1.

GENERALITĂŢI DESPRE FUNCŢII ŞI ECUAŢII

REZOLVAREA NUMERICĂ A ECUAŢIILOR
METODE NUMERICE ÎN INGINERIE

2. METODE DE REZOLVARE NUMERICĂ A ECUAŢIILOR

3. REZOLVAREA NUMERICĂ A ECUAŢIILOR ÎN MATCAD

MN4
BIBLIOGRAFIE
1
 BIBLIOGRAFIE

[PAU15] T. Păunescu. Metode numerice în ingineria fabricatiei. Ed. Univ. Transilvania Bv. 2015.
[MOR04] C. Morariu, T.Păunescu. Informatică aplicată în inginerie. Mathcad 2001. Ed. Univ. Bv. 2004.
[CIC05] Cicone T., Metode numerice în ingineria economică, Notițe de curs, 2005.
[HAD04] Hadâr A. șa. Metode numerice in inginerie, Editura Politehnica Press, București, 2004.
[POS94] M. Postolache. Metode Numerice. Ed. Sirius, Bucureşti, 1994.
[BEU92] T.Beu. Analiză numerică în Pascal. Ed. Micro inf. Cluj-Napoca. 1992.
[LAR89] D.Larionescu. Metode numerice.Ed. Tehnică, Bucureşti, 1989.
[MAR76] Gh. Marinescu. Probleme de analiză numerică rezolvate cu calculatorul. Ed. Acad RSR, Bucureşti,
1987.
[DOD76] Gh.Dodescu, M.Toma. Metode de calcul numeric. Ed. did. şi pedag. Bucureşti, 1976.
[LIX79] L.Gr. Lixaru. Metode numerice pentru ecuaţii diferenţiale cu aplicaţii. Ed. Acad RSR, Bucureşti,
1979.
[MEM80 ] ***, Mică enciclopedie matematică, traducere din limba germană. Edit. Tehnică, Bucureşti, 1980.
[DOR76] W.S.Dorn, D.D.Mc.Cracken. Metode numerice cu programe in Fortran IV. Ed.Tehhnica. Buc. 76.

[HAU53] A.S.Hauseholder. Principles of Numerical Analysis. Mc Graw-Hill, New Zork, 1953.

[CON80] S.D.Conte- Elementary Numerical Analysis - An Algorithmic Approach, McGraw-Hill 3rd, 1980.
[PHI96] G. M. M. Phillips, P.J. Taylor. Theory and Applications of Numerical Analysis 2nd ed, Elsevier, 1996
[HOF01] J.F. Hoffman. Numerical Methods for Engineers and Scientists 2nd ed. Elsevier, 2001.
[NOC99] J.Nocedad. Numerical Optimization.Springer,1999.
2
 1. GENERALITĂŢI DESPRE FUNCŢII ŞI ECUAŢII
1.1. Funcţii (PRE)

Funcţie. Fie X şi Y două mulţimi. Dacă facem să corespundă fiecărui element x X un element y Y şi numai
unul spunem că am definit o funcţie pe X cu valori în Y.

Funcţie biunivocă. f:X  Y este biunivocă dacă, oricare ar fi elementele x` ≠ x” din X, avem f(x`) ≠ f(x”).

X Y X Y

Fig.1a Fig.1b

X Y

3
Funcţie inversă a unei funcţii biunivoce f, funcţia f-1 prin care fiecărui element y  Y îi corespunde acel element
unic x  X pentru care f(x)=y.
Graficele f şi f-1 sunt simetrice faţă de prima bisectoare.

Funcţie reală de o variabilă vectorială. Fie X o mulţime din Rn. O funcţie f:X  Rn se numeşte funcţie
reală de o variabilă vectorială x=(x1, x2, ... , xn)  X  Rn şi se notează f(x1, x2, ... , xn) sau f(x).
Funcţii vectoriale de o variabilă vectorială. Fie m funcţii reale f1, f2, ... , fm definite pe o aceeaşi mulţime
X  Rn (argumentul şi valorile funcţiei sunt vectori).
Corespondenţa (x1, x2, ... , xn) (f1(x1, x2, ... , xn), f2(x1, x2, ... , xn ), ... , fm(x1, x2, ... , xn)) defineşte o funcţie
f=(f1, f2, ... , fm) pe X  Rn cu valori în Rm.
4
Reprezentarea parametrică a unei curbe spaţiale: x=f1(t), y=f2(t), z=f3(t), t este parametru
Funcţii elementare

Funcţia polinomială (vezi rel. 1,2,3 pe slide-ul următor)

Funcţia raţională: raportul a două funcţii polinomiale.

