −→ Xhr (Ω)

Vale a dire una funzione che va da un dominio noto allo spazio degli elementi finiti
che si sta considerando.

243
 Tramite questa formulazione si ha che:

Πrh v(x) ∈ Xhr (Ω) Πrh v(xi ) = v(xi ) ∀ i

Dato che l’interpolante appartiene allo spazio degli elementi finiti è sempre possi-
bile considerarlo come combinazione lineare delle funzioni della base dello spazio,
cioè le lagrangiane:
∑
N +1
Πrh v(x) = v(xj )φj (x)
j=0

Teorema 12.6.1 (Errore dell’interpolante polinomiale composito). Data una fun-

zione v ∈ H r+1 (Ω) e la sua interpolante Πrh v(x) si ha che:

∥v − Πrh v∥L2 ≤ C0,r hr+1 |v|H r+1

∥v − Πrh v∥H 1 ≤ C0,r hr+1 |v|H r+1

Esempio 12.6.1 (Errore problema Poisson-Dirichlet). Si consideri il problema di

Poisson-Dirichlet, definito come:

−µu′′ (x) = f (x)
x ∈ Ω = (0, L)
u(0) = u(L)

Sia dunque u ∈ H01 (Ω) soluzione al problema debole e uh ∈ Vh = V ∩ Xh2 (Ω)

la sua approssimazione mediante il metodo degli elementi finiti di grado r. Se
u ∈ H p+1 (Ω) e il parametro p ≥ r, allora:

M r
∥u − vh ∥V ≤ c h |u|H r+1
α

dove C è una costante indipendente da h e u, mentre M e α sono rispettivamente

le costanti di continuità e coercività della forma.
La dimostrazione di tutto ciò si può ottenere dal lemma di Céa (Teo. 12.1.6);
infatti:
M { }
∥u − vh ∥V ≤ C inf ∥u − uh ∥V
α vh ∈Vh

244
Dato che l’interpolante Πrh u ∈ Vh ⊂ V ∩ Xhr , si può utilizzare proprio questa
funzione per ottenere un confronto:

M
∥u − uh ∥V ≤ ∥u − Πrh u∥V
α

Inoltre, per la disuguaglianza di Poincaré (Teo. 10.1.9 a pagina 197) si ha che:

∥u − uh ∥V ≤ C∥u − uh ∥H 1 ≤ Ch2 ∥u − uh ∥H r+1

Da cui segue infine che:

M r
∥u − vh ∥V ≤ C h |u|H r+1
α

Teorema 12.6.2 (Errori metodi elementi finiti). Se u ∈ H p+1 (Ω) con il parametro
p > 0 si ha che:

∥u − uh ∥V ≤ Chs |u|H s+1 s = min{r, p}

Quindi, se la funzione u risulta essere più regolare di quanto atteso, l’errore

totale può essere ridotto non solo riducendo il passo h, ma anche aumentando il
parametro p. Se poi p ≥ r si ha comunque che l’ordine di convergenza resta p, pur
aumentando r.
Un analogo risultato può essere ottenuto con la stima in norma L2 .

Teorema 12.6.3 (Stima errore in norma L2 ). Se u ∈ H p+1 (Ω) e p > 0:

∥u − uh ∥L2 ≤ Chs+1 |u|H s+1 s = min{r, p}

Infine se p ≥ r:

∥u − uh ∥V ≤ Chr |u|H r+1 ∥u − uh ∥L2 ≤ Chr |u|H r+1

245
 Parte IV

Trasformate integrali

246
Capitolo 13

Trasformata di Fourier

La trasformata di Fourier è uno strumento matematico molto potete in grado di

risolvere facilmente problemi differenziali complessi. In particolare, la trasformata
di Fourier è in grado di scrivere una funzione dipendente dal tempo nel dominio
delle frequenze e di trasformare quindi il problema differenziale in un problema
molto più semplice da risolvere. Per questo motivo questa tecnica è applicata in
molti campi dell’ingegneria e delle discipline scientifiche. c

13.1 Integrale di Fourier

Si consideri una funzione f (x) : R −→ R periodica su un intervallo generico
[−L, L] ⊂ R. Se la funzione è sufficientemente regolare, può essere scritta come
serie di Fourier (cfr. Par. 6.3 a pagina 124):

+∞ [ ( ) ( )]
a0 ∑ nπ nπ
f (x) = + an cos x + bn sin x (13.1)
2 n=1
L L

dove i coefficienti an e bn sono pari a:

∫ L ( ) ∫ L ( )
1 nπ 1 nπ
an = f (x) cos x dx bn = f (x) sin x dx
L −L L L −L L

Per ricavare i coefficienti di Fourier basta moltiplicare da ambo le parti l’equazio-

( )
ne (13.1) per cos mπL
x . Quindi se:

247
 • m=0 ∫ ∫
L L
a0
f (x)dx = dx = La0
−L −L 2

• m>0
∫ L ( ) ∫ L ( ) ( )
mπ nπ mπ
f (x) cos x dx = an cos x cos x dx = Lδn,m a0
−L L −L L L

in cui δn,m è il delta di Kronecker (Def. 3.1.3). L’ultima equazione è stata

ottenuta usufruendo dell’ortogonalità delle funzioni coseno. Da notare che
un risultato analogo può essere raggiunto con i coefficienti bn .

Quindi, una qualsiasi funzione f ∈ L2 (0, L) tale che:

f (x) : [0, L] −→ R

può essere sempre scritta come somma di soli seni o soli coseni. Per farlo bisogna,
prima di calcolare i coefficienti di Fourier, renderla pari, per risistemare la funzione
in modo che sia pari (per serie di coseni) oppure dispari (per la serie di seni).

Definizione 13.1.1 (Funzione regolare a tratti). Una funzione f : [a, b] −→ R è

detta regolare a tratti sull’intervallo [a, b] se:

1. f (x) ∈ C 0 a tratti nell’intervallo;

2. f ′ (x) ∈ C 0 sull’intervallo, tranne che in un numero finito di punti.

