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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimensione: px
Iniziare la visualizzazioe della pagina:

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

Transcript

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

2 Elementi Finiti 2D Consideriamo 3 aspetti per la descrizione di elementi finiti bidimensionali: TRIANGOLAZIONE: esistenza di una triangolazione o reticolazione del dominio Ω, che supporremo dominio poligonale; SOTTOSPAZI: la costruzione di sottospazi di dimensione finita; BASI: l esistenza di funzioni di base con supporto limitato. ANALISI NUMERICA p.2/23

3 Elementi Finiti 2D: triangolazione Ω R 2 di forma poligonale, possiamo associare una partizione T h in poligoni K t.c. Ω = K T h K (1) int(k) : l interno di ogni poligono K T h è non vuoto; (2) int(k 1 ) int(k 2 ) = per ogni K 1, K 2 T h con K 1 K 2 ; (3) se F = K 1 K2 con K 1, K 2 T h e K 1 K 2 allora F è un lato o un vertice della griglia; (4) sia h K il diametro di K, definiamo h = max K T h h K, spaziatura della griglia. Ricordiamo che il diametro di un oggetto geometrico K viene definito come la massima distanza tra due elementi appartenenti ad esso h K = max x,y K x y T h viene detta reticolazione o triangolazione di Ω. ANALISI NUMERICA p.3/23

4 Elementi Finiti 2D: triangolazione la condizione (2) richiede che le parti interne di elementi distinti non si sovrappongano; la (3) limita le triangolazioni ammissibili a quelle conformi; Non sono soddisfatte le proprietà (1) (2) (3): Proprietà soddisfatte: ANALISI NUMERICA p.4/23

5 Elementi Finiti 2D: triangolazione si considerano triangolazioni regolari: se esiste una costante β indipendente da h tale che h K ρ K < β con ρ K si indica la sfericità di K ovvero il diametro del cerchio inscritto. Si escludono elementi molto schiacciati. Si possono distinguere le griglie in strutturate: essenzialmente formate da elementi quadrangolari con accesso immediato ai vertici adiacenti ad un dato nodo, grazie alla struttura; codici più efficienti per calcolo e memoria; non strutturate: l associazione tra un elemento della griglia e i suoi vertici deve essere esplicitamente memorizzata nella matrice delle connettività; maggiore flessibiltà per triangolare domini di forma complessa; possibilità di raffinamenti locali. ANALISI NUMERICA p.5/23

6 Elementi Finiti 2D: sottospazi Vogliamo determinare uno spazio a dimensione finita V h, adatto per l approssimazione dello spazio a dimensione infinita V, cercheremo spazi di funzioni polinomiali a tratti: V h = X r h := {v h C 0 (Ω) : v h K P r, K T h } dove con P r denotiamo polinomi algebrici. In particolare denotiamo con P r lo spazio dei polinomi di grado r nelle variabili x, y; P r = {p(x, y) : p(x, y) = n+m r 0 m,n r α mn x m y n } P 1 =< 1, x, y >: Spazio dei polinomi lineari P 2 = P 1 < x 2, xy, y 2 >: Spazio dei polinomi quadratici dim P r = (r+1)(r+2) 2 ad esempio dim P 1 = 3, dim P 2 = 6, dim P 3 = 10. ANALISI NUMERICA p.6/23

7 Elementi Finiti 2D: sottospazi Vogliamo determinare uno spazio a dimensione finita V h, adatto per l approssimazione dello spazio a dimensione infinita V, cercheremo spazi di funzioni polinomiali a tratti: V h = X r h := {v h C 0 (Ω) : v h K P r, K T h } dove con P r denotiamo polinomi algebrici. In particolare denotiamo con Q r lo spazio dei polinomi di grado r in ogni variabile x, y; Q r = {p(x, y) : p(x, y) = 0 m,n r α mn x m y n } Q 1 =< 1, x, y, xy >=< 1, x > < 1, y >: Spazio dei polinomi bilineari Q 2 =< 1, x, x 2 > < 1, y, y 2 >: Spazio dei polinomi biquadratici. dim Q r = (r + 1) 2 ad esempio dim Q 1 = 4, dim Q 2 = 9, dim Q 3 = 16. ANALISI NUMERICA p.7/23

