Modelli Matematici e Calcolo Numerico
|
|
- Vittoria Pappalardo
- 6 anni fa
- Visualizzazioni
Transcript
1 Modelli Matematici e Calcolo Numerico Calcolo Numerico Massimiliano Martinelli martinelli@imati.cnr.it Università di Pavia Facoltà di Ingegneria 30 Settembre - 14 Ottobre 2010
2 Obiettivi del corso Esempi Introduzione agli strumenti di base e ai metodi numerici per la soluzione di equazioni differenziali ordinarie ed alle derivate parziali che intervengono nei modelli utilizzati in ingegneria ambientale Trasporto di sostanze inquinanti Simulazioni oceanografiche Previsioni meteorologiche... Si descriveranno (alcuni) metodi numerici per la soluzione di: Sistemi lineari Sistemi non-lineari Differenziazione e Integrazione numerica Equazioni differenziali ordinarie Equazioni alle derivate parziali
3 Animazione 1 Animazione 2 Animazione 3
4 Libri consigliati A. Quarteroni, F. Saleri, Calcolo Scientifico, Springer (libro più facile, con esempi Matlab e/o Octave) A. Quarteroni, R. Sacco, F. Saleri, Matematica Numerica, Springer (libro più completo, ma difficile) Altri libri per la consultazione W.H. Press, S.A. Teukolsky, W.T. Vetterling, B.P. Flannery, Numerical Recipes: The Art of Scientific Computing, Third Edition, Cambridge University Press, Y. Saad, Iterative Methods for Sparse Linear Systems, SIAM, J.W. Thomas, Numerical Partial Differential Equations: Finite Difference Methods, Springer A. Quarteroni, Modellistica numerica per problemi differenziali, Springer
5 Errori nei modelli computazionali Problema fisico: x ph e m e Modello matematico: F(x,d) = 0 e c Soluzione calcolata: ˆx n e n e a Problema discretizzato: F n (x n,d n ) = 0 e m errore del modello matematico e c errore del modello computazionale e n errore di discretizzazione e a errore dovuto dall algoritmo
6 Operazioni in virgola mobile Ogni x R tale che x min x x max viene convertito in virgola mobile fl( ): R F, dove fl(x) = x(1+δ) con δ u = 1 2 β 1 t = ε M 2 u = precisione macchina (o unita di arrotondamento) Ogni operazione aritmetica : R R R viene sostituita con : R R F x y = fl(fl(x) fl(y)) Utilizzando la cifra di arrotondamento, è verificata la proprietà seguente: x,y R δ R t.c. x y = (x y)(1+δ) con δ u Nel caso in cui = + (somma), si ha che l errore relativo x y (x+y) x+y u(1+u) x + y x+y + u
7 Operazioni in virgola mobile Domanda 1: Utilizzando : R R F invece di +: R R R, valgono le stesse proprietà? Commutatività: x y =? y x Associatività: (x y) z =? x (y z) Domanda 2: L operazione di somma : R R F è sempre caratterizzata da un piccolo errore relativo?
8 Costo computazionale Quantità di memoria occupata Tempo di calcolo (può essere stimato in base al numero di operazioni elementari: +,,, ) Complessità algoritmica Problema di dimensione n Stima del costo computazionale c(n) espressa con la notazione di Landau O( ) (O-grande) c(n) O(f(n)) per n + n 0, M > 0 t.c. c(n) < M f(n) n > n 0 equivalente a lim sup c(n) f(n) < + Domanda: n + Dato un algoritmo poco costoso in tempo e uno poco costoso in memoria, quale scegliereste?
9 Costo di alcune operazioni tipiche in algebra lineare Prodotto vettore-vettore O(n) Prodotto matrice-vettore O(n 2 ) Prodotto matrice-matrice O(n 3 ) Determinante (formula di Leibnitz) det(a) = sgn(σ) σ S n n a i,σ(i) i=1 dove σ è una permutazione dell insieme {1,...,n} e S n l insieme di tutte le permutazioni dell insieme {1,...,n} +/ n! (n 1)n! O(nn!)
