Metodi iterativi. Problema del fill-in Metodo di Jacobi Metodo di Gauss Seidel Studio della convergenza
|
|
- Olivia Santoro
- 5 anni fa
- Visualizzazioni
Transcript
1 Metodi iterativi Problema del fill-in Metodo di Jacobi Metodo di Gauss Seidel Studio della convergenza
2 Problema del Fill-in Se calcoliamo la fattorizzazione LU di una matrice A sparsa, cioè con un numero elevato di elementi nulli, otteniamo che i fattori L ed U sono molto più pieni
3 Esempio Consideriamo per esempio la matrice: >> a=[ ; ; ; ; ] a = Questa matrice è tridiagonale, con solo 2 elementi diversi da 0 fuori della struttura tridiagonale
4 Calcolando la fattorizzazione LU otteniamo >> [l,u]=lu(a) l = u =
5 Continuo lo studio del fill-in Per approfondire lo studio del fill in, devo creare matrici sparse più grandi e analizzarne la struttura. Servono due nuovi comandi Function SPDIAGS Function FULL Function SPY
6 Function SPDIAGS Il comando A=spdiags(B,d,m,n) crea una matrice A m per n, con diagonali uguali alle colonne di B, disposte nella posizione indicate dal vettore d: Esempio: >> n=10; >> e=ones(n,1); >> b=[e, -e, 6*e, -e, 2*e]; >> d=[-n/ n/2]; >> a=spdiags(b,d,n,n); Crea una matrice 10X10, con 5 diagonali non nulle
7 Function FULL La matrice creata da SPDIAGS è memorizzata considerando solo gli elementi diversi da zero, in modo da conservarne la struttura sparsa. Per avere la matrice completa, devo espanderla con FULL.
8 >> n=10; >> e=ones(n,1); >> b=[e, -e, 6*e, -e, 2*e]; >> d=[-n/ n/2]; >> a=spdiags(b,d,n,n); >> full(a) ans =
9 Function SPY La function spy(a) permette di visualizzare la sparsità di una matrice. Il comando SPY(A) genera un grafico, nel quale sono evidenziati con un punto solo gli elementi di A che sono diversi da zero. Esempio. Studiamo la sparsità della fattorizzazione LU della matrice A. Per far questo, applichiamo SPY sia ad A che alla fattorizzazione LU, per N=10 e per N=100. Per visualizzare sia L che U nella figura che segue, la function SPY è stata applicata alla matrice L+U.
10 Risultati ottenuti con il programma fill_in.m
11 Listato dello script fill_in.m % Questo programma studia il fill-in della fattorizzazione LU % di una matrice sparsa A k=0; for n=[10, 100] e=ones(n,1); b=[e, -e, 6*e, -e, 2*e]; d=[-n/ n/2]; a=spdiags(b,d,n,n); full(a); k=k+1; subplot(2,2,k) spy(a) title('matrice A') k=k+1; [l,u]=lu(a); subplot(2,2,k) spy(l+u) title('fattorizzazione LU')
12 Commenti I risultati precedenti dimostrano che la fattorizzazione LU di una matrice sparsa genera un gran numero di elementi diversi da zero. Il numero degli elementi diversi da zero inoltre cresce velocemente all aumentare delle dimensioni della matrice. Quindi, se risolvo un sistema lineare sparso usando la fattorizzazione LU devo: - calcolare un elevato numero di elementi; - memorizzare tutti gli elementi calcolati. Per questo tipo di sistemi, è conveniente usare i metodi iterativi
13 Metodi iterativi Per applicare un metodo iterativo ad una matrice sparsa, devo evitare di memorizzare tutta la matrice, altrimenti perdo tutti i possibili vantaggi del metodo iterativo. Infatti, se ho abbastanza memoria per memorizzare A, ho anche abbastanza memoria per memorizzare la fattorizzazione LU. Inoltre, ogni iterazione richiede il prodotto A*x, e diventa quindi molto costosa se non sfrutto la sparsità di A.
