Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici
|
|
- Vincenzo Gerardo Mantovani
- 8 anni fa
- Visualizzazioni
Transcript
1 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 questione della risoluzione numerica di un sistema lineare, si introduca un concetto generale fondamentale in analisi numerica. In particolare, preso un qualsiasi numero reale, in generale esso sarà composto da un numero infinito di cifre dopo la virgola senza alcuna periodicità. La sua memorizzazione richiederebbe quindi infinite celle di memoria e non è quindi possibile al calcolatore. Per questo motivo, il calcolatore introduce necessariamente delle approssimazioni nella memorizzazione dei numeri, in quanto può solo considerare un numero finito di cifre dopo la virgola. Tale errore pre il nome di errore di arrotondamento. Un numero α viene memorizzato come ˆα α. Le operazioni fra numeri al calcolatore risentiranno di questa approssimazione. Ad esempio sommando due numeri α e β memorizzati in ˆα e ˆβ rispettivamente, si ottiene ˆα+ ˆβ α+β. Si dice che il calcolatore lavora in aritmetica non esatta. Inoltre, ci si aspetta che l errore cui è affetta la somma di due numeri sia maggiore degli errori di arrotondamento dei numeri di partenza. Si parla di propagazione dell errore di arrotondamento che, se il numero di operazioni è grande, può portare a risultati molto diversi da quello che si sarebbe ottenuto in aritmetica esatta, cioè senza errori di arrotondamento. L operazione più sensibile alla propagazione degli errori di arrotondamento è la sottrazione. Quindi in un algoritmo ove compaia una sottrazione, se possibile, il sottrao va preso il più piccolo possibile. Si torni allo schema della prima lezione. Si è visto come un fenomeno fisico descritto da una grandezza x F venga sotto opportune ipotesi modellato con un problema matematico, di soluzione x. L errore x f x è detto errore di modello ed è cura del fisico-matematico controllare tale errore. Successivamente si è fatto notare come sia necessario introdurre un problema numerico a seguito dell approssimazione numerica, che porta alla soluzione x N. L errore fra la soluzione esatta del problema matematico e la sua approssimazione numerica x x N è detto errore numerico. È il numerico che si deve occupare di controllare tale errore. Tuttavia, la soluzione numerica x N è quella che otterrei in aritmetica esatta, ovvero se non ci fossero gli errori di arrotondamento. In realtà, poichè il problema numerico viene dato da risolvere al calcolatore mediante un algoritmo, ciò che alla fine si ottiene è una soluzione effettiva ˆx N che è diversa da x N in quanto affetta dagli errori di arrotondamento. È sempre cura del numerico occuparsi di tale errore. Posizione del problema. Si consideri il seguente problema: 1
2 Dati una matrice A R n n e un vettore b R n, determinare il vettore x R n tale che Ax = b. (1) Tale problema è detto sistema lineare e consiste in n equazioni lineari nelle n incognite x j, j = 1,...,n. Sea ij, i,j = 1,...,n, sonoglielementidia, lai esimaequazionedelsistemalineare (1) è n a ij x j = b i, i = 1,...,n. j=1 La soluzione x del problema (1) esiste unica se e solo se det(a) 0 e può essere espressa con la formula di Cramer x i = det(b i) det(a), i = 1,...,n, dove B i è la matrice ottenuta a partire da A e sostituo l i esima colonna con il vettore b. Per capire se la formula di Cramer sia applicabile oppure no dobbiamo indagarne la complessità, cioè il numero delle operazioni necessarie alla sua applicazione. Si può mostrare che, data una matrice C R n n, il calcolo di det(c) con la formula di Laplace consta in un numero di operazioni che è asintotico di (n + 