Corso di Calcolo Numerico

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Corso di Calcolo Numerico"

Transcript

1 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

2 Risoluzione di Sistemi Lineari Vogliamo trovare un approssimazione delle soluzioni di sistemi di n equazioni lineari in n incognite: a 1,1 x 1 +a 1,2 x 2 + +a 1,n x n = b 1 a 2,1 x 1 +a 2,2 x 2 + +a 2,n x n = b 2 a n 1,1 x 1 +a n 1,2 x 2 + +a n 1,n x n = b n 1 a n,1 x 1 +a n,2 x 2 + +a n,n x n = b n (1) Ponendo a 1,1 a 1,2 a 1,n 1 a 1,n a 2,1 a 2,2 a n,n 1 a 2,n A = a n 1,1 a n 1,2 a n 1,n 1 a n 1,n b = b 1 b 2 b n 1 a n,1 a n,2 a n,n 1 a n,n b n e x = [x 1 x 2 x n 1 x n ] T, il sistema (1) diventa: Ax = b, A R n n, b, x R n Corso di Calcolo Numerico - Dottssa MC De Bonis

3 È noto che il sistema (1) ammette un unica soluzione se e solo se la matrice A è non singolare, cioè det(a) 0 In questo caso possiamo scrivere x = A 1 b Il metodo di risoluzione che certamente conoscete è la Regola di Cramer: x i = det(a i), i = 1,, n, det(a) dove A i denota la matrice ottenuta da A sostituendo la colonna i esima con il vettore b I determinanti coinvolti potrebbero essere calcolati utilizzando la Regola di Laplace scritta nella forma det(a) = n ( 1) j+1 a 1,j det(a 1,j ), j=1 dove A 1,j rappresenta la matrice di ordine n 1 ottenuta da A eliminando la prima e la j esima colonna Corso di Calcolo Numerico - Dottssa MC De Bonis

4 La Regola di Cramer non è ammissibile come metodo numerico in quanto il suo costo computazionale è dell ordine di [(n + 1)(n 1)n]! Supponendo di poter effettuare ogni operazione moltiplicativa in secondi, per risolvere un sistema occorrono circa anni!! Si potrebbe pensare di calcolare A 1 e risolvere il sistema utilizzando la formula x = A 1 b Tra tutti i metodi che si conoscono per il calcolo della matrice inversa, quello meno costoso ha un costo computazionale dell ordine di n 3 Inoltre è necessario eseguire il prodotto A 1 b che ha un costo computazionale di n 2 In seguito vedremo dei metodi numerici per la risoluzione di un sistema lineare che sono molto più efficienti dal punto di vista computazionale Corso di Calcolo Numerico - Dottssa MC De Bonis

5 I metodi numerici per la risoluzione di un sistema lineare si suddividono in due classi: Metodi diretti: in assenza di errori di arrotondamento la soluzione viene calcolata esattamente in un numero finito di passi; Metodi iterativi: attraverso un processo iterativo viene generata una successione infinita di vettori convergente, sotto opportune condizioni, alla soluzione cercata Anche in assenza di errori di arrotondamento non si ottiene mai la soluzione esatta perchè ad un certo punto è necessario arrestare il processo I criteri di scelta di un algoritmo sono: stabilità occupazione di memoria costo computazionale Non esiste un algoritmo migliore degli altri in assoluto La scelta viene fatta in funzione delle caratteristiche della matrice A del sistema ( sparsità, dimensione, struttura) Corso di Calcolo Numerico - Dottssa MC De Bonis

6 Definizione Una matrice A R n n si dice densa se la maggior parte dei suoi elementi è non nullo Definizione Una matrice A R n n si dice sparsa se il numero dei suoi elementi non nulli è dell ordine di n Osservazione Per memorizzare in un calcolatore una matrice sparsa (soprattutto se n è molto grande) è possibile utilizzare solo tre vettori di lunghezza n: uno per memorizzare gli elementi non nulli, uno per memorizzare i corrispondenti indici di riga ed uno per memorizzare i corrispondenti indici di colonna Corso di Calcolo Numerico - Dottssa MC De Bonis

7 I metodi diretti risolvono il problema iniziale trasformandolo in problemi equivalenti aventi la stessa soluzione ma matrici dei coefficienti differenti In generale, se la matrice A del sistema è densa i metodi diretti sono più efficienti Se, invece, la matrice A del sistema è sparsa, i metodi diretti non preservano la sparsità delle matrici coinvolte nel procedimento, anzi con il procedere del metodo il numero degli elementi non nulli presenti in queste matrici generalmente cresce e (se n è molto grande) può ben presto saturare la memoria centrale del calcolatore In questi casi è utile e, spesso indispensabile, utilizzare i metodi iterativi perchè, invece, quest ultimi lasciano inalterata la matrice A del sistema Corso di Calcolo Numerico - Dottssa MC De Bonis

8 Condizionamento del problema Supponiamo di introdurre una perturbazione A R n n sulla matrice A e una perturbazione b R n sul vettore dei termini noti b La soluzione che calcoleremo, supponendo che i numeri siano rappresentabili con infinite cifre e che tutte le operazioni aritmetiche siano fatte esattamente, non sarà x ma y = x + x, x R n, cioè la soluzione sarà a sua volta perturbata Risolveremo allora il sistema (A + A)y = (b + b) Anche se la matrice A è non singolare, A + A potrebbe risultare singolare Tuttavia, supponendo che A + A è non singolare e che A 1 A < 1 2 otteniamo la seguente maggiorazione per l errore relativo indotto sulla soluzione x: δx 2 cond(a) ( δa + δb ), dove cond(a) = A A 1 e denota una fissata norma matriciale indotta Corso di Calcolo Numerico - Dottssa MC De Bonis

9 La quantità cond(a) viene chiamata indice o numero di condizionamento della matrice A cond(a) rappresenta il coefficiente di amplificazione delle perturbazioni indotte sulla matrice A e sul termine noto b Se cond(a) è piccolo il problema è ben condizionato, altrimenti è mal condizionato Osservazione Per qualunque norma matriciale indotta si ha cond(a) = A A 1 AA 1 = I = 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

10 Il seguente teorema precisa meglio il significato di cond(a) Teorema Per ogni matrice non singolare A R n n e per ogni norma matriciale indotta, la quantità (cond(a)) 1 rappresenta la distanza relativa minima di A dall insieme di tutte le matrici singolari di ordine n, cioè 1 cond(a) = min { A B A } : B R n n singolare Corso di Calcolo Numerico - Dottssa MC De Bonis