14 Per applicare un metodo iterativo, quindi, devo sfruttare la struttura del sistema lineare che devo risolvere. Questo implica che non è possibile scrivere una function che applichi un metodo iterativo ad un problema generale. Devo invece scrivere il metodo iterativo per una classe particolare di sistemi lineari. Tuttavia, iniziamo ad applicare i metodi di Jacobi e di Gauss Seidel a matrici A generali. Le functions che otterremo ora non sfrutteranno la struttura di A e quindi non saranno efficienti
15 Metodo di Jacobi Scriviamo una function che applichi il metodo di Jacobi ad un generico sistema A*x=b. La function richiesta deve: - dare in output il vettore soluzione e il numero delle iterazioni che sono state eseguite; - avere in input la matrice A ed il termine noto B; - contenere un opportuno test di arresto.
16 Listato per il metodo di Jacobi (function jacobi.m) function [xnew,nit]=jacobi(a,b) % JACOBI(A,b) calcola la soluzione XNEW ottenuta con il metodo di % Jacobi e il numero NIT di iterazioni necessarie % per il sistema lineare A*XNEW=b % Sintassi: [XNEW,NIT]=JACOBI(A,b) % Attenzione: Applicazione naive del metodo di Jacobi, che non % sfrutta la sparsita' di A. [n,m]=size(a); if m ~= n display('a non e` quadrata') return m=length(b); if m ~= n display( b non e` compatibile') return continua...
17 Calcolo della nuova stima: % Come vettore iniziale usa b: x=b ; kmax=n^2; for k=1:kmax for i=1:n sum=b(i); for j=1:n if j~=i sum=sum-a(i,j)*x(j); xnew(i)=sum/a(i,i); continua...
18 Test di arresto: % Test di arresto: res = norm(a*xnew' -b); diff = norm(x-xnew); if res <= eps*norm(b) diff<=eps*norm(x) nit=k; return else x=xnew; nit=kmax;
19 Risolvo, usando il metodo di Jacobi, il sistema lineare A*x=b, dove A è la stessa matrice 10X10 costruita dalla function SPARSA(N) e b è il vettore ONES(10,1): function a=sparsa(n) % Genera la matrice sparsa n*n a diagonale dominante % usata come esempio in questo capitolo e=ones(n,1); % per avere una matrice a diagonale dominante, diag>=5 diag=6; b=[e, -e, diag*e, -e, 2*e]; d=[-n/2, -1, 0, 1, n/2]; a=spdiags(b,d,n,n);
20 Per applicare il metodo di Jacobi, devo dare i seguenti comandi: >> n=10; >> a=sparsa(n); >> afull=full(a); >> b=ones(n,1); >> [x,nit]=jacobi(afull,b); Ottengo: >> x x = Columns 1 through Columns 9 through >> nit nit = 54
21 Metodo di Gauss Seidel Scriviamo una function che applichi il metodo di Gauss Seidel ad un generico sistema A*x=b. La function richiesta deve: - dare in output il vettore soluzione e il numero delle iterazioni che sono state eseguite; - avere in input la matrice A ed il termine noto b; - contenere un opportuno test di arresto.