1)!. Di conseguenza, anche la complessità della formula di Cramer è asintotica di (n+1)!. Di seguito calcoliamo a titolo di esempio il tempo che un calcolatore, che svolge 10 9 operazioni al secondo, impiegherebbe per calcolare il determinante. Ad esempio, per n = 15 ci vorrebbero circa 12 ore, per n = 20 servirebbero 3240 anni, per n = 100 ci vorrebbero anni! Da questi numeri, deduciamo che la risoluzione di un sistema lineare non può essere effettuata con la formula di Cramer, se non per dimensioni modeste. Tuttavia, in molte applicazioni è necessario dover risolvere sistemi lineari di dimensione 10 3, 10 4, 10 5 o addirittura maggiore. Da qui l esigenza di cercare tecniche alternative per la risoluzione del problema (1). Matrici particolari. Di seguito si analizza il caso di matrici con struttura particolare, al fine di indagare se per esse esistano algoritmi efficienti per la risoluzione del sistema lineare associato, che non si basino sulla formula di Cramer. Matrice diagonale. Si consideri una matrice diagonale D, cioè tale per cui d ij = 0 se i j. Il sistema lineare associato, Dx = b, non è in realtà un sistema lineare perché le equazioni sono disaccoppiate fra di loro. In altri termini, la i esima equazione coinvolge solo l incognita x i, in particolare d ii x i = b i, i = 1,...n, da cui si ottiene che la soluzione può essere facilmente calcolabile con la formula x i = b i d ii, i = 1,...,n, che ha una complessità pari a n, in quanto consiste in n divisioni. Matrici triangolari. Sia L una matrice tale per cui l ij = 0 se i < j (matrice triangolare inferiore). La prima equazione del sistema lineare associato, L x = b, diventa l 11 x 1 = b 1, 2
3 che coinvolge solo l incognita x 1, la quale può essere determinata dalla formula x 1 = b 1 l 11. La seconda equazione coinvolge invece sia l incognita x 1 che l incognita x 2, in particolare l 21 x 1 +l 22 x 2 = b 2. Tuttavia, l incognita x 1 è già stata determinata e quindi si può scrivere una formula esplicita anche per la x 2 : x 2 = b 2 l 21 x 1 l 22. In generale quindi, note le x i, i = 1,...,j 1, l incognita x j può essere determinata dalla formula esplicita x j = b j j 1 i=1 l jix i, l jj che definisce il metodo delle sostituzioni in avanti. In termini di algoritmo, tale metodo può essere implementato nel seguente modo: Algoritmo sostituzioni in avanti: for j = 1:n x(j) = b(j); for i = 1:j-1 x(j) = x(j) - L(j,i)*x(i); x(j) = x(j) / L(j,j); La complessità di tale algoritmo si può mostrare essere asintotica di n 2. La risoluzione di un sistema con matrice triangolare inferiore è quindi effettuabile. Ad esempio, se n = 10 5, il calcolatore considerato impiegherebbe 10 secondi per determinare la soluzione. Discorsi analoghi valgono per una matrice triangolare superiore U, cioè tale per cui u ij = 0 se i > j. In questo caso, possiamo applicare il metodo delle sostituzioni all indietro, che consiste, date le soluzioni x i, i = j +1,...,n, nella formula x j = b j n i=j+1 u jix i u jj. Per la sua implementazione si può considerare il seguente Algoritmo sostituzioni all indietro: for j = 1:n x(n-j+1) = b(n-j+1); for i = n-j+2:n x(n-j+1) = x(n-j+1) - U(n-j+1,i)*x(i); x(n-j+1) = x(n-j+1) / U(n-j+1,n-j+1); 3