Teorema 13.1.1 (Teorema di Dirichlet). Se f : [−L, L] −→ R è regolare a tratti

allora la sua serie di Fourier converge a:

1[ ]
f (x− ) + f (x+ ) x ∈ [−L, L]
2

Definizione 13.1.2 (Spettro in frequenza). Lo spettro discreto in frequenza di

una funzione f (x) è dato dai {cn }+∞
n=0 , con:

√
cn = a2n + b2n

248
e la quantità:
nπ
ωn =
L
è detta frequenza n-esima.

Purtroppo la serie di Fourier è limitata alle sole funzioni periodiche di periodo

finito. L’obiettivo è quindi quello di espandere questo concetto a funzioni generiche
f : R −→ R non periodiche (o periodiche di periodo infinito).
Tutte le serie possono essere estese nel continuo dagli integrali. È quindi
possibile definire l’integrale di Fourier come:
∫ +∞ ∫ +∞
f (x) = a(ω) cos(ω)dω + b(ω) sin(ω)dω
0 0

In questo caso a e b non sono più coefficienti, ma vere e proprie funzioni continue,
che evolvono come:
∫ ∫
1 1
a(ω) = f (x) cos(ωx)dx b(ω) = f (x) sin(ωx)dx
π R π R

Definizione 13.1.3 (Spettro in frequenza continuo). Analogamente a quanto visto

per i coefficienti di Fourier, si definisce lo spettro in frequenza continuo come:
√
c(ω) = a2 (ω) + b2 (ω)

Esempio 13.1.1 (Calcolo spettro continuo). Si consideri la funzione indicatrice

definita come: 
1 x ∈ (−1, 1)
f (x) = χ(−1,1) (x) =
0 x ̸∈ (−1, 1)

Per calcolare a(ω) non si fa altro che applicare la definizione e calcolare l’inte-

249
grale per via analitica:
∫
1
a(ω) = χ(−1,1) (x) cos(ωx)dx
π R
∫
1 1
= cos(ωx)dx
π −1
1
1
= sin(ωx)
πω −1
2
= sin(ω)
πω

Analogamente questo processo può essere utilizzato per il calcolo di b(ω):

∫
1
b(ω) = χ(−1,1) (x) sin(ωx)dx
π R
∫
1 1
= sin(ωx)dx
π −1
1
1
=− cos(ωx) =0
πω −1

Da ultimo, si ha che:

√ 2 sin(ω)
c(ω) = a2 (ω) + b2 (ω) = |a(ω)| =
π ω

In Fig. 13.1 è possibile osservare la funzione in un dominio temporale e il suo

spettro continuo.

Definizione 13.1.4 (Assoluta integrabilità). Una funzione f (x) si dice assoluta-

mente integrabile in R se:
{ ∫ }
f ∈ L (R) =
1
v : R −→ R |v(x)|dx < +∞
R

Teorema 13.1.2 (Convergenza integrale di Fourier). Data una funzione f (x)

regolare a tratti sull’intervallo [−L, L], ∀ L > 0, e f (x) ∈ L1 (R) allora esiste il suo

250
 χ(−1,1) c(ω)

2
π
1

x ω
−1 1

(a) Funzione indicatrice χ(−1,1) . (b) Spettro continuo c(ω) in azzurro, in

viola il ramo di iperbole 2/πω.

Figura 13.1: Funzione indicatrice e relativo spetto continuo.

integrale di Fourier, che converge a:

∫ ∫
+∞ +∞
1[ ]
f (x) = a(ω) cos(ω)dω + b(ω) sin(ω)dω −→ f (x− ) + f (x+ )
0 0 2

Inoltre si ha che:
∫ ∫
1 +∞ ( )
f (x) = f (ξ) cos ω(ξ − x) dξdω ∀x ∈ R
π 0 R

Da quest’ultimo teorema è possibile ricavare la trasformata di Fourier. Prima

di tutto occorre scrivere in maniera più intelligente la funzione coseno; per farlo si
utilizza la relazione di Eulero:

eiωx = cos(ωx) + i sin(ωx)

Da cui è immediato ricavare:

1 [ iωx ]
cos(ωx) = e + e−iωx (13.2)
2

Per cui dal Teo. 13.1.2, si ha che:

[∫ ∫ ]
1[ ] 1 ( )
f (x− ) + f (x+ ) = f (ξ) cos ω(ξ − x) dξdω
2 2π R R

251
Infine, sostituendo la funzione coseno con l’Eq. (13.2), si ottiene:
∫ ∫
1
f (x) = f (ξ)e−iωξ dξ eiωx dω
2π R
|R {z }
Trasformata di Fourier

A questo punto, basta solamente definire la trasformata in modo formale.

Definizione 13.1.5 (Trasformata di Fourier). Data una funzione f : R −→ R con

f (x) ∈ L1 (R), la sua trasformata di Fourier è data da:
∫
[ ]
F f (x) (ω) = fˆ(ω) = f (ξ)e−iωξ dξ
R

Definizione 13.1.6 (Antitrasformata di Fourier). Data una trasformata di Fourier

fˆ(ω), si definisce antitrasformata di Fourier la funzione:
∫
−1
[ ] ˆ 1
F fˆ(ω) (x) = fˆ(x) = fˆ(ω)eiωx dω
2π R

È importante notare che in generale la trasformata di Fourier è una funzione

che va da un dominio reale a uno complesso, cioè: fˆ(ω) : R −→ C. Inoltre, si ha
sempre che:
fˆ(ω) = 2πc(ω)

dove c(ω) è lo spettro continuo (Def. 13.1.3) della funzione f (x).

Esempio 13.1.2 (Calcolare trasformata). Si consideri la funzione f (x) = e−c|x| .

Applicando la Def. 13.1.5, si ha che:
∫ ∫
−iωx
fˆ(ω) = f (x)e dx = e−iωx−c|x| dx
R R

252
 f (x) fˆ(ω)
2
1 c

x ω

(a) Funzione originale. (b) Trasformata di Fourier.

Figura 13.2: Esempio della trasformata di Fourier della funzione f (x) = e−c|x| .

Ora, per risolvere l’integrale occorre sfruttare la sua proprietà di additività:

∫ +∞ ∫ 0
−x(iω+c)
fˆ(ω) = e dx + e−x(iω−c) dx
0 −∞
−x(iω+c) +∞ x(c−iω) 0
e e
=− +
iω + c 0 c − iω −∞
1 1 2c
= + = 2
c + iω c − iω c + ω2

Nella Fig. 13.2 è possibile avere un confronto tra la funzione originale e la sua
trasformata.