22 Listato per il metodo di Gauss Seidel (function gs.m) function [x,nit]=gs(a,b) % GS(A,b) calcola la soluzione XNEW ottenuta con il metodo di % Gauss Seidel e il numero NIT di iterazioni necessarie % per il sistema lineare A*XNEW=b % Sintassi: [XNEW,NIT]=GS(A,b) % Attenzione: Applicazione naive del metodo di Gauss Seidel, che non % sfrutta la sparsita' di A. [n,m]=size(a); if m ~= n display('a non e` quadrata') return m=length(b); if m ~= n display( b non e` compatibile') return
23 Calcolo della nuova stima: % Come vettore iniziale usa b: x=b'; kmax=n^2; for k=1:kmax xold=x; %immagazzina il vecchio vettore X for i=1:n sum=b(i); for j=1:n if j~=i sum=sum-a(i,j)*x(j); x(i)=sum/a(i,i); %Riscrive su X
24 Test di arresto: % Test di arresto: res = norm(a*x' -b); diff = norm(x-xold); if res <= eps*norm(b) diff<=eps*norm(x) nit=k; return nit=kmax;
25 Per applicare il metodo di Gauss-Seidel, devo dare i seguenti comandi: >> n=10; >> a=sparsa(n); >> afull=full(a); >> b=ones(n,1); >> [x,nit]=gs(afull,b); Ottengo: >> x x = Columns 1 through Columns 9 through >> nit nit = 30
26 Ottengo circa lo stesso vettore soluzione, X, ma il numero di iterazioni è molto più basso (circa la metà). Si può dimostrare infatti che per matrici a diagonale dominante, convergono sia il metodo di Jacobi che il metodo di Gauss Seidel. Il metodo di Gauss Seidel in questo caso richiede circa la metà delle iterazioni effettuate dal metodo di Jacobi.
27 Metodo di Jacobi efficiente Per sfruttare le caratteristiche di un metodo iterativo, devo calcolare il prodotto A*X senza immagazzinare la matrice A e sfruttando la sparsità di A. Scrivere una routine che applichi il metodo di Jacobi alla matrice pentadiagonale che stiamo studiando in questo capitolo. In particolare dobbiamo cambiare il calcolo di A*X, teno conto solo dei contributi diversi da zero.
28 Ottengo la function jac_a.m function [xnew,nit]=jac_a(b) % Questa function applica il metodo di Jacobi alla % matrice sparsa costruita dalla function SPARSA n=length(b); x=b'; kmax=n^2; diag=6; N.B. Questa function può essere applicata soltanto alla matrice SPARSA(N), quindi in input non ho bisogno di passare la matrice dei coefficienti, ma solo il vettore b
29 Calcolo della nuova stima for k=1:kmax % la prima riga contiene gli elementi delle diagonali % 0 1 e n/2 xnew(1) = (b(1) -(-x(2)+2*x(n/2+1)) )/diag; % le righe da 2 a n/2 contengono gli elementi delle % diagonali -1, 0, 1, n/2 for i=2:n/2 xnew(i)=(b(i) -(-x(i-1)-x(i+1)+2*x(n/2+i)) )/diag; % le righe da n/2+1 a n-1 contengono gli elementi delle % diagonali -n/2, -1, 0, 1 for i=n/2+1:n-1 xnew(i)=(b(i) -(x(i-n/2)-x(i-1)-x(i+1)) )/diag; % la riga n contiene gli elementi delle diagonali % -n/2, -1, 0 xnew(n) = (b(n) -(x(n/2)-x(n-1)) )/diag;
30 Test di arresto: % Test di arresto: diff = norm(x-xnew); if diff<=eps*norm(x) nit=k; return else x=xnew; nit=kmax;
31 Per calcolare la soluzione del sistema A*x=b, dove A ha la struttura particolare di SPARSA(N), devo fornire soltanto b: la routine legge le dimensioni del sistema dal vettore b, cioè devo dare i comandi: >> b=ones(10,1); >> [x,nit]=jac_a(b) x = Columns 1 through Columns 9 through nit = 54 Esercizio 1: scrivere una function simile per il metodo di Gauss- Seidel.
32 Esercizio 2. Confrontare l efficienza delle due functions jacobi(a,b) e jac_a(b), osservando il tempo di esecuzione per N=10 e per N=100 nei due casi
33 Convergenza dei metodi iterativi Sappiamo che un metodo iterativo converge se e solo se il raggio spettrale della matrice di iterazione è minore di 1. Quindi un metodo per stabilire la convergenza di un metodo iterativo è il seguente: - Calcolo la matrice di iterazione. - Calcolo gli autovalori della matrice di iterazione. - Pro l autovalore di modulo massimo e ne studio il modulo
34 Calcolo degli autovalori di una matrice Per calcolare gli autovalori di una matrice, Matlab dispone della function EIG: x=eig(a) crea un vettore x che contiene una stima degli autovalori di a.