Funcţia putere: y=xa , a real, dacă a=k/n, k,n- întregi funcţia se

numeşte iraţională.

Funcţia exponenţială: y=ax , a real, pozitiv şi diferit de 1.

Funcţia logaritmică: y=logax, unde a real, pozitiv şi diferit de 1.

Funcţii trigonometrice.

Funcţii pare, impare

Funcţie pară: f(x), x  X, -x  X, f(-x)=f(x), simetrie faţă de axa Y.

Funcţie impară: f(x), x  X, -x  X, f(-x)= - f(x), simetrie faţă de O.

Funcţii omogene

Fie o funcţie de n variabile notată simbolic: Fig.7

f(x1, x2, ... , xn) , (x1, x2, ... , xn) X R . n

Funcţia se numeşte omogenă dacă există un număr real a astfel încât să fie satisfăcută egalitatea:
f(tx1, tx2, ... , txn) =ta .f(x1, x2, ... , xn) , (x1, x2, ... , xn)  X pentru t R, t>0. 6
 1.2. Ecuaţii (PRE)
O ecuaţie cu o necunoscută de forma: f(x) = 0 se numeşte algebrică dacă funcţia f(x) este un polinom sau
poate fi adusă la formă polinomială.
Toate ecuaţiile care nu sunt algebrice se numesc transcendente.

Forma generală a unei ecuaţii algebrice este:

anxn+an-1xn-1+ ... +aixi+ ... +a1x1+a0=0 (1)
unde:
- n, reprezintă gradul ecuaţiei;
- ai, reprezintă coeficienţii ecuaţiei, i 0,n, an ≠ 0 . Aceştia pot fi reali sau complecşi;
- x, reprezintă variabila sau necunoscuta ecuaţiei.

O altă formă, sub care se poate reprezenta o ecuaţie algebrică de gradul n, este forma normală:
xn+bn-1xn-1+ ... +bixi+ ... +b1x1+b0=0 (2)
Această formă se obţine din forma generală (1) prin împărţire cu an .

O ecuaţie algebrică de gradul n cu o necunoscută are întotdeauna n rădăcini. Aceste rădăcini nu trebuie să
fie toate diferite.

Dacă coeficienţii, ai, sunt numere reale şi dacă ecuaţia are o rădăcină complexă a + i⋅b , atunci ecuaţia
admite ca rădăcină şi valoarea complexă conjugată a − i⋅b .

Notând cu xj , j =1...n , cele n rădăcini ale ecuaţiei, se poate obţine, din (2), o nouă formă de reprezentare a
ecuaţiei de gradul n, ca un produs de factori liniari:
(x − x1)⋅(x − x2)⋅ … ⋅ (x − x j )⋅…⋅(x − xn)= 0. (3)
Această ultimă formă de reprezentare a ecuaţiilor algebrice poartă denumirea de formă factorizată.

7
 1.2.1. METODE DIRECTE DE REZOLVARE A ECUAȚIILOR ALGEBRICE

Ecuația de gradul 2:

Ecuația de gradul 3:

Fiecare ecuație cubică cu coeficienți reali are cel puțin o soluție reală nepereche și alte două care formează
o pereche. Acestea pot fi ambele reale sau ambele complexe. Astfel, în funcție de valoarea discriminantului
ecuației (Δ), care este un număr rezultat ca o combinație ai celor patru coeficienții ai ecuației, putem avea
trei cazuri distincte.

 Δ > 0, atunci ecuația are trei rădăcini reale distincte;

 Δ < 0, ecuația are o rădăcină reală și o pereche de
numere complex conjugate ca celelalte două soluții
 Δ = 0, cel puțin două din cele trei rădăcini coincid. S-ar
putea ca ecuația să aibe o dublă rădăcină reală și o a
treia reală dar distinctă sau ca toate cele trei rădăcini
reale să fie confundate.

