Marco Donatelli. 14 Febbraio 2004
|
|
- Giuditta Carbone
- 6 anni fa
- Visualizzazioni
Transcript
1 Proprietà regolarizzanti dei metodi Multigrid Marco Donatelli Dipartimento di Fisica e Matematica Università dell Insubria 14 Febbraio 2004
2 Outline 1 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Proprietà della Funzione di Sfuocamento (PSF) Regolarizzazione mediante Metodi Iterativi 2 Regolarizzazione Multigrid Multigrid Algebrico Framework Multilivello Regolarizzante Costo Computazionale 3 Applicazioni Un Problema Astronomico Vincolo di Non-Negatività Potenziare il Proiettore 4 Conclusioni
3 Ricostruzione di immagini Sfuocate e affette da Rumore Outline 1 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Proprietà della Funzione di Sfuocamento (PSF) Regolarizzazione mediante Metodi Iterativi 2 Regolarizzazione Multigrid Multigrid Algebrico Framework Multilivello Regolarizzante Costo Computazionale 3 Applicazioni Un Problema Astronomico Vincolo di Non-Negatività Potenziare il Proiettore 4 Conclusioni
4 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Il Sistema Lineare Imponendo condizioni al contorno (BCs), l immagine ricostruita f è ottenuta risolvendo (in qualche senso...) Af = g + n
5 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Il Sistema Lineare Imponendo condizioni al contorno (BCs), l immagine ricostruita f è ottenuta risolvendo (in qualche senso...) g = immagine sfuocata Af = g + n
6 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Il Sistema Lineare Imponendo condizioni al contorno (BCs), l immagine ricostruita f è ottenuta risolvendo (in qualche senso...) g = immagine sfuocata Af = g + n n = rumore (vettore random)
7 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Il Sistema Lineare Imponendo condizioni al contorno (BCs), l immagine ricostruita f è ottenuta risolvendo (in qualche senso...) g = immagine sfuocata Af = g + n n = rumore (vettore random) A = matrice bilivello strutturata generata dalla PSF BCs Dirichlet periodiche riflettenti antiriflettenti A Toeplitz circolante DCT III DST I + correzione
8 Ricostruzione di immagini Sfuocate e affette da Rumore Proprietà della Funzione di Sfuocamento (PSF) Funzione generatrice della PSF PSF gaussiana
9 Ricostruzione di immagini Sfuocate e affette da Rumore Proprietà della Funzione di Sfuocamento (PSF) Funzione generatrice della PSF PSF gaussiana PSF Funzione generatrice z(x)
10 Ricostruzione di immagini Sfuocate e affette da Rumore Proprietà della Funzione di Sfuocamento (PSF) Funzione generatrice della PSF PSF gaussiana PSF Funzione generatrice z(x) Il sottospazio malcondizionato di A(z) è costituito principalmente dalle alte frequenze.
11 Ricostruzione di immagini Sfuocate e affette da Rumore Regolarizzazione mediante Metodi Iterativi Metodi iterativi regolarizzanti Metodi iterativi particolarmente lenti (es: Landweber, CGNE,... ) manifestano proprietà regolarizzanti.
12 Ricostruzione di immagini Sfuocate e affette da Rumore Regolarizzazione mediante Metodi Iterativi Metodi iterativi regolarizzanti Metodi iterativi particolarmente lenti (es: Landweber, CGNE,... ) manifestano proprietà regolarizzanti. Motivazione Nei primi passi riducono l errore nelle basse frequenze (sottospazio ben condizionato). Quando passano a ridurre l errore algebrico nelle alte frequenze l errore della ricostruzione, a causa degli effetti del rumore, aumenta.
13 Regolarizzazione Multigrid Outline 1 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Proprietà della Funzione di Sfuocamento (PSF) Regolarizzazione mediante Metodi Iterativi 2 Regolarizzazione Multigrid Multigrid Algebrico Framework Multilivello Regolarizzante Costo Computazionale 3 Applicazioni Un Problema Astronomico Vincolo di Non-Negatività Potenziare il Proiettore 4 Conclusioni
14 Regolarizzazione Multigrid Multigrid Algebrico Multigrid per Matrici Strutturate Struttura del Multigrid Smoother: metodo iterativo classico (regolarizzante).
15 Regolarizzazione Multigrid Multigrid Algebrico Multigrid per Matrici Strutturate Struttura del Multigrid Smoother: metodo iterativo classico (regolarizzante). Proiettore: permette di selezionare il sottospazio in cui si vuole ridurre maggiormente l errore nelle griglie più rade ai livelli inferiori.
16 Regolarizzazione Multigrid Multigrid Algebrico Multigrid per Matrici Strutturate Struttura del Multigrid Smoother: metodo iterativo classico (regolarizzante). Proiettore: permette di selezionare il sottospazio in cui si vuole ridurre maggiormente l errore nelle griglie più rade ai livelli inferiori. Preservare la Struttura della matrice Per applicare ricorsivamente l algoritmo è necessario che il proiettore preservi la struttura (Toeplitz, Circolante,... ) delle matrici ai livelli inferiori.
