MACROAREA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Magistrale in Matematica
|
|
- Gioacchino Rosso
- 4 anni fa
- Visualizzazioni
Transcript
1 MACROAREA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Magistrale in Matematica TESI DI LAUREA MAGISTRALE Studio della convergenza del metodo delle potenze Relatore: Carmine di Fiore Canditato: Sara Loss Matricola: Anno accademico: 2017/2018
2 Metodo delle Potenze (MP) A C n n, v C n e u C n. v 0 = v, a 1 = Av, v 1 = a 1 a 1, a 2 = Av 1, v 2 = a 2 a 2, a 3 = Av 2,... ϕ 1 = uh a 1 u H v 0, ϕ 2 = uh a 2 u H v 1, ϕ 3 = uh a 3 u H v 2,... convergono all autovalore dominante ed al corrispondente autovettore? Vedremo i casi: A definita positiva A generica A non negativa ed irriducibile.
3 MP: Caso A definita positiva (x H Ax>0, x C n x 0) Teorema: Sia A C n n definita positiva, siano 0 < λ n λ t+1 < λ t = = λ 1 i suoi autovalori e x i autovettori corrispondenti ai λ i per i = 1, 2,..., n (nota: X 1 AX = diag(λ j ), j = 1,..., n A k x j = λ k j x j, j = 1,..., n). Sia v C n, v 2 = 1, tale che nella sua rappresentazione: v = α i x i + α i x i, il vettore x = α i x i sia non nullo (nota: i t i>t i t ciò implica che v H x = ( x 2 ) 2 0, A k v 0 k N, 1 λ k A k v x e 0 < 1 1 k λ k (v H A k v) 1 k vh x ). Allora: A k v x A k, Ax = λ 1 x (1) v 2 k x 2
4 Metodo delle Potenze: Caso A definita positiva v H A k+1 v v H A k v k λ 1. (2) Le successioni in (1) e (2) sono ben definite k N e possono calcolate tramite il seguente algoritmo: v 0 := v. Per k = 1, 2,... a k := Av k 1 ϕ k := vh a k v H, v k 1 v k := a k a k 2 v H v k 1 0 k (3)
5 Metodo delle Potenze: Caso A definita positiva Infatti, ϕ k = vh A k v v H A k 1 v (e quindi ϕ k λ 1) e v k = Ak v k A k v 2 x k = 1, 2,... (e quindi v k ). Inoltre: k x 2 ϕ k ϕ k+1 λ 1 = ρ(a), k = 1, 2,.... Dimostrazione. Dimostriamo che la successione ϕ k ottenuta in (3) è crescente. ϕ k ϕ k+1 se e solo se: v H A k v v H A k 1 v vh A k+1 v v H A k v
6 Metodo delle Potenze: Caso A definita positiva cioè se e solo se, moltiplicando entrambi i membri per (v H A k v)(v H A k 1 v): (v H A k v) 2 (v H A k 1 v)(v H A k+1 v). (4) Ma la (4) risulta verificata perché equivale alla seguente disuguaglianza di Cauchy-Schwarz: ( v H A k 1 2 A k+1 2 v ) 2 ( A k 1 2 v 2 ) 2 ( A k+1 2 v 2 ) 2. Ma se la matrice A non è definita positiva?
7 Metodo delle potenze: Caso A generica Utilizzando la forma canonica di Jordan, X 1 AX = J, di A e la seguente espressione che esprime l azione di A k sulle colonne i + 1,..., i + s della matrice X corrispondenti al generico blocco di Jordan di ordine s con λ come autovalore: {( k ) k λ 0 x i+j k + ( k ( k i+j 1 ) k 1 λ k (i+j)+1 x 1 + ( k (i+j) 2 (j = 1,..., s) si ottiene il seguente Teorema: A k x i+j = ) λxi+j k ( k 0) λ k x i+j k < i + j 1 ) λ k (i+j)+2 x ( k 0) λ k x i+j k i + j 1 (5) Teorema: Sia A C n n generica e supponiamo che uno degli autovalori di A, λ 1, domini sugli altri, cioè λ 1 > λ j, λ j λ 1 e che m a (λ 1 ) = m g (λ 1 ) =: t. Allora, ne segue che esiste X C n n non singolare (cioè detx 0) tale che:
8 Metodo delle potenze: Caso A generica λ λ 1... X 1 AX = λ λ =: J... dove J è una matrice diagonale a blocchi (nota: ci possono essere più blocchi diagonali con lo stesso λ), in particolare si ha che: Ax j = λ 1 x j, A k x j = λ k 1 x j, j = 1,..., m a,g (λ 1 ) e, fissato λ σ(a), λ λ 1, per l = 1,..., m g (λ) si ha:
9 Metodo delle potenze: Caso A generica A x i l x il +s l = λ x i l x il +s l C n s l λ con s l : 1 s l < n. Ne segue che Ax il +1 = λx il +1, Ax il +j = λx il +j + x il +j 1, j = 2,..., s l. Quindi vale (5) con i i l e s s l.
