METODI ITERATIVI PER SISTEMI LINEARI

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "METODI ITERATIVI PER SISTEMI LINEARI"

Transcript

1 METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione del sistema lineare (1) consiste nella costruzione di una successione di vettori x (k) R n convergenti alla soluzione x del sistema lineare, cioè tali che lim k x(k) = x. Per realizzare questo processo si può seguire il seguente procedimento. decomposizione o splitting della matrice del tipo: (2) A = P N, Si considera una essendo P ed N due matrici in modo che P sia non singolare. Il sistema (1) si può scrivere nella forma P x = Nx + b ossia x = P 1 Nx + P 1 b. Dato un vettore iniziale x (0), si genera una successione di vettori ricorsivamente mediante (3) x (k+1) = Bx (k) + g dove B = P 1 N e g = P 1 b, e B prende il nome di matrice di iterazione. Per studiare la convergenza, calcoliamo l errore e (k) = x x (k). Passando alle norme si ottiene: x = Bx + g x (k+1) = Bx (k) + g e (k+1) = Be (k) e (k+1) = Be (k) B e (k) B k+1 e (0), quindi, se B < 1, allora il metodo iterativo è convergente per ogni scelta del dato iniziale x (0). Più precisamente si può dimostrare il seguente teorema: Teorema 1. Condizione necessaria e sufficiente affinché un metodo iterativo della forma (3) sia convergente, è che il raggio spettrale della matrice di iterazione sia strettamente minore di 1, ossia ρ(b) < 1. 1

2 2 LUCIA GASTALDI Vediamo ora due esempi classici di metodi iterativi, ottenuti dallo splitting della matrice (2). Scriviamo la matrice A come somma della sua diagonale, della sua parte triangolare inferiore stretta e della sua parte superiore stretta: essendo D = L = U = A = D L U a a a nn a a n1 a nn a 12 a 1n 0 0 a n 1n Il metodo di Jacobi si ottiene ponendo P = D in (2), di conseguenza le componenti x (k+1) i si ottengono mediante la seguente relazione: x (k+1) i = 1 a ii ( b i n j=1,j i a ij x (k) j ),,., i = 1,..., n. Si osserva che per calcolare una componente del vettore x (k+1) servono tutte le componenti del vettore x (k) all iterazione precedente. La matrice di iterazione in questo caso è data da B J = D 1 (L + U). Proposizione 2. Se A è una matrice a predominanza diagonale stretta per righe, cioè vale che n a ii > a ij i = 1,..., n, allora il metodo di Jacobi converge. j=1,j i Poniamo ora P = D L in (2). In questo caso si ottiene il metodo di Gauss Seidel la cui matrice di iterazione è B GS = (P L) 1 U e le componenti x (k+1) i si ottengono nel modo seguente: ( ) x (k+1) i = 1 i 1 n b i a ij x (k+1) j a ij x (k) j, i = 1,... n. a ii j=1 j=i+1 Si nota che in questo caso per calcolare la componente i-esima del vettore x (k+1) si usano le prime i 1 componenti del vettore x (k+1) già calcolate e le componenti di indice maggiore di i del vettore x (k). In questo modo ci si aspetta una convergenza più rapida.

3 3 Figure 1. Gli autovalori di B α in valore assoluto al variare di α. Raggio spettrale della matrice di iterazione di Richardson stazionario 2 1 x*lmax x*li raggio spettrale x*lmin 2 / lmax (lmax lmin) / (lmax+lmin) alpha Anche nel caso del metodo di Gauss Seidel si possono enunciare dei risultati di convergenza per alcune classi di matrici. Proposizione 3. Se A è una matrice a predominanza diagonale stretta per righe oppure se A è una matrice simmetrica e definita positiva allora il metodo di Gauss-Seidel converge. 2. Il metodo di Richardson Consideriamo un metodo iterativo (3) ottenuto a partire da uno splitting della matrice in A = P N. Si ricava facilmente che N = P A e sostituendo questa relazione in (3) si ottiene x (k+1) = P 1 Nx (k) + P 1 b = P 1 (P A)x (k) + P 1 b = x (k) + P 1 (b Ax (k) ). Data l approssimazione x (k) della soluzione del sistema lineare (1), si dice residuo il vettore definito da: (4) r (k) = b Ax (k). Quindi i metodi iterativi che si ottengono da uno splitting della matrice possono essere considerati come metodi di correzione del residuo ponendo x (k+1) = x (k) + P 1 r (k). Sia α > 0 un numero reale e positivo, modifichiamo lo schema precedente come segue: (5) x (k+1) = x (k) + αp 1 r (k). Il metodo che abbiamo ottenuto prende il nome di metodo di Richardson stazionario e le sue proprietà di convergenza dipendono dalla scelta del parametro α. La matrice P viene anche detta matrice di precondizionamento. Il metodo (5) si riscrive facilmente nella forma (3) nel modo seguente: x (k+1) = x (k) + αp 1 r (k) = x (k) + αp 1 (b Ax (k) ) = (I αp 1 A)x (k) + αp 1 b e quindi la matrice di iterazione è data da B α = I αp 1 A. Calcoliamo il raggio spettrale della matrice B α al variare di α > 0. Supponiamo che P sia una matrice non singolare e che la matrice P 1 A sia simmetrica e definita positiva. Siano λ i

