Un sistema lineare si rappresenta in generale come

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Un sistema lineare si rappresenta in generale come"

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 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

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

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

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

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

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

1 Risoluzione di sistemi lineari

1 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

Dettagli

Metodi iterativi per sistemi lineari

Metodi 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

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

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

Metodi iterativi per la soluzione di sistemi lineari: Jacobi e Gauss-Seidel

Metodi 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

Dettagli

Sistemi lineari. Lucia Gastaldi. DICATAM - Sez. di Matematica,

Sistemi 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

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

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

Metodi iterativi per sistemi lineari

Metodi 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

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

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

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

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

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

Matrici di permutazione

Matrici 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

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

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

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

Metodi iterativi SISTEMI LINEARI. Metodi Iterativi. Metodo di rilassamento successivo e metodi del gradiente

Metodi 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

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

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

Esercitazione 6: Metodi iterativi per sistemi lineari.

Esercitazione 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

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

Esercitazione di Calcolo Numerico 1 27 Maggio Calcolare la fattorizzazione P A = LU della matrice A =

Esercitazione 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.

Dettagli

Motivazioni. Sistemi lineari. Obiettivo. Il problema

Motivazioni. 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

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

Altre trasformazioni elementari

Altre 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

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

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

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

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

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

Inversa. Inversa. Elisabetta Colombo

Inversa. 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

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

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

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

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

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

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

Osservazione. 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. 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

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

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

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

Calcolo 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 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

Dettagli

Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)

Autovalori 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)

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

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

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

Claudio Estatico Equazioni non-lineari

Claudio 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.

Dettagli

2 Sistemi lineari. Metodo di riduzione a scala.

2 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

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 20-27 Ottobre 2011 Introduzione La matrice del sistema non

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

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

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

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

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

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

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

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

Il determinante. Calcolo del determinante di matrici particolari. matrici di ordine 2: sia. a11 a A = allora

Il 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

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

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 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

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

Una Libreria di Algebra Lineare per il Calcolo Scientifico

Una 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

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

LeLing9: Prodotto tra matrici.

LeLing9: 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

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

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

Facoltà 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 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

Dettagli

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

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

Dettagli

Corso di 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

Autovalori ed autovettori di una matrice

Autovalori 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

Dettagli

LEZIONE 4. { x + y + z = 1 x y + 2z = 3

LEZIONE 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.

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

Corso 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 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

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

Sistemi d equazioni lineari

Sistemi 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

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

4 Sistemi di equazioni.

4 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

Dettagli

Metodi computazionali per i Minimi Quadrati

Metodi 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

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

LeLing12: Ancora sui determinanti.

LeLing12: 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

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

Raccolta 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 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

Dettagli

Progetto 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 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

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

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

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

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

Esercizio 1. Esercizio 2

Esercizio 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)

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

Risoluzione di sistemi lineari

Risoluzione 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

Dettagli

Richiami di algebra delle matrici

Richiami 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

Dettagli

Punti di massimo o di minimo per funzioni di n variabili reali

Punti 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