Metodi diretti per la soluzione di sistemi lineari

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodi diretti per la soluzione di sistemi lineari"

Transcript

1 Metodi diretti per la soluzione di sistemi lineari N Del Buono 1 Introduzione Consideriamo un sistema di n equazioni in n incognite a 11 x 1 + a 12 x 2 + a 13 x a 1n x n = b 1, a 21 x 1 + a 22 x 2 + a 23 x a 2n x n = b 2, a n1 x 1 + a n2 x 2 + a n3 x a nn x n = b n, (1) con x i incognite del sistema, a ij coefficienti del sistema, b i termini noti Utilizzando la notazione matriciale il sistem si scrive come Ax = b Sappiamo che il sistema ammette una ed una sola soluzione se e solo se la matrice dei coefficienti (A) ha determinante diverso da zero (è non singolare) La soluzione x del problema puo essere calcolata utilizzando la Regola di Cramer, che permette di determinare le componenti del vettore x mediante la seguente formula: x i = det A i det A i = 1,, n, (2) essendo A i è la matrice ottenuta da A sostituendo la sua i-esima colonna con il termine noto b Dalla (2) è evidente che per ottenere una componente della soluzione è necessario il calcolo di n + 1 determinanti di ordine n Si può facilmente dedurre che il numero di operazioni necessarie per il calcolo del determinate di una matrice di ordine n è circa n!, quindi questa strada non permette di poter determinare velocemente la soluzione del nostro sistema 1

2 11 Sistemi triangolari Prima di affrontare la soluzione algoritmica di un sistema lineare vediamo qualche particolare sistema che può essere agevolmente risolto Consideriamo un sistema con matrice dei coefficienti triangolare superiore: a 11 x 1 +a 12 x 2 +a 1i x i +a 1n x n = b 1 a 22 x 2 +a 2i x i +a 2n x n = b 2 a ii x i +a in x n = b i a nn x n = b n con a ii 0 per ogni i In questo caso la soluzione x è immediatamente calcolabile Infatti: x n = b n a nn n (4) b i a ij x j j=i+1 x i = i = n 1,, 1 a ii Il metodo (4) prende il nome di metodo di sostituzione all indietro, poichè il vettore x viene calcolato partendo dall ultima componente Consideriamo ora un sistema triangolare inferiore: a 11 x 1 = b 1 a 21 x 1 +a 22 x 2 = b 2 a i1 x 1 +a i2 x 2 +a ii x i = b i a n1 x 1 +a n2 x 2 +a ni x i +a nn x n = b n In questo la soluzione viene calcolata con il metodo di sostituzione in avanti: x 1 = b 1 a 11 i 1 (6) b i a ij x j j=1 x i = i = 2,, n 1 a ii (3) (5) 2

3 12 Aspetti implementativi del metodo delle sostituzioni Osserviamo che l i-simo passo dell algoritmo di sostituzione in avanti (6) richiede il calcolo del prodotto scalare fra il vettore riga A(i, 1 : i 1) ed il vettore colonna x(1 : i 1) (si noti che è stata utilizzata la notazione Matlab) L accesso alla matrice A è fatto dunque per righe e per questomotivo l algoritmo di sostituzione in avanti viene chiamato orientato per righe La sua codifica in linguaggio Matlab è di seguito descritta: % Codifica Matlab: Dati di input A, b, dati di output x function [x]=forwardrow(a,b) % aggiungere controllo sulle dimensioni della matrice A % aggiungere controllo sulle dimensioni del vettore b n=size(b,1) x(1)=b(1)/a(1,1) for i=2:n end x=x x(i)=1/a(i,i)*( b(i)-a(i,1:i-1)*(x(1:i-1) ) ) Il numero delle moltiplicazioni e divisioni necessarie per eseguire l algoritmo è n(n + 1)/2, mentre il numero di addizioni e sottrazioni è n(n 1)/2: quindi il costo totale in termini di flops (floating point operations) è n 2 flops Analogamente si puo ricavare il costo computazionale dell algoritmo all indietro, la cui codifica Matlab è la seguente: % Codifica Matlab: Dati di input A, b, dati di output b % in questo caso la soluzione è sovrascritta al vettore b function [b]=backwordrow(a,b) % aggiungere controllo sulle dimensioni della matrice A % aggiungere controllo sulle dimensioni del vettore b n=size(b,1) for j=n:-1:2 b(j)=b(j)/a(j,j) b(1:j-1)=b(1:j-1)-b(j)*a(1:j-1,j) 3

4 end b(1)=b(1)/a(1,1) Si osservi che in codici che devono risolvere sistemi triangolari di grandi dimensioni si avrà un risparmio di memoria memorizzando solo la porzione triangolare salla matrice dei coefficienti 2 Metodo di Eliminazione di Gauss Il metodo di eliminazione di Gauss ci permette di calcolare la soluzione del sistema Ax = b trasformando il sistema asseganto in uno equivalente, ma più semplice DEF: Due sistemi si dicono equavalenti quando ammettono lo stesso insieme di soluzioni, nel nostro caso quando hanno la stessa soluzione Il processo di eliminazione di Gauss si basa su tre semplici operazioni che trasformano il sistema in uno equivalente Per descrivere queste operazioni indichiamo con E k la k-ima equazione: E k : a k1 x 1 + a k2 x 2 + a k3 x a kn x n = b k, Utilizzando la precedente notazione, il sistem si può scrivere nel seguente modo: E 1 E 2 S = E n Il sistema S può essere trasformato in un sistema equivalente S mediante le seguenti operazioni elementari: 1 scambianto la i-sima equazione con la j-sima; 2 sostituendo all i-sima equazione un suo multiplo (moltiplicato per uno scalare diverso da zero); 3 sostituendo alle j-sima equazione, una combinazione lineare di se stessa con la i-sima equazione 4

