Un sistema lineare si rappresenta in generale come
|
|
- Annalisa Campo
- 7 anni fa
- Visualizzazioni
Transcript
1 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 colonne di A ( Rouchè-Capelli ) Tratteremo i casi di numero di equazioni (m) uguale al numero di incognite (n) o m > n Se A è regolare il teorema di Cramer garantisce l esistenza della soluzione e dice anche come ricavarla. NON PRATICA- BILE!
2 SISTEMI LINEARI Esistono due metodi di soluzione: metodi diretti e iterativi Diretti: la soluzione si trova con un numero FINITO di passi (operazioni sulla matrice) ed è esatta al limite dell accuratezza della rappresentazione dei numeri. Efficienti ma richiedono memoria ed il numero di operazioni è elevato. Sono molto adatti per matrici piene (fino a circa 100 eq.). Iterativi: basati sull uso del metodo del punto unito, portano alla soluzione con errore di troncamento. Sono utilizzati nella maggior parte dei casi in particolare per sistemi di grandi dimensioni (milioni di equazioni!). Sono particolarmente utili quando la matrice ha molti zeri.
3 CONDIZIONAMENTO DEI SISTEMI LINEARI Condizionamento significa sensibilità della soluzione dagli errori sui dati. È indipendente dal metodo usato (!!) anche se ne influenza la precisione con cui eseguire i calcoli. Assumiamo A esatta. Se δb è l errore sui dati, allora AX = B A(X + δx) = B + δb AδX = δb Introdotta una norma compatibile, si ha che δx A 1 δb δx B A 1 δb B
4 CONDIZIONAMENTO DEI SISTEMI LINEARI Poiché B A X, allora si ha e quindi δx A X δx B A 1 δb B δx X A A 1 δb B La quantità K(A) = A A 1 è detta numero di condizionamento della matrice A. Se c è anche un errore sui coefficienti (δa) si ha δx X K(A) 1 K(A) δa A δb B + δa A
5 CONDIZIONAMENTO DEI SISTEMI LINEARI Questo è estremamente importante nei metodi iterativi. Se K(A) = 1 è il caso ottimo. Generalmente K(A) = A A 1 A A 1 = I = 1. Se la norma considerata è quella spettrale, per matrici simmetriche definite positive risulta K 2 (A) = λ max λ min Un altro parametro è il determinante normalizzato D N = det A A 1 2 A A n 2 In questo modo 0 D N 1, con D N = ±1 per sistemi ottimamente condizionati, e si verifica per matrici ortogonali.
6 CONDIZIONAMENTO DEI SISTEMI LINEARI Esempio Si consideri il sistema 9x x 2 = b 1 8x 1 + 9x 2 = b 2 In tal caso A 1 = A = 19, e A 1 1 = A 1 = 19, da cui K(A) = 361. Se B = [1, 0.9] T, si ha X = [0, 0.1] T. Se B = [1.01, 0.89] T, si ha X = [0.19, 0.07] T e quindi δx X un errore relativo δb B = 1% = 360% a fronte di
7 CONDIZIONAMENTO DEI SISTEMI LINEARI Quando si usa un metodo iterativo, come misura dell errore si valuta il residuo R = B AX c essendo X c la soluzione calcolata. Se il sistema è malcondizionato si può avere un piccolo residuo anche se la soluzione calcolata è molto lontana dalla soluzione esatta!! Esistono delle tecniche che possono aiutare a migliorare il condizionamento di un sistema lineare (equilibratura, normalizzazione).
8 METODI ITERATIVI L idea è riscrivere il problema AX = B nella forma X = CX + Q ovvero x i = n j=1 c ij x j + q i ed applicare il metodo del punto unito: X (k+1) = CX (k) + Q k = 1, 2,..., n X (0) = dato Sotto opportune ipotesi, la successione converge a X, punto unito e soluzione del sistema di partenza. La matrice C è la matrice di iterazione.