8 Elementi Finiti 2D: sottospazi Definiamo due tipi di sottospazi V h a seconda del tipo di elemento su cui sono definiti (triangolare rettangolare): elementi finiti triangolari: X r h = {v h C 0 (Ω) : v h K P r, K T h } elementi finiti rettangolari: X r h = {v h C 0 (Ω) : v h K Q r, K T h } In entrambi i casi X h H 1 (Ω), r 1 infatti si può dimostrare che condizione necessaria e sufficiente affinchè una funzione v appartenga a H 1 (Ω) è che v C 0 (Ω); v K H 1 (K), K T h. Quindi gli spazi definiti X r h, Xr h sono idonei ad approssimare H 1 (Ω). ANALISI NUMERICA p.8/23

9 Elementi Finiti 2D: gradi di libertà e basi Consideriamo la scelta dei gradi di libertà in ogni elemento K con il vincolo che la funzione v h sia C 0 in tutto il dominio: elementi finiti triangolari: r = 1 : dim P 1 = 3, si devono scegliere 3 gradi di libertà in ogni elemento, la scelta più semplice: valori ai vertici di K. r = 2 : dim P 2 = 6, si scelgono i valori nei seguenti nodi i vertici di K e i punti medi di ogni lato. r = 3 : dim P 3 = 10, si scelgono i valori nei seguenti nodi i vertici di K, 2 equispaziati per ogni lato e il centro di gravità. r = 1 r = 2 r = 3 Sui nodi scelti costruiamo la base lagrangiana (nodale). ANALISI NUMERICA p.9/23

10 Elementi Finiti 2D: gradi di libertà e basi Consideriamo la scelta dei gradi di libertà in ogni elemento K con il vincolo che la funzione v h sia C 0 in tutto il dominio: elementi finiti rettangolari K = [0, 1] 2 : r = 1 : dim Q 1 = 4, valori ai vertici del quadrato. r = 2 : dim Q 2 = 9, si scelgono i valori nei seguenti nodi i vertici di K, i punti medi di ogni lato e centro di gravità. r = 3 : dim Q 3 = 16, si scelgono i valori nei seguenti nodi i vertici di K e i punti di coordinate 1/3, 2/3. r = 1 r = 2 r = 3 ANALISI NUMERICA p.10/23

11 Elementi Finiti 2D: elemento di riferimento Anche nel bidimensionale è possibile ricondursi ad un elemento di riferimento tramite una trasformazione affine invertibile: Φ K : K K Φ K (ξ) = B K ξ + b K, B K R 2 2, b K R 2 Φ K ( K) = K la scelta dell elemento di riferimento K non è univoca. Consideremo i seguenti due casi: K è un triangolo di vertici allora K = Φ K ( K) è un triangolo. K è un quadrato di vertici (0, 0), (0, 1), (1, 0), (0, 0), (0, 1), (1, 0), (1, 1) allora K = Φ K ( K) è un parallelogramma/rettangolo. ANALISI NUMERICA p.11/23

12 Elementi Finiti 2D: elemento di riferimento { K, P r, Σ} {K, P r, Σ} Φ K ( K) = K Φ K (ξ) = x v(ξ) = v(φ K (ξ)) P r v(x) = v(φ 1 K (x)) P r P r = {v : K R : v Φ K P r } ANALISI NUMERICA p.12/23

13 Pb. di POISSON (2D) con elementi finiti Consideriamo il caso di Dirichlet omogeneo, sul dominio limitato Ω R 2 : u = f, in Ω u = 0, su Ω Posto V h = X r h e V 0h = {v h V h : v h Ω = 0}, la forma debole risulta trovare u V 0h : Ω u h v h dω = Ω fv h dω, v h V 0h. Scegliamo una base lagrangiana definita sull insieme dei nodi N i, i = 1,..., N h della triangolazione T h esclusi quelli di bordo in cui v h = 0, dove N h = dim V 0h : ϕ i (N j ) = δ ij = 1, i = j 0, i j una generica v h V 0h può essere espressa come v h (x) = N h i=1 i = 1,..., N h v i ϕ i (x), x Ω, v i = v h (N i ). ANALISI NUMERICA p.13/23

