Analiza numerică este ramura matematicii care dezvoltă și implementează algoritmi pentru a obține

soluții numerice aproximative pentru probleme matematice complexe [1, 2].

Componente și Obiective
 Aproximare: Se concentrează pe găsirea unor soluții "suficient de bune" atunci când o soluție
exactă (analitică) este imposibil de calculat [1].
 Erori: Analizează eroarea de rotunjire (cauzată de limitările computerului) și eroarea de trunchiere
(cauzată de metoda utilizată) [2].
 Stabilitate: Verifică dacă algoritmul produce rezultate consistente chiar și în prezența unor mici
variații ale datelor de intrare [2].
Domenii Principale de Aplicare
1. Rezolvarea ecuațiilor neliniare: Metode precum Newton-Raphson sau bisecția.
2. Sisteme de ecuații liniare: Utilizarea metodelor Gauss-Seidel sau eliminarea gaussiană pentru
matrice mari.
3. Interpolare și regresie: Estimarea valorilor necunoscute între puncte de date cunoscute.
4. Integrare și derivare numerică: Calcularea ariei sub o curbă (ex: regula trapezului).
5. Ecuații diferențiale: Modelarea fenomenelor fizice în timp (ex: metoda Runge-Kutta).

REZOLVAREA ECUATIILOR LINIALE

Rezolvarea ecuațiilor neliniare de forma 𝑓(𝑥)=0 reprezintă o problemă fundamentală în analiza
numerică, deoarece majoritatea acestor ecuații nu pot fi rezolvate exact prin metode algebrice
directe. În 2026, utilizarea metodelor iterative rămâne standardul pentru aproximarea soluțiilor,
procesul desfășurându-se în două etape: separarea rădăcinilor (găsirea intervalelor care conțin o
singură soluție) și rafinarea acestora până la o precizie dorită.
Metode Principale de Rezolvare
Metodele numerice sunt clasificate în funcție de modul de abordare și viteza de convergență:

o Principiu: Se bazează pe teorema lui Bolzano; dacă 𝑓(𝑎)⋅𝑓(𝑏)<0 , există cel puțin o
1. Metoda Bisecției (Înjumătățirii intervalului):

rădăcină în intervalul [𝑎,𝑏].

o Avantaj: Este extrem de robustă și garantează întotdeauna convergența dacă
rădăcina este izolată corect.
o Dezavantaj: Convergență lentă (liniară).
2. Metoda Newton-Raphson (Metoda Tangentei):

𝑥𝑛+1=𝑥𝑛−𝑓(𝑥𝑛)𝑓′(𝑥𝑛).
o Principiu: Folosește derivata funcției pentru a găsi intersecția tangentei cu axa Ox:

o Avantaj: Este una dintre cele mai rapide metode, având o convergență pătratică
(numărul de cifre exacte se dublează la fiecare pas).
o Dezavantaj: Necesită calculul derivatei și o aproximare inițială foarte apropiată de
rădăcină pentru a evita divergența.
3. Metoda Secantei:
o Principiu: O variantă a metodei Newton care înlocuiește derivata cu o aproximare
bazată pe două puncte anterioare.
 Avantaj: Nu necesită calculul derivatei analitice.
o
4. Metoda Falsei Poziții (Regula Falsi):
o Principiu: Combină siguranța bisecției cu interpolarea liniară pentru o convergență
adesea mai rapidă decât simpla înjumătățire.

Analiză Comparativă (Date 2026)

Metodă Tip Viteză Convergență Siguranță
Bisecție Bracketing Liniară Foarte Mare
Medie (depinde de

Newton Deschisă Pătratică

𝑥0
x0x sub 0

)
Secantă Deschisă Superliniară Medie
Regula Falsi Bracketing Liniară Mare
În aplicațiile inginerești moderne din 2026, se preferă adesea metodele hibride (cum ar fi metoda
lui Brent), care combină stabilitatea bisecției cu viteza metodei Newton sau a interpolării inverse.

SISTEME DE ECUATII LINIARE

Rezolvarea sistemelor de ecuații liniare de forma 𝐴𝐱=𝐛 este piatra de temelie a analizei numerice,
fiind esențială în domenii precum simulările inginerești, procesarea imaginilor și inteligența

depinzând de dimensiunea și structura matricei 𝐴.

artificială. În 2026, metodele sunt împărțite în două categorii fundamentale, alegerea dintre ele

1. Metode Directe
Acestea furnizează soluția exactă (făcând abstracție de erorile de rotunjire) într-un număr finit de
pași. Sunt ideale pentru sisteme de dimensiuni mici spre medii.