13.2 Proprietà trasformata di Fourier

In questo paragrafo verranno esposte le proprietà più importanti della trasformata
di Fourier.

Teorema 13.2.1 (Linearità trasformata di Fourier). La trasformata di Fourier è

un operatore lineare, per cui ∀ f, g ∈ L1 (R) e ∀ α, β ∈ R si ha che:
[ ] [ ] [ ]
F αf (x) + βg(x) (ω) = αF f (x) (ω) + βF g(x) (ω)

253
Teorema 13.2.2 (Proprietà di traslazione). Una traslazione viene trasformata in
una moltiplicazione per una costante opportuna. Infatti ∀ f ∈ L1 (R) e ∀ ξ0 ∈ R:
[ ] [ ]
F f (x − ξ0 ) (ω) = e−iξ0 ω F f (x) (ω)

Teorema 13.2.3 (Proprietà dello shifting in frequenza). Analogamente al proce-

dente teorema, si ha che, ∀ f ∈ L1 (R) e ∀ ω0 ∈ R:
[ ]
F eiω0 x f (x) (ω) = fˆ(ω − ω0 )
[ ]
F −1 fˆ(ω − ω0 ) (x) = eiω0 x f (x)

Teorema 13.2.4 (Proprietà dello scaling). Questa proprietà, completamente di-

versa dalla linearità fa si che dilatazioni e compressioni hanno un effetto specifico
sulla trasformata di Fourier, cioè ∀ α ∈ R:
( )
[ ] 1 ˆ ω
F f (αx) (ω) = f
|α| α
[ ( )]
ω
F −1 fˆ (x) = |α|f (αx)
α

Teorema 13.2.5 (Proprietà dell’inversione temporale). Invertendo la variabile x,

si ottiene:
[ ]
F f (−x) (ω) = fˆ(−ω)

Definizione 13.2.1 (Prodotto di convoluzione). Assegnate due funzioni reali

generiche f, g : R −→ R, il loro prodotto di convoluzione e dato da:
∫
(f ∗ g)(x) = f (x − ξ)g(ξ)dξ
R

ed è commutativo:
(f ∗ g)(x) = (g ∗ f )(x)

l’operazione di convoluzione si usa spesso nell’analisi dei segnali: la funzione g

indica il segnale misurato, mentre la funzione f la riposta dello strumento; il loro
prodotto di convoluzione è l’output dello strumento.

254
Tabella 13.1: Trasformate di Fourier delle funzioni più comuni (a, α ∈ R, β ∈ R+ )

[ ]
f (x) F f (x) (ω)

2β
e−β|x|
β 2 + ω2
1 π a|ω|
e
x2 + a2 a
sin(aω)
kχ(−a,a) (x) 2k
ω

δ0 (x) 1

1 2πδ0 (ω)

sin(αx)
πχ(−α,α) (ω)
x
√
−αx2 π ω2
e e 4α
α

255
Teorema 13.2.6 (Teorema di convoluzione). Date due funzioni f, g integrabili su
un intervallo [−L, L], in cui L < +∞, e tali per cui ∃ (f ∗ g)(x) si ha che:
[ ] [ ] [ ]
F (f ∗ g)(x) (ω) = F f (x) (ω)F g(x) (ω) = fˆ(ω)ĝ(ω)
[ ]
F −1 fˆ(ω)ĝ(ω) (x) = (f ∗ g)(x)

Teorema 13.2.7 (Trasformata della derivata). Dato n > 0 e una funzione reale
tale che f (n−1) ∈ C 0 (R), f (n−1) ∈ L1 (R) e f (n) continua a tratti su R e:

lim f (k) (x) = 0 ∀ k = 0, 1, . . . , n − 1

x→+∞

allora si ha che:
[ ]
F f (n) (x) (ω) = (iω)n fˆ(ω)

In caso di funzioni a più variabili si trasforma la funzione su una sola variabile:

quella spaziale. Per cui si ha che:
[ ]
∂u
F (x, t) (ω) = iωû(ω, t)
∂x
[ ]
∂u ∂
F (x, t) (ω) = û(ω, t)
∂t ∂t

Infine si ha che:
[ ] d
F xf (x) (ω) = i fˆ(ω)
dω
Nell’ambiente MATLAB® è disponibile una funzione che permette di calcolare
la trasformata di Fourier in maniera simbolica:

F = fourier(f, t, w)

in cui f è la funzione simbolica, F la sua trasformata, t la variabile della funzione

rispetto cui si intente trasformare e infine w la variabile in cui verrà scritta la
funzione trasformata. È anche disponibile la funzione per antitrasformare una
funzione:

f = ifourier(F, w, t)

in cui gli argomenti sono gli stessi rispetto ai precedenti.

256
13.3 Problemi differenziali
Spesso è possibile, e sopratutto conveniente, trasformare con Fourier un problema
alle derivate parziali per trovare un metodo di risoluzione più semplice ed efficace.
Una volta trovata la soluzione è possibile tornare indietro tramite l’antitrasformata.
Purtroppo questo metodo risolutivo permette di trovare come soluzioni, le sole
funzioni trasformabili con Fourier.

13.3.1 Equazione di Laplace nel semipiano

Si supponga per ipotesi che la soluzione u(x, y) sul semipiano Ω = R × (0, +∞)
sia limitata per x → ±∞ e che la funzione f ∈ L1 (R), cioè:

|x|→+∞
u, ux −−−−−→ +∞

Il problema differenziale si configura nella forma:


−∇2 u(x, y) = 0
x ∈ Ω = R × (0, +∞)
u(x, 0) = f (x)

A questo punto occorre trasformare il problema di Laplace nella variabile x, cioè

quella in cui sono non applicate le condizioni al contorno:
∫
[ ]
û(ω, y) = F u(x, y) (ω, y) = u(x, y)e−iωx dx
R

Naturalmente anche il Laplaciano deve essere trasformato:

[ ] [ ] ∂2
F ∇2 u(x, y) (ω, y) = F uxx (x, y) + uyy (x, y) (ω, y) = −ω 2 û(ω, y) + 2 û(ω, y)
∂y