4 4 LUCIA GASTALDI e u i per i = 1,..., n gli autovalori e gli autovettori, rispettivamente, della matrice P 1 A e indichiamo con λ min e λ max rispettivamente il più piccolo e il più grande autovalore, quindi si ha P 1 Au i = λ i u i per i = 1,..., n, 0 < λ min λ i λ max per i = 1,..., n. Gli autovalori ed autovettori di B α si ottengono dalla seguente identità: Con un po di conti si ricava B α x = (I αp 1 A)x = µx. P 1 Ax = 1 µ α x quindi (µ, x) è una coppia autovalore/autovettore di B α se ((1 µ)/α, x) è una coppia autovalore/autovettore di P 1 A. Abbiamo quindi ricavato che gli autovettori di B α sono uguali agli autovettori di P 1 A, mentre per gli autovalori vale la seguente relazione: µ i = 1 αλ i. Il raggio spettrale della matrice B α è dato quindi da ρ(b α ) = max 1 i n 1 αλ i. In Figura 2 sono riportati i grafici delle funzioni 1 αλ max, 1 αλ min e 1 αλ i al variare di α (nella figura si è usata la notazione lmin al posto di λ min, li per λ i e lmax per λ max ). Quindi per 0 < α < 2/λ max il raggio spettrale ρ(b α ) resta strettamente minore di 1 ed in questo intervallo si ha la convergenza del metodo di Richardson (5). Il valore ottimale di α si ottiene per α ott = argminρ(b α ). Dal grafico si vede che α ott è il valore per cui vale cioè (6) α ott = 1 αλ min = 1 αλ max in corrispondenza ad esso il raggio spettrale vale: 2 λ max + λ min ; (7) ρ(b αott ) = λ max λ min λ max + λ min = K 2(P 1 A) 1 K 2 (P 1 A) + 1, essendo K 2 (P 1 A) il numero di condizionamento della matrice P 1 A nella norma di matrice associata alla norma euclidea di vettore. In Figura 2 sono riportati l intervallo di convergenza e i valori ottimali di α e ρ(b α ). Abbiamo quindi dimostrato la seguente proposizione: Proposizione 4. Sia P una matrice non singolare e P 1 A una matrice simmetrica e definita positiva. Allora il metodo di Richardson stazionario converge per 0 < α < 2/λ max, essendo λ max il massimo autovalore della matrice P 1 A. Inoltre ρ(b α ) è minimo per α = α ott essendo α ott dato da (6) e il valore corrispondente di ρ(b α ) definito in (7).

5 Dalla relazione (7) si ricava che la velocità di convergenza è legata al fatto che la matrice P 1 A sia ben condizionata. Quindi la scelta della matrice di precondizionamento P è di fondamentale importanza; la scelta deve essere fatta in modo tale che la risoluzione di un sistema lineare con matrice dei coefficienti data da P sia di basso costo. Una forma più generale di (5) è quella in cui si determina il parametro α ad ogni iterazione, dando luogo al seguente metodo di Richardson non stazionario (8) x (k+1) = x (k) + α k P 1 r (k). Il problema adesso è quello della determinazione del parametro α k. Supponiamo d ora in avanti che la matrice A sia simmetrica e definita positiva. Possiamo quindi introdurre una norma di vettore detta norma dell energia nella forma seguente (9) x A = x T Ax. Supponiamo di aver calcolato il valore di x (k) all iterata k-esima del metodo (8). Poniamo per semplicità z (k) = P 1 r (k) e al variare di α consideriamo il vettore x α = x (k) + αz (k). Si noti che al variare di α il punto x α si muove lungo la retta passante per x (k) e parallela alla direzione di z (k). Scegliamo quindi α k in modo da rendere minima la distanza di x α dalla soluzione x del sistema (1) misurata nella norma dell energia (9). Calcoliamo quindi x x α 2 A e otteniamo: x x α 2 A = (x x (k) αz (k) ) T A(x x (k) αz (k) ) = (x x (k) ) T A(x x (k) ) αz (k)t A(x x (k) ) (x x (k) ) T A(αz (k) ) + α 2 z (k)t Az (k) = α 2 z (k)t Az (k) 2αz (k)t A(x x (k) ) + (x x (k) ) T A(x x (k) ) = α 2 z (k)t Az (k) 2αz (k)t r (k) + (x x (k) ) T A(x x (k) ), dove si sono usati i seguenti fatti: la matrice A è simmetrica e quindi αz (k)t A(x x (k) ) = (x x (k) ) T A(αz (k) ); x è la soluzione del sistema lineare di partenza per cui Ax = b; quindi A(x x (k) ) = b Ax (k) = r (k). Poiché x x α 2 A è una parabola rispetto alla variabile α, il minimo si trova per α k = z(k)t r (k) z (k)t Az. (k) Con questa scelta del parametro il metodo (8) prende il nome di metodo del gradiente precondizionato. Descriviamo i passi principali dell algoritmo corrispondente. Algoritmo: metodo del gradiente precondizionato. 1. Scelgo x (0). 2. Calcolo r (0) = b Ax (0). 3. Calcolo la soluzione z (0) di P z (0) = r (0). 4. Per ogni iterata eseguo le seguenti operazioni: 4.1 Calcolo α k = z(k)t r (k) z (k)t Az. (k) 5

6 6 LUCIA GASTALDI Figure 2. Risoluzione mediante il metodo del gradiente x (k+1) = x (k) + α k z (k). 4.3 r (k+1) = r (k) α k Az (k). 4.4 Calcolo la soluzione z (k+1) di P z (k+1) = r (k+1). 5. Verifico il test d arresto: se il test d arresto è verificato, mi fermo; se il test d arresto non è vericato torno al punto 4. Si può dimostrare che nel caso del metodo (8) ora descritto il raggio spettrale della matrice di iterazione B αk tende a ρ(b αott ) per k che tende all infinito. Quindi il metodo di Richardson non stazionario è da preferire a quello stazionario non richiedendo di conoscere gli autovalori massimo e minimo della matrice P 1 A. Osserviamo però che la convergenza può essere molto lenta come illustrato nel seguente esempio in cui si è scelta come matrice di precondizionamento P = I. Il metodo prende in questo caso il nome di metodo del gradiente o di massima discesa. Si considera il sistema lineare (1) con i seguenti dati: A = ( ) ( , b = ) ( 1, x = 2 ) ( , x (0) = Nella Figura 2 sono riportati i primi 50 passi del metodo del gradiente applicato al sistema scritto sopra. Come si può notare la convergenza è molto lenta, in questo caso si ha K 2 (A) = 100. Si osserva anche che le direzioni che vengono scelte sono a due a due parallele tra di loro. Per capire meglio il comportamento della successione dell esempio introduciamo un interpretazione diversa del metodo del gradiente. ). 3. Metodo del gradiente e del gradiente coniugato Sia A R n n una matrice simmetrica e definita positiva (cioè A T = A e x T Ax > 0 per ogni x R n e x 0).