Factorizarea LU: Descompune matricea 𝐴 în produsul a două matrici, 𝐿 (inferior

 Eliminarea Gaussiană: Transformă sistemul într-unul triunghiular prin operații elementare.

triunghiulară) și 𝑈 (superior triunghiulară), facilitând rezolvarea rapidă pentru mai mulți



vectori 𝐛.
 Metoda Cholesky: O variantă mai rapidă a factorizării LU, utilizată exclusiv pentru matrici
simetrice și pozitiv definite.
 Regula lui Cramer: Utilă doar pentru sisteme foarte mici (2x2 sau 3x3), fiind ineficientă
computațional pentru sisteme mari.

2. Metode Iterative
În 2026, pentru matrici "rare" (cu multe elemente zero) sau de dimensiuni gigantice, metodele
iterative sunt standardul deoarece necesită mult mai puțină memorie. Acestea pornesc de la o
aproximație inițială și o rafinează succesiv.

 Metode Clasice (Staționare):

o Jacobi: Actualizează toate componentele soluției simultan.
o Gauss-Seidel: Utilizează valorile deja calculate la pasul curent pentru a accelera
convergența.
 o SOR (Succesive Over-Relaxation): O variantă optimizată a Gauss-Seidel care
utilizează un parametru de relaxare pentru viteză sporită.
 Metode în Subspații Krylov (Moderne):
o Gradient Conjugat (CG): Standardul pentru matrici simetrice pozitiv definite.
o GMRES / BiCGSTAB: Utilizate pentru sisteme nesimetrice complexe.

Tendințe în 2026

 Randomized Linear Algebra (RandNLA): Utilizarea algoritmilor probabilistici pentru a

reduce costurile de calcul în sistemele masive.
 Calcul de Precizie Mixtă: Folosirea preciziei reduse (FP16/BF16) pentru iterații
intermediare pentru a economisi timp, urmată de o rafinare de înaltă precizie (FP64).

INTERPOLARE SI REGRESIE
Interpolarea și regresia sunt două tehnici fundamentale în analiza numerică utilizate pentru a
aproxima funcții pe baza unui set de puncte de date discret, însă scopul lor este diferit în funcție de
precizia datelor disponibile
.
1. Interpolarea
Este utilizată atunci când se presupune că datele colectate sunt exacte. Obiectivul este de a construi
o funcție care să treacă exact prin toate punctele date (noduri de interpolare).

 Interpolarea Polinomială (Lagrange, Newton): Folosește un singur polinom de grad mare

pentru toate punctele. Poate suferi de fenomenul Runge (oscilații mari la margini).
 Interpolarea Spline (Spline Cubice): Împarte domeniul în subintervale și folosește
polinoame de grad mic (de obicei gradul 3) pe fiecare bucată. Rezultatul este o curbă mult
mai netedă și stabilă, fiind standardul în 2026 pentru designul asistat de calculator (CAD) și
grafică.

2. Regresia
Se utilizează atunci când datele sunt afectate de erori sau zgomot (ex: măsurători experimentale).
Funcția de regresie nu trece neapărat prin puncte, ci încearcă să surprindă tendința generală a
datelor.

 Metoda Celor Mai Mici Pătrate: Este cel mai comun algoritm, minimizând suma pătratelor
diferențelor dintre valorile reale și cele prezise de model.
 Regresia Liniară: Aproximarea printr-o dreaptă (𝑦=𝑎𝑥+𝑏). Este utilizată masiv în
previziuni economice și statistice.
 Regresia Neliniară: Modele mai complexe (polinomiale, logistice sau exponențiale) folosite
atunci când relația dintre variabile nu este o simplă dreaptă.

Diferența Cheie (2026)

Caracteristică Interpolare Regresie
Puncte de date Trece exact prin puncte Trece printre puncte (minimizează eroarea)
Sursă date Date precise, teoretice Date experimentale, cu zgomot
Utilizare Reconstituirea unei funcții Identificarea unui model/tendințe
 INTEGRAREA SI DERIVAREA NUMERICA
Integrarea și derivarea numerică sunt esențiale atunci când funcția 𝑓(𝑥) este cunoscută doar prin
puncte discrete sau este prea complexă pentru a fi procesată analitic. În 2026, aceste metode sunt
optimizate pentru procesarea unor volume masive de date în simulări AI și inginerie.
1. Integrarea Numerică (Cuadraturi)

Obiectivul este aproximarea integralei definite printr-o sumă ponderată de valori ale
funcției.