11 Esempi di matrici mal condizionate sono: Matrici di Hilbert H n = n 1 n n n+1 n+2 1 n+2 1 2n 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

12 Matrici di Vandermonde V n = x 1 x 2 x 3 x n x 2 1 x 2 2 x 2 3 x 2 n x n 1 1 x n 1 2 x3 n 1 xn n 1 x i x j per i j Corso di Calcolo Numerico - Dottssa MC De Bonis

13 Richiami sulle Norme di Vettori e Matrici Una norma vettoriale è una funzione che associa ad un vettore x R n un numero reale x con le seguenti proprietà: 1 x > 0, x 0 e x = 0 x = 0; 2 cx = c x, c R; 3 x + y x + y, y R n Le norme vettoriali più frequentemente utilizzate sono: norma infinito: x = max 1 i n x i norma 1: norma euclidea: x 1 = n x i i=1 x 2 = ( n i=1 x i 2 ) 1 2 = x T x Corso di Calcolo Numerico - Dottssa MC De Bonis

14 Analogamente, una norma matriciale è una funzione che associa ad una matrice A R n n il numero reale A tale che 1 A > 0, A 0 e A = 0 A = 0; 2 ca = c A, c R; 3 A + B A + B, B R n n ; 4 AB A B, B R n n Le norme matriciali più note sono: norma infinito: A = max 1 i n norma 1: A 1 = max 1 j n norma spettrale: A 2 = n a i,j j=1 n a i,j i=1 ρ(a T A), dove ρ(a) è il raggio spettrale della matrice A, cioè il modulo massimo degli autovalori di A; 1 2 n n norma di Frobenius: A F = a i,j 2 i=1 j=1 Corso di Calcolo Numerico - Dottssa MC De Bonis

15 Data una norma vettoriale e una norma matriciale, si dice che le due norme sono compatibili se Ax A x, A R n n, x R n Una norma vettoriale può risultare compatibile con più norme matriciali Ad ogni norma vettoriale possiamo associare una norma matriciale nel seguente modo: A = sup x 0 Ax x = max x =1 Ax Una norma così definita viene chiamata naturale o indotta da quella del vettore Per le norme matriciali naturali abbiamo inoltre I = max Ix = 1 x =1 Le norme matriciali, 1 e 2 sono naturali La norma F non è naturale in quanto I F = n 1 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

16 Si ha x induce A x 1 induce A 1 x 2 induce A 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

17 Metodi Diretti Sistemi Triangolari Siano x = (x 1 x 2 x n ) T e b = (b 1 b 2 b n ) T Denotiamo con l 1, l 2,1 l 2,2 0 0 L = l n 1,1 l n 1,2 l n 1,n 1 0 l n,1 l n,2 l n,n 1 l n,n matrice triangolare inferiore (Low) Corso di Calcolo Numerico - Dottssa MC De Bonis

18 e con U = u 1,1 u 1,2 u 1,n 1 u 1,n 0 u 2,2 u 2,n 1 u 2,n 0 0 u n 1,n 1 u n 1,n u n,n matrice triangolare superiore (Up) Vogliamo risolvere i sistemi Lx = b e Ux = b Osservazione det(l) = l 1,1 l 2,2 l n,n 0 l i,i 0 i = 1,, n det(u) = u 1,1 u 2,2 u n,n 0 u i,i 0 i = 1,, n Corso di Calcolo Numerico - Dottssa MC De Bonis

19 Algoritmo di sostituzione in avanti (forward substitution) Lx = b l 1,1 x 1 = b 1 l 2,1 x 1 + l 2,2 x 2 = b 2 l 3,1 x 1 + l 3,2 x 2 + l 3,3 x 3 = b 3 l n,1 x 1 + l n,2 x 2 + l n,3 x l n,n x n = b n x 1 = b 1 l 1,1 x 2 = b 2 l 2,1 x 1 l 2,2 x 3 = b 3 l 3,1 x 1 l 3,2 x 2 l 3,3 x i = b i i 1 k=1 l i,k x k l i,i, i = 4,, n Corso di Calcolo Numerico - Dottssa MC De Bonis

20 x 1 = b 1 /l 1,1 ; 1 operazione for i=2:n x i = b i ; for k=1:i-1 x i = x i l i,k x k ; i-1 operazioni end x i = x i /l i,i ; 1 operazione end costo computazionale n i = i=1 n(n + 1) 2 n2 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

21 Algoritmo di sostituzione all indietro (backward substitution) Ux = b u 1,1 x 1 + u 1,2 x 2 + u 1,3 x u 1,n x n = b 1 u 2,2 x 2 + u 2,3 x u 2,n x n = b 2 u n 1,n 1 x n 1 + u n 1,n x n u n,n x n = b n 1 = b n x n = b n u n,n x n 1 = b n 1 u n 1,n x n u n 1,n 1 x n 2 = b n 2 u n 2,n 1 x n 1 u n 2,n x n u n 2,n 2 x i = b i n u i,k x k k=i+1 u i,i, i = n 3, n 4,, 2, 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

22 x n = b n /u n,n ; 1 operazione for i=n-1:-1:1 x i = b i ; for k=i+1:n x i = x i u i,k x k ; n-i operazioni end x i = x i /u i,i ; 1 operazione end costo computazionale 1 n i + 1 = i=n n i = i=1 n(n + 1) 2 n2 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

23 Osservazione Gli Algoritmi di sostituzione in avanti e all indietro sono ben definiti se le matrici L e U sono non singolari, cioè l i,i 0, u i,i 0, i = 1,, n Corso di Calcolo Numerico - Dottssa MC De Bonis

24 Metodo di eliminazione di Gauss Sia A R n n una generica matrice di ordine n e x, b R n due vettori colonna di lunghezza n Scriviamo esplicitamente il sistema Ax = b a 1,1 x 1 + a 1,2 x 2 + a 1,3 x 3 + a 1,n x n = b 1 a 2,1 x 1 + a 2,2 x 2 + a 2,3 x 3 + a 2,n x n = b 2 a n,1 x 1 + a n,2 x 2 + a n,3 x 3 + a n,n x n = b n Supponendo che a 1,1 0 Possiamo eliminare l incognita x 1 dalla 2 a, 3 a,, n esima equazione sommando all i esima equazione i = 2,, n la prima equazione moltiplicata per m i,1 = a i,1 a 1,1, i = 2,, n Eseguiamo, cioè, le seguenti combinazioni lineari a (2) i,j = a i,j + m i,1 a 1,j i, j = 2,, n b (2) i = b i + m i,1 b 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