17 Regolarizzazione Multigrid Multigrid Algebrico Multigrid per Matrici Strutturate Struttura del Multigrid Smoother: metodo iterativo classico (regolarizzante). Proiettore: permette di selezionare il sottospazio in cui si vuole ridurre maggiormente l errore nelle griglie più rade ai livelli inferiori. Preservare la Struttura della matrice Per applicare ricorsivamente l algoritmo è necessario che il proiettore preservi la struttura (Toeplitz, Circolante,... ) delle matrici ai livelli inferiori. Per tutte le strutture derivanti dalle BCs presentate sono stati definiti proiettori che permettono di preservare la struttura.
18 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Definizione del Proiettore Struttura del Proiettore Matrice di Taglio: dimensione n n/2, permette di preservare la struttura al livello inferiore.
19 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Definizione del Proiettore Struttura del Proiettore Matrice di Taglio: dimensione n n/2, permette di preservare la struttura al livello inferiore. Funzione Generatrice: seleziona il sottospazio in cui proiettare il sistema lineare.
20 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Definizione del Proiettore Struttura del Proiettore Matrice di Taglio: dimensione n n/2, permette di preservare la struttura al livello inferiore. Funzione Generatrice: seleziona il sottospazio in cui proiettare il sistema lineare. Filtro passa-basso Proiettare nelle basse frequenze per ridurre gli effetti del rumore: Filtro Passa-Basso p(x, y) = (1 + cos(x))(1 + cos(y))
21 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Definizione del Proiettore Struttura del Proiettore Matrice di Taglio: dimensione n n/2, permette di preservare la struttura al livello inferiore. Funzione Generatrice: seleziona il sottospazio in cui proiettare il sistema lineare. Filtro passa-basso Proiettare nelle basse frequenze per ridurre gli effetti del rumore: Filtro Passa-Basso p(x, y) = (1 + cos(x))(1 + cos(y)) Media Pesata
22 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Definizione del Proiettore Struttura del Proiettore Matrice di Taglio: dimensione n n/2, permette di preservare la struttura al livello inferiore. Funzione Generatrice: seleziona il sottospazio in cui proiettare il sistema lineare. Filtro passa-basso Proiettare nelle basse frequenze per ridurre gli effetti del rumore: Filtro Passa-Basso p(x, y) = (1 + cos(x))(1 + cos(y)) Media Pesata Interpolazione Lineare
23 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Framework Multilivello Regolarizzante Se abbiamo un metodo iterativo regolarizzante possiamo aumentarne le proprietà regolarizzanti e/o accelerarne la convergenza utilizzandolo come smoother nel multigrid.
24 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Framework Multilivello Regolarizzante Se abbiamo un metodo iterativo regolarizzante possiamo aumentarne le proprietà regolarizzanti e/o accelerarne la convergenza utilizzandolo come smoother nel multigrid.
25 Regolarizzazione Multigrid Framework Multilivello Regolarizzante Framework Multilivello Regolarizzante Regolarizzazione Le proprietà regolarizzanti dello smoother vengono preservate perché viene combinato con un filtro passa-basso.
26 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n))
27 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n)) Ciclo Multigrid Il problema al livello j ha dimensione n j n j con n j = n/2 j.
28 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n)) Ciclo Multigrid Il problema al livello j ha dimensione n j n j con n j = n/2 j. Costo Proiezione al livello j: 7 4 n2 j, 7 8 n2 j flops.
29 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n)) Ciclo Multigrid Il problema al livello j ha dimensione n j n j con n j = n/2 j. Costo Proiezione al livello j: 7 4 n2 j, 7 8 n2 j flops. Sia W (n) il costo di una iterazione di smoother W (n) = cn 2 + O(n), c 1.
30 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n)) Ciclo Multigrid Il costo complessivo al livello j è circa c j = W (n j ) n2 j flops.
31 Regolarizzazione Multigrid Costo Computazionale Costo computazionale Precomputing Calcolo e memorizzazione delle PSF (matrici dei coefficienti) relative alle griglie più rade (A i+1 = Pi T A i P i ) O(log(n)) Ciclo Multigrid Il costo complessivo al livello j è circa c j = W (n j ) n2 j flops. Il costo totale di una iterazione di Multigrid è: log 21 2 (n) 1 8 n2 + c j < 7 2 n2 + 4 ( n ) 3 W W (n). j=1
32 Regolarizzazione Multigrid Costo Computazionale Costo computazionale per cicli più complessi Modificare il numero di Chiamate Ricorsive Una sola chiamata ricorsiva (proiezione) schema a V.
33 Regolarizzazione Multigrid Costo Computazionale Costo computazionale per cicli più complessi Modificare il numero di Chiamate Ricorsive Una sola chiamata ricorsiva (proiezione) schema a V. Aumentando il numero di chiamate ricorsive (proiezioni consecutive) l algoritmo lavora maggiormente nel sottospazio relativo alle basse frequenze, diventa però più difficile definire il criterio di arresto (il metodo accelera).