4 che ha ancora complessità asintotica a n 2. Fattorizzazione LU di una matrice e risoluzione del sistema lineare associato. Siano A i, i = 1,...,n le sottomatrici principali di A, ottenute considerando le prime i righe e i colonne di quest ultima. Allora vale il seguente Teorema 1 Se det(a i ) 0, i = 1,...,n, allora esiste un unica matrice triangolare inferiore L, con elementi diagonali tali che l ii = 1,i = 1,...,n, e un unica matrice triangolare superiore U, tali che A = LU (fattorizzazione LU). Sotto ipotesi quindi più restrittive di quella necessaria a garantire esistenza e unicità della soluzione del problema (1), si può fattorizzare una matrice A nel prodotto di una matrice triangolare inferiore e di una triangolare superiore. Si noti come, il fatto che gli elementi diagonali di L siano stati fissati, serva per garantire l unicità della fattorizzazione. Qualora la fattorizzazione LU esista, il sistema (1) può essere riscritto come LU x = b. Pono y = U x, il precedente sistema è equivalente alla risoluzione della coppia di sistemi { Ly = b, (2) U x = y, che possono essere risolti in sequenza con il metodo delle sostituzioni. Il costo dunque della risoluzione del sistema lineare (1) si è ridotto, a valle della fattorizzazione LU, a essere asintotico di n 2. Tuttavia rimangono ancora 2 quesiti cui rispondere al fine ti poter applicare tale idea in concreto: 1) Come si possono determinare i fattori L e U? 2) Qualora esista un algoritmo che mi permetta di determinare i 2 fattori, qual è la sua complessità? A questi quesiti dà una risposta il Metodo dell Eliminazione Gaussiana (MEG). Tale metodo consiste in n 1 passi, tali per cui, parto dalla matrice A, al k 1-esimo passo si aggiornano le righe dalla k-esima all ultima, metto dei valori nulli sulla colonna k 1- esima. Alla fine, la matrice che si ottiene è dunque triangolare superiore, e coincide con il fattore U. L algoritmo per l implementazione di tale metodo è riportato di seguito: Algoritmo dell Eliminazione Gaussiana: for k = 1:n-1 for i = k+1:n L(i,k) = A(i,k) / A(k,k); for j = k+1:n A(i,j) = A(i,j) - L(i,k) * A(k,j); Nella matrice L è memorizzato il fattore triangolare inferiore, mentre nella parte superiore di A è memorizzato il fattore U. 4
5 La risoluzione di un sistema lineare con la tecnica della fattorizzazione LU consiste dunque di 2 passi: 1) La determinazione dei fattori LU mediante MEG (costo O(n 3 )); 2) Risoluzione dei 2 sistemi triangolari (2) (costo O(n 2 )). Il costo complessivo è quindi asintotico di n 3. Il grosso del costo della fattorizzazione risiede quindi nel calcolo dei fattori. Ad esempio, per una matrice di dimensione n = 10 4, il tempo di calcolo impiegato dal calcolatore considerato è di circa 1000 s 15 min. Considerando invece una matrice con n = 10 5, si ottiene un tempo di circa 11 giorni. Possiamo quindi affermare che per matrici con dimensioni fino a circa 10 4, le prestazioni del MEG sono accettabili e quindi la fattorizzazine LU costituisce un valido metodo numerico per la risoluzione pratica di un sistema lineare. Per dimensioni maggiori, il tempo di attesa potrebbe non essere accettabile, per cui bisogna ricorrere a metodi diversi (metodi iterativi). Tecnica del pivoting. Si consideri la seguente matrice , e si applichi MEG. Per k = 1, si ottiene L(2,1) = A(2,1)/A(1,1) = 2/1 = 2, A(2,2) = A(2,2) L(2,1) A(1,2) = = 0, A(2,3) = A(2,3) L(2,1) A(1,3) = = 4. Proseguo, ad un certo punto, per k = 2 e i = 3, si ottiene L(3,2) = A(3,2)/A(2,2), e l algoritmo si arresta perché A(2,2) = 0. Eppure det(a) 0, quindi ci sono delle situazioni in cui sebbene la soluzione del sistema lineare esista, MEG non è in grado di determinarla. Calcoliamo det(a 2 ) per l esempio proposto. Si ottiene det(a 2 ) = = 0, e quindi non sono soddisfatte le ipotesi del Teorema 1. In effetti, si può mostrare che ogniqualvoltanonsianosoddisfattetaliipotesi(ovveroseesistealmenounj < n, talechedet(a j ) = 0), allora MEG incontra una divisione per zero e si arresta. Sarebbe opportuno saper individuare a priori quali matrici incorrebbero in un arresto del MEG, in modo da evitare di iniziare il calcolo. A tal fine basterebbe vericare che i det(a i ) siano diversi da zero. Tuttavia ciò non è implementabile, visto il proibitivo costo del calcolo del determinante. Ci si chiede se esistano allora delle condizioni sufficienti che garantiscano l esistenza dei fattori L e U e quindi la buona riuscita del MEG senza arresti dovuti a divisione per zero. Si riportano di seguito dei casi che garantiscono ciò: Matrici a dominanza diagonale stretta per righe: sono le matrici tali che a ii > j i a ij i, la cui verifica richiede un O(n 2 ) di operazioni. 5