10 Metodo delle potenze: Caso A generica Sia v C n, v = 1, tale che nella rappresentazione di v, v = n α i x i, il vettore x = t α m x m sia non nullo (nota: ciò i=1 m=1 implica A k v non nullo, k = 1, 2, 3,...). Sia anche u C n, tale che u H x 0 (nota: 1 λ k (u H A k v) 1 k k > k ). Allora: λ 1 k λ k 1 1 λ k 1 A k v k x, uh x e quindi k N per cui sono non nulli A k v A k v k u H A k+1 v u H A k v x x, Ax = λ 1x (6) k λ 1 (7) dove la successione in (6) è ben definita ed k N tale che la successione (7) è ben definita k > k, ed entrambe le successioni
11 Metodo delle potenze: Caso A generica in (6) e (7) si possono calcolare tramite il seguente algoritmo: a k := Av k 1 v 0 = v, ϕ k := uh a k u H, se u H v k 1 0 v k 1 v k := a k k=1, 2,... a k Infatti, ϕ k = uh A k v u H A k 1 v (e quindi ϕ k λ 1) e v k = Ak v k A k v k = 1, 2,... (e quindi λ 1 k x λ k v k 1 k x ). Costo: prodotto A vettore. ( ( λj )) kp(k) Velocità di convergenza: max j:λ j λ 1 λ 1 Corollari: Il Teorema precedente, per A definita positiva, ed il Teorema per A diagonalizzabile già presente in letteratura. (8)
12 Metodo delle potenze: Caso A non negativa ed irriducibile A 0 (a i,j 0, i, j), irriducibile P di permutazione: [ ] ) M R P T AP =, M ed N matrici quadrate ; 0 N ρ(a) = max j λ j (A). ( Teorema di Perron-Frobenius:!z > 0 : z 1 = 1, Az = ρ(a)z, ρ(a) > 0 e ρ(a) è semplice come autovalore di A (cioè m g (ρ(a)) = m a (ρ(a)) = 1). Se ρ(a) è dominante, ρ(a) = λ 1 = λ 1 > λ j, j = 2,..., n, allora ρ(a) e z si possono calcolare col metodo delle potenze:
13 Metodo delle potenze: Caso A non negativa ed irriducibile Sia A C n n non negativa ed irriducibile. Partendo da v, v 1 = 1, positivo, ed applicando il Teorema con. =. 1 ed u = e = [ ] T, nella sola ipotesi che λ1 = ρ(a) sia dominante, si ha che l algoritmo: a k := Av k 1, nota: a k > 0 v 0 := v, ϕ k := et a k e T, nota: e T v k 1 > 0 k v (9) k 1 v k := a k k=1,2,... a k 1 genera ϕ k k (ρ(a), z) coppia di Perron. λ 1 = ρ(a) e v k k Costo: prodotto A vettore. ( Velocità di convergenza: max j 2 x x 1 = ( λj )) kp(k) ρ(a) αz αz 1 = z.
14 Metodo delle potenze: Caso A non negativa ed irriducibile Nota: Se ρ(a) non è dominante il metodo delle potenze applicato alla matrice A non è convergente. Applicandolo però ad A + αi, α > 0, è sempre convergente e produce: ρ(a + αi) e z > 0, z 1 = 1, tali che: (A + αi)z = ρ(a + αi)z (perché ρ(a + αi), α > 0, è sempre autovalore dominante di A + αi se A 0 ed irriducibile). Da cui segue: ρ(a) = ρ(a + αi) α, Az = ρ(a)z. = che la coppia di Perron di A non negativa ed irriducibile è sempre calcolabile con il metodo delle potenze.
15 Problema Nel caso A non negativa ed irriducibile, ci si può chiedere se la successione di numeri reali ϕ k, generata dal metodo delle potenze, converge a ρ(a), autovalore dominante di A, in modo monotono (come accadeva nel caso A definita positiva), cioè: ϕ k = et a k e T v k 1 = et Av k 1 e T v k 1 ϕ k+1 = et a k+1 e T v k (e T Av k 1 )(e T v k ) (e T v k 1 )(e T Av k )? = et Av k e T v k? (nota: e T = [ ] ).