Pentru rezolvare vezi formulele lui Fazzio Cardano (1545)

Ecuația de gradul 4:

Rezolvată de Lodovico Ferrari din Bologna Ferrari (1522-1565),

 1.2.2. PROBLEME CARE SE PUN LA REZOLVAREA NUMERICĂ A ECUAȚIILOR

ALGEBRICE ȘI TRANSCENDENTE
Separarea rădăcinilor: determinarea unui interval în care se găsește fiecare din rădăcinile reale ale ecuației. Se poate folosi
șirul Rolle, sau în Mathcad mai simplu prin reprezentarea grafică a funcției și prin operații succesive de zoom se pot identifica
intervalele asociate rădăcinilor.

Calculul aproximativ al fiecărei rădăcini reale și evaluarea erorii. Prin rădăcină aproximativă se înțelege o valoare xa care
este suficient de apropiată de valoarea exactă xe.
xa  xe   ,   0
În intervalul [a,b] unde se găsesc rădăcinile este adevărată inegalitatea f(a).f(b)<0. Condiția nu are generalitate, în figură sunt
reprezentate situațiile [CIC05]:
- a. În interval sunt mai multe rădăcini, în număr impar;
- b. Existența în interval a unei discontinuități, f(a).f(b)<0 dar nu există nicio rădăcină;
- c. Dacă rădăcinile sunt identice f(a).f(b) >0.

9
 1.2.3. CONVERGENȚA METODELOR NUMERICE PENTRU DETERMINAREA A SOLUȚIEI UNEI ECUAȚII
[CIC05]

Aplicând o metodă numerică pentru determinarea soluției unei ecuații neliniare cu o necunoscută se obține un
șir de aproximații x1,…,xn, care dacă procesul este convergent tinde spre soluția xa. Precizia determinării
soluției poate fi definită principial în două moduri:
1. Prin impunerea unei condiții de precizie argumentului funcției:
𝑥𝑛 − 𝑥𝑒 < 𝑇𝑜𝑙, 𝑇𝑜𝑙 > 0
S-a notat cu 𝑥𝑒 valoarea exactă a rădăcinii, 𝑥𝑛 este soluția obținută după iterația n. Deoarece 𝑥𝑒 nu este
cunoscută se folosește practic diferența dintre două aproximații succesive:
𝑥𝑛+1 − 𝑥𝑛 < 𝑇𝑜𝑙, 𝑇𝑜𝑙 > 0
De obicei relația de mai sus se aplică dacă funcția are o variație redusă în proximitatea rădăcinii (fig. b).
Cum ultima inegalitate, spre deosebire de prima inegalitate, nu spune nimic despre apropierea de soluția
exactă, în anumite circumstanțe este mai sigur să se facă referire și la semnele opuse ale funcție în două
aproximații succesive:
𝑓(𝑥𝑛+1 ) ∙ 𝑓(𝑥𝑛 ) < 0

10
2. Prin impunerea condiției de precizie asupra funcției:

|𝑓(𝑥𝑛)| <𝑇𝑜𝑙,𝑇𝑜𝑙>0

Această condiție se aplică când variația funcție în apropierea soluției est puternică, rezultă o aproximare

mai bună (fig.a)

11
 1.2.4. PROBLEME BINE SAU RĂU CONDIŢIONATE
[POS94, PHI96]

În general, o problemă importantă care trebuie rezolvată înainte de aplicarea unei metode numerice este cea
a determinării sensibilităţii soluţiei la modificarea datelor de intrare.

De exemplu la rezolvarea unei ecuaţii, sau a unui sistem de ecuaţii datele de intrare sunt coeficienţii ecuaţiilor,
dacă la mici modificări ai acestora soluţiile sunt puternic afectate problema spunem că este rău condiţionată.
Evident că o astfel de problemă trebuie rezolvată numeric mult mai precis decât una bine condiţionată.

Să presupunem că S(d) reprezintă soluţia unei probleme, pentru un set dat de date d. Să mai presupunem că
datele sunt perturbate d+δd şi că soluţia perturbată este S(d+δd).
Notăm cu II δd II un număr nenegativ care este măsura perturbării datelor şi cu II S(d+δd)-S(d) II măsura
diferenţei între soluţii.

Spunem că problema este bine condiţionată pentru un set asociat de date dacă sunt satisfăcute condiţiile:
C1. Există o soluţie unică pentru setul de date d şi pentru seturi apropiate. Există un număr real pozitiv
ε >0 astfel încât S(d+δd) există şi este unică pentru orice δd respectând II δd II <ε.
C2. Soluţia S(d) este dependentă continuu de date astfel că:
II S(d +δd) - S(d) II  0 când II δd II 0.