7 Sia x la soluzione del sistema (1) e y una sua approssimazione. La distanza di y da x nella norma (9), associata alla matrice A, si calcola come segue: 7 (10) x y 2 A = (x y) T A(x y) = x T Ax y T Ax x T Ay + y T Ay = y T Ay 2y T Ax + x T Ax = y T Ay 2y T b + x T Ax. Per ottenere (10) si è usato il fatto che la matrice è simmetrica e che x è la soluzione di (1). Si osserva inoltre che la distanza x y A come funzione di y è una funzione quadratica che ha un unico minimo assoluto per y = x. Infine notiamo che il punto di minimo non cambia se alla funzione precedente si somma una costante. Introduciamo la funzione quadratica ϕ : R n R data da (11) ϕ(y) = y T Ay 2y T b. Si calcolano allora facilmente il gradiente e la matrice hessiana di ϕ: (12) ϕ(y) = 2(Ay b), Hϕ(y) = 2A. Chiamato r(y) = b Ay il residuo, si ha che r(y) = ϕ(y)/2. Osserviamo che vale la seguente relazione: x y 2 A = ϕ(y) + x T Ax, quindi y è minimo per x y 2 A se e solo se è soluzione del seguente problema: PROBLEMA: cerchiamo x tale che ϕ(x) = min x R n ϕ(x). Condizione necessaria affinchè x sia soluzione di questo problema è che x sia un punto stazionario per ϕ cioè (13) ϕ(x) = 2(Ax b) = 0. Quindi se x è punto di minimo per ϕ allora è anche soluzione del sistema lineare Ax = b. Inoltre poiché la matrice A è definita positiva x è l unico punto di minimo per ϕ. Il problema di minimo e il sistema lineare Ax = b sono quindi equivalenti. Supponiamo di avere calcolato un approssimazione x (k) di x. Indichiamo con r (k) il residuo calcolato in x (k) : r (k) = r(x (k) ). Scegliamo come direzione di discesa r (k). Allora il punto di minimo di ϕ lungo tale direzione di discesa si trova come segue: i punti della retta che passa per x (k) ed è parallela ad r (k) sono individuati attraverso l espressione parametrica x (k) + αr (k), in particolare quelli nella direzione di discesa saranno individuati da α > 0. La restrizione di ϕ lungo questa semiretta è data da: (14) ϕ(x (k) + αr (k) ) = (x (k) + αr (k) ) T A(x (k) + αr (k) ) 2(x (k) + αr (k) ) T b = = x (k)t Ax (k) + αr (k)t Ax (k) + αx (k)t Ar (k) + +α 2 r (k)t Ar (k) 2b T x (k) 2αb T r (k) = = x (k)t Ax (k) 2b T x (k) + 2α(r (k)t Ax (k) r (k)t b) + α 2 r (k)t Ar (k) = = ϕ(x (k) ) 2αr (k)t r (k) + α 2 r (k)t Ar (k).

8 8 LUCIA GASTALDI La funzione ϕ(x (k) + αr (k) ) è una parabola rispetto alla variabile α, il suo punto di minimo si trova nel vertice per (15) α k = r(k)t r (k) r (k)t Ar (k). Metodo del gradiente o di steepest descent 1. Dato x 0 ; 2. calcola r 0 = b Ax 0 ; 3. per k = 0, 1,..., M (M numero massimo di iterazioni) 3.1 α k = r(k)t r (k) r (k)t Ar (k) ; 3.2 x (k+1) = x (k) + α k r (k) ; 3.3 r (k+1) = r (k) α k Ar (k) ; 3.4 test d arresto: se è verificato x (k+1) è la soluzione; altrimenti torno al punto 3. NOTA BENE: con la scelta di α k effettuata si ha che r (k+1)t r (k) = 0. La verifica è immediata, infatti (16) r (k+1)t r (k) = r (k)t r (k) α k r (k)t Ar (k) = 0 per definizione di α k. Valutiamo l errore usando la norma definita in (9), cercando di ottenere una relazione ricorsiva che leghi l errore all iterata k-esima con quello precedente, si ha: (17) x (k+1) x 2 A = (x(k+1) x ) T A(x (k+1) x ) = = (x (k) + α k r (k) x ) T A(x (k) + α k r (k) x ) = = (x (k) x ) T A(x (k) x ) + 2α k r (k)t A(x (k) x ) + α 2 r (k)t Ar (k) = = x (k) x 2 A + 2α kr (k)t ( r (k) ) + α 2 r (k)t Ar (k) = ( ) 2 = x (k) x 2 A 2 r(k)t r (k) r (k)t Ar (k) r(k)t r (k) r (k)t r (k) + r (k)t Ar (k) = r (k)t Ar (k) Osserviamo che (18) = x (k) x 2 A (r(k)t r (k) ) 2 r (k)t Ax (k). x (k) x 2 A = (x(k) x ) T AA 1 (Ax (k) Ax ) = = (Ax (k) Ax ) T A 1 (Ax (k) Ax ) = r (k)t A 1 r (k) e quindi ricaviamo da (17) ( ) (19) x (k+1) x 2 A = x (k) x 2 (r (k)t r (k) ) 2 A 1. r (k)t Ar (k) r (k)t A 1 r (k) La quantità (r (k)t r (k) ) 2 (20) ρ k = 1 r (k)t Ar (k) r (k)t A 1 r (k)

