Sistemi sovradeterminati. b vettore(termine noto) V n. y* proiezione ortogonale di b. Carla Guerrini 1
|
|
- Flaviano Corsini
- 4 anni fa
- Visualizzazioni
Transcript
1 Carla Guerrini 1 Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m si vuole trovare una soluzione del sistema sovradeterminato Ax = b. Nel caso in cui la matric A abbia rango pieno, cioé rank(a) sia uguale a n significa cercare di esprimere un vettore di R m come combinazione lineare di soli n vettori dello stesso spazio. Generalmente non esiste alcun x che soddisfa l equazione Ax = b cioé generalmente il residuo b vettore(termine noto) b y* y^ V n y* proiezione ortogonale di b r(x) = b Ax non risulta mai nullo. Possiamo peró chiederci se esiste ed é unico un x che minimizza la norma euclidea del residuo: 2, cioé minimizzare la funzione f : R n R definita da f(x) = r(x) 2 2 = Ax b 2 = (b Ax) T (b Ax) = x T A T Ax 2x T A T b + b T b Nella pratica si vuole minimizzare la somma dei quadrati delle componenti del vettore residuo, vettore che dipende linearmente da x. Si tratta di un problema di approssimazione in quanto, al variare del vettore x, Ax descrive uno spazio V n, ove x varia in R n. Si vuole trovare fra tutti i vettori y di V n quello piú prossimo a b, e una volta trovato y, si vuole anche trovare la sua rappresentazione rispetto alla base costituita dai vettori colonna della matrice A, cioé il vettore x. Il vettore y, proiezione ortogonale di b sullo spazio V n é l unico vettore di V n per cui il residuo r = b y é ortogonale a V n, ogni altro vettore ŷ ha una distanza da b piú elevata. D altra parte il vettore residuo r é ortogonale a V n cioé, é ortogonale a tutti i vettori che costituiscono le colonne di A quindi a T,jr =, quindi A T r = A T y = A T b, A T Ax = A T b queste sono chiamate anche EQUAZIONI NORMALI. Esse risolvono il problema lineare dei minimi quadrati. Una volta costruite possono essere risolte utilizzando la fattorizzazione LU o piú
2 21/12/13 2 appropriatamente una modifica della fattorizzazione dovuta a Cholesky che ha un minor costo computazionale in quanto sfrutta la simmetria della matrice A T A. Un modo piu stabile di risolvere il problema di minimi quadrati é quello di utilizzare la fattorizzazione QR della matrice A ( in ambiente Matlab [Q, R] = qr(a) ove Q R m m, Q T Q = I e R R m n, matrice triangolare alta). Se applicata alle equazioni normali: A T Ax = A T b, avremo: R T Q T QR = R T Q T b, R T Rx = R T Q T b È importante notare che é possibile risolvere un sistema rettangolare senza passare attraverso la costruzione delle equazioni normali che generalmente portano a eseguire molti calcoli e spesso alla costruzione di sistemi mal condizionati poiché vale la relazione: cond(a T A) = (cond(a)) 2. Osserviamo infatti che poiché A R m n, Q R m m, mentre R R m n ove R = [ R1 ] } n righe } m n righe ove R 1 è una matrice triangolare superiore n n non singolare quando A ha rango massimo. Sapendo, inoltre, che le matrici ortogonali lasciano invariata la norma 2, abbiamo Ax b 2 = QRx b 2 = Q(Rx Q T b 2 = Rx Q T b 2. Indichiamo con y = Q T b e partizioniamo il vettore y nel modo seguente y = [ c1 c 2 ] } n righe } m n righe si ottiene quindi quindi Rx c = [ R1 x c 1 ] } n righe c 2 } m n righe min Ax x R b 2 n 2 = min Rx [ x R c 2 n 2 = min R1 x c 1 2 x R n 2 + c 2 2 ] 2 = c min x R n R 1 x c Poichè R 1 è non singolare la soluzione x del sistema lineare è tale che R 1 x = c 1 min x R n R 1 x c 1 2 = min x R n R 1 x c = Ne segue che x è soluzione del problema e il minimo cercato é γ = c Alla risoluzione di un sistema sovradeterminato si riconduce anche il problema di approssimare un insieme di dati provenienti da un esperimento con un polinomio di grado non elevato. Per esempio: consideriamo il problema di stimare i valori della funzione f nota solo nei seguenti dati sperimentali P 1 = (2, 2), P 2 = (4, 11), P 3 = (6, 28), e P 4 = (8, 4). L interpolazione di questi dati richiede la costruzione del polinomio di grado 3. Se imponiamo al generico polinomio di terzo grado p(x) = a 1 + a 2 x + a 3 x 2 + a 4 x 3 di passare per i punti P i, i = 1,... 4 si ha il seguente sistema lineare: a 1 + a a a = 2 a 1 + a a a = 11 a 1 + a a a = 28 a 1 + a a a = 4
