Soluzioni Analitiche e Numeriche Applicate all Ingegneria Ambientale
|
|
- Edoardo Ferrara
- 5 anni fa
- Visualizzazioni
Transcript
1 Soluzioni Analitiche e Numeriche Applicate all Ingegneria Ambientale Massimiliano Martinelli massimiliano.martinelli@gmail.com Università Politecnica delle Marche, Ancona Facoltà di Ingegneria Gennaio 2009
2 Outline 1 2
3 Obiettivi del corso agli strumenti di base e ai metodi numerici per la soluzione di equazioni differenziali ordinarie ed alle derivate parziali che intervengono nei modelli utilizzati in ingegneria ambientale
4 Obiettivi del corso Esempi agli strumenti di base e ai metodi numerici per la soluzione di equazioni differenziali ordinarie ed alle derivate parziali che intervengono nei modelli utilizzati in ingegneria ambientale Trasporto di sostanze inquinanti Simulazioni oceanografiche Previsioni meteorologiche...
5 Obiettivi del corso Esempi agli strumenti di base e ai metodi numerici per la soluzione di equazioni differenziali ordinarie ed alle derivate parziali che intervengono nei modelli utilizzati in ingegneria ambientale Trasporto di sostanze inquinanti Simulazioni oceanografiche Previsioni meteorologiche... Si descriveranno (alcuni) metodi numerici per la soluzione di: Sistemi lineari Sistemi non-lineari Differenziazione e Integrazione numerica Equazioni differenziali ordinarie Equazioni alle derivate parziali
6 Animazione 1 Animazione 2 Animazione 3
7 Libri consigliati A. Quarteroni, R. Sacco, F. Saleri, Matematica Numerica, Springer W.H. Press, S.A. Teukolsky, W.T. Vetterling, B.P. Flannery, Numerical Recipes: The Art of Scientific Computing, Third Edition, Cambridge University Press, Y. Saad, Iterative Methods for Sparse Linear Systems, SIAM, J.W. Thomas, Numerical Partial Differential Equations: Finite Difference Methods, Springer A. Quarteroni, Modellistica numerica per problemi differenziali, Springer
8 Errori nei modelli computazionali Problema fisico: x ph e m e Modello matematico: F(x,d) = 0 e c Soluzione calcolata: ˆx n e n e a Problema discretizzato: F n (x n,d n ) = 0 e m errore del modello matematico e c errore del modello computazionale e n errore di discretizzazione e a errore dovuto dall algoritmo
9 Operazioni in virgola mobile Ogni x R tale che x min x x max viene convertito in virgola mobile fl( ): R F, dove fl(x) = x(1+δ) con δ u = 1 2 β 1 t = ε M 2 u = precisione macchina (o unita di arrotondamento)
10 Operazioni in virgola mobile Ogni x R tale che x min x x max viene convertito in virgola mobile fl( ): R F, dove fl(x) = x(1+δ) con δ u = 1 2 β 1 t = ε M 2 u = precisione macchina (o unita di arrotondamento) Ogni operazione aritmetica : R R R viene sostituita con : R R F x y = fl(fl(x) fl(y))
11 Operazioni in virgola mobile Ogni x R tale che x min x x max viene convertito in virgola mobile fl( ): R F, dove fl(x) = x(1+δ) con δ u = 1 2 β 1 t = ε M 2 u = precisione macchina (o unita di arrotondamento) Ogni operazione aritmetica : R R R viene sostituita con : R R F x y = fl(fl(x) fl(y)) Utilizzando la cifra di arrotondamento, è verificata la proprietà seguente: x,y R δ R t.c. x y = (x y)(1+δ) con δ u
12 Operazioni in virgola mobile Ogni x R tale che x min x x max viene convertito in virgola mobile fl( ): R F, dove fl(x) = x(1+δ) con δ u = 1 2 β 1 t = ε M 2 u = precisione macchina (o unita di arrotondamento) Ogni operazione aritmetica : R R R viene sostituita con : R R F x y = fl(fl(x) fl(y)) Utilizzando la cifra di arrotondamento, è verificata la proprietà seguente: x,y R δ R t.c. x y = (x y)(1+δ) con δ u Nel caso in cui = + (somma), si ha che l errore relativo x y (x+y) x+y u(1+u) x + y x+y + u
13 Operazioni in virgola mobile Domanda 1: Utilizzando : R R F invece di +: R R R, valgono le stesse proprietà? Commutatività: x y =? y x Associatività: (x y) z =? x (y z)
14 Operazioni in virgola mobile Domanda 1: Utilizzando : R R F invece di +: R R R, valgono le stesse proprietà? Commutatività: x y =? y x Associatività: (x y) z =? x (y z) Domanda 2: L operazione di somma : R R F è sempre caratterizzata da un piccolo errore relativo?
15 Costo computazionale Quantità di memoria occupata Tempo di calcolo (può essere stimato in base al numero di operazioni elementari: +,,, )
16 Costo computazionale Quantità di memoria occupata Tempo di calcolo (può essere stimato in base al numero di operazioni elementari: +,,, ) Complessità algoritmica Problema di dimensione n Stima del costo computazionale c(n) espressa con la notazione di Landau O( ) (O-grande) c(n) O(f(n)) per n + n 0, M > 0 t.c. c(n) < M f(n) n > n 0
17 Costo computazionale Quantità di memoria occupata Tempo di calcolo (può essere stimato in base al numero di operazioni elementari: +,,, ) Complessità algoritmica Problema di dimensione n Stima del costo computazionale c(n) espressa con la notazione di Landau O( ) (O-grande) c(n) O(f(n)) per n + n 0, M > 0 t.c. c(n) < M f(n) n > n 0 equivalente a lim sup c(n) f(n) < + n +
18 Costo computazionale Quantità di memoria occupata Tempo di calcolo (può essere stimato in base al numero di operazioni elementari: +,,, ) Complessità algoritmica Problema di dimensione n Stima del costo computazionale c(n) espressa con la notazione di Landau O( ) (O-grande) c(n) O(f(n)) per n + n 0, M > 0 t.c. c(n) < M f(n) n > n 0 equivalente a lim sup c(n) f(n) < + Domanda: n + Dato un algoritmo poco costoso in tempo e uno poco costoso in memoria, quale scegliereste?
19 Costo di alcune operazioni tipiche in algebra lineare Prodotto vettore-vettore Prodotto matrice-vettore Prodotto matrice-matrice
20 Costo di alcune operazioni tipiche in algebra lineare Prodotto vettore-vettore O(n) Prodotto matrice-vettore O(n 2 ) Prodotto matrice-matrice O(n 3 )
21 Costo di alcune operazioni tipiche in algebra lineare Prodotto vettore-vettore O(n) Prodotto matrice-vettore O(n 2 ) Prodotto matrice-matrice O(n 3 ) Determinante (formula di Leibnitz) det(a) = sgn(σ) σ S n n a i,σ(i) i=1 dove σ è una permutazione dell insieme {1,...,n} e S n l insieme di tutte le permutazioni dell insieme {1,...,n}
22 Costo di alcune operazioni tipiche in algebra lineare Prodotto vettore-vettore O(n) Prodotto matrice-vettore O(n 2 ) Prodotto matrice-matrice O(n 3 ) Determinante (formula di Leibnitz) det(a) = sgn(σ) σ S n n a i,σ(i) i=1 dove σ è una permutazione dell insieme {1,...,n} e S n l insieme di tutte le permutazioni dell insieme {1,...,n} +/ n! (n 1)n! O(nn!)