25 Il nuovo sistema, equivalente a quello precedente, diventa a 1,1 x 1 + a 1,2 x 2 + a 1,3 x a 1,n x n = b 1 a (2) 2,2 x 2 + a (2) 2,3 x a (2) 2,n x n = b (2) 2 a (2) 3,2 x 2 + a (2) 3,3 x a (2) 3,n x n = b (2) 3 a (2) n,2 x 2 + a (2) n,3 x a (2) n,nx n = b (2) n Supponendo che a 2,2 0 Possiamo eliminare l incognita x 2 dalla 3 a, 4 a,, n esima equazione sommando all i esima equazione i = 3,, n la seconda equazione moltiplicata per m i,2 = a(2) i,2, i = 3,, n a (2) 2,2 Eseguiamo, cioè, le seguenti combinazioni lineari a (3) i,j = a(2) i,j + m i,2a (2) 2,j i, j = 3,, n b (3) i = b (2) i + m i,2 b (2) 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

26 Il nuovo sistema, equivalente a quello precedente, diventa a 1,1 x 1 + a 1,2 x 2 + a 1,3 x a 1,n x n = b 1 a (2) 2,2 x 2 + a (2) 2,3 x a (2) 2,n x n = b (2) 2 a (3) 3,3 x a (3) 3,n x n = b (2) 3 a (3) n,3 x a (3) n,nx n = b (2) n Gli elementi a 1,1, a (2) 2,2, a(3) 3,3,, che compaiono durante le successive eliminazioni vengono detti elementi pivot Dopo (n 1) passi, supponendo che tutti gli elementi pivot siano non nulli, si ottiene il seguente sistema triangolare superiore equivalente ai precedenti a 1,1 x 1 + a 1,2 x 2 + a 1,3 x a 1,n x n = b 1 a (2) 2,2 x 2 + a (2) 2,3 x a (2) 2,n x n = b (2) 2 a (3) 3,3 x a (3) 3,n x n = b (3) 3 a (n) n,nx n = b (n) n che può essere risolto con l Algoritmo di sostituzione all indietro Corso di Calcolo Numerico - Dottssa MC De Bonis

27 Esempio Consideriamo il seguente sistema 2x 1 x 2 + x 3 2x 4 = 0 2x 2 x 4 = 1 x 1 2x 3 + x 4 = 0 2x 2 + x 3 + x 4 = 4 applicando il metodo di Gauss con m 2,1 = 0, m 3,1 = 1 2 m 4,1 = 0 si ottiene il sistema 2x 1 x 2 + x 3 2x 4 = 0 2x 2 x 4 = x x 3 + 2x 4 = 0 2x 2 + x 3 + x 4 = 4 Corso di Calcolo Numerico - Dottssa MC De Bonis

28 Con m 3,2 = 1 4 m 4,2 = 1 si ha 2x 1 x 2 + x 3 2x 4 = 0 2x 2 x 4 = 1 Infine, con 5 2 x x 4 = 1 4 x 3 + 2x 4 = 3 m 4,3 = 2 5 si ottiene 2x 1 x 2 + x 3 2x 4 = 0 2x 2 x 4 = x x 4 = x 4 = Da cui, sostituendo all indietro, si ha ( x 4 = 1, x 3 = ) ( 4 x 4 2 ) = 1, x 2 = 1 + x = 1, x 1 = x 2 x 3 + 2x 4 2 = 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

29 Ponendo a i,j = a (1) i,j e b i = b (1) i, i, j = 1,, n, il seguente schema di calcolo riassume il metodo di eliminazione di Gauss: Per k = 1, 2,, n 1 m i,k = a(k) i,k a (k) k,k a (k+1) i,j = a (k) i,j + m i,ka (k) k,j, i, j = k + 1,, n b (k+1) i = b (k) i + m i,k b k Osservazione Il metodo di Gauss si può applicare se e soltanto se ad ogni passo k = 1,, n 1 l elemento pivot a (k) k,k 0 Corso di Calcolo Numerico - Dottssa MC De Bonis

30 Consideriamo le sottomatrici di A A k = (a i,j ) i,j=1,,k, k = 1,, n, dette matrici principali di testa di A Vale il seguente teorema Teorema Sia A R n n Gli elementi pivot a (k) k,k, k = 1,, n, sono tutti diversi da zero se e soltanto se tutte le matrici principali di testa di A sono non singolari, cioè det(a k ) 0, k = 1,, n Corso di Calcolo Numerico - Dottssa MC De Bonis

31 Esempi di matrici per le quali la condizione det(a k ) 0, k = 1,, n, è verificata sono: matrici a diagonale dominante per righe, cioè a i,i > n a i,j, i = 1,, n; j=1 j i matrici a diagonale dominante per colonne, cioè a j,j > n a i,j, j = 1,, n, ; i=1 j i matrici simmetriche definite positive, cioè A T = A e x T Ax > 0, x R n, x 0 Corso di Calcolo Numerico - Dottssa MC De Bonis

32 for k=1:n-1 for i=k+1:n a i,k = a i,k /a k,k ; 1 operazione for j=k+1:n a i,j = a i,j + a i,k a k,j ; n-k operazioni end b i = b i + a i,k b k ; 1 operazione end end U=triu(A); Si risolve il sistema triangolare superiore U x = b con l algoritmo di sostituzione all indietro costo computazionale n 1 [2(n k) + (n k) 2 ] + n2 n 1 2 = 2 i + k=1 n(n 1) = i=1 n(n 1)(2n 1) 6 = n3 3 + n2 5 6 n n3 3 + n2 n3 3 n 1 i=1 + n2 2 i 2 + n2 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

33 Pivoting e stabilità Se al k esimo passo si trova a (k) k,k = 0, il metodo di Gauss, così come è stato descritto, non può proseguire Se a (k) k,k = 0 necessariamente qualche altro elemento a (k) i,k, i = k + 1,, n, della colonna k esima della matrice dei coefficienti deve essere non nullo, altrimenti la matrice dei coefficienti sarebbe singolare Se, ad esempio, a (k) r,k 0, basta scambiare l equazione k esima con la r esima e poi procedere con le eliminazioni Dunque, ogni sistema non singolare può essere sempre ricondotto alla forma triangolare superiore con il metodo di Gauss più eventuali scambi di equazioni Corso di Calcolo Numerico - Dottssa MC De Bonis

