Determinazione degli zeri di una formula Gaussiana mediante l'algoritmo QR per il calcolo degli autovalori di una matrice.
|
|
- Romina Filippi
- 6 anni fa
- Visualizzazioni
Transcript
1 Determinazione degli zeri di una formula Gaussiana mediante l'algoritmo QR per il calcolo degli autovalori di una matrice. Andrea Salimbeni Relatore Prof. Giuseppe Rodriguez
2 Indice Premesse pg. 3 Formule di quadratura gaussiane pg. 3 Algoritmo QR pg. 4 Matrici elementari di Householder pg. 5 Fattorizzazione QR con Householder pg. 7 Implementazione dell'algoritmo QR su matlab pg. 10 Famiglie di polinomi di Legre, Hermite e Laguerre pg. 12
3 Lo scopo della tesina è quello di determinare gli zeri di una formula gaussiana mediante l'algoritmo QR per il calcolo degli autovalori di una matrice. Premesse Defino una generica formula di quadratura come: n I n f = α j f x j j=0 b con α j = a L j x dx Gli α j sono i pesi della formula mentre gli x j sono i nodi della stessa. Prima di analizzare le caratteristiche di una formula di quadratura gaussiana è necessario definire i polinomi ortogonali. Si dice ortogonale la famiglia di polinomi i cui elementi hanno mutuo prodotto scalare nullo. È possibile definire dei polinomi monici ortogonali mediante la formula ricorsiva a tre termini seguente: p 0 x =1; p 1 x =0; p k 1 x = x α k p k x 2 k p k 1 x con k = xp, p k k k=0,1,... p k, p k 0 =0, k = xp, p k k 1, k=1,2,... p k 1, p k 1 Formule di quadratura Gaussiane È possibile, a questo punto, definire con chiarezza una formula di quadratura gaussiana come quella formula avente: come nodi gli zeri del polinomio p n+1 ortogonale rispetto al prodotto scalare, come pesi b j = a con c j = b L j x w x dx= a n K =0,k j x j x k. p n 1 w x dx c j x j x k
4 Il problema più complesso risulta quindi la determinazione dei nodi. È possibile però dimostrare che la matrice: J n = n 0 0 n n ha come polinomio caratteristico proprio p n+1 (). Esso la matrice tridiagonale simmetrica avrà autovalori reali e distinti. L'algoritmo QR si presta bene quindi al loro calcolo. L'algoritmo QR L'algoritmo QR permette di determinare gli autovalori di una matrice. Nell'ipotesi che gli autovalori siano tutti distinti in modulo può essere applicato senza problemi. In quei casi, compreso come si vedrà in seguito il nostro, in cui questa condizione non sia verificata si può comunque applicare il metodo modificandolo opportunamente. Posta A 0 la matrice di cui si vogliono calcolare gli autovalori, l'algoritmo QR fattorizza QR la matrice, determina una matrice A 1 data dal prodotto R*Q per poi rifattorizzarla QR e reiterare il processo. Si dimostra che la successione delle A k converge a una matrice triangolare superiore T avente come elementi della diagonale principale gli autovalori di A 0. Le matrici A k infatti sono unitariamente simili: A k 1 =R k Q k =Q k T Q k R k Q k =Q k T A k Q k A k 1 è simile ad A k Come precedentemente annunciato, nel caso in cui la matrice A 0 di partenza non abbia autovalori distinti in modulo. Il metodo non converge a una matrice T ma ad una matrice così strutturata: T = # # * * # # * * n con * = 2 Il blocco 2x2 non si stabilizza ma ha comunque autovalori pari a λ 1 e λ 2, determinabili anche con l'algoritmo classico del calcolo degli zeri del polinomio caratteristico. All'algoritmo QR possono essere associati vari metodi per accelerarne la convergenza. La fattorizzazione QR della matrice A può essere fatta per mezzo di matrici di Householder o di Givens e in questo lavoro la scelta è ricaduta su Householder.
