SISTEMI LINEARI QUADRATI: METODI ITERATIVI

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "SISTEMI LINEARI QUADRATI: METODI ITERATIVI"

Transcript

1 SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54

2 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C n n Hermitiana se A = A, dove A = (ā j,i ) i=,...,n ; j=,...,n A R n n ortogonale se A T A = I; A C n n (simmetrica) unitaria se A A = I; A R n n (simmetrica) definita positiva se x T Ax > 0, x 0; A C n n (hermitiana) definita positiva se x Ax > 0, x 0; A diagonale dominante in senso forte[debole] se n n a i,i > a i,j, a i,i a i,j j= j i j= j i i =,..., n A diagonale dominante se n a i,i a i,j, i =,..., n, ed k : a k,k > j= j i n j= j k a k,j SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.2/54

3 RICHIAMI di ALGEBRA LINEARE TEOREMA Se A R n n è simmetrica, sono equivalenti:. A definita positiva; 2. gli autovalori di A sono reali e positivi; 3. i determinanti dei minori principali di A verificano: det(a k ) > 0, k =,..., n (criterio di Sylvester). L algebra lineare numerica richiede spazi lineari normati ESEMPIO: Si consideri il sistema lineare x x 2 x 3 = la cui soluzione è x = [3,, ] T. Si supponga di aver ottenuto le seguenti approssimazioni della soluzione: v = [ , , ] T z = [ , , ] T Come possiamo stabilire quale delle due grandezze è più vicina alla soluzione del sistema? SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.3/54

4 Norma di vettore Definizione: Sia X spazio lineare e f : X R funzionale tale che. f(x) 0, x X, f(x) = 0 x = 0; 2. f(x + y) f(x) + f(y), x, y X; 3. f(αx) = α f(x), α R(C), x X; X è detto spazio lineare normato (sln) e f è detta norma. In particolare per X = R n si usano le norme p o Hölderiane: x p := ( x p + x 2 p + + x n p ) p x := x + x x n x 2 := x 2 + x x2 n x := max{ x, x 2,..., x n } SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.4/54

5 Norma di vettore Definizione: Siano f ed g due norme di R n. Se esistono c, C R + t.c. cg(x) f(x) Cg(x), x R n f ed g si dicono norme equivalenti., 2, sono norme equivalenti x x n x x x 2 n x x / n x 2 x ma con diversa geometria: S = {x R n : x } 2 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.5/54

6 Norma di matrici in R n n Definizione: Sia R n una norma vettoriale. R n n si dice compatibile o consistente con R n se A, B R n n e x R n si ha Ax R n A R n n x R n AB R n n A R n n B R n n Definizione: Sia R n n compatibile, si dice indotta da R n se A R n n x R n t.c. Ax R n = A R n n x R n Definizione: Sia data R n norma vettoriale, il funzionale : R n n R t.c. A := sup x 0 Ax R n x R n = max x R n = Ax R n è una norma, norma naturale Ogni norma naturale è indotta: sia ȳ : Aȳ = max x = Ax Aȳ = A = A ȳ SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.6/54

7 Principali norme indotte naturali induce A := max j n induce A := max i n 2 induce A 2 := n a i,j i= n a i,j j= ρ(a T A) dove data M R p p, ρ(m) = max k p λ k (M) è il suo raggio spettrale SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.7/54

8 Proprietà delle norme naturali Sia M R p p ρ(m) = inf{ M : norma naturale} ovvero ε > 0, norma naturale t.c ρ(m) M ρ(m) + ε, ne segue M R p p, norma naturale, ρ(m) M Una matrice M R p p si dice convergente se lim k M k = 0 Teorema M convergente ρ(m) < Invarianza della norma rispetto a trasformazioni ortogonali: x R n, U R n n ortogonale: x 2 = Ux 2 A R m n, U R m m, V R n n ortogonali: A 2 = UAV 2 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.8/54

9 SISTEMI LINEARI QUADRATI Sia A R n n, b R n, se det A 0 allora!x R n t.c. Ax = b. Molti modelli matematici significativi sono di tipo lineare Sistemi lineari nascono da contesti diversi, è importante disporre di un ampia varietà di algoritmi in modo da scegliere il più adatto al problema specifico (stabilità, occupazione di memoria, velocità) I metodi per i sistemi lineari si dividono in due gruppi: Metodi diretti: si basano sull idea di trasformare il sistema attraverso un numero finito di operazioni in un sistema equivalente di cui sia esplicitamente calcolabile la soluzione. In assenza di errori di arrotondamento forniscono la soluzione esatta. Metodi iterativi: la soluzione è ottenuta come limite di una successione. Permettono di sfruttare la sparsità della matrice dei coeffcienti in quanto al contrario dei metodi diretti, tale matrice non viene modificata SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.9/54

10 Condizionamento Dato Ax = b si vuol studiare come varia la soluzione del sistema al variare dei dati(a, b). Si studia il caso in cui solo il termine noto viene modificato. Si esprime la perturbazione sui dati con δb R n e siano x e x + δx rispettivamente le soluzioni di sottraendo i due sistemi Ax = b, A(x + δx) = b + δb Aδx = δb δx = A δb da cui rispetto ad una norma naturale: δx A δb Poichè b = Ax A x ne segue / x A / b e quindi δx x A A δb b SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.0/54

11 Condizionamento Consideriamo il caso in cui la matrice A venga perturbata, si esprime εδa R n n la perturbazione di A e εδb R n quella di b (ε R positivo e sufficientemente piccolo). Si risolve il sistema (A + εδa)x(ε) = b + εδb; () con x(0) = x. Se det A 0 allora per ε piccolo det(a + εδa) 0; posso ricavare x(ε) = (A + εδa) (b + εδb) funzione di ε derivabile in un intorno dell origine. Derivando () rispetto a ε si ha δax(ε) + (A + εδa)ẋ(ε) = δb; per ε = 0 : δax(0) + Aẋ(0) = δb da cui ẋ(0) = A (δb δax(0)). Sviluppando in serie x(ε) = x(0) + εẋ(0) + O(ε 2 ) x(ε) x(0) εẋ(0) da cui x(ε) x(0) x(0) εẋ(0) x(0) = ε A (δb δax(0)) x(0) SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54