9 si chiama fattore di riduzione. Stimando la frazione mediante la disuguaglianza di Kantorovich: si ottiene (r (k)t r (k) ) 2 r (k)t Ar (k) r (k)t A 1 r (k) 4λ maxλ min (λ max + λ min ) 2 (21) x (k+1) x A K 2(A) 1 K 2 (A) + 1 x(k) x A, essendo K 2 (A) il numero di condizionamento della matrice A. Si ricorda che per matrici simmetriche e definite positive si ha K 2 (A) = λ max /λ min, dove λ max e λ min sono rispettivamente l autovalore massimo e minimo di A. Se K 2 (A) è molto grande, il fattore di riduzione si avvicina ad 1 ed il metodo può risultare molto lento come succede nell esempio riportato nella Figura 2. Nell esempio, il comportamento delle iterate illustra chiaramente che nel metodo del gradiente le direzioni lungo le quali si minimizza possono essere linearmente dipendenti. In particolare, nel caso bidimensionale considerato, si ha che i residui sono a passi alterni paralleli fra di loro. L idea è quindi quella di modificare l algoritmo del gradiente in modo da minimizzare lungo direzioni di discesa che risultino linearmente indipendenti. Il metodo di ricerca lineare dei minimi si può riscrivere quindi come segue: Metodo di ricerca lineare 1. Dato x 0 ; 2. calcolo r 0 = b Ax 0 ; 3. scelgo s 0 direzione di discesa 4. per k = 0, 1,..., M (M numero massimo di iterazioni) 3.1 α k = s(k)t r (k) s (k)t As (k) ; 3.2 x (k+1) = x (k) + α k s (k) ; 3.3 r (k+1) = r (k) α k As (k) ; 3.4 scelgo nuova direzione di discesa s (k+1) ; 3.5 test d arresto: se è verificato x (k+1) è la soluzione; altrimenti torno al punto 3. Si tratta quindi di trovare un modo per generare direzioni di discesa che siano linearmente indipendenti. Definizione 1. Un punto x (k) si dice ottimale rispetto ad una direzione p 0 se ϕ(x (k) ) ϕ(x (k) λp), λ R. Se x (k) è ottimale rispetto a tutte le direzioni di uno spazio vettoriale V, diremo che x (k) è ottimale rispetto a V. Dalla definizione 1 segue che se x (k) è ottimale rispetto a p allora vale r (k)t p = 0. Inoltre se x (k) è ottimale rispetto ad uno spazio vettoriale V si ha r (k)t v = 0 per ogni v V. Dato x (0), calcoliamo r (0) e minimizziamo la funzione quadratica lungo s (0) = r (0) ; otteniamo così (22) x (1) = x (0) + α 0 s (0) e r (1) = r (0) α 0 As (0) 9

10 10 LUCIA GASTALDI in modo tale che r (1)T s (0) = 0. Scegliamo ora s (1) e calcoliamo x (2) minimizzando ϕ lungo x ( 1) + αs (1), otteniamo: x (2) = x (1) + α 1 s (1), r (2) = r (1) α 1 As (1), con r (2)T s (1) = 0. Imponiamo che x (2) sia ottimale anche rispetto a s (0) cioè che r (2)T s (0) = 0; ricordando che r (1)T s (0) = 0, si ha: r (2)T s (0) = (r (1) α 1 As (1) ) T s (0) = r (1)T s (0) α 1 s (1)T As (0) = α 1 s (1)T As (0). Quindi per conservare la condizione di ottimalità tra un iterata e l altra deve essere s (1)T As (0) = 0. Diciamo che i vettori s (i) per i = 1,..., l (l < n) sono A-coniugati se vale che (23) s (i)t As (j) = 0 i, j = 1,..., l tali che i j. Quindi se le direzioni di discesa nel metodo della ricerca lineare sono tra loro A-coniugate, ad ogni iterazione si ottiene un approssimazione x (k) che è ottimale rispetto a tutte le direzioni di discesa usate. Supponiamo di aver calcolato la iterata x (k+1), dobbiamo ora costruire la direzione s (k+1) che serve per calcolare l iterata successiva. Siccome x (k+1) è ottimale rispetto a tutte le direzioni s (0),, s (k) finora usate, si ha che r (k+1)t s (i) = 0 per i = 0,, k. Quindi r (k+1) è linearmente indipendente a tutte le direzioni s (i). Poniamo s (k+1) = r (k+1) + β k s (k) e determiniamo β k in modo che sia A-coniugata con s (k) : s (k+1)t As (k) = r (k+1)t s (k) + β k s (k)t As (k) = 0 β k = r(k+1)t s (k) s (k)t As (k). Si dimostra che s (k+1) così definita è A-coniugata anche con s (i) per i = 0,, k 1. Il metodo che si ottiene scegliendo come s (0) = r (0) e direzioni di discesa A-coniugate prende il nome di metodo del gradiente coniugato. Osserviamo che la scelta delle direzioni di discesa A-coniugate ha un altra conseguenza importante, precisamente per ogni k vale r (k+1)t s (i) = 0 per i = 0, 1,..., k. Questo fatto implica che r (n)t s (i) = 0 per i = 0,..., n 1. Poichè le direzioni s (i) sono A-coniugate e quindi linearmente indipendenti, si ha che r (n) = 0. Ossia dopo n iterazioni del metodo del gradiente coniugato x (n) = x essendo x la soluzione del problema di minimo. Metodo del gradiente coniugato 1. Dato x 0 ; 2. calcola r 0 = b Ax 0 ; 3. poni s 0 = r 0 ; 4. per k = 0, 1,..., n