35 Esempio: >> a=[1 2 3; 4 5 6; 7 8 9]; >> x=eig(a) x = Verifico che gli autovalori trovati sono una stima degli autovalori esatti, calcolando il determinante di A - l*eye(3): >> for i=1:3 res(i)=det(a-x(i)*eye(3)); >> res res = 1.0e-011 *
36 Convergenza del metodo di Jacobi La matrice di iterazione per il metodo di Jacobi è B = D -1 *(A-D), dove D contiene gli elementi sulla diagonale di A Costruisco un programma che calcoli il raggio spettrale della matrice di iterazione B per il metodo di Jacobi.
37 Function RHO=CONV_JAC(A) function rho=conv_jac(a) % Calcola il raggio spettrale RHO per la matrice di iterazione % del metodo di Jacobi applicato alla matrice A % Sintassi RHO=CONV_JAC(A) [n,m]=size(a); if m ~= n display('a non e'' quadrata') return for i=1:n d(i,i)=a(i,i); b=inv(d)*(a-d); x=eig(b); rho=max( abs(x));
38 Convergenza del metodo di Gauss-Seidel La matrice di iterazione per il metodo di Gauss-Seidel è B = E -1 *(A-E), dove E è formata dagli elementi della parte triangolare inferiore di A Costruisco un programma che calcoli il raggio spettrale della matrice di iterazione B per il metodo di Gauss-Seidel.
39 Function CONV_GS(A) function rho=conv_gs(a) % Calcola il raggio spettrale RHO per la matrice di iterazione % del metodo di Jacobi applicato alla matrice A % Sintassi RHO=CONV_JAC(A) [n,m]=size(a); if m ~= n display('a non e` quadrata') return for i=1:n for j=1:i d(i,j)=a(i,j); b=inv(d)*(a-d); x=eig(b); rho=max( abs(x));
Metodi iterativi. Problema del fill-in Metodo di Jacobi Metodo di Gauss Seidel Metodo SOR Studio della convergenza
Metodi iterativi Problema del fill-in Metodo di Jacobi Metodo di Gauss Seidel Metodo SOR Studio della convergenza Problema del Fill-in Sia A una matrice sparsa, cioè con un numero elevato di elementi nulli.
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 6 Metodi iterativi per sistemi lineari
Complementi di Matematica e Calcolo Numerico A.A. 2017-2018 Laboratorio 6 Metodi iterativi per sistemi lineari Dati una matrice A R N N non singolare e un vettore b R N, un metodo iterativo per la risoluzione
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
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
DettagliCome fatto finora, presentiamo dapprima alcune utili comandi per manipolare matrici e per risolvere sistemi non lineari. c 1 r 2 r 3... r n.
LABORATORIO DI ANALISI NUMERICA Laurea Magistrale in Statistica e Informatica Esercitazione di algebra lineare numerica Prof. Stefano De Marchi Padova, October 29, 2009 Come fatto finora, presentiamo dapprima
DettagliMatrici. 3. Costruire le seguenti matrici, contarne gli elementi non nulli e visualizzarle con spy: . B 10x10 = ; D 7x7 =
Matrici diag, tril, triu. Sia v il vettore colonna casuale di lunghezza. Calcolare: diag(v), diag (v,), diag (v,-), diag(v,), diag(v,-). Sia A la matrice magica x. Calcolare: tril(a), tril(a, ), tril(a,
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
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
DettagliProgetto Matlab N 2. Calcolo Numerico 6 CFU. Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014
Progetto Matlab N 2 Calcolo Numerico 6 CFU Corso di Laurea in Ingegneria delle Comunicazioni 31/05/2014 Procedimento 1. Scrivere una function che implementi il prodotto matrice-vettore AX con A matrice
DettagliCalcolo Numerico I - a.a Laboratorio 9 - Sistemi lineari
Calcolo Numerico I - a.a. 200-20 Laboratorio 9 - Sistemi lineari Fattorizzazione di Cholesky Se A R n n è una matrice simmetrica definita positiva, allora esiste una matrice R R n n triangolare superiore
Dettagli1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso
Domanda 1 1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso x n+1 = x n f(x n), n = 0, 1, 2,... K dove x 0 è il punto iniziale, f(x) = x 3 cos(x) e K è una costante assegnata.