16 Problema (caso n=2) Su diverse matrici 2 2 si è verificata la seguente: Proposizione (Congettura): Se nel MP si sceglie v 0 = v = 1 2 e, allora k 1, valgono le seguenti uguaglianze: ( 1 4 det(a)k det(a QAQ) = 1 4 (ad bc)k 1 [(b c) 2 (a d) 2 ] nota: Q = = [ ] ) = (ϕ k ϕ k+1 )(e T A k 1 v)(e T A k v) ( e T A k v e T A k 1 v et A k+1 ) v e T A k (e T A k 1 v)(e T A k v) v = (e T A k v) 2 (e T A k+1 v)(e T A k 1 v). Quindi essendo (e T A k 1 v)(e T A k v) > 0, si ha che ϕ k ϕ k+1 0 se e solo se: 1 4 det(a)k det(a QAQ) = 1 4 (ad bc)k 1 [(b c) 2 (a d) 2 ] 0.
17 Problema (caso n=2) Segue che: Se (ad bc)[(b c) 2 (a d) 2 ] = 0 ϕ k = ϕ k+1 = ρ(a), k. Se (ad bc) > 0 e [(b c) 2 (a d) 2 ] 0 ϕ k monotona. In particolare: se [(b c) 2 (a d) 2 ] > 0 ϕ k decrescente se [(b c) 2 (a d) 2 ] < 0 ϕ k crescente. Se (ad bc) < 0 e [(b c) 2 (a d) 2 ] 0 ϕ k alternata.
18 Problema (caso n=2) Si è anche osservato (su diverse matrici 2 2) che potrebbe valere il seguente Lemma, che lega tra loro determinanti di particolari matrici 2 2 associate ad A k e ad A k 1. Lemma (Congettura): Si ha che: ([ e det T A k e e T A k+1 ]) e e T A k 1 e e T A k = (e T A k e) 2 (e T A k+1 e)(e T A k 1 e) e = (ad bc)[(e T A k 1 e) 2 (e T A k e)(e T A k 2 e)] ([ e = det(a)det T A k 1 e e T A k ]) e e T A k 2 e e T A k 1. e Se tale risultato fosse vero, la Proposizione precedente risulterebbe dimostrata facilmente per induzione.
19 Bibliografia [1] D. Bini, M. Capovani, O. Menchi, Metodi numerici per l algebra lineare, Zanichelli, (1998). [2] Gene H. Golub, Charles F. Van Loan, Matrix Computations, Johns Hopkins University Press, (2013). [3] Richard S. Varga, Matrix Iterative Analysis, Springer, (1999).
0 a n 1 0, a i R, x R,, a, b, c R, che hanno 1 e 1 come autovalori.
4 Dicembre 017, EAN, II test 1) Calcolare gli autovalori di a 1 0 0 x 0 a 0 A 0 a n 1 0, a i R, x R, x 0 0 a n con il metodo di Jacobi i) nel caso a 1 a n e ii) nel caso a 1 a n. ) Scrivere tutte le matrici
Dettagli0 0 c. d 1. det (D) = d 1 d n ;
Registro Lezione di Algebra lineare del 23 novembre 216 1 Matrici diagonali 2 Autovettori e autovalori 3 Ricerca degli autovalori, polinomio caratteristico 4 Ricerca degli autovettori, autospazi 5 Matrici
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x
DettagliElementi di Algebra Lineare
Elementi di Algebra Lineare Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari 13 Marzo 2006 Francesca Mazzia (Univ. Bari) Elementi di Algebra Lineare
Dettagli3. Elementi di Algebra Lineare.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 3. Elementi di Algebra Lineare. 1 Sistemi lineari Sia A IR m n, x IR n di n Ax = b è un vettore di m componenti.