9 METODI ITERATIVI Nei metodi presentati, C e Q si ottengono da decomposizione o splitting della matrice di partenza. Posto A = M + N, con M facilmente invertibile, segue X = M 1 NX + M 1 B = CX + Q C = M 1 N, Q = M 1 B Per l i-esima incognita si ha: x i = n j=1 c ij x j + q i per cui la matrice Jacobiana è data da c 11 c c 1n c 21 c c 2n c n1 c n2... c nn
10 METODI ITERATIVI Teorema Condizione sufficiente affinché il metodo sia convergente a X, qualunque sia il vettore iniziale X (0), è che sia C < 1. Dimostrazione L errore alla k-esima iterazione è dato da E (k) = X (k) X. Utilizzando una norma che soddisfi la condizione di compatibilità si ha che E (k) = CX (k 1) C X = CE (k 1) = C k E (0) C k E (0) C k E (0) da cui segue la convergenza per k se C < 1.
11 METODI ITERATIVI Da notare: in questo caso la convergenza è indipendente dalla scelta del punto iniziale (differentemente da quanto accade nel caso nonlineare!). Generalmente si assume X (0) = Q. Teorema Il metodo converge, per qualunque scelta di X (0), se e solo se ρ(c) < 1.
12 METODI ITERATIVI Dimostrazione: Poiché E (k) = C k E (0), si ha convergenza a patto che C sia convergente. Per il teorema , questo è vero se e solo se ρ(c) < 1. Dal teor , se A verifica la condizione di compatibilità allora ρ(a) A. Per una matrice convergente è possibile dimostrare che ( C k) 1/k = ρ(c), per cui segue che E (k) E (0) C k ρ k (C) Da questo segue che il numero V = log 10 ρ(c) è detta velocità asintotica di convergenza del metodo.
13 METODI ITERATIVI: CRITERI DI ARRESTO Fissata una tolleranza ε ci si può fermare quando X (k+1) X (k) < ε Infatti, dalla definizione E (k) = X (k) X, segue che X (k+1) X (k) = X (k+1) X X (k) + X E (k) E (k+1) (1 C ) E (k) ovvero E (k) X(k+1) X (k) 1 C E (k+1) C 1 C X(k+1) X (k)
14 METODI ITERATIVI: CRITERI DI ARRESTO Oltre a questa stima a posteriori è possibile effettuare una stima a priori del numero di iterazioni necessarie. Si ha infatti e se X (0) = 0, E (k+1) C k+1 1 C X(1) X (0) E (k+1) C k+1 1 C Q In alternativa si può usare la norma del residuo R (k) = B AX (k) a patto che il sistema sia ben condizionato.
15 METODO DI JACOBI Il sistema a 11 x 1 + a 12 x 2 + a 13 x a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a 23 x a 2n x n = b 2... =... a n1 x 1 + a n2 x 2 + a n3 x a nn x n = b n può essere risolto iterativamente con la successione x 1 = b 1 a 11 a 12 a 11 x 2 a 13 a 11 x 3... a 1n a 11 x n x 2 = b 2 a 21 x 1 a 23 x 3... a 2n x n a 22 a 22 a 22 a =... x n = b n a n1 x 1 a n2 x 2... a nn 1 a nn a nn a nn a nn x n 1
16 METODO DI JACOBI Formalmente A è decomposta nella somma della matrice diagonale D, della triangolare L contenente gli elementi sotto la diagonale e la triangolare U contenente gli elementi sopra la diagonale. Ovvero A = D + L + U. Con questa decomposizione si può poi porre M = D, N = L + U ottenendo la successione nella forma X (k+1) = D 1 (L + U)X (k) + D 1 B = C J X (k) + Q J Questo metodo è detto di Jacobi. Per la singola componente si ha x (k+1) i = 1 a ii n j=1,j i a ij x (k) j + b i
17 METODO DI GAUSS-SEIDEL In quest ultima espressione, per tutti gli elementi x j con j < i si conosce già il valore alla nuova iterazione. Si potrebbe cioè risolvere il problema con il seguente schema iterativo: x (k+1) i = 1 a ii i 1 j=1 a ij x (k+1) j n j=i+1 a ij x (k) j + b i Formalmente si avrebbe M = D + L e N = U, ovvero X (k+1) = (D+L) 1 UX (k) +(D+L) 1 B = C GS X (k) +Q GS Il metodo è detto di Gauss-Seidel. Se converge è più rapido di Jacobi.