34 Per assicurare una migliore stabilità numerica al metodo di eliminazione di Gauss è spesso necessario permutare l ordine delle equazioni anche quando l elemento pivot non è esattamente zero, ma è molto piccolo (in valore assoluto) rispetto agli altri elementi Per cercare di evitare catastrofiche propagazioni di errori è di solito necessario scegliere, al generico passo k esimo, l elemento pivot seguendo una delle seguenti strategie: Pivoting parziale: si sceglie r uguale al più piccolo intero k tale che a (k) r,k = max k i n a(k) i,k e, se r k, si scambia l equazione k esima con l r esima; Pivoting totale: si sceglie la coppia (r, s), con r, s k tale che a (k) r,s = max k i,j n a(k) i,j e si scambiamo l equazione k esima con l r esima e l incognita k esima (con il suo coefficiente) con l s esima Corso di Calcolo Numerico - Dottssa MC De Bonis

35 La strategia di pivoting parziale è la meno costosa e, poichè, in generale, risulta soddisfacente, essa è la strategia più utilizzata Osservazione Il metodo di eliminazione di Gauss senza pivoting è comunque numericamente stabile quando: la matrice A del sistema è simmetrica e a diagonale dominante (la strategia di pivot non produce scambi); la matrice A del sistema è simmetrica e definita positiva Corso di Calcolo Numerico - Dottssa MC De Bonis

36 Esempio Consideriamo il sistema lineare Ax = b di ordine n = 18, dove ( a i,j = cos (j 1) 2i 1 ) 2n π, i, j = 1,, n, e b i = n a i,j, i = 1,, n, j=1 la cui soluzione esatta è x = (1, 1,, 1) T cond(a) = A A 1 = Risolvendo il sistema con il metodo di eliminazione di Gauss senza e con la strategia di pivoting parziale, si ottengono i seguenti risultati: Corso di Calcolo Numerico - Dottssa MC De Bonis

37 Gauss e e e e e e e e e e e e e e e e e e-001 Gauss + pivoting parziale e e e e e e e e e e e e e e e e e e-001 Corso di Calcolo Numerico - Dottssa MC De Bonis

38 Metodo di Gauss e Fattorizzazione LU Il metodo di eliminazione di Gauss consiste nel costruire una successione di matrici [A b] = [A (1) b (1) ] [A (k) b (k) ] [A (n) b (n) ] in modo tale che, per k = 1,, n 1, [A (k+1) b (k+1) ] = M (k) [A (k) b (k) ] dove M (k) = m k+1,k m k+2,k m n,k è la matrice elementare di Gauss Corso di Calcolo Numerico - Dottssa MC De Bonis

39 Si ha A = [M (1) ] 1 A (2) = [M (1) ] 1 [M (2) ] 1 A (3) = = [M (1) ] 1 [M (n 1) ] 1 A (n) e b = [M (1) ] 1 [M (n 1) ] 1 b (n) Ponendo L = [M (1) ] 1 [M (n 1) ] 1, U = A (n) e y = b (n), otteniamo A = LU e b = Ly, dove L è una matrice triangolare inferiore e U è una matrice triangolare superiore Dunque, il sistema diventa Ax = b LUx = Ly e, dopo aver applicato il metodo di eliminazione di Gauss, rimane da risolvere il sistema triangolare superiore Ux = y Corso di Calcolo Numerico - Dottssa MC De Bonis

40 Osservazione Il metodo di eliminazione di Gauss calcola esplicitamente la matrice U La matrice L è m 2, L = m k+1,k 1 m k+2,k 1 0 m n,1 m n,k m n,n 1 1 Calcolate le matrici L e U, per risolvere il sistema Ax = b, basta risolvere i sistemi Ly = b e Ux = y, il primo triangolare inferiore e il secondo triangolare superiore Il costo computazionale è n3 3 + n2 di cui n3 3 n 3 n3 3 sola fattorizzazione A = LU per la Corso di Calcolo Numerico - Dottssa MC De Bonis

41 Eseguire la fattorizzazione LU di A può essere utile se: è necessario risolvere p sistemi cioè il sistema Ax 1 = b 1, Ax 2 = b 2,, Ax p = b p, AX = B, con A R n n, X, B R n p ( ) n Il costo computazionale p n2 si riduce a n pn2 Se p = n e B = I, risolvere il sistema AX = B, è equivalente a calcolare A 1 si vuole calcolare il det A Infatti det(a) = det(lu) = det(l) det(u) = det(u) = n u i,i i=1 Corso di Calcolo Numerico - Dottssa MC De Bonis

42 Il metodo di Gauss con la variante del pivot esegue ΠA = LU e Πb = Ly dove Π R n n, detta matrice di permutazione, contiene le informazioni relative agli scambi di righe Vale il seguente Teorema Per ogni matrice A R n n esiste una matrice di permutazione Π R n n tale che ΠA = LU Corso di Calcolo Numerico - Dottssa MC De Bonis

43 Metodo di Cholesky Sia A R n n una matrice simmetrica definita positiva Vale il seguente Teorema Se A R n n è una matrice simmetrica definita positiva esiste ed è unica la fattorizzazione A = LL T Posto A = (a i,j ) i,j=1,,n e L = (l i,j ) i,j=1,,n, si ha a i,j = n l i,k lk,j T = k=1 n l i,k l j,k k=1 Poichè la matrice è simmetrica, possiamo considerare solo gli elementi di A con j i Otteniamo e a i,j = j 1 k=1 l i,k l j,k + l i,j l j,j, i = 1,, n, j = 1,, i 1 a i,i = i 1 k=1 l 2 i,k + l 2 i,i, i = 1,, n Corso di Calcolo Numerico - Dottssa MC De Bonis

44 Da cui l i,i = l i,j = 1 ai,i l j,j [ i 1 k=1 a i,j l 2 i,k j 1 k=1 l i,k l j,k ] i = 1,, n j = 1,, i 1 Corso di Calcolo Numerico - Dottssa MC De Bonis

45 for i=1:n l i,i = 0; for k=1:i-1 l i,i = l i,i + li,k 2 ; i 1 operazioni end l i,i = a i,i l i,i ; 1 operazione for j=1:i-1 l i,j = 0; for k=1:j-1 l i,j = l i,j + l i,k l j,k ; j 1 operazioni end l i,j = (a i,j l i,j )/l j,j ; 1 operazione end end Si risolve il sistema triangolare inferiore Ly = b con l algoritmo di sostituzione in avanti e il sistema triangolare superiore L T x = y con l algoritmo di sostituzione all indietro Corso di Calcolo Numerico - Dottssa MC De Bonis