Le condizioni al contorno diventano invece:

∫
û(ω, 0) = u(x, 0)e−iωx dx = fˆ(ω)
R

257
Mettendo tutto insieme si ottiene il problema trasformato:

û (ω, y) − ω 2 û(ω, y) = 0 (ω, y) ∈ R × (0, +∞)
yy
û(ω, 0) = fˆ(ω) ω∈R

Questo è un problema differenziale ordinario nella variabile y, molto più facile da ri-
solvere rispetto a prima. Il problema è, almeno a prima vista, non è completamente
definito: manca infatti una condizione al contorno.
In ogni caso si può trovare la soluzione generale, cioè un’espressione del tipo:

û(ω, y) = a(ω)eωy + b(ω)e−ωy

Tuttavia per rispettare l’ipotesi si deve fare in modo che la soluzione u(x, y)
sia limitata, quando y → +∞. In particolare si ha che:

• Se ω < 0, û(ω, y) non è limitata se a(ω) ̸= 0;

• Se ω > 0, û(ω, y) non è limitata se b(ω) ̸= 0

È complicato: sistemando un termine l’altro crea automaticamente problemi.

Per semplicità quindi si cerca una soluzione del tipo:

û(ω, y) = k(ω)e−|ω|y

tal modo basta che il termine k(ω) sia limitato; si pongono quindi le condizioni al
contorno:
û(ω, 0) = k(ω) = fˆ(ω)

Da cui segue che la soluzione è:

û(ω, y) = fˆ(ω)e−|ω|y

A questo punto si ha la soluzione sul dominio delle frequenze, quindi si deve so-
lo antitrasformare quanto ottenuto per concludere il problema. Si consideri la
soluzione hatu(ω, y) come prodotto di due funzioni trasformate:

û(ω, y) = fˆ(ω)ĝ(ω, y)

258
In cui la funzione:
ĝ(ω, y) = e−|ω|y

Fortunatamente, se si considera y costante e una trasformata notevole:

√
−1
[ ] 2 y
g(x, y) = F ĝ(ω, y) (x, y) =
π (x + y 2 )
2

Sfruttando in ultima istanza il Teo. 13.2.6 si ha che:

∫
−1
[ ]
u(x, y) = F fˆ(ω)ĝ(ω, y) (x, y) = (f ∗ g)(x, y) = f (x − s)g(s)ds
R

Da cui segue che: √ ∫

2 f (x − s)
u(x, y) = y ds
π R s2 + y 2
Esempio 13.3.1 (Delta di Dirac). Inserendo come condizione al contorno la
funzione f (x) = δ0 (x) si ottiene:
√ ∫ √
2 δ0 (x − s) 2 y
u(x, y) = y ds =
π R s2 + y 2 π x2 + y 2

13.3.2 Problema di diffusione

Si consideri il seguente problema di diffusione:

u − µu = 0 (x, t) ∈ R × (0, +∞)
t xx
u(x, 0) = ϕ(x) x ∈ R

Tale problema è monodimensionale per quanto riguarda la coordinata spaziale e

quindi è definito su un semipiano spazio-temperale:

Ω = R × (0, +∞)

Per risolvere questo problema occorre utilizzare il metodo di separazione delle

veriabili:
u(x, t) = X(x)T (t)

259
Da cui derivano i seguenti due problemi:

X ′′ (x) + λX(x) = T ′ (t) + µλT (t) = 0 λ∈R

Applicando il procedimento analizzato nei capitoli precedenti si ha che la soluzione

è esprimibile attraverso:
[ ]
uω (x, t) = a(ω) cos(ωt) + b(ω) sin(ωt) e−µω t
2

Dato che il dominio spaziale è infinito si hanno per forza pulsazioni ω continue
e non discrete come nei casi analizzati finora. Naturalmente anche la soluzione
u(x, t) sarà una somma continua di uω , cioè l’integrale di Fourier:
∫
u(x, t) = uω (x, t)dω
∫ R
1
a(ω) = ϕ(x) cos(ωx)dx
π R
∫
1
b(ω) = ϕ(x) sin(ωx)dx
π R

Tale metodo funziona, ma non è il massimo: meglio usare la trasformata di Fourier.

Per prima cosa si trasforma la funzione:
[ ]
û(ω, t) = F u(x, t) (ω, t)

L’equazione invece: [ ] [ 2 ]
∂u ∂ u
F (ω, t) = µF (ω, t)
∂t ∂x2
A questo punto il dominio è cambiato: (ω, t) ∈ R × R+ . Il problema differenziale,
dopo la trasformazione è diventato un un problema ODE:

ût (ω, t) = −µω 2 û(ω, t)

Tale equazione differenziale ammette come soluzione:

û(ω, t) = c(ω)e−µω
2t

260
A questo punto si applicano le condizioni iniziali:

û(ω, 0) = ϕ̂(ω) = c(ω) ω∈R

Da cui segue che:

û(x, t) = ϕ̂(ω)e−µω
2t

Quindi non resta che tornare nel dominio originale: per farlo si considera la
trasformata della soluzione û(x, t) come prodotto di due trasformate:

ĝ(ω, t) = e−µω
2t
û(x, t) = ϕ̂(ω)ĝ(ω, t)

Si consideri dunque la funzione ĝ: è una trasformata notevole. Per cui si ottiene:

[ 2 ] 1 x2
g(x, t) = F −1 e−µω t (x, t) = √ e− 4µt
4πµt

Questo risultato ha una particolare importanza, tanto che la funzione g(x, t) è

spesso chiamata anche soluzione fondamentale dell’equazione di diffusione:

1 x2
Γµ (x, t) = √ e− 4µt
4πµt

L’ultimissimo passaggio consiste nello sfruttare il prodotto di convoluzione, per

trovare la soluzione:
∫
u(x, t) = (ϕ ∗ Γµ )(x, t) = ϕ(x)Γµ (x − s, t)ds
R

Esempio 13.3.2 (Delta di Dirac). Sia ϕ(x) = δ0 (x). Allora la soluzione è pari a:
∫
1 (x−s)2
u(x, t) = (ϕ ∗ Γµ )(x, t) = √ δ0 (s)e− 4πµt ds = Γµ (x, t)
4πµt R

Inoltre è importante notare che:

lim Γµ (x, t) = δ0 (x)

t→0

261
Capitolo 14

Trasformata di Laplace

La trasformata di Laplace è una sorta di generalizzazione della trasformata di

Fourier; anche in questo caso è di tipo integrale e serve principalmente per la
risoluzione di problemi ODE (quindi particolarmente utile per sistemi dinamici e
gestione di segnali).
Definizione 14.0.1 (Trasformata unilaterale di Laplace). La trasformata unila-
terale di Laplace è definita come:
∫
[ ] +∞
F (s) = L f (t) (s) = f (t)e−st dt
0

Dalla definizione emergono importanti riflessioni:

1. La trasformata di Laplace è detta unilaterale perché è definita su un inter-
vallo che va da zero a +∞, quindi solo la parte destra di un normale piano
cartesiano.