12 Condizionamento x(ε) x(0) x(0) ε A δb δax(0) x(0) ( ) δb ε A x(0) + δa = ε A A ( εδb A A b + εδa ) A ( κ(a) ε δb b + ε δa ) A ( δb A x + δa ) A κ(a) := A A : numero di condizionamento ( qualsiasi norma naturale) ( x(ε) x κ(a) ε δb x b + ε δa ) A Il rapporto tra l errore relativo sui risultati e l errore relativo sui dati risulta minore o uguale di κ(a) SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.2/54

13 Condizionamento: proprietà κ(a) : infatti κ(a) = A A A A = I = Non ci sono relazioni tra ordine del sistema e numero di condizionamento: A = + 0 5, A = 0 5 κ (A ) : matrice piccola e malcondizionata A 2 = , A 2 = n n n κ (A 2 ) = A 2 A 2 = n 2n : matrice grande e malcondizionata SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.3/54

14 Condizionamento: proprietà Non ci sono relazioni tra determinante e numero di condizionamento: det(a 2 ) = 0, ma κ (A 2 ) = n2 n malcondizionata A 3 = , A 3 = , det(a 3 ) = 0 n, κ (A 3 ) = : matrice quasi singolare e bencondizionata Non è semplice calcolare κ(a): occorre calcolare A che equivale a risolvere n sistemi lineari è importante stimare κ(a). SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.4/54

15 Dato Ax = b, come calcolare x? Il metodo di Cramer è inefficiente. Esempio: n = 30 (sistema medio-piccolo) Occorrono n + determinanti di ordine n, per ciascuno occorre sommare n! termini. In ognuno ci sono n prodotti, complessivamente occorrono: (n + )n!(n ) prodotti ovvero per n = 30 circa 0 34 prodotti e supponendo un tempo di 0 6 secondi per prodotto, si ottiene un tempo di circa 0 28 sec anni In qualche caso il calcolo è semplice: sistemi con matrici triangolari inferiori o superiori. A = : 2x = 4 2x + 4y = 8 3x 2y + 3z = 0 x = 2 y = x 2y + 3z = 0 x = 2 y = z = = 2 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.5/54

16 Sistemi triangolari Ly = b con L R n n triangolare inferiore non singolare l y = b y = b /l l 2 y + l 22 y 2 = b 2 l i y + + l ii y i = b i y 2 = (b 2 l 2 y )/l 22 y i = [b i (l i y + + l i,i y i )]/l ii l n y + + l nn y n = b n y n = (b n n j= l njy j )/l nn Algoritmo di Sostituzione in avanti. Per i =, 2,..., n. y i := b i 2. Per j =, 2,..., i y i := y i l ij y j 3. y i := y i /l ii SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.6/54

17 Sistemi triangolari Rx = y con R R n n triangolare superiore non singolare r x + r 2 x 2 + r n x n = y r 22 x r 2n x n = y 2. r nn x n = y n Algoritmo di Sostituzione all indietro. Per i = n, n,...,. x i := y i 2. Per j = i +, i + 2,..., n 3. x i := x i /r ii x i := x i r ij x j costo computazionale: si calcola il numero di prodotti/divisioni eseguite in funzione di n e si assume come costo il termine con la potenza più alta: n n n(n ) (i ) = i = prodotti 2 i=2 i= n divisioni n2 2 operazioni SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.7/54

18 Metodi diretti: fattorizzazione LR Idea Base: trasformare il problema complesso in uno equivalente più semplice. Se esistono L R n n triangolare inferiore e R R n n triangolare superiore tali che A = LR (fattorizzazione LR) allora: Ly = b AX = b LRx = b Rx = y Esiste la fattorizzazione LR e se esiste è unica? l 0 0 l 2 l r r 2 r n 0 r 22 r 2n = a a n.... l n l n2 l nn 0 0 r nn a n a nn n 2 equazioni non lineari in n 2 + n incognite si fissano n incognite r = r 22 = = r nn = : fatt. alla Crout l = l 22 = = l nn = : fatt. alla Dolittle ( associata al metodo di Gauss) SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.8/54

19 Metodi iterativi Nei metodi diretti la presenza di eventuali elementi nulli nella matrice non può essere sfruttata ai fini di ridurre in il costo computazionale sia l occupazione di memoria ( aspetti significativi per sistemi di grandi dimensioni) infatti la trasformazione di A può introdurre un numero diverso da zero laddove prima c era uno zero (fill in) I metodi iterativi sono utili per la risoluzione di sistemi lineari di grandi dimensioni con matrici A sparse ( il numero degli elementi non nulli è dell ordine di n) Dato il sistema lineare Ax = b, A R n n, b R n con soluzione x R n, si vuol costruire partendo, da un x (0) R n assegnato, una successione {x (k) } tale che () x (k) x (2) x (k) `facile e non dispendioso da costruire SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.9/54

20 Metodi iterativi ESEMPIO: Assegnato x (0) R n METODO di JACOBI (o spostamenti simultanei) x (k+) i = a ii b i n j=,j i a ij x (k) j a ii 0 METODO di GAUSS-SEIDEL (o spostamenti successivi) x (k+) i = a ii b i i j=,j i a ij x (k+) j n j=i+,j i a ij x (k) j a ii 0 si può notare che nella prima sommatoria si usano le componenti nuove del vettore SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.20/54

21 Metodi iterativi = Per entrambi si può dare una formulazione matriciale: scomponiamo A = L + D + U a. a a a n. a 3 a a a 23 a 2n 22 D = U = a n,n 0 a nn a n a n2 a n,n 0 Jacobi: a ii x (k+) i = i j=,j i a ijx (k) j n j=i+,j i a ijx (k) j + b i Dx (k+) = (L + U)x (k) + b Gauss-Seidel: i j=,j i a ijx (k+) j + a ii x (k+) i = n j=i+,j i a ijx (k) j + b i (L + D)x (k+) = Ux (k) + b SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.2/54

22 Metodi iterativi Jacobi e Gauss-Seidel sono casi particolari di splitting di A: si cercano due matrici M,N, con M non singolare tali che A = M N da cui Ax = b (M N)x = b Mx = Nx + b x = M Nx + M b Si ricava il procedimento iterativo x (k+) = M Nx (k) + M b OSS: Non è detto che per calcolare x (k) si calcoli effettivemante l inversa di M, in generale si risolve il sistema lineare facile Mx (k+) = Nx (k) + b JACOBI: M = D, N = (L + U); GAUSS-SEIDEL: M = L + D, N = U SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.22/54