6 Matrici a dominanza diagonale stretta per colonne: sono le matrici tali che a ii > j i a ji i. Matrici simmetriche definite positive: sono le matrici tali che a ij = a ji i,j (simmetria) e tali che per ogni x 0 si abbia x T Ax > 0 (definita positività). Quindi l esistenza dei fattori L e U di una di queste tre categorie di matrici è garantita e di conseguenza il MEG non si arresta. Ovviamente, esso queste condizioni sufficienti, nulla si può concludere se una matrice non appartiene a nessuna delle tre categorie sopra riportate. Supponiamo che esista j < n tale che det(a j ) = 0. Ci si chiede se si possa modificare MEG al fine di portarlo a buon fine. A tal fine, si riconsideri l esempio di prima e si scambino la seconda e la terza riga. Ovviamente, al fine di ottenere la stessa soluzione, si devono scambiare anche la seconda e la terza componente del termine noto b. Si ha e applicando MEG, questa volta si ottiene , A(2,2) = 3. In effetti, in questo caso det(a 2 ) 0. Si può mostrare in particolare che se det(a k ) = 0 allora A(k,k) = 0 al k esimo passo del MEG, che porterebbe quindi ad un arresto a questo passo. Se quindi al passo k si ottiene A(k,k) = 0, l idea è quella di scambiare la riga k esima con una riga i > k tale per cui A(i,k) 0. Si noti che non si possono toccare le righe sopra la k esima in quanto già aggiornate definitivamente. In questo modo, al passo k, la nuova matrice avrà un elemento A(k, k) diverso da zero, e il MEG può procedere. Tale tecnica pre il nome di pivoting. Come visto, la sottrazione è l operazione più delicata in termini di propagazione dell errore di arrotondamento. Nell algoritmo MEG si può notare come all interno del ciclo più interno ci sia una sottrazione. Perciò, il termine L(i,k) * A(k,j) andrebbe preso il più piccolo possibile. Poiché A(k,j) non è stato ancora aggiornato, si può lavorare solo su L(i,k) che al passo precedente era stato determinato con L(i,k) = A(i,k) / A(k,k). L idea è quindi quella di prere fra tutte le righe i > k quella che assicura un elemento sulla colonna k massimo, cioè a ik a jk j > k. In particolare, ciò viene fatto anche se l elemento A(k,k) non è nullo al passo k, in modo da ridurre al minimo gli errori di arrotondamento. Il pivoting come detto permette di portare a termine il MEG anche se qualcuno dei determinanti di A i sia nullo. Questo perché non si sta piú operando con la matrice A, ma con PA, dove P è una matrice di permutazione (composta da soli 1 e 0) che tiene in conto dello scambio di righe effettuate su A. Ad esempio, nell esempio proposto si ha =
7 Il MEG è quindi applicato al sistema lineare PAx = Pb (che ovviamente ammette come soluzione ancora x esso P invertibile) e la fattorizzazione porta a PA = LU. Di conseguenza, i due sistemi triangolari da risolvere sono in questo caso { Ly = Pb, U x = y. Numero di condizionamento. Il numero di condizionamento di una matrice è definito come K(A) := A A 1. Nel caso di matrice simmetrica definita positiva, si ha K(A) = λ MAX λ MIN, (3) con λ MAX e λ MIN autovalore massimo e minimo di A. Il fatto che siano presenti gli errori di arrotondamento fa sì che la