5 Ricordando l esempio numerico svolto a lezione andiamo a scrivere le equazioni che permettono di aggiornare la matrice dei coefficienti del nostro sistema e che costituiscono il metodo di eleminazione di Gauss Poichè il metodo prevede un certo numero di passi successivi (n 1) indichiamo con ij,b(1) i, gli elementi della matrice dei coefficienti e del vettore dei termini noti al primo passo Cioè riscriviamo il sistema del seguente modo: 11 x x x n x n = b (1) 1, 21 x x x n x n = b (1) 2, (7) n1 x 1 + n2 x 2 + n3 x nnx n = b (1) n Dobbiamo trasformare il sistema in uno equivalente triangolare superiore azzerando gli elementi delle colonne Passo 1 Supponiamo che l elemento pivotale al primo passo sia diverso da zero, cioè che risulti 11 0 Introduciamo i seguenti moltiplicatori: m i1 = a(1) i1 11, i = 2,, n Per eliminare l incognita x 1 da tutte le righe successive alla prima, sottraiamo alla generica i-sima equazione la prima equazione moltiplicata per m i1 (utilizziamo l operazione elementare: E i m i1 E 1 ) Operando in questo modo, otterremo un nuovo sistema equivalente, avente la seguente forma: 11 x x x n x n = b (1) 1, a (2) 22 x 2 + a (2) 23 x a (2) 2n x n = b (2) 2, (8) a (2) n2 x 2 + a (2) n3 x a (2) nnx n = b (2) n, in cui i coefficienti della matrice e i termini noti sono dati dalle seguenti formule: a (2) ij = ij m i1 1j i, j = 2,, n, b (2) i = b (1) i m i1 b (1) 1, i = 2,, n 5

6 Proseguendo in modo analogo possiamo trasformare il sistema in modo da eliminare la variabile x 2,x 3, ecc Passo k Supponiamo di aver effettuato k passi (quindi supponiamo che tutti gli elementi pivotali a (j) ii per j = 1,, k 1 siano diversi da zero) Il sistema si presenterà nella forma: 11 x x x k x k + 1n x n = b (1) 1, a (2) 22 x 2+ a (2) 23 x 3 + +a (2) 2k x k +a (2) 2n x n = b (2) 2, a (3) 33 x 3 + +a (3) 3k x k +a (3) 3n x n = b (3) 3, +a (k) kk x k +a (k) k,k+1 x k+1 +a (k) kn x n = b (k) k, +a (k) k+1k x k +a (k) k+1,k+1 x k+1 +a (k) k+1n x n = b (k) k+1, +a (k) nk x k +a (k) n,k+1 x k+1 +a (k) n,nx n = b (k) n, Le formule che ci permettono di trasformare il sistema dal passo k al passo k + 1 (cioè di eliminare la variabile x k dalla k + 1-sima equazione in poi sono le seguenti: se a (k) kk 0, consideriamo i moltiplicatori m ik = a(k) ik a (k) kk, i = k + 1,, n e aggiorniamo gli elementi della matrice dei coefficienti ed i termini noti come segue: a (k+1) ij b (k+1) i = a (k) ij = b (k) i m ik a (k) kj i, j = k + 1,, n, m ik b (k) k, i = k + 1,, n Alla fine del processo (dopo n 1 passi) otteniamo un sistema triangolare 6

7 superiore equivalente a quello di partenza: n 0 a (2) 22 a (2) 2n 0 0 a (n 1) n 1 n 1 a (n 1) n 1 n a (n) nn x 1 x 2 x n 1 x n = b (1) 1 b (2) 2 b (n 1) n 1 b (n) n la cui soluzione, come abbiamo visto, si ottiene facilmente con il metodo di sostituzione all indietro DEF: Gli elementi a (k) kk eleminazione di Gauss si dicono elementi pivotati del metodo di Nell eseguire il metodo di Gauss abbiamo ipotizzato che gli elementi pivotali a (k) kk siano non nulli per ogni k = 1, 2,, n 1 Questa ipotesi non è limitante in quanto la non singolarità della matrice A permette, con un opportuno scambio di righe in A (k), di ricondursi a questo caso Osserviamo che scambiare due righe in A (k) significa sostanzialmente scambiare due equazioni nel sistema A (k) x = b (k) e ciò non altera la natura del sistema stesso (lo scambio di due righe in un sistema lineare è una operazione elementare che non modifica la soluzione del sistema stesso) Proprietà Se la matrice A dei coefficienti del sistema lineare è non singolare (det(a) 0) e se per un certo k l elemento pivotale a (k) kk = 0 allora esiste i {k + 1, k + 2,, n} tale che a (k) ik 0 (cioè esiste un elemento nella k-esima colonna diverso da zero) Dimostrazione: Consideriamo la matrice A (k) e supponiamo a (k) kk = 0 Supponiamo per assurdo che a (k) ik = 0 per ogni i = k + 1,, n, allora A(k) avrebbe la seguente struttura: 11 1,k 1 1k 1,k+1 1n A (k) a (k 1) k 1,k 1 a (k 1) k 1,k a (k 1) k 1,k+1 a (k 1) k 1,n = 0 a (k) k,k+1 a (k) kn 0 0 a (k) n,k+1 a (k) nn 7