10 Risoluzione di sistemi lineari Dove intervengono Soluzione numerica di una EDP = soluzione di (almeno) un sistema lineare Soluzione di problemi non lineari spesso ricondotta alla risoluzione di una sequenza di sistemi lineari (linearizzazione) Derivate di funzionali vincolati,... La soluzione del sistema lineare è spesso la parte più costosa del calcolo Necessità di avere a disposizione algoritmi accurati, efficienti e robusti
11 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b Approccio matematico classico (metodo di Cramer) Se det(a) 0 allora x = A 1 b, dove A 1 = 1 det(a) CT, con C ij = ( 1) i+j M ij M ij è il (i,j)-esimo minore di A Stima del costo: c(n) O(n 2 n!) (per i metodi numerici invece: c(n) O(n 3 )) Esempio: n = 20 e t 10 9 s metodo di Cramer: 309 secoli metodi numerici: s Per i problemi reali si arriva anche a n =
12 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a) Gli autovalori sono le soluzioni dell equazione caratteristica p A (λ) = det(a λ I) = 0 dove p A (λ) è chiamato polinomio caratteristico det(a) = n i=1 λ i e tr(a) = n λ i i=1 ρ(a) = max λ è chiamato raggio spettrale di A λ σ(a) Se A è triangolare i suoi autovalori sono gli elementi sulla diagonale
13 Decomposizione ai valori singolari (Singular Value Decomposition, SVD) Sia A C m n. Esistono allora due matrici unitarie U C m m e V C n n tali che U H AV = Σ = diag(σ 1,...,σ p ) con p = min(m,n) e σ 1... σ p 0. I numeri σ i sono chiamati valori singolari di A.
14 Definizione di prodotto scalare Un prodotto scalare su uno spazio vettoriale V definito su un campo K è un applicazione, : V V K che soddisfa le seguenti proprietà: 1 è lineare rispetto ai vettori di V, cioè: γx+λ z,y = γ x,y +λ z,y, x,y,z V, γ,λ K 2 è hermitiana, cioè x,y = y,x, x,y V 3 è definita positiva, cioè: x,x 0 e x,x = 0 se e solo se x = 0
15 Definizione di norma Sia V uno spazio vettoriale su un campo K. Diremo che l applicazione : V K è una norma su V se sono verificate le seguenti proprietà 1 v 0 v V e v = 0 se e solo se v = 0 2 αv = α v α K, v V 3 v+w v + w v,w V (disuguaglianza triangolare) Esempi di norme ( x R n) p-norme: ( n x p = x i p) 1 p i=1 1 p < norma del massimo (o norma infinito) x = max 1 i n x i
16 Disuguaglianza di Cauchy-Schwarz Per ogni coppia x,y R n si ha x,y = x T y x 2 y 2 Disuguaglianza di Hölder Per ogni coppia x,y R n si ha x,y x p y q, con 1 p + 1 q = 1 Equivalenza fra norme Due norme p e q su V sono equivalenti se esistono due costanti positive c pq e C pq tali che c pq x q x p C pq x q x V In uno spazio normato di dimensione finita, tutte le norme sono equivalenti
17 Norme di matrici Norma di Frobenius (o norma Euclidea) A F = n Norma naturale (o norma indotta) i,j=1 a ij 2 = tr(aa H ) Ax p A p = sup x 0 x p m A 1 = max a ij j=1,...,n i=1 n A = max a ij i=1,...,m j=1 se A è reale e simmetrica, allora A 2 = ρ(a)
18 Stime per 2 max i,j a ij A 2 nmax a ij i,j 1 n A A 2 n A 1 n A 1 A 2 n A 1 A 2 A 1 A Norme naturali: proprietà 1 Ax p A p x p 2 I p = 1 3 AB p A p B p 4 ρ(a) A p
19 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti Sia una norma consistente. Allora ρ(a) A Sia ε > 0. Allora esiste una norma consistente A,ε tale che A A,ε ρ(a)+ε ρ(a) = inf A Potenze di matrici: convergenza lim k Ak = 0 ρ(a) < 1
20 Condizionamento e stabilità Numero di condizionamento K p (A) = A p A 1 p Ax p dove A p = sup. Si noti che K p (A) 1. x 0 x p Analisi a priori Come reagisce la soluzione esatta di un sistema lineare Ax = b al variare dei dati? Perturbazione di b: A(x+δx) = b+δb 1 δb p δx p K p (A) δb p K p (A) b p x p b p Perturbazione di A: (A+δA)(x+δx) = b δx p x p K p (A) 1 K p (A) δa p / A p δa p A p