14 Pb. di POISSON (2D) con elementi finiti Esprimendo la soluzione discreta u h come u h (x) = N h i=1 u iϕ i (x), u i = u h (N i ) ed imponendo a(u h, ϕ i ) = F (ϕ i ), i = 1,..., N h si ottengono N h equazioni in N h incognite: Ω ϕ j ϕ i dω = Ω fϕ i dω Si ottiene il sistema lineare Au = f - A R N h N h : A ij = Ω ϕ j ϕ i dω; - f R N h: vettore dati, f i = Ω fϕ i dω; - u R N h: vettore incognite, u i = u i = u h (N i ). ANALISI NUMERICA p.14/23

15 Pb. di POISSON (2D) non omogeneo u = f, u = g, in Ω su Ω Nel caso non omogeneo ci si può ricondurre al caso omogeneo attraverso un rilevamento di un approssimazione del dato di bordo: l insieme totale dei nodi {N i : i = 1,..., Nh t } può essere diviso in {N i : i = 1,..., N h }: nodi interni di T h {N i : i = N h + 1,..., Nh t }: nodi di bordo, con N h b = N h t N h Una approssimazione del dato di bordo g: g h = N t h i=n h +1 g(n i )ϕ i Ω (x), x Ω Il suo rilevamento R gh X r h : N t h i=n h +1 g(n i )ϕ i (x), x Ω ANALISI NUMERICA p.15/23

16 Pb. di POISSON (2D) non omogeneo La formulazione ad elementi finiti diventa: trovare ũ h V 0h t.c. ũ h v h dω = fv h dω R gh v h dω v h V 0h Ω Ω Ω la soluzione approssimata sarà u h = ũ h + R gh Grazie alla scelta del rilevamento si ottiene un sistema lineare della forma Au = f Bg - A R N h N h : A ij = Ω ϕ j ϕ i dω; - f R N h: vettore dati, f i = Ω fϕ i dω; - u R N h: vettore incognite, u i = u i = ũ h (N i ). -g R N b h: g i = g(n i+nh ), i = 1,..., N b h, -B R N h N b h: b i,j = Ω ϕ j+n h ϕ i dω, i = 1,..., N h, j = 1,..., N b h. Anche la matrice B è sparsa e in particolare ha nulle le righe corrispondenti a nodi non adiacenti ad un nodo di bordo. ANALISI NUMERICA p.16/23

17 Pb. di POISSON (2D) con elementi finiti r = 1: Il supporto della generica funzione di base ϕ i è formato dai triangoli che hanno N i come nodo; A è sparsa e il numero degli elementi diversi da zero è dell ordine di N h : a ij 0 N j, N i, sono nodi dello stesso triangolo; nel caso di elementi triangolari A non ha in generale una struttura definita ma dipende da come sono ordinati i nodi gli a ij possono essere calcolati come somma dei contributi dei differenti elementi a ij = a K (ϕ j, ϕ i ), a K (ϕ j, ϕ i ) := ϕ j (x) ϕ i (x) dx K T K h nel caso triangolare supponiamo N i, N j, N k siano i vetrici del triangolo K, si ottiene una matrice locale relativa a K: a K (ϕ i, ϕ i ) a K (ϕ j, ϕ i ) a K (ϕ k, ϕ i ) a K (ϕ i, ϕ j ) a K (ϕ j, ϕ j ) a K (ϕ k, ϕ j ) a K (ϕ i, ϕ k ) a K (ϕ j, ϕ k ) a K (ϕ k, ϕ k ) La matrice globale può essere calcolata utilizzando le matrici locali relative ad ogni K T h, procedimento chiamato assemblaggio. ANALISI NUMERICA p.17/23