matrice A sia memorizzata in una matrice diversa Â, che puó essere scritta come  = A+δA, con δa dovuto agli errori di arrotondamento. Analogamente si memorizza b in ˆb = b+δb. Di conseguenza, il sistema lineare che si sta considerando è effettivamente (A+δA)(x+δx) = b+δb, con δx la perturbazione rispetto alla soluzione del sistema originario. Come visto, δa e δb sono piccoli. Il quesito fondamentale al fine di indagare le proprietà di accuratezza del metodo della fattorizzazione LU è il seguente: parto da perturbazioni piccole sui dati, la perturbazione sulla soluzione δx è piccola? Per rispondere a tale domanda, si consideri la seguente stima (si considera per semplicità il caso δa = 0, ma analoghe conclusioni valgono anche per δa 0): δx x K(A) δb b, che mostra come parto da perturbazioni sui dati piccole, la perturbazione sulla soluzione sia piccola a patto che il numero di condizionamento della matrice sia piccolo. Matrici malcondizionate (K(A) grande) possono quindi portare a delle soluzioni assolutamente sbagliate. In vista della (3), si ha che per matrici simmetriche definite positive, più gli autovalori sono dispersi in una grande regione, più l accuratezza della soluzione è scarsa. Fenomeno del fill-in. Si definisca innanzitutto una matrice sparsa. Una matrice è detta sparsa se il numero di elementi diversi da zero è asintotico di n. Si noti come gli elementi di una matrice siano n 2, quindi c è una grandissima dominanza di elementi nulli. Le matrici sparse sono fondamentali perchè nella risoluzione di problemi agli elementi finiti, volumi finiti, etc, si ha alla fine a che fare con esse. Per ottimizzare l occupazione di memoria (che assieme all accuratezza e alla velocità caratterizzano un metodo numerico) si può dopo il MEG sovrascrivere gli elementi del fattore 7
8 L nella parte triangolare inferiore di A, lasciando gli elementi diagonali alla memorizzazione del fattore U, visto che si sa a priori che L ii = 1. In questo modo, si mette a disposizione un occupazione di memoria per A e non se ne chiede altra per memorizzare i fattori L e U, ma si usa quella disponibile. In una situazione in cui la memorizzazione dei fattori richiederebbe più memoria di quanta se ne è messa a disposizione per A non sarebbe gradita. Si ha il seguente risultato: Se A è sparsa, in generale L e U sono pieni. Priamo ad esempio un elemento a ij, i > j e si supponga che a ij = 0. Allora, in generale, non si può sperare che l ij = 0! Ciò implica che l occupazione di memoria richiesta dai fattori L e U è molto maggiore di quella di A (n 2 celle di memoria contro le circa n). Per questo motivo la fattorizzazione LU è altamente sconsigliabile per la risoluzione di sistemi lineari con matrici sparse. Si fa notare che la soluzione che si otterrebbe sarebbe comunque esatta e la velocità del MEG sarebbe sempre la stessa; il fatto che si sconsigli tale tecnica in tale situazione è da ricondursi unicamente a questioni di occupazione di memoria. 8
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
Dettagli9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A = LU
9 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione P A LU 9.1 Il metodo di Gauss Come si è visto nella sezione 3.3, per la risoluzione di un sistema lineare si può considerare al posto
DettagliLEZIONE 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
DettagliCorso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con
DettagliParte 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
Dettagli4. 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:
DettagliAPPUNTI 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....................................