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
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,
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
DettagliEsercizi sulla rappresentazione compatta di matrici sparse
Esercizi sulla rappresentazione compatta di matrici sparse Esercizio 1 Generare due matrici sparse A e B, di dimensione nxn, a banda, simmetrica sullo skyline ma non sui valori, con banda compresa tra
DettagliMetodi iterativi per la soluzione di sistemi lineari: Jacobi e Gauss-Seidel
Metodi iterativi per la soluzione di sistemi lineari: Jacobi e Gauss-Seidel Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica Pura e Applicata 15 aprile 2013 Alvise Sommariva
DettagliMetodi iterativi SISTEMI LINEARI. Metodi Iterativi. Jacobi, Gauss-Seidel
, 1 Quando è conveniente usarli? 2 stazionari Il metodo di Il metodo di Condizioni per la convergenza 1 Quando è conveniente usarli? 2 stazionari Il metodo di Il metodo di Condizioni per la convergenza
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Metodi iterativi classici 2 I metodi del gradiente e del gradiente coniugato
DettagliEquazioni differenziali con valori al bordo
Equazioni differenziali con valori al bordo Lucia Gastaldi DICATAM - Sez. di Matematica, http://www.ing.unibs.it/gastaldi/ Indice 1 Equazioni differenziali con valori ai limiti 2 Matrici, norme e condizionamento
DettagliFunzioni per la costruzione di matrici
Funzioni per la costruzione di matrici Lucia Gastaldi Dipartimento di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Matrice identità: eye Vettori e matrici costanti Matrici diagonali Matrici triangolari
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. 2014-2015) Appunti delle lezioni sui metodi numerici per la soluzione di sistemi lineari Metodi Iterativi la soluzione si ottiene tramite approssimazioni
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
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
DettagliMatrici e sistemi lineari
Matrici e sistemi lineari Norme di vettori e matrici È spesso utile valutare la norma di vettori o matrici. Matlab fornisce per questo la funzione norm. Vediamone lʼuso, richiamando le definizioni. >>
DettagliEQUAZIONI DIFFERENZIALI
EQUAZIONI DIFFERENZIALI Si consideri il problema di Cauchy y'(t) t y, y() y(t) t e. t, la cui soluzione esatta è PARTE a. Approssimare il problema di Cauchy con il metodo di Eulero Esplicito b. Eseguire
DettagliAlgebra lineare numerica in Matlab
Algebra lineare numerica in Matlab Alvise Sommariva Università degli Studi di Padova Dipartimento di Matematica Pura e Applicata 3 gennaio 2019 Alvise Sommariva Algebra lineare numerica in Matlab 1/ 19
DettagliLaboratorio di Analisi Numerica Lezione 6
Laboratorio di Analisi Numerica Lezione 6 Gianna Del Corso Federico Poloni 6 Novembre 2012 Quantità di esercizi: in questa dispensa ci sono più esercizi di
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
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
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliMatLab - Testo pagina 1 di 5 101
MatLab - Testo pagina 1 di 5 101 8. FUNZIONI E SCRIPT IN MATLAB 801. Scrivere il listato di un file funzione MatLab alfa(x) che, dato un numero reale x dia come risultato la matrice p calcolata come segue:
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
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
DettagliLaboratorio di Analisi Numerica Lezione 6
Laboratorio di Analisi Numerica Lezione 6 Federico Poloni 22 dicembre 2010 Quantità di esercizi: in questa dispensa ci sono più esercizi di quanti uno studente medio riesce a farne durante
DettagliOsservazione. Convergenza dei metodi di Gauss-Seidel e di Jacobi. Condizioni sufficienti per la convergenza. Definizione
Osservazione Convergenza dei metodi di Gauss-Seidel e di Jacobi Fallimento dei metodi. (Es. Gauss- Seidel Condizioni sufficienti; teoremi di localizzazione degli autovalori; dimostrazione di convergenza
DettagliEsercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A
Esercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A. 2018-19 1. Scrivere la function Matlab myfun.m che valuti la funzione e la sua derivata in corrispondenza delle
DettagliInterpolazione polinomiale. Gabriella Puppo
Interpolazione polinomiale Gabriella Puppo Interpolazione polinomiale Matrice di Vandermonde Costruzione del polinomio di interpolazione Studio dell errore Fenomeno di Runge Condizionamento Matrice di
DettagliCorso di Geometria BIAR, BSIR Esercizi 3: soluzioni
Corso di Geometria - BIAR, BSIR Esercizi : soluzioni Rango e teorema di Rouché-Capelli Esercizio. Calcolare il rango di ciascuna delle seguenti matrici: ( ) ( ) ( ) A =, A =, A =, A 4 = ( ). a a a Soluzione.
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 8 febbraio 2008 Outline 1 Metodi iterativi classici Derivazione dei metodi iterativi Convergenza
DettagliLaboratorio di Calcolo Numerico Laboratorio 11: Metodi iterativi per la soluzione di sistemi lineari. 20 Maggio 2019
Laboratorio di Calcolo Numerico Laboratorio 11: Metodi iterativi per la soluzione di sistemi lineari 20 Maggio 2019 Risolvere sistemi di equazioni lineari Metodi Iterativi Data una matrice quadrata A di
DettagliSistemi II. Sistemi II. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+
DettagliESERCIZI DI CALCOLO NUMERICO
Mawell ESERCZ D CLCOLO NUMERCO Sistemi lineari Esercizio : Date e erminare la fattorizzazione LU applicando il pivoting parziale; usando la fattorizzazione LU, risolvere il sistema lineare. Svolgiamo l
DettagliCalcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del
Calcolo Numerico per Ingegneria. Corso estivo di Bressanone. Prof. L. Bergamaschi SOLUZIONE DELLA PROVA SCRITTA del 9.8.2. Data l equazione x x = (a) Mostrare che essa ammette una e una sola soluzione
DettagliCalcolo Numerico - Prova Matlab 19 luglio 2013
9 luglio 0 () tempo a disposizione per completare la prova: ora; () lo svolgimento della prova deve essere salvato in file denominati cognomenome#m; () è fatto assoluto divieto di aprire applicazioni diverse
DettagliCalcolo del precondizionatore K 1
Calcolo del precondizionatore K 1 Ax = b sistema lineare sparso, simmetrico, definito positivo. Soluzione del sistema utilizzando il GCM con un opportuno precondizionatore K 1. K 1 deve essere tale che
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Lucia Gastaldi DICATAM - Sez. di Matematica, http://www.ing.unibs.it/gastaldi/ Indice 1 Metodi iterativi classici Derivazione dei metodi iterativi Convergenza 2 Metodi
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
DettagliLaboratorio di Matematica Computazionale A.A Lab. 5
Laboratorio di Matematica Computazionale A.A. -8 Lab. Costruzione e Manipolazione di Matrici diag tril triu nnz find spy. Sia v il vettore colonna casuale di lunghezza. Calcolare: diag(v) diag (v) diag
DettagliMetodi iterativi per sistemi lineari
Generare una successione di vettori Metodi iterativi per sistemi lineari convergente alla soluzione del sistema Convergenza in norma Costruzione di un metodo iterativo Per una qualche norma vettoriale
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
DettagliISTITUTO DI ISTRUZIONE SUPERIORE A. EINSTEIN. CORSO AM08 Approfondimenti di matematica
ISTITUTO DI ISTRUZIONE SUPERIORE A. EINSTEIN CORSO AM8 Approfondimenti di matematica Prof. Fernando D Angelo Sistemi lineari e Metodi iterativi Cos è un metodo iterativo? I metodi iterativi consentono
DettagliLaboratorio di Calcolo Numerico - Corso di Laurea in Matematica Appello d esame del 18/09/2012
Cognome: Nome: Matricola: Laboratorio di Calcolo Numerico - Corso di Laurea in Matematica Appello d esame del 18/09/2012 ESERCIZIO 1 [10 punti] Si consideri il sistema lineare Ax = b, con 9 2 1 A = 1 5
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.