23 Outline 1 2
24 Risoluzione di sistemi lineari Dove intervengono Soluzione numerica di una EDP = soluzione di (almeno) un sistema lineare Soluzione di problemi non lineari spesso ricondotta alla risoluzione di una sequenza di sistemi lineari (linearizzazione) Derivate di funzionali vincolati,...
25 Risoluzione di sistemi lineari Dove intervengono Soluzione numerica di una EDP = soluzione di (almeno) un sistema lineare Soluzione di problemi non lineari spesso ricondotta alla risoluzione di una sequenza di sistemi lineari (linearizzazione) Derivate di funzionali vincolati,... La soluzione del sistema lineare è spesso la parte più costosa del calcolo Necessità di avere a disposizione algoritmi accurati, efficienti e robusti
26 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b
27 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b Approccio matematico classico (metodo di Cramer) Se det(a) 0 allora x = A 1 b, dove A 1 = 1 det(a) CT, con C ij = ( 1) i+j M ij M ij è il (i,j)-esimo minore di A Stima del costo: c(n) O(n 2 n!) (per i metodi numerici invece: c(n) O(n 3 ))
28 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b Approccio matematico classico (metodo di Cramer) Se det(a) 0 allora x = A 1 b, dove A 1 = 1 det(a) CT, con C ij = ( 1) i+j M ij M ij è il (i,j)-esimo minore di A Stima del costo: c(n) O(n 2 n!) (per i metodi numerici invece: c(n) O(n 3 )) Esempio: n = 20 e t 10 9 s
29 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b Approccio matematico classico (metodo di Cramer) Se det(a) 0 allora x = A 1 b, dove A 1 = 1 det(a) CT, con C ij = ( 1) i+j M ij M ij è il (i,j)-esimo minore di A Stima del costo: c(n) O(n 2 n!) (per i metodi numerici invece: c(n) O(n 3 )) Esempio: n = 20 e t 10 9 s metodo di Cramer: 309 secoli metodi numerici: s
30 Risoluzione di sistemi lineari Il problema Data una matrice A K n,n (dove K = {R,C}) e un vettore b K n, trovare x K n tale che Ax = b Approccio matematico classico (metodo di Cramer) Se det(a) 0 allora x = A 1 b, dove A 1 = 1 det(a) CT, con C ij = ( 1) i+j M ij M ij è il (i,j)-esimo minore di A Stima del costo: c(n) O(n 2 n!) (per i metodi numerici invece: c(n) O(n 3 )) Esempio: n = 20 e t 10 9 s metodo di Cramer: 309 secoli metodi numerici: s Per i problemi reali si arriva anche a n =
31 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore
32 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a)
33 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a) Gli autovalori sono le soluzioni dell equazione caratteristica p A (λ) = det(a λ I) = 0 dove p A (λ) è chiamato polinomio caratteristico
34 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a) Gli autovalori sono le soluzioni dell equazione caratteristica p A (λ) = det(a λ I) = 0 dove p A (λ) è chiamato polinomio caratteristico det(a) = n i=1 λ i e tr(a) = n λ i i=1
35 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a) Gli autovalori sono le soluzioni dell equazione caratteristica p A (λ) = det(a λ I) = 0 dove p A (λ) è chiamato polinomio caratteristico det(a) = n i=1 λ i e tr(a) = n λ i i=1 ρ(a) = max λ è chiamato raggio spettrale di A λ σ(a)
36 Autovalori e autovettori Se Ax = λ x con x 0 λ è un autovalore e x è un autovettore L insieme degli autovalori di A è chiamato spettro di A e verrà denotato con σ(a) Gli autovalori sono le soluzioni dell equazione caratteristica p A (λ) = det(a λ I) = 0 dove p A (λ) è chiamato polinomio caratteristico det(a) = n i=1 λ i e tr(a) = n λ i i=1 ρ(a) = max λ è chiamato raggio spettrale di A λ σ(a) Se A è triangolare i suoi autovalori sono gli elementi sulla diagonale
37 Decomposizione ai valori singolari (Singular Value Decomposition, SVD) Sia A C m n. Esistono allora due matrici unitarie U C m m e V C n n tali che U H AV = Σ = diag(σ 1,...,σ p ) con p = min(m,n) e σ 1... σ p 0. I numeri σ i sono chiamati valori singolari di A.
38 Definizione di prodotto scalare Un prodotto scalare su uno spazio vettoriale V definito su un campo K è un applicazione, : V V K che soddisfa le seguenti proprietà: 1 è lineare rispetto ai vettori di V, cioè: γx+λ z,y = γ x,y +λ z,y, x,y,z V, γ,λ K 2 è hermitiana, cioè x,y = y,x, x,y V 3 è definita positiva, cioè: x,x 0 e x,x = 0 se e solo se x = 0
39 Definizione di norma Sia V uno spazio vettoriale su un campo K. Diremo che l applicazione : V K è una norma su V se sono verificate le seguenti proprietà 1 v 0 v V e v = 0 se e solo se v = 0 2 αv = α v α K, v V 3 v+w v + w v,w V (disuguaglianza triangolare)
40 Definizione di norma Sia V uno spazio vettoriale su un campo K. Diremo che l applicazione : V K è una norma su V se sono verificate le seguenti proprietà 1 v 0 v V e v = 0 se e solo se v = 0 2 αv = α v α K, v V 3 v+w v + w v,w V (disuguaglianza triangolare) Esempi di norme ( x R n) p-norme: ( n x p = x i p) 1 p i=1 1 p < norma del massimo (o norma infinito) x = max 1 i n x i
41 Disuguaglianza di Cauchy-Schwarz Per ogni coppia x,y R n si ha x,y = x T y x 2 y 2
42 Disuguaglianza di Cauchy-Schwarz Per ogni coppia x,y R n si ha x,y = x T y x 2 y 2 Disuguaglianza di Hölder Per ogni coppia x,y R n si ha x,y x p y q, con 1 p + 1 q = 1
43 Disuguaglianza di Cauchy-Schwarz Per ogni coppia x,y R n si ha x,y = x T y x 2 y 2 Disuguaglianza di Hölder Per ogni coppia x,y R n si ha x,y x p y q, con 1 p + 1 q = 1 Equivalenza fra norme Due norme p e q su V sono equivalenti se esistono due costanti positive c pq e C pq tali che c pq x q x p C pq x q x V
44 Disuguaglianza di Cauchy-Schwarz Per ogni coppia x,y R n si ha x,y = x T y x 2 y 2 Disuguaglianza di Hölder Per ogni coppia x,y R n si ha x,y x p y q, con 1 p + 1 q = 1 Equivalenza fra norme Due norme p e q su V sono equivalenti se esistono due costanti positive c pq e C pq tali che c pq x q x p C pq x q x V In uno spazio normato di dimensione finita, tutte le norme sono equivalenti
45 Norme di matrici Norma di Frobenius (o norma Euclidea) A F = n Norma naturale (o norma indotta) i,j=1 a ij 2 = tr(aa H ) Ax p A p = sup x 0 x p m A 1 = max a ij j=1,...,n i=1 n A = max a ij i=1,...,m j=1 se A è reale e simmetrica, allora A 2 = ρ(a)
46 Stime per 2 max i,j a ij A 2 nmax a ij i,j 1 n A A 2 n A 1 n A 1 A 2 n A 1 A 2 A 1 A
47 Stime per 2 max i,j a ij A 2 nmax a ij i,j 1 n A A 2 n A 1 n A 1 A 2 n A 1 A 2 A 1 A Norme naturali: proprietà 1 Ax p A p x p 2 I p = 1 3 AB p A p B p 4 ρ(a) A p
48 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n
49 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti
50 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti Sia una norma consistente. Allora ρ(a) A
51 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti Sia una norma consistente. Allora ρ(a) A Sia ε > 0. Allora esiste una norma consistente A,ε tale che A A,ε ρ(a)+ε
52 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti Sia una norma consistente. Allora ρ(a) A Sia ε > 0. Allora esiste una norma consistente A,ε tale che A A,ε ρ(a)+ε ρ(a) = inf A
53 Norme consistenti Una norma di matrice si dice consistente con una norma di vettore se Ax A x x R n Le norme naturali sono norme consistenti Sia una norma consistente. Allora ρ(a) A Sia ε > 0. Allora esiste una norma consistente A,ε tale che A A,ε ρ(a)+ε ρ(a) = inf A Potenze di matrici: convergenza lim k Ak = 0 ρ(a) < 1
54 Condizionamento e stabilità Numero di condizionamento K p (A) = A p A 1 p Ax p dove A p = sup. Si noti che K p (A) 1. x 0 x p
55 Condizionamento e stabilità Numero di condizionamento K p (A) = A p A 1 p Ax p dove A p = sup. Si noti che K p (A) 1. x 0 x p Analisi a priori Come reagisce la soluzione esatta di un sistema lineare Ax = b al variare dei dati?