8 Partizioniamo A (k) nel seguente modo ( A (k) Tk 1 = 0 ˆTn k+1 ) Allora det(a (k) ) = det(t k 1 ) det( ˆT n k+1 ) = det(t k 1 ) 0 = 0 Conseguentemente dovrebbe essere anche det(a) = 0 e questo contrasta con l ipotesi fatta Quindi possiamo concludere che se a (k) kk = 0 e det A 0 deve necessariamente esistere un elemento a (k) ik 0, con i {k + 1, k + 2,, n} 21 Strategie di Pivoting nel metodo di eliminazione di Gauss Le strategie di pivoting nel metodo di Gauss hanno principalmente lo scopo di evitare gli elementi pivotali nulli Infatti al k-esimo passo la matrice A (k) si presenta nella forma: 11 1,k 1 a (k 1) k 1,k 1 1k 1n a (k 1) k 1,k a (k 1) k 1,n 0 a (k) kk a (k) kn 0 a (k) nk a (k) nn Il passo successivo consiste nell azzerare gli elementi al di sotto dell elemento a (k) kk situati nella k-esima colonna La strategia di Pivoting parziale prevede che prima di azzerare gli elementi al di sotto dell ele- mento a (k) kk, si ricerchi l elemento di massimo modulo tra gli elementi a (k) kk, a(k) k+1,k,, a(k) nk e si scambi la riga in cui si trova questo elemento con la k-esima qualora esso sia diverso da a (k) kk In altri termini il pivoting parziale richiede le seguenti operazioni: 1 determinare l elemento a (k) rk tale che a (k) rk = max k i n a(k) ik ; 8

9 2 effettuare lo scambio tra la r-esima e la k-esima riga In alternativa alla strategia di pivoting parziale si può effettuare la strategia di Pivoting totale che costa un po di più ma che rende più stabile il metodo di Gauss La strategia di pivoting totale è la seguente: 1 determinare gli indici r, s tali che a (k) rs = max k i,j n a(k) ij ; 2 effettuare lo scambio tra la r-esima e la k-esima riga e tra la s-esima e la k-esima colonna 22 Classi di matrici che non necessitano di Pivoting Tra le classi di matrici che non hanno bisogno di alcuna strategia di pivoting è opportuno citare le matrici a predominanza per colonne e le matrici simmetriche e definite positive DEF: Una matrice A di ordine n si dice a predominanza diagonale per colonne se: n a ii a ij, i = 1, 2,, n j=1,j i Infatti è possibile dimostrare che la predominanza diagonale è invariante sotto trasformazioni elementari di Gauss, cioè le sottomatrici trasformate ad ogni passo sono pure a predominanza diagonale per colonne di conseguenza non è necessario utilizzare alcuna strategia di pivoting DEF: Una matrice quadrata A di ordine n, simmetrica (cioè A T = A), si dice definita positiva se e solo se: x T Ax > 0 per ogni x IR n, x 0 Uno dei criteri possibili per determinare se una matrice è definita positiva è fornito dal criterio di Sylvester che stabilisce che una matrice A simmetrica di ordine n è definita positiva se e solo se det(a k ) > 0 per k = 1, 2,, n, dove A k è la sottomatrice principale di testa di ordine k 9

10 Poichè è noto che a (k) kk = det(a k) det(a k 1 ) k = 1,, n, det(a 0 ) = 1 essendo gli a (k) kk gli elementi pivotali nel metodo di Gauss Ad ogni passo l elemento pivotale è positivo quindi non è necessaria alcuna strategia di pivoting 3 Risoluzione di sistemi lineari mediante fattorizzazioni La semplicità e l efficienza degli algoritmi di risoluzione di sistemi particolari, suggerisce di trasformare un generico sistema di equazioni lineari in più sistemi del tipo analizzato (triangolare inferiore o superiore) Sia A la matrice dei coefficienti del sistema lineare, se esistono due matrici M, R, triangolari (o ortogonali) tali che: A = MR, allora il sistema di equazioni Ax = b si può riscrivere come: MRx = b Quindi ponendo y = Rx si calcola x mediante la risoluzione dei due sistemi: My Rx = b = y (9) La realizzazione della fattorizzazione (A = M R) assicura comunque che i due nuovi sistemi sono risolvibili Infatti essendo: det(a) = det(mr) = det(m) det(r), la non singolarità della matrice A di partenza (det(a) 0) assicura la non singolarità delle matrici fattori M ed N (quindi l esistenza di una unica soluzione dei sistemi (9) 4 Interpretazione del metodo di Gauss come fattorizzazione Il metodo di eliminazione di Gauss può essere interpretato come un metodo di fattorizzazione della matrice dei coefficienti A 10

11 DEF: Siano u, v IR n 1 due vettori colonna tali che v t u 1, allora la matrice M = I uv T si dice matrice elementare ed è tale che 1 M è nonsingolare; 2 la matrice inversa di M è M 1 = I uvt v T u 1 Si osservi che l inversa di una matrice elementare è ancora una matrice elementare Noi siamo interessati a determinare delle matrici elementari che effettuano le operazioni elementari (che permettono di trasformare un sistema in uno equivalente) di: 1 scambio di una riga (colonna) i con la riga j, 2 moltiplicazione di una riga (colonna) per un coefficiente α 0 3 somma di un multiplo di una riga i alla riga j Esempi di matrici elementari che effettuano le precedenti operazioni elemntari sono E 1 = I uu T = 1 0 0, essendo u = e 1 e E 2 = I (1 α)e 2 e T 2 = E 3 = I + αe 3 e T 1 = α α 0 1, essendo α 0, essendo α 0 (ricordando che e 1, e 2, e 3 rappresentano i vettori della base canonica di IR 3 ) Utilizzando delle matrici elementari come moltiplicatori a sinistra della matrice A dei coefficienti di un sistema lineare possiamo dimostrare che il metodo si eleminazione di Gauss è equivalente a fattorizzare la matrice A di partenza nel prodotto di due matrici A = LU con U = A (n) ed L triangolare inferiore Definiamo a tal fine le matrici elementari di eliminazione o di Gauss: sia m k = (0,, 0, m k+1,k, m k+2,k,, m n,k ) T IR n, con m j,k moltiplicatori 11