23 Metodi iterativi: convergenza DEF: Un metodo iterativo per sistemi lineari x (k+) = P x (k) + q, P : (matrice di iterazione) è convergente se x (0) lim k e(k) = 0 dove e (k) = x (k) x e x = P x + q (x soluzione esatta) e (k) = x (k) x = P x (k ) + q (P x + q) = P (x (k ) x ) = = P k (x (0) x ) = P k e (0) TEO: e (k) = x (k) x = P k e (0) converge a 0 R n, x (0) se e solo se {P k } è convergente. COR: {e (k) } converge a 0 se e solo se ρ(p ) <. COR: {e (k) } converge a 0 se vale P < per una qualunque norma naturale. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.23/54

24 Metodi iterativi: convergenza È importante sapere quanto velocemente converge il metodo. Si può tentare di stimare il numero k di iterazioni necessarie per ridurre l errore iniziale di un fattore maggiore o uguale a 0 m : e (k) 0 m e (0) e(k) e (0) 0 m e (k) = P k e (0) P k e (0) per ogni norma naturale indotta dalla norma vettoriale. Si può scegliere k tale che P k e (0) 0 m e (0) ovvero P k 0 m. Tenendo conto che esiste una norma naturale tale che ε > 0 ρ(p k ) P k ρ(p k ) + ε, si cerca k tale che ρ(p k ) = ρ(p ) k 0 m ovvero k log 0 (ρ(p )) m da cui k m log 0 (ρ(p )) Si definisce R = log 0 (ρ(p )) velocità di convergenza: maggiore è R (più piccolo è il raggio spettrale) minori sono le iterazioni necessarie SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.24/54

25 Convergenza: condizioni necessarie e sufficienti Applichiamo i teoremi di convergenza ai metodi di Jacobi e Gauss-Seidel; occorre analizzare gli autovalori di P = M N: 0 = det(λi M N) = det(λm M M N) = det(m ) det(λm N) Jacobi: det λa a 2 a n a 2 λa a 2n..... a n,n = 0 Gauss-Seidel: det a n a n2 λa nn λa a 2 a n λa 2 λa a 2n..... a n,n = 0 λa n λa n2 λa nn Non è semplice l analisi dello spettro di queste matrici. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.25/54

26 Convergenza: condizioni sufficienti Jacobi: M N = = max i n j=,j i 0 a 2 a a n a a 2 0 a 22. a n a nn a ij a ii <,... a 2n a a n2 a nn 0 n j=,j i a ij < a ii, i ovvero A a diagonale dominante in senso forte. Si dimostra anche per la trasposta. TEO: Il metodo di Jacobi converge se A è a diagonale dominante in senso forte oppure se A T è a diagonale dominante in senso forte Gauss-Seidel: si dimostra analogamente il seguente TEO: Il metodo di Gauss-Seidel converge se A è a diagonale dominante in senso forte. TEO: Il metodo di Gauss-Seidel converge se A è simmetrica e definita positiva. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.26/54

27 Convergenza: condizioni necessarie. tr(p ) = n i= λ i: se tr(p ) > n λ i t.c. λ i > 2. det(p ) = Π n i= λ i: se det(p ) > λ i t.c. λ i > per avere la convergenza è necessario( ma non sufficiente) che tr(p ) < n, det(p ) < SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.27/54

28 Convergenza: casi particolari TEO (Stein-Rosemberg) Se a ii 0 e siano maggiori o uguali a zero gli elementi di J, matrice di iterazione del metodo di Jacobi. Indicando con GS la matrice di iterazione del metodo di Gauss-Seidel, vale una e una sola delle seguenti:. ρ(gs) = ρ(j) = 2. ρ(gs) = ρ(j) = 0 3. ρ(gs) < ρ(j) < 4. ρ(gs) > ρ(j) > Molte classi di matrici note (ad esempio quelle derivanti dalla discretizzazione di PDE di tipo ellittico) soddisfano le ipotesi del teorema sopra. In tali situazioni conviene utilizzare il metodo di Gauss-Seidel che converge più velocemente. Nel caso di matrici tridiagonali è possibile stabilire esattamente quanto il metodo di Gauss-Seidel converga (in questo caso) più velocemente del metodo di Jacobi, infatti vale ρ(gs) = ρ(j) 2 e quindi Gauss-Seidel ha velocità doppia. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.28/54

29 Varianti del metodo GS: metodo SOR Per aumentare la velocità di convergenza nei metodi visti si può introdurre un parametro ω variabile, da scegliere in maniera opportuna. Dal metodo di Gauss-Seidel si considera: x (k+) i = ω a ii b i i j=,j i a ij x (k+) j n j=i+,j i a ij x (k) j +( ω)x (k) i a ii 0 x (k+) i è ottenuto come combinazione lineare di x (k) i e della i-esima componente del vettore ottenuta con il metodo di Gauss-Seidel. In termini matriciali: a ii x (k+) i + ω i j=,j i a ij x (k+) j = ω n j=i+,j i a ij x (k) j + ( ω)a ii x (k) i + ωb i (D + ωl)x (k+) = [ ωu + ( ω)d]x (k) + ωb M ω x (k+) = N ω x (k) + ωb M ω := D + ωl, N ω := ωu + ( ω)d SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.29/54

30 Metodo SOR M ω x (k+) = N ω x (k) + ωb Metodo di rilassamento per ω = il metodo coincide con il procedimento di Gauss-Seidel e per ω il numero di operazioni richieste per effettuare un iterazione è dello stesso ordine di quelle richieste dal metodo di Gauss-Seidel, in particolare per ω < si parla di sottorilassamento ω > si parla di sovrarilassamento La convergenza e la velocità di convergenza del metodo sono legate a ρ(m ω N ω) che per A data dipende da ω. Per valori di ω R tali che 0 < ω < 2 è assicurata la convergenza (Teo. di Kahan) Per la velocità, si può cercare il parametro di rilassamento ottimo, cioè: ω t.c. ρ(m ω N ω) ρ(mω N ω ), ω È un complicato problema di minimo, ma per alcune classi di importanti problemi (dati da discretizzazione di PDE) il parametro di rilassamento è noto. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.30/54