DettagliMETODI ITERATIVI DI JACOBI E GAUSS-SEIDEL
1. DESCRIZIONE DEL PROBLEMA Function file che implementa: L algoritmo di Jacobi o di Gauss Seidel per la risoluzione di un sistema lineare Ax=b con A sparsa (generata dall utente con il comando sparse).
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.
DettagliEsercitazione 6: Metodi iterativi per sistemi lineari.
Esercitazione 6: Metodi iterativi per sistemi lineari. Richiami di Teoria Iterazione di Jacobi e Gauss Seidel. I metodi iterativi sono basati sul calcolo della soluzione x del sistema lineare Ax = b come
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
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
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
DettagliEsercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A
Esercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A. 2017-18 1. Scrivere la function Matlab myfun.m che calcoli la funzione e la sua derivata. La function deve ricevere
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 24 settembre 2007 Outline 1 M-file di tipo Script e Function Script Function 2 Elementi di programmazione
DettagliEquazioni non lineari. Gabriella Puppo
Equazioni non lineari Gabriella Puppo Equazioni non lineari Passare una function come argomento Metodo di bisezione Metodo di Newton Metodo delle secanti Funzione fzero Passare una function come argomento
DettagliQuale delle seguenti rappresentazioni del numero reale è in virgola mobile normalizzata?
Quale delle seguenti istruzioni MATLAB esegue il calcolo del raggio spettrale di una matrice quadrata A? a. max(eig(abs(a))) b. max(abs(eig(a))) c. abs(max(eig(a))) d. max(abs(eig(a *A))) Il raggio spettrale
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
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
DettagliCALCOLO NUMERICO. Francesca Mazzia. Calcolo degli autovalori. Dipartimento Interuniversitario di Matematica. Università di Bari
CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari Calcolo degli autovalori 1 Calcolo degli autovalori Gli autovalore e gli autovettore di una matrice quadrata
DettagliComplementi di Matematica e Calcolo Numerico A.A Laboratorio 10
Complementi di Matematica e Calcolo Numerico A.A. 2014-2015 Laboratorio 10 Convergenza di metodi iterativi per sistemi lineari UnmetodoiterativoperlarisoluzionediunsistemalineareAx = b si scrive in forma
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
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
DettagliPreparazione orale analisi numerica:
Preparazione orale analisi numerica: CAPITOLO Errori (1): Ricavare il coefficiente di amplificazione: Sviluppare la serie di Taylor su di centro CAPITOLO Gerschgorin (4): Primo teorema di Gershgorin (Massimizzare
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.
DettagliEsercitazione 1-I parte
Esercitazione 1-I parte Argomento: Sistemi triangolari Scopo: Implementare il metodo di sostituzione all indietro per la risoluzione di sistemi triangolari superiori. function x=indietro(a,b) Sintassi
DettagliEsame di Calcolo Numerico per Informatica Prof. S. De Marchi Padova, 2 settembre 2013
Esame di Calcolo Numerico per Informatica Prof. S. De Marchi Padova, 2 settembre 2013 1 Domande aperte 1. Ogni matrice quadrata (di ordine n) strettamente definita positiva è invertibile. Perchè? Risposta.