56 Condizionamento e stabilità Numero di condizionamento K p (A) = A p A 1 p Ax p dove A p = sup. Si noti che K p (A) 1. x 0 x p Analisi a priori Come reagisce la soluzione esatta di un sistema lineare Ax = b al variare dei dati? Perturbazione di b: A(x+δx) = b+δb 1 δb p δx p K p (A) δb p K p (A) b p x p b p
57 Condizionamento e stabilità Numero di condizionamento K p (A) = A p A 1 p Ax p dove A p = sup. Si noti che K p (A) 1. x 0 x p Analisi a priori Come reagisce la soluzione esatta di un sistema lineare Ax = b al variare dei dati? Perturbazione di b: A(x+δx) = b+δb 1 δb p δx p K p (A) δb p K p (A) b p x p b p Perturbazione di A: (A+δA)(x+δx) = b δx p x p K p (A) 1 K p (A) δa p / A p δa p A p
58 Condizionamento e stabilità K p (A) 1 le perturbazioni sui dati non influenzano eccessivamente i risultati sistema ben condizionato Nella risoluzione numerica di una EDP il tipo di matrice che si ottiene dipende: dal problema dal metodo di discretizzazione usato dalla qualità della griglia di calcolo
59 Condizionamento e stabilità K p (A) 1 le perturbazioni sui dati non influenzano eccessivamente i risultati sistema ben condizionato Nella risoluzione numerica di una EDP il tipo di matrice che si ottiene dipende: dal problema dal metodo di discretizzazione usato dalla qualità della griglia di calcolo Precondizionamento Invece del sistema Ax = b si risolve il sistema equivalente PAx = Pb dove la matrice PA è ben condizionata: K p (PA) K p (A).
60 Condizionamento e stabilità K p (A) 1 le perturbazioni sui dati non influenzano eccessivamente i risultati sistema ben condizionato Nella risoluzione numerica di una EDP il tipo di matrice che si ottiene dipende: dal problema dal metodo di discretizzazione usato dalla qualità della griglia di calcolo Precondizionamento Invece del sistema Ax = b si risolve il sistema equivalente PAx = Pb dove la matrice PA è ben condizionata: K p (PA) K p (A). Minore propagazione degli errori di arrotondamento Aumento della velocità di convergenza dei metodi di risoluzione iterativi
61 Condizionamento e stabilità Stabilità di un algoritmo Si tratta di sapere quanto la soluzione di un sistem lineare ottenuta con un dato algoritmo è sensibile a piccoli errori sui dati A e b. Un algoritmo è detto stabile se non amplifica eccessivamente le perturbazioni sui dati Due nozioni complementari: condizionamento di una matrice, che esprime la sensibilità della soluzione esatta agli errori di arrotondamento stabilità di un algoritmo, che è legata all amplificazione degli errori dovuta all agoritmo di risoluzione usato per una buona risoluzione di un sistema lineare bisogna avere una matrice non troppo mal condizionata e un algoritmo sifficientemente stabile
62 Metodi di risoluzione Classificazione METODI DIRETTI: in assenza di errori di arrotondamento, danno la soluzione esatta in un numero finito di operazioni METODI ITERATIVI: la soluzione è ottenuta come limite di una successione METODI MISTI
63 Fattorizzazione LU ed eliminazione gaussiana Fattorizzazione LU Considerare la matrice del sistema lineare Ax = b come prodotto di due matrici A = LU dove L è triangolare inferiore: L ij = 0 per j > i (L =lower) U è triangolare superiore: U ij = 0 per i > j (U =upper)
64 Fattorizzazione LU ed eliminazione gaussiana Fattorizzazione LU Considerare la matrice del sistema lineare Ax = b come prodotto di due matrici A = LU dove L è triangolare inferiore: L ij = 0 per j > i (L =lower) U è triangolare superiore: U ij = 0 per i > j (U =upper) La soluzione del sistema Ax = b è ottenuta risolvendo due sistemi triangolari 1 Ly = b 2 Ux = y
65 Fattorizzazione LU ed eliminazione gaussiana Fattorizzazione LU Considerare la matrice del sistema lineare Ax = b come prodotto di due matrici A = LU dove L è triangolare inferiore: L ij = 0 per j > i (L =lower) U è triangolare superiore: U ij = 0 per i > j (U =upper) La soluzione del sistema Ax = b è ottenuta risolvendo due sistemi triangolari 1 Ly = b 2 Ux = y Vantaggio L inversione di una matrice triangolare è facile e poco costosa: O(n 2 )
66 Soluzione di sistemi triangolari Matrici triangolari inferiori (Lx = b) : sostituzione in avanti x 1 = b 1 l 11 x i = 1 i 1 ) (b i l ij x j l ii j=1 i = 2,...,n
67 Soluzione di sistemi triangolari Matrici triangolari inferiori (Lx = b) : sostituzione in avanti x 1 = b 1 l 11 x i = 1 i 1 ) (b i l ij x j l ii j=1 i = 2,...,n Matrici triangolari superiori (Ux = b): sostituzione all indietro x n = b n u nn x i = 1 u ii (b i n j=i+1 u ij x j ) i = n 1,...,1
68 Soluzione di sistemi triangolari Matrici triangolari inferiori (Lx = b) : sostituzione in avanti x 1 = b 1 l 11 x i = 1 i 1 ) (b i l ij x j l ii j=1 i = 2,...,n Matrici triangolari superiori (Ux = b): sostituzione all indietro x n = b n u nn x i = 1 u ii (b i n j=i+1 u ij x j ) i = n 1,...,1 Costo computazionale: +/ n(n 1) 2 n(n 1) 2 n O(n 2 )
69 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore.