18 METODI DI JACOBI E GAUSS-SEIDEL Teorema Se A è diagonalmente dominante, per righe o per colonne, il metodo di Jacobi è convergente, qualunque sia X (0) Dimostrazione: Limitatamente al caso in cui A è dominante per righe la dimostrazione è immediata considerato che C J = max 1 i n n j=1,j i a ij a ii max 1 i n 1 a ii n j=1,j i a ij 1 La dimostrazione per il caso in cui A è dominante per colonne viene omessa.
19 METODI DI JACOBI E GAUSS-SEIDEL Teorema Se A è diagonalmente dominante, il metodo di Gauss-Seidel è convergente, qualunque sia X (0) Corollario Il metodo di Jacobi converge se e solo se ρ(c J ) < 1; il metodo di Gauss-Seidel converge se e solo se ρ(c GS ) < 1. Teorema Se A è (simmetrica) definita positiva, il metodo di Gauss-Seidel è convergente, qualunque sia X (0)
20 METODO DI RILASSAMENTO (SOR) Il metodo (Successive Over Relaxation) usa la decomposizione M = D ω + L N = U D ω (1 ω) con ω parametro reale positivo. Dal punto di vista dell implementazione del processo iterativo, si costruisce un vettore v (k) i = 1 a ii i 1 j=1 a ij x (k+1) j n j=i+1 a ij x (k) j (che è quanto fornito da Gauss-Seidel) e quindi + b i x (k+1) i = ωv (k) i + (1 ω)x (k) i
21 METODO DI RILASSAMENTO (SOR) Poiché si può dimostrare che ρ(c ω ) 1 ω si ha che Lemma Il metodo di rilassamento con parametro ω può convergere solo se ω (0, 2). Teorema Se A è (simmetrica) definita positiva, la condizione 0 < ω < 2 è necessaria e sufficiente per la convergenza del metodo di rilassamento di parametro ω. Teorema Se A è definita positiva e tridiagonale, allora la velocità di convergenza è massima per ω = ω 0 con ω 0 = ρ(c 1 )
22 METODI DIRETTI: SISTEMI TRIANGOLARI Se la matrice è triangonale superiore e regolare u 11 x 1 + u 12 x u 1n x n = b 1 u 22 x u 2n x n = b =... u nn x n = b n l algoritmo di sostituzione all indietro x n = b n /u nn x i = (b i n k=i+1 u ik x k )/u ii i = n 1,..., 2, 1 con un totale di n 2 /2 operazioni. Un algoritmo analogo si ha per matrici triangolari inferiori.
23 METODI DIRETTI: GAUSS Consiste nel trasformare la matrice (e il vettore termini noti!!) fino ad ottenere una matrice tridiagonale superiore. Si parte dalla matrice completa ovvero [AB] = a 11 a a 1n b 1 a 21 a a 2n b a n1 a n2... a nn b n quindi si costruisce una serie di matrici complete [A (k) B (k) ], k = 2, 3,..., n, con [A (1) B (1) ] = [AB]. La matrice A (k+1) ha tutti gli elementi sottodiagonale nelle colonne da 1 a k nulli.