18 Pb. di POISSON (2D) : implementazione Consideriamo le trasformazioni affini Φ K, K T h e restringiamo gli integrali della matrice di stiffness ai singoli elementi K = Φ K (K): K ϕ j (x) ϕ i (x) dx = ϕ i (Φ K (ξ)) = ϕ α (ξ) K ϕ j (Φ K (ξ)) ϕ i (Φ K (ξ)) det J ΦK (ξ) dξ x = x(ξ) = Φ K (ξ) ξ = ξ(x) = Φ 1 K (x) ϕ i (Φ K (ξ)) = J T Φ 1 ϕ α(ξ) K (x) = J T Φ 1 (x) ϕ α(ξ) J T K Φ 1 ϕ β(ξ) det J K (x) ΦK (ξ) dξ K i termini J T dipendono dalla geometria del problema; Φ 1 K (ξ) i termini ϕ possono essere calcolati a mano una volta per tutte. ANALISI NUMERICA p.18/23

19 Condizionamento della Matrice di rigidezza κ 2 (A) = Ch 2 La matrice A associata al problema di Galerkin in generale e al metodo degli elementi finiti, in particolare, è definita positiva e simmetrica solo se la forma bilineare a(, ) è simmetrica. Per cui il condizionamento in norma 2 è dato da: κ 2 (A) = λ max(a) λ min(a) Gli autovalori di A verificano Av = λ h v, v autovettore associato all autovalore λ h. Sia v h V h unico elemento che assume nei nodi i valori v i componenti di v. Poichè A è definita positiva e simmetrica, λ h > 0 e λ h = vt Av v 2 = a(v h, v h ) v 2. Supponiamo che le triangolazioni T h, h > 0 siano regolari e quasi-uniformi: min K Th h K τh, τ > 0, h > 0 in tal caso vale la disuguaglianza inversa C I > 0 : v h V h v h L 2 (Ω) C Ih 1 v h L 2 (Ω) ANALISI NUMERICA p.19/23

20 Condizionamento della Matrice di rigidezza κ 2 (A) = Ch 2 Denotando con d la dimensione spaziale, esistono due costanti C 1, C 2 > 0 t.c. C 1 h d v 2 v h 2 L 2 (Ω) C 2h d v 2 ne segue per quanto visto prima e applicando continuità e coercività di a(, ): v h 2 H α 1 (Ω) v 2 λ h = a(v h, v h ) v h 2 H v 2 M 1 (Ω) v 2 abbiamo v h 2 H 1 (Ω) v h 2 L 2 (Ω) per definizione di norma in H 1 (Ω), mentre per la disuguaglianza inversa C 3 > 0 t.c. v h H 1 (Ω) C 3h 1 v h L 2 (Ω), si ottiene v h 2 L α 2 (Ω) v 2 v h 2 H α 1 (Ω) v 2 λ h M v h 2 H 1 (Ω) v 2 vh 2 2 L MC 3 h 2 (Ω) v 2 αc 1 h d v 2 v h 2 v 2 α L 2 (Ω) v 2 vh 2 2 L λ h MC 3 h 2 (Ω) v 2 αc 1 h d λ h MC 3 h 2 C 2 h d v 2 v 2 λ max(a) λ min(a) MC 3 h 2 C 2 h d v 2 v 2 MC 2C 3 h 2 αc 1 ANALISI NUMERICA p.20/23

21 Errore di discretizzazione in V h Grazie al Lemma di Cèa: u u h V M α inf w h V h u w h V dove V = H 1 (Ω) vogliamo saper quanto può essere piccolo u w h V. Tale quantità dipende dallo spazio scelto. Come nel caso monodimensionale inf u w h V u Π r h u V = w h V h ( Ω...) 1/2 = K T h K... Consideriamo l errore di interpolazione in ogni elemento, m r + 1, r 1: 1/2 u Π r h u H m (K) C hr+1 K ρ m K u H r+1 (K), u Hr+1 (K) da cui l errore di interpolazione globale per triangolazioni regolari ( h K ρk m = 0, 1 u Π r h u H m (Ω) C h 2(r+1 m) K u 2 H r+1 (K) K T h u Π r h u H m (Ω) Ch r+1 m u H r+1 (Ω) 1/2 < β), u H r+1 (Ω) ANALISI NUMERICA p.21/23