DettagliLa forma normale di Schur
La forma normale di Schur Dario A Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi alla forma normale di Schur, alle sue proprietà e alle sue applicazioni
DettagliEsercizio 1 Sia. a n. X (k+1) = X (k) (2I AX (k) )
Esercizi per la parte Numerica e Algoritmica, Prof. Serra-Capizzano. Gli esercizi elencati sono da ritenersi come una palestra molto impegnativa: i testi di esame che saranno proposti non avranno una difficoltà
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2016-2017 Richiami Algebra Lineare Spazio normato Uno spazio lineare X si dice normato se esiste una funzione
DettagliLezione 7 29 Ottobre
PSC: Progettazione di sistemi di controllo a.a. 2010-2011 Lezione 7 29 Ottobre Docente: Luca Schenato Stesori: L. Schenato 7.1 Definizioni e proposizioni generali Si consideri lo spazio delle matrici semidefinite
DettagliSpazi euclidei, endomorfismi simmetrici, forme quadratiche. R. Notari
Spazi euclidei, endomorfismi simmetrici, forme quadratiche R. Notari 14 Aprile 2006 1 1. Proprietà del prodotto scalare. Sia V = R n lo spazio vettoriale delle n-uple su R. Il prodotto scalare euclideo
DettagliCalcolo di autovalori e autovettori
Calcolo di autovalori e autovettori Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica 26 maggio 2015 Alvise Sommariva Calcolo di autovalori e autovettori 1/ 20 Autovalori Il
Dettagli1 Il polinomio minimo.
Abstract Il polinomio minimo, così come il polinomio caratterisico, è un importante invariante per le matrici quadrate. La forma canonica di Jordan è un approssimazione della diagonalizzazione, e viene
Dettagli4 Autovettori e autovalori
4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 5-6 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 5//5 ) Dato un triangolo, siano a, b le lunghezze di
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 4-5 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 9//4 ) Determinare la rappresentazione in base di.
Dettagli2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima.
2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 3. Fra tutti i cilindri a base rotonda inscritti in una sfera, determinare quello di volume massimo. 4. Dimostrare
DettagliAlgebra lineare. Laboratorio di programmazione e calcolo CdL in Chimica. Pierluigi Amodio
Algebra lineare Laboratorio di programmazione e calcolo CdL in Chimica Pierluigi Amodio Dipartimento di Matematica Università di Bari pierluigi.amodio@uniba.it http://dm.uniba.it/ amodio A.A. 2016/17 P.
DettagliAutovalori, Autovettori, Diagonalizzazione.
Autovalori Autovettori Diagonalizzazione Autovalori e Autovettori Definizione Sia V uno spazio vettoriale sul campo K = R o C e sia T : V V un endomorfismo Un vettore non nullo v V \ {O} si dice autovettore
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliREGISTRO DELLE LEZIONI
UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE LEZIONI del Corso UFFICIALE di GEOMETRIA B tenute dal prof. Domenico AREZZO nell anno accademico 2006/2007
DettagliCalcolo di autovalori e autovettori
Calcolo di autovalori e autovettori Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica 9 maggio 2017 Alvise Sommariva Introduzione 1/ 36 Autovalori Il problema del calcolo degli
DettagliMatrici delle differenze finite
Capitolo 8 Matrici delle differenze finite Si riportano in questo capitolo alcuni risultati e proprietà delle matrici delle differenze finite ovvero delle matrici che intervengono nel metodo delle differenze
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
DettagliMATRICI E OPERAZIONI
MATRICI E SISTEMI MATRICI E OPERAZIONI Matrici, somma e prodotto (definizioni, esempi, non commutatività del prodotto, legge di annullamento del prodotto Potenze e inverse di matrici quadrate (definizioni
Dettagli0. Introduzione al linguaggio matematico
Prof. Lidia Angeleri Università di Verona, 2012/13 Algebra Lineare ed Elementi di Geometria Programma svolto nel Modulo Algebra Lineare 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi 1.2
DettagliQualche nota sui metodi di link analysis
Qualche nota sui metodi di link analysis 17 aprile 2009 1 Nozioni utili di algebra lineare Definizione 1 Una matrice reale U di dimensioni n n è ortogonale quando Uv = v per ogni v R n L effetto della
Dettaglix n i sima pos. x, y = x T y = x i y i R. i=1