24 METODI DIRETTI: GAUSS Per questo si sottrae a tutte le righe dalla 2 in poi, la prima moltiplicata per m i1 = a (1) i1 /a(1) 11. Se a(1) 11 = 0 è sempre possibile invertire le righe fino ad avere un elemento non nullo sulla prima colonna. Si ha allora a (2) ij = a (1) ij m i1 a (1) 1j e b (2) i = b (1) i m i1 b (1) 1 Alla fine si ottiene la matrice [A (2) B (2) ] = a (1) 11 a(1) a(1) 1n 0 a (2) a(2) 2n b(1) 1 b(2) a (2) n2... a(2) nn b (2) n
25 METODI DIRETTI: GAUSS Questo si ripete sottraendo dalle righe dalla terza in poi, la seconda per m i2 = a (2) i2 /a22(2) e così fino ad ottenere una matrice triangolare superiore (e un nuovo vettore termini noti). [A (n) B (n) ] = a (1) 11 a(1) a(1) 1n 0 a (2) a(2) 2n b(1) 1 b(2) a (n) nn b (n) n Questo può essere risolto con l algoritmo dato. Il metodo di Gauss porta a soluzione se a (k) kk 0 ovvero se det A k 0 con A k sottomatrici principali di testa di A.
26 METODI DIRETTI: GAUSS Per matrici simmetriche definite positive non è necessario scambiare le righe (Criterio di Sylvester) Ci sono casi in cui lo scambio di righe (o colonne), detto pivoting parziale è necessario oppure è consigliabile (ad es. quanto a (k) kk numerica. è di piccolo modulo e si vuole garantire stabilità Generalmente è utile ad ogni passo eseguire il pivoting parziale scambiando le righe r ed s in modo che a (k) rk = max k s n a(k) sk
27 METODI DIRETTI: GAUSS Il pivoting totale consiste invece nel cercare r, q k tali che a (k) rq = max k s,p n a(k) sp e scambiare le righe di indici r e k e le colonne q e k. Per migliorare il condizionamento è utile l equilibratura del sistema, ovvero dividere ogni riga per la relativa norma A i. Si parla allora di pivoting scalato a (k) rk a r = max k s n a (k) sk a s a s = n i=1 a (k) si
28 METODI DIRETTI: GAUSS-JORDAN Una alternativa è il metodo di Gauss-Jordan in cui si annullano anche gli elementi nella parte sopra diagonale e si ottiene [Ã (n) B (n) ] = ã (1) b (1) 1 0 ã (2) b (2) ã (n) nn (n) b n Da notare: alla fine la A assume una forma diagonale e quindi è facile da invertire. Il punto debole è il numero di operazioni. Si ha infatti C G n3 3 + n2 2 C GJ n3 2 + n
29 METODI DIRETTI: DECOMPOSIZIONE LU Riguardando in modo diverso il metodo di Gauss, ci si accorge che esso conduce ad una fattorizzazione della matrice A in due matrici triangolari, la L con elementi tutti 1 sulla diagonale. Teorema Sia A una matrice di ordine n, tale che det A k 0, k = 1, 2,..., n; allora risulta A = LU dove L è una matrice di ordine n, triangolare inferiore con elementi diagonali uguali 1, e U è tridiagonale superiore di ordine n.
30 METODI DIRETTI: DECOMPOSIZIONE LU Ricordando le matrici trasformanti elementari, il passaggio dalla A (k) alla A (k+1) si ottiene come A (k+1) = E nk ( m nk )E n 1,k ( m n 1,k )..E k+1,k ( m k+1,k )A (k) e quindi, ponendo L k = k+1 i=n E ik( m ik ), in forma compatta si ha A (k+1) = L k A (k) Poiché U = A (n) allora si ha: U = L n 1 A (n 1) =.. = L n 1 L n 2..L 1 A (1) = L A con L = 1 k=n 1 L k. A questo punto, posto L = (L ) 1, la matrice A è rappresentabile nella forma A = LU.
31 METODI DIRETTI: DECOMPOSIZIONE LU Teorema Sia à una matrice regolare di ordine n; allora esiste una matrice di permutazione P tale che A = P à soddisfa le condizioni per l applicabilità del teorema precedente La fattorizzazione LU è molto vantaggiosa quando si deve risolvere lo stesso sistema con diverso termine noto. In tal caso infatti il problema è trasformato nella soluzione di due sistemi triangolari LUX = B LY = B, UX = Y È però interessante cercare formule compatte che consentano la fattorizzazione senza usare il processo di eliminazione.