22 Errore di discretizzazione in V h da cui si ottiene la seguente stima apriori per l errore di discretizzazione per u H r+1 (Ω) u u h H 1 (Ω) M α C h 2(r) K u 2 H r+1 (K) K T h 1/2 u u h H 1 (Ω) Ch r u H r+1 (Ω) Anche in questo caso, per aumentare l accuratezza si può diminuire h, ovvero raffinare la griglia aumentare r, ovvero utilizzare elementi finiti di grado più elevato, (solo se la soluzione è sufficientemente regolare). Infine possiamo concludere che se u H p+1 (I), p > 0 u u h H 1 (Ω) Chs u H s+1 (Ω), s = min{r, p} ANALISI NUMERICA p.22/23

23 Cenni sull adattività della griglia Una griglia efficiente deve ottimizzare gli elementi necessari per ottenere l accuratezza desiderata. Analizzando la stima dell errore dipendente da h occorre raffinare la reticolazione ovunque h K possiamo tener conto del comportamento locale della soluzione da e raffinare solo dove necessario: u H r+1 (K) si vuol equidistribuire l errore, ovvero vorremmo che K T h h r K u H r+1 (K) η dove η è una costante dipendente dall accuratezza richiesta. grandi valori di u H r+1 (K) devono essere bilanciati da h K piccoli : h adattività; r grandi : p adattività. In generale la soluzione non è nota, quindi non si può utilizzare la stima a priori dell errore, ma si possono seguire le seguenti strategie: adattività a priori: si usa la stima a priori dell errore su una approssimazione della soluzione esatta facilmente calcolabile su ogni singolo elemento. adattività a posteriori: necessita di una stima dell errore tramite la soluzione approssimata u h, si tratta di iterare le fasi di risoluzione, stima errore e modifica griglia fin a raggiungimento della precisione richiesta. ANALISI NUMERICA p.23/23

Elementi Finiti: stime d errore e adattività della griglia

Elementi Finiti: stime d errore e adattività della griglia Elementi Finiti: stime d errore e adattività della griglia Elena Gaburro Università degli studi di Verona Master s Degree in Mathematics and Applications 05 giugno 2013 Elena Gaburro (Università di Verona)

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

Approssimazione polinomiale di funzioni e dati

Approssimazione polinomiale di funzioni e dati Approssimazione polinomiale di funzioni e dati Approssimare una funzione f significa trovare una funzione f di forma più semplice che possa essere usata al posto di f. Questa strategia è utilizzata nell

Dettagli

ELEMENTI TRIANGOLARI E TETRAEDRICI A LATI DIRITTI

ELEMENTI TRIANGOLARI E TETRAEDRICI A LATI DIRITTI EEMENTI TRIANGOARI E TETRAEDRICI A ATI DIRITTI Nella ricerca di unificazione delle problematiche in vista di una generalizzazione delle procedure di sviluppo di elementi finiti, gioca un ruolo importante

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

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

TECNICHE COMPUTAZIONALI AVANZATE

TECNICHE COMPUTAZIONALI AVANZATE TECNICHE COMPUTAZIONALI AVANZATE Francesca Pelosi e Salvatore Filippone Università di Roma Tor Vergata Problemi di diffusione, trasporto, reazione 2D http://www.mat.uniroma2.it/ pelosi/ TECNICHE COMPUTAZIONALI

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

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

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

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

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

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici

Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici Corso di Geometria e Algebra Lineare - Sezione di Metodi Numerici C. Vergara 3. Metodo della fattorizzazione LU per la risoluzione di un sistema lineare Errori di arrotondamento. Prima di affrontare la

Dettagli

Modelli di Ottimizzazione

Modelli di Ottimizzazione Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo

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

ANALISI ISOGEOMETRICA (IgA) Un'introduzione. Maria Lucia Sampoli. Universita' degli Studi di Siena

ANALISI ISOGEOMETRICA (IgA) Un'introduzione. Maria Lucia Sampoli. Universita' degli Studi di Siena ANALISI ISOGEOMETRICA (IgA) Un'introduzione Maria Lucia Sampoli Universita' degli Studi di Siena PDE Equazione differenziale nella funzione incognita u = u(t, x 1,..., x d ) F (x, t, u, u t, u x 1,...,

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

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24 Contenuto Endomorfismi auto-aggiunti. Matrici simmetriche. Il teorema spettrale Gli autovalori di una matrice simmetrica sono tutti reali. (Dimostrazione fatta usando i numeri complessi). Dimostrazione

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

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

APPLICAZIONI LINEARI

APPLICAZIONI 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)