21 Condizionamento e stabilità K p (A) 1 le perturbazioni sui dati non influenzano eccessivamente i risultati sistema ben condizionato Nella risoluzione numerica di una EDP il tipo di matrice che si ottiene dipende: dal problema dal metodo di discretizzazione usato dalla qualità della griglia di calcolo Precondizionamento Invece del sistema Ax = b si risolve il sistema equivalente PAx = Pb dove la matrice PA è ben condizionata: K p (PA) K p (A). Minore propagazione degli errori di arrotondamento Aumento della velocità di convergenza dei metodi di risoluzione iterativi
22 Condizionamento e stabilità Stabilità di un algoritmo Si tratta di sapere quanto la soluzione di un sistem lineare ottenuta con un dato algoritmo è sensibile a piccoli errori sui dati A e b. Un algoritmo è detto stabile se non amplifica eccessivamente le perturbazioni sui dati Due nozioni complementari: condizionamento di una matrice, che esprime la sensibilità della soluzione esatta agli errori di arrotondamento stabilità di un algoritmo, che è legata all amplificazione degli errori dovuta all agoritmo di risoluzione usato per una buona risoluzione di un sistema lineare bisogna avere una matrice non troppo mal condizionata e un algoritmo sifficientemente stabile
23 Metodi di risoluzione Classificazione METODI DIRETTI: in assenza di errori di arrotondamento, danno la soluzione esatta in un numero finito di operazioni METODI ITERATIVI: la soluzione è ottenuta come limite di una successione METODI MISTI
24 Fattorizzazione LU ed eliminazione gaussiana Fattorizzazione LU Considerare la matrice del sistema lineare Ax = b come prodotto di due matrici A = LU dove L è triangolare inferiore: L ij = 0 per j > i (L =lower) U è triangolare superiore: U ij = 0 per i > j (U =upper) La soluzione del sistema Ax = b è ottenuta risolvendo due sistemi triangolari 1 Ly = b 2 Ux = y Vantaggio L inversione di una matrice triangolare è facile e poco costosa: O(n 2 )
25 Soluzione di sistemi triangolari Matrici triangolari inferiori (Lx = b) : sostituzione in avanti x 1 = b 1 l 11 x i = 1 i 1 ) (b i l ij x j l ii j=1 i = 2,...,n Matrici triangolari superiori (Ux = b): sostituzione all indietro x n = b n u nn x i = 1 u ii (b i n j=i+1 u ij x j ) i = n 1,...,1 Costo computazionale: +/ n(n 1) 2 n(n 1) 2 n O(n 2 )
26 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore. Sia A (1) = A, b (1) = b e supponiamo che a (1) 11 0 Introduciamo i moltiplicatori m i1 = a(1) i1 (i = 2,3,...,n) a (1) 11 Sottraendo dalla riga i la prima riga moltiplicata per m i1 si ha il sistema equivalente A (2) x = b (2), dove a (1) 11 a (1) a (1) 1n A (2) 0 a (2) = a (2) 2n... 0 a (2) n2... a (2) nn Ripetere il procedimento per le righe i = 2,3,...,n b (1) 1 e b (2) b (2) = 2.. b (2) n
27 Eliminazione di Gaussiana All ultima iterazione abbiamo a (1) 11 a (1) a (1) 1n b (1) 0 a (2) 22 a (2) 1 2n b (2)..... x = a (n) nn b (n) n Ricapitolando, per k = 1,2,...,n m ik = a(k) ik a (k) kk a (k+1) ij b (k+1) i = a (k) ij m ik a (k) kj = b (k) i m ik b (k) k i = k+1,...,n i,j = k+1,...,n i = k+1,...,n
28 Eliminazione gaussiana Costo computazionale Per k = 1,2,...,n m ik = a(k) ik a (k) kk a (k+1) ij b (k+1) i = a (k) ij m ik a (k) kj = b (k) i m ik b (k) k i = k+1,...,n i,j = k+1,...,n i = k+1,...,n + 0 n(n+1)(n 1) 3 n(n+1)(n 1) 3 n(n 1) 2 O(n 3 )
29 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot) Se a (k) kk Se a (k) jk = 0 si permuta la riga k con un altra riga j (k < j n) dove a(k) jk 0 = 0 (k j n) allora la matrice A è singolare Corollario: l eliminazione gaussiana associata a una strategia di pivot è sempre possibile per una matrice non singolare Alcune matrici per cui l eliminazione gaussiana può essere applicata senza pivoting sono: Matrici a diagonale dominante per righe (matrici per cui a ii a ij con j=1,j i i = 1,...,n) Matrici a diagonale dominante per colonne (matrici per cui a ii a ji con j=1,j i i = 1,...,n) Matrici simmetriche e definite positive