32 FORMULE COMPATTE DI FATTORIZZAZIONE In totale L ed U hanno un numero di elementi non nulli pari a 2n(n + 1)/2 = n 2 + n. Se si fissano n di questi elementi, si possono trovare gli altri n 2 attraverso un corrispondente numero di equazioni. Nel metodo di Banachiewicz-Doolittle si fissano a 1 gli elementi sulla diagonale della L, ovvero l ii = 1 e di ricavano gli altri come segue: visto che L ed U sono triangolari, allora l ij = u ji = 0, 1 i < j n dalla definizione, per ogni 1 j < i n deve essere a ij = n k=1 l ik u kj = j 1 k=1 l ik u kj + l ij u jj
33 FORMULE COMPATTE DI FATTORIZZAZIONE Inoltre, poiché l jj = 1, per ogni 1 j < i n a ji = n k=1 l jk u ki = j 1 k=1 l jk u ki + u ji Da queste relazioni si ottengono dunque le due formule da utilizzare per 1 j < i n u ji = a ji j 1 k=1 l jk u ki l ij = a ij j 1 k=1 l ik u kj /u jj Il procedimento di calcolo parte assumendo j = 1 nella prima e spazzando tutte le i, costruendo così tutta la prima riga di U. Poi si usa la seconda, sempre per j = 1, per trovare tutti gli elementi della prima colonna di L,...
34 FORMULE COMPATTE DI FATTORIZZAZIONE Se A è definita positiva (ed Hermitiana), si dimostra che può essere espressa come prodotto di due matrici una trasposta dell altra A = LL H, con L triangolare inferiore. Gli elementi di L sono dati da: l ij = l jj = ( a ij ) j 1 k=1 l ikl jk /l jj n i > j 1 a jj j 1 k=1 l2 jk Questo è noto come metodo di Cholesky. Il numero di operazioni per questi due metodi è: C BD n3 3 + n2 C Ch n3 6 + n2
35 CALCOLO DELL INVERSA Se X 1, X 2,.., X n sono i vettori colonna della matrice A 1, la condizione AA 1 = I si traduce nella soluzione di n sistemi lineari AX i = E i con E i vettore colonna con tutti gli elementi nulli tranne che l elemento nella posizione i che vale 1. In questo caso, effettuata una decomposizione LU, si tratta di risolvere i due sistemi triangolari variando solo il termine noto.
36 SISTEMI SOVRADETERMINATI Esistono problemi con numero di equazioni superiore alle incognite. Questo succede nell interpolazione ai minimi quadrati (esempio, far passare una retta attraverso 5 punti). La soluzione che si cerca è quella che minimizza il residuo. Generalmente si minimizza il residuo in norma 2. Dato il sistema AX = B, con m > n, il quadrato della norma 2 del residuo si scrive R 2 2 = m i=1 n k=1 2 a ik x k b i
37 SISTEMI SOVRADETERMINATI Per ottenere il minino debbono intanto essere nulle le derivate parziali rispetto a tutte le variabili x r, ovvero R 2 2 x r = 2 m = 2 = 2 i=1 m n k=1 n i=1 k=1 n a ik x k b i a ir a ik a ir x k m m x k k=1 i=1 i=1 a ik a ir x k m a ir b i i=1 a ir b i Si verifica che h kr = m i=1 a ik a ir è elemento della A T A, e così il termine m i=1 a ir b i è elemento del vettore A T B.
38 SISTEMI SOVRADETERMINATI Il problema è ridotto al sistema (quadrato) A T AX = B Teorema Se A ha rango n, esiste un solo vettore X che minimizza il residuo in norma 2, ed è dato dalla soluzione del sistema A T AX = B. Si verifica poi che le derivate seconde sono positive, e questo garantisce che il punto è di minimo.