11 4.1 α k = r(k)t r (k) s (k)t As ; (k) 4.2 x (k+1) = x (k) + α k s (k) ; 4.3 r (k+1) = r (k) α k As (k) ; 4.4 β k = r(k+1)t r (k+1) ; r (k)t r (k) 4.5 s (k+1) = r (k+1) + β k s (k). Il costo dell algoritmo è 1 prodotto matrice per vettore, 2 prodotti scalari e 3 combinazioni lineari di due vettori. Ad ogni iterata l errore si riduce secondo la seguente legge: ( k (24) x (k) K2 (A) 1 x A 2 x 0 x A. K2 (A) + 1) Quindi il fattore di riduzione è più piccolo di quello del metodo di steepest descent, si confronti con (21). Il metodo risulta abbastanza efficiente se usato in maniera iterativa, specialmente nel caso in cui il problema è di grande dimensione (n 10000) e la matrice A è sparsa. Calcoliamo ad esempio quante iterazioni occorrono per ottenere una soluzione con un errore dell ordine di 10 m. Si deve quindi trovare k tale che x (k) x A x A 10 m. Poichè dalla relazione ricorsiva per l errore (24) si ha x (k) x A x A 2 ( ) k K2 (A) 1 x0 x A K2 (A) + 1 x A si ottiene ( ) x 0 x K2 A k m + log 10 (A). x A Il numero di iterazioni diventa quindi proporzionale alla radice quadrata del condizionamento di A. Per migliorare la velocità di convergenza e quindi ridurre il numero di iterazioni si può utilizzare anche in questo caso un precondizionamento della matrice A. 4. Precondizionamento Data una matrice non singolare A, dicesi matrice di precondizionamento una matrice P non singolare tale che la matrice P 1 A ha un numero di condizionamento più basso di quello di A ossia se vale K(P 1 A) << K(A). Se si conosce una matrice di prcondizionamento P allora si vuole deve risolvere il sistema equivalente P 1 Ax = P 1 b. Il problema è quello di costruire una matrice P che sia invertibile e tale che la risoluzione del sistema con matrice dei coefficienti P sia di basso e che non distrugga le proprietà di A. Ad esempio se A è un matrice simmetrica e definita positiva si vorrebbe usare ancora il metodo del gradiente coniugato per risolvere il sistema P 1 Ax = P 1 b. Purtroppo la matrice P 1 A non risulta simmetrica e definita positiva neanche se lo sono sia A che P, pertanto occorre affrontare il problema in modo un po diverso. Abbiamo visto che il metodo del gradiente coniugato 11

12 12 LUCIA GASTALDI si applica per la ricerca del minimo del funzionale quadratico ϕ definito in (11). Il metodo diventa molto lento quando K 2 (A) = λ max /λ min >> 1. In due dimensioni gli autovalori della matrice sono associati ai semiassi delle ellissi che rappresentano le curve di livello della funzione quadratica. Se λ max >> λ min vuol dire che le ellissi sono molto schiacciate lungo una direzione. L idea è quindi quella di cercare di operare un cambiamento di variabili in modo tale che rispetto al nuovo sistema di riferimento le curve di livello siano il più vicino possibile a dei cerchi. Introduciamo quindi una matrice non singolare E e poniamo ỹ = Ey. Sostituendo y = E 1 ỹ in (11), otteniamo il seguente funzionale quadratico rispetto alla nuova variabile ỹ (25) ϕ(ỹ) = (E 1 ỹ) T A(E 1 ỹ) 2(E 1 ỹ) T b = ỹe T AE 1 ỹ 2ỹ T E T b = ỹãỹ 2ỹT b, essendo à = E T AE 1, b = E T b. Il funzionale ϕ gode ancora delle stesse proprietà soddisfatte da ϕ essendo anche à una matrice simmetrica e definita positiva. Inoltre vale E 1 ÃE = E 1 E T AE 1 E = E 1 E T A = (E T E) 1 = P 1 A avendo posto P = E T E. Quindi à è simile ad una matrice P 1 A che rappresenta la matrice precondizionata. Calcoliamo ora la norma dell energia associata a à per ỹ = Ey: ỹ 2 à = ỹt Ãỹ = ỹ T E T AE 1 ỹ = y T Ay = y 2 A. Ne consegue che applicando il metodo del gradiente coniugato al funzionale quadratico (25) si ottiene il seguente comportamento dell errore: ( k x (k) x à K2 (P 2 1 A) 1 x x à K2 (P 1 A) + 1) (0) x à x à essendo x = Ex il minimo del funzionale ϕ. Ritornando al sistema di riferimento iniziale si ha quindi ( ) k x (k) x A K2 (P 2 1 A) 1 x (0) x A. x A K2 (P 1 A) + 1 x A L algoritmo del metodo del gradiente coniugato precondizionato si scrive nel modo seguente: Metodo del gradiente coniugato precondizionato 1. Dato x 0 ; 2. calcola r 0 = b Ax 0 ; 3. risolvi P z 0 = r 0 ; 4. poni s 0 = z 0 ; 5. per k = 0, 1,..., n 4.1 α k = z(k)t r (k) s (k)t As (k) ; 4.2 x (k+1) = x (k) + α k s (k) ; 4.3 r (k+1) = r (k) α k As (k) ;

13 4.4 risolvi P z (k+1) = r (k+1) ; 4.5 β k = r(k+1)t z (k+1) r (k)t z (k) ; 4.6 s (k+1) = z (k+1) + β k s (k). Il costo dell algoritmo è 2 prodotti matrice per vettore, 2 prodotti scalari e 3 combinazioni lineari di due vettori. Si noti che per motivi di efficienza la scelta di P è fatta in modo tale che il costo della risoluzione del sistema con matrice P è uguale al costo di una moltiplicazione matrice per vettore. Dipartimento di Matematica, Università di Brescia, Italy address: URL: 13

SISTEMI LINEARI QUADRATI: METODI ITERATIVI

SISTEMI LINEARI QUADRATI: METODI ITERATIVI SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Funzioni in più variabili

Funzioni in più variabili Funzioni in più variabili Corso di Analisi 1 di Andrea Centomo 27 gennaio 2011 Indichiamo con R n, n 1, l insieme delle n-uple ordinate di numeri reali R n4{(x 1, x 2,,x n ), x i R, i =1,,n}. Dato X R

Dettagli

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

RETTE, PIANI, SFERE, CIRCONFERENZE

RETTE, PIANI, SFERE, CIRCONFERENZE RETTE, PIANI, SFERE, CIRCONFERENZE 1. Esercizi Esercizio 1. Dati i punti A(1, 0, 1) e B(, 1, 1) trovare (1) la loro distanza; () il punto medio del segmento AB; (3) la retta AB sia in forma parametrica,

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto.