12 del metodo di eliminazione di Gauss al passo k e definiamo M k = 0 0 m k+1,k 1 0 = I n m k e T k 0 0 m k+2,k m n,k La matrice M k costruita è 1 una matrice triangolare inferiore con elementi diagonali tutti uguali ad 1 (quindi det(m k ) 0); 2 una matrice invertibile 3 una matrice elementare, infatti M k = I m k e T k (e k indica il k-simo vettore della base canonica di IR n 4 la matrice inversa della M k è M 1 k = I + m k e T k ; ed infine soddisfa la seguente proprietà M k A (k) = A (k+1) Quindi nel caso in cui il processo di eliminazione di Gauss possa procedere, tutti gli elementi pivot non nulli, abbiamo la sequenza di trasformazioni di Gauss del sistema lineare: M n 1 M n 2 M 1 A (1) x = M n 1 M n 2 M 1 b Indicando con M il prodotto di tutte le matrici elementari di Gauss M = M n 1 M n 2 M 1, allora la matrice U = MA è una matrice triangolare superiore Inoltre la matrice M è il prodotto di matrici elementari di eliminazione e abbiamo osservato che è una matrice triangolare inferiore ed è invertibile Posto L = (M n 1 M n 2 M 1 ) 1 = M 1 1 M 1 2 M 1 n 1 L risulata una matrice triangolare inferiore, quindi MA = U A = M 1 U = LU Tale fattorizzazione come vedremo in seguito viene detta fattorizzazione LU della matrice A e si potrà calcolare attraverso una tecnica compatta 12

13 5 Fattorizzazione LU Considerata la matrice dei coefficienti A di un sistema lineare di n equazioni in n incognite, DEF: Si dice fattorizzazione LU della matrice A, la scomposizione della matrice nel prodotto di due matrici L triangolare inferiore, ed U triangolare superiore, tali che: A = LU; cioè (in termini di componenti) a ij = n l i,k u k,j, per ogni i, j = 1,, n; tenendo conto che le matrici sono triangolare inferiore la prima, triangolare superiore la seconda, anche: a ij = min(i,j) l i,k u k,j, per ognii, j = 1,, n Osserviamo che per determinare la fattorizzazione LU di una matrice quadrata A di ordine n, dobbiamo determinare gli elementi incogniti l ij e u ij delle matrici L ed U Il numero degli elementi diversi da zero in una matrice triangolare (superiore o inferiore) è dato da n = n(n + 1) 2 Quindi il numero totale di elementi delle matrici L, U (incognite) da determinare per ottenere la fattorizzazione cercata, è 2 n(n+1) 2 = n(n+1) = n 2 +n Il numero delle equazioni a disposizione è n 2, cioè le condizioni da imporre affinchè LU = A, sono tante quanti gli elementi della matrice A Il sistema di equazioni nelle incognite l ij, u ij pur essendo non lineare e di dimensione maggiore di n è di semplice soluzione se si scelgono a-priori i valori degli elementi diagonali di L (che sono in totale n) In particolare si pone l ii = 1 per ogni i 13

14 Per determinare i valori delle incognite l ij, u ij, si dividono le equazioni in due gruppi i l ik u kj = a ij, per i j, 1 gruppo j l ik u kj = a ij, per j < i; 2 gruppo il calcolo delle incognite procede: determinando le componenti della prima riga di U utilizzando le equazione del primo gruppo, determinando le componenti della prima colonna di L utilizzando le equazioni del secondo gruppo iterando il procedimento in modo ricorsivo (cioè si passa al calcolo della riga succesiva di U e poi della colonna di L) Per esempio: per calcolare la prima riga di U si pone i = 1 nell equazioni del primo gruppo e si ha: 1 l 1k u kj = a 1j per 1 j Da l 11 = 1, ricaviamo u 1j = a 1j, per j = 1,, n per calcolare gli elementi della prima colonna di L si utilizzano le equazioni del secondo gruppo ponendo j = 1, 1 l ik u k1 = a i1, per 1 < i; da l i1 u 11 = a i1, per 1 < i, ricaviamo l i,1 = a i1 u 11, per i = 2,, n 14

15 In modo ricorsivo per (ij) = (22), (33), si ha: i l ik u kj = a ij, per i j i 1 l ik u kj + l ii u ij = a ij, i 1 u ij = a ij l ik u kj, per i j per j = i,, n e per gli elementi della matrice L j l ik u kj = a ij,, per j < i j 1 l ik u kj + l ij u jj = a ij, per j < i l ij = a ij j 1 l iku kj u jj, per i = j + 1,, n Osserviamo che nella formula per calcolare u ij intervengono soltanto quantità già calcolate sia per la matrice U che per la matrice L Il costo computazionale per ottenere la fattorizzazione LU della matrice A comprende: n 1 = (n 1)n 2 divisioni; il numero delle moltiplicazioni per ottenere gli elementi di U è pari a quello per calcolare gli elementi di L, e risulta: i 1 moltiplicazioni per u ij, (n + 1 i)(i 1) moltiplicazioni per calcolare una riga di U n i=1 (n + 1 i)(i 1) moltiplicazioni per tutte le righe Il costo computazionale complessivo è (n 1)n 2 n + 2 (n + 1 i)(i 1)= 1 3 n3 + O(n 2 ) i=1 15