39 MATRICI TRIDIAGONALI - ALGORITMO DI THOMAS Se A ha una struttura tridiagonale, [A] = d 1 s a 2 d 2 s a 3 d 3 s a n d n posto u 1 = d 1, v i = s i i = 1, 2,..., n 1 α i = a i /u i 1 i = 2, 3,..., n, u i = d i α i v i 1 i = 2, 3,..., n
40 MATRICI TRIDIAGONALI - ALGORITMO DI THOMAS la soluzione è ridotta a due sistemi triangolari: y 1 = b 1 α 2 y 1 +y 2 = b 2... =... α n y n 1 +y n = b n u 1 x 1 +v 1 x 2 = y 1 u 2 x 2 +v 2 x 3 = y 2... =... u n x n = y n ottenendo quindi la fattorizzazione in 2n 2 operazioni e la soluzione con altre 3n 2.
41 MATRICI TRIDIAGONALI - ALGORITMO DI THOMAS Una volta calcolati i coefficienti u i, v i, α i la soluzione si ottiene come segue: y 1 = b 1 y i = b i α i y i 1 i = 2, 3,.., n x n = y n /u n x i = (y i v i x i+1 )/u i i = n 1,..., 1
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
DettagliCorso 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
Dettagli8 Metodi iterativi per la risoluzione di sistemi lineari
8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,
DettagliCorso 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
DettagliCorso 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
DettagliSistemi 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
Dettagli1 Risoluzione di sistemi lineari
Risoluzione di sistemi lineari La presente nota è in parte ripresa dal testo D Bini M Capovani O Menchi Metodi numerici per l algebra lineare Zanichelli Editore Siano A una matrice non singolare di ordine
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Mirano a costruire la soluzione x di un sistema lineare come limite di una successione di vettori Per matrici piene di ordine n il costo computazionale è dell ordine
DettagliRICHIAMI 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
DettagliCorso 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
DettagliMetodi iterativi per la soluzione di sistemi lineari: Jacobi e Gauss-Seidel
Metodi iterativi per la soluzione di sistemi lineari: Jacobi e Gauss-Seidel Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica Pura e Applicata 15 aprile 2013 Alvise Sommariva
DettagliSistemi lineari. Lucia Gastaldi. DICATAM - Sez. di Matematica,
Sistemi lineari Lucia Gastaldi DICATAM - Sez. di Matematica, http://www.ing.unibs.it/gastaldi/ Indice 1 Risoluzione di sistemi lineari Risoluzione di sistemi lineari in Matlab Metodi di risoluzione Fattorizzazione
DettagliEsercitazione 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
DettagliSistemi 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
DettagliMetodi iterativi per sistemi lineari
Generare una successione di vettori Metodi iterativi per sistemi lineari convergente alla soluzione del sistema Convergenza in norma Costruzione di un metodo iterativo Per una qualche norma vettoriale
DettagliLEZIONE 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
DettagliMATRICI 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
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliAutovalori e autovettori
Capitolo 3 Autovalori e autovettori 3. Richiami di teoria Prerequisiti: nozioni elementari di algebra lineare, numeri complessi. Sia A R n n. Un numero λ per cui esiste un vettore x 0 tale che valga la
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x
DettagliMatrici di permutazione
Matrici di permutazione Si dice matrice di permutazione elementare una matrice ottenuta dall identità scambiando due righe i e j o due colonne i e j. P ij =...... P ij ha come effetto di scambiare le righe
Dettagli3x 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
DettagliRISOLUZIONE 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
DettagliDecomposizione 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
DettagliMetodi iterativi SISTEMI LINEARI. Metodi Iterativi. Metodo di rilassamento successivo e metodi del gradiente
Metodi iterativi Metodo di rilassamento successivo e metodi del gradiente Metodi iterativi Metodi iterativi 1 Il metodo di rilassamento successivo Condizioni per la convergenza 2 Metodi del Metodo della
DettagliCorso 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
DettagliEsercizi 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
DettagliEsercitazione 6: Metodi iterativi per sistemi lineari.