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

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

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

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

Dettagli

Parte 2. Determinante e matrice inversa

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

Dettagli

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

(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

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Una immagine (digitale) permette di percepire solo una rappresentazione 2D del mondo La visione 3D si pone lo scopo di percepire il mondo per come è in 3 dimensioni

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

Appunti sul corso di Complementi di Matematica- modulo Analisi Prof. B.Bacchelli

Appunti sul corso di Complementi di Matematica- modulo Analisi Prof. B.Bacchelli Appunti sul corso di Complementi di Matematica- modulo Analisi Prof. B.Bacchelli 09- Integrale doppio: Riferimenti: R.Adams, Calcolo ifferenziale 2. Capitoli 5.1, 5.2, 5.4. Esercizi 5.3, 5.4 Integrale

Dettagli

Applicazioni lineari

Applicazioni 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

Dettagli

Interpolazione ed approssimazione di funzioni

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

Dettagli

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

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2002 Sessione suppletiva

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2002 Sessione suppletiva ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. Sessione suppletiva Il candidato risolva uno dei due problemi e dei quesiti in cui si articola il questionario. PROBLEMA Nel piano riferito

Dettagli

2. Differenze Finite. ( ) si

2. Differenze Finite. ( ) si . Differenze Finite In questa Nota tratteremo della soluzione numerica di equazioni a derivate parziali scalari attraverso il metodo delle differenze finite. In particolare, affronteremo il problema della

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 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

Introduzione a FreeFem++

Introduzione a FreeFem++ Introduzione a FreeFem++ Manolo Venturin EnginSoft, Padova 14 maggio 2012 M. Venturin (EnginSoft) Introduzione a FreeFem++ 14 maggio 2012 1 / 35 Indice della presentazione Indice 1 Introduzione Caratteristiche

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

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA COGNOME NOME CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA SIMULAZIONE SCRITTO DI MATEMATICA DISCRETA, SECONDA PARTE Per ottenere la sufficienza bisogna rispondere in modo corretto ad almeno

Dettagli

Introduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.

Introduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema. Introduzione al Metodo agli Elementi Finiti (FEM) Consideriamo come problema test l equazione di Poisson 2 u x 2 + 2 u = f(x, y) u = f y2 definita su un dominio Ω R 2 avente come frontiera la curva Γ,

Dettagli

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano

Capitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S

Dettagli

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2

Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2 NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione

Dettagli

Funzioni di più variabili. Ottimizzazione libera e vincolata

Funzioni di più variabili. Ottimizzazione libera e vincolata libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di

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

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

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

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

Esercizi di Analisi Matematica

Esercizi di Analisi Matematica Esercizi di Analisi Matematica CAPITOLO 1 LE FUNZIONI Exercise 1.0.1. Risolvere le seguenti disuguaglianze: (1) x 1 < 3 () x + 1 > (3) x + 1 < 1 (4) x 1 < x + 1 x 1 < 3 x + 1 < 3 x < 4 Caso: (a): x 1

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

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

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

Sistemi Informativi Territoriali. Map Algebra

Sistemi Informativi Territoriali. Map Algebra Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori

Dettagli

Dimensione di uno Spazio vettoriale

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

Dettagli

Corso di 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

Massimi e minimi vincolati di funzioni in due variabili

Massimi e minimi vincolati di funzioni in due variabili Massimi e minimi vincolati di funzioni in due variabili I risultati principali della teoria dell ottimizzazione, il Teorema di Fermat in due variabili e il Test dell hessiana, si applicano esclusivamente

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

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

Appunti di Algebra Lineare

Appunti di Algebra Lineare Appunti di Algebra Lineare Indice 1 I vettori geometrici. 1 1.1 Introduzione................................... 1 1. Somma e prodotto per uno scalare....................... 1 1.3 Combinazioni lineari e

Dettagli

Il metodo di Galerkin Elementi Finiti Lineari

Il metodo di Galerkin Elementi Finiti Lineari Il metodo di Galerkin Elementi Finiti Lineari Si consideri il problema: u(x) = f(x), x (, ), u() = 0, u() = 0. Se ne fornisca la corrispondente formulazione debole. Si costruiscano inoltre la matrice di