34 Regolarizzazione Multigrid Costo Computazionale Costo computazionale per cicli più complessi Modificare il numero di Chiamate Ricorsive Una sola chiamata ricorsiva (proiezione) schema a V. Aumentando il numero di chiamate ricorsive (proiezioni consecutive) l algoritmo lavora maggiormente nel sottospazio relativo alle basse frequenze, diventa però più difficile definire il criterio di arresto (il metodo accelera). γ = numero di chiamate ricorsive, il costo di una iterazione è C(γ, n) C(γ, n) ( cγ ) n 2 4 γ { O(n 2 log(n)), γ = 4 O(n 2 log 4 (γ) ), γ > W (n), γ = 1 W (n), γ = 2 3W (n), γ = 3
35 Applicazioni Outline 1 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Proprietà della Funzione di Sfuocamento (PSF) Regolarizzazione mediante Metodi Iterativi 2 Regolarizzazione Multigrid Multigrid Algebrico Framework Multilivello Regolarizzante Costo Computazionale 3 Applicazioni Un Problema Astronomico Vincolo di Non-Negatività Potenziare il Proiettore 4 Conclusioni
36 Applicazioni Un Problema Astronomico Saturno BCs Periodiche con bordo nero (esatte) PSF gaussiana + SNR = 20 Immagine originale PSF Sfuocata + SNR = 20
37 Applicazioni Vincolo di Non-Negatività Vincolo di Non-Negatività Il multigrid preserva la non-negatività? Il proiettore (media pesata e interpolazione lineare) preserva l eventuale vincolo di non-negatività.
38 Applicazioni Vincolo di Non-Negatività Vincolo di Non-Negatività Il multigrid preserva la non-negatività? Il proiettore (media pesata e interpolazione lineare) preserva l eventuale vincolo di non-negatività. Utilizzando un metodo proiettato come Smoother non si soddisfa il vincolo di non-negativita (causa: risoluzione diretta all ultimo livello).
39 Applicazioni Vincolo di Non-Negatività Vincolo di Non-Negatività Il multigrid preserva la non-negatività? Il proiettore (media pesata e interpolazione lineare) preserva l eventuale vincolo di non-negatività. Utilizzando un metodo proiettato come Smoother non si soddisfa il vincolo di non-negativita (causa: risoluzione diretta all ultimo livello). Preservare la non-negatività con il multigrid Proiettare l approssimazione calcolata ad ogni iterazione.
40 Applicazioni Vincolo di Non-Negatività Vincolo di Non-Negatività Il multigrid preserva la non-negatività? Il proiettore (media pesata e interpolazione lineare) preserva l eventuale vincolo di non-negatività. Utilizzando un metodo proiettato come Smoother non si soddisfa il vincolo di non-negativita (causa: risoluzione diretta all ultimo livello). Preservare la non-negatività con il multigrid Proiettare l approssimazione calcolata ad ogni iterazione. Utilizzare come Smoother un metodo proiettato + proiettare l approssimazione calcolata ad ogni iterazione.
41 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
42 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
43 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
44 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
45 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
46 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
47 Applicazioni Vincolo di Non-Negatività Errore Minimo e j = errore relativo alla j-esima iterazione. Metodo min j) j=1,... argmin j) j=1,... CG Rich MGM(Rich +,1) MGM(Rich,1) MGM(Rich +,1) MGM(Rich +,2) RichNE CGNE MGM(CGNE +,2) MGM(CGNE +,3)
48 Applicazioni Vincolo di Non-Negatività Andamento dell errore di ricostruzione
49 Applicazioni Vincolo di Non-Negatività Immagini Ricostruite Rich + (9 iter.). MGM(Rich +,2) + (12 iter.) CGNE + (885 iter.).
50 Applicazioni Vincolo di Non-Negatività Immagini Ricostruite MGM(CGNE +,2) + (109 iter.) MGM(Rich +,2) + (12 iter.) CGNE + (885 iter.).
51 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Si può evitare di passare alle equazioni normali rafforzando le proprietà di filtraggio del proiettore con: p(x, y) = (1 + cos(x)) α (1 + cos(y)) α, α N +.
52 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Si può evitare di passare alle equazioni normali rafforzando le proprietà di filtraggio del proiettore con: p(x, y) = (1 + cos(x)) α (1 + cos(y)) α, α N +. Conseguenze Computazionali Il costo computazionale di una iterazione di W-Cycle diviene ( 72α α 11 C(α, n) 16 ) + 2c n 2
53 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Si può evitare di passare alle equazioni normali rafforzando le proprietà di filtraggio del proiettore con: p(x, y) = (1 + cos(x)) α (1 + cos(y)) α, α N +. Conseguenze Computazionali Il costo computazionale di una iterazione di W-Cycle diviene ( 72α α 11 C(α, n) 16 ) + 2c n 2 Condizionamento del sistema lineare: sia f j la funzione generatrice di A j e β j l ordine del suo zero in [π, π], allora β j = β 0 + 2jα (num. cond. = O(n β j j )).
54 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Proiezione e Re-blurring generalizzato Il proiettore oltre ad effettuare il filtraggio, ha anche un effetto di doppio re-blurring in quanto A i+1 = P T i A i P i.
55 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Proiezione e Re-blurring generalizzato Il proiettore oltre ad effettuare il filtraggio, ha anche un effetto di doppio re-blurring in quanto A i+1 = P T i A i P i. Risultati Numerici con MGM(Rich +,2) + α min j) j=1,... argmin j) j=1,
56 Applicazioni Potenziare il Proiettore Potenziare il Proiettore Proiezione e Re-blurring generalizzato Il proiettore oltre ad effettuare il filtraggio, ha anche un effetto di doppio re-blurring in quanto A i+1 = P T i A i P i. MGM(Rich +,2) + (12 iter.) MGM(Rich +,2) + (α = 4 in 38 iter.) MGM(CGNE +,2) + (109 iter.)