2. La trasformata di Fourier (Cap. 13) è un caso particolare della trasformata

di Laplace, cioè quando:
s = iω

3. La trasformata F (s) è definita per valori di s tali per cui è definito l’integrale.

4. È importante notare che la variabile s è sempre complessa:

s = σ + iω s∈C

262
Definizione 14.0.2 (Trasformata di Laplace inversa). Data una trasformata F (s),
la sua inversa è:
∫
−1
[ ] 1 γ+iT
f (t) = L F (s) (t) = lim F (s)est ds
2πi T →+∞ γ−iT

Importantissimo notare che l’integrale della trasformata inversa è un integrale

complesso, quindi deve essere risolto in maniera non convenzionale. Negli esercizi
mai usare tale formula, ma sfruttare sempre le trasformate notevoli.

14.1 Proprietà trasformata di Laplace

Prima di enunciare le proprietà della trasformata di Laplace è bene chiedersi
quando e se esiste.

Teorema 14.1.1 (Esistenza trasformata di Laplace). Sia f (t) una funzione a

variabile reale, tale che f (t) : [a, b] −→ R sia continua a tratti su tutto l’intervallo,
tranne in un numero finito di punti, dove ammette discontinuità a di prima specie
(salto). Se inoltre:

• f (t) è continua a tratti in [0, A] ∀ A > 0;

• ∃ M, α > 0 |f (t)| ≤ M eαt ∀ t ∈ [0, T ] ∀ T > 0

allora esiste la trasformata di Laplace della funzione f (t):

[ ]
F (s) = L f (t) (s) ∀s > α

Esempio 14.1.1 (Trasformata di una costante). Si consideri la funzione reale

f (t) = 1. Prima di tutto bisogna verificare che tutte le condizioni del Teo. 14.1.1
siano rispettate. In questo caso non ci sono particolari problemi, visto che f (t) ∈
C ∞ (R) e che |f (t)| ≤ 1 · e0t , da cui si ricava che M = 1 e α = 0. Quindi, si può
procedere con il calcolo della trasformata:
∫ +∞ ∫ +∞ +∞
−st 1 1 1
F (s) = 1e dt = − −se−st dt = − =
0 s 0 s 0 s

263
 f (t) F (s)

t s

(a) Funzione originale. (b) Trasformata di Laplace.

Figura 14.1: Esempio della trasformata di Laplace della funzione f (x) = 1.

f (t) F (s)

a
t s
a

(a) Funzione originale. (b) Trasformata di Laplace.

Figura 14.2: Esempio della trasformata di Laplace della funzione f (x) = eat .

In Fig. 14.1 è possibile avere un confronto tra la funzione originale e la sua

trasformata.

Esempio 14.1.2 (Trasformata dell’esponenziale). Si consideri la funzione reale

f (t) = eat . Ancora la funzione reale f (t) ∈ C ∞ (R). Tuttavia questa volta si è
costretti a imporre una condizione ulteriore: M = 1 e α = a. La trasformata di
Laplace risulta dunque:
∫ +∞ ∫ +∞
at −st 1
F (s) = e e dt = e(a−s)t dt = con s > a
0 0 s−a

264
In Fig. 14.2 è possibile avere un confronto tra la funzione originale e la sua
trasformata.

Esempio 14.1.3 (Funzione che non ammette trasformata). Si consideri la funzio-

2
ne f (t) = ex . A prima vista sembra essere molto facile da trasformare, ma pur
essendo f ∈ C ∞ (R) si ha che:

∄ α, M |f (t)| ≤ M eαt

Pertanto le ipotesi del Teo. 14.1.1 non sono verificate e quindi non è possibile
trasformare la funzione.

Teorema 14.1.2 (Proprietà della linearità). Date due funzioni f, g tali che am-
mettano la trasformata di Laplace, ∀ a, b ∈ R:
[ ] [ ] [ ]
L af (t) + bg(t) (s) = aL f (t) (s) + bL g(t) (s)
[ ] [ ] [ ]
L −1 aF (s) + bG(s) (t) = aL −1 F (s) (t) + bL −1 G(s) (t)

Teorema 14.1.3 (Estremi della trasformata). Data una funzione f (t), che am-
metta la trasformata di Laplace F (s) si ha che:

lim f (t) = lim sF (s)

t→0+ s→+∞

lim f (t) = lim+ sF (s)

t→+∞ s→0

Teorema 14.1.4 (Limitatezza della trasformata). Data una funzione f (t), che
ammette la trasformata di Laplace F (s) e se |f (t)| ≤ M eαt allora:

M
|F (s)| ≤ s>a
s−a

Dimostrazione 14.1.1 (Limitatezza della trasformata).