1 Elementi di Algebra Lineare In questo capitolo introduttivo al corso di Calcolo Numerico per la laurea triennale in Informatica, saranno presentate una serie di definizioni e proprietà di matrici e dei
DettagliNorme di vettori e matrici
Norme di vettori e matrici Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati e proprietà relativi alle norme di vettori e di matrici. 1 Introduzione
DettagliAutovalori e autovettori
Autovalori e autovettori Definizione 1 (per endomorfismi). Sia V uno spazio vettoriale su di un campo K e f : V V un suo endomorfismo. Si dice autovettore per f ogni vettore x 0 tale che f(x) = λx, per
DettagliCapitolo IX DIAGONALIZZAZIONE DI MATRICI SIMMETRICHE
Capitolo IX DIAGONALIZZAZIONE DI MATRICI SIMMETRICHE 1. Matrici ortogonali Ricordiamo che, nel Cap. VII, abbiamo studiato le matrici di cambio di base in un R spazio vettoriale. In tale occasione, abbiamo
Dettagli0. Introduzione al linguaggio matematico
Prof. Lidia Angeleri Università di Verona, 2009/2010 Algebra Lineare ed Elementi di Geometria Programma svolto nel Modulo Algebra Lineare 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi
Dettagli0.1 Coordinate in uno spazio vettoriale
0.. COORDINATE IN UNO SPAZIO VETTORIALE 0. Coordinate in uno spazio vettoriale Sia V uno spazio vettoriale di dimensione finita n costruito sul campo K. D ora in poi, ogni volta che sia fissata una base
DettagliAlgebra Lineare Metodi Iterativi
Algebra Lineare Metodi Iterativi Stefano Berrone Sandra Pieraccini DIPARTIMENTO DI MATEMATICA POLITECNICO DI TORINO, CORSO DUCA DEGLI ABRUZZI 24, 10129, TORINO, ITALY e-mail: sberrone@calvino.polito.it,
DettagliVETTORI E MATRICI. Ing. Nicola Cappuccio 2014 U.F.5 ELEMENTI SCIENTIFICI ED ELETTRONICI APPLICATI AI SISTEMI DI TELECOMUNICAZIONI
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 I VETTRORI E MATRICI (RICHIAMI) Ad ogni matrice quadrata a coefficienti reali è possibile associare un numero reale, detto determinante, calcolato
DettagliAUTOVALORI E AUTOVETTORI
Capitolo 4 AUTOVALORI E AUTOVETTORI Abbiamo visto nel paragrafo 2.17 che la matrice associata ad una applicazione lineare f : R n R m dipende dalle basi scelte in R n e R m. Un problema interessante che
DettagliSi dimostra che queste funzioni godono delle proprietà delle norme (ossia sono norme).
Norma di un vettore I Una norma vettoriale su R n è una funzione : R n R + {}, che associa ad ogni vettore x R n, di componenti x i, i = 1,..., n, uno scalare, in modo che valgano le seguenti proprietà:
DettagliAutovalori e autovettori di una matrice quadrata
Autovalori e autovettori di una matrice quadrata Data la matrice A M n (K, vogliamo stabilire se esistono valori di λ K tali che il sistema AX = λx ammetta soluzioni non nulle. Questo risulta evidentemente
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Fabrizio Silvestri December 14, 010 Matrice Sia R il campo dei numeri reali. Si indica con R m n l insieme delle matrici ad elementi reali con m righe ed n colonne. Se A R n
DettagliLezione Diagonalizzazione di matrici
Lezione 2 2. Diagonalizzazione di matrici Come visto nella precedente lezione, in generale, data una matrice A 2 K n,n con K = R, C,nonèimmediatocheesistasempreunabasecostituitadasuoiautovettori. Definizione
DettagliRichiami di Algebra Lineare
Appendice A Richiami di Algebra Lineare In questo capitolo sono presentati alcuni concetti di algebra lineare L algebra lineare è quella branca della matematica che si occupa dello studio di vettori, spazi
DettagliAlgebra Lineare Autovalori
Algebra Lineare Autovalori Stefano Berrone Sandra Pieraccini Dipartimento di Matematica Politecnico di Torino, Corso Duca degli Abruzzi 24, 10129, Torino, Italy e-mail: sberrone@calvino.polito.it sandra.pieraccini@polito.it
DettagliNORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +
NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:
DettagliAutovalori e autovettori
Capitolo 3 Autovalori e autovettori 3. Richiami di teoria Prerequisiti: nozioni elementari di algebra lineare, numeri complessi. Sia A R n n. Un numero λ per cui esiste un vettore x 0 tale che valga la
DettagliRichiami di Algebra Lineare
Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Algebra Lineare 2012 1 / 59 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +
DettagliCalcolo Numerico Laurea di base in Ingegneria Elettronica e Ingegneria delle Comunicazioni e Clinica. Prof.ssa Laura Pezza (A.A.