DettagliSistemi lineari: metodi diretti II
Sistemi lineari: metodi diretti II Ana Alonso Dipartimento di Matematica - Università di Trento 8 ottobre 2015 Metodo di eliminazione di Gauss (senza pivotazione) U matrice triangolare superiore. for k
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
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
DettagliDaniela Lera A.A
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2014-2015 Metodi per similitudine Matrici simili hanno gli stessi autovalori. Consideriamo trasformazioni per
DettagliLaboratorio computazionale numerico Lezione 4
Laboratorio computazionale numerico Lezione 4 Federico Poloni 2009-11-04 1 Sottomatrici e determinanti Utilizzando l operatore :, in Octave è possibile selezionare un intera sottomatrice
Dettagli05. Determinare una base ortonormale per ognuno dei seguenti spazi vettoriali.
T.1 BASI ORTONORMALI, MATRICI ORTOGONALI 01. Sia V il sottospazio di IR 3 generato dalla base B : (1, 0, 2), (0, 2, 1). Verificare che anche C : (1, 2, 1), (1, 4, 0) è base per V e ortonormalizzare le
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
DettagliEsercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari
Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari 4 maggio Nota: gli esercizi più impegnativi sono contrassegnati dal simbolo ( ) Esercizio Siano 3 6 8 6 4 3 3 ) determinare
DettagliLaboratorio di Calcolo Numerico Laboratorio 12: Metodi iterativi per la soluzione di sistemi lineari
Laboratorio di Calcolo Numerico Laboratorio 12: Metodi iterativi per la soluzione di sistemi lineari Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 24 Maggio 2017
DettagliSistemi lineari: metodi diretti II
Sistemi lineari: metodi diretti II Ana Alonso Dipartimento di Matematica - Università di Trento 9 ottobre 2014 Metodo di eliminazione di Gauss (senza pivotazione) U matrice triangolare superiore. for k
DettagliSoluzione sistemi lineari
Soluzione sistemi lineari Laboratorio di programmazione e calcolo Chimica e Tecnologie chimiche Pierluigi Amodio Dipartimento di Matematica Università di Bari Soluzione sistemi lineari p. / matrice diagonale
DettagliLaboratorio 2. Calcolo simbolico, limiti e derivate. Metodo di Newton.
Anno Accademico 2007-2008 Corso di Analisi 1 per Ingegneria Elettronica Laboratorio 2 Calcolo simbolico, limiti e derivate. Metodo di Newton. 1 Introduzione al Toolbox simbolico Con le routines del Symbolic
DettagliEquazioni differenziali con valori al bordo
Equazioni differenziali con valori al bordo Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Equazioni di diffusione reazione 2 Equazioni di diffusione reazione Si consideri
DettagliVettori e Matrici. Corso di Calcolo Numerico. 24 Aprile 2018
Vettori e Matrici 24 Aprile 2018 Richiami In MATLAB, ogni variabile ha una struttura di tipo vettoriale o array. Un array è un insieme di valori ordinati, cioè memorizza più dati all interno di una struttura
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dottssa MC De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Corso di Calcolo Numerico - Dottssa MC De Bonis
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Mirano a costruire la soluzione x di un sistema lineare come limite di una successione di vettori Per matrici piene di ordine n il costo computazionale è dell ordine
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliEsercizio. fattorizzazione QR? Quale è più conveniente dal punto di vista computazionale
Esercizio Si consideri, fissato n N, la matrice A M n(r) generata dal comando A = magic(n); e il sistema lineare Ax = b, dove il termine noto b R n é scelto in modo tale che la soluzione esatta sia x =
Dettagli