16 L algoritmo per il calcolo della fattorizzazione LU della matrice A va a buon fine se gli elementi u k,k che compaiono al denominatore risultano diversi da zero Osserviamo che: u 11 = a 11 ; u 22 = a 22 l 21 u 12 dau 12 = a 12 e l 21 = a 21 /u 11 = a 12 /a 11 ricaviamo u 22 = a 11a 22 a 11 a 21 = 1 ( a11 a det 12 a 11 a 11 a 21 a 22 ) ; in modo analogo si può provare che le quantità u k,k si esprimono in termini dei minori principali di testa della matrice, e risultano diversi da zero se e solo se i minori principali sono non nulli Questo risultato ha validità generale Infatti si prova che: Teorema Data una matrice A, quadrata di ordine n, esiste la fattorizzazione LU di A se e solo se tutti i minori principali di testa di A sono diversi da zero La condizione che le quantità u kk debbano essere necessariamente diverse da zero è conseguenza del fatto che il determinante della matrice triangolare U è il prodotto dei suoi i elementi diagonali: det(a) = det(lu) = det(l) det(u) = 1 det(u) = n u kk L algoritmo ha validità generale, in quanto non introduce condizioni più restrittivi di quelle che assicurano la esistenza della fattorizzazione Poiché la condizione sui minori è più forte di quella del determinante, si pone il problema di trovare delle semplici condizioni, riscontrabili in problemi applicativi, che assicurano minori principali di testa diversi da zero DEF: Una matrice A si dice a predominanza in senso debole per righe se a ii j i a ij per ogni i esiste un indice i tale che a ii > j i a ij 16

17 DEF: Una matrice A si dice riducibile se esiste una matrice di permutazione P tale che: ( ) P AP T A11 0 = A 21 A 22 Una matrice si dice irriducibile altrimenti Esempi di matrici che soddisfano questa proprietà sono: matrici a predominanza diagonale per righe: matrici a predominanza diagonale per colonne: matrice a predominanza diagonale in senso debole per righe e irriducibili : matrici a predominanza diagonale per colonne in senso debole ed irriducibili; matrici simmetriche definite positive Gli esempi precedenti evidenziano una grande varietà di matrici con minori principali non nulli a cui è possibile applicare la fattorizzazione LU, senza, però, esaurire tutte le matrici non singolari 6 Analisi degli errori Qualunque algoritmo si utilizza per calcolare la soluzione di un sistema lineare mediante un computer, si otterrà una soluzione approssimata Infatti, in aritmetica finita (l aritmentica del computer) l uso dei numeri floatingpoint introduce un errore di arrotondamento ad ogni operazione Gli errori associati ad ogni operazione si propagano nel risultato finale, che può avere un errore accetabile o meno a seconda della sua grandezza Valutiamo la propagazione degli errori nella risoluzione del sistema lineare Ax = b Indichiamo con x la soluzione numerica formita da un algoritmo ( quindi x è l approssimazione della soluzione del problema) Una prima indicazione della qualità della approssimazione x è data grandezza del vettore residuo r : r = b A x 17

18 ed in particolare dalla quantità b A x b = r b ; detta residuo normalizzato Il residuo normalizzato è preso come un misura della bontà dell approssimazione della soluzione di un sistema lineare, e varia da algoritmo ad algoritmo Vediamo come il residuo normalizzato si lega all errore commesso; si ha: da cui ricaviamo r = b A x = Ax A x = A(x x) x x = A 1 r Quindi, passando alle norme: x x = A 1 r A 1 r Osserviamo inoltre che da cui ricaviamo Quindi l errore relativo b = Ax b = Ax A x x x x 1 x A b A A 1 r b La precedente relazione evidenzia come errore dovuto al calcolo della approsssimazione numerica in aritmetica finita dipende dal fattore: µ(a) = A A 1 chiamato numero di condizione della matrice A Osserviamo che µ(a) non dipende dal particolare algoritmo utilizzato per determinare l approssimazione x, mentre il residuo normalizzato r b dipende da esso Il numero di condizione di una matrice è definito utilizzando una norma; in generale, però, pur variando da norma a norma, il suo ordine di grandezza varia di poco in virtù della equivalenza di tutte le norme Il numero di condizione amplifica l errore nei dati del sistema riportandoli sul risultato 18

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti

Corso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con

Dettagli

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

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

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici

Corso 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

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

Condizionamento del problema

Condizionamento del problema Condizionamento del problema x 1 + 2x 2 = 3.499x 1 + 1.001x 2 = 1.5 La soluzione esatta è x = (1, 1) T. Perturbando la matrice dei coefficienti o il termine noto: x 1 + 2x 2 = 3.5x 1 + 1.002x 2 = 1.5 x

Dettagli

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il

Dettagli

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

RICHIAMI 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 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

Dettagli

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Corso di Matematica per la Chimica

Corso 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

Dettagli

SISTEMI LINEARI QUADRATI: METODI ITERATIVI

SISTEMI 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

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

Metodi iterativi per sistemi lineari

Metodi iterativi per sistemi lineari Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni

Dettagli

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007 Spazi lineari - PARTE II - Felice Iavernaro Dipartimento di Matematica Università di Bari 9 e 16 Marzo 2007 Felice Iavernaro (Univ. Bari) Spazi lineari 9-16/03/2007 1 / 17 Condizionamento dei sistemi lineari