46 Costo computazionale n i + i=1 i 1 j=1 j + n 2 = = = 1 2 = n i + i=1 n i i=1 n i=1 n i i=1 n(n + 1) 4 i(i 1) 2 n i i=1 + + n 2 n i + n 2 i=1 n i 2 + n 2 i=1 = n n2 + n 3 n3 6 (n + 1)n(2n + 1) 12 + n 2 Corso di Calcolo Numerico - Dottssa MC De Bonis

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il

Dettagli

Sistemi lineari. 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0. x 1 x 2 x 3

Sistemi lineari. 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0. x 1 x 2 x 3 Sistemi lineari 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0 2 1 1 1 1 1 1 3 2 x 1 x 2 x 3 = 2 1 0 n j=1 a i,jx j = b i, i = 1,, n Ax = b A = (a i,j ) R n n matrice invertibile (det(a) 0) b

Dettagli

Esercitazione di Calcolo Numerico 1 22 Aprile Determinare la fattorizzazione LU della matrice a 1 1 A = 3a 2 a 2a a a 2 A =

Esercitazione di Calcolo Numerico 1 22 Aprile Determinare la fattorizzazione LU della matrice a 1 1 A = 3a 2 a 2a a a 2 A = Esercitazione di Calcolo Numerico 22 Aprile 29. Determinare la fattorizzazione LU della matrice a A = 3a 2 a 2a a a 2 ed utilizzarla per calcolare il det(a). 2. Calcolare il determinante della matrice

Dettagli

Esercitazione 4: Vettori e Matrici

Esercitazione 4: Vettori e Matrici Esercitazione 4: Vettori e Matrici Richiami di teoria: Norme di vettore Principali norme di vettore:. x = n i= x i 2. x 2 = n i= x i 2 3. x = max i n x i Ad esempio dato il vettore x = (, 2, 3, 4) abbiamo.

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 7 - CALCOLO NUMERICO CON MATRICI Richiami teorici Operazioni fondamentali Siano A = {a ij } e B = {b ij }, i = 1,..., m, j = 1,..., n due

Dettagli

Un sistema lineare si rappresenta in generale come

Un sistema lineare si rappresenta in generale come SISTEMI LINEARI Un sistema lineare si rappresenta in generale come n j=1 a ij x j = b i i = 1, 2,..., m o anche AX = B. La soluzione esiste se e solo se B appartiene allo spazio lineare generato dalle

Dettagli

8 Metodi iterativi per la risoluzione di sistemi lineari

8 Metodi iterativi per la risoluzione di sistemi lineari 8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,

Dettagli

Risoluzione di sistemi lineari sparsi e di grandi dimensioni

Risoluzione di sistemi lineari sparsi e di grandi dimensioni Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica

Dettagli

Esercitazione 5: Sistemi a risoluzione immediata.

Esercitazione 5: Sistemi a risoluzione immediata. Esercitazione 5: Sistemi a risoluzione immediata. Ipotesi: Supponiamo le matrici non singolari. Nota: Per verificare che si ha risolto correttamente il sistema lineare Ax = b basta calcolare la norma del

Dettagli

RISOLUZIONE DI SISTEMI LINEARI

RISOLUZIONE DI SISTEMI LINEARI RISOLUZIONE DI SISTEMI LINEARI Algebra lineare numerica 1 La risoluzione di un sistema lineare è il nucleo principale del processo di risoluzione di circa il 70% di tutti i problemi reali Per la risoluzione

Dettagli

RICHIAMI PER IL CORSO DI ANALISI NUMERICA

RICHIAMI PER IL CORSO DI ANALISI NUMERICA RICHIAMI PER IL CORSO DI ANALISI NUMERICA Anno accademico 211 212 1 RICHIAMI: PRECISIONE FINITA (USO DI UN COMPUTER) IN UN COMPUTER UNA QUALUNQUE INFORMAZIONE VIENE RAPPRESENTATA COME UNA SEQUENZA FINITA

Dettagli

Appunti su Indipendenza Lineare di Vettori

Appunti su Indipendenza Lineare di Vettori Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo

Dettagli

Sistemi sovradeterminati

Sistemi sovradeterminati Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di

Dettagli

Applicazioni eliminazione di Gauss

Applicazioni eliminazione di Gauss Applicazioni eliminazione di Gauss. Premessa Nel seguito supporremo sempre di applicare il metodo di eliminazione di Gauss allo scopo di trasformare la matrice del sistema Ax = b in una matrice triangolare

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Risoluzione di Equazioni Algebriche Le equazioni

Dettagli

Sistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara

Sistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)

Dettagli

Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE. Giovanni Villani

Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE. Giovanni Villani Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE Giovanni Villani Matrici Definizione 1 Si definisce matrice di tipo m n una funzione che associa

Dettagli

MATRICI E SISTEMI LINEARI

MATRICI E SISTEMI LINEARI 1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito

Dettagli

Per esempio, una matrice 4 4 triangolare alta ha la forma. 0 a. mentre una matrice di ordine 4 triangolare bassa è del tipo

Per esempio, una matrice 4 4 triangolare alta ha la forma. 0 a. mentre una matrice di ordine 4 triangolare bassa è del tipo Matrici triangolari Prima di esporre il metodo LU per la risoluzione di sistemi lineari, introduciamo la nozione di matrice triangolare Ci limiteremo al caso di matrici quadrate anche se l estensione a

Dettagli

Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari

Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017 Elementi di Algebra Lineare

Dettagli

Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016.

Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016. Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016 Di seguito si riporta il riassunto degli argomenti svolti; i riferimenti sono a parti del Cap8 Elementi di geometria e algebra lineare Par5

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Propagazione degli errori introdotti nei dati

Dettagli

3x 2 = 6. 3x 2 x 3 = 6

3x 2 = 6. 3x 2 x 3 = 6 Facoltà di Scienze Statistiche, Algebra Lineare 1 A, GParmeggiani LEZIONE 7 Sistemi lineari Scrittura matriciale di un sistema lineare Def 1 Un sistema di m equazioni ed n incognite x 1, x 2, x n, si dice

Dettagli

2. Risolvere con il metodo di eliminazione di Gauss con pivoting parziale il seguente sistema lineare:

2. Risolvere con il metodo di eliminazione di Gauss con pivoting parziale il seguente sistema lineare: Esercizi sui metodi diretti per la risoluzione di sistemi lineari 1. Data la matrice 1 0 2 1 3 1 5 2 1 determinare la sua fattorizzazione P LR. Risolvere il sistema Ax = b con b = (3, 5, 6) T mediante

Dettagli

Corso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a

Corso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Autovalori ed Autovettori di una matrice Siano Se A = (a i,j ) i,j=1,...,n R n n, 0 x = (x i ) i=1,...,n R n λ R Ax = λx (1) allora λ è detto autovalore di

Dettagli

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

Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite

Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite 3 Sistemi lineari 3 Generalità Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite ovvero, in forma matriciale, a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x

Dettagli

SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI

SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,

Dettagli

SISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3

SISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3 SISTEMI LINEARI. Esercizi Esercizio. Verificare se (,, ) è soluzione del sistema x y + z = x + y z = 3. Trovare poi tutte le soluzioni del sistema. Esercizio. Scrivere un sistema lineare di 3 equazioni

Dettagli

Motivazione: Come si fa? Matrici simmetriche. Fattorizzazioni di matrici speciali

Motivazione: Come si fa? Matrici simmetriche. Fattorizzazioni di matrici speciali Motivazione: Fattorizzazioni di matrici speciali Diminuire la complessità computazionale = evitare operazioni inutili = risparmiare tempo di calcolo Diminuire l occupazione di memoria Come si fa? Si tiene

Dettagli

SISTEMI LINEARI MATRICI E SISTEMI 1

SISTEMI LINEARI MATRICI E SISTEMI 1 MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui

Dettagli

Sistemi II. Sistemi II. Elisabetta Colombo

Sistemi II. Sistemi II. Elisabetta Colombo Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+

Dettagli

Metodi numerici per la risoluzione di Sistemi Lineari

Metodi numerici per la risoluzione di Sistemi Lineari Metodi numerici per la risoluzione di Sistemi Lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione

Dettagli

Geometria BIAR Esercizi 2

Geometria BIAR Esercizi 2 Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si

Dettagli

1. Martedì 27/09/2016, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità

1. Martedì 27/09/2016, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Chimica e Meccanica 6 CFU - A.A. 2016/2017 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 15 dicembre 2016 1. Martedì 27/09/2016,

Dettagli

LEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g

LEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni Algebriche Le equazioni algebriche sono equazioni del tipo P(x) = 0 dove P è un polinomio di grado n cioé P(x) = a 1 x n + a 2 x n

Dettagli

Modelli Matematici e Calcolo Numerico

Modelli Matematici e Calcolo Numerico Modelli Matematici e Calcolo Numerico Calcolo Numerico Massimiliano Martinelli martinelli@imati.cnr.it Università di Pavia Facoltà di Ingegneria 30 Settembre - 14 Ottobre 2010 Obiettivi del corso Esempi

Dettagli

Esercizi svolti. risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale

Esercizi svolti. risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale Esercizi svolti 1. Matrici e operazioni fra matrici 1.1 Date le matrici 1 2 1 6 A = B = 5 2 9 15 6 risolvere, se possibile, l equazione xa + B = O, essendo x un incognita reale Osservazione iniziale: qualunque

Dettagli

Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari

Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari 4 maggio Nota: gli esercizi più impegnativi sono contrassegnati dal simbolo ( ) Esercizio Siano 3 6 8 6 4 3 3 ) determinare

Dettagli

Matrici elementari e fattorizzazioni

Matrici elementari e fattorizzazioni Matrici elementari e fattorizzazioni Dario A Bini, Università di Pisa 19 ottobre 2015 Sommario Questo modulo didattico introduce ed analizza la classe delle matrici elementari Tale classe verrà usata per

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

Il teorema di Rouché-Capelli

Il teorema di Rouché-Capelli Luciano Battaia Questi appunti (1), ad uso degli studenti del corso di Matematica (A-La) del corso di laurea in Commercio Estero dell Università Ca Foscari di Venezia, campus di Treviso, contengono un

Dettagli

I. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.

I. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ. ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio

Dettagli

Introduzione soft alla matematica per l economia e la finanza. Marta Cardin, Paola Ferretti, Stefania Funari

Introduzione soft alla matematica per l economia e la finanza. Marta Cardin, Paola Ferretti, Stefania Funari Introduzione soft alla matematica per l economia e la finanza Marta Cardin, Paola Ferretti, Stefania Funari Capitolo Sistemi di equazioni lineari.8 Il Teorema di Cramer Si consideri un generico sistema

Dettagli

Autovalori e autovettori

Autovalori e autovettori Capitolo 3 Autovalori e autovettori 3. Richiami di teoria Prerequisiti: nozioni elementari di algebra lineare, numeri complessi. Sia A R n n. Un numero λ per cui esiste un vettore x 0 tale che valga la

Dettagli

LEZIONE 2. ( ) a 1 x 1 + a 2 x a n x n = b, ove a j, b R sono fissati.

LEZIONE 2. ( ) a 1 x 1 + a 2 x a n x n = b, ove a j, b R sono fissati. LEZIONE 2 2 Sistemi di equazioni lineari Definizione 2 Un equazione lineare nelle n incognite x, x 2,, x n a coefficienti reali, è un equazione della forma (2 a x + a 2 x 2 + + a n x n = b, ove a j, b

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

LEZIONE i i 3

LEZIONE i i 3 LEZIONE 5 51 Determinanti In questo lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli

Dettagli

NORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +

NORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R + NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:

Dettagli

1. Un sistema di m equazioni lineari in n incognite x 1,... x n aventi tutte termine noto nullo A =...

1. Un sistema di m equazioni lineari in n incognite x 1,... x n aventi tutte termine noto nullo A =... Algebra/ Algebra Lineare, 230207 1 Un sistema di m equazioni lineari in n incognite x 1, x n aventi tutte termine noto nullo a i1 x 1 + a i2 x 2 + + a in x n = 0, i = 1,, m si dice omogeneo; ponendo x

Dettagli

Corso di Geometria BIAR, BSIR Esercizi 2: soluzioni

Corso di Geometria BIAR, BSIR Esercizi 2: soluzioni Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)

Dettagli

Lezioni di Algebra Lineare. II. Aritmetica delle matrici e eliminazione di Gauss. versione ottobre 2008