5 Matrici elementari di Householder Una matrice elementare di Householder può essere così definita: H =I 2 w w T con I =matrice identità w 2 =1, w R una matrice così definita è simmetrica e ortogonale. Infatti: Simmetria : H = I 2 w w T T =I T 2 w w T T =I 2 w w T. Ortogonalità : H H T = I 2 w w T I 2 w w T T = I 2 w w T 2 = = I 4 w w T 2 w w T w w T = I 4 w w T 4 w w T = I Assegnato un generico vettore x si vuole determinare w tale che: H x=k e 1 Per cominciare si nota che: H x = k e 1 H x = k e 1 x = k da cui k= σ con σ= x Calcolando poi: H x = I 2 w w T x= x x 2 w w T x= x 2 w T x w=k e 1 w= x k e 1 2 w T x =x k e 1 x k e 1 dato che w =1. infine: x T H x=x T x 2 w T x 2 =k x 1 da cui w T x 2 = 2 k x 1 2 e per evitare la cancellazione: e =2 w T x= 2 x 1 k= sign x 1
6 L'algoritmo è stato quindi implementato su matlab nel seguente modo: %Householder %% function H = myhousefat(x) [nn,mm]=size(x);%determina la dimensione del vettore x Ih=eye(nn);%costruisce una matrice identita della dimensione di x e = zeros(nn,1);%crea il versore e1 e(1)=1; s=norm(x);%determina la norma di x if x(1) >= 0%ciclo if che sostituisce la funzione segno kk = -s; else kk = s; L=(2*s*(s+abs(x(1))))^(1/2); w = (x-kk*e)/l; H = Ih-(2*w*w'); È stato necessario introdurre un ciclo if in quanto la funzione sign(x) di matlab restituisce 0 se x = 0 e non 1 come richiesto dall'algoritmo. È stato effettuato un test su un vettore casuale per testarne il funzionamento: >> w = rand(8,1) w = >> H = myhousefat(w); >> e = H*w e =
7 Fattorizzazione QR con Householder Azzerando tutti i termini di un vettore tranne il primo, la matrice elementare di Householder può essere efficaciemente utilizzata per fattorizzare QR una qualsiasi matrice. Scrivo una generica matrice A come matrice di vettori colonna, al primo passo dell'algoritmo si avrà: A=A 1 =[a 1 1 a 2 1 a 3 1 a n 1 ] Applicando l'algoritmo esposto nel paragrafo precedente si possono facilmente azzerare tutti i termini sotto il termine a 1. Quindi: a 12 a 13 a 1n A 2 =H 1 A =[k ] a 22 a 23 a 2n [ = k a n2 a n3 a nn 2 ] T v1 A Al passo successivo occorre considerare selettivamente la matrice  (2) : A =[ a 2 a 3 a 4 a 2 2 n ] e applicare householder solo al vettore colonna a 2. Per far questo senza alterare gli zeri già introdotti in A bisogna costruire la H nel seguente modo: H 2 =[1 ] H 2 0 Quindi per il passo i si avrà: =[ A i 1 =H i A i I i 1 0 i] 0 H [ A i 11 i A 12 i 0 A i ] = [ A 11 i A 12 0 H i A i ] L'algoritmo termina al passo n-1 se la matrice è quadrata, al passo n se la matrice ha numero di righe maggiore del numero di colonne. Si ha pertanto: R= A n =H n 1 A n 1 =H n 1 H n 2 A n 2 = =H n 1 H n 2 H 1 A 1 =Q T A Q T ortogonale A=Q R
8 L'algoritmo di fattorizzazione QR scritto su matlab è il seguente: %Householder %% function [Qd,Rd] = miaqrconhouse(x1) [m1,n1]=size(x1); %determina la dimensione della matrice in ingresso X1 Q1 = eye(size(x1));%costruisce una matrice Identità della stessa dimensione di X1 if m1==n1% Caso 1(matrice quadrata) for i=1:(n1-1)%esso la matrice quadrata il cilco si ferma a n-1 ap = X1(i:n1,i);%pre il vettore da azzerare ad eccezione del primo termine Hp = myhousefat(ap);%applica la matrice elementare di householder al vettore ap Hs = eye(n1);% costruisce una matrice identità di dimensione n1 Hs(i:n1,i:n1) = Hp;% sostituisce alla matrice identità gli elementi della matrice di householder appena calcolata Q1 = Q1*Hs;%aggiorna la matrice data dal prodotto di tutte le matrici di householder X1=Hs*X1;%aggiorna la matrice X1 Qd=Q1;%restituisce Q Rd=X1;%restituisce R elseif m>n%caso 2 (matrice rettangolare) for i=1:n1 ap = X1(i:n1,i); Hp = myhousefat(ap); Hs = eye(n1); Hs(i:n1,i:n1) = Hp; Q1 = Q1*Hs; X1=Hs*X1; Qd=Q1; Rd=X1; else 'Errore' Dove come si può notare si è diviso il caso di una matrice quadrata da quello di una matrice rettangolare. Di seguito invece l'applicazione dell'algoritmo ad una matrice casuale: >> A = rand(8) A =