Calcolo Numerico Laurea di base in Ingegneria Elettronica e Ingegneria delle Comunicazioni e Clinica Prof.ssa Laura Pezza (A.A. 2018-2019) VIII Lezione del 14.03.2019 http://www.dmmm.uniroma1.it/ laura.pezza
DettagliLaurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti Docente: Anna Valeria Germinario Università di Bari A.V.Germinario (Università di
DettagliGEOMETRIA 1 Autovalori e autovettori
GEOMETRIA 1 Autovalori e autovettori Gilberto Bini - Anna Gori - Cristina Turrini 2018/2019 Gilberto Bini - Anna Gori - Cristina Turrini (2018/2019) GEOMETRIA 1 1 / 28 index Matrici rappresentative "semplici"
DettagliEsempio. L immagine di f è l insieme dei vettori w = (w 1, w 2 ) R 2 che hanno w 1 = w 2. Quindi:
Nucleo, immagine e loro proprietà [Abate, 5.2] Data una applicazione lineare f : V W, chiamiamo nucleo di f l insieme N(f) := { v V : f(v) = 0 W } Se S V è un sottoinsieme del dominio, indichiamo con f(s)
DettagliCALCOLO NUMERICO. Francesca Mazzia. Calcolo degli autovalori. Dipartimento Interuniversitario di Matematica. Università di Bari
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari Calcolo degli autovalori 1 Calcolo degli autovalori Gli autovalore e gli autovettore di una matrice quadrata
Dettagli8 Metodi iterativi per la risoluzione di sistemi lineari
8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,
DettagliDIAGONALIZZAZIONE E FORME QUADRATICHE / ESERCIZI PROPOSTI
M.GUIDA, S.ROLANDO, 204 DIAGONALIZZAZIONE E FORME QUADRATICHE / ESERCIZI PROPOSTI L asterisco contrassegna gli esercizi più difficili o che possono considerarsi meno basilari. Autovalori, autospazi e diagonalizzazione
Dettagli4. Algoritmi per la soluzione di sistemi lineari.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 4. Algoritmi per la soluzione di sistemi lineari. 1 Sistemi triangolari inferiori Sia L triangolare inferiore.
DettagliAlgebra delle matrici
Algebra delle matrici Metodo di Gauss-Jordan per l inversione di una matrice. Nella lezione scorsa abbiamo visto che un modo per determinare l eventuale inversa di una matrice quadrata A consiste nel risolvere
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
DettagliFacoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A Corso di ANALISI NUMERICA 1: Esempi di esercizi svolti
Facoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A. - Corso di ANALISI NUMERICA : Esempi di esercizi svolti ) Determinare se il problema del calcolo delle radici reali dell equazione x x+c
DettagliMatematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/2012 Tema A
Matematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/202 Tema A NOME:..................................................... COGNOME:.....................................................
DettagliLezioni di Algebra Lineare V. Autovalori e autovettori
Lezioni di Algebra Lineare V. Autovalori e autovettori Versione novembre 2008 Contenuto 1. Cambiamenti di base 2. Applicazioni lineari, matrici e cambiamenti di base 3. Autovalori e autovettori 2 1. Cambiamenti
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliUniversita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006. Matematica 2 (Analisi)
Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006 Matematica 2 (Analisi) Nome:................................. N. matr.:.................................
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari
Metodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari L. De Giovanni G. Zambelli 1 Problema dell assegnamento Sia dato un grafo non orientato bipartito
DettagliCorso Matematica Discreta Anno accademico Lista domande per l orale breve.
Corso Matematica Discreta Anno accademico 2014-2015 Lista domande per l orale breve. 1. Dimostrare una delle leggi che coinvolgono l intersezione, l unione, il complementare (associativa, distributiva
DettagliAnalisi di perturbazioni di matrici per la simulazione qualitativa della dinamica di reti di regolazione genica
Analisi di perturbazioni di matrici per la simulazione qualitativa della dinamica di reti di regolazione genica Liliana Ironi Luigi Panzeri IMATI CNR, Pavia Valeria Simoncini Università di Bologna Dip.