Lezioni di Algebra Lineare. II. Aritmetica delle matrici e eliminazione di Gauss. versione ottobre 2008 versione ottobre 2008 Lezioni di Algebra Lineare II. Aritmetica delle matrici e eliminazione di Gauss Contenuto. 1. Somma di matrici e prodotto di una matrice per uno scalare 2. Prodotto di matrici righe

Dettagli

La riduzione a gradini e i sistemi lineari (senza il concetto di rango)

La riduzione a gradini e i sistemi lineari (senza il concetto di rango) CAPITOLO 4 La riduzione a gradini e i sistemi lineari (senza il concetto di rango) Esercizio 4.1. Risolvere il seguente sistema non omogeneo: 2x+4y +4z = 4 x z = 1 x+3y +4z = 3 Esercizio 4.2. Risolvere

Dettagli

Corso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice

Corso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine

Dettagli

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella

Dettagli

LEZIONE Equazioni matriciali. Negli Esempi e si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = R m,n, B = (b i,h ) 1 i m

LEZIONE Equazioni matriciali. Negli Esempi e si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = R m,n, B = (b i,h ) 1 i m LEZIONE 4 41 Equazioni matriciali Negli Esempi 336 e 337 si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = B 2,, AX p = B p aventi la stessa matrice incompleta A Tale tipo di problema si presenta

Dettagli

Metodi per la risoluzione di sistemi lineari

Metodi per la risoluzione di sistemi lineari Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante

Dettagli

Decomposizione LU di una matrice quadrata

Decomposizione LU di una matrice quadrata Appendice al Cap. 5 Decomposizione LU di una matrice quadrata Una qualunque matrice quadrata M = {m ij } di ordine N, reale, invertibile, i cui minori principali siano tutti non nulli, si può sempre decomporre

Dettagli

2x 5y +4z = 3 x 2y + z =5 x 4y +6z = A =

2x 5y +4z = 3 x 2y + z =5 x 4y +6z = A = Esercizio 1. Risolvere il sistema lineare 2x 5y +4z = x 2y + z =5 x 4y +6z =10 (1) Soluz. La matrice dei coefficienti è 1 4 6, calcoliamone il rango. Il determinante di A è (applico la regola di Sarrus):

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x

Dettagli

ESERCIZI SULLE MATRICI

ESERCIZI SULLE MATRICI ESERCIZI SULLE MATRICI Consideriamo il sistema lineare a, x + a, x + + a,n x n = b a, x + a, x + + a,n x n = b a m, x + a m, x + + a m,n x n = b m di m equazioni in n incognite che ha a, a,n A = a m, a

Dettagli

SISTEMI LINEARI, METODO DI GAUSS

SISTEMI LINEARI, METODO DI GAUSS SISTEMI LINEARI, METODO DI GAUSS Abbiamo visto che un sistema di m equazioni lineari in n incognite si può rappresentare in forma matriciale come A x = b dove: A è la matrice di tipo (m, n) dei coefficienti

Dettagli

MATEMATICA. a.a. 2014/ Sistemi di equazioni lineari

MATEMATICA. a.a. 2014/ Sistemi di equazioni lineari MATEMATICA a.a. 2014/15 8. Sistemi di equazioni lineari SISTEMI LINEARI Si definisce sistema lineare un sistema di p equazioni di primo grado in q incognite. a11x1 + a12 x2 +... + a1 qxq = k1 a21x1 + a22x2

Dettagli

Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni

Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)

Dettagli

= 3 (con qualunque precisione di macchina) e richiede una sola operazione, mentre attraverso il calcolo dell'inversa 1/7 si ottiene la soluzione

= 3 (con qualunque precisione di macchina) e richiede una sola operazione, mentre attraverso il calcolo dell'inversa 1/7 si ottiene la soluzione CAP2A-DUDOC Versione aggiornata il 2/0/93 2- METODI DIRETTI I metodi diretti per la risoluzione numerica dei sistemi lineari consistono sostanzialmente nell'applicazione del metodo di riduzione di Gauss

Dettagli

Giuseppe Accascina. Note del corso di Geometria e Algebra

Giuseppe Accascina. Note del corso di Geometria e Algebra Giuseppe Accascina Note del corso di Geometria e Algebra Corso di Laurea Specialistica in Ingegneria Gestionale Anno Accademico 26-27 ii Istruzioni per l uso Faremo spesso riferimento a ciò che è stato

Dettagli

Argomento 13 Sistemi lineari

Argomento 13 Sistemi lineari Sistemi lineari: definizioni Argomento 3 Sistemi lineari I Un equazione nelle n incognite x,,x n della forma c x + + c n x n = b ove c,,c n sono numeri reali (detti coefficienti) eb è un numero reale (detto

Dettagli

Equivalentemente, le colonne di A sono linearmente indipendenti se e solo se

Equivalentemente, le colonne di A sono linearmente indipendenti se e solo se Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme

Dettagli

Riassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.

Riassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria. Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo

Dettagli

Definizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im

Definizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im APPUNTI ed ESERCIZI su matrici, rango e metodo di eliminazione di Gauss Corso di Laurea in Chimica, Facoltà di Scienze MM.FF.NN., UNICAL (Dott.ssa Galati C.) Rende, 23 Aprile 2010 Matrici, rango e metodo

Dettagli

Sistemi lineari - Parte Seconda - Esercizi

Sistemi lineari - Parte Seconda - Esercizi Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione

Dettagli

Inversa di una matrice

Inversa di una matrice Geometria Lingotto. LeLing: La matrice inversa. Ārgomenti svolti: Inversa di una matrice. Unicita e calcolo della inversa. La inversa di una matrice. Il gruppo delle matrici invertibili. Ēsercizi consigliati:

Dettagli

1 se k = r i. 0 altrimenti. = E ij (c)

1 se k = r i. 0 altrimenti. = E ij (c) Facoltà di Scienze Statistiche, Algebra Lineare A, G.Parmeggiani LEZIONE 5 Matrici elementari e loro inverse Si fissi m un numero naturale. Per ogni i, j m con i j siano E ij (c) (ove c è uno scalare )

Dettagli

Quale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?