57 Conclusioni Outline 1 Ricostruzione di immagini Sfuocate e affette da Rumore Imposizione di Condizioni al Contorno Proprietà della Funzione di Sfuocamento (PSF) Regolarizzazione mediante Metodi Iterativi 2 Regolarizzazione Multigrid Multigrid Algebrico Framework Multilivello Regolarizzante Costo Computazionale 3 Applicazioni Un Problema Astronomico Vincolo di Non-Negatività Potenziare il Proiettore 4 Conclusioni
58 Conclusioni Riassumendo... Caratteristiche Multigrid Regolarizzante E un Framework generale che può essere utilizzato per potenziare le proprietà regolarizzanti di un qualsiasi metodo iterativo regolarizzante.
59 Conclusioni Riassumendo... Caratteristiche Multigrid Regolarizzante E un Framework generale che può essere utilizzato per potenziare le proprietà regolarizzanti di un qualsiasi metodo iterativo regolarizzante. Rispetto al metodo iterativo utilizzato come smoother l errore relativo è minore e la curva dell errore più piatta.
60 Conclusioni Riassumendo... Caratteristiche Multigrid Regolarizzante E un Framework generale che può essere utilizzato per potenziare le proprietà regolarizzanti di un qualsiasi metodo iterativo regolarizzante. Rispetto al metodo iterativo utilizzato come smoother l errore relativo è minore e la curva dell errore più piatta. Solitamente permette di ottenere un ottima ricostruzione senza ricorrere alle equazioni normali (magari potenziando leggermente il proiettore).
61 Conclusioni Riassumendo... Caratteristiche Multigrid Regolarizzante E un Framework generale che può essere utilizzato per potenziare le proprietà regolarizzanti di un qualsiasi metodo iterativo regolarizzante. Rispetto al metodo iterativo utilizzato come smoother l errore relativo è minore e la curva dell errore più piatta. Solitamente permette di ottenere un ottima ricostruzione senza ricorrere alle equazioni normali (magari potenziando leggermente il proiettore). Può essere combinato con varie tecniche come ad esempio con il vincolo di non negatività.
62 Conclusioni Lavoro futuro Teorico Dimostrazione della proprietà di regolarizzazione.
63 Conclusioni Lavoro futuro Teorico Dimostrazione della proprietà di regolarizzazione. Applicativo Estensione a tecniche che preservano i contorni dell immagine (Total Variation, Wavelet,... ).
64 Conclusioni Lavoro futuro Teorico Dimostrazione della proprietà di regolarizzazione. Applicativo Estensione a tecniche che preservano i contorni dell immagine (Total Variation, Wavelet,... ). PSF fortemente non simmetrica.
65 Conclusioni Lavoro futuro Teorico Dimostrazione della proprietà di regolarizzazione. Applicativo Estensione a tecniche che preservano i contorni dell immagine (Total Variation, Wavelet,... ). PSF fortemente non simmetrica. Rumore non uniforme (es. Poissoniano).
66 Conclusioni Lavoro futuro Teorico Dimostrazione della proprietà di regolarizzazione. Applicativo Estensione a tecniche che preservano i contorni dell immagine (Total Variation, Wavelet,... ). PSF fortemente non simmetrica. Rumore non uniforme (es. Poissoniano). Numerico/Simulativo Sperimentazione completa al variare delle diverse BCs (Multigrid ad hoc per le Matrici Strutturate risultanti).
Operatori di aggregazione per metodi multigrid
Operatori di aggregazione per metodi multigrid Marco Donatelli Dipartimento di Fisica e Matematica Università dell Insubria - Como Collaboratori: M. Bolten, T. Huckle Congresso UMI 2011 Bologna 12 16 Settembre,
DettagliLaboratorio di Calcolo Numerico
Laboratorio di Calcolo Numerico M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2009/2010 Equazioni non lineari Data una funzione consideriamo il problema
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
DettagliAPPROSSIMAZIONE di FUNZIONI
APPROSSIMAZIONE di FUNZIONI Francesca Pelosi Dipartimento di Sc. Matematiche ed Informatiche, Università di Siena CALCOLO NUMERICO a.a. 26 27 APPROSSIMAZIONE di FUNZIONI p.1/3 APPROSSIMAZIONE di FUNZIONI:
DettagliClaudio Estatico Equazioni non-lineari
Claudio Estatico (claudio.estatico@uninsubria.it) Equazioni non-lineari 1 Equazioni non-lineari 1) Equazioni non-lineari e metodi iterativi. 2) Metodo di bisezione, metodo regula-falsi. 3) Metodo di Newton.