9 >> [Q R] = miaqrconhouse(a) Q = R = >> I = Q*Q' I =
10 Implementazione dell'algoritmo QR su matlab Avo già descritto l'algoritmo in precedenza, non resta a questo punto che implementarlo in matlab in modo da determinare gli autovalori di una matrice assegnata. %Fattorizzazione QR %% function lambda = miautovalqr(a) [m,n]=size(a); %Determina la dimensione di A N=100;% Fissa il numero di iterazioni tau=1e-8;%fissa la soglia sotto la quale un elemento è considerato nullo k=1;%inizializza k if max(diag(a)) == 0 %discrimina il caso in cui la diagonale principale abbia tutti elementi nulli simm = 1; else simm = 0; if m==n while k<n [Q,R] = miaqrconhouse(a); %applica l'algoritmo QR alla matrice A A=R*Q;%Costruisce la matrice Ak k=k+1;%aggiorna k if simm %Caso con diagonale avente elementi della diagonale principale tutti nulli lambda = [];%Inizializza il vettore lambda contenente gli autovalori come vettore vuoto for i = 2:2:n%ciclo for con i che incrementa di 2 per ogni passo per evitare di considerare 2 volte lo stesso autovalore if abs(a(i,i-1)) > tau%verifica che l'elemento A(i,i-1) sia diverso da zero, se lo è si hanno due autovalori uguali in %modulo lambda = [lambda; eig(a(i-1:i,i-1:i))];%calcola i due autovalori con eig. if size(lambda,1) == n-1%se la dimensione di lambda è inferiore a n aggiunge l'elemento zero come spiegato in %seguito lambda = [lambda; 0]; elseif size(lambda,1) == n lambda = lambda; else lambda = diag(a);%se gli elementi della diagonale principale sono diversi da zero coincidono con gli autovalori lambda = sort(lambda); Nell'algoritmo sono presenti alcuni accorgimenti che verranno spiegati di seguito. Nel caso in cui la matrice abbia autovalori uguali in modulo a due a due (cosa che come si vedrà in seguito accade con legre e hermite) dopo le N iterazioni previste assume una struttura di questo tipo: 0 * * 0 * 0 0 J n = 0 * * * * *
11 Si è quindi introdotta una condizione if che discrimini proprio questa situazione ago sulla variabile simm. Quando simm è vera e cioè si è nella situazione esposta sopra, non abbiamo gli autovalori nella diagonale principale. Si inizializza quindi il vettore lambda come vettore vuoto e si controllano gli elementi della sottodiagonale tramite un ciclo for con passo 2. L'indice i incrementa di due ad ogni passo per considerare solo gli elementi 2x2 utili per la determinazione degli autovalori. # # # 0 # # * J n = 0 * # # # # * * # # # Nella matrice di sopra sono evidenziati i quadrati 2x2 da considerare tramite dei # e gli elementi della sottodiagonale da saltare tramite dei *. Considerarli in una matrice 6x6 come quella dell'esempio comporterebbe l'avere in uscita un vettore con 8 autovalori invece di 6. Il ciclo for quindi controlla, come visto con passo pari a due, gli elementi sottodiagonali: nel caso in cui siano diversi da zero calcola gli autovalori delle sottomatrici 2x2 associate tramite la funzione eig di matlab e aggiorna il vettore di uscita lambda; nel caso in cui siano uguali a zero siamo in presenza di un autovalore non accoppiato, nel caso di laguerre e legre sempre pari a zero, che viene saltato dal ciclo e aggiunto successivamente manualmente con la condizione if che verifica la compatibilità della dimensione di lambda. L'efficacia nella determinazione degli autovalori è stata testata su una matrice simmetrica otteno i seguenti risultati: >> B = rand(8); >> A = B * B' A =