12
Condiţia Lipschitz (S)

O funcţie f, definită pe [a,b] satisface condiţia Lipschitz pe [a,b] dacă există o constantă L>0 astfel încât
f x1   f x2   L  x1  x2 (4)
Pentru oricare x1, x2 din [a,b].
Dacă este satisfăcută condiţia L pe [a,b], atunci f este constant uniformă pe [a,b].

Exemplu.
f(x)=x2 , definită pe [-1,1]  f  x1   f  x2   2  x1  x2

Adesea soluţiile unei probleme bine condiţionate respectă condiţia L. În acest caz există constantele L>0 şi
ε >0 astfel încât:

S d  d   S d   L  d (5)

Pentru orice δd respectând II δd II <ε.

Dacă L nu este prea mare, problema este bine condiţionată.

Obs. L nu este prea mare: variaţiile funcţiei şi x nu diferă prea mult.

Exemplu.

f(x)=x2+x-150 este rău condiţionată în

vecinătatea soluţiilor 11.758 şi -12.758.

În acest caz L este relativ mare

(L=24.515).

Se observă că L are valoarea pantei în

punctul soluţiei  metodă de
determinare dacă o problemă modelată
printr-o funcţie monovariabilă este bine
sau rău conditionată.

Observație. Pentru evaluarea vizuală dacă funcția monovariabilă

este rău/bine condiționată reprezentați graficul cu scale egale X,Y.

14
 2. METODE DE REZOLVARE NUMERICĂ A ECUAŢIILOR

2.1. METODA ÎNJUMĂTĂŢIRII INTERVALULUI (METODA BISECŢIEI) [LAR89]

Metoda înjumătăţirii este cea mai simplă metodă de determinare a unei soluţii pentru ecuaţii cu o singură variabilă reală,
dar şi cea mai slab convergentă.

Fie funcţia continuă f: [a,b]  R şi ecuaţia f(x)=0 la care f(a).f(b)<0. Astfel f are în intervalul [a,b] un număr impar de
rădăcini, deci există cel puţin o rădăcină.

Se notează cu ε eroarea admisă pentru determinarea rădăcinii

exacte (xe).

Etape:
 Se înjumatăţeşte intervalul 0.5(a+b).
 Dacă f(0.5(a+b))=0 atunci xe=0.5(a+b) este
rădăcina.
 Dacă nu, se utilizează punctul 0.5(a+b) pentru
împărţirea în două a intervalului şi se reţine
subintervalul care respectă condiţia produsului
negativ al valorilor funcţiei la capetele
subintervalului.
 Se continuă operaţiile de înjumătăţire, după n
operaţii dacă se alege xa=0.5(an+bn), eroarea este:
1
𝜀 = 𝑥𝑒 − 𝑥𝑛 ≤ 𝑏−𝑎 15
2𝑛
Exemplu

Pe baza algoritmului descris mai sus,

programul bipart(func,a,b,ε) determină o
rădăcină unei ecuații monovariabilă reală a
unei funcții func, în intervalul [a,b] cu
criteriul de precizie func(x)<ε, programul
afișează și numărul de iterații.

Programul este protejat dacă utilizatorul nu

introduce limitele intervalului de căutare
care să respecte condiția f(a).f(b)<0.

Pentru comparație rădăcinile au fost

calculate utilizând funcția implicită Mathcad
polyroots.

P. Scrieţi un progam care să utilizeze

criteriul de ieşire Ixn-xn+1I < ε şi comparaţi-l
cu cel prezent

16
 2.2. METODA SECANTEI (METODA COARDEI) [BEU92]

Metoda secantei este asemănătoare metodei înjumătăţirii, cu deosebire că subintervalele succesive de

căutare se obţin prin împărţirea intervalului în raportul f(ai-1)/f(bi-1). Dpdv. geometric se înlocuieşte local
funcţia cu coarda care trece prin punctele (ai, f(ai)) şi (bi, f(bi)).
Se presupune că că f’(x) este continuă şi păstrează semnul pentru x [a,b].
Dreapta care trece prin două puncte:
xi  a i f ( xi )  f ( a i )

bi  ai f (bi )  f (ai )

În ecuatia de mai sus dacă f(xi)=0 rezultă abscisa

punctului de intersecţie a a coardei cu axa X:
ai f (bi )  bi f (ai )
xi 
f (bi )  f (ai )

În general, metoda este mai eficientă decât metoda bisecţiei şi este folosită pentru obţinerea de rădăcini
aproximative care ulterior sunt folosite ca aproximaţii iniţiale pentru alte metode iterative mai eficiente.