Esercitazione 6: Metodi iterativi per sistemi lineari. Richiami di Teoria Iterazione di Jacobi e Gauss Seidel. I metodi iterativi sono basati sul calcolo della soluzione x del sistema lineare Ax = b come
DettagliCorso 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
DettagliEsercitazione di Calcolo Numerico 1 27 Maggio Calcolare la fattorizzazione P A = LU della matrice A =
Esercitazione di Calcolo Numerico 1 27 Maggio 29 1. Calcolare la fattorizzazione P A = LU della matrice 1 2 3 A = 2 3 3, ed utilizzarla per risolvere il sistema lineare Ax = b, con b = (1, 2,, 16) T. 2.
DettagliMotivazioni. Sistemi lineari. Obiettivo. Il problema
Motivazioni Sistemi lineari Metodo di eliminazione di Gauss Molti problemi si possono rappresentare mediante un sistema lineare La soluzione di un sistema lineare costituisce un sottoproblema di moltissime
Dettagli2. 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
DettagliAltre trasformazioni elementari
Altre trasformazioni elementari Si possono definire altri tipi di trasformazioni elementari Analogamente alle trasformazioni di Gauss, esse danno luogo a fattorizzazioni Trasformazione elementari di Givens
Dettagli1. 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,
DettagliPer 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
DettagliSistemi 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.+
DettagliSISTEMI 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,
DettagliElementi 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
DettagliInversa. Inversa. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 00-0, http://users.mat.unimi.it/users/colombo/programmabio.html e 3 con i Matrici inverse di matrici quadrate e con i Sia A una
DettagliSISTEMI 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
DettagliIntroduzione 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
DettagliSistemi 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
DettagliRegistro 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
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 5-6 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 5//5 ) Dato un triangolo, siano a, b le lunghezze di
DettagliOsservazione. Convergenza dei metodi di Gauss-Seidel e di Jacobi. Condizioni sufficienti per la convergenza. Definizione
Osservazione Convergenza dei metodi di Gauss-Seidel e di Jacobi Fallimento dei metodi. (Es. Gauss- Seidel Condizioni sufficienti; teoremi di localizzazione degli autovalori; dimostrazione di convergenza
DettagliNORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +
NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:
DettagliModelli 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
DettagliSISTEMI 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
DettagliCalcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del
Calcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del 9.8.2. Data l equazione x x = (a) Mostrare che essa ammette una e una sola soluzione
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
DettagliInversa 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:
DettagliSi 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
DettagliDefinizione 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
DettagliClaudio Estatico Equazioni non-lineari
Claudio Estatico (claudio.estatico@uninsubria.it) Equazioni non-lineari 1 Equazioni non-lineari 1) Equazioni non-lineari e metodi iterativi. 2) Metodo di bisezione, metodo regula-falsi. 3) Metodo di Newton.
Dettagli2 Sistemi lineari. Metodo di riduzione a scala.
Sistemi lineari. Metodo di riduzione a scala. Esercizio.1 Utilizzando il metodo di eliminazione di Gauss, risolvere i seguenti sistemi lineari: 1. 3. x 1 x + 3x 3 = 1 x 1 x x 3 = x 1 + x + 3x 3 = 5 x 1
DettagliModelli Matematici e Calcolo Numerico
Modelli Matematici e Calcolo Numerico Calcolo Numerico Massimiliano Martinelli martinelli@imati.cnr.it Università di Pavia Facoltà di Ingegneria 20-27 Ottobre 2011 Introduzione La matrice del sistema non
DettagliLEZIONE 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
DettagliDeterminanti. 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
Dettagli2x 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):
DettagliRICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella
DettagliGeometria 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
DettagliEsercitazione 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.