70 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore. Sia A (1) = A, b (1) = b e supponiamo che a (1) 11 0
71 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore. Sia A (1) = A, b (1) = b e supponiamo che a (1) 11 0 Introduciamo i moltiplicatori m i1 = a(1) i1 (i = 2,3,...,n) a (1) 11
72 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore. Sia A (1) = A, b (1) = b e supponiamo che a (1) 11 0 Introduciamo i moltiplicatori m i1 = a(1) i1 (i = 2,3,...,n) a (1) 11 Sottraendo dalla riga i la prima riga moltiplicata per m i1 si ha il sistema equivalente A (2) x = b (2), dove a (1) 11 a (1) a (1) 1n A (2) 0 a (2) = a (2) 2n... 0 a (k) n2... a (k) nn b (1) 1 e b (2) b (2) = 2.. b (2) n
73 Eliminazione gaussiana Algoritmo che permette di ridurre il sistema Ax = b in un sistema equivalente Ux = ˆb, dove U è una matrice triangolare superiore. Sia A (1) = A, b (1) = b e supponiamo che a (1) 11 0 Introduciamo i moltiplicatori m i1 = a(1) i1 (i = 2,3,...,n) a (1) 11 Sottraendo dalla riga i la prima riga moltiplicata per m i1 si ha il sistema equivalente A (2) x = b (2), dove a (1) 11 a (1) a (1) 1n A (2) 0 a (2) = a (2) 2n... 0 a (k) n2... a (k) nn Ripetere il procedimento per le righe i = 2,3,...,n b (1) 1 e b (2) b (2) = 2.. b (2) n
74 Eliminazione di Gaussiana All ultima iterazione abbiamo a (1) 11 a (1) a (1) 1n b (1) 0 a (2) 22 a (2) 1 2n b (2)..... x = a (n) nn b (n) n Ricapitolando, per k = 1,2,...,n m ik = a(k) ik a (k) kk a (k+1) ij b (k+1) i = a (k) ij m ik a (k) kj = b (k) i m ik b (k) k i = k+1,...,n i,j = k+1,...,n i = k+1,...,n
75 Eliminazione gaussiana Costo computazionale Per k = 1,2,...,n m ik = a(k) ik a (k) kk a (k+1) ij b (k+1) i = a (k) ij m ik a (k) kj = b (k) i m ik b (k) k i = k+1,...,n i,j = k+1,...,n i = k+1,...,n + 0 n(n+1)(n 1) 3 n(n+1)(n 1) 3 n(n 1) 2 O(n 3 )
76 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot)
77 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot) Se a (k) kk = 0 si permuta la riga k con un altra riga j (k < j n) dove a(k) jk 0
78 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot) Se a (k) kk Se a (k) jk = 0 si permuta la riga k con un altra riga j (k < j n) dove a(k) jk 0 = 0 (k j n) allora la matrice A è singolare
79 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot) Se a (k) kk Se a (k) jk = 0 si permuta la riga k con un altra riga j (k < j n) dove a(k) jk 0 = 0 (k j n) allora la matrice A è singolare Corollario: l eliminazione gaussiana associata a una strategia di pivot è sempre possibile per una matrice non singolare
80 Eliminazione gaussiana Pivoting L eliminazione gaussiana può essere usata solo se a (k) kk 0 (pivot) Se a (k) kk Se a (k) jk = 0 si permuta la riga k con un altra riga j (k < j n) dove a(k) jk 0 = 0 (k j n) allora la matrice A è singolare Corollario: l eliminazione gaussiana associata a una strategia di pivot è sempre possibile per una matrice non singolare Alcune matrici per cui l eliminazione gaussiana può essere applicata senza pivoting sono: Matrici a diagonale dominante per righe (matrici per cui a ii a ij con j=1,j i i = 1,...,n) Matrici a diagonale dominante per colonne (matrici per cui a ii a ji con j=1,j i i = 1,...,n) Matrici simmetriche e definite positive
81 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1
82 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1 N (i,j) N (r,s) 0 j = r
83 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1 N (i,j) N (r,s) 0 j = r Sommare alla i-esima riga α-volte la riga j, equivale a moltiplicare a sinistra per la matrice I + αn (i,j)
84 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1 N (i,j) N (r,s) 0 j = r Sommare alla i-esima riga α-volte la riga j, equivale a moltiplicare a sinistra per la matrice I + αn (i,j) Eliminazione degli elementi sotto (a (k) kk ) (I m k+1,k N (k+1,k) )(I m k+2,k N (k+2,k) )...(I m n,k N (n,k) )A (k) = (I n i=k+1 m i,k N (i,k) )A (k) = M k A (k) = A (k+1)
85 Eliminazione gaussiana e fattorizzazione LU Equivalenza tra l eliminazione gaussiana la fattorizzazione LU Sia N (i,j) la matrice con elementi nulli tranne l elemento nella posizione (i,j) pari a 1 N (i,j) N (r,s) 0 j = r Sommare alla i-esima riga α-volte la riga j, equivale a moltiplicare a sinistra per la matrice I + αn (i,j) Eliminazione degli elementi sotto (a (k) kk ) (I m k+1,k N (k+1,k) )(I m k+2,k N (k+2,k) )...(I m n,k N (n,k) )A (k) = (I n i=k+1 m i,k N (i,k) )A (k) = M k A (k) = A (k+1) In definitiva si ha: M n 1 M n 2...M 1 A = MA = U
86 Eliminazione gaussiana e fattorizzazione LU m M 1 = m n M 2 =... m m n
87 Eliminazione gaussiana e fattorizzazione LU m M 1 = M 2 =... m m n m n m M 2 M 1 =. m m n1 m n
88 Eliminazione gaussiana e fattorizzazione LU m M =.. m m n1 m n2... m n,n 1 1
89 Eliminazione gaussiana e fattorizzazione LU m M =.. m m n1 m n2... m n,n m M 1 = 2I M =.. m m n1 m n2... m n,n 1 1
90 Eliminazione gaussiana e fattorizzazione LU Poiché A = M 1 U si ha m M =.. m m n1 m n2... m n,n m M 1 = 2I M =.. m m n1 m n2... m n,n 1 1 L = M 1
91 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k
92 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k Applicazione di P k prima di A (k) M 1 non è più triangolare inferiore M n 1 P n 1 M n 2 P n 2...M 1 P 1 A = MA = U
93 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k Applicazione di P k prima di A (k) M 1 non è più triangolare inferiore Introducendo P = P n 1...P 1 si ha M n 1 P n 1 M n 2 P n 2...M 1 P 1 A = MA = U PA = (PM 1 )U dove (PM 1 ) è triangolare inferiore poniamo L = PM 1
94 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k Applicazione di P k prima di A (k) M 1 non è più triangolare inferiore Introducendo P = P n 1...P 1 si ha M n 1 P n 1 M n 2 P n 2...M 1 P 1 A = MA = U PA = (PM 1 )U dove (PM 1 ) è triangolare inferiore poniamo L = PM 1 L e U sono calcolate con l eliminazione gaussiana partendo da PA
95 ...ancora riguardo al pivoting P k = Matrice di permutazione tra la riga k e la riga i k k (P k ) 1 = (P k ) T = P k Applicazione di P k prima di A (k) M 1 non è più triangolare inferiore Introducendo P = P n 1...P 1 si ha M n 1 P n 1 M n 2 P n 2...M 1 P 1 A = MA = U PA = (PM 1 )U dove (PM 1 ) è triangolare inferiore poniamo L = PM 1 L e U sono calcolate con l eliminazione gaussiana partendo da PA Una volta ottenuto P, L e U si risolvono 1 Ly = Pb 2 Ux = y
96 Algoritmo di Doolittle (Fattorizzazione compatta) La fattorizzazione LU equivale a trovare i coefficienti l ir e u rj che soddisfano min(i,j) a ij = r=1 l ir u rj
97 Algoritmo di Doolittle (Fattorizzazione compatta) La fattorizzazione LU equivale a trovare i coefficienti l ir e u rj che soddisfano min(i,j) a ij = r=1 l ir u rj Supponiamo che le prime k 1 colonne di L e U siano disponibili e l kk = 1. Allora k 1 a kj = l kr u rj + u kj j = k,...,n a ik = r=1 k 1 r=1 l ir u rk + l ik u kk i = k+1,...,n
98 Algoritmo di Doolittle (Fattorizzazione compatta) La fattorizzazione LU equivale a trovare i coefficienti l ir e u rj che soddisfano min(i,j) a ij = r=1 l ir u rj Supponiamo che le prime k 1 colonne di L e U siano disponibili e l kk = 1. Allora k 1 a kj = l kr u rj + u kj j = k,...,n a ik = r=1 k 1 r=1 l ir u rk + l ik u kk Riordinando i termini, per k = 1,...,n k 1 u kj = a kj l kr u rj r=1 l ik = 1 ( k 1 ) a ik u kk l ir u rk r=1 i = k+1,...,n j = k,...,n i = k+1,...,n
99 Fattorizzazione di Cholesky Sia A R n n una matrice simmetrica e definita positiva. Allora esiste un unica matrice triangolare superiore H con elementi sulla diagonale strettamente positivi tale che A = H T H Gli elementi h ij di H possono essere calcolati con il seguente algoritmo: h 11 = a 11 e, per i = 2,...,n h ij = 1 j 1 ) (a ij h ik h jk h jj ( h ii = a ii k=1 i 1 ) 1/2 h 2 ik k=1 j = 1,...,i 1
100 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b
101 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata.