30 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1 N (i,j) N (r,s) 0 j = r Sommare alla i-esima riga α-volte la riga j, equivale a moltiplicare a sinistra per la matrice I + αn (i,j) Eliminazione degli elementi sotto (a (k) kk ) (I m k+1,k N (k+1,k) )(I m k+2,k N (k+2,k) )...(I m n,k N (n,k) )A (k) = (I n i=k+1 m i,k N (i,k) )A (k) = M k A (k) = A (k+1) In definitiva si ha: M n 1 M n 2...M 1 A = MA = U
31 Eliminazione gaussiana e fattorizzazione LU m M 1 = M 2 =... m m n m n m M 2 M 1 =. m m n1 m n
32 Eliminazione gaussiana e fattorizzazione LU Poiché A = M 1 U si ha m M =.. m m n1 m n2... m n,n m M 1 = 2I M =.. m m n1 m n2... m n,n 1 1 L = M 1
33 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k Applicazione di P k prima di A (k) M 1 non è più triangolare inferiore Introducendo P = P n 1...P 1 si ha M n 1 P n 1 M n 2 P n 2...M 1 P 1 A = MA = U PA = (PM 1 )U dove (PM 1 ) è triangolare inferiore poniamo L = PM 1 L e U sono calcolate con l eliminazione gaussiana partendo da PA Una volta ottenuto P, L e U si risolvono 1 Ly = Pb 2 Ux = y
34 Algoritmo di Doolittle (Fattorizzazione compatta) La fattorizzazione LU equivale a trovare i coefficienti l ir e u rj che soddisfano min(i,j) a ij = r=1 l ir u rj Supponiamo che le prime k 1 colonne di L e U siano disponibili e l kk = 1. Allora k 1 a kj = l kr u rj + u kj j = k,...,n a ik = r=1 k 1 r=1 l ir u rk + l ik u kk Riordinando i termini, per k = 1,...,n k 1 u kj = a kj l kr u rj r=1 l ik = 1 ( k 1 ) a ik u kk l ir u rk r=1 i = k+1,...,n j = k,...,n i = k+1,...,n
35 Fattorizzazione di Cholesky Sia A R n n una matrice simmetrica e definita positiva. Allora esiste un unica matrice triangolare superiore H con elementi sulla diagonale strettamente positivi tale che A = H T H Gli elementi h ij di H possono essere calcolati con il seguente algoritmo: h 11 = a 11 e, per i = 2,...,n h ij = 1 j 1 ) (a ij h ik h jk h jj ( h ii = a ii k=1 i 1 ) 1/2 h 2 ik k=1 j = 1,...,i 1
36 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo Con le quantità appena introdotte abbiamo Az = r Si può definire dunque l algoritmo r (k) = b A x (k) Az (k) = r (k) x (k+1) = x (k) + z (k) lim k x(k) = x La fattorizzazione LU viene eseguita una volta sola
37 Matrici sparse Introduzione Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 )) Soluzione di EDP mediante differenze finite, elementi finiti e volumi finiti matrici sparse di grandi dimensioni Sono stati definiti metodi diretti efficienti per matrici sparse con struttura particolare (matrice a banda, tridiagonale, a blocchi, ecc.) In generale, il processo di fattorizzazione non conserva la sparsità (fenomeno del fill-in) alto costo in termini di memoria necessaria Utilizzo di algoritmi di riordinamento (Cuthill-McKee, Reverse Cuthill-McKee, etc.) Per matrici sparse non strutturate di grande dimensione, i metodi iterativi sono spesso utilizzati come alternativa ai metodi diretti
38 Matrici tridiagonali: algoritmo di Thomas a 1 c 1 0. A = b 2 a cn 1 0 b n a n 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n Dove α 1 = a 1 e, per i = 2,...,n β i = b i a i 1 α i = a i β i c i 1 Costo computazionale: +/ n 1 n 1 n 1 O(n)
39 Algoritmo di Thomas per Ax = f (A tridiagonale) Dobbiamo risolvere Ly = f e Ux = y con 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n 1 Ly = f Sostituzione in avanti: 2 Ux = y Sostituzione all indietro: y 1 = f 1, y i = f i β i y i 1 i = 2,...,n y n = y n α n, x i = (y i c i x i+1 )/α i i = n 1,...,1 Costo computazionale: +/ 2(n 1) 2(n 1) n O(n)
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
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
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
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
DettagliUn sistema lineare si rappresenta in generale come
