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

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

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

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

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

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

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

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

(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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Equazioni non lineari

Equazioni non lineari CORSO DI LAUREA SPECIALISTICA IN INGEGNERIA ELETTRICA Equazioni non lineari Metodi iterativi per l approssimazione di radici Corso di calcolo numerico 2 01/11/2010 Manuela Carta INDICE Introduzione Metodo

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

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

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

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

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

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

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

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

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

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento:

+ P a n n=1 + X. a n = a m 3. n=1. m=4. Per poter dare un significato alla somma (formale) di infiniti termini, ricorriamo al seguente procedimento: Capitolo 3 Serie 3. Definizione Sia { } una successione di numeri reali. Ci proponiamo di dare significato, quando possibile, alla somma a + a 2 +... + +... di tutti i termini della successione. Questa

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

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

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f).

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f). Due Matrici A,B. Ker f = ker g. 1- Ridurre a scala A e B e faccio il sistema. 2 Se Vengono gli stessi valori allora, i ker sono uguali. Cauchy 1 autovalore, 1- Metto a matrice x1(0),x2(0),x3(0) e la chiamo

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

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

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

Quando troncare uno sviluppo in serie di Taylor

Quando troncare uno sviluppo in serie di Taylor Quando troncare uno sviluppo in serie di Taylor Marco Robutti October 13, 2014 Lo sviluppo in serie di Taylor di una funzione è uno strumento matematico davvero molto utile, e viene spesso utilizzato in

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

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

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

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

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

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f.

La funzione è continua nel suo dominio perchè y = f(x) è composizione di funzioni continue. Il punto x = 0 è un punto isolato per D f. FUNZIONI CONTINUE - ALCUNI ESERCIZI SVOLTI SIMONE ALGHISI 1. Continuità di una funzione Dati un insieme D R, una funzione f : D R e x 0 R, si è detto che f è continua in x 0 se sono soddisfatte le seguenti

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

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

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

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

PRINCIPI BASILARI DI ELETTROTECNICA

PRINCIPI BASILARI DI ELETTROTECNICA PRINCIPI BASILARI DI ELETTROTECNICA Prerequisiti - Impiego di Multipli e Sottomultipli nelle equazioni - Equazioni lineari di primo grado e capacità di ricavare le formule inverse - nozioni base di fisica

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

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

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

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

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

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

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

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

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

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

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

Le trasformazioni geometriche

Le trasformazioni geometriche Le trasformazioni geometriche Le trasformazioni geometriche Le trasformazioni affini del piano o affinità Le similitudini Le isometrie Le traslazioni Le rotazioni Le simmetrie assiale e centrale Le omotetie

Dettagli

POLITECNICO di BARI - A.A. 2012/2013 Corso di Laurea in INGEGNERIA Informatica e dell Automazione

POLITECNICO di BARI - A.A. 2012/2013 Corso di Laurea in INGEGNERIA Informatica e dell Automazione POLITECNICO di BARI - A.A. 0/03 Corso di Laurea in INGEGNERIA Informatica e dell Automazione Problema Sia f :[0, +[! R una funzione continua. La funzione composta g() =f(kk) è c o n t i n u a? Problema

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

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

GRANDEZZE SINUSOIDALI

GRANDEZZE SINUSOIDALI GRANDEE SINUSOIDALI INDICE -Grandezze variabili. -Grandezze periodiche. 3-Parametri delle grandezze periodiche. 4-Grandezze alternate. 5-Grandezze sinusoidali. 6-Parametri delle grandezze sinusoidali.