102 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo
103 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo Con le quantità appena introdotte abbiamo Az = r
104 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo Con le quantità appena introdotte abbiamo Az = r Si può definire dunque l algoritmo r (k) = b A x (k) Az (k) = r (k) x (k+1) = x (k) + z (k)
105 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo Con le quantità appena introdotte abbiamo Az = r Si può definire dunque l algoritmo lim k x(k) = x r (k) = b A x (k) Az (k) = r (k) x (k+1) = x (k) + z (k)
106 Raffinamento successivo della soluzione Supponiamo di avere una soluzione approssimata x del sistema Ax = b Sia z = x x la differenza tra la soluzione esatta (sconosciuta) e quella approssimata. Sia r = b A x il residuo Con le quantità appena introdotte abbiamo Az = r Si può definire dunque l algoritmo r (k) = b A x (k) Az (k) = r (k) x (k+1) = x (k) + z (k) lim k x(k) = x La fattorizzazione LU viene eseguita una volta sola
107 Matrici sparse Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 ))
108 Matrici sparse Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 )) Soluzione di EDP mediante differenze finite, elementi finiti e volumi finiti matrici sparse di grandi dimensioni
109 Matrici sparse Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 )) Soluzione di EDP mediante differenze finite, elementi finiti e volumi finiti matrici sparse di grandi dimensioni Sono stati definiti metodi diretti efficienti per matrici sparse con struttura particolare (matrice a banda, tridiagonale, a blocchi, ecc.)
110 Matrici sparse Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 )) Soluzione di EDP mediante differenze finite, elementi finiti e volumi finiti matrici sparse di grandi dimensioni Sono stati definiti metodi diretti efficienti per matrici sparse con struttura particolare (matrice a banda, tridiagonale, a blocchi, ecc.) In generale, il processo di fattorizzazione non conserva la sparsità (fenomeno del fill-in) alto costo in termini di memoria necessaria Utilizzo di algoritmi di riordinamento (Cuthill-McKee, Reverse Cuthill-McKee, etc.)
111 Matrici sparse Una matrice A R n n è ritenuta sparsa se ha un numero di elementi non nulli dell ordine di O(n) (invece che O(n 2 )) Soluzione di EDP mediante differenze finite, elementi finiti e volumi finiti matrici sparse di grandi dimensioni Sono stati definiti metodi diretti efficienti per matrici sparse con struttura particolare (matrice a banda, tridiagonale, a blocchi, ecc.) In generale, il processo di fattorizzazione non conserva la sparsità (fenomeno del fill-in) alto costo in termini di memoria necessaria Utilizzo di algoritmi di riordinamento (Cuthill-McKee, Reverse Cuthill-McKee, etc.) Per matrici sparse non strutturate di grande dimensione, i metodi iterativi sono spesso utilizzati come alternativa ai metodi diretti
112 Matrici tridiagonali: algoritmo di Thomas a 1 c 1 0. A = b 2 a cn 1 0 b n a n
113 Matrici tridiagonali: algoritmo di Thomas a 1 c 1 0. A = b 2 a cn 1 0 b n a n 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n Dove α 1 = a 1 e, per i = 2,...,n β i = b i a i 1 α i = a i β i c i 1
114 Matrici tridiagonali: algoritmo di Thomas a 1 c 1 0. A = b 2 a cn 1 0 b n a n 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n Dove α 1 = a 1 e, per i = 2,...,n β i = b i a i 1 α i = a i β i c i 1 Costo computazionale: +/ n 1 n 1 n 1 O(n)
115 Algoritmo di Thomas per Ax = f (A tridiagonale) Dobbiamo risolvere Ly = f e Ux = y con 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n 1 Ly = f Sostituzione in avanti: 2 Ux = y Sostituzione all indietro: y 1 = f 1, y i = f i β i y i 1 i = 2,...,n y n = y n α n, x i = (y i c i x i+1 )/α i i = n 1,...,1
116 Algoritmo di Thomas per Ax = f (A tridiagonale) Dobbiamo risolvere Ly = f e Ux = y con 1 0 α 1 c 1 0 β 2 1. L = U = α cn 1 0 β n 1 0 α n 1 Ly = f Sostituzione in avanti: 2 Ux = y Sostituzione all indietro: y 1 = f 1, y i = f i β i y i 1 i = 2,...,n y n = y n α n, x i = (y i c i x i+1 )/α i i = n 1,...,1 Costo computazionale: +/ 2(n 1) 2(n 1) n O(n)
Modelli Matematici e Calcolo Numerico
Modelli Matematici e Calcolo Numerico Calcolo Numerico Massimiliano Martinelli martinelli@imati.cnr.it Università di Pavia Facoltà di Ingegneria 30 Settembre - 14 Ottobre 2010 Obiettivi del corso Esempi
Dettaglin +1 determinanti (D i, i =1,...,n e det A) n! prodotti per ciascun determinante n 1 moltiplicazioni per ciascun prodotto
METODI NUMERICI (A.A. 2007-2008) Prof. F.Pitolli Appunti delle lezioni sui sistemi lineari: metodi diretti; condizionamento Metodi diretti per la soluzione di sistemi lineari Metodi diretti Sono basati
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 206-207 Laboratorio Autovalori, raggio spettrale e norme di matrici Sia A una matrice quadrata di ordine n a valori reali o complessi, il numero λ C si
DettagliSistemi lineari. 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0. x 1 x 2 x 3
Sistemi lineari 2x 1 + x 2 x 3 = 2 x 1 x 2 + x 3 = 1 x 1 + 3x 2 2x 3 = 0 2 1 1 1 1 1 1 3 2 x 1 x 2 x 3 = 2 1 0 n j=1 a i,jx j = b i, i = 1,, n Ax = b A = (a i,j ) R n n matrice invertibile (det(a) 0) b
Dettagli1 Risoluzione di sistemi lineari
Risoluzione di sistemi lineari La presente nota è in parte ripresa dal testo D Bini M Capovani O Menchi Metodi numerici per l algebra lineare Zanichelli Editore Siano A una matrice non singolare di ordine
DettagliUn sistema lineare si rappresenta in generale come
SISTEMI LINEARI Un sistema lineare si rappresenta in generale come n j=1 a ij x j = b i i = 1, 2,..., m o anche AX = B. La soluzione esiste se e solo se B appartiene allo spazio lineare generato dalle
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 205-206 Laboratorio 9 Metodo di Eliminazione Gaussiana per sistemi lineari Siano A R n n una matrice quadrata non singolare (det(a) 0) e b R n un vettore
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Sistemi Lineari I sistemi lineari forniscono il modello matematico
DettagliComplementi di Matematica e Calcolo Numerico C.L. Chimica Industriale A.A
Complementi di Matematica e Calcolo Numerico C.L. Chimica Industriale A.A. 208-209 Laboratorio 4-4 aprile 209 Metodo delle sostituzioni in avanti per sistemi lineari con matrice triangolare inferiore Siano
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2015-2016) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Sistemi Lineari I sistemi lineari forniscono il modello matematico