Quale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata? Quale delle seguenti istruzioni MATLAB esegue il calcolo del raggio spettrale di una matrice quadrata A? a. max(eig(abs(a))) b. max(abs(eig(a))) c. abs(max(eig(a))) d. max(abs(eig(a *A))) Il raggio spettrale

Dettagli

Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A

Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 5-6 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 5//5 ) Dato un triangolo, siano a, b le lunghezze di

Dettagli

= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con

= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione

Dettagli

4 Autovettori e autovalori

4 Autovettori e autovalori 4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità

Dettagli

a + 2b + c 3d = 0, a + c d = 0 c d

a + 2b + c 3d = 0, a + c d = 0 c d SPAZI VETTORIALI 1. Esercizi Esercizio 1. Stabilire quali dei seguenti sottoinsiemi sono sottospazi: V 1 = {(x, y, z) R 3 /x = y = z} V = {(x, y, z) R 3 /x = 4} V 3 = {(x, y, z) R 3 /z = x } V 4 = {(x,

Dettagli

Matrici. Matrici.h Definizione dei tipi. Un po di esercizi sulle matrici Semplici. Media difficoltà. Difficili

Matrici. Matrici.h Definizione dei tipi. Un po di esercizi sulle matrici Semplici. Media difficoltà. Difficili Matrici Un po di esercizi sulle matrici Semplici Lettura e scrittura Calcolo della trasposta Media difficoltà Calcolo del determinante Difficili Soluzione di sistemi lineari È veramente difficile? 1 Matrici.h

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

LEZIONE 3. Typeset by AMS-TEX

LEZIONE 3. Typeset by AMS-TEX LEZIONE 3 3 Risoluzione di sistemi Supponiamo che AX = B sia un sistema di equazioni lineari Ad esso associamo la sua matrice completa (A B Per la Proposizione 236 sappiamo di poter trasformare, con operazioni

Dettagli

Esercizi svolti sui sistemi lineari

Esercizi svolti sui sistemi lineari Esercizio 1. Risolvere il seguente sistema lineare al variare del parametro reale t: t x + (t 1)y + z = 1 (t 1)y + t z = 1 2 x + z = 5 Soluzione. Il determinante della matrice dei coefficienti è t t 1

Dettagli

( ), i, j = 1,2,...,n, si cerca un vettore x!r n tale che

( ), i, j = 1,2,...,n, si cerca un vettore x!r n tale che 4. Sistemi di equazioni algebriche lineari La soluzione numerica della maggior parte dei problemi di interesse nell ingegneria, anche molto complessi, si riduce alla soluzione di un sistema di equazioni

Dettagli

Def. 1. Si chiamano operazioni elementari sulle righe di A le tre seguenti operazioni:

Def. 1. Si chiamano operazioni elementari sulle righe di A le tre seguenti operazioni: Facoltà di Scienze Statistiche, Algebra Lineare 1 A, G.Parmeggiani LEZIONE 5 Operazioni elementari sulle righe di una matrice Sia A una matrice m n. Def. 1. Si chiamano operazioni elementari sulle righe

Dettagli

Esercizi sui sistemi di equazioni lineari.

Esercizi sui sistemi di equazioni lineari. Esercizi sui sistemi di equazioni lineari Risolvere il sistema di equazioni lineari x y + z 6 x + y z x y z Si tratta di un sistema di tre equazioni lineari nelle tre incognite x, y e z Poichè m n, la

Dettagli

Richiami di algebra delle matrici a valori reali

Richiami di algebra delle matrici a valori reali Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o

Dettagli

ESERCIZI DI MATEMATICA DISCRETA ANNO 2006/2007

ESERCIZI DI MATEMATICA DISCRETA ANNO 2006/2007 ESERCIZI DI MATEMATICA DISCRETA ANNO 6/7 //7 () Ridurre la seguente matrice ad una a scala ridotta utilizzando il metodo di Gauss-Jordan. Soluzione. () Determinare quante e quali sono le matrici a scala

Dettagli

Corso di Geometria BIAR, BSIR Esercizi 10: soluzioni

Corso di Geometria BIAR, BSIR Esercizi 10: soluzioni Corso di Geometria 2010-11 BIAR, BSIR Esercizi 10: soluzioni 1 Geometria dello spazio Esercizio 1. Dato il punto P 0 = ( 1, 0, 1) e il piano π : x + y + z 2 = 0, determinare: a) Le equazioni parametriche

Dettagli

Sui determinanti e l indipendenza lineare di vettori

Sui determinanti e l indipendenza lineare di vettori Sui determinanti e l indipendenza lineare di vettori 1 Si dice che m vettori v 1, v 2,,v m di R n sono linearmente indipendenti, se una loro combinazione lineare può dare il vettore nullo solo se i coefficienti

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

Esercitazione 6 - Soluzione

Esercitazione 6 - Soluzione Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione

Dettagli

3. Vettori, Spazi Vettoriali e Matrici

3. Vettori, Spazi Vettoriali e Matrici 3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e

Dettagli

MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI

MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI LE MATRICI DEFINIZIONE: Una matrice è un insieme di numeri disposti su righe e colonne. 1 3 7 M = 2 5 1 M è

Dettagli

( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1

( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1 . Scimone a.s 1997 98 pag 1 TEORI DELLE MTRICI Dato un campo K, definiamo matrice ad elementi in K di tipo (m, n) un insieme di numeri ordinati secondo righe e colonne in una tabella rettangolare del tipo

Dettagli

2. ALGORITMO DEL SIMPLESSO

2. ALGORITMO DEL SIMPLESSO . ALGORITMO DEL SIMPLESSO R. Tadei Una piccola introduzione R. Tadei SIMPLESSO L obiettivo del capitolo è quello di fornire un algoritmo, l algoritmo del simplesso, che risolve qualsiasi problema di programmazione

Dettagli

Determinanti. Definizione ed esempi. Definizione ed esempi. Proprietà dei determinanti Rango di matrici

Determinanti. Definizione ed esempi. Definizione ed esempi. Proprietà dei determinanti Rango di matrici Introduzione S S S Rango di matrici Si dice sottomatrice d'una matrice data la matrice ottenuta selezionando un certo numero di righe e di colonne della matrice iniziale. Lezione 24.wpd 08/01/2011 XXIV

Dettagli

Esercitazione 1-I parte

Esercitazione 1-I parte Esercitazione 1-I parte Argomento: Sistemi triangolari Scopo: Implementare il metodo di sostituzione all indietro per la risoluzione di sistemi triangolari superiori. function x=indietro(a,b) Sintassi

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema

Dettagli

Teorema di Thevenin generalizzato

Teorema di Thevenin generalizzato Teorema di Thevenin generalizzato Si considerino due reti elettriche lineari, A e B, aventi rispettivamente N A e N B nodi interni. Esse si interfacciano attraverso n (n 3) fili di collegamento, in cui

Dettagli