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

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

Richiami di algebra lineare e geometria di R n

Richiami di algebra lineare e geometria di R n Richiami di algebra lineare e geometria di R n combinazione lineare, conica e convessa spazi lineari insiemi convessi, funzioni convesse rif. BT.5 Combinazione lineare, conica, affine, convessa Un vettore

Dettagli

esame di stato 2014 seconda prova scritta per i licei scientifici di ordinamento

esame di stato 2014 seconda prova scritta per i licei scientifici di ordinamento ARTICOLO Archimede 4 4 esame di stato 4 seconda prova scritta per i licei scientifici di ordinamento Il candidato risolva uno dei due problemi e risponda a 5 quesiti del questionario. PROBLEMA Nella figura

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

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

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

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Circuiti Elettrici. Schema riassuntivo. Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante

Circuiti Elettrici. Schema riassuntivo. Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante Circuiti Elettrici Schema riassuntivo Leggi fondamentali dei circuiti elettrici lineari Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante La conseguenza

Dettagli

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti 4. Insiemi numerici 4.1 Insiemi numerici Insieme dei numeri naturali = {0,1,,3,,} Insieme dei numeri interi relativi = {..., 3,, 1,0, + 1, +, + 3, } Insieme dei numeri razionali n 1 1 1 1 = : n, m \{0}

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

LEZIONE 17. B : kn k m.

LEZIONE 17. B : kn k m. LEZIONE 17 17.1. Isomorfismi tra spazi vettoriali finitamente generati. Applichiamo quanto visto nella lezione precedente ad isomorfismi fra spazi vettoriali di dimensione finita. Proposizione 17.1.1.

Dettagli

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno La Vista CAS L ambiente di lavoro Le celle Assegnazione di una variabile o di una funzione / visualizzazione

Dettagli

Principal Component Analysis (PCA)

Principal Component Analysis (PCA) Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag. Perche PCA? E un semplice metodo non-parametrico per estrarre

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

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

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python SciPy Programmazione Orientata agli Oggetti e Scripting in Python SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare,

Dettagli

1) IL MOMENTO DI UNA FORZA

1) IL MOMENTO DI UNA FORZA 1) IL MOMENTO DI UNA FORZA Nell ambito dello studio dei sistemi di forze, diamo una definizione di momento: il momento è un ente statico che provoca la rotazione dei corpi. Le forze producono momenti se

Dettagli

Rette e piani con le matrici e i determinanti

Rette e piani con le matrici e i determinanti CAPITOLO Rette e piani con le matrici e i determinanti Esercizio.. Stabilire se i punti A(, ), B(, ) e C(, ) sono allineati. Esercizio.. Stabilire se i punti A(,,), B(,,), C(,, ) e D(4,,0) sono complanari.

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

Se log a. b = c allora: A) a b = c B) c a = b C) c b = a D) b c = a E) a c = b. L espressione y = log b x significa che:

Se log a. b = c allora: A) a b = c B) c a = b C) c b = a D) b c = a E) a c = b. L espressione y = log b x significa che: MATEMATICA 2005 Se log a b = c allora: A) a b = c B) c a = b C) c b = a D) b c = a E) a c = b L espressione y = log b x significa che: A) y é l esponente di una potenza di base b e di valore x B) x è l

Dettagli

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997 1 RAPPRESENTAZIONE BINARIA DEI NUMERI Andrea Bobbio Anno Accademico 1996-1997 Numeri Binari 2 Sistemi di Numerazione Il valore di un numero può essere espresso con diverse rappresentazioni. non posizionali:

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

PROBLEMI AGLI AUTOVALORI...1

PROBLEMI AGLI AUTOVALORI...1 Indice PBEMI AGI AUVAI... Generalità... Proprietà... Significato fisico dei problemi agli autovalori... 3 ) Sforzi principali e loro orientazione.... 3 ) Caratteristiche modali di un sistema dinamico...

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

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

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

Integrali di superficie: esercizi svolti

Integrali di superficie: esercizi svolti Integrali di superficie: esercizi svolti Gli esercizi contrassegnati con il simbolo * presentano un grado di difficoltà maggiore. Esercizio. Calcolare i seguenti integrali superficiali sulle superfici

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

Corso di Analisi Numerica - AN2. Parte 3: metodi alle differenze. per Equazioni Differenziali Ordinarie. Roberto Ferretti

Corso di Analisi Numerica - AN2. Parte 3: metodi alle differenze. per Equazioni Differenziali Ordinarie. Roberto Ferretti Corso di Analisi Numerica - AN2 Parte 3: metodi alle differenze per Equazioni Differenziali Ordinarie Roberto Ferretti Qualche richiamo analitico Filosofia generale dei metodi alle differenze: i metodi

Dettagli