Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici"

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

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

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

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

Metodi diretti per la soluzione di sistemi lineari

Metodi 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

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

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

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

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

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

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

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

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

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

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

Corso di Analisi Matematica. Successioni e serie numeriche

Corso di Analisi Matematica. Successioni e serie numeriche a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Successioni e serie numeriche Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

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

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

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

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

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

Documentazione esterna al software matematico sviluppato con MatLab

Documentazione 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

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

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

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

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

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

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

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

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

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

Introduzione. Rappresentazione di numeri in macchina, condizion

Introduzione. 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

Dettagli

Algebra 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) 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

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

Politecnico 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). 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.....................

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

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

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

CAPITOLO I. Prof. Ing. Michele Marra - Appunti delle Lezioni di Ricerca Operativa Programmazione Dinamica

CAPITOLO 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

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 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

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

Indice Elementi di analisi delle matrici I fondamenti della matematica numerica

Indice Elementi di analisi delle matrici I fondamenti della matematica numerica Indice 1. Elementi di analisi delle matrici 1 1.1 Spazivettoriali... 1 1.2 Matrici... 3 1.3 Operazionisumatrici... 4 1.3.1 Inversadiunamatrice... 6 1.3.2 Matricietrasformazionilineari... 7 1.4 Tracciaedeterminante...

Dettagli

Tutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica

Tutorato 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

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

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

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

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

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

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

I PROBLEMI ALGEBRICI

I 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

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

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

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

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

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

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

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

Corso PAS Anno 2014. ESEMPIO. Per n = 3, Z 3 contiene 3 elementi:

Corso PAS Anno 2014. ESEMPIO. Per n = 3, Z 3 contiene 3 elementi: Corso PAS Anno 2014 Matematica e didattica 3 Correzione esercizi 1. Definizione. Sia n un fissato intero maggiore di 1. Dati due interi a, b si dice che a è congruo a b modulo n, e si scrive a b (mod n),

Dettagli

Esercizi svolti sui numeri complessi

Esercizi 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 =

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

B9. Equazioni di grado superiore al secondo

B9. 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.

Dettagli

5.4 Solo titoli rischiosi

5.4 Solo titoli rischiosi 56 Capitolo 5. Teoria matematica del portafoglio finanziario II: analisi media-varianza 5.4 Solo titoli rischiosi Suppongo che sul mercato siano presenti n titoli rischiosi i cui rendimenti aleatori sono

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

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

MATEMATICA DEL DISCRETO elementi di teoria dei grafi. anno acc. 2009/2010

MATEMATICA 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

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

(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 di Matematica 1 - I modulo

Lezioni 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

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

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

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

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

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

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

PRIMAVERA IN BICOCCA

PRIMAVERA IN BICOCCA PRIMAVERA IN BICOCCA 1. Numeri primi e fattorizzazione Una delle applicazioni più rilevanti della Teoria dei Numeri si ha nel campo della crittografia. In queste note vogliamo delineare, in particolare,

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

3.1 Successioni. R Definizione (Successione numerica) E Esempio 3.1 CAPITOLO 3

3.1 Successioni. R Definizione (Successione numerica) E Esempio 3.1 CAPITOLO 3 CAPITOLO 3 Successioni e serie 3. Successioni Un caso particolare di applicazione da un insieme numerico ad un altro insieme numerico è quello delle successioni, che risultano essere definite nell insieme

Dettagli

LE FUNZIONI A DUE VARIABILI

LE 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

Dettagli

Studio di una funzione ad una variabile

Studio di una funzione ad una variabile Studio di una funzione ad una variabile Lo studio di una funzione ad una variabile ha come scopo ultimo quello di pervenire a un grafico della funzione assegnata. Questo grafico non dovrà essere preciso

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo 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

Corso di Analisi Matematica Serie numeriche

Corso di Analisi Matematica Serie numeriche Corso di Analisi Matematica Serie numeriche Laurea in Informatica e Comunicazione Digitale A.A. 2013/2014 Università di Bari ICD (Bari) Analisi Matematica 1 / 25 1 Definizione e primi esempi 2 Serie a

Dettagli

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche

1.2 Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche . Funzioni, dominio, codominio, invertibilità elementare, alcune identità trigonometriche Per le definizioni e teoremi si fa riferimento ad uno qualsiasi dei libri M.Bertsch - R.Dal Passo Lezioni di Analisi

Dettagli

( x) ( x) 0. Equazioni irrazionali

( 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

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

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei

Dettagli

3 GRAFICI DI FUNZIONI

3 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

Dettagli

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A.

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A. APPLICAZIONI LINEARI Siano V e W due spazi vettoriali, di dimensione m ed n sullo stesso campo di scalari R. Una APPLICAZIONE ƒ : V W viene definita APPLICAZIONE LINEARE od OMOMORFISMO se risulta, per

Dettagli

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE

LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali

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

Esercizi di Macroeconomia per il corso di Economia Politica

Esercizi 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.

Dettagli

risulta (x) = 1 se x < 0.

risulta (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

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

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

Studio di funzioni ( )

Studio di funzioni ( ) Studio di funzioni Effettuare uno studio qualitativo e tracciare un grafico approssimativo delle seguenti funzioni. Si studi in particolare anche la concavità delle funzioni e si indichino esplicitamente

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Funzioni di trasferimento: stabilità, errore a regime e luogo delle radici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail:

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

Esercizi di Ricerca Operativa I

Esercizi di Ricerca Operativa I Esercizi di Ricerca Operativa I Dario Bauso, Raffaele Pesenti May 10, 2006 Domande Programmazione lineare intera 1. Gli algoritmi per la programmazione lineare continua possono essere usati per la soluzione

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione

Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Esercitazione in Laboratorio: risoluzione di problemi di programmazione lineare tramite Excel il mix di produzione Versione 11/03/2004 Contenuto e scopo esercitazione Contenuto esempi di problema di programmazione

Dettagli