Dettagli

4. Proiezioni del piano e dello spazio

4. Proiezioni del piano e dello spazio 4. Proiezioni del piano e dello spazio La visualizzazione di oggetti tridimensionali richiede di ottenere una vista piana dell'oggetto. Questo avviene mediante una sequenza di operazioni. Innanzitutto,

Dettagli

ESERCIZI APPLICAZIONI LINEARI

ESERCIZI 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

Dettagli

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare

Ricerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista

Dettagli

Approssimazione di PDE con il metodo della decomposizione di domini (DD)

Approssimazione di PDE con il metodo della decomposizione di domini (DD) Capitolo 4 Approssimazione di PDE con il metodo della decomposizione di domini (DD) Prof. Alfio Quarteroni 4.1 Introduzione Sia Ω un dominio di dimensione d, per d = 2, 3, con frontiera Lipschitziana Ω;

Dettagli

Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3

Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3 1 FUNZIONI DI PIÙ VARIABILI 1 1 Funzioni di più variabili Sono definite in sottoinsiemi di R n (n N), a valori in R Ci si limiterà al caso di R 2 o di R 3 Definizione 1.1 Dati D R 2 e f : D R, l insieme

Dettagli

Metodi basati sugli autovettori per il Web Information Retrieval

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

Dettagli

Numeri Complessi R 2. P = (x P,y P ) x P. z = (x,y) y P (0,0)

Numeri Complessi R 2. P = (x P,y P ) x P. z = (x,y) y P (0,0) Numeri Complessi Un numero complesso z può essere definito come una coppia ordinata (x,y) di numeri reali x e y. L insieme dei numeri complessi è denotato con C e può essere identificato con il piano cartesiano

Dettagli

Matematica e Statistica I Anno Accademico 2009-2010 Foglio di esercizi settimana 2

Matematica e Statistica I Anno Accademico 2009-2010 Foglio di esercizi settimana 2 Matematica e Statistica I Anno Accademico 9- Foglio di esercizi settimana Funzioni di variabile reale: modelli, grafici, composizione, invertibilità; relazioni lineari. ESERCIZIO. In una città sono stati

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

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

Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica. Calcolo 2 [40214]

Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica. Calcolo 2 [40214] Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica Calcolo 2 [40214] Attività didattica: Attività didattica [codice] Corso di studio Facoltà Calcolo 2 [40214] Ingegneria delle

Dettagli

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento TERIA CAPITL 9. ESPNENZIALI E LGARITMI. LE FUNZINI Non si ha una funzione se anche a un solo elemento di A non è associato un elemento di B, oppure ne sono associati più di uno. DEFINIZINE Funzione Una

Dettagli

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Terzo Appello del corso di Geometria e Algebra II Parte - Docente F. Flamini, Roma, 7/09/2007 SVOLGIMENTO COMPITO III APPELLO

Dettagli

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2))

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2)) Algebra Lineare e Geometria Analitica Politecnico di Milano Ingegneria Applicazioni Lineari 1. Sia f : R 3 R 3 l applicazione lineare definita da f(x, y, z) = (x + ky + z, x y + 2z, x + y z) per ogni (x,

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

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)

- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso

Dettagli

POLITECNICO DI MILANO

POLITECNICO DI MILANO POLITECNICO DI MILANO Facoltà di Ingegneria Industriale - Milano Bovisa Corso di Laurea in Ingegneria Aerospaziale Orientamento Aerodinamica METODI A BASI RIDOTTE PER PROBLEMI DI CONTROLLO IN FLUIDODINAMICA

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

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

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto:

Indicando con x i minuti di conversazione effettuati in un mese, con la spesa totale nel mese e con il costo medio al minuto: PROBLEMA 1. Il piano tariffario proposto da un operatore telefonico prevede, per le telefonate all estero, un canone fisso di 10 euro al mese, più 10 centesimi per ogni minuto di conversazione. Indicando

Dettagli

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.