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni non lineari Sia F C 0 ([a, b]), cioé F è una funzione continua in un intervallo [a, b] R, tale che F(a)F(b) < 0 1.5 1 F(b) 0.5 0 a
DettagliCorso di laurea in Informatica Calcolo Numerico Prof.ssa L. D Amore 12 Dicembre 2008 Esercizi di riepilogo tipo prova d esame
1 Cognome: Nome: Matricola: Corso di laurea in Informatica Calcolo Numerico Prof.ssa L. D Amore 12 Dicembre 2008 Esercizi di riepilogo tipo prova d esame 1. Si consideri il sistema aritmetico f. p. a precisione
DettagliLEZIONE ICO
LEZIONE ICO 9-10-2009 Argomento. Rassegna dei metodi numerici utilizzabili per la soluzione di problemi di ottimizzazione statica. Metodi del gradiente e di Newton e loro derivati. Metodi di penalita e
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni Algebriche Le equazioni algebriche sono equazioni del tipo P(x) = 0 dove P è un polinomio di grado n cioé P(x) = a 1 x n + a 2 x n
DettagliProblema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di
Problema Cercare la soluzione di Equazioni non lineari dove Se è soluzione dell equazione, cioè allora si dice RADICE o ZERO della funzione Metodo grafico Graficamente si tratta di individuare l intersezione
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
DettagliEsercitazioni di Meccanica Razionale
Esercitazioni di Meccanica Razionale a.a. 2002/2003 Vettori applicati Maria Grazia Naso naso@ing.unibs.it Dipartimento di Matematica Università degli Studi di Brescia Esercitazioni di Meccanica Razionale
Dettagli5.4.5 Struttura dell algoritmo ed esempi
CAPITOLO 5. IL METODO DEL SIMPLESSO 6 5.4.5 Struttura dell algoritmo ed esempi Come abbiamo già ampiamente osservato, la fase II del metodo del simplesso, a partire da una soluzione di base ammissibile,
DettagliRaccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza. Equazioni non lineari
Raccolta di Esercizi d esame ( di Calcolo Numerico) Prof. Laura Pezza Equazioni non lineari ESERCIZIO 1 Data l equazione ln(e + x) = 1 (1 + 4x) + 1 2 1.1 verificare analiticamente se sono soddisfatte le
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 Approssimazione di funzioni In molti problemi
Dettaglix 1 x 2 x 3 x 5 La base iniziale è B 0 = I e risulta x B 0 = , x N 0 = Iterazione 0. Calcolo dei costi ridotti. γ 0 = c N 0 (N 0 ) T c B 0 =
56 IL METODO DEL SIMPLESSO 7.4 IL METODO DEL SIMPLESSO In questo paragrafo sono riportati alcuni esercizi risolti sul metodo del simplesso. Alcuni sono risolti utilizzando la procedura di pivot per determinare,
Dettagli5. ANALISI DI SENSIBILITÀ
5. ANALISI DI SENSIBILITÀ R. Tadei 1 Una piccola introduzione R. Tadei 2 ANALISI DI SENSIBILITÀ Nei precedenti capitoli abbiamo visto come, partendo da un problema reale, si possa giungere alla costruzione
DettagliOttimizzazione numerica
Funzioni univariate 28 Ottobre 2010 Funzioni univariate Outline 1 Funzioni univariate 2 optim Funzioni univariate I metodi di ottimizzazione consentono di trovare i punti estremanti (massimi, minimi) di
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
DettagliTeorema di Thevenin generalizzato
Teorema di Thevenin generalizzato Si considerino due reti elettriche lineari, A e B, aventi rispettivamente N A e N B nodi interni. Esse si interfacciano attraverso n (n 3) fili di collegamento, in cui
DettagliProgrammazione Lineare Intera. Programmazione Lineare Intera p. 1/4
Programmazione Lineare Intera Programmazione Lineare Intera p. 1/4 Programmazione Lineare Intera Problema di PLI in forma standard: max cx Ax = b x 0, x I n I insieme degli interi. Regione ammissibile:
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 2 - EQUAZIONI NON LINEARI Introduzione Problema: trovare le soluzioni di un equazione del tipo f() = 0 Esempio sin a = 0 e = 3 1.0 2.0 0.5
DettagliAnnamaria Mazzia. Corso di Metodi Numerici per l Ingegneria dispense e altro materiale su
Soluzione di un sistema non lineare con la Regula Falsi generalizzata per la determinazione degli angoli conico di taglio ed elicoidale di taglio di una cremagliera Annamaria Mazzia Dipartimento di Metodi
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
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
DettagliAppunti sui Codici di Reed Muller. Giovanni Barbarino
Appunti sui Codici di Reed Muller Giovanni Barbarino Capitolo 1 Codici di Reed-Muller I codici di Reed-Muller sono codici lineari su F q legati alle valutazioni dei polinomi sullo spazio affine. Per semplicità
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliCalcolo Numerico Informatica Manolo Venturin A.A. 2010 2011 Guida all esame
Calcolo Numerico Informatica Manolo Venturin A.A. 2010 2011 Guida all esame Testo aggiornato al 23 maggio 2011. L esame consiste in una prova scritta della durata di 2 ore. Tale prova è composta da tre/-
DettagliInterpolazione. Corso di Calcolo Numerico, a.a. 2008/2009. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
Interpolazione Corso di Calcolo Numerico, a.a. 2008/2009 Francesca Mazzia Dipartimento di Matematica Università di Bari 17 Aprile 2009 Francesca Mazzia (Univ. Bari) Interpolazione 17/04/2006 1 / 37 Interpolazione
DettagliEsame di Ricerca Operativa del 07/09/2016
Esame di Ricerca Operativa del 0/09/201 (Cognome) (Nome) (Matricola) Esercizio 1. Un industria chimica produce due tipi di fertilizzanti (A e B) la cui lavorazione è affidata ai reparti di produzione e
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Mirano a costruire la soluzione x di un sistema lineare come limite di una successione di vettori Per matrici piene di ordine n il costo computazionale è dell ordine
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.:.................................