17
18
 2.3. METODA SECANTEI: VARIANTA FALSEI POZIŢII
[MEM80, MOR06]
(P). Scrieţi un program de calcul a rădăcinilor unei ecuaţii
monovariabile oarecare bazat pe metoda falsei poziţii.

start

Etapele metodei secantei, varianta falsei poziţii pot fi urmărite pe figura de mai sus:
- Având o aproximaţie iniţială, x0, a rădăcinii xr, se ia un nou punct x1, care să respecte condiţia:
If ( x1 )I < If ( x0 )I (ordonata punctului x1 să fie mai aproape de axa X decât ordonata punctului x0)
- Dreapta care trece prin punctele M0 şi M1 intersectează axa X în punctul de abscisă x2. Ridicând
perpendiculara se găseşte punctul M2.
- Coarda M1M2 intersectează axa X în punctul de abscisă x3. Prin ridicarea perpendicularei se obţine
punctul M3 . Se unesc punctele M3 M2 şamd.
19
 2.4. METODA SECANTEI: VARIANTA COARDEI CU PUNCT FIX
[MEM80, MOR06]

Fig.10c

Metoda demarează la fel cu cea a falsei poziţii, cu deosebire că în continuare toate coardele trec prin
punctul M0.

(P). Scrieţi un program de calcul a rădăcinilor unei ecuaţii monovariabile oarecare bazat pe metoda falsei poziţii.

20
 2.5. METODA MULLER

Metoda Muller este o variantă a metodei secantei care folosește ultimele trei puncte cunoscute, prin care
trasează o parabola (p(x)=a.x2+b.x+c), astfel va rezulta o convergență mai rapidă comparativ cu metoda

coardei. Acest algoritm este utilizat de Mathcad 3.0 în fucția root.

Convergența metodei Muller este comparabilă cu cea a metodei Newton, cu marele avantaj că nu trebuie
calculate derivatele de ordin I. Metoda poate procesa funcții reale sau complexe. O dificultate ar fi alegerea
celor trei puncte pe start, care trebuie să fie relative apropiate de rădăcină. Această selecție este facilitate de
reprezentarea grafică a funcției.
21
Dacă cele trei puncte care determină parabola sunt:
(xk-2, F(xk-2), (xk-1, F(xk-1) și (xk, F(xk), prin rezolvarea
sistemului de trei ecuații cu trei necunoscute rezultă
coeficienții a, b și c ai parabolei.

Se fac substituțiile: pentru raportarea la punctul aflat

in mijloc v=x-xk-1, h1=xk-xk-1 și h2=xk-1-xk-2. Din
rezolvarea sistemului rezultă:

Deci deoarece v=x-xk-1 relația de recurență are

expresia:

Semnul de la numitor se ia ca să se obțină valoarea

maximă a modulului celui de al doilea termen, astfel
se ajunge la soluția cea mai apropiată de rădăcină.
Regula este simplă: dacă b>0 se alege semnul + ,
dacă b<0 semnul -. 22
 2.6. METODA TANGENTEI DE ORDIN I (NEWTON-RAPHSON)

Fie ecuaţia f(x)=0 care are în intervalul [a,b] o singură rădăcină reală xe. Se presupune că derivatele f’(x) şi
f’’(x) sunt continue şi au semn constant pe intervalul [a,b].

Metoda propune aproximarea rădăcinii xe printr-un şir

determinat de intersecţiile tangentelor duse la curbă cu
axa X.
Pentru un punct Ak [xk, yk], ecuaţia tangentei la f în
punctul Ak are ecuaţia: y  f ( x k )  f ' ( xk )  x  xk 

Dacă se notează cu x k+1 abscisa punctului de intersecţie a tangentei cu axa X (y=0), rezultă formula
iterativă a lui Newton (poate fi dedusă ușor dintr-un triunghi dreptunghic, vezi figura de mai sus)
f  xk 
xk 1  xk 
f '  xk 
f x 
Daca se dezvoltă funcţia de iterare  x   x  în serie Taylor în vecinătatea punctului xe , x=xk şi
f ' x 
se trunchiază după al doilea termen, rezultă că eroarea la fiecare iteraţie este proporţională cu pătratul erorii
precedente (metodă iterativă de ordin 2), deci metoda Newton converge mai rapid decât metoda iteraţiilor
care este o metodă iterativă de ordin 1. Pe de altă parte la fiecare iteraţie este necesară evaluarea funcţiei şi
a derivatelor ei, operaţii dificile sau imposibile dacă funcţia nu are formă analitică.
23
 OBSERVAȚII REFERITOARE LA METODA NEWTON-RAPHSON [HAD04]

1. Convergența procesului iterativ este influențată de

alegerea punctului de start. În fig. dacă se alege
punctul A x0=a următorul punct este înafara
intervalului [a,b] și procesul iterativ este mai lung
comparativ cu cazul x0=b.

