Analisi errore per EDO Analisi Numerica Prof. M. Lucia Sampoli a.a. 2013/2014 Metodi multistep lineari La forma generale di questi metodi è k j 0 k j yn j h j f n j n 0,1, 2... j 0 dove αj βj sono costanti e k 0, k k 0, f n j f ( xn j , un j ) I metodi discreti multistep a k-passi necessitano di k valori innesco. Se βk=0: metodo esplicito, se βk≠0: metodo implicito I metodi espliciti sono più facili da calcolare. Nella pratica vengono maggiormente usati i metodi impliciti che danno prestazioni migliori, anche se più costosi dal punto di vista computazionale. Dalla formula sopra se ne può ottenere una equivalente yn k h k f ( xn k , yn k ) g n k 0 k Si può dimostrare che esiste unica la soluzione un+k se k Lh 1 k Analisi degli errori Dato un metodo discreto nella sua forma generale (LMM,PC, R-K,..) 0 r k valori di innesco yr sr (h) k i yn i h f ( xn , yn k ,..., yn , h) i 0 Definiamo il seguente polinomio (legata alla eq. alle differenze): k ( ) i i i=0 Nel caso dei LMM possiamo definire anche un secondo polinomio k ( ) i i i=0 Convergenza La richiesta minimale da fare ad un metodo discreto affinché dia una buona approx della soluzione esatta è che sia convergente, cioè: max yn y ( xn ) 0 per h 0 0 n N Ne segue che per un metodo MS la convergenza deve implicare la convergenza anche dei valori di innesco. Inoltre dalla convergenza uniforme segue anche la convergenza puntuale: fissato x=a+ih, si ha che i per h0 0, h , i tali che y ( x) yi i i e h h Coerenza (consistenza) Definizione: si definisce l’errore di discretizzazione locale la quantità d ( xn k , y ( xn k )) 1 nk '(1) h Definizione: un metodo discreto si dice coerente (o consistente) se max 0 n N dn 0 per h 0 Inoltre si dice coerente di ordine p se max ||dn||=o(hp) dnk Caratterizziamo in modo più pratico la coerenza 1 k j [ y ( xn ) j h y '( xn j h)] h ( xn k , y ( xn k ), , y ( xn ), h) '(1) h j 0 y ( xn ) k ( , ( )) ( , ( ),..., ( ), ) h j f x h y x h h x y x y x h j n j n j nk nk n '(1) h j 0 j Coerenza (consistenza)-2 Dalla precedente espressione segue che condizione necessaria e sufficiente per la coerenza è che si abbia: 1. lim yr y0 r 0,1,...k 1 h 0 2. j 0 ( (1) 0) 3. lim ( xn k , y ( xn k ), , y ( xn ), h) h 0 j f ( x, y ( x)) '(1) f ( x, y ( x)) La condizione 3 puo’ essere cosi riscritta: MML: (1) '(1) PECE: (1) '(1) ( (1) 0, (1) 0) R-K: c '(1) Le tre condizioni sopra elencate sono necessarie per la convergenza la coerenza è condizione necessaria per la convergenza. C k j C C P Stabilità Dobbiamo formulare una richiesta analoga alla dip. continua dai dati per il metodo numerico. La sola richiesta che il problema sia ben condizionato (garantito per es. dalla lipschitzianità di f) è necessaria ma non sufficiente. Bisogna richiedere che anche il metodo discreto non propaghi gli errori. Tale richiesta è suggerita dalla necessità di tenere sotto controllo gli inevitabili errori che l’aritmetica finita di ogni calcolatore introduce. Definizione:Siano δn δn*, n=0,1,…,N due qualsiasi perturbazioni del MD e siano zn e zn* le sol. perturbate. Se esiste h0,k tali che per ogni hє(0,h0] zn zn* k quando n n* si dice che il metodo è zero-stabile. La stabilità dello schema discreto è legata al comportamento delle radici del polinomio caratteristico Stabilità: condizioni alle radici Definizione: Un MD soddisfa la condizione delle radici se le radici