1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette. . Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,

Dettagli

Rappresentazione di oggetti 3D

Rappresentazione di oggetti 3D Rappresentazione di oggetti 3D 1 Modellazione geometrica La modellazione geometrica riguarda le tecniche di rappresentazione di curve e superfici Surface modeling Rappresentazione della superficie di un

Dettagli

1 Definizione: lunghezza di una curva.

1 Definizione: lunghezza di una curva. Abstract Qui viene affrontato lo studio delle curve nel piano e nello spazio, con particolare interesse verso due invarianti: la curvatura e la torsione Il primo ci dice quanto la curva si allontana dall

Dettagli

ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura

ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura Cognome Nome Matricola ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura (Primo appello/ii prova parziale 15/6/15 - Chiarellotto-Urbinati) Per la II prova: solo esercizi

Dettagli

La Programmazione Lineare

La Programmazione Lineare 4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi

Dettagli

LEZIONE 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. 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

Dettagli

Richiami sulle derivate parziali e definizione di gradiente di una funzione, sulle derivate direzionali. Regola della catena per funzioni composte.

Richiami sulle derivate parziali e definizione di gradiente di una funzione, sulle derivate direzionali. Regola della catena per funzioni composte. PROGRAMMA di Fondamenti di Analisi Matematica 2 (che sarà svolto fino al 7 gennaio 2013) A.A. 2012-2013, Paola Mannucci e Claudio Marchi, Canali 1 e 2 Ingegneria Gestionale, Meccanica-Meccatronica, Vicenza

Dettagli

Analisi Complessa. Prova intermedia del 7 novembre 2002 - Soluzioni. (z 11 1) 11 1 = 0.

Analisi Complessa. Prova intermedia del 7 novembre 2002 - Soluzioni. (z 11 1) 11 1 = 0. Analisi Complessa Prova intermedia del 7 novembre 2002 - Soluzioni Esercizio. Si consideri l equazione z 0. Quante soluzioni distinte esistono in C? Quante di esse sono contenute all interno del disco

Dettagli

4. Funzioni elementari algebriche

4. Funzioni elementari algebriche ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 4. Funzioni elementari algebriche A. A. 2013-2014 1 Funzioni elementari Sono dette elementari un insieme di funzioni dalle quali si ottengono, mediante

Dettagli

1 Regole generali per l esame. 2 Libro di Testo

1 Regole generali per l esame. 2 Libro di Testo FACOLTÀ DI INGEGNERIA Corso di GEOMETRIA E ALGEBRA (mn). (Ing. per l Ambiente e il Territorio, Ing. Informatica - Sede di Mantova) A.A. 2008/2009. Docente: F. BISI. 1 Regole generali per l esame L esame

Dettagli

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche.

sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. sezioni incluso Espandi tutto 0. Elementi di matematica elementare (parzialmente incluso) Sezione 0.1: I numeri reali Sezione 0.2: Regole algebriche. Potenze e percentuali Sezione 0.3: Disuguaglianze Sezione

Dettagli

0.6 Filtro di smoothing Gaussiano

0.6 Filtro di smoothing Gaussiano 2 Figura 7: Filtro trapezoidale passa basso. In questo filtro l rappresenta la frequenza di taglio ed l, l rappresenta un intervallo della frequenza con variazione lineare di H, utile ad evitare le brusche

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

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

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

PROGRAMMA SVOLTO NELLA CLASSE I E A.S. 2012/2013 DISCIPLINA : MATEMATICA DOCENTI : CECILIA SAMPIERI, TAMARA CECCONI

PROGRAMMA SVOLTO NELLA CLASSE I E A.S. 2012/2013 DISCIPLINA : MATEMATICA DOCENTI : CECILIA SAMPIERI, TAMARA CECCONI PROGRAMMA SVOLTO NELLA CLASSE I E A.S. 2012/2013 LIBRO DI TESTO:L. Sasso Nuova Matematica a colori Algebra e Geometria 1 edizione Azzurra ed. Petrini TEMA A I numeri e linguaggio della Matemati Unità 1

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

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

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

Dettagli

3 Applicazioni lineari e matrici

3 Applicazioni lineari e matrici 3 Applicazioni lineari e matrici 3.1 Applicazioni lineari Definizione 3.1 Siano V e W dei K spazi vettoriali. Una funzione f : V W è detta applicazione lineare se: i u, v V, si ha f(u + v = f(u + f(v;

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