31 Stabilità e costo computazionale I metodi iterativi sono stabili: la convergenza (per ogni vettore iniziale) corregge gli errori di arrotondamento Ad ogni iterazione sono richieste n 2 operazioni: affinchè sia vantaggioso rispetto ai metodi diretti è necessario che sia limitato il numero di iterazioni necessarie Il grande vantaggio risiede nell occupazione di memoria: per matrici sparse possono essere memorizzati solo gli elementi diversi da zero. Schema. Dati M N, M b, Nmax, toll, x (0) 2. Per k =, 2,...,Nmax (a) x () := M Nx (0) + M b (b) se x () x (0) < toll x () STOP criterio di arresto soddisfatto, la soluzione è x () altrimenti x (0) := x (), prosegui 3. STOP: Criterio non soddisfatto in Nmax itezioni SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.3/54

32 ESERCIZI SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.32/54

33 Esecizio. Studiare la convergenza del metodo di Jacobi e del metodo Gauss-Seidel per la risoluzione del sistema lineare Ax = b con Sia A = D + L + U : A = = ) Per Jacobi consideriamo il seguente splitting di A = M N con M = D e N = (L + U) e M N = = SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.33/54

34 Esecizio (segue...) Si cercano gli autovalori di M N : det λ λ λ = λ3 + 3λ + 2 = λ( λ 2 ) + 2(λ + ) = (λ + )(λ λ 2 + 2) dove (λ + )(λ λ 2 + 2) = 0 per λ =, 2. Quindi gli autovalori di M N sono {, 2} e 2 il raggio spettrale ρ(m N) = 2 max{, 2} = non converge ad esempio x (0) =, b = x() = M Nx (0) = = al passo k esimo si ha x (k) = ( ) k x (0), quindi non converge. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.34/54

35 Esecizio (segue... ) 2) Per Gauss-Seidel consideriamo il seguente splitting di A = M N con M = D + L e N = U per cui M N = = = λ ρ(m 2 2 N) = det 0 4 λ 4 = λ det 4 λ λ 8 8 λ [( ) ( ) 3 = λ 4 λ 8 λ + ] ( = λ λ λ + ) 8 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.35/54

36 Esecizio (segue... ) λ ( λ λ + ) 8 = 0 per λ = 0, λ 2,3 = { ( Gli autovalori di M N sono 0, 5 ± i )} ( 5 ± i ) 7. e il suo raggio spettrale ρ(m N) = max { 0, 6 ( 5 ± i ) } 7 = = 2 = < il metodo di Gauss-Seidel converge. OSS: Per il metodo Gauss-Seidel la convergenza è garantita se A è simmetrica e definita positiva. Poichè A è simmetrica verifico che sia definita positiva controllando il segno di tutti i suoi minori principali: det(a ) = a = 2 > 0, det(a 2 ) = det 2 2 det(a 3 ) = det(a) = = 4 > 0 = 3 > 0 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.36/54

37 Esecizio 2. Studiare la convergenza del metodo di Jacobi e del metodo Gauss-Seidel per la risoluzione del sistema lineare Ax = b con Sia A = D + L + U : A = = ) Per Jacobi consideriamo il seguente splitting di A = M N con M = D e N = (L + U) e J := M N = I SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.37/54

38 Esecizio 2 (segue...) si cerca lo spettro di J, calcolando det(j λi): det λ 2 2 λ 2 2 λ = λ λ + 2λ + 2λ = λ 3 λ 3 = 0, per λ i = 0, i =, 2, 3 ρ(j) = 0 < il metodo di Jacobi converge 2) Per Gauss-Seidel consideriamo il seguente splitting di A = M N con M = D + L e N = U e GS := M N = (D + L) ( U) = = = SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.38/54

39 Esecizio 2 (segue...) calcoliamo lo spettro di GS: det(gs λi) = λ λ λ = λ(λ 2)2 det(gs λi) = 0 per λ = 0, λ 2 = λ 3 = 2 ρ(gs) = 2 > il metodo di Gauss-Seidel non converge Verifichiamo se le condizioni necessarie per la convergenza erano soddisfatte: JACOBI: det(j) = = 0 < condizione soddisfatta tr(j) = 0 < 3 condizione soddisfatta il metodo può convergere GAUSS-SEIDEL: det(gs) = 0 < condizione soddisfatta tr(gs) = 4 > 3 condizione non soddisfatta il metodo non può convergere SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.39/54

40 Esecizio 3. Assegnata la matrice A ed il vettore b: A = , b = ) si vuol approssimare la soluzione del sistema Ax = b calcolando il termine x (3) della successione ottenuta con il metodo iterativo di Jacobi a partire dal vettore iniziale x (0) = [ 0 0] T. ) Il sistema lineare da risolvere è: 5x + 2x 2 = 2 x 6x 2 + x 3 = 2 x + 4x 3 = 0 x (k+) = (2 2x (k) 2 )/5 x (k+) 2 = ( 2 x (k) x (k) 3 )/( 6) x (k+) 3 = (0 x (k) )/4 Partendo dal vettore x (0) = [ 0 0] T si ottengono immediatamente i termini successivi: x () = [ ] 9 T, x (2) = 4 [ ] 9 T, x (3) = 0 [ ] T SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.40/54

41 Esecizio 3 (segue...) 2) Tenendo conto che la soluzione del sistema è data x = [2 2] T, è possibile dare una giustificazione della buona approssimazione ottenuta con x (3)? 2) Per Jacobi si considera il seguente splitting di A = M N con M = D e N = (L + U) e J := M N = = 0 2/5 0 /6 0 /6 /4 0 0 < ) e quindi il 2 metodo di Jacobi applicato a questa matrice ha una buona velocità di convergenza. Inoltre, senza Si vede immediatamente che M N = 2 5 < (oppure M N = 5 entrare nell analisi dello spetto della matrice di iterazione, si può dire che il metodo di Jacobi è convergente perchè la matrice A è a diagonale dominante in senso forte. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.4/54

42 Esecizio 4. Assegnata la matrice A e il vettore b: A = , b = 0 0 ; 0 3 ) si chiede di approssimare la soluzione del sistema lineare Ax = b calcolando il termine x (3) della successione ottenuta con il metodo iterativo di Gauss-Seidel a partire dal vettore iniziale x (0) = [, 0, ] T ; 2) determinare inoltre se il metodo converge e in caso affermativo determinarne la velocità di convergenza. 3) In generale, sotto quali condizioni sulla matrice A è assicurata la convergenza del metodo di Gauss-Seidel? SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.42/54