∫ +∞
F (s) = f (t)e−st dt
∫ +∞ 0
∫ +∞
−st M
|F (s)| < |f (t)|e dt ≤ M e(a−s)t dt =
0 0 s−a

265
Tabella 14.1: Trasformate di Laplace delle funzioni più comuni (a, b, α ∈ R)

[ ]
f (t) L f (t) (s)

1
1
s
1
eat
s−a
n!
tn
sn+1
n!
tn eat
(s − a)n+1
a−b
eat − ebt
(s − a)(s − b)
α
sin(αt)
α2 + s2
s
cos(αt)
α2 + s2
α
sinh(αt)
s2 − α2
s
cosh(αt)
s2 − α2

δ0 (t − a) e−as

e−as
H(t − a)
s
∫ t
1 [ ]
f (τ )dτ L f (t) (s)
0 s
∫ +∞
1
f (t) F (σ)dσ
t s

dn [ ]
tn f (t) (−1)n F (s)
dsn

266
Teorema 14.1.5 (Primo teorema di Shift). Data una funzione f (t), che ammette
la trasformata di Laplace F (s), si ha che:
[ ]
L eat f (t) (s) = F (s − a)
[ ]
L −1 F (s − a) (t) = eat f (t)

Teorema 14.1.6 (Secondo teorema di Shift). Data una funzione f (t), che am-
mette la trasformata di Laplace F (s), si ha che:
[ ]
L H(t − a)f (t − a) (s) = e−as F (s)
[ ]
L −1 e−as F (s) (t) = H(t − a)f (t − a)

Definizione 14.1.1 (Convoluzione finita). Date due funzioni f, g, la loro convo-

luzione finita è data da:
∫ t
(f ∗ g)(t) = f (t − u)g(u)du
0

Teorema 14.1.7 (Teorema di convoluzione). Date due funzioni f, g e le loro

trasformate di Laplace F (s) e G(s):
[ ]
L f (t)g(t) (s) = F (s)G(s)
[ ]
L −1 F (s)G(s) (t) = (f ∗ g)(t)

All’interno dell’ambiente MATLAB® è disponibile una funzione per il calcolo

della trasformata di Laplace di una funzione simbolica:

F = laplace(f, t, s)

Dove f è la funzione originale, F la sua trasformata, t la variabile rispetto a cui si

esegue la trasformazione e infine s la variabile in cui verrà scritta la trasformata.
Analogamente è disponibile anche la funzione:

f = ilaplace(F, s, t)

che permette di calcolare la funzione antitrasformata.

267
14.2 Trasformata di Laplace per ODE
Prima di applicare la trasformata di Laplace per risolvere dei problemi differenziali
ordinari e bene chiedersi come si comporta l’operatore quando si trasforma una
funzione derivata.

Teorema 14.2.1 (Trasformata della derivata). Sia y(t) ∈ C 0 (0, +∞) e y ′ (t)
continua a tratti su (0, k) ∀ k > 0; se:

lim y(t)e−sk = 0
k→+∞

allora:
[ ] [ ]
L y ′ (t) (s) = sL y(t) (s) − y(0) = sY (s) − y(0)

Ovviamente tale ragionamento può essere esteso alla derivata seconda:

[ ]
L y ′′ (t) (s) = s2 Y (s) − sy(0) − y ′ (0)

Dimostrazione 14.2.1 (Trasformata della derivata). Si consideri la definizione

della trasformata di Laplace (Def. 14.0.1) applicata sulla derivata della funzione
y ′ (t):
∫
[ ′
] +∞
L y (t) (s) = y ′ (t)e−st dt
0
∫
d [ −st ]
+∞ +∞
PP −st
= y(t)e − e y(t)
dt
0 dt
0
∫ +∞
−kt
= lim y(k)e − y(0) + s y(t)e−st dt
k→+∞ 0
[ ]
= −y(0) + sL y(t) (s)

Funzione di trasferimento di un sistema dinamico

Se si ha un sistema dinamico in origine in quiete e successivamente perturbato

da una forzante si osserva che la risposta dipende da una funzione intrinseca al
sistema.

268
 y ′ (t) = dy
dt
(t) ?
f (t) Sistema y(x)

L L −1
Yd = sY T (s)
F (s) Sistema Laplace Y (s) = T (s)F (s)

Figura 14.3: Schema concettuale della procedura per la risoluzione di ODE tramite l’u-
so della trasformata di Laplace. Da notare come l’operazione di derivazione si trasformi
in semplice problema algebrico.

Tale funzione T (s) è anche detta funzione di trasferimento e permette di

collegare le cause (di solito forze) agli effetti provocati (ad esempio gli spostamenti):
[ ] ( [ ] )
y(t) = L −1 T (s)F (s) (t) = L −1 T (s) ∗ f (t)

Come si può facilmente intuire dalla formula, la risposta del sistema y(t) a un
forzamento imposto f (t) sarà data dalla convoluzione dell’antitrasformata della
funzione di trasferimento con la funzione f (t).
Cosa ben più importante, l’effetto del sistema dinamico all’interno del dominio
di Laplace, è equivalente a una semplice moltiplicazione.
La funzione di trasferimento può sempre essere riscritta come:
∏
N (s) (s − zi )
T (s) = ρ = ∏i
D(s) j (s − pi )

dove {zi } sono detti zeri della funzione e i {pi } sono chiamati poli. A seconda dei
valori degli zeri e dei poli è possibile ricavare la stabilità di un sistema dinamico;
infatti se:
ℜ{pj } < 0 ∀j

allora il sistema dinamico risulta assolutamente stabile.

Al fine di risolvere problemi di Cauchy complessi con pochi e semplici passaggi
si fa uso della trasformata di Laplace. In particolare, si trasforma l’intero sistema
nel dominio di Laplace, si eseguono i calcoli e infine si cerca di ritornare alla
soluzione nel dominio temporale: in Fig. 14.3 è possibile vedere lo schema risolutivo

269
riassunto.

Esempio 14.2.1 (Risoluzione di un problema di Cauchy). Si consideri il seguente

problema di Cauchy: 
y ′′ (t) + 2y ′ (t) − 4y(t) = 1
y(0) = y ′ (0) = 1

Pezzo a pezzo si trasformano tutti i componenti dell’equazione differenziale:

[ ]
L y ′′ (t) (s) = s2 Y (s) − y ′ (0) − sy(0) = s2 Y (s) − s − 1
[ ]
L 2y ′ (t) (s) = 2sY (s) − 2y(0) = 2sY (s) − 2
[ ]
L − 4y(t) (s) = −4Y (s)
[ ] 1
L 1 (s) =
s

Rimettendo insieme i pezzi, si ha che:

1
s2 Y (s) + 2sY (s) − 4Y (s) = + 3s + 1
s

Ricavando Y (s) si ottiene:

1 3s + 1
Y (s) = + 2
s(s2 + 2s − 4) s + 2s − 4

A questo punto e sufficiente antitrasformare. Sfruttando le trasformate notevoli e

svolgendo i calcoli si ha che:
( √ √ )
13 −t √ 7 5 sinh( 5t) 1
y(t) = e cosh( 5t) − −
4 65 4

270
 Appendice A

Codici di MATLAB®

In questa appendice sono stati implementati i principali algoritmi analizzati nel

testo scritti in codice MATLAB® .