 Metode Newton-Cotes: Folosesc noduri echidistante.

o Metoda Trapezului: Cea mai simplă; aproximează aria cu un trapez.
o Metoda Simpson (1/3 și 3/8): Utilizează arcuri de parabolă pentru o precizie mult
mai ridicată față de trapez.
 Cuadratura Gaussiană: Nu folosește noduri fixe, ci le alege strategic (noduri Legendre)
pentru a obține o precizie maximă cu un număr minim de evaluări ale funcției.
 Metode Moderne (2026): Cuadratura Clenshaw-Curtis și metodele de grid rar (sparse
grid) sunt preferate pentru problemele multidimensionale complexe pentru a reduce
"blestemul dimensiunii".

Aproximarea derivatei 𝑓′(𝑥) se bazează pe panta secantei care trece prin puncte foarte apropiate.
2. Derivarea Numerică

o Progresive/Regresive: (𝑓(𝑥+ℎ)−𝑓(𝑥))/ℎ.
 Diferențe Finite:

o Centrale: (𝑓(𝑥+ℎ)−𝑓(𝑥−ℎ))/2ℎ— oferă o eroare de ordin superior, fiind mult mai

precisă.
 Provocarea Stabilității (2026): Spre deosebire de integrare (care este un proces de
"netezire"), derivarea amplifică zgomotul din date. Din acest motiv, se folosesc pași de
calcul (ℎ) optimizați pentru a echilibra eroarea de trunchiere cu eroarea de rotunjire a
computerului.

Aplicații în 2026

 Simulări Fizice: Rezolvarea ecuațiilor de mișcare în timp real pentru robotică.

 Deep Learning: Calculul gradienților în arhitecturi de rețele neuronale care folosesc straturi
de tip ODE (ecuații diferențiale ordinare).

ECUATII DIFERENTIALE

Rezolvarea numerică a ecuațiilor diferențiale (ODE -

Ordinary Differential Equations) este esențială în 2026 pentru modelarea sistemelor dinamice, de la
orbitele sateliților până la răspândirea epidemiilor sau dinamica piețelor financiare.
Deoarece majoritatea ecuațiilor diferențiale din lumea reală nu au soluții analitice (formule exacte),
analiza numerică transformă ecuația diferențială într-o problemă de calcul iterativ pas cu pas.

Acestea pornesc de la o stare cunoscută la momentul 𝑡0 și calculează evoluția sistemului în timp.

1. Metode pentru Probleme cu Valori Inițiale (IVP)

 Metoda Euler (Explictă): Cea mai simplă, dar și cea mai puțin precisă. Estimează
următorul punct urmând tangenta actuală. Este instabilă pentru pași de timp mari.
 Metode Runge-Kutta (RK): Standardul industrial în 2026.
o RK4 (Ordinul 4): Este "calul de povară" al simulărilor, oferind un echilibru excelent
între viteză și precizie prin evaluarea pantei în patru puncte intermediare ale fiecărui
pas.
o RK45 (Dormand-Prince): O metodă adaptivă care ajustează automat mărimea
pasului de calcul în funcție de complexitatea curbei.
 Metode Multi-pas (Adams-Bashforth / Moulton): Utilizează informații de la mai mulți
pași anteriori pentru a prezice valoarea viitoare, fiind eficiente pentru calcule de lungă
durată.

2. Metode pentru Ecuații "Rigide" (Stiff Equations)

Sistemele rigide sunt cele în care anumite componente se schimbă foarte rapid, în timp ce altele lent
(ex: reacții chimice).

 Metode Implicite (ex: Euler Implicit, BDF): Necesită rezolvarea unei ecuații la fiecare
pas, dar permit pași de timp mult mai mari fără a deveni instabile.

3. Ecuații cu Derivate Parțiale (PDE)

Folosite pentru fenomene care depind de timp și spațiu (căldură, fluide, electromagnetism).

 Metoda Diferențelor Finite: Înlocuiește derivatele cu aproximări algebrice pe o grilă.

 Metoda Elementului Finit (FEM): Împarte obiectul în piese mici (elemente) și este
preferată în 2026 pentru simulări complexe de inginerie structurală.

Perspective 2026: Physics-Informed Neural Networks (PINNs)

O tendință majoră în prezent este utilizarea rețelelor neuronale care sunt antrenate să respecte
legile fizicii exprimate prin ecuații diferențiale. Acestea permit rezolvarea problemelor inverse
(descoperirea parametrilor fizici din date experimentale) mult mai rapid decât metodele clasice.