DettagliSistemi lineari. Lucia Gastaldi. 11 novembre Dipartimento di Matematica,
Sistemi lineari Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 11 novembre 2007 Outline 1 Come risolvere un sistema lineare con MATLAB Il comando per risolvere i sistemi lineari
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 207-208 Laboratorio 5 Metodi diretti per sistemi lineari Siano A R n n una matrice quadrata non singolare (det(a) 0) e b R n un vettore assegnati, allora
DettagliSistemi lineari. Lucia Gastaldi. DICATAM - Sez. di Matematica,
Sistemi lineari Lucia Gastaldi DICATAM - Sez. di Matematica, http://www.ing.unibs.it/gastaldi/ Indice 1 Risoluzione di sistemi lineari Risoluzione di sistemi lineari in Matlab Metodi di risoluzione Fattorizzazione
Dettagli3 Soluzione di sistemi lineari
3 Soluzione di sistemi lineari Prima di addentrarci nello studio dei metodi numerici, è doveroso introdurre le matrici e alcune strutture particolari di matrici nonchè alcuni concetti fondamentali quali
DettagliCompito numero 2 - Compito intero
Esercitazione 6 - Correzione esame dell 8//3 Lucia Pilleri 9//3 Compito numero - Compito intero Esercizio del parziale - del compito intero Risolvere, mediante la fattorizzazione P A = LU, il sistema lineare
Dettagli1. Martedì 27/09/2016, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Chimica e Meccanica 6 CFU - A.A. 2016/2017 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 15 dicembre 2016 1. Martedì 27/09/2016,
DettagliSistemi lineari. Lucia Gastaldi. DICATAM - Sez. di Matematica,
Sistemi lineari Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Risoluzione di sistemi lineari Risoluzione di sistemi lineari in Matlab Metodi di risoluzione Fattorizzazione
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
Dettagli1. Lunedì 26/09/2016, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2016/2017 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 13 dicembre 2016 1. Lunedì 26/09/2016, 11 13. ore:
Dettagli1. Mercoledì 1/10/2014, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2014/2015 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 16 dicembre 2014 1. Mercoledì 1/10/2014, 15 17. ore:
Dettagli1. Martedì 29/09/2015, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2015/2016 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 18 dicembre 2015 1. Martedì 29/09/2015, 12 14. ore:
Dettagli1. Mercoledì 27/09/2017, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Chimica e Meccanica 6 CFU - A.A. 2017/2018 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 15 dicembre 2017 1. Mercoledì 27/09/2017,
Dettaglix n i sima pos. x, y = x T y = x i y i R. i=1
1 Elementi di Algebra Lineare In questo capitolo introduttivo al corso di Calcolo Numerico per la laurea triennale in Informatica, saranno presentate una serie di definizioni e proprietà di matrici e dei
DettagliCorso di Geometria e Algebra Lineare
Prof. C. Vergara, Dott.ssa N. Franchina, Dr. A. Colombo Corso di Geometria e Algebra Lineare Laboratorio 3: sistemi lineari 25 29 Maggio 2015 Metodi diretti per sistemi lineari Si consideri il seguente
DettagliRegistro di Matematica Applicata /18 - Dott.ssa L. Fermo 2
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2018/2019 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 19 dicembre 2018 1. Mercoledì 26/09/2018, 15 17. ore:
Dettagli4. Algoritmi per la soluzione di sistemi lineari.
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 4. Algoritmi per la soluzione di sistemi lineari. 1 Sistemi triangolari inferiori Sia L triangolare inferiore.
DettagliRegistro di Matematica Applicata /18 - Dott.ssa L. Fermo 2
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2017/2018 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 15 dicembre 2017 1. Lunedì 25/09/2017, 11 13. ore:
DettagliSISTEMI LINEARI. Metodi diretti. Calcolo numerico 07/08 p. 1/1
SISTEMI LINEARI Metodi diretti Calcolo numerico 07/08 p. 1/1 Sistemi lineari Ax = b, A R n n, b R n b INPUT x OUTPUT A relazione funzionale non ambigua det(a) 0 ( un unica soluzione) (Esercizio 1) Se det
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x
DettagliMetodi diretti: eliminazione gaussiana
Calcolo numerico 08/09 p. 1/1 SISTEMI LINEARI Metodi diretti: eliminazione gaussiana Calcolo numerico 08/09 p. 2/1 Sistemi lineari Ax = b, A R n n, b R n b INPUT x OUTPUT A relazione funzionale non ambigua
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Metodi Iterativi la soluzione si ottiene tramite approssimazioni
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 0-0 Laboratorio 9 Autovalori, raggio spettrale e norme di matrici Sia A una matrice quadrata di ordine n a valori reali o complessi, il numero λ C si dice
Dettagli1. Martedì 1/10/2013, ore: 2(2) Introduzione al corso: problemi ben posti, condizionamento, stabilità, complessità
Registro delle lezioni di MATEMATICA APPLICATA Corsi di Laurea in Biomedica 6 CFU - A.A. 2013/2014 docente: Dott.ssa Luisa Fermo ultimo aggiornamento: 18 dicembre 2013 1. Martedì 1/10/2013, 12 14. ore:
DettagliSISTEMI LINEARI. Ax = b
SISTEMI LINEARI Un sistema lineare di n equazioni algebriche in n incognite è esprimibile come: a 11 x 1 + a 1 x + a 13 x 3 +... + a 1n x n = b 1 a 1 x 1 + a x + a 3 x 3 +... + a n x n = b a n1 x 1 + a
DettagliTracce di calcolo numerico 1
Tracce di calcolo numerico 1 Prof. Marco Vianello - Dipartimento di Matematica, Università di Padova aggiornamento: 03 dicembre 2016 5 Elementi di algebra lineare numerica 5.1 Condizionamento di matrici
DettagliAnno accademico
RICHIAMI PER IL CORSO DI ANALISI NUMERICA PROF R MORANDI Anno accademico 28 29 1 RICHIAMI: PRECISIONE FINITA (USO DEL CALCOLATORE) IN UN CALCOLATORE UNA QUALUNQUE INFORMAZIONE VIENE RAPPRESENTA- TA COME
DettagliSISTEMI LINEARI QUADRATI
SISTEMI LINEARI QUADRATI Dipartimento di Sc Matematiche ed Informatiche, Università di Siena LABORATORIO di CALCOLO NUMERICO aa 27 28 SISTEMI LINEARI QUADRATI p1/47 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI
DettagliNORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +
NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:
Dettagli+ Analisi Numerica (1 modulo) Docente: M.Gaviano; domande di ripasso a.a
+ Analisi Numerica ( modulo) Docente: M.Gaviano; domande di ripasso a.a. - Idee di base e richiami. Quale è lo scopo dell Analisi numerica. Attraverso quali fasi si passa nel risolvere un problema reale..