SISTEMI LINEARI Un sistema lineare si rappresenta in generale come n j=1 a ij x j = b i i = 1, 2,..., m o anche AX = B. La soluzione esiste se e solo se B appartiene allo spazio lineare generato dalle
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
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,
Dettaglix n i sima pos. x, y = x T y = x i y i R. i=1
1 Elementi di Algebra Lineare In questo capitolo introduttivo al corso di Calcolo Numerico per la laurea triennale in Informatica, saranno presentate una serie di definizioni e proprietà di matrici e dei
DettagliMetodi diretti: eliminazione gaussiana
Calcolo numerico 08/09 p. 1/1 SISTEMI LINEARI Metodi diretti: eliminazione gaussiana Calcolo numerico 08/09 p. 2/1 Sistemi lineari Ax = b, A R n n, b R n b INPUT x OUTPUT A relazione funzionale non ambigua
DettagliRisoluzione 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 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
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
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:
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
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
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
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
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
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
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
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.
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
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
DettagliCorso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a , lez.3)
Docente: Marco Gaviano (e-mail:gaviano@unica.it) Corso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a. 2014-2015, lez.3) 1 Analisi Numerica 1 mod. a.a. 2014-2015, Lezione n.3
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,
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
DettagliCorso di Matematica per la Chimica
Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Propagazione degli errori introdotti nei dati
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
DettagliLezione n. 1. Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale)
Lezione n. 1 Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale) R. Albanese, "Metodi numerici Pag. 1 Pag. 2 Programma 1. Introduzione all analisi numerica (richiami di
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
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
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
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.
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
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
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
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
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
Dettagli= 3 (con qualunque precisione di macchina) e richiede una sola operazione, mentre attraverso il calcolo dell'inversa 1/7 si ottiene la soluzione
CAP2A-DUDOC Versione aggiornata il 2/0/93 2- METODI DIRETTI I metodi diretti per la risoluzione numerica dei sistemi lineari consistono sostanzialmente nell'applicazione del metodo di riduzione di Gauss
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
DettagliNorme di vettori e matrici
Norme di vettori e matrici Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati e proprietà relativi alle norme di vettori e di matrici. 1 Introduzione
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
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
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
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
DettagliQuale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?