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto. 29 giugno 2009 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

Appunti di Algebra Lineare

Appunti di Algebra Lineare Appunti di Algebra Lineare Indice 1 I vettori geometrici. 1 1.1 Introduzione................................... 1 1. Somma e prodotto per uno scalare....................... 1 1.3 Combinazioni lineari e

Dettagli

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale

4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale 4 Quarta lezione: Spazi di Banach e funzionali lineari. Spazio duale Spazi Metrici Ricordiamo che uno spazio metrico è una coppia (X, d) dove X è un insieme e d : X X [0, + [ è una funzione, detta metrica,

Dettagli

QUADERNI DI DIDATTICA

QUADERNI DI DIDATTICA Department of Applied Mathematics, University of Venice QUADERNI DI DIDATTICA Tatiana Bassetto, Marco Corazza, Riccardo Gusso, Martina Nardon Esercizi sulle funzioni di più variabili reali con applicazioni

Dettagli

Geometria nel piano complesso

Geometria nel piano complesso Geometria nel piano complesso Giorgio Ottaviani Contents Un introduzione formale del piano complesso 2 Il teorema di Napoleone 5 L inversione circolare 6 4 Le trasformazioni di Möbius 7 5 Il birapporto

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc.

1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. Classi Numeriche 1 1 Numeri Complessi, Formula di Eulero, Decomposizioni Notevoli,... ecc. In questo breve capitolo richiamiamo le definizioni delle classi numeriche fondamentali, già note al lettore,

Dettagli

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti.

Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli. 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Appunti sul corso di Complementi di Matematica - prof. B.Bacchelli 03 - Equazioni differenziali lineari omogenee a coefficienti costanti. Def. Si dice equazione differenziale lineare del secondo ordine

Dettagli

IV-1 Funzioni reali di più variabili

IV-1 Funzioni reali di più variabili IV- FUNZIONI REALI DI PIÙ VARIABILI INSIEMI IN R N IV- Funzioni reali di più variabili Indice Insiemi in R n. Simmetrie degli insiemi............................................ 4 2 Funzioni da R n a R

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

Equazioni non lineari

Equazioni non lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Trovare il valore x R tale che f (x) = 0,

Dettagli

Esistenza di funzioni continue non differenziabili in alcun punto

Esistenza di funzioni continue non differenziabili in alcun punto UNIVERSITÀ DEGLI STUDI DI CAGLIARI FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI CORSO DI LAUREA IN MATEMATICA Esistenza di funzioni continue non differenziabili in alcun punto Relatore Prof. Andrea

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

Dettagli

Analisi Matematica I

Analisi Matematica I Analisi Matematica I Fabio Fagnani, Gabriele Grillo Dipartimento di Matematica Politecnico di Torino Queste dispense contengono il materiale delle lezioni del corso di Analisi Matematica I rivolto agli

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARCHIMEDE 4/ 97 ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA In un

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

Programmazione Non Lineare Ottimizzazione vincolata

Programmazione Non Lineare Ottimizzazione vincolata DINFO-Università di Palermo Programmazione Non Lineare Ottimizzazione vincolata D. Bauso, R. Pesenti Dipartimento di Ingegneria Informatica Università di Palermo DINFO-Università di Palermo 1 Sommario

Dettagli

Equazioni differenziali ordinarie

Equazioni differenziali ordinarie Capitolo 2 Equazioni differenziali ordinarie 2.1 Formulazione del problema In questa sezione formuleremo matematicamente il problema delle equazioni differenziali ordinarie e faremo alcune osservazioni

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz:

6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz: FUNZIONI DI PIU VARIABILI Esercizi svolti. Determinare il dominio delle seguenti funzioni e rappresentarlo graficamente : (a) f log( x y ) (b) f log(x + y ) (c) f y x 4 (d) f sin(x + y ) (e) f log(xy +

Dettagli

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06

Analisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06 Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. UdA n. 1 Titolo: Disequazioni algebriche Saper esprimere in linguaggio matematico disuguaglianze e disequazioni Risolvere problemi mediante l uso di disequazioni algebriche Le disequazioni I principi delle

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE

ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE ALCUNE APPLICAZIONI DEL CALCOLO DIFFERENZIALE Sia I un intervallo di R e siano a = inf(i) R { } e b = sup(i) R {+ }; i punti di I diversi dagli estremi a e b, ( e quindi appartenenti all intervallo aperto

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Esercizi su Autovalori e Autovettori

Esercizi su Autovalori e Autovettori Esercizi su Autovalori e Autovettori Esercizio n.1 5 A = 5, 5 5 5 Esercizio n.6 A =, Esercizio n.2 4 2 9 A = 2 1 8, 4 2 9 Esercizio n.7 6 3 3 A = 6 3 6, 3 3 6 Esercizio n.3 A = 4 6 6 2 2, 6 6 2 Esercizio

Dettagli

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale Radicali 1. Radice n-esima Terminologia Il simbolo è detto radicale. Il numero è detto radicando. Il numero è detto indice del radicale. Il numero è detto coefficiente del radicale. Definizione Sia un

Dettagli

Equazioni alle differenze finite (cenni).