A.1 Risoluzione di sistemi lineari

In questa prima sezione sono implementati gli algoritmi per la risoluzione dei
sistemi lineari.

Codice A.1: Algoritmo della sostituzione in avanti per le matrici triangoli inferiori.
1 function [y] = fwsub(L, b)
2
3 % y vettore soluzione del sistema
4 % L matrice triangolare inferiore
5 % b vettore termini noti
6
7 [m , n] = size(L);
8
9 % Verifiche sui dati
10
11 flag = 0;
12 for ii = 1:n
13 for jj = (ii + 1):n

271
14 if L(ii, jj) ~= 0
15 flag = 1;
16 end
17 end
18 end
19
20 assert(prod(diag(L)) ~= 0, 'Matrice singolare')
21 assert(m == n, 'Matrice non quadrata')
22 assert(n == length(b), 'Dimensioni matrice e vettore non consistenti
')
23 assert(flag == 0, 'Matrice non triangolare inferiore')
24
25 % Algoritmo
26
27 y = zeros(n, 1);
28 y(1) = b(1)/L(1, 1);
29
30 for ii = 2:n
31 y(ii) = (b(ii) − L(ii, 1:(n − 1))*y(1:(n − 1))) / L(ii, ii);
32 end
33
34 end

Codice A.2: Algoritmo della sostituzione all’indietro per le matrici triangoli superiori.
1 function [x] = bwsub(U, y)
2
3 % x vettore soluzione del sistema
4 % U matrice triangolare superiore
5 % b vettore termini noti
6
7 [m , n] = size(U);
8
9 % Verifiche sui dati

272
10
11 flag = 0;
12 for ii = 1:n
13 for jj = 1:(ii − 1)
14 if U(ii, jj) ~= 0
15 flag = 1;
16 end
17 end
18 end
19
20 assert(prod(diag(U)) ~= 0, 'Matrice singolare')
21 assert(m == n, 'Matrice non quadrata')
22 assert(n == length(y), 'Dimensioni matrice e vettore non consistenti
')
23 assert(flag == 0, 'Matrice non triangolare superiore')
24
25 % Algoritmo
26
27 x = zeros(n, 1);
28 x(n) = y(n)/U(n, n);
29
30 for ii = (n − 1):−1:1
31 x(ii) = (y(ii) − U(ii, (ii + 1):n)*x((ii + 1):n)) / U(ii, ii);
32 end
33
34 end

Codice A.3: Metodo del gradiente.

1 function [x, niter, res, incr] = gradiente (A, b, x0, maxiter, toll)
2
3 % A matrice del sistema
4 % b vettore dei termini noti
5 % maxiter numero massimo di iterazioni

273
 6 % toll tollerenza sulla soluzione
7 % x soluzione del sistema
8 % niter numero delle iterazioni eseguite
9 % res residuo normalizzato
10 % incr incrementi relativi
11
12 [n, m] = size(A);
13
14 % Controllo sui dati iniziali
15
16 assert(m == n, 'Matrice non quadrata')
17 assert(all(all(A == A.')), 'Matrice non simmetrica')
18 assert(all(eig(A) > 0), 'Matrice non definta positiva')
19
20 assert(n == length(b), 'Dimensioni vettore termini noti non valido')
21 assert(n == length(x0), 'Dimensioni prima iterata non valide')
22
23 % Algoritmo
24
25 x = x0;
26 res = zeros(maxiter, 1);
27 incr = zeros(maxiter, 1);
28
29 r = b − A*x;
30
31 for ii = 1:maxiter
32 alpha = (r.'*r)/(r.'*A*r);
33 incr(ii) = norm(alpha*r)/norm(x);
34 x = x + alpha*r;
35 r = b − A*x;
36 res(ii) = norm(r)/norm(b);
37 if res(ii) < toll
38 niter = ii;

274
39 return
40 end
41 end
42
43 warning('Raggiunto numero massimo iterazioni')
44 niter = maxiter;
45
46 end

Codice A.4: Metodo del gradiente coniugato.

1 function [x, niter, res, incr] = gradientecon(A, b, x0, maxiter,
toll)
2
3 % A matrice del sistema
4 % b vettore dei termini noti
5 % maxiter numero massimo di iterazioni
6 % toll tollerenza sulla soluzione
7 % x soluzione del sistema
8 % niter numero delle iterazioni eseguite
9 % res residuo normalizzato
10 % incr incrementi relativi
11
12 [n, m] = size(A);
13
14 % Controllo sui dati iniziali
15
16 assert(m == n, 'Matrice non quadrata')
17 assert(all(all(A == A.')), 'Matrice non simmetrica')
18 assert(all(eig(A) > 0), 'Matrice non definta positiva')
19
20 assert(n == length(b), 'Dimensioni vettore termini noti non valido')
21 assert(n == length(x0), 'Dimensioni prima iterata non valide')
22

275
23 % Algoritmo
24
25 x = x0;
26 res = zeros(maxiter, 1);
27 incr = zeros(maxiter, 1);
28
29 r = b − A*x;
30 p = r;
31
32 for ii = 1:maxiter
33 alpha = (p.'*r)/(p.'*A*p);
34 incr(ii) = norm(alpha*p)/norm(x);
35 x = x + alpha*p;
36 r = b − A*x;
37 res(ii) = norm(r)/norm(b);
38 beta = (p.'*A*r)/(p.'*A*p);
39 p = r − beta*p;
40 if res(ii) < toll
41 niter = ii;
42 return
43 end
44 end
45
46 warning('Raggiunto numero massimo iterazioni')
47 niter = maxiter;
48
49 end

A.2 Equazioni non lineari

In questa sezione sono implementati gli algoritmi per la risoluzione dei equazioni
e sistemi non lineari.