43 Esecizio 4 (segue...) ) Il sistema lineare da risolvere è il seguente: 2x + x 3 = 0 x + 2x 2 = 0 x + 3x 3 = con soluzione [ 2,, 4]. Dall applicazione delle formule di Gauss-Seidel si ottiene: 0 x (k+) = x (k) 3 /2 x (k+) 2 = x (k+) /2 x (k+) 3 = ( x (k+) )/3 partendo dal vettore iniziale x (0) = [, 0, ] T, si ottengono i termini successivi: x () = [ 2, 4, 2 ] T, x (2) = [ 4, ] 8, 5 T, x (3) = 2 [ 5 24, 5 48, 29 ] T 72 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.43/54

44 Esecizio 4 (segue...) 2) Un metodo iterativo per sistemi lineari può essere espresso x (0) R n, x (k+) = M Nx (k) + M b. dove A = M N, det(m) 0. Si ricorda che il metodo converge qualunque sia il vettore iniziale se e soltanto se ρ(m N) < e che la velocità di convergenza è data da R = log(ρ(m N)). Si ricorda inoltre che ρ(m N) M N per ogni norma matriciale naturale. In particolare nel metodo di Gauss-Seidel si ha: M = , N = da cui M N = = SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.44/54

45 Esecizio 4 (segue...) Poichè { M N = max 2, 4, } 6 = 2 <, il metodo di Gauss-Seidel applicato al sistema lineare dato converge. Si poteva anche dire che il metodo di Gauss-Seidel è convergente perché la matrice A è a diagonale dominante in senso forte. Gli autovalori di M N sono {0, 0, } per cui 6 ρ(m N) = 6 e la velocità di convergenza R = log 0 (/6) =.798. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.45/54

46 Esecizio 5. Assegnata la matrice A e il vettore b: A = , b = 9 ; ) si chiede di approssimare la soluzione del sistema lineare Ax = b calcolando il termine x (3) della successione ottenuta con i metodo iterativo di Jacobi a partire dal vettore iniziale x (0) = [0,, 0] T ; 2) determinare inoltre se il metodo converge qualunque sia il vettore iniziale e in caso affermativo determinarne la velocità di convergenza. ) Il sistema lineare da risolvere è il seguente: 8x + x 3 = 9 2x + 4x 2 + x 3 = x + 2x 3 = 3 SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.46/54

47 Esecizio 5 (segue...) dall applicazione delle formule di Jacobi si ottiene: x (k+) = (9 x (k) 3 )/8 x (k+) 2 = ( 2x (k) x (k) 3 )/4 x (k+) 3 = (3 x (k) )/2 partendo dal vettore iniziale x (0) = [0,, 0] T, si ottengono i termini successivi: x () = [ 9 8, 4, 3 2 ] T, x (2) = [ 5 6, 29 6, 5 ] T, x (3) = 6 [ 29 28, 3 64, 33 ] T 32 2) Un metodo iterativo per sistemi lineari può essere espresso x (0) R n, x (k+) = M Nx (k) + M b. dove A = M N, det(m) 0. Si ricorda che il metodo converge qualunque sia il vettore iniziale se e soltanto se ρ(m N) < e che la velocità di convergenza è data da R = log(ρ(m N)). SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.47/54

48 Esecizio 5 (segue...) Si ricorda inoltre che ρ(m N) < M N per ogni norma matriciale naturale. In particolare nel metodo di Jacobi si ha M = diag(a), quindi: M = , N = da cui M N = <, il metodo di Jacobi applicato al sistema Poichè M N = 8 max{, 6, 4} = 3 4 lineare dato converge. Gli autovalori di M N sono {0, 4, 4 } per cui ρ(m N) = 4 e la velocità di convergenza R = log 0 (/4) = Si poteva anche dire che il metodo di Jacobi è convergente perché la matrice A è a diagonale dominante in senso forte. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.48/54

49 Esecizio 6 Verificare le ipotesi del terorema di Stein-Rosemberg per la matrice A: A = , e confrontare la convergenza del metodo di Jacobi e del metodo di Gauss-Seidel applicati ad A analizzando i rispettivi raggi spettrali. La condizione a ii 0 è soddisfatta per i =, 2, 3. Calcoliamo la matrice di iterazione di Jacobi. M = , N = J := M N = La matrice J è a termini positivi per cui le ipotesi del teoroma sono verificate. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.49/54

50 Esecizio 6 (segue...) Calcoliamo il raggio spettrale di J: det λ λ λ = λ3 per cui ρ(j) = 0, e per il teorema di Stein-Rosemberg anche il raggio spettrale di Gauss-Seidel sarà nullo. Verifichiamo: M = , N = GS := M N = ρ(gs) = 0. Quindi covergono entrambi alla massima velocità. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.50/54

51 Esecizio 7 Verificare le ipotesi del terorema di Stein-Rosemberg per la matrice A: A = , e confrontare la convergenza del metodo di Jacobi e del metodo di Gauss-Seidel applicati ad A analizzando i rispettivi raggi spettrali. La condizione a ii 0 è soddisfatta per i =, 2, 3. Calcoliamo la matrice di iterazione di Jacobi. M = , N = J := M N = La matrice J è a termini positivi per cui le ipotesi del teoroma sono verificate. SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.5/54

52 Esecizio 7 (segue...) Calcoliamo il raggio spettrale di J: det λ λ λ = λ λ λ = λ ( λ ) 8 per cui gli autovalori sono λ = 0, λ 2,3 = ± ±0.343 ρ(j) <, e per il teorema di Stein-Rosemberg anche il raggio spettrale di Gauss-Seidel è minore con ρ(gs) < ρ(j) <. Verifichiamo: M = , N = GS := M N = = = SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.52/54

53 Esecizio 7 (segue...) Calcoliamo il raggio spettrale di GS: det λ λ λ = λ[(6 λ)(2 λ) 2] = λ2 (λ 8) per cui gli autovalori sono λ = λ 2 = 0, λ 3 = 8 ρ(gs) = SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.53/54