DettagliSistemi 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)
DettagliApplicazioni 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
DettagliIl determinante. Calcolo del determinante di matrici particolari. matrici di ordine 2: sia. a11 a A = allora
Calcolo del determinante di matrici particolari matrici di ordine 2: sia allora Esempio. [ ] a11 a A = 12, a 21 a 22 det A = a 11 a 22 a 21 a 12. Calcolare il determinante di [ ] 1 2 A =. 3 4 matrici di
DettagliCorso 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)
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni non lineari Sia F C 0 ([a, b]), cioé F è una funzione continua in un intervallo [a, b] R, tale che F(a)F(b) < 0 1.5 1 F(b) 0.5 0 a
DettagliMetodi 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
DettagliUna Libreria di Algebra Lineare per il Calcolo Scientifico
Una Libreria di Algebra Lineare per il Calcolo Scientifico Introduzione Il Lavoro di Tesi Introduzione al Metodo Ridurre l Occupazione di Memoria Metodo di Memorizzazione degli Elementi Risultati Attesi
DettagliMetodi 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
DettagliLeLing9: Prodotto tra matrici.
Geometria Lingotto LeLing9: Prodotto tra matrici Ārgomenti svolti: Prodotto tra matrici Dimostrazione del teorema del rango L algebra delle matrici quadrate: Il prodotto tra matrici non e commutativo Rotazioni
DettagliIl 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
DettagliUniversita 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)
DettagliFacoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A Corso di ANALISI NUMERICA 1: Esempi di esercizi svolti
Facoltà di Scienze MM.FF.NN. Corso di Studi in Matematica- A.A. - Corso di ANALISI NUMERICA : Esempi di esercizi svolti ) Determinare se il problema del calcolo delle radici reali dell equazione x x+c
Dettagli9 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
DettagliCorso 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
DettagliAutovalori ed autovettori di una matrice
Autovalori ed autovettori di una matrice Lucia Gastaldi DICATAM http://www.ing.unibs.it/gastaldi/ Indice 1 Definizioni di autovalori ed autovettori Autovalori ed autovettori 2 Metodo delle potenze 3 Calcolo
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
DettagliEsercizi 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
DettagliCorso di Analisi Numerica - AN1. Parte 3: metodi iterativi per sistemi lineari ed. equazioni nonlineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 3: metodi iterativi per sistemi lineari ed equazioni nonlineari Roberto Ferretti Filosofia generale dei metodi iterativi Metodi iterativi per Sistemi Lineari Convergenza
DettagliCorso 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
DettagliSistemi d equazioni lineari
Introduzione Introduzione Sia dato il seguente sistema d equazioni: S S S S Come si risolve un sistema... come si risolve? Lezione 25.wpd 08/01/2011 XXV - 1 Lezione 25.wpd 08/01/2011 XXV - 2 Introduzione
DettagliLEZIONE 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
Dettagli4 Sistemi di equazioni.
4 Sistemi di equazioni. Risolvere un sistema significa erminare le soluzioni comuni a tutte le equazioni che lo compongono. Il grado di un sistema è il prodotto dei gradi di tali equazioni. 4. Sistemi
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
DettagliMatrici 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
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
DettagliRaccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza. Equazioni non lineari
Raccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza Equazioni non lineari ESERCIZIO 1 Data l equazione ln(e + x) = 1 (1 + 4x) + 1 2 1.1 verificare analiticamente se sono soddisfatte le
DettagliProgetto Matlab N 2. Calcolo Numerico 6 CFU. Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014
Progetto Matlab N 2 Calcolo Numerico 6 CFU Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014 Procedimento 1. Scrivere una function che implementi il prodotto matrice-vettore AX con A matrice
DettagliESERCIZI 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
DettagliESERCIZI 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
DettagliEsercitazione 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
DettagliMotivazione: 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
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliLEZIONE 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
DettagliRisoluzione di sistemi lineari
Risoluzione di sistemi lineari Teorema (Rouché-Capelli) Dato il sistema di m equazioni in n incognite Ax = b, con A M at(m, n) b R n x R n [A b] si ha che: matrice dei coefficienti, vettore dei termini
DettagliRichiami di algebra delle matrici
Richiami di algebra delle matrici (S. Terzi) 1. SPAZI VETTORIALI I. ALCUNE DEFINIZIONI 1) Definizione di spazio vettoriale Sia S un insieme di vettori di ordine n. S è detto spazio lineare se e' un insieme
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
Dettagli