DettagliAlgoritmi e strutture di dati 2
Algoritmi e strutture di dati 2 Paola Vocca Lezione 1: Divide et Impera 1 Paradigma del divide et impera Strutturato in tre fasi. Sia Π() istanza di dimensione di un problema computazionale Π (dove è immediato
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di 2 - EQUAZIONI NON LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Elementi introduttivi 2 3 4 Introduzione Problema: trovare le soluzioni di
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
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
DettagliCapitolo 1. Esercizi a.a Esercizi. Esercizio 1.1 Dimostrare che il metodo iterativo
Capitolo Esercizi a.a. 206-7 Esercizi Esercizio. Dimostrare che il metodo iterativo x k+ = Φ(x k ), k = 0,,..., se convergente a x, deve verificare la condizione di consistenza x = Φ(x ). Ovvero, la soluzione
DettagliEsame di Ricerca Operativa del 03/09/2015
Esame di Ricerca Operativa del 0/09/201 (Cognome) (Nome) (Matricola) Esercizio 1. Una raffineria di petrolio miscela tipi di greggio per ottenere tipi di carburante: senza piombo, diesel e blu diesel.
DettagliRICOSTRUZIONE DELL'ENERGIA - CONFRONTO FRA APPARATI
RICOSTRUZIONE DELL'ENERGIA - CONFRONTO FRA APPARATI V.Valente dicembre 2001 Nella nota precedente e' stata posta in rilievo la notevole influenza che la struttura dell'apparato ha sulla possibilita' di
DettagliAlgebra/Algebra Lineare,
Algebra/Algebra Lineare, 00308 Distanza di un punto da una retta, nel piano Svolgiamo ora un semplice esercizio di geometria analitica nel piano: determinare la distanza di un punto da una retta Il modo
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
DettagliEsame di Ricerca Operativa del 11/07/2016
Esame di Ricerca Operativa del /0/01 (Cognome) (Nome) (Matricola) Esercizio 1. Un erboristeria vuole produrre una nuova tisana utilizzando tipi di tisane già in commercio. Tali tisane sono per lo più composte
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
Dettagli3. Problemi inversi sulle annualità. Poliannualità
3. Problemi inversi sulle annualità. Poliannualità Di cosa parleremo Individuate le modalità di determinazione dell accumulazione iniziale e finale di una rendita, i problemi inversi consistono nella determinazione
DettagliREGISTRO DELLE ESERCITAZIONI
UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE ESERCITAZIONI del Corso UFFICIALE di GEOMETRIA A tenute dal prof. Domenico AREZZO nell anno accademico
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
DettagliEsame di Ricerca Operativa del 15/01/2015
Esame di Ricerca Operativa del 1/01/201 (Cognome) (Nome) (Matricola) Esercizio 1. Un azienda produce palloni da calcio e da basket che vende a 1 e 20 euro rispettivamente. L azienda compra ogni settimana
DettagliEsame di Ricerca Operativa del 15/01/2015
Esame di Ricerca Operativa del 1/01/01 (Cognome) (Nome) (Matricola) Esercizio 1. Un azienda produce palloni da basket e da calcio che vende rispettivamente a 1 e euro. L azienda compra ogni settimana 00
DettagliSoluzione. (a) L insieme F 1 e linearmente indipendente; gli insiemi F 2 ed F 3 sono linearmente
1. Insiemi di generatori, lineare indipendenza, basi, dimensione. Consideriamo nello spazio vettoriale R 3 i seguenti vettori: v 1 = (0, 1, ), v = (1, 1, 1), v 3 = (, 1, 0), v 4 = (3, 3, ). Siano poi F
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,
DettagliAlgoritmi per operazioni con le matrici
Algoritmi per operazioni con le matrici 1 Sommario Definizioni Alcune operazioni principali sulle matrici Somma di due matrici Trasposta di una matrice Prodotto di matrici: algoritmo classico Prodotto
DettagliAnalisi Matematica e Geometria 1
Michele Campiti Prove scritte di Analisi Matematica e Geometria 1 Ingegneria Industriale aa 2015 2016 y f 1 g 0 La funzione seno e la funzione esponenziale Raccolta delle tracce di Analisi Matematica e
DettagliCos è una wavelet? Applicazioni della trasformata wavelet. Analisi multirisoluzione
Cos è una wavelet? Applicazioni della trasformata wavelet Analisi multirisoluzione Tre tecniche: Piramidi di immagine Trasformata di Haar Codifica per sottobande Il numero totale di pixel nel caso di una
DettagliProgramma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster
Programma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster Richiami di analisi degli errori. Rappresentazione dei numeri in un calcolatore. Operazioni di macchina.
DettagliCapitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
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,
DettagliElaborazione aut. dei dati
Programma Elaborazione aut. dei dati Sistema interattivo MATLAB Risoluzione di sistemi lineari e di equazioni non lineari Interpolazione e smoothing di dati Opzioni finanziarie Approssimazione di integrali
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)
DettagliElettronica II Modello per piccoli segnali del diodo a giunzione p. 2
Elettronica II Modello per piccoli segnali del diodo a giunzione Valentino Liberali ipartimento di Tecnologie dell Informazione Università di Milano, 2603 Crema e-mail: liberali@dti.unimi.it http://www.dti.unimi.it/
Dettaglicamere a deriva di CMS
Prestazioni di ricostruzione di muoni cosmici nelle camere a deriva di CMS Università degli Studi di Padova 2 settembre 7 Introduzione Obiettivo: analizzare le prestazioni di ricostruzione sui segmenti
DettagliStatistica Matematica e Trattamento Informatico dei Dati. Analisi Matematica 3. Esercizi svolti nelle lezioni. V. Del Prete
Statistica Matematica e Trattamento Informatico dei Dati A.A.00-0 Analisi Matematica 3 Esercizi svolti nelle lezioni V. Del Prete Numeri complessi Argomenti ed esercizi svolti nelle lezioni 30.09.00 e
DettagliCenno al trattamento delle immagini digitali. Cartografia numerica e GIS Domenico Sguerso
Cenno al trattamento delle immagini digitali Cartografia numerica e GIS Domenico Sguerso Digital Image Processing: Preprocessing (Memorizzazione) analysis Trattamento dell immagine: - ricampionamento necessario
DettagliSistemi sovradeterminati
Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di
DettagliMetodi di Iterazione Funzionale
Appunti di Matematica Computazionale Lezione Metodi di Iterazione Funzionale Il problema di calcolare il valore per cui F() = si può sempre trasformare in quello di trovare il punto fisso di una funzione
DettagliRisoluzione di sistemi lineari
Risoluzione di sistemi lineari Teorema (Rouché-Capelli) Dato il sistema di m equazioni in n incognite Ax = b, con A M at(m, n) b R n x R n [A b] si ha che: matrice dei coefficienti, vettore dei termini
DettagliIl metodo di Gauss-Newton per le regressioni non-lineari
Il metodo di Gauss-Newton per le regressioni non-lineari Andrea Onofri Dipartimento di Scienze Agrarie ed Ambientali Università degli Studi di Perugia Versione on-line: http://www.unipg.it/ onofri/rtutorial/index.html
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
DettagliCalcolare medie geometriche di matrici
Bruno Iannazzo, Università di Perugia con Dario Bini, Beatrice Meini e Federico Poloni GALN 09, 16 17 febbraio 2009 Medie di matrici Media aritmetica: Media armonica: A + B. 2 2(A 1 + B 1 ) 1. Media geometrica
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
DettagliCALCOLO NUMERICO. Prof. Di Capua Giuseppe. Appunti di Informatica - Prof. Di Capua 1
CALCOLO NUMERICO Prof. Di Capua Giuseppe Appunti di Informatica - Prof. Di Capua 1 INTRODUZIONE Quando algoritmi algebrici non determinano la soluzione di un problema o il loro «costo» è molto alto, allora
DettagliA.A Prof. R. Morandi
Svolgimento di alcuni esercizi del corso di Calcolo Numerico A.A. - Prof. R. Morandi Versione in aggiornamento ( gennaio ): ogni segnalazione di imprecisioni è gradita Aritmetica Finita Esercizio : Assegnati
DettagliCorso di Perfezionamento
Programmazione Dinamica 1 1 Dipartimento di Matematica e Informatica Università di Camerino 15 febbraio 2009 Tecniche di Programmazione Tecniche di progettazione di algoritmi: 1 Divide et Impera 2 Programmazione
DettagliProcesso di identificazione
Processo di identificazione Problemi a scatola trasparente il modello viene ottenuto partendo dalla descrizione delle parti costituenti il sistema e delle leggi che lo regolano. Il problema dell identificazione
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
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
DettagliMetodi per il calcolo degli zeri di funzioni non lineari
Metodi per il calcolo degli zeri di funzioni non lineari N. Del Buono 1 Introduzione Le radici di un equazione non lineare f(x) = 0 non possono, in generale, essere espresse esplicitamente e anche quando
DettagliEsercitazione ENS su processi casuali (13 e 14 Maggio 2008)
Esercitazione ES su processi casuali ( e 4 Maggio 2008) D. Donno Esercizio : Calcolo di autovalori e autovettori Si consideri un processo x n somma di un segnale e un disturbo: x n = Ae π 2 n + w n, n
DettagliIntroduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.