54 Esecizio 8 Verificare le ipotesi del terorema di Stein-Rosemberg per la matrice A: A = , e confrontare la convergenza del metodo di Jacobi e del metodo di Gauss-Seidel applicati ad A analizzando i rispettivi raggi spettrali. La condizione a ii 0 è soddisfatta per i =, 2, 3. Calcoliamo la matrice di iterazione di Jacobi. J = , det λ λ 2 2 λ = λ3 + λ per cui gli autovalori sono {0,, } e ρ(j) = per il terorema di Stein-Rosemberg anche ρ(gs) = quindi i due metodi applicati ad A non convergono SISTEMI LINEARI QUADRATI:METODI ITERATIVI p.54/54

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU

9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU 9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis

Dettagli

RICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come

RICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può

Dettagli

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici C. Vergara 3. Metodo della fattorizzazione LU per la risoluzione di un sistema lineare Errori di arrotondamento. Prima di affrontare la

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano

Dettagli

Corso di Analisi Numerica

Corso di Analisi Numerica Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze

Dettagli

Metodi iterativi per sistemi lineari

Metodi iterativi per sistemi lineari Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni

Dettagli

Metodi diretti per la soluzione di sistemi lineari

Metodi diretti per la soluzione di sistemi lineari Metodi diretti per la soluzione di sistemi lineari N Del Buono 1 Introduzione Consideriamo un sistema di n equazioni in n incognite a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1, a 21 x 1 + a 22 x

Dettagli

Autovalori e Autovettori

Autovalori e Autovettori Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora

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

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI 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

Dettagli

Condizionamento del problema

Condizionamento del problema Condizionamento del problema x 1 + 2x 2 = 3.499x 1 + 1.001x 2 = 1.5 La soluzione esatta è x = (1, 1) T. Perturbando la matrice dei coefficienti o il termine noto: x 1 + 2x 2 = 3.5x 1 + 1.002x 2 = 1.5 x

Dettagli

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007 Spazi lineari - PARTE II - Felice Iavernaro Dipartimento di Matematica Università di Bari 9 e 16 Marzo 2007 Felice Iavernaro (Univ. Bari) Spazi lineari 9-16/03/2007 1 / 17 Condizionamento dei sistemi lineari

Dettagli

Documentazione esterna al software matematico sviluppato con MatLab

Documentazione esterna al software matematico sviluppato con MatLab Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno

Dettagli

ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE

ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE Algebra lineare numerica 121 Ax = b A, b affetti dall errore di round-off si risolve sempre un sistema perturbato: con (A + A)(x + x) = b + b A = ( a i,j

Dettagli

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza

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

Precondizionamento per sistemi lineari simmetrici a grande dimensione

Precondizionamento per sistemi lineari simmetrici a grande dimensione Corso di Laurea magistrale in Statistica Per l Impresa Tesi di Laurea Precondizionamento per sistemi lineari simmetrici a grande dimensione Relatore Prof. Giovanni Fasano Laureando Mirko Scavetta Matricola

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

Indice Elementi di analisi delle matrici I fondamenti della matematica numerica

Indice Elementi di analisi delle matrici I fondamenti della matematica numerica Indice 1. Elementi di analisi delle matrici 1 1.1 Spazivettoriali... 1 1.2 Matrici... 3 1.3 Operazionisumatrici... 4 1.3.1 Inversadiunamatrice... 6 1.3.2 Matricietrasformazionilineari... 7 1.4 Tracciaedeterminante...

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

ANALISI NUMERICA. Elementi finiti bidimensionali. a.a. 2014 2015. Maria Lucia Sampoli. ANALISI NUMERICA p.1/23

ANALISI NUMERICA. Elementi finiti bidimensionali. a.a. 2014 2015. Maria Lucia Sampoli. ANALISI NUMERICA p.1/23 ANALISI NUMERICA Elementi finiti bidimensionali a.a. 2014 2015 Maria Lucia Sampoli ANALISI NUMERICA p.1/23 Elementi Finiti 2D Consideriamo 3 aspetti per la descrizione di elementi finiti bidimensionali:

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

Equazioni e sistemi non lineari

Equazioni e sistemi non lineari Capitolo 4 Equazioni e sistemi non lineari 4.1 Introduzione Sia f(x):ir IR una funzione continua almeno su un certo intervallo I e si supponga che f(x) non sia della forma f(x) = a 1 x + a 0 con a 1 e

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

2. Differenze Finite. ( ) si

2. Differenze Finite. ( ) si . Differenze Finite In questa Nota tratteremo della soluzione numerica di equazioni a derivate parziali scalari attraverso il metodo delle differenze finite. In particolare, affronteremo il problema della

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

Algebra Lineare e Geometria

Algebra Lineare e Geometria Algebra Lineare e Geometria Corso di Laurea in Ingegneria Elettronica A.A. 2013-2014 Prova d esame del 16/06/2014. 1) a) Determinare la matrice associata all applicazione lineare T : R 3 R 4 definita da

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

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0 LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi

Dettagli

Lezioni del corso di Geometria e Algebra. prof. Michele Mulazzani dott. Alessia Cattabriga

Lezioni del corso di Geometria e Algebra. prof. Michele Mulazzani dott. Alessia Cattabriga Lezioni del corso di Geometria e Algebra prof Michele Mulazzani dott Alessia Cattabriga AA 20001/2002 Indice 1 Equazioni e sistemi lineari 4 11 Alcune strutture algebriche 4 12 Operazioni standard su K

Dettagli

METODI MATEMATICI PER LA FISICA

METODI MATEMATICI PER LA FISICA Si svolgano cortesemente i seguenti esercizi ESERCIZIO (6 PUNTI) METODI MATEMATICI PER LA FISICA PROVA SCRITTA - 2 GENNAIO 25 Una volta identificato, nel piano complesso α, il dominio di convergenza della

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

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

Elementi Finiti: stime d errore e adattività della griglia

Elementi Finiti: stime d errore e adattività della griglia Elementi Finiti: stime d errore e adattività della griglia Elena Gaburro Università degli studi di Verona Master s Degree in Mathematics and Applications 05 giugno 2013 Elena Gaburro (Università di Verona)

Dettagli

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24 Contenuto Endomorfismi auto-aggiunti. Matrici simmetriche. Il teorema spettrale Gli autovalori di una matrice simmetrica sono tutti reali. (Dimostrazione fatta usando i numeri complessi). Dimostrazione