Equazioni alle differenze finite (cenni). AL 011. Equazioni alle differenze finite (cenni). Sia a n } n IN una successione di numeri reali. (Qui usiamo la convenzione IN = 0, 1,,...}). Diremo che è una successione ricorsiva o definita per ricorrenza

Dettagli

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014

Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 2014 Proposta di soluzione della prova di matematica Liceo scientifico di Ordinamento - 14 Problema 1 Punto a) Osserviamo che g (x) = f(x) e pertanto g () = f() = in quanto Γ è tangente all asse delle ascisse,

Dettagli

L. Pandolfi. Lezioni di Analisi Matematica 2

L. Pandolfi. Lezioni di Analisi Matematica 2 L. Pandolfi Lezioni di Analisi Matematica 2 i Il testo presenta tre blocchi principali di argomenti: A Successioni e serie numeriche e di funzioni: Cap., e 2. B Questa parte consta di due, da studiarsi

Dettagli

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti

I Numeri Complessi. Si verifica facilmente che, per l operazione di somma in definita dalla (1), valgono le seguenti Y T T I Numeri Complessi Operazioni di somma e prodotto su Consideriamo, insieme delle coppie ordinate di numeri reali, per cui si ha!"# $&% '( e )("+* Introduciamo in tale insieme una operazione di somma,/0"#123045"#

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

Terne pitagoriche e teorema di Pitagora, numeri e triangoli. Riccardo Ricci: Dipartimento di Matematica U.Dini ricci@math.unif.it

Terne pitagoriche e teorema di Pitagora, numeri e triangoli. Riccardo Ricci: Dipartimento di Matematica U.Dini ricci@math.unif.it 3 4 5 Terne pitagoriche e teorema di Pitagora, numeri e triangoli Riccardo Ricci: Dipartimento di Matematica U.Dini ricci@math.unif.it Qualche osservazione preliminare sul Teorema di Pitagora e le terne

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli

FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO. Si chiama funzione lineare (o funzione affine) una funzione del tipo = +

FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO. Si chiama funzione lineare (o funzione affine) una funzione del tipo = + FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO Si chiama funzione lineare (o funzione affine) una funzione del tipo = + dove m e q sono numeri reali fissati. Il grafico di tale funzione è una retta, di cui

Dettagli

x (x i ) (x 1, x 2, x 3 ) dx 1 + f x 2 dx 2 + f x 3 dx i x i

x (x i ) (x 1, x 2, x 3 ) dx 1 + f x 2 dx 2 + f x 3 dx i x i NA. Operatore nabla Consideriamo una funzione scalare: f : A R, A R 3 differenziabile, di classe C (2) almeno. Il valore di questa funzione dipende dalle tre variabili: Il suo differenziale si scrive allora:

Dettagli

Esponenziali elogaritmi

Esponenziali elogaritmi Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

Risposta: L area del triangolo è dove sono le misure di due lati e è l ampiezza dell angolo tra essi compreso ;

Risposta: L area del triangolo è dove sono le misure di due lati e è l ampiezza dell angolo tra essi compreso ; 1. Un triangolo ha area 3 e due lati che misurano 2 e 3. Qual è la misura del terzo lato? : L area del triangolo è dove sono le misure di due lati e è l ampiezza dell angolo tra essi compreso ; nel nostro

Dettagli

Forme bilineari e prodotti scalari. Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione. b :

Forme bilineari e prodotti scalari. Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione. b : Forme bilineari e prodotti scalari Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione b : { V V K ( v, w) b( v, w), si dice forma bilineare su V se per ogni u, v, w V e per ogni k K:

Dettagli

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO LE TRASFORMAZIONI GEOMETRICHE NEL PIANO Una trasformazione geometrica è una funzione che fa corrispondere a ogni punto del piano un altro punto del piano stesso Si può pensare come MOVIMENTO di punti e

Dettagli

. analisi teorica (studio di esistenza, unicità della soluzione, sensitività rispetto ai dati, regolarità, comportamento qualitativo).

. analisi teorica (studio di esistenza, unicità della soluzione, sensitività rispetto ai dati, regolarità, comportamento qualitativo). 1 Modelli matematici Un modello è un insieme di equazioni e altre relazioni matematiche che rappresentano fenomeni fisici, spiegando ipotesi basate sull osservazione della realtà. In generale un modello

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

a. 10 4 b. 10-15 c. 10 25 d. 10-4 a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori a. 10-5 b. 10 +5 c. 10 +15 d.

a. 10 4 b. 10-15 c. 10 25 d. 10-4 a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori a. 10-5 b. 10 +5 c. 10 +15 d. 1) Il valore di 5 10 20 è: a. 10 4 b. 10-15 c. 10 25 d. 10-4 2) Il valore del rapporto (2,8 10-4 ) / (6,4 10 2 ) è: a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori 3) La quantità

Dettagli

Integrazione numerica

Integrazione numerica Integrazione numerica Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 6-20-26 ottobre 2009 Indice 1 Formule di quadratura semplici e composite Formule di quadratura

Dettagli

Raccolta di Esercizi di Matematica. Capitolo 8 : Modalità CAS (Computer Algebra S ystem)

Raccolta di Esercizi di Matematica. Capitolo 8 : Modalità CAS (Computer Algebra S ystem) Raccolta di Esercizi di Matematica Capitolo 8 : Modalità CAS (Computer Algebra S ystem) Contenuti: 8-1. L ordine Algebrico delle Operazioni 8-2. Problemi sulle Percentuali 8-3. Le Forme Standard e Point-Slope

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

Appunti sulle disequazioni

Appunti sulle disequazioni Premessa Istituto d Istruzione Superiore A. Tilgher Ercolano (Na) Appunti sulle disequazioni Questa breve trattazione non vuole costituire una guida completa ed esauriente sull argomento, ma vuole fornire

Dettagli

Convessità e derivabilità

Convessità e derivabilità Convessità e derivabilità Definizione 1 (convessità per funzioni derivabili) Sia f : (a, b) R derivabile su (a, b). Diremo che f è convessa o concava su (a, b) se per ogni 0 (a,b) il grafico di f sta tutto

Dettagli

Corso di Analisi Matematica. Polinomi e serie di Taylor

Corso di Analisi Matematica. Polinomi e serie di Taylor a.a. 2013/14 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli

Dettagli

I numeri complessi. Mario Spagnuolo Corso di Laurea in Fisica - Facoltà di Scienze - Università Federico II di Napoli