12 >> Autovalori = miautovalqr(a) Autovalori = >> Verifica = eig(a) Verifica = Famiglie di polinomi di Legre, Hermite, Laguerre. Si è deciso di determinare gli zeri dei polinomi appartenenti a tre delle più comuni famiglie: Legre, Hermite e Laguerre. Il polinomio di Legre ha peso pari a uno e intervallo di integrazione [-1;1]. Viene definito come: P 0 x =1, P 1 x =x, n2 P n 1 x =x P n x 4 n 2 1 P x, n 1 da cui riferosi alla forma generale P n 1 x = x n P n x 2 n P n 1 x si estrapola : n =0, n= n 2 4 n 2 1 conn 1 Analogamente si hanno i polinomi di Hermite: peso w x =e x2, [a, b ]=, H 0 x =1, H 1 x =0, H n 1 x =x H n x n 2 H n 1 x, con n 0 da cui riferosi alla forma generale P n 1 x = x n P n x n 2 P n 1 x si estrapola : n =0, n= n 2
13 E per Laguerre: peso w x =e x, [a, b ]= 0, L 0 x =1, L 1 x =0, L n 1 x = x 2 n 1 L n x n 2 L n 1 x, con n 0 da cui riferosi alla forma generale P n 1 x = x n P n x 2 n P n 1 x si estrapola : n =2 n 1, n =n L'algoritmo per la determinazione degli zeri prevede quindi, caso per caso, il calcolo degli α e β, la costruzione della matrice Jn e l'applicazione dell'algoritmo QR modificato a quest'ultima. %Polinomi %% clc 'Calcolo dei nodi di una formula Gaussiana di integrazione' met = input('scegliere la famiglia di polinomi: Legre(1), Laguerre(2), Hermite(3) '); np = input('inserisci il grado del polinomio: '); if met == 1 n1 = [1:(np-1)]';%np-1 in quanto sono presenti n-1 beta e n alfa nella matrice Jn beta1 = n1./sqrt(4*n1.*n1-1);%determina i beta Jn1 = diag(beta1,1)+diag(beta1,-1)%costruisce Jn l1 = miautovalqr(jn1);% determina gli autovalori 'Le radici del polinomio sono' l1 elseif met==2 n2a = [1:np]'; n2b = [1:(np-1)]'; alfa2 = n2a.*2+1; beta2 =sqrt(n2b); Jn2 = diag(alfa2)+diag(beta2,-1)+diag(beta2,1); l2 = miautovalqr(jn2); 'Le radici del polinomio sono' l2 elseif met == 3 n3 = [1:(np-1)]'; beta3 = sqrt(n3./2); Jn3 = diag(beta3,1)+diag(beta3,-1) l3 = miautovalqr(jn3); 'Le radici del polinomio sono' l3 else error('errore')
14 Di seguito, e nell'ordine, un esempio di applicazione dell'algoritmo con legre, laguerre ed hermite per n pari a sette: Legre Calcolo dei nodi di una formula Gaussiana di integrazione Scegliere la famiglia di polinomi: Legre(1), Laguerre(2), Hermite(3) 1 Inserisci il grado del polinomio: 7 ans = Le radici del polinomio sono Radici = >> Jn1 Jn1 = >> beta1 beta1 =
15 Laguerre Calcolo dei nodi di una formula Gaussiana di integrazione Scegliere la famiglia di polinomi: Legre(1), Laguerre(2), Hermite(3) 2 Inserisci il grado del polinomio: 7 ans = Le raici del polinomio sono Radici = >> Jn2 Jn2 = >> beta2 beta2 =
16 Hermite Calcolo dei nodi di una formula Gaussiana di integrazione Scegliere la famiglia di polinomi: Legre(1), Laguerre(2), Hermite(3) 3 Inserisci il grado del polinomio: 7 ans = Le radici del polinomio sono Radici = >> Jn3 Jn3 = >> beta3 beta3 =
Algoritmo QR e zeri di una formula Gaussiana
Università degli Studi di Cagliari Corso di Calcolo Numerico 2 Algoritmo QR e zeri di una formula Gaussiana Docente Prof. Rodriguez Tesina di Gianluca Pisano Anna Concas Introduzione Lo scopo di questa