del primo polinomio ρ(θ) sono dentro il cerchio unitario e quelle sulla circonferenza sono semplici. Definizione: Un MD soddisfa la condizione forte delle radici se ρ(θ) ha una sola radice semplice in +1 e le rimanenti sono tutte strettamente interne al cerchio unitario. Se il metodo è coerente ρ(1) =0, per cui +1 è radice Convergenza Teorema: Un metodo discreto è zero-stabile se e solo se soddisfa la condizione delle radici Nei metodi one-step ρ(θ)=α1θ-α0, per cui si ha una sola radice, che è uguale a 1 se il metodo è consistente (infatti in questo caso ρ(1)=α1α0=0 → α1=α0) Teorema (Dahlquist): Un metodo discreto è convergente se e solo se è consistente e zero-stabile Corollario: Un metodo one-step è convergente se e solo se è consistente Riassumendo: La coerenza è il minimo livello di accuratezza da richiedere. Essa controlla la grandezza dell’errore di discretizzazione locale La zero-stabilità controlla il modo in cui si propagano gli errori quando h→0 Entrambe sono necessarie per raggiungere la convergenza Errore globale Nel caso in cui si tenga conto degli errori di arrotondamento, la soluzione effettivamente calcolata non soddisferà esattamente l’equazione alle differenze, ma si avrà k i 0 i yn i h f ( xn , yn k ,..., yn , h) Rn k Analogamente si avrà per i valori iniziali: yr sr (h) 0r k Si definisce quindi l’errore globale di arrotondamento y j y j j che dipende dagli errori locali e dalla loro propagazione Errore totale L’errore totale sarà quindi dato da En y n y ( xn ) y n yn yn y ( xn ) n en L’errore totale è composto da due parti:l’errore globale di arrotondamento εn e l’errore globale di discretizzazione en Esiste una soglia inferiore al di sotto della quale l’errore totale aumenta! Assoluta stabilità I metodi numerici devono rispettare alcune proprietà della soluzione esatta, quale, per esempio, fornire una soluzione limitata se la soluzione esatta è limitata. Zero-stabilità di un metodo numerico: si studia il comportamento della soluzione yn in [x0, x0+X] per h→0 Assoluta stabilità di un metodo numerico: si studia il comportamento della soluzione yn per xn→∞, per h fissato. Proprietà legata al comportamento asintotico di yn ; viene anche chiamata stabilità per h fissato. Assoluta stabilità In pratica h non può tendere a zero, quindi la convergenza non è una garanzia assoluta che un metodo fornisca dei risultati numericamente accettabili, in quanto la zero stabilità assicura la propagazione stabile degli errori per h→0. Necessità di una nuova definizione di stabilità per h fissato Definizione: Un MD si dice assolutamente stabile per un certo h fissato e per un dato PVI se l’errore globale rimane limitato per n→∞ Definizione legata al particolare PVI, che non permette un’analisi generale del comportamento del metodo. Osservazione: lo studio dell’errore equivale a considerare la soluzione di '( x) f y ( x, y ( x)) ( x) z ( x) y ( x) ( x) z ( xi ) y ( xi ) ei (a ) Linearizzando lo Jacobiano fy , supponendolo costante, si può in prima approssimazione riportare il problema ad un problema lineare scalare: y’=λy (problema modello) Polinomio di assoluta stabilità Il pb. test è un modello accettabile interpretando λ ( anche complesso) come un valore che localmente rappresenta un qualsiasi autovalore dello Jacobiano di f. Sostituendo il pb. test la funzione Φf del MD diventa lineare in