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliMetodi diretti per la soluzione di sistemi lineari
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 3 + + a 1n x n = b 1, a 21 x 1 + a 22 x
Dettagli2.1 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
DettagliDimensione 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
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Sistemi di Numerazione Sistema decimale La
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
Dettaglix 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
DettagliEsercizi 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
DettagliSpazi 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
DettagliRICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come
RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può
DettagliDiagonalizzazione 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
DettagliRicerca 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.
DettagliEsempio. 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
DettagliCondizionamento 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
DettagliPolitecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).
Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................
DettagliParte 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
DettagliESERCIZI 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
DettagliEsponenziali elogaritmi
Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.
DettagliDocumentazione esterna al software matematico sviluppato con MatLab
Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno
DettagliI PROBLEMI ALGEBRICI
I PROBLEMI ALGEBRICI La risoluzione di problemi è una delle attività fondamentali della matematica. Una grande quantità di problemi è risolubile mediante un modello algebrico costituito da equazioni e
DettagliLezione 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
DettagliSISTEMI LINEARI QUADRATI: METODI ITERATIVI
SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C
DettagliSequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione
Sequenziamento a minimo costo di commutazione in macchine o celle con costo lineare e posizione home (In generale il metodo di ottimizzazione presentato in questo file trova la seq. a costo minimo per
Dettaglie-dva - eni-depth Velocity Analysis
Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa
DettagliIniziamo 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
DettagliEsercizi di Macroeconomia per il corso di Economia Politica
Esercizi di Macroeconomia per il corso di Economia Politica (Gli esercizi sono suddivisi in base ai capitoli del testo di De Vincenti) CAPITOLO 3. IL MERCATO DEI BENI NEL MODELLO REDDITO-SPESA Esercizio.
DettagliMatematica generale CTF
Successioni numeriche 19 agosto 2015 Definizione di successione Monotonìa e limitatezza Forme indeterminate Successioni infinitesime Comportamento asintotico Criterio del rapporto per le successioni Definizione
DettagliMATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010
elementi di teoria dei grafi anno acc. 2009/2010 Grafi semplici Un grafo semplice G è una coppia ordinata (V(G), L(G)), ove V(G) è un insieme finito e non vuoto di elementi detti vertici o nodi di G, mentre
DettagliLe 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,
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliLogica Numerica Approfondimento 1. Minimo Comune Multiplo e Massimo Comun Divisore. Il concetto di multiplo e di divisore. Il Minimo Comune Multiplo
Logica Numerica Approfondimento E. Barbuto Minimo Comune Multiplo e Massimo Comun Divisore Il concetto di multiplo e di divisore Considerato un numero intero n, se esso viene moltiplicato per un numero
DettagliAppunti sulla Macchina di Turing. Macchina di Turing
Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso
DettagliIntroduzione. Rappresentazione di numeri in macchina, condizion
Introduzione. Rappresentazione di numeri in macchina, condizionamento e stabilità Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di
DettagliLEZIONE 31. B i : R n R. R m,n, x = (x 1,..., x n ). Allora sappiamo che è definita. j=1. a i,j x j.
LEZIONE 31 31.1. Domini di funzioni di più variabili. Sia ora U R n e consideriamo una funzione f: U R m. Una tale funzione associa a x = (x 1,..., x n ) U un elemento f(x 1,..., x n ) R m : tale elemento
Dettagli1 Giochi a due, con informazione perfetta e somma zero
1 Giochi a due, con informazione perfetta e somma zero Nel gioco del Nim, se semplificato all estremo, ci sono due giocatori I, II e una pila di 6 pedine identiche In ogni turno di gioco I rimuove una
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliLuigi 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,
DettagliMetodi 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
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliIl principio di induzione e i numeri naturali.