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
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
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
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
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
DettagliUNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA. Matlab: esempi ed esercizi
UNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA Matlab: esempi ed esercizi Sommario e obiettivi Sommario Esempi di implementazioni Matlab di semplici algoritmi Analisi di codici Matlab Obiettivi
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
DettagliEsercizi di MatLab. Sommario Esercizi di introduzione a MatLab per il corso di Calcolo Numerico e Laboratorio, A.A
Esercizi di MatLab Sommario Esercizi di introduzione a MatLab per il corso di Calcolo Numerico e Laboratorio, AA 2017 2018 Gli esercizi sono divisi in due gruppi: fondamentali ed avanzati I primi sono
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
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
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
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:
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
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
DettagliMetodi ai minimi quadrati e regolarizzazione. Corso di laurea Matematica
Metodi ai minimi quadrati e regolarizzazione Corso di laurea Matematica Gabriele Stocchino Anno di corso 2014/2015!1 Implementazione degli algoritmi per la fattorizzazione QR 3 Fattorizzazione QR di Householder
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
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
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
Dettagli1 Il polinomio minimo.
Abstract Il polinomio minimo, così come il polinomio caratterisico, è un importante invariante per le matrici quadrate. La forma canonica di Jordan è un approssimazione della diagonalizzazione, e viene
DettagliLe matrici. Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1.
Le matrici Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1. Siano m, n N\{0}. Una matrice m n a coefficienti in K è una tabella di m n elementi di K disposti
Dettagli5 Un applicazione: le matrici di rotazione
5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta
DettagliClassificazione delle coniche.
Classificazione delle coniche Ora si vogliono studiare i luoghi geometrici rappresentati da equazioni di secondo grado In generale, non è facile riconoscere a prima vista di che cosa si tratta, soprattutto
DettagliCalcolo di autovalori e autovettori
Calcolo di autovalori e autovettori Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica 22 aprile 2013 Alvise Sommariva Calcolo di autovalori e autovettori 1/ 36 Metodo delle potenze
DettagliIl determinante. Calcolo del determinante di matrici particolari. matrici di ordine 2: sia. a11 a A = allora
Calcolo del determinante di matrici particolari matrici di ordine 2: sia allora Esempio. [ ] a11 a A = 12, a 21 a 22 det A = a 11 a 22 a 21 a 12. Calcolare il determinante di [ ] 1 2 A =. 3 4 matrici di
DettagliCorso di 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
DettagliRette e piani nello spazio
Rette e piani nello spazio Equazioni parametriche di una retta in R 3 : x(t) = x 0 + at r(t) : y(t) = y 0 + bt t R, parametro z(t) = z 0 + ct ovvero r(t) : X(t) = P 0 + vt, t R}, dove: P 0 = (x 0, y 0,
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliEsercitazione 6: Metodi iterativi per sistemi lineari.