Quale delle seguenti istruzioni MATLAB esegue il calcolo del raggio spettrale di una matrice quadrata A? a. max(eig(abs(a))) b. max(abs(eig(a))) c. abs(max(eig(a))) d. max(abs(eig(a *A))) Il raggio spettrale
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
DettagliSISTEMI DI EQUAZIONI LINEARI
SISTEMI DI EQUAZIONI LINEARI Date le rette di equazioni ax + by + c = 0 e a x + b y + c = 0 quanti punti hanno in comune? Per rispondere devo risolvere il sistema ax + by + c = 0 ቊ a x + b y + c = 0 e
DettagliA. Quarteroni R. Sacco R Saleri MATEMATICA NUMERICA. Springer
A. Quarteroni R. Sacco R Saleri MATEMATICA NUMERICA Springer Prefazione XIII 1. Elementi di analisi delle matrici 1 1.1 Spazi vettoriali 1 1.2 Matrici y 3 1.3 Operazioni su matrici ' 4 1.3.1 Inversa di
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
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
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
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
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
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
DettagliAPPUNTI DI MODELLI NUMERICI PER I CAMPI
APPUNTI DI MODELLI NUMERICI PER I CAMPI Giovanni Miano UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II POLO DELLE SCIENZE E DELLE TECNOLOGIE FACOLTÀ DI INGEGNERIA Indice 1. Richiami sui problemi di campo
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
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
DettagliA.A. 2014/2015 Corso di Algebra Lineare
A.A. 2014/2015 Corso di Algebra Lineare Stampato integrale delle lezioni Massimo Gobbino Indice Lezione 01: Vettori geometrici nel piano cartesiano. Operazioni tra vettori: somma, prodotto per un numero,
DettagliAUTOVALORI E AUTOVETTORI
Capitolo 4 AUTOVALORI E AUTOVETTORI Abbiamo visto nel paragrafo 2.17 che la matrice associata ad una applicazione lineare f : R n R m dipende dalle basi scelte in R n e R m. Un problema interessante che
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
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
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
DettagliREGISTRO DELLE LEZIONI
UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE LEZIONI del Corso UFFICIALE di GEOMETRIA B tenute dal prof. Domenico AREZZO nell anno accademico 2006/2007
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi per la soluzione di sistemi di equazioni non lineari Sistemi di equazioni non lineari Un sistema di equazioni
DettagliDef. 1. Si chiamano operazioni elementari sulle righe di A le tre seguenti operazioni:
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, G.Parmeggiani LEZIONE 5 Operazioni elementari sulle righe di una matrice Sia A una matrice m n. Def. 1. Si chiamano operazioni elementari sulle righe
DettagliParte II: Eliminazione di Gauss
Matrici e sistemi lineari Richiamiamo rapidamente alcuni elementi essenziali di algebra lineare. Indicato con a ij (i indice di riga della tabella, j indice di colonna della tabella) il generico elemento
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)
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
DettagliSISTEMI LINEARI QUADRATI: METODI ITERATIVI
SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C
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)
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
DettagliFattorizzazione LU ed eliminazione gaussiana
Fattorizzazione LU ed eliminazione gaussiana Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica 3 maggio 2015 Alvise Sommariva Fattorizzazione LU ed eliminazione gaussiana 1/
DettagliProva di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo. Universitá del Salento, 9 Aprile 2013
Prova di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo Universitá del Salento, 9 Aprile 2013 1 1 TEMA I Il candidato svolga una ed una sola delle dissertazioni proposte, illustrando sinteticamente
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
DettagliMiglior approssimazione in spazi euclidei
Miglior approssimazione in spazi euclidei 15 gennaio 2009 1 Introduzione astratta Sia E uno spazio vettoriale dotato di un prodotto interno (, ) (talvolta un tale spazio è detto euclideo, cf. [7, p.148]),
Dettagli1 se k = r i. 0 altrimenti. = E ij (c)
Facoltà di Scienze Statistiche, Algebra Lineare A, G.Parmeggiani LEZIONE 5 Matrici elementari e loro inverse Si fissi m un numero naturale. Per ogni i, j m con i j siano E ij (c) (ove c è uno scalare )
DettagliSistemi di equazioni lineari
Capitolo 3 Sistemi di equazioni lineari In questo capitolo si studiano due tipi di metodi risolutivi per sistemi di equazioni lineari, solitamente detti metodi diretti e metodi iterativi. Nei metodi diretti
DettagliUniversità degli studi di Cagliari REGOLARIZZAZIONE TRAMITE FATTORIZZAZIONE AI VALORI SINGOLARI: TEORIA E APPLICAZIONI
Università degli studi di Cagliari FACOLTÀ DI INGEGNERIA Corso di Laurea in Ingegneria Elettronica REGOLARIZZAZIONE TRAMITE FATTORIZZAZIONE AI VALORI SINGOLARI: TEORIA E APPLICAZIONI Seminario di Algebra
DettagliOperazioni tra matrici. Moltiplicazione per uno Scalare Moltiplicare ogni elemento della matrice per lo scalare. Sia c = 3
Operazioni tra matrici Definizione di matrice a ij è un elemento di A a ij è detto l elemento ij-esimo di A Moltiplicazione per uno Scalare Moltiplicare ogni elemento della matrice per lo scalare. Sia
DettagliINTRODUZIONE A MATLAB
INTRODUZIONE A MATLAB M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2008/2009 INDICE Sistemi lineari Casi particolari Eliminazione di Gauss Fattorizzazione
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 3 - PROBLEMI DI INTERPOLAZIONE Lucio Demeio Dipartimento di Scienze Matematiche 1 Interpolazione: Polinomio di Lagrange 2 3 Introduzione Problemi di interpolazione
DettagliUniversita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006. Matematica 2 (Analisi)
Universita degli Studi di Ancona Laurea in Ingegneria Meccanica ed Informatica a Distanza Anno Accademico 2005/2006 Matematica 2 (Analisi) Nome:................................. N. matr.:.................................