yn+i i=0..k: k i 0 k i yn i h f ( xn , yn k ,..., yn , h) h i (h ) yn i i 0 k Possiamo pertanto scrivere: i 0 k i k i 0 y n i h f ( xn , y n k ,..., y n , h) h i (h ) y n i n k i 0 k i y ( xn i ) h f ( xn , y ( xn k ),..., y ( xn ), h) h i (h ) y ( xn i ) n k i 0 Sottraendo membro a membro: Er r r valori di innesco k i h i (h ) En i n k n k i 0 Equazione alle differenze lineare non omogenea, se gli errori sono piccoli la soluzione dipende dalle radici del polinomio caratteristico associate alla parte omog. k ( , h ) i h i (h ) i polinomio di stabilita' i 0 Regione di assoluta stabilità Definizione: Lo schema è detto assolutamente stabile per un dato hλ (fix), se le radici del polinomio di stabilità π(ξ,hλ), giacciono tutte nella circonferenza unitaria, cioè: 1 La regione del piano complesso tale che h si ha assoluta stabilitàè detta regione di assoluta stabilità: Esempi: h C : (h ) 1, 1, 2, , k k i MLM: ( , h ) i hi ( ) h ( ) R-K: ( , h ) 1 0 h 0 (h ) : i 0 0 (h ) polinomio(R-K espliciti), 0 (h ) funz. razionale(R-K impliciti) kP P P PECE: ( , h ) ( ) h ( ) h P ( ) h ( ) k Tutti i metodi a k passi ottimali hanno . I metodi di Adams espliciti hanno in generale una regione più piccola di quelli impliciti dello stesso ordine. A parte i R-K impliciti aumentando l’ordine si rimpicciolisce Regione di assoluta stabilità: esempi Ogni metodo ha la sua regione di assoluta stabilità. k k Se hλ=0 allora ( , 0) i 0 i (h ) i i i ( ) . Se lo schema è i 0 i 0 zero-stabile le radici di ρ(ξ) sono tutte interne al cerchio unitario. Quindi per ogni MD il punto hλ=0 si trova sulla frontiera della corrsispondente regione di assoluta stabilità Eulero: yi 1 yi h f ( xi , yi ); f ( x, y ) y yi 1 yi h yi ( , h ) (1 h ) una sola radice 1 1 h 1 1 h (1) 1 -2 -1 Regione di assoluta stabilità: esempi -2 Eulero implicito: yi 1 yi h yi 1 ( , h ) (1 h ) 1 una sola radice 1 (1 h ) 1 (1 h ) 1 1 1 h 1 Trapezi (Crank-Nicolson) yi 1 yi h ( yi yi 1 ) 2 1 1 h 1 1 ( , h ) 1 h 1 h una sola radice 1 2 1 2 2 1 h 2 1 1 Re(h ) 1 Regione di assoluta stabilità: esempi -3 A-stabilità Le regioni di assoulta stabilità appena viste non sono utilizzabili se Re(λ)≥0 (con λ autovalore di fy). In questo caso le soluzioni crescono al crescere di x e non ha senso chiedere che l’errore rimanga limitato se y(x) diverge. Il concetto di assoluta stabilità ha senso solo se Re(λ)<0 ovvero se il problema di Cauchy è asintoticamente stabile (bencondizionato) è evidente la convenienza di avere regioni di assoluta stabilità più grandi possibile. Se |λ| è molto grande, può essere necessario controllare hλ con un passo molto piccolo. Più grande è RA,più grande può essere preso h (e meno calcoli devono essere fatti). Definizione: Un MD è detto A-stabile se la corrispondente RAcontiene il semipiano Re(λ)<0 . A(α)-stabilità Nessun metodo LMM esplicito è A-stabile ed un metodo LMM implicito A-stabile non ha ordine maggiore di 2. Tra questi il migliore è il metodo di Crank-Nicolson. Non esistono metodi R-K espliciti A-stabili La condizione di A-stabilità è molto forte ed ha motivato lo studio e sviluppo dei metodi R-K impliciti. Richiesta più debole: Definizione: Un MD è detto A(α)-stabile con 0, / 2 se la sua regione di assoluta stabilità contiene il cono Wα di semiapertura angolare α nella parte del semipiano sinistro complesso. 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -1 -0.5 0 0. 