2. Metoda nu este convergentă în următoarele cazuri:

derivata de ordin I a funcției se anulează în interiorul
intervalului; derivata nu este strict pozitivă sau negativă

3. Metoda nu este convergentă și dacă în interiorul

intervalului există un punct de inflexiune (a doua
derivată se anulează în interiorul intervalului)

24
 Varianta de program de mai sus utilizează ca și criteriu de oprire
diferența dintre două iterații succesive. S-au utilizat notațiile: xv-x
vechi; xn-x nou, dfunc numele funcției derivată de ordin I. Se
observă că numărul de iterații este mai mare decât cel anterior,

Funcția NR(func,a,b,ε) utilizează ca punct de start mijlocul fapt ce confirmă observațiile legate crireiile de oprire (subcap.

intervalului, calculează funcția derivată de ordin I și face 1.2.3.). Deoarece panta funcției în proximitatea soluțiilor este

iterații până ce valoare funcției este mai mică decât ε. S-a relativ mare criteriul valorii funcției este mai eficient decât cel al

lucrat cu aceeași funcție ca și în exemplele anterioare, se diferenței a două soluții succesive.

25
observă că algoritmul este mult mai rapid.
 2.7. METODA ITERATIVĂ (METODA APROXIMAŢIILOR SUCCESIVE) [DOR76, POS94]

Metoda iterativă este simplă, nu este deosebit de eficientă, nu implică calcule de derivate, dar are
câteva restricții de aplicare.
.
Ecuaţia se pune sub forma x=F(x), simplu prin adunarea în
ambii membri a variabilei x: x+0=x+f(x). SOLUȚIA

Dacă x0 este o aproximaţie iniţială a soluţiei, se obţin

succesiv aproximaţiile:
x0  x1=f(x0)  x2=f(x1)  …  xn=f(xn-1).
Converge xn spre xe când n creşte?

Condiţiile suficiente pe care trebuie să le satisfacă f(x) pentru

Fig.14
convergenţa spre soluţia exactă.

În figura de mai sus sunt reprezentate: dreapta y=x şi curba funcţiei f(x). Se presupune că 0< f ‘(x) <1 (unghi
tangentă mai mic de 450).
O soluţie a ecuaţiei f(x)=0 este punctul de intersecţie a celor două grafice.
Fie x0 o primă estimare a soluţiei.
 Se ridică perpendiculara în x0 pe axa X până la intersecţia cu f(x), punctul A.
 Deplasare pe orizontală până la intersecţia cu prima bisectoare, punctul B, a cărui ordonată este f(x0),
notăm cu x1 abscisa corespunzătoare, x1=f(x0).
26
 Continuare după aceeaşi succesiune de operaţii.
 y=F(x)

y=F(x)

Fig.15
Fig.16

Dacă -1< f ‘(x) <1 proces iterativ convergent. Dacă 1< f ‘(x) proces iterativ divergent.

27
 y=F(x)

y=F(x)

Fig.17
Fig.18

Dacă f ‘(x)< -1 proces iterativ divergent. Dacă f ‘(x0)= -1 proces iterativ ciclic.

Concluzii
I f ‘(x) I < 1 – iteraţii convergente
I f ‘(x) I > 1 – iteraţii divergente
I f ‘(x) I = 1 – iteraţii ciclice
Dacă într-un punct xi I f ‘(xi) I > 1 iar în alt punct I f ‘(xj) I < 1
procesul poate converge sau diverge spre soluţia exactă.
28
Nu întotdeauna transformarea f(x)+x=x duce la convergenţa procesului.
De exemplu ecuaţia x3-x2-x-1=0. Pentru F(x)=x3-x2-1 metoda iterativă nu este convergentă .