DettagliRICHIAMI PER IL CORSO DI ANALISI NUMERICA
RICHIAMI PER IL CORSO DI ANALISI NUMERICA Anno accademico 211 212 1 RICHIAMI: PRECISIONE FINITA (USO DI UN COMPUTER) IN UN COMPUTER UNA QUALUNQUE INFORMAZIONE VIENE RAPPRESENTATA COME UNA SEQUENZA FINITA
DettagliMatrici di permutazione
Matrici di permutazione Si dice matrice di permutazione elementare una matrice ottenuta dall identità scambiando due righe i e j o due colonne i e j. P ij =...... P ij ha come effetto di scambiare le righe
DettagliCalcolo degli Autovalori. Avviso. Spettro di una matrice. Polinomio caratteristico. Data la matrice A:
M. Annunziato, DMI Università di Salerno - documento provvisorio p. 3/9 M. Annunziato, DMI Università di Salerno - documento provvisorio p. 4/9 Avviso I contenuti di queste slide non sono esaustivi ai
DettagliSistemi sovradeterminati
Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2016-2017 Richiami Algebra Lineare Spazio normato Uno spazio lineare X si dice normato se esiste una funzione
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2018-2019) Metodi Numerici Appunti delle lezioni: Sistemi non lineari Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it Ufficio: Via A.
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 7 - CALCOLO NUMERICO CON MATRICI Richiami teorici Operazioni fondamentali Siano A = {a ij } e B = {b ij }, i = 1,..., m, j = 1,..., n due
Dettagli2. Risolvere con il metodo di eliminazione di Gauss con pivoting parziale il seguente sistema lineare:
Esercizi sui metodi diretti per la risoluzione di sistemi lineari 1. Data la matrice 1 0 2 1 3 1 5 2 1 determinare la sua fattorizzazione P LR. Risolvere il sistema Ax = b con b = (3, 5, 6) T mediante
DettagliRICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella
DettagliAlgebra lineare. Laboratorio di programmazione e calcolo CdL in Chimica. Pierluigi Amodio
Algebra lineare Laboratorio di programmazione e calcolo CdL in Chimica Pierluigi Amodio Dipartimento di Matematica Università di Bari pierluigi.amodio@uniba.it http://dm.uniba.it/ amodio A.A. 2016/17 P.
DettagliMotivazione: Come si fa? Matrici simmetriche. Fattorizzazioni di matrici speciali
Motivazione: Fattorizzazioni di matrici speciali Diminuire la complessità computazionale = evitare operazioni inutili = risparmiare tempo di calcolo Diminuire l occupazione di memoria Come si fa? Si tiene
DettagliAlgebra Lineare Metodi Iterativi
Algebra Lineare Metodi Iterativi Stefano Berrone Sandra Pieraccini DIPARTIMENTO DI MATEMATICA POLITECNICO DI TORINO, CORSO DUCA DEGLI ABRUZZI 24, 10129, TORINO, ITALY e-mail: sberrone@calvino.polito.it,
DettagliEsercitazione di Calcolo Numerico 1 22 Aprile Determinare la fattorizzazione LU della matrice a 1 1 A = 3a 2 a 2a a a 2 A =
Esercitazione di Calcolo Numerico 22 Aprile 29. Determinare la fattorizzazione LU della matrice a A = 3a 2 a 2a a a 2 ed utilizzarla per calcolare il det(a). 2. Calcolare il determinante della matrice
DettagliRICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella
DettagliEsercitazione di Calcolo Numerico 1 27 Maggio Calcolare la fattorizzazione P A = LU della matrice A =
Esercitazione di Calcolo Numerico 1 27 Maggio 29 1. Calcolare la fattorizzazione P A = LU della matrice 1 2 3 A = 2 3 3, ed utilizzarla per risolvere il sistema lineare Ax = b, con b = (1, 2,, 16) T. 2.
DettagliSistemi di equazioni lineari. la soluzione è unica se det(a) 0 e vale
Sistemi di equazioni lineari a 00 x 0 + a 01 x 1 + a 02 x 2 = b 0 a 10 x 0 + a 11 x 1 + a 12 x 2 = b 1 a 20 x 0 + a 21 x 1 + a 22 x 2 = b 2 Per N equazioni N 1 j=0 a ij x j = b i i = 0, N 1 la soluzione
DettagliLaboratorio di Calcolo Numerico
Laboratorio di Calcolo Numerico M.R. Russo Università degli Studi di Padova Dipartimento di Matematica Pura ed Applicata A.A. 2009/2010 INDICE Sistemi lineari Casi particolari Eliminazione di Gauss Fattorizzazione
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Sistemi lineari Introduzione e Metodi diretti Docente Vittoria Bruni Email: vittoria.bruni@sbai.uniroma1.it
DettagliLABORATORIO DI PROGRAMMAZIONE E CALCOLO Docente E. Carlini A.A. 2012/13 Foglio di esercizi N.8 con la collaborazione di Andrea Pugliese
LABORATORIO DI PROGRAMMAZIONE E CALCOLO Docente E. Carlini A.A. / Foglio di esercizi N.8 con la collaborazione di Andrea Pugliese Dovete strutturare i programmi dei seguenti esercizi in funzioni ) (Metodo
DettagliRISOLUZIONE DI SISTEMI LINEARI
RISOLUZIONE DI SISTEMI LINEARI Algebra lineare numerica 1 La risoluzione di un sistema lineare è il nucleo principale del processo di risoluzione di circa il 70% di tutti i problemi reali Per la risoluzione
DettagliFattorizzazione LU (lu)
Fattorizzazione LU (lu) Pivoting Esercizio Si consideri la matrice d A = / d d / d = LU; dove d è un parametro reale non nullo. Si utilizzi la fattorizzazione di A per risolvere il sistema Ax = b, con
DettagliARGOMENTI DEL CORSO CALCOLO NUMERICO
ARGOMENTI DEL CORSO CALCOLO NUMERICO A.A. 2009/10 A = L U L= 1 l 2,1 1.... l n,1... l n,n 1 1 U = u 1,1... u 1,n u 2,2.... u n,n Algebra Lineare Numerica Giulio Casciola (novembre 2004, rivista e corretta
DettagliMetodi Diretti per la Risoluzione di Sistemi Lineari
Metodi Diretti per la Risoluzione di Sistemi Lineari Luca Gemignani luca.gemignani@unipi.it 20 marzo 2018 Indice Lezione 1: Sistemi Triangolari. 1 Lezione 2: Matrici Elementari di Gauss ed il Metodo di
DettagliMACROAREA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Magistrale in Matematica
MACROAREA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Magistrale in Matematica TESI DI LAUREA MAGISTRALE Studio della convergenza del metodo delle potenze Relatore: Carmine di Fiore Canditato:
DettagliCorso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a , lez.3)
Docente: Marco Gaviano (e-mail:gaviano@unica.it) Corso di Laurea in Matematica Analisi Numerica (1 mod., 6 crediti, 48 ore, a.a. 2014-2015, lez.3) 1 Analisi Numerica 1 mod. a.a. 2014-2015, Lezione n.3
DettagliMotivazioni. Sistemi lineari. Obiettivo. Il problema
Motivazioni Sistemi lineari Metodo di eliminazione di Gauss Molti problemi si possono rappresentare mediante un sistema lineare La soluzione di un sistema lineare costituisce un sottoproblema di moltissime
DettagliMATRICI E SISTEMI LINEARI
MATRICI E SISTEMI LINEARI - PARTE I - Felice Iavernaro Dipartimento di Matematica Università di Bari 27 Febbraio 2006 Felice Iavernaro (Univ. Bari) Matrici e Sistemi lineari 27/02/2006 1 / 1 Definizione