5 1 Problemi stiff Il termine “stiff” viene usato per problemi differenziali le cui soluzioni sono caratterizzati da parti con andamento molto difforme. Esempio: 1.5 y ' 103 ( y e x ) e x y (0) 0 3 y ( x) e x e 10 x 1 0.5 Un termine ha costante di decadimento 1 l’altro ha una costante 10-3! Dal punto di vista analitico l’equazione è asintoticamente stabile, tende cioè ad uno stato stazionario. Dal punto di vista numerico è estremamente difficile seguire la soluzione nella sua fase transiente perché i MD richiedono un passo troppo piccolo per soddisfare le condizioni di stabilità In questi casi sono necessari MD con una grande regione di assoluta stabilità 0 0 0. 5 1 1. 5 2 2. 5 3 Problemi stiff -2 Definizione (Lambert): Un problema è detto stiff se approssimato con un metodo numerico caratterizzato da una regione di assoluta stabilità finita, obbliga quest’ultimo, per ogni condizione iniziale per il quale il problema ammetta soluzione, ad utilizzare un passo di discretizzazione eccessivamente piccolo rispetto a quello necessario per descrivere ragionevolmente l’andamento della soluzione esatta. Definizione (2): Il sistema si dice stiff rispetto alla soluzione y(x) ed al valore x se, detti λ1, λ2,,… λn, gli autovalori di fy(x,y(x)) essi sono tali che (i ) Re(i ) 0 i (ii ) max i Re(i ) 1 min i Re(i ) : parametro di stiffness Quindi in generale non ci deve essere LOCALMENTE nessuna componente della soluzione instabile. Deve esistere una componente superstabile. La soluzione a regime deve variare molto lentamente rispetto al contributo della soluzione superstabile Si osserva che ρ=ρ(x) Stabilità per problemi stiff Ci interessa l’accuratezza per i transienti veloci (associati ad autovalori con parte reale molto negativa) e quindi non è necessario che tutto il semipiano sinistro complesso stia in RA,, ma solo la parte che contiene gli autovalori hλ molto negativi (distanti dall’asse Im), che sono la causa di stiffness. Per tali autovalori h può essere grande in quanto i transienti si esauriscono subito. Fissato quindi a>0 reale tutto il semipiano a sinistra di –a deve stare in RA nella zona –a ≤ Re(hλ) ≤0 cioè per i transienti più lenti bisogna richiedere maggiore accuratezza. D’altra parte autovalori positivi e grandi generano instabilità (pb. malcondizionati), quindi fissato b>0 a destra di b ho una regione di instabilità. Bisogna tenere conto dei fenomeni di oscillazione legati alle componenti oscillanti delle soluzioni dovute a parti immaginarie grandi,che vanno limitate Definizione: un MD è stiffly stabile se esistono a,b,c >0 costanti, tali che (i ) h : Re(h ) a A (ii ) h : h (a, b) (c, c) si abbia accuratezza h verrà scelto in modo che le componenti che decadono rapidamente siano approx stabilmente e quelle che decrescono lentamente in modo accurato Metodi BDF I metodi BDF (Backward Differentiation Formulae) sono una classe di metodi, introdotti da Gear, stiffly stabili Esso sono un tipo particolare di LMM impliciti in cui si richiede che solo un coefficiente βi≠0, in particolare quello di ordine piu’ elevato (β0) Come suggerisce il nome essi sono costruiti approssimando la derivata nel punto corrente fn mediante k valori precedenti yn-j (backward differentiation): k yn i yn i h 0 f ( xn , yn ) i 1 Per k=1 si ottiene il metodo di Eulero all’indietro (o Eulero implicito)