Esercitazione 6: Metodi iterativi per sistemi lineari. Richiami di Teoria Iterazione di Jacobi e Gauss Seidel. I metodi iterativi sono basati sul calcolo della soluzione x del sistema lineare Ax = b come
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
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
DettagliFondamenti di Informatica
Fondamenti di Informatica Introduzione alla programmazione in MATLAB: Parte 3 Possibili Soluzioni per gli Esercizi Prof. Arcangelo Castiglione A.A. 2016/17 Esercizio 1 (Possibile Soluzione) Scrivere un
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
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
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
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
DettagliUniversita degli Studi di Siena
Universita degli Studi di Siena Facolta di Ingegneria Dispense del corso di Sistemi di Supporto alle Decisioni I L algoritmo per la risoluzione di problemi di programmazione dinamica Chiara Mocenni Corso
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
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
DettagliAnalisi dell errore Metodo delle Potenze e delle Potenze inverse
Università degli Studi di Cagliari Corso di Laurea in Ingegneria per l'ambiente ed il Territorio A.A. 2004/2005 Analisi dell errore Metodo delle Potenze e delle Potenze inverse Studenti: Docente: Paola
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
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.
DettagliLEZIONE 1 C =
LEZIONE 1 11 Matrici a coefficienti in R Definizione 111 Siano m, n Z positivi Una matrice m n a coefficienti in R è un insieme di mn numeri reali disposti su m righe ed n colonne circondata da parentesi
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
DettagliProgetto Matlab N 2. Calcolo Numerico 6 CFU. Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014
Progetto Matlab N 2 Calcolo Numerico 6 CFU Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014 Procedimento 1. Scrivere una function che implementi il prodotto matrice-vettore AX con A matrice
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,
DettagliMATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE
DIAGONALIZZAZIONE 1 MATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE Matrici ortogonali e loro proprietà. Autovalori ed autospazi di matrici simmetriche reali. Diagonalizzazione mediante matrici
DettagliLa forma normale di Schur
La forma normale di Schur Dario A Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi alla forma normale di Schur, alle sue proprietà e alle sue applicazioni
DettagliElementi di Algebra Lineare Applicazioni lineari
Elementi di Algebra Lineare Applicazioni lineari Cristina Turrini UNIMI - 2016/2017 Cristina Turrini (UNIMI - 2016/2017) Elementi di Algebra Lineare 1 / 50 index Applicazioni lineari 1 Applicazioni lineari
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliIntroduzione alla programmazione Esercizi risolti
Esercizi risolti 1 Esercizio Si determini se il diagramma di flusso rappresentato in Figura 1 è strutturato. A B C D F E Figura 1: Diagramma di flusso strutturato? Soluzione Per determinare se il diagramma
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 di autovalori. e autovettori. e stabilità dei sistemi lineari
Metodi per il calcolo di autovalori e autovettori e stabilità dei sistemi lineari Tesina per il corso di calcolo numerico A.A. 7/8 Samuela Locci Indice Introduzione Approssimazione di autovalori e autovettori.
DettagliMATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI
MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI LE MATRICI DEFINIZIONE: Una matrice è un insieme di numeri disposti su righe e colonne. 1 3 7 M = 2 5 1 M è
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)
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
DettagliCalcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del
Calcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del 9.8.2. Data l equazione x x = (a) Mostrare che essa ammette una e una sola soluzione
Dettagli5.2 Sistemi ONC in L 2
5.2 Sistemi ONC in L 2 Passiamo ora a considerare alcuni esempi di spazi L 2 e di relativi sistemi ONC al loro interno. Le funzioni trigonometriche Il sistema delle funzioni esponenziali { e ikx 2π },
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
DettagliOsservazione. Convergenza dei metodi di Gauss-Seidel e di Jacobi. Condizioni sufficienti per la convergenza. Definizione
Osservazione Convergenza dei metodi di Gauss-Seidel e di Jacobi Fallimento dei metodi. (Es. Gauss- Seidel Condizioni sufficienti; teoremi di localizzazione degli autovalori; dimostrazione di convergenza
DettagliSoluzioni delle Esercitazioni VIII 21-25/11/2016. = lnx ln1 = lnx. f(t)dt.
Esercitazioni di Matematica Esercitazioni VIII -5//6 Soluzioni delle Esercitazioni VIII -5//6 A. Funzione integrale. La funzione integrale di f nell intervallo [, ] è per definizione F() = dt con [,].
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
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( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1
. Scimone a.s 1997 98 pag 1 TEORI DELLE MTRICI Dato un campo K, definiamo matrice ad elementi in K di tipo (m, n) un insieme di numeri ordinati secondo righe e colonne in una tabella rettangolare del tipo
DettagliDeterminanti. Definizione ed esempi. Definizione ed esempi. Proprietà dei determinanti Rango di matrici
Introduzione S S S Rango di matrici Si dice sottomatrice d'una matrice data la matrice ottenuta selezionando un certo numero di righe e di colonne della matrice iniziale. Lezione 24.wpd 08/01/2011 XXIV
DettagliFattorizzazione QR con pivoting per colonne
Fattorizzazione QR con pivoting per colonne Mele Giampaolo May 14, 211 1 Traccia Abstract Breve descrizione dell algoritmo implementato per l esame di calcolo scientifico con sperimentazione Implementare
DettagliFondamenti di Informatica 6. Algoritmi e pseudocodifica
Vettori e matrici #1 Fondamenti di Informatica 6. Algoritmi e pseudocodifica Corso di Laurea in Ingegneria Civile A.A. 2010-2011 1 Semestre Prof. Giovanni Pascoschi Le variabili definite come coppie
DettagliMotivazioni. Sistemi lineari. Obiettivo. Il problema
Motivazioni Sistemi lineari Metodo di eliminazione di Gauss Molti problemi si possono rappresentare mediante un sistema lineare La soluzione di un sistema lineare costituisce un sottoproblema di moltissime
Dettagli2. ALGORITMO DEL SIMPLESSO
. ALGORITMO DEL SIMPLESSO R. Tadei Una piccola introduzione R. Tadei SIMPLESSO L obiettivo del capitolo è quello di fornire un algoritmo, l algoritmo del simplesso, che risolve qualsiasi problema di programmazione
DettagliPROGRAMMAZIONE LINEARE E DUALITA'
PROGRAMMAZIONE LINEARE E DUALITA' 1) Dati i punti di R 2 (1, 2), (1, 4), (2, 3), (3, 5), (4, 1), (4, 2), (5, 5), (6, 2), (6, 5). Determinare graficamente: A - L'involucro convesso di tali punti. B - Quali
DettagliSPAZI VETTORIALI CON PRODOTTO SCALARE A =
SPAZI VETTORIALI CON PRODOTTO SCALARE Esercizi Esercizio. Nello spazio euclideo standard (R 2,, ) sia data la matrice 2 3 A = 3 2 () Determinare una base rispetto alla quale A sia la matrice di un endomorfismo
DettagliAnalisi statistica e matematico-finanziaria II. Alfonso Iodice D Enza Università degli studi di Cassino e del Lazio Meridionale
delle sui delle Analisi statistica e matematico-finanziaria II Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino e del Lazio Meridionale sulle particolari ali dei dati Outline
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,
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,
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
Dettagli3. Matrici e algebra lineare in MATLAB
3. Matrici e algebra lineare in MATLAB Riferimenti bibliografici Getting Started with MATLAB, Version 7, The MathWorks, www.mathworks.com (Capitolo 2) Mathematics, Version 7, The MathWorks, www.mathworks.com
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
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/-
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
DettagliMATLAB parte II. Array
MATLAB parte II MATLAB parte II C. Guerrini 1 Array Tutte le variabili sono array (matrici) Un array è una struttura dati, cioè memorizza più dati all interno di una struttura identificata da un singolo
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
Dettagli0.1. MATRICI SIMILI 1
0.1. MATRICI SIMILI 1 0.1 Matrici simili Definizione 0.1.1. Due matrici A, B di ordine n si dicono simili se esiste una matrice invertibile P con la proprietà che P 1 AP = B. Con questa terminologia dunque
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.