Fig.21

29
2.8. METODA EXPLORĂRII ALEATOARE

Fie funcţia continuă f: [a,b]  R şi ecuaţia f(x)=0

la care f(a).f(b)<0.
Se notează cu ε eroarea admisă pentru
determinarea rădăcinii exacte (xe).

Metoda explorării aleatoare este simplă: în

intervalul de definiție a funcției sunt generate
aleator valori cu repartiție uniformă [n intervalul
intervalul [a,b] până când este îndeplinită condiția
ca valoarea absolute a funcției să fie mai mica
decât precizia impusă I f(x) I < ε.

Dacă se caută o soluție precisă, metoda este

posibil să necesite un număr relativ mare de

iterații.

30
 3. REZOLVAREA NUMERICĂ A ECUAŢIILOR ÎN MATCAD

3.1. Ecuaţii polinomiale

Funcţia polyroots:

Sintaxa funcţiei: polyroots(v);

Argumentele funcţiei: v – reprezintă un vector, de dimensiuni n+1 linii × 1 coloană,
ce conţine valorile coeficienţilor ecuaţiei algebrice, ai, scrişi sub forma:

Valoarea returnată: un vector, de dimensiuni n linii × 1 coloană, ce conţine valorile

aproximative ale celor n rădăcini ale ecuaţiei.

Pentru rezolvarea numerică a ecuaţiilor algebrice funcţia polyroots utilizează metoda LaGuèrre
(implicită);

31
Vectorul coeficienților ecuației polinomiale poate fi determinat cu operatorul coeffs din panelul Symbolics.

32
3.2. Ecuaţii transcendente

În Mathcad ecuaţiile transcendente se rezolvă de obicei prin intermediul funcţiei root. Datorită algoritmilor,
pe care îi utilizează, root reprezintă o funcţie cu un grad mare de generalitate, ce poate fi folosită la
rezolvarea ecuaţiilor cu o necunoscută, indiferent de tipul lor.

Sintaxa opţional, a<b, intervalul trebuie să cuprindă doar o soluţie f(a)f(b)<0

root(f(var1, var2, ...), var1, [a, b])
Funcţia root returnează valoarea variabilei var1 care face funcţia egală cu zero.

Varianta 1 care nu apelează la intervalul de căutare, necesită specificarea unei valori de start a variabilei
vari, declarată anterior apelării funcţiei root. Acesta este indicat să fie cât mai apropiată de valoarea exactă
(reprezentarea grafică a funcţiei este de mare ajutor). Dacă se caută o rădăcină complexă a ecuaţiei,
valoarea iniţială trebuie să fie un număr complex. Metoda iterativă este a secantei (corzii) sau Mueller

Varianta 2 necesită specificarea intervalului în care se află soluţia curentă. Evident că în acest caz nu mai
este necesară o valoare de start a variabilei. Metodele folosite sunt Ridder sau Brent.

În ambele situaţii precizia soluţiei este controlată de variabila TOL. Aceasta are ca valoare implicită 10-3 şi
minimum 10-15. O scădere exagerată a valorii TOL măreşte timpul de calcul şi poate duce şi la
neconvergenţă, nu este indicat a se depăşi 10-12. TOL poate fi modificat prin meniul Calculation tab-ul
Worksheet Settings, sau direct în foia de lucru.
33
Limitări ale funcţiei root

 Dacă valoarea de start este prea aproape de un minim sau maxim al funcţiei, este posibil ca algoritmul
folosit de root să nu fie convergent sau să conveargă spre o rădăcină relativ îndepărtată de valoarea de start.

 Dacă există un minim sau maxim local între valoarea de start şi rădăcină.

 Dacă există o discontinuitate între valoarea de start şi rădăcină.

 Dacă ecuaţia are rădăcină reală şi s-a utilzat o valoare de start complexă sau invers.

 Dacă rădăcinile sunt foarte apropiate, o soluţie este micşorarea TOL.

 Dacă rădăcina este situată într-o zonă cu pantă mică, reduceţi valoarea variabilei TOL, utilizaţi o funcţie
transformată din funcţia iniţială prin împărţire la derivată
F(x)  G(x)=F(x)/F’(x).

 Root aplicată la funcţii cu pante mari în zona soluţiilor poate duce la soluţii complexe, cu parte imaginară
mică, deşi soluţia este reală.

 Dificultăţile enumerate mai sus, pot fi uneori depăşite prin rezolvarea simbolică a ecuaţiei prin operatorul
solve.

34
35