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 20-206 Laboratorio 8. (punteggio 3/3/) Si consideri la funzione f(x) = sin(e x/2 ).. Si approssimi la radice α di f nell intervallo [0, 3.] utilizzando
DettagliCenni sui metodi iterativi per sistemi lineari. Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015
Cenni sui metodi iterativi per sistemi lineari Analisi Numerica Prof. M. Lucia Sampoli a.a. 2014/2015 Metodi numerici per sistemi lineari Nei metodi diretti la presenza di eventuali elementi nulli nella
DettagliProblema. Sistemi lineari. Problema. Problema. Quali sono i potenziali in ogni nodo? Leggi di Kirkoff e di Ohm:
Problema 4 Ω 3 3 Ω 2 2 Ω 40 V Sistemi lineari 2 Ω Ω 2 Ω Ω 5 6 7 8 Ω 4 Ω Ω 0 V Quali sono i potenziali in ogni nodo? 2 4 Ω Problema 3 3 Ω 2 2 Ω 40 V 4 Ω Problema 3 3 Ω 2 2 Ω 40 V 2 Ω Ω 2 Ω Ω 2 Ω Ω 2 Ω Ω
DettagliCalcolo Numerico (CdS in Matematica) A.A. 2012/13
Calcolo Numerico (CdS in Matematica) A.A. 2012/13 Esercitazione di Laboratorio sulla risoluzione di sistemi di equazioni lineari Parte 1. Fattorizzazione di matrici Scrivere una funzione Matlab che implementi
Dettagli8 Metodi iterativi per la risoluzione di sistemi lineari
8 Metodi iterativi per la risoluzione di sistemi lineari È dato il sistema lineare Ax = b con A R n n e x, b R n, con deta 0 Si vogliono individuare dei metodi per determinarne su calcolatore la soluzione,
Dettagli= 3 (con qualunque precisione di macchina) e richiede una sola operazione, mentre attraverso il calcolo dell'inversa 1/7 si ottiene la soluzione
CAP2A-DUDOC Versione aggiornata il 2/0/93 2- METODI DIRETTI I metodi diretti per la risoluzione numerica dei sistemi lineari consistono sostanzialmente nell'applicazione del metodo di riduzione di Gauss
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dottssa Maria Carmela De Bonis aa 2013-14 Metodi diretti Si chiamano metodi diretti quei metodi numerici che risolvono sistemi lineari in un numero finito di passi In altri termini, supponendo di effettuare
DettagliSi dimostra che queste funzioni godono delle proprietà delle norme (ossia sono norme).
Norma di un vettore I Una norma vettoriale su R n è una funzione : R n R + {}, che associa ad ogni vettore x R n, di componenti x i, i = 1,..., n, uno scalare, in modo che valgano le seguenti proprietà:
DettagliLaboratorio di Calcolo Numerico Laboratorio 11: Metodi diretti per la soluzione di sistemi lineari
Laboratorio di Calcolo Numerico Laboratorio 11: Metodi diretti per la soluzione di sistemi lineari Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 17 Maggio 2017
DettagliCorso di Matematica per la Chimica
Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis Dipartimento di Matematica, Informatica e Economia Università della Basilicata a.a. 2014-15 Propagazione degli errori introdotti nei dati
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
DettagliRisoluzione di più sistemi con la stessa matrice
Risoluzione di più sistemi con la stessa matrice Data A R n n e b R n, calcolare x e z : Ax = b, Az = c costo del MEG ( 2 3 n3 + n 2) + ( 2 3 n3 + n 2) costo totale = 4 3 n3 + 2n 2 Obiettivo: separare
DettagliEsercitazione 5: Sistemi a risoluzione immediata.
Esercitazione 5: Sistemi a risoluzione immediata. Ipotesi: Supponiamo le matrici non singolari. Nota: Per verificare che si ha risolto correttamente il sistema lineare Ax = b basta calcolare la norma del
DettagliEsercizio 1 Sia. a n. X (k+1) = X (k) (2I AX (k) )
Esercizi per la parte Numerica e Algoritmica, Prof. Serra-Capizzano. Gli esercizi elencati sono da ritenersi come una palestra molto impegnativa: i testi di esame che saranno proposti non avranno una difficoltà
DettagliLezione n. 1. Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale)
Lezione n. 1 Introduzione all analisi numerica (richiami di algebra lineare e analisi funzionale) R. Albanese, "Metodi numerici Pag. 1 Pag. 2 Programma 1. Introduzione all analisi numerica (richiami di
DettagliAlgoritmi del gradiente e del gradiente coniugato per la risoluzione di sistemi lineari
Sommario Algoritmi del gradiente e del gradiente coniugato per la risoluzione di sistemi lineari Gabriele Basile Fabio Chiodo Dipartimento di Matematica e Informatica Università di Catania Seminario di
DettagliProgramma del corso di: Laboratorio di Programmazione e Calcolo Corso di laurea in Matematica a.a Proff. B. Paternoster, D.
Programma del corso di: Laboratorio di Programmazione e Calcolo Corso di laurea in Matematica a.a.009-0 Proff. B. Paternoster, D. Conte Risoluzione di un problema con il calcolatore: dal problema reale
DettagliAutovalori e autovettori
Capitolo 3 Autovalori e autovettori 3. Richiami di teoria Prerequisiti: nozioni elementari di algebra lineare, numeri complessi. Sia A R n n. Un numero λ per cui esiste un vettore x 0 tale che valga la
DettagliAlgebra lineare numerica
Algebra lineare numerica Sistemi lineari Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 in Matlab Metodi di risoluzione Fattorizzazione Analisi degli errori Numero
DettagliProgrammare con MATLAB c Parte 5 Cicli: for e while
Programmare con MATLAB c Parte 5 Cicli: for e while Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 La notazione due punti 2 Ciclo: for 3 Ciclo con controllo: while
DettagliPer esempio, una matrice 4 4 triangolare alta ha la forma. 0 a. mentre una matrice di ordine 4 triangolare bassa è del tipo
Matrici triangolari Prima di esporre il metodo LU per la risoluzione di sistemi lineari, introduciamo la nozione di matrice triangolare Ci limiteremo al caso di matrici quadrate anche se l estensione a
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliTrasformazione elementari di Givens
Trasformazione elementari di Givens dove Osservazione Esprime una rotazione di ampiezza ϕ Esempio (n=2) Osservazione Rotazione nel senso positivo degli archi In generale Il prodotto matrice vettore equivale
DettagliEsercitazione 4: Vettori e Matrici
Esercitazione 4: Vettori e Matrici Richiami di teoria: Norme di vettore Principali norme di vettore:. x = n i= x i 2. x 2 = n i= x i 2 3. x = max i n x i Ad esempio dato il vettore x = (, 2, 3, 4) abbiamo.
DettagliNorme di vettori e matrici
Norme di vettori e matrici Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati e proprietà relativi alle norme di vettori e di matrici. 1 Introduzione
DettagliAnalisi Numerica (2 moduli, 12 crediti, 96 ore, a.a )
Docente: Marco Gaviano (e-mail:gaviano@unica.it) Corso di Laurea in Matematica Analisi Numerica (2 moduli, 12 crediti, 96 ore, a.a. 2014-2015) 1 Analisi Numerica 1 mod, a.a. 2014-2015, Lezione, n.1 Scopo
Dettagli