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

Autovalori e Autovettori

Autovalori e Autovettori Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora

Dettagli

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica. Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 2 per la Scuola secondaria di secondo grado UNITÀ CAMPIONE Edizioni del Quadrifoglio à t i n U 1 Sistemi di primo grado

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis

Dettagli

Ricerca Operativa 2. Introduzione al metodo del Simplesso

Ricerca Operativa 2. Introduzione al metodo del Simplesso Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

Diagonalizzazione di matrici e applicazioni lineari

Diagonalizzazione di matrici e applicazioni lineari CAPITOLO 9 Diagonalizzazione di matrici e applicazioni lineari Esercizio 9.1. Verificare che v = (1, 0, 0, 1) è autovettore dell applicazione lineare T così definita T(x 1,x 2,x 3,x 4 ) = (2x 1 2x 3, x

Dettagli

Introduzione al MATLAB c Parte 2

Introduzione al MATLAB c Parte 2 Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione

Dettagli

Algebra Lineare e Geometria

Algebra Lineare e Geometria Algebra Lineare e Geometria Corso di Laurea in Ingegneria Elettronica A.A. 2013-2014 Prova d esame del 16/06/2014. 1) a) Determinare la matrice associata all applicazione lineare T : R 3 R 4 definita da

Dettagli

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Versione ottobre novembre 2008 Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Contenuto 1. Applicazioni lineari 2. L insieme delle

Dettagli

Informatica. Rappresentazione dei numeri Numerazione binaria

Informatica. Rappresentazione dei numeri Numerazione binaria Informatica Rappresentazione dei numeri Numerazione binaria Sistemi di numerazione Non posizionali: numerazione romana Posizionali: viene associato un peso a ciascuna posizione all interno della rappresentazione

Dettagli

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.

Controlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L. Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

Lezione 9: Cambio di base

Lezione 9: Cambio di base Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

Sistemi lineari. 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0. x 1 x 2 x 3

Sistemi lineari. 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0. x 1 x 2 x 3 Sistemi lineari 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0 2 1 1 1 1 1 1 3 2 x 1 x 2 x 3 = 2 1 0 n j=1 a i,jx j = b i, i = 1,, n Ax = b A = (a i,j ) R n n matrice invertibile (det(a) 0) b

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0 LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi

Dettagli

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale

Il simbolo. è è = = = In simboli: Sia un numero naturale diverso da zero, il radicale. Il radicale. esiste. esiste 0 Il radicale Radicali 1. Radice n-esima Terminologia Il simbolo è detto radicale. Il numero è detto radicando. Il numero è detto indice del radicale. Il numero è detto coefficiente del radicale. Definizione Sia un

Dettagli

ESERCITAZIONI DI LABORATORIO DI CALCOLO NUMERICO. Parte II: Applicazioni a Matrici e Sistemi Lineari

ESERCITAZIONI DI LABORATORIO DI CALCOLO NUMERICO. Parte II: Applicazioni a Matrici e Sistemi Lineari ESERCITAZIONI DI LABORATORIO DI CALCOLO NUMERICO Parte II: Applicazioni a Matrici e Sistemi Lineari Prof. L. Pareschi Dott. Giacomo Dimarco Applicazioni a Matrici e Sistemi Lineari Operazioni matriciali

Dettagli

Corso di Calcolo Numerico

Corso di Calcolo Numerico Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis

Dettagli

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete.

Le equazioni. Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Le equazioni Diapositive riassemblate e rielaborate da prof. Antonio Manca da materiali offerti dalla rete. Definizione e caratteristiche Chiamiamo equazione l uguaglianza tra due espressioni algebriche,

Dettagli

Metodi Numerici per Equazioni Ellittiche

Metodi Numerici per Equazioni Ellittiche Metodi Numerici per Equazioni Ellittiche Vediamo ora di descrivere una tecnica per la risoluzione numerica della più semplice equazione ellittica lineare, l Equazione di Laplace: u xx + u yy = 0, (x, y)

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

Dettagli

Programmazione dinamica

Programmazione dinamica Capitolo 6 Programmazione dinamica 6.4 Il problema della distanza di edit tra due stringhe x e y chiede di calcolare il minimo numero di operazioni su singoli caratteri (inserimento, cancellazione e sostituzione)

Dettagli

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti

razionali Figura 1. Rappresentazione degli insiemi numerici Numeri reali algebrici trascendenti frazionari decimali finiti 4. Insiemi numerici 4.1 Insiemi numerici Insieme dei numeri naturali = {0,1,,3,,} Insieme dei numeri interi relativi = {..., 3,, 1,0, + 1, +, + 3, } Insieme dei numeri razionali n 1 1 1 1 = : n, m \{0}

Dettagli

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto.

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto. 29 giugno 2009 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola

Dettagli

Lezioni del corso di Geometria e Algebra. prof. Michele Mulazzani dott. Alessia Cattabriga

Lezioni del corso di Geometria e Algebra. prof. Michele Mulazzani dott. Alessia Cattabriga Lezioni del corso di Geometria e Algebra prof Michele Mulazzani dott Alessia Cattabriga AA 20001/2002 Indice 1 Equazioni e sistemi lineari 4 11 Alcune strutture algebriche 4 12 Operazioni standard su K

Dettagli

Obiettivi dell Analisi Numerica. Avviso. Risoluzione numerica di un modello. Analisi Numerica e Calcolo Scientifico

Obiettivi dell Analisi Numerica. Avviso. Risoluzione numerica di un modello. Analisi Numerica e Calcolo Scientifico M. Annunziato, DIPMAT Università di Salerno - Queste note non sono esaustive ai fini del corso p. 3/43 M. Annunziato, DIPMAT Università di Salerno - Queste note non sono esaustive ai fini del corso p.