Introduzione al Metodo agli Elementi Finiti (FEM) Consideriamo come problema test l equazione di Poisson 2 u x 2 + 2 u = f(x, y) u = f y2 definita su un dominio Ω R 2 avente come frontiera la curva Γ,
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 3 - PROBLEMI DI INTERPOLAZIONE Introduzione Problemi di interpolazione Supponiamo di avere un insieme di dati che rappresentano misurazioni
DettagliLaboratorio di Calcolo Numerico
Laboratorio di Calcolo Numerico Lezione 3 Padova, April 4th 2016 F. Piazzon Department of Mathematics. Doctoral School in Mathematical Sciences, Applied Mathematics Area Outline Lab. 3-2 of 16 1 Costrutti
DettagliRaccolta di esercizi di Calcolo Numerico Prof. Michela Redivo Zaglia
Raccolta di esercizi di Calcolo Numerico Prof. Michela Redivo Zaglia Nota Bene: Gli esercizi di questa raccolta sono solo degli esempi. Non sono stati svolti né verificati e servono unicamente da spunto
DettagliAnalisi Matematica 2 Ingegneria Gestionale Docenti: B. Rubino e R. Sampalmieri L Aquila, 21 marzo 2005
Analisi Matematica 2 Ingegneria Gestionale Docenti: B. Rubino e R. Sampalmieri L Aquila, 21 marzo 2005 Prova orale il: Docente: Determinare, se esistono, il massimo ed il minimo assoluto della funzione
Dettagli0 < x 3. x 2 mod 5 x 0 mod 3. x 27 mod 7. 1 [7 punti] Risolvere il seguente sistema di congruenze:
Dipartimento di Matematica e Informatica Anno Accademico 05-06 Corso di Laurea in Informatica (L-3) Prova scritta di Matematica Discreta ( CFU) 7 Settembre 06 Parte A Tempo a disposizione Ognuna delle
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
DettagliPROGETTO DI FILTRI NUMERICI FIR CON L USO DI FINESTRE
1/14 ROGETTO DI FILTRI NUMERICI FIR CON L USO DI FINESTRE rogetto di filtri FIR con l uso di finestre 2/14 I filtri IIR offrono caratteristiche attraenti, ma anche svantaggi: se si vuole effettuare l elaborazione
DettagliCorso di Calcolo Scientifico
I Modulo del corso integrato di Calcolo Dott.ssa Maria Carmela De Bonis a.a. 2012-13 Approssimazione di Funzioni In molti problemi matematici emerge l esigenza di dover approssimare una funzione f C k
DettagliAnalisi Matematica II (Prof. Paolo Marcellini)
Analisi Matematica II Prof. Paolo Marcellini) Università degli Studi di Firenze Corso di laurea in Matematica Esercitazione del 5//14 Michela Eleuteri 1 eleuteri@math.unifi.it web.math.unifi.it/users/eleuteri
DettagliA. Quarteroni, R. Sacco, F. Saleri, Matematica Numerica 3a Edizione. Springer, Milano Errata Corrige 16 aprile 2013
A. Quarteroni, R. Sacco, F. Saleri, Matematica umerica 3a Edizione. Springer, Milano 2008 1 Errata Corrige 16 aprile 2013 pag. 29: suggerimento per lo svolgimento dell Es. 4. Osservare che I + B = 2I (I
DettagliRENDITE. Ricerca del tasso di una rendita
RENDITE Ricerca del tasso di una rendita Un problema che si presenta spesso nelle applicazioni è quello di calcolare il tasso di interesse associato a una rendita quando siano note le altre grandezze 1
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
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
DettagliProgetto di filtri numerici IIR da filtri analogici
Filtri selettivi 1. Butterworth: monotono nella banda passante e nella banda oscura 2. Chebyshev: oscillazione uniforme nella banda passante e monotona nella banda oscura 3. Ellittico: oscillazione uniforme
DettagliPrincipali strumenti per lo sviluppo di algoritmi in pascal-like. concetti universali presenti in tutti i linguaggi di programmazione
LABORATORIO DI PROGRAMMAZIONE Corso di laurea in matematica 12 LA COMPLESSITA COMPUTAZIONALE Marco Lapegna Dipartimento di Matematica e Applicazioni Universita degli Studi di Napoli Federico II wpage.unina.it/lapegna
DettagliCurve Spline. Scelta dei valori dei nodi
Curve Spline (curve d interpolazione) Scelta dei valori dei nodi Il metodo più semplice è porre U 0 =0, U = ovvero U i =i => U i - U i- = P i+ U=i+ P i U=i Svantaggio: non è detto che i nodi sulla curva
DettagliDipartimento di Matematica Corso di laurea in Matematica Compiti di Geometria II assegnati da dicembre 2000 a dicembre 2003
Dipartimento di Matematica Corso di laurea in Matematica Compiti di Geometria assegnati da dicembre 2000 a dicembre 2003 11/12/2000 n R 4 sono assegnati i punti A(3, 0, 1, 0), B(0, 0, 1, 0), C(2, 1, 0,
DettagliComplemento ortogonale e proiezioni
Complemento ortogonale e proiezioni Dicembre 9 Complemento ortogonale di un sottospazio Sie E un sottospazio di R n Definiamo il complemento ortogonale di E come l insieme dei vettori di R n ortogonali
DettagliLaboratorio di Matematica Computazionale A.A Lab. 4
Laboratorio di Matematica Computazionale A.A. 2008-2009 Lab. 4 Complementi di Grafica 2D: Sottofinestre In Matlab si possono disegnare più grafici nella stessa finestra, suddividendola in sottofinestre
DettagliTEMI D ESAME DI ANALISI MATEMATICA I
TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
Dettagli