Il principio di induzione e i numeri naturali. Il principio di induzione è un potente strumento di dimostrazione, al quale si ricorre ogni volta che si debba dimostrare una proprietà in un numero infinito
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliANALISI 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
DettagliB9. Equazioni di grado superiore al secondo
B9. Equazioni di grado superiore al secondo Le equazioni di terzo grado hanno una, due o tre soluzioni, risolvibili algebricamente con formule molto più complesse di quelle dell equazione di secondo grado.
DettagliAutovalori 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
DettagliEsercizi svolti sui numeri complessi
Francesco Daddi - ottobre 009 Esercizio 1 Risolvere l equazione z 1 + i = 1. Soluzione. Moltiplichiamo entrambi i membri per 1 + i in definitiva la soluzione è z 1 + i 1 + i = 1 1 + i z = 1 1 i. : z =
DettagliSoluzione degli esercizi sul moto rettilineo uniformemente accelerato
Liceo Carducci Volterra - Classe 3 a B Scientifico - Francesco Daddi - 8 novembre 00 Soluzione degli esercizi sul moto rettilineo uniformemente accelerato Esercizio. Un corpo parte da fermo con accelerazione
Dettagli4 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~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliEsercizi sul moto rettilineo uniformemente accelerato
Liceo Carducci Volterra - Classe 3 a B Scientifico - Francesco Daddi - 8 novembre 010 Esercizi sul moto rettilineo uniformemente accelerato Esercizio 1. Un corpo parte da fermo con accelerazione pari a
DettagliApplicazioni lineari
Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av
DettagliOttimizzazione Multi Obiettivo
Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali
DettagliTutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica
Universitá degli Studi Roma Tre - Corso di Laurea in Matematica Tutorato di GE110 A.A. 2014-2015 - Docente: Prof. Angelo Felice Lopez Tutori: Federico Campanini e Giulia Salustri Soluzioni Tutorato 13
DettagliESERCIZI APPLICAZIONI LINEARI
ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W
Dettagli1 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 "!$%!
DettagliStudente: 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
DettagliLezioni di Matematica 1 - I modulo
Lezioni di Matematica 1 - I modulo Luciano Battaia 16 ottobre 2008 Luciano Battaia - http://www.batmath.it Matematica 1 - I modulo. Lezione del 16/10/2008 1 / 13 L introduzione dei numeri reali si può
DettagliLEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3.
7 LEZIONE 7 Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2 2 6x, x3 +2x 2 6x, 3x + x2 2, x3 +2x +3. Le derivate sono rispettivamente,
DettagliIl valore assoluto. F. Battelli Università Politecnica delle Marche, Ancona. Pesaro, Precorso di Analisi 1, 22-28 Settembre 2005 p.
Il valore assoluto F Battelli Università Politecnica delle Marche Ancona Pesaro Precorso di Analisi 1 22-28 Settembre 2005 p1/23 Il valore assoluto Si definisce il valore assoluto di un numero reale l
DettagliMatematica generale CTF
Equazioni differenziali 9 dicembre 2015 Si chiamano equazioni differenziali quelle equazioni le cui incognite non sono variabili reali ma funzioni di una o più variabili. Le equazioni differenziali possono
DettagliLE SUCCESSIONI 1. COS E UNA SUCCESSIONE
LE SUCCESSIONI 1. COS E UNA SUCCESSIONE La sequenza costituisce un esempio di SUCCESSIONE. Ecco un altro esempio di successione: Una successione è dunque una sequenza infinita di numeri reali (ma potrebbe
DettagliPercorsi 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
DettagliDeterminante 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
DettagliParte 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
DettagliESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2004
ESAME DI STAT DI LICE SCIENTIFIC CRS SPERIMENTALE P.N.I. 004 Il candidato risolva uno dei due problemi e 5 dei 0 quesiti in cui si articola il questionario. PRBLEMA Sia la curva d equazione: ke ove k e
DettagliInformatica. 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
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliTransitori del primo ordine
Università di Ferrara Corso di Elettrotecnica Transitori del primo ordine Si consideri il circuito in figura, composto da un generatore ideale di tensione, una resistenza ed una capacità. I tre bipoli
DettagliMetodi 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
DettagliMicroeconomia, Esercitazione 3 Effetto reddito, sostituzione, variazione compensativa, domanda di mercato, surplus del consumatore.