Dettagli

Interpolazione ed approssimazione di funzioni

Interpolazione ed approssimazione di funzioni Interpolazione ed approssimazione di funzioni Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 9 novembre 2007 Outline 1 Polinomi Valutazione di un polinomio Algoritmo di Horner

Dettagli

Basi di matematica per il corso di micro

Basi di matematica per il corso di micro Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione

Dettagli

I SISTEMI DI NUMERAZIONE E LA NUMERAZIONE BINARIA

I SISTEMI DI NUMERAZIONE E LA NUMERAZIONE BINARIA I SISTEMI DI NUMERAZIONE E LA NUMERAZIONE BINARIA Indice Introduzione Il sistema decimale Il sistema binario Conversione di un numero da base 10 a base 2 e viceversa Conversione in altri sistemi di numerazione

Dettagli

ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE

ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE ANALISI DEL CONDIZIONAMENTO DI UN SISTEMA LINEARE Algebra lineare numerica 121 Ax = b A, b affetti dall errore di round-off si risolve sempre un sistema perturbato: con (A + A)(x + x) = b + b A = ( a i,j

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.

Dettagli

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani

Ricerca Operativa Esercizi sul metodo del simplesso. Luigi De Giovanni, Laura Brentegani Ricerca Operativa Esercizi sul metodo del simplesso Luigi De Giovanni, Laura Brentegani 1 1) Risolvere il seguente problema di programmazione lineare. ma + + 3 s.t. 2 + + 2 + 2 + 3 5 2 + 2 + 6,, 0 Soluzione.

Dettagli

Corso di Calcolo Numerico

Corso 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 Sistemi di Numerazione Sistema decimale La

Dettagli

Corso di Analisi Numerica

Corso di Analisi Numerica Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze

Dettagli

Appunti del corso di Informatica 1 (IN1 Fondamenti) 2 Introduzione alla programmazione

Appunti del corso di Informatica 1 (IN1 Fondamenti) 2 Introduzione alla programmazione Università Roma Tre Facoltà di Scienze M.F.N. Corso di Laurea in Matematica Appunti del corso di Informatica 1 (IN1 Fondamenti) 2 Introduzione alla programmazione Marco Liverani (liverani@mat.uniroma3.it)

Dettagli

AL. Algebra vettoriale e matriciale

AL. Algebra vettoriale e matriciale PPENDICI L. lgebra vettoriale e matriciale Vettori Somma di vettori: struttura di gruppo Come abbiamo richiamato nell introduzione vi sono delle grandezze fisiche caratterizzabili come vettori, cioè tali

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

Metodi basati sugli autovettori per il Web Information Retrieval

Metodi basati sugli autovettori per il Web Information Retrieval Metodi basati sugli autovettori per il Web Information Retrieval HITS, PageRank e il metodo delle potenze LSI e SVD LSI è diventato famoso per la sua abilità nel permettere di manipolare i termini (all

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 INGEGNERIA E TECNOLOGIE DEI SISTEMI DI CONTROLLO Laurea Specialistica in Ingegneria Meccatronica STRUMENTI MATEMATICI PER L ANALISI DEI SISTEMI DISCRETI Ing. Tel. 0522 522235 e-mail: secchi.cristian@unimore.it

Dettagli

Note su quicksort per ASD 2010-11 (DRAFT)

Note su quicksort per ASD 2010-11 (DRAFT) Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea

Dettagli

LE FIBRE DI UNA APPLICAZIONE LINEARE

LE FIBRE DI UNA APPLICAZIONE LINEARE LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ;

Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; Primo anno Secondo anno Terzo anno Primo anno MATEMATICA Scuola dell Infanzia Scuola Primaria Conta oggetti o eventi, a voce e a mente, in senso progressivo e regressivo e per salti di due, tre ; legge

Dettagli

Insiemi con un operazione

Insiemi con un operazione Capitolo 3 Insiemi con un operazione 3.1 Gruppoidi, semigruppi, monoidi Definizione 309 Un operazione binaria su un insieme G è una funzione: f : G G G Quindi, un operazione binaria f su un insieme G è

Dettagli

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA... 15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura

Dettagli

METODO DEL POTENZIALE AI NODI

METODO DEL POTENZIALE AI NODI NENERA NFORMATCA E DELL'AUTOMAZONE D.M. 70/0) l metodo del potenziale ai nodi consente di risolvere una rete avente l lati risolvendounsistema di dimensioni minori di l. Consideriamo un circuito avente

Dettagli

TEORIA DEI NUMERI SUCCESSIONI

TEORIA DEI NUMERI SUCCESSIONI Liceo Scientifico G. Salvemini Corso di preparazione per la gara provinciale delle OLIMPIADI DELLA MATEMATICA INTRO TEORIA DEI NUMERI SUCCESSIONI NUMERI INTERI QUESITO Un quesito (facile) sulle cifre:

Dettagli

Luigi Piroddi piroddi@elet.polimi.it

Luigi Piroddi piroddi@elet.polimi.it Automazione industriale dispense del corso 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul grafo di raggiungibilità,

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

Le catene di Markov come metodologia utilizzata dai motori di ricerca per classificare le pagine web su internet.