276
 Codice A.5: Metodo di newton semplice.
1 function [xvect, it] = newton(x0, nmax, toll, fun, dfun)
2
3 % x0 punto iniziale
4 % nmax numero massimo di iterazioni
5 % toll tollerenza
6 % fun funzione da azzerare
7 % dfun derivata funzione
8 % xvect vettore contentente tutte le iterate
9 % it numero di iterazioni eseguite
10
11 xvect = zeros(nmax, 1);
12 xvect(1) = x0 − fun(x0)/dfun(x0);
13
14 for it = 2:nmax
15 xvect(it) = xvect(it − 1) − fun(xvect(it − 1))/dfun(xvect(it −
1));
16 if abs(xvect(it) − xvect(it − 1)) < toll
17 return
18 end
19 end
20
21 warning('Raggiunto numero massimo di iterazioni')
22
23 end

Codice A.6: Metodo di newton modificato.

1 function [xvect, it] = newtonmod(x0, nmax, toll, fun, dfun, mol)
2
3 % x0 punto iniziale
4 % nmax numero massimo di iterazioni
5 % toll tollerenza
6 % fun funzione da azzerare

277
 7 % dfun derivata funzione
8 % mol molteplictà zeri
9 % xvect vettore contentente tutte le iterate
10 % it numero di iterazioni eseguite
11
12 xvect = zeros(nmax, 1);
13 xvect(1) = x0 − mol*fun(x0)/dfun(x0);
14
15 for it = 2:nmax
16 xvect(it) = xvect(it − 1) − mol*fun(xvect(it − 1))/dfun(xvect(it
− 1));
17 if abs(xvect(it) − xvect(it − 1)) < toll
18 return
19 end
20 end
21
22 warning('Raggiunto numero massimo di iterazioni')
23
24 end

Codice A.7: Metodo di newton per sistemi di equazioni non lineari.

1 function [x, R, niter] = newtonsys(F, JF, x0, tol, nmax)
2
3 % F funione vettoriale
4 % JF jacobiana di F
5 % x0 iterata iniziale
6 % tol tolleranza
7 % nmax numero di iterazioni massimo
8 % x soluzione
9 % R residuo finale
10 % niter numero di iterazioni
11
12 x = x0;

278
13
14 for niter = 1:nmax
15 delta = − JF(x)\F(x);
16 x = x + delta;
17 if norm(delta) < tol
18 R = delta;
19 return
20 end
21 end
22
23 warning('Raggiunto numero di iterazioni massimo')
24 R = delta;
25
26 end

A.3 Integrazione numerica

In questa sezione sono implementati gli algoritmi per il calcolo numerico degli
integrali definiti.

Codice A.8: Formula del punto medio composita.

1 function I = pmedcomp(a, b, N, fun)
2
3 % a, b estremi di integrazione
4 % N numero di sottointervalli
5 % fun funione integranda
6 % I integrale definito
7
8 x = linspace(a, b, N + 1);
9 h = (b−a)/N;
10 x_med = zeros(N, 1);
11
12 for ii = 1:N

279
13 x_med(ii) = mean([x(ii), x(ii + 1)]);
14 end
15
16 I = h*sum(fun(x_med));
17
18 end

Codice A.9: Formula dei trapezi composita.

1 function I = trapcomp(a,b,N,fun)
2
3 % a, b estremi di integrazione
4 % N numero di sottointervalli
5 % fun funione integranda
6 % I integrale definito
7
8 x = linspace(a, b, N + 1);
9 h = (b − a)/N;
10
11 I = h*((fun(x(1)) + fun(x(end)))/2 + sum(fun(x(2:(end − 1)))))/6;
12
13 end

Codice A.10: Formula di Cavalieri-Simpson composita.

1 function I = simpcomp(a, b, N, fun)
2
3 % a, b estremi di integrazione
4 % N numero di sottointervalli
5 % fun funione integranda
6 % I integrale definito
7
8 x = linspace(a, b, N + 1);
9 h = (b − a)/N;
10 somma = 0;

280
11
12 for ii = 1:N
13 somma = somma + fun(x(ii)) + fun(x(ii + 1)) + 4*fun(mean([x(ii),
x(ii + 1)]));
14 end
15
16 I = somma*h/6;
17
18 end

A.4 Risoluzione numerica di ODE

In questa sezione sono implementati gli algoritmi per il calcolo numerico delle
equazioni differenziali ordinarie.

Codice A.11: Metodo di Eulero avanti.

1 function [t, u] = eulero_avanti(f, a, b, h, y_0)
2
3 % f handle function del tipo f = @(y, t)
4 % a istante iniziale
5 % b istante finale
6 % h passo
7 % y_0 condizione iniziale
8
9 t = (a:h:b).'; % Nodi temporali
10 u = zeros(size(t)); % Azzeramento vettore soluzione
11
12 u(1) = y_0;
13
14 for n = 1:(length(t) − 1)
15 u(n + 1) = u(n) + h*f(u(n), t(n));
16 end
17

281
18 end

Codice A.12: Metodo di Eulero indietro.

1 function [t, u] = eulero_indietro(f, a, b, h, y_0)
2
3 % f handle function del tipo f = @(y, t)
4 % a istante iniziale
5 % b istante finale
6 % h passo
7 % y_0 condizione iniziale
8
9 t = (a:h:b).'; % Nodi temporali
10 u = zeros(size(t)); % Azzeramento vettore soluzione
11
12 u(1) = y_0;
13
14 for n = 1:(length(t) − 1)
15 fun = @(w) − w + u(n) + h.*f(w, t(n + 1));
16 u(n + 1) = fsolve(fun, u(n));
17 clc
18 end
19
20 end

Codice A.13: Metodo di Crank Nicolson.

1 function [t, u] = crank_nicolson(f, a, b, h, y_0)
2
3 % f handle function del tipo f = @(y, t)
4 % a istante iniziale
5 % b istante finale
6 % h passo
7 % y_0 condizione iniziale
8

282
 9 t = (a:h:b).'; % Nodi temporali
10 u = zeros(size(t)); % Azzeramento vettore soluzione
11
12 u(1) = y_0;
13
14 for n = 1:(length(t) − 1)
15 fun = @(w) − w + u(n) + 0.5*h.*(f(w, t(n + 1)) + f(u(n), t(n)));
16 u(n + 1) = fsolve(fun, u(n));
17 clc
18 end
19
20 end

283