I numeri complessi. Mario Spagnuolo Corso di Laurea in Fisica - Facoltà di Scienze - Università Federico II di Napoli I numeri complessi Mario Spagnuolo Corso di Laurea in Fisica - Facoltà di Scienze - Università Federico II di Napoli 1 Introduzione Studiare i numeri complessi può sembrare inutile ed avulso dalla realtà;

Dettagli

1. Limite finito di una funzione in un punto

1. Limite finito di una funzione in un punto . Limite finito di una funzione in un punto Consideriamo la funzione: f ( ) = il cui dominio risulta essere R {}, e quindi il valore di f ( ) non è calcolabile in =. Quest affermazione tuttavia non esaurisce

Dettagli

Esercizi svolti sui numeri complessi

Esercizi svolti sui numeri complessi Francesco Daddi - ottobre 009 Esercizio 1 Risolvere l equazione z 1 + i = 1. Soluzione. Moltiplichiamo entrambi i membri per 1 + i in definitiva la soluzione è z 1 + i 1 + i = 1 1 + i z = 1 1 i. : z =

Dettagli

ED. Equazioni cardinali della dinamica

ED. Equazioni cardinali della dinamica ED. Equazioni cardinali della dinamica Dinamica dei sistemi La dinamica dei sistemi di punti materiali si può trattare, rispetto ad un osservatore inerziale, scrivendo l equazione fondamentale della dinamica

Dettagli

Numeri reali. Funzioni e loro grafici

Numeri reali. Funzioni e loro grafici Argomento Numeri reali. Funzioni e loro grafici Parte B - Funzioni e loro grafici Funzioni reali di variabile reale Definizioni. Supponiamo che A sia un sottoinsieme di R e che esista una legge che ad

Dettagli

Limiti e continuità di funzioni reali di una variabile

Limiti e continuità di funzioni reali di una variabile di funzioni reali di una variabile Corso di Analisi Matematica - capitolo VI Facoltà di Economia, UER Maria Caterina Bramati Université Libre de Bruxelles ECARES 22 Novembre 2006 Intuizione di ite di funzione

Dettagli

Analisi Matematica di circuiti elettrici

Analisi Matematica di circuiti elettrici Analisi Matematica di circuiti elettrici Eserciziario A cura del Prof. Marco Chirizzi 2011/2012 Cap.5 Numeri complessi 5.1 Definizione di numero complesso Si definisce numero complesso un numero scritto

Dettagli

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

Dipendenza dai dati iniziali

Dipendenza dai dati iniziali Dipendenza dai dati iniziali Dopo aver studiato il problema dell esistenza e unicità delle soluzioni dei problemi di Cauchy, il passo successivo è vedere come le traiettorie di queste ultime dipendono

Dettagli

Note integrative ed Esercizi consigliati

Note integrative ed Esercizi consigliati - a.a. 2006-07 Corso di Laurea Specialistica in Ingegneria Civile (CIS) Note integrative ed consigliati Laura Poggiolini e Gianna Stefani Indice 0 1 Convergenza uniforme 1 2 Convergenza totale 5 1 Numeri

Dettagli

Esercizi di Algebra Lineare. Claretta Carrara

Esercizi di Algebra Lineare. Claretta Carrara Esercizi di Algebra Lineare Claretta Carrara Indice Capitolo 1. Operazioni tra matrici e n-uple 1 1. Soluzioni 3 Capitolo. Rette e piani 15 1. Suggerimenti 19. Soluzioni 1 Capitolo 3. Gruppi, spazi e

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

CURVE DI LIVELLO. Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello.

CURVE DI LIVELLO. Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello. CURVE DI LIVELLO Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello. Definizione. Si chiama insieme di livello k della funzione f

Dettagli

Richiami: funzione di trasferimento e risposta al gradino

Richiami: funzione di trasferimento e risposta al gradino Richiami: funzione di trasferimento e risposta al gradino 1 Funzione di trasferimento La funzione di trasferimento di un sistema lineare è il rapporto di due polinomi della variabile complessa s. Essa

Dettagli

3. SPAZI VETTORIALI CON PRODOTTO SCALARE

3. SPAZI VETTORIALI CON PRODOTTO SCALARE 3 SPAZI VETTORIALI CON PRODOTTO SCALARE 31 Prodotti scalari Definizione 311 Sia V SV(R) Un prodotto scalare su V è un applicazione, : V V R (v 1,v 2 ) v 1,v 2 tale che: i) v,v = v,v per ogni v,v V ; ii)

Dettagli

ELEMENTI DI GEOMETRIA ANALITICA: LA RETTA.

ELEMENTI DI GEOMETRIA ANALITICA: LA RETTA. ELEMENTI DI GEOMETRIA ANALITICA: LA RETTA. Prerequisiti I radicali Risoluzione di sistemi di equazioni di primo e secondo grado. Classificazione e dominio delle funzioni algebriche Obiettivi minimi Saper

Dettagli

Consideriamo due polinomi

Consideriamo due polinomi Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al

Dettagli

Problema n. 1: CURVA NORD

Problema n. 1: CURVA NORD Problema n. 1: CURVA NORD Sei il responsabile della gestione del settore Curva Nord dell impianto sportivo della tua città e devi organizzare tutti i servizi relativi all ingresso e all uscita degli spettatori,

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

Rapida Introduzione all uso del Matlab Ottobre 2002 Rapida Introduzione all uso del Matlab Ottobre 2002 Tutti i tipi di dato utilizzati dal Matlab sono in forma di array. I vettori sono array monodimensionali, e così possono essere viste le serie temporali,

Dettagli

1 Alcuni criteri di convergenza per serie a termini non negativi

1 Alcuni criteri di convergenza per serie a termini non negativi Alcuni criteri di convergenza per serie a termini non negativi (Criterio del rapporto.) Consideriamo la serie a (.) a termini positivi (ossia a > 0, =, 2,...). Supponiamo che esista il seguente ite a +

Dettagli