DettagliTEN Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2.
TEN 2008. Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2. Lemma 1. Sia n Z. Sia p > 2 un numero primo. (a) n è un quadrato modulo p se e solo se n p 1 2 1 mod p; (b) Sia n 0
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
DettagliMatlab. Istruzioni condizionali, cicli for e cicli while.
Matlab. Istruzioni condizionali, cicli for e cicli while. Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica 17 marzo 2016 Alvise Sommariva Introduzione 1/ 18 Introduzione Il
DettagliFormulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010
Formulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010 In quetsa dispensa: V è uno spazio vettoriale di dimensione d sul campo complesso C generato dai vettori v 1,..., v d. Le variabili m,
DettagliEsercizi di ripasso: geometria e algebra lineare.
Esercizi di ripasso: geometria e algebra lineare. Esercizio. Sia r la retta passante per i punti A(2,, 3) e B(,, 2) in R 3. a. Scrivere l equazione cartesiana del piano Π passante per A e perpendicolare
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
DettagliRisoluzione di sistemi lineari: confronto fattorizzazioni
UNIVERSITA DEGLI STUDI DI CAGLIARI FACOLTA DI INGEGNERIA Corso di Laurea in Ingegneria Elettronica Tesina di Calcolo Numerico 2 Risoluzione di sistemi lineari: confronto fattorizzazioni Prof. Giuseppe
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
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
DettagliPREPARAZIONE ALLE GARE DI MATEMATICA - CORSO BASE
Liceo Scientifico Gullace PREPARAZIONE ALLE GARE DI MATEMATICA - CORSO BASE Aritmetica 014-15 1 Lezione 1 DIVISIBILITÀ, PRIMI E FATTORIZZAZIONE Definizioni DIVISIBILITÀ': dati due interi a e b, diciamo
Dettaglia + 2b + c 3d = 0, a + c d = 0 c d
SPAZI VETTORIALI 1. Esercizi Esercizio 1. Stabilire quali dei seguenti sottoinsiemi sono sottospazi: V 1 = {(x, y, z) R 3 /x = y = z} V = {(x, y, z) R 3 /x = 4} V 3 = {(x, y, z) R 3 /z = x } V 4 = {(x,
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
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.
DettagliCorso di Analisi Numerica - AN410. Parte 5: formule di quadratura. Roberto Ferretti
Corso di Analisi Numerica - AN410 Parte 5: formule di quadratura Roberto Ferretti UNIVERSITÀ DEGLI STUDI ROMA TRE Formule di quadratura interpolatorie: teoria generale Formule di Newton Cotes semplici
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
DettagliPON 2007 2013 Liceo Scientifico Leonardo da Vinci. Vallo della Lucania
PON 2007 2013 Liceo Scientifico Leonardo da Vinci Vallo della Lucania Nuovi percorsi matematici: Osservare, descrivere, costruire. Matlab - 2: Lavorare con le matrici Vallo della Lucania 26 Settembre 2008
Dettagli