DettagliUniversita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica. Corso di Geometria ed Algebra Docente F. Flamini
Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica Corso di Geometria ed Algebra Docente F. Flamini Capitolo IV - 3: Teorema Spettrale degli operatori autoaggiunti e Teorema
DettagliAutovalori ed autovettori di una matrice
Autovalori ed autovettori di una matrice Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 24 febbraio 2008 Outline 1 Definizioni di autovalori ed autovettori Autovalori ed autovettori
Dettagli0.1 Condizione sufficiente di diagonalizzabilità
0.1. CONDIZIONE SUFFICIENTE DI DIAGONALIZZABILITÀ 1 0.1 Condizione sufficiente di diagonalizzabilità È naturale porsi il problema di sapere se ogni matrice sia o meno diagonalizzabile. Abbiamo due potenziali
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 27 GIUGNO 2016
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA CHIMICA E DEI MATERIALI 7 GIUGNO 06 MATTEO LONGO Ogni versione del compito contiene solo due tra i quattro esercizi 6-7-8-9. Esercizio. Considerare
DettagliAM2: Tracce delle lezioni- Settimana 12 SISTEMI DI EQUAZIONI DIFFERENZIALI LINEARI
AM2: Tracce delle lezioni- Settimana 12 SISTEMI DI EQUAZIONI DIFFERENZIALI LINEARI Sia A = (a ij ), i, j = 1,..., n matrice n n. Le soluzioni del sistema differenziale lineare di n equazioni nelle n incognite
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
DettagliCapitolo IV SPAZI VETTORIALI EUCLIDEI
Capitolo IV SPAZI VETTORIALI EUCLIDEI È ben noto che in VO 3 si possono considerare strutture più ricche di quella di spazio vettoriale; si pensi in particolare all operazioni di prodotto scalare di vettori.
Dettagli2.1 Esponenziale di matrici
¾ ½ º¼ º¾¼½ Queste note (attualmente e probabilmente per un bel po sono altamente provvisorie e (molto probabilmente non prive di errori Esponenziale di matrici Esercizio : Data la matrice λ A λ calcolare
DettagliEstremi relativi (liberi) per campi scalari
Estremi relativi (liberi) per campi scalari Riccarda Rossi Università di Brescia Analisi Matematica B Riccarda Rossi (Università di Brescia) Estremi relativi (liberi) Analisi Matematica B 1 / 60 Punti
DettagliRichiami di Algebra Lineare
Università di Pavia Richiami di Algebra Lineare Eduardo Rossi Vettori a : (n 1) b : (n 1) Prodotto interno a b = a 1 b 1 + a 2 b 2 +... + a n b n Modulo (lunghezza): a = a 2 1 +... + a2 n Vettori ortogonali:
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
Dettagli0.1. MATRICI SIMILI 1
0.1. MATRICI SIMILI 1 0.1 Matrici simili Definizione 0.1.1. Due matrici A, B di ordine n si dicono simili se esiste una matrice invertibile P con la proprietà che P 1 AP = B. Con questa terminologia dunque
DettagliMatematica II, aa
Matematica II, aa 2011-2012 Il corso si e svolto su cinque temi principali: sistemi lineari, algebra delle matrici, determinati, spazio vettoriale R n, spazio euclideo R n ; per ogni tema descrivo gli
DettagliRICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella
DettagliNOME COGNOME MATRICOLA CANALE
NOME COGNOME MATRICOLA CANALE Fondamenti di Algebra Lineare e Geometria Proff. M. Imbesi - R. Sanchez - C. Zanella Ingegneria Gestionale, Meccanica e Meccatronica, Vicenza TEMA 1 1. Definire la nozione
Dettagli5 Un applicazione: le matrici di rotazione
5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta
Dettaglip(ϕ) = a 0 Id + a 1 ϕ + + a n ϕ n,
1. Autospazi e autospazi generalizzati Sia ϕ: V V un endomorfismo. Allora l assegnazione x ϕ induce un morfismo di anelli ρ: K[x] End K (V ). Più esplicitamente, al polinomio p dato da viene associato
DettagliIl determinante. Calcolo del determinante di matrici particolari. matrici di ordine 2: sia. a11 a A = allora
Calcolo del determinante di matrici particolari matrici di ordine 2: sia allora Esempio. [ ] a11 a A = 12, a 21 a 22 det A = a 11 a 22 a 21 a 12. Calcolare il determinante di [ ] 1 2 A =. 3 4 matrici di
DettagliLezione 17 Maggio 23
PSC: Progettazione di sistemi di controllo III rim. 2007 Lezione 17 Maggio 23 Docente: Luca Schenato Stesori: Comin, Dal Bianco, Fabris, Parmeggiani 17.1 Consensus 17.1.1 Nozioni preliminari L idea dell
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA INDUSTRIALE 27 GENNAIO 2014
FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA INDUSTRIALE 27 GENNAIO 2014 DOCENTE: MATTEO LONGO Rispondere alle domande di Teoria in modo esauriente e completo. Svolgere il maggior numero di esercizi
DettagliSuccessioni numeriche (II)
Successioni numeriche (II) Hynek Kovarik Università di Brescia Analisi A Hynek Kovarik (Università di Brescia) Successioni (II) Analisi A 1 / 52 Forme indeterminate associate a funzioni razionali fratte:
Dettagli1 Risoluzione di sistemi lineari
Risoluzione di sistemi lineari La presente nota è in parte ripresa dal testo D Bini M Capovani O Menchi Metodi numerici per l algebra lineare Zanichelli Editore Siano A una matrice non singolare di ordine
DettagliCorso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a , lez.3)
Docente: Marco Gaviano (e-mail:gaviano@unica.it) Corso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a. 2014-2015, lez.3) 1 Analisi Numerica 1 mod. a.a. 2014-2015, Lezione n.3
DettagliPag. 151 Dimostrazioni dei criteri per lo studio della convergenza di serie numeriche
C.7 Serie Pag. 151 Dimostrazioni dei criteri per lo studio della convergenza di serie numeriche Teorema 5.29 (Criterio del confronto) Siano e due serie numeriche a termini positivi e si abbia 0, per ogni
DettagliAnalisi Matematica II - INGEGNERIA Gestionale - B 20 luglio 2017 Cognome: Nome: Matricola:
Analisi Matematica II - INGEGNERIA Gestionale - B luglio 7 Cognome: Nome: Matricola: IMPORTANTE: Giustificare tutte le affermazioni e riportare i calcoli essenziali Esercizio [8 punti] Data la matrice
DettagliFormulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010
Formulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010 In quetsa dispensa: V è uno spazio vettoriale di dimensione d sul campo complesso C generato dai vettori v 1,..., v d. Le variabili m,
DettagliMatrice esponenziale e sistemi differenziali lineari a coefficienti costanti
Matrice esponenziale e sistemi differenziali lineari a coefficienti costanti Matrice esponenziale Sia A R n,n una matrice quadrata n n Per definire l esponenziale di A, prendiamo spunto dall identità e
DettagliLEZIONE 16 A = Verifichiamo se qualcuna fra le entrate a di A è suo autovalore. determinare per quale entrata a di A risulta rk(a ai 2 ) 1.
LEZIONE 16 16.1. Autovalori, autovettori ed autospazi di matrici. Introduciamo la seguente definizione. Definizione 16.1.1. Siano k = R, C e A k n,n. Un numero λ k si dice autovalore di A su k) se rka
DettagliAPPUNTI SULLA DIAGONALIZZAZIONE Corso Prof. F.Podestà, a.a
APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof FPodestà, aa 003-004 Sia V uno spazio vettoriale e sia f : V V una applicazione lineare una tale applicazione da uno spazio vettoriale in se stesso è chiamata
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
DettagliDefinizione. Sia f : V V un endomorfismo e λ R. Se esiste v V non nullo tale che
Autovalori ed autovettori [Abate, 131] Sia f : V V un endomorfismo e λ R Se esiste v V non nullo tale che f(v) = λv, diremo che λ è un autovalore di f e che v è un autovettore di f associato a λ Lezioni
DettagliParte 7. Autovettori e autovalori
Parte 7. Autovettori e autovalori A. Savo Appunti del Corso di Geometria 23-4 Indice delle sezioni Endomorfismi, 2 Cambiamento di base, 3 3 Matrici simili, 6 4 Endomorfismi diagonalizzabili, 7 5 Autovettori
DettagliMetodi iterativi per il calcolo approssimato di autovalori
Universitá di Cagliari Facoltá di Ingegneria e Architettura Ingegneria Elettronica Magistrale Tesina del corso Ottimizzazione Metodi iterativi per il calcolo approssimato di autovalori Professore: Prof.
DettagliCorso di Geometria Ing. Informatica e Automatica Test 1: soluzioni
Corso di Geometria Ing. Informatica e Automatica Test : soluzioni k Esercizio Data la matrice A = k dipendente dal parametro k, si consideri il k sistema lineare omogeneo AX =, con X = x x. Determinare
DettagliPreparazione orale analisi numerica:
Preparazione orale analisi numerica: CAPITOLO Errori (1): Ricavare il coefficiente di amplificazione: Sviluppare la serie di Taylor su di centro CAPITOLO Gerschgorin (4): Primo teorema di Gershgorin (Massimizzare
Dettagli0. Introduzione al linguaggio matematico
Prof. Lidia Angeleri Università di Verona, 2013/14 Algebra Lineare ed Elementi di Geometria (Programma aggiornato in data 23 gennaio 2014) 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi
Dettagli