Microeconomia, Esercitazione 3 Effetto reddito, sostituzione, variazione compensativa, domanda di mercato, surplus del consumatore. Dott. Giuseppe Francesco Gori Domande a risposta multipla ) Se nel mercato
DettagliFondamenti e didattica di Matematica Finanziaria
Fondamenti e didattica di Matematica Finanziaria Silvana Stefani Piazza dell Ateneo Nuovo 1-20126 MILANO U6-368 silvana.stefani@unimib.it 1 Unità 9 Contenuti della lezione Operazioni finanziarie, criterio
DettagliIntroduzione 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
DettagliMATRICI 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
DettagliSISTEMI 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
Dettagli19. Inclusioni tra spazi L p.
19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p
DettagliProgrammazione 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)
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
DettagliNOME:... MATRICOLA:... Scienza dei Media e della Comunicazione, A.A. 2007/2008 Analisi Matematica 1, Esame scritto del 08.02.2008. x 1.
NOME:... MATRICOLA:.... Scienza dei Media e della Comunicazione, A.A. 007/008 Analisi Matematica, Esame scritto del 08.0.008 Indicare per quali R vale la seguente diseguaglianza : + >. Se y - - è il grafico
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliAlgebra e Geometria. Ingegneria Meccanica e dei Materiali Sez (2) Ingegneria dell Automazione Industriale Sez (2)
Algebra e Geometria Ingegneria Meccanica e dei Materiali Sez (2) Ingegneria dell Automazione Industriale Sez (2) Traccia delle lezioni che saranno svolte nell anno accademico 2012/13 I seguenti appunti
DettagliMatematica 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 + +
DettagliCAPITOLO I. Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Programmazione Dinamica
CAPITOLO I. - PROGRAMMAZIONE DINAMICA La programmazione dinamica è una parte della programmazione matematica che si occupa della soluzione di problemi di ottimizzazione di tipo particolare, mediante una
DettagliLEZIONE 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,
Dettagli1 Estensione in strategia mista di un gioco
AVVERTENZA: Di seguito trovate alcuni appunti, poco ordinati e poco formali, che uso come traccia durante le lezioni. Non sono assolutamente da considerarsi sostitutivi del materiale didattico. Riferimenti:
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
DettagliUniversità 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
DettagliAlessandro Pellegrini
Esercitazione sulle Rappresentazioni Numeriche Esistono 1 tipi di persone al mondo: quelli che conoscono il codice binario e quelli che non lo conoscono Alessandro Pellegrini Cosa studiare prima Conversione
DettagliCONTINUITÀ E DERIVABILITÀ Esercizi risolti
CONTINUITÀ E DERIVABILITÀ Esercizi risolti. Determinare kπ/ [cos] al variare di k in Z. Ove tale ite non esista, discutere l esistenza dei iti laterali. Identificare i punti di discontinuità della funzione
Dettaglirazionali 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}
DettagliEsercizi svolti. 1. Si consideri la funzione f(x) = 4 x 2. a) Verificare che la funzione F(x) = x 2 4 x2 + 2 arcsin x è una primitiva di
Esercizi svolti. Si consideri la funzione f() 4. a) Verificare che la funzione F() 4 + arcsin è una primitiva di f() sull intervallo (, ). b) Verificare che la funzione G() 4 + arcsin π è la primitiva
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliAlgebra 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
DettagliDispense di Informatica per l ITG Valadier
La notazione binaria Dispense di Informatica per l ITG Valadier Le informazioni dentro il computer All interno di un calcolatore tutte le informazioni sono memorizzate sottoforma di lunghe sequenze di
Dettagli