DettagliCorso di Geometria e Algebra Lineare - Sezione di Metodi Numerici
Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici C. Vergara 3. Metodo della fattorizzazione LU per la risoluzione di un sistema lineare Errori di arrotondamento. Prima di affrontare la
DettagliEsame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011
Esame di Calcolo Numerico per Informatica A.A. 2010/11 Proff. S. De Marchi e M. R. Russo 20 giugno 2011 L esame consiste di 4 domande aperte e 10 esercizi a risposta multipla. Per gli esercizi ci sono
DettagliAppunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena. Marco Alessandrini
Appunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena Marco Alessandrini Ottobre 2006 Indice 1 Informazioni del corso 3 1.1 Programma............................ 3 1.2 Docenti..............................
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
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
DettagliISTRUZIONI PER LA CONSEGNA DEI FILE MATLAB
Calcolo Numerico ed Elementi di Analisi - Allievi AEROSPAZIALI Proff. S. Micheletti, S. Perotto A.A. 20/202, Appello 28 Gennaio 203 NOME... COGNOME... MATRICOLA... DOCENTE... AULA... PC... Ver.A I seguenti
DettagliComplementi di Algebra e Fondamenti di Geometria
Complementi di Algebra e Fondamenti di Geometria Capitolo 3 Forma canonica di Jordan M. Ciampa Ingegneria Elettrica, a.a. 29/2 Capitolo 3 Forma canonica di Jordan Nel Capitolo si è discusso il problema
DettagliApprossimazione di dati e funzioni
Approssimazione di dati e funzioni Richiamiamo i principali metodi di approssimazione polinomiale di un insieme di dati (x i, y i ), i = 0,..., n. Le ordinate y i possono essere i valori assunti nei nodi
DettagliAppendice 1. Spazi vettoriali
Appendice. Spazi vettoriali Indice Spazi vettoriali 2 2 Dipendenza lineare 2 3 Basi 3 4 Prodotto scalare 3 5 Applicazioni lineari 4 6 Applicazione lineare trasposta 5 7 Tensori 5 8 Decomposizione spettrale
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
DettagliMETODI MATEMATICI PER LA FISICA
METODI MATEMATICI PER LA FISICA SECONDO ESONERO - 5 GIUGNO 6 Si svolgano cortesemente i seguenti Problemi. PRIMO PROBLEMA (PUNTEGGIO: 3/3) Dati due operatori hermitiani  and ˆB in uno spazio di Hilbert
Dettagli( ), i, j = 1,2,...,n, si cerca un vettore x!r n tale che
4. Sistemi di equazioni algebriche lineari La soluzione numerica della maggior parte dei problemi di interesse nell ingegneria, anche molto complessi, si riduce alla soluzione di un sistema di equazioni
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Risoluzione di Equazioni Algebriche Le equazioni
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.
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 9 - EQUAZIONI DIFFERENZIALI ORDINARIE valori iniziali Valori iniziali Ci occuperemo della soluzione numerica di equazioni del prim ordine
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
Dettagli