Le catene di Markov come metodologia utilizzata dai motori di ricerca per classificare le pagine web su internet. Università degli Studi di Palermo Facoltà di Economia Dipartimento di Scienze Statistiche e Matematiche S. Vianelli Dottorato di Ricerca in Statistica e Finanza Quantitativa - XXI Ciclo Sergio Salvino

Dettagli

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II

Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Sequenze CAPITOLO II CAPITOLO II 2. - PROBLEMI DI SEQUENZA I problemi di sequenza si presentano ogni qualvolta vi sono delle attività che richiedono delle risorse limitate ed indivisibili e bisogna definire l'ordine secondo

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi per il corso di Algoritmi e Strutture Dati 1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi

Dettagli

DIARIO DEL CORSO DI ALGEBRA A.A. 2012/13 DOCENTE: ANDREA CARANTI

DIARIO DEL CORSO DI ALGEBRA A.A. 2012/13 DOCENTE: ANDREA CARANTI DIARIO DEL CORSO DI ALGEBRA A.A. 2012/13 DOCENTE: ANDREA CARANTI Lezione 1. lunedí 17 settembre 2011 (1 ora) Presentazione del corso. Esercizio: cosa succede a moltiplicare per 2, 3, 4,... il numero 052631578947368421,

Dettagli

SISTEMI DI NUMERAZIONE E CODICI

SISTEMI DI NUMERAZIONE E CODICI SISTEMI DI NUMERAZIONE E CODICI Il Sistema di Numerazione Decimale Il sistema decimale o sistema di numerazione a base dieci usa dieci cifre, dette cifre decimali, da O a 9. Il sistema decimale è un sistema

Dettagli

Matrici elementari e fattorizzazioni

Matrici elementari e fattorizzazioni Matrici elementari e fattorizzazioni Dario A Bini, Università di Pisa 19 ottobre 2015 Sommario Questo modulo didattico introduce ed analizza la classe delle matrici elementari Tale classe verrà usata per

Dettagli

Dimensionamento dei lotti di produzione: il caso con variabilità nota

Dimensionamento dei lotti di produzione: il caso con variabilità nota Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni)

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni) PARTE TERZA STATISTICA DESCRITTIVA MULTIDIMESIOALE (Analisi delle Relazioni) La notazione matriciale 3 III.. LA OTAZIOE MATRICIALE III... L analisi statistica dei fenomeni multivariati L intrinseca complessità

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

ANALISI NUMERICA. Elementi finiti bidimensionali. a.a. 2014 2015. Maria Lucia Sampoli. ANALISI NUMERICA p.1/23

ANALISI NUMERICA. Elementi finiti bidimensionali. a.a. 2014 2015. Maria Lucia Sampoli. ANALISI NUMERICA p.1/23 ANALISI NUMERICA Elementi finiti bidimensionali a.a. 2014 2015 Maria Lucia Sampoli ANALISI NUMERICA p.1/23 Elementi Finiti 2D Consideriamo 3 aspetti per la descrizione di elementi finiti bidimensionali:

Dettagli

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim

Dettagli

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA SECONDARIA DI PRIMO GRADO. L alunno ha rafforzato un atteggiamento positivo rispetto

Dettagli

Esempi di algoritmi. Lezione III

Esempi di algoritmi. Lezione III Esempi di algoritmi Lezione III Scopo della lezione Implementare da zero algoritmi di media complessità. Verificare la correttezza di un algoritmo eseguendolo a mano. Imparare a valutare le prestazioni

Dettagli

CURRICOLO MATEMATICA ABILITA COMPETENZE

CURRICOLO MATEMATICA ABILITA COMPETENZE CURRICOLO MATEMATICA 1) Operare con i numeri nel calcolo aritmetico e algebrico, scritto e mentale, anche con riferimento a contesti reali. Per riconoscere e risolvere problemi di vario genere, individuando

Dettagli

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo

Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito

Dettagli

4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI

4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI 119 4 Dispense di Matematica per il biennio dell Istituto I.S.I.S. Gaetano Filangieri di Frattamaggiore EQUAZIONI FRATTE E SISTEMI DI EQUAZIONI Indice degli Argomenti: TEMA N. 1 : INSIEMI NUMERICI E CALCOLO

Dettagli

Metodi Stocastici per la Finanza

Metodi Stocastici per la Finanza Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione

Dettagli

SISTEMI DI NUMERAZIONE IL SISTEMA DECIMALE

SISTEMI DI NUMERAZIONE IL SISTEMA DECIMALE SISTEMI DI NUMERAZIONE IL SISTEMA DECIMALE La base del sistema decimale è 10 I simboli del sistema decimale sono: 0 1 2 3 4 5 6 7 8 9 Il sistema di numerazione decimale è un sistema posizionale. L aggettivo

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 3 Sessione straordinaria Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA È assegnata

Dettagli

Chiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2

Chiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2 Chiusura lineare Def. Sia A V (K) con A. Si dice copertura lineare (o chiusura lineare) di A, e si indica con L(A), l insieme dei vettori di V che risultano combinazioni lineari di un numero finito di

Dettagli

COME MASSIMIZZARE UNA FUNZIONE DI UTILITÀ

COME MASSIMIZZARE UNA FUNZIONE DI UTILITÀ icroeconomia Douglas Bernheim, ichael Whinston Copyright 009 The cgraw-hill Companies srl COE ASSIIZZARE UNA FUNZIONE DI UTILITÀ Supponiamo che il reddito mensile di Elena sia pari a Y e sia interamente

Dettagli

Determinante e inversa di una matrice

Determinante e inversa di una matrice CPITOLO 6 Determinante e inversa di una matrice Esercizio 6.. Calcolare il determinante delle seguenti matrici: 3 3 = B = 0 3 7 C = 0 D = 0 F = 0 0 3 4 0 3 4 3 Esercizio 6.. Calcolare il determinante delle

Dettagli