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

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

Diagonalizzazione di matrici e applicazioni lineari

Diagonalizzazione di matrici e applicazioni lineari CAPITOLO 9 Diagonalizzazione di matrici e applicazioni lineari Esercizio 9.1. Verificare che v = (1, 0, 0, 1) è autovettore dell applicazione lineare T così definita T(x 1,x 2,x 3,x 4 ) = (2x 1 2x 3, x

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

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim

Dettagli

Ricerca Operativa 2. Introduzione al metodo del Simplesso

Ricerca Operativa 2. Introduzione al metodo del Simplesso Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione

Dettagli

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

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

Dispense del corso di Laboratorio di Calcolo Numerico

Dispense del corso di Laboratorio di Calcolo Numerico Dispense del corso di Laboratorio di Calcolo Numerico Dott Marco Caliari aa 2008/09 Questi appunti non hanno alcuna pretesa di completezza Sono solo alcune note ed esercizi che affiancano il corso di Calcolo

Dettagli

1 Regole generali per l esame. 2 Libro di Testo

1 Regole generali per l esame. 2 Libro di Testo FACOLTÀ DI INGEGNERIA Corso di GEOMETRIA E ALGEBRA (mn). (Ing. per l Ambiente e il Territorio, Ing. Informatica - Sede di Mantova) A.A. 2008/2009. Docente: F. BISI. 1 Regole generali per l esame L esame

Dettagli

Metodi Numerici per Equazioni Ellittiche

Metodi Numerici per Equazioni Ellittiche Metodi Numerici per Equazioni Ellittiche Vediamo ora di descrivere una tecnica per la risoluzione numerica della più semplice equazione ellittica lineare, l Equazione di Laplace: u xx + u yy = 0, (x, y)

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

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

Dettagli

Equazioni non lineari

Equazioni non lineari Equazioni non lineari Data una funzione f : [a, b] R si cerca α [a, b] tale che f (α) = 0. I metodi numerici per la risoluzione di questo problema sono metodi iterativi. Teorema Data una funzione continua

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

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali

Dettagli

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica. Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione

Dettagli

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA COGNOME NOME CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA SIMULAZIONE SCRITTO DI MATEMATICA DISCRETA, SECONDA PARTE Per ottenere la sufficienza bisogna rispondere in modo corretto ad almeno

Dettagli

8 - Analisi della deformazione

8 - Analisi della deformazione 8 - Analisi della deformazione ü [A.a. - : ultima revisione 6 ottobre ] Esercizio n. Si supponga di voler conoscere sperimentalmente lo stato di deformazione in un punto M di un solido. A tal fine, si

Dettagli

Stabilità di Lyapunov

Stabilità di Lyapunov Stabilità di Lyapunov Flaviano Battelli Dipartimento di Scienze Matematiche Università Politecnica delle Marche Ancona Introduzione. In queste note presentiamo i primi elementi della teoria della stabilità

Dettagli

Ottimizzazione non Vincolata

Ottimizzazione non Vincolata Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi

Dettagli

Appunti delle esercitazioni di Ricerca Operativa

Appunti delle esercitazioni di Ricerca Operativa Appunti delle esercitazioni di Ricerca Operativa a cura di P. Detti e G. Ciaschetti 1 Esercizi sulle condizioni di ottimalità per problemi di ottimizzazione non vincolata Esempio 1 Sia data la funzione

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

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A.

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A. APPLICAZIONI LINEARI Siano V e W due spazi vettoriali, di dimensione m ed n sullo stesso campo di scalari R. Una APPLICAZIONE ƒ : V W viene definita APPLICAZIONE LINEARE od OMOMORFISMO se risulta, per

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

Appunti dalle lezioni di Calcolo Numerico

Appunti dalle lezioni di Calcolo Numerico Appunti dalle lezioni di Calcolo Numerico A.A. 2012/2013 ii Indice 1 La soluzione di equazioni nonlineari 1 1.1 Prime prove................................ 2 1.2 Lo schema delle iterazioni successive (o

Dettagli

Ricerca Operativa Dualità e programmazione lineare

Ricerca Operativa Dualità e programmazione lineare Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del

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

Parte 2. Metodi Matematici per la Meccanica Quantistica. Spazi di pre-hilbert e spazi di Hilbert. Gianpiero CATTANEO

Parte 2. Metodi Matematici per la Meccanica Quantistica. Spazi di pre-hilbert e spazi di Hilbert. Gianpiero CATTANEO Parte Metodi Matematici per la Meccanica Quantistica Spazi di pre-hilbert e spazi di Hilbert Gianpiero CATTANEO 10 giugno 008 Indice I - Spazi con Prodotto Interno e Spazi di Hilbert 5 1 Spazi con Prodotto

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

Problema del trasporto

Problema del trasporto p. 1/1 Problema del trasporto Supponiamo di avere m depositi in cui è immagazzinato un prodotto e n negozi che richiedono tale prodotto. Nel deposito i è immagazzinata la quantità a i di prodotto. Nel

Dettagli

Approssimazione di PDE con il metodo della decomposizione di domini (DD)

Approssimazione di PDE con il metodo della decomposizione di domini (DD) Capitolo 4 Approssimazione di PDE con il metodo della decomposizione di domini (DD) Prof. Alfio Quarteroni 4.1 Introduzione Sia Ω un dominio di dimensione d, per d = 2, 3, con frontiera Lipschitziana Ω;

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

1.1. Spazi metrici completi

1.1. Spazi metrici completi SPAZI METRICI: COMPLETEZZA E COMPATTEZZA Note informali dalle lezioni 1.1. Spazi metrici completi La nozione di convergenza di successioni è centrale nello studio degli spazi metrici. In particolare è

Dettagli

LE FIBRE DI UNA APPLICAZIONE LINEARE

LE FIBRE DI UNA APPLICAZIONE LINEARE LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini

Dettagli

ESERCIZI APPLICAZIONI LINEARI

ESERCIZI APPLICAZIONI LINEARI ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W

Dettagli

CLASSE 4B LICEO SCIENTIFICO PROGRAMMA SVOLTO A.S. 2011-12. Disciplina : MATEMATICA. Docente Prof.ssa Paola Perego

CLASSE 4B LICEO SCIENTIFICO PROGRAMMA SVOLTO A.S. 2011-12. Disciplina : MATEMATICA. Docente Prof.ssa Paola Perego CONVITTO NAZIONALE MARIA LUIGIA di Parma CLASSE 4B LICEO SCIENTIFICO PROGRAMMA SVOLTO A.S. 2011-12 Disciplina : MATEMATICA Docente Prof.ssa Paola Perego COMPETENZE CONOSCENZE Funzione esponenziale e logaritmica

Dettagli

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Versione ottobre novembre 2008 Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Contenuto 1. Applicazioni lineari 2. L insieme delle

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

Lezioni di Geometria e Algebra. Fulvio Bisi, Francesco Bonsante, Sonia Brivio

Lezioni di Geometria e Algebra. Fulvio Bisi, Francesco Bonsante, Sonia Brivio Lezioni di Geometria e Algebra Fulvio Bisi, Francesco Bonsante, Sonia Brivio CAPITOLO 4 Applicazioni lineari 1. Definizioni ed esempi. In questo capitolo ci proponiamo di studiare le funzioni tra spazi

Dettagli

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI

CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI 31 CAPITOLO 3 FONDAMENTI DI ANALISI DELLA STABILITA' DI SISTEMI NON LINEARI INTRODUZIONE L'obbiettivo di questo capitolo è quello di presentare in modo sintetico ma completo, la teoria della stabilità

Dettagli

Capitolo 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano

Capitolo 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano Capitolo 5: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 5.1 Modelli di PLI, formulazioni equivalenti ed ideali Il modello matematico di un problema di Ottimizzazione Discreta è molto spesso

Dettagli

2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 1 INTRODUZIONE

2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 1 INTRODUZIONE 2/4 OPERATORI NEGLI SPAZI DI HILBERT INFINITODIMENSIONALI 08/09 INTRODUZIONE Il problema agli autovalori di un operatore La trattazione del problema agli autovalori di un operatore fatta negli spazi finitodimensionali

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

SPAZI METRICI. Uno spazio metrico X con metrica d si indica con il simbolo (X, d). METRICI 1

SPAZI METRICI. Uno spazio metrico X con metrica d si indica con il simbolo (X, d). METRICI 1 SPAZI METRICI Nel piano R 2 o nello spazio R 3 la distanza fra due punti è la lunghezza, o norma euclidea, del vettore differenza di questi due punti. Se p = (x, y, z) è un vettore in coordinate ortonormali,

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 3 Sessione straordinaria Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA È assegnata

Dettagli

ISTITUZIONI DI MATEMATICA I. (prof. M.P.Cavaliere) SPAZI VETTORIALI SU R

ISTITUZIONI DI MATEMATICA I. (prof. M.P.Cavaliere) SPAZI VETTORIALI SU R ISTITUZIONI DI MATEMATICA I (prof MPCavaliere) SPAZI VETTORIALI SU R Abbiamo visto parlando dei numeri complessi che i punti P del piano possono essere determinati da coppie di numeri reali, se è dato

Dettagli

AL. Algebra vettoriale e matriciale

AL. Algebra vettoriale e matriciale PPENDICI L. lgebra vettoriale e matriciale Vettori Somma di vettori: struttura di gruppo Come abbiamo richiamato nell introduzione vi sono delle grandezze fisiche caratterizzabili come vettori, cioè tali

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Tutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica

Tutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica Universitá degli Studi Roma Tre - Corso di Laurea in Matematica Tutorato di GE110 A.A. 2014-2015 - Docente: Prof. Angelo Felice Lopez Tutori: Federico Campanini e Giulia Salustri Soluzioni Tutorato 13

Dettagli

Elaborazione delle Immagini Digitali

Elaborazione delle Immagini Digitali Elaborazione delle Immagini Digitali Parte I Prof. Edoardo Ardizzone A.A. 2-22 La trasformata di Hotelling o di Karhunen-Loeve KLT discreta Questa trasformata detta anche analisi delle componenti principali

Dettagli

Appunti di Algebra Lineare e Matrici

Appunti di Algebra Lineare e Matrici Appunti di Algebra Lineare e Matrici Basilio Bona Dipartimento di Automatica e Informatica Politecnico di Torino Internal Report: DAUIN/BB-2003-09-01 Capitolo 1 Matrici e vettori Il lettore interessato

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

Equazioni differenziali ordinarie

Equazioni differenziali ordinarie Equazioni differenziali ordinarie Denis Nardin January 2, 2010 1 Equazioni differenziali In questa sezione considereremo le proprietà delle soluzioni del problema di Cauchy. Da adesso in poi (PC) indicherà

Dettagli

Algebra e Geometria. Ingegneria Meccanica e dei Materiali Sez (2) Ingegneria dell Automazione Industriale Sez (2)

Algebra e Geometria. Ingegneria Meccanica e dei Materiali Sez (2) Ingegneria dell Automazione Industriale Sez (2) Algebra e Geometria Ingegneria Meccanica e dei Materiali Sez (2) Ingegneria dell Automazione Industriale Sez (2) Traccia delle lezioni che saranno svolte nell anno accademico 2012/13 I seguenti appunti

Dettagli

Le catene di Markov come metodologia utilizzata dai motori di ricerca per classificare le pagine web su internet.

Le catene di Markov come metodologia utilizzata dai motori di ricerca per classificare le pagine web su internet. Università degli Studi di Palermo Facoltà di Economia Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Dottorato di Ricerca in Statistica e Finanza Quantitativa - XXI Ciclo Sergio Salvino

Dettagli

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2))

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2)) Algebra Lineare e Geometria Analitica Politecnico di Milano Ingegneria Applicazioni Lineari 1. Sia f : R 3 R 3 l applicazione lineare definita da f(x, y, z) = (x + ky + z, x y + 2z, x + y z) per ogni (x,

Dettagli

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura Primo Esonero del corso di Geometria Docente F. Flamini, Roma, 2//28 SOLUZIONI COMPITO I ESONERO Esercizio.

Dettagli

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L. Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:

Dettagli

La modellazione delle strutture

La modellazione delle strutture La modellazione delle strutture 1 Programma 31-1-2012 Introduzione e brevi richiami al metodo degli elementi finiti 7-2-2012 La modellazione della geometria 14-2-2012 21-2-2012 28-2-2012 6-3-2012 13-32012

Dettagli

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche.

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. Potenze e percentuali Sezione 0.3: Disuguaglianze Sezione

Dettagli