3 21/12/13 3 la cui matrice dei coefficienti non é altro che la matrice di Vandermonde di ordine 4 generata dal vettore [2, 4, 6, 8] T, il problema di interpolazione é quindi ricondotto alla risoluzione del seguente sistema lineare: a a a 3 = a 4 4 Risolvendo il sistema con l algoritmo di eliminazione i Gauss si ottiene a 1 = 14; a 2 = ; a 3 = 17 4 ; a 4 = Il grafico del polinomio é riportato nella figura sottostante. 45 interp. pol.3 grado 45 approssimazione lineare Se i dati sono affetti da errore si puó pensare che sia una retta, cioé un polinomio di primo grado p(x) = a 1 + a 2 x, la funzione che descrive meglio il fenomeno che si sta indagando. La costruzione delle equazioni normali H T Ha = H T y porta alla formazione del seguente sistema lineare: H = ; H H = [ ] [ ; H 81 y = 536 Risolvendo il sistema lineare si trova rispettivamente a 1 = 25 2, a 2 = 131 2, e il grafico del polinomio di primo grado é riportato in figura. ]. Piú in generale un problema di approssimazione puó essere formalizzato nel seguente modo: fissato un insieme di n + 1 funzioni ϕ j (x), j =, 1,..., n definite sull intervallo [a, b] contenente i punti di osservazione x i, e in [a, b] linearmente indipendenti, cioé tali che una loro combinazione lineare a coefficienti reali: a j ϕ j (x) j= é identicamente nulla su [a, b] a j = j. Assegnate m osservazioni in corrispondenza di m punti distinti, il problema di approssimare i dati (x i, y i ), i = 1,..., m nel senso dei minimi quadrati consiste nel determinare una funzione ϕ (x) = a j ϕ j (x) Φ j= in modo che [ϕ (x k ) y k ] 2 [ϕ(x k ) y k ] 2, ϕ Φ
4 21/12/13 4 Questo equivale a cercare il minimo della seguente funzione in n + 1 variabili cioè g(a, a 1,..., a n ) = [ a i ϕ i (x k ) y k ] 2, i= min g(a, a 1,..., a n ) a i R Un metodo per risolvere questo problema di minimo consiste nell impostare e risolvere il sistema delle equazioni normali che derivano dall imporre che cioè a i g(a, a 1,..., a n ) a i = i =,..., n [ n ] 2 a i ϕ i (x k ) y k =, i= i =,..., n Infatti essendo la funzione g quadratica con coefficienti positivi per i termini a 2 i avrà un minimo. Prima di procedere alla derivazione riscriviamo la funzione g sviluppando i quadrati allora g(a, a 1,..., a n ) = yk 2 2 g a i = da cui il sistema lineare dove ed y k ϕ i (x k ) + i= a i m y k ϕ i (x k ) + i= j= a i a j m ϕ i (x k )ϕ j (x k ) ( m ) a j ϕ i (x k )ϕ j (x k ), i =,..., n j= Ga = r G = {g i,j } i,j=,...,n, g i,j = r = {r i } i=,...,n, r i = ϕ i (x k )ϕ j (x k ) y k ϕ i (x k ) La matrice G é anche chiamata matrice di Gram. Si può anche notare che algoritmicamente il sistema Ga = r può essere costruito calcolando la matrice H = {h i,j } i=1,...,m,j=,...n delle funzioni base nei punti, cioè h i,j = ϕ j (x i ) e quindi ottenere la matrice G ed il vettore r come: G = H T H; r = H T y In pratica é richiesta la risoluzione del sistema di equazioni normali H T Ha = H T y ove H = ϕ (x 1 ) ϕ 1 (x 1 ) ϕ 2 (x 1 )... ϕ n (x 1 ) ϕ (x 2 ) ϕ 1 (x 2 ) ϕ 2 (x 2 )... ϕ n (x 2 ) ϕ (x 3 ) ϕ 1 (x 3 ) ϕ 2 (x 3 )... ϕ n (x 3 ) ϕ (x m ) ϕ 1 (x m ) ϕ 1 (x m )... ϕ n (x m )
5 21/12/13 5 Nel caso generale qui descritto, la scelta dello spazio Φ è solitamente dettato dal fatto che esista sempre una soluzione unica al problema. Noi tratteremo solamente il caso dell approssimazione polinomiale in cui la matrice G risulta simmetrica e definita positiva, il che garantisce sempre l esistenza e l unicità della soluzione e una buona regolarità della stessa. Forma Monomiale Teorema Siano dati i punti (x i, y i ), i = 1,..., m con x i distinti allora esiste ed è unico il polinomio p P n con n m, di approssimazione nel senso dei minimi quadrati. Si considera p(x) nella forma monomiale, cioé p(x) = a + a 1 x + a 2 x 2 + a 3 x a n x n, in questo caso la matrice H e formata dalle prime n colonne della matrice di Vandermonde generata dal vettore x = [x 1, x 2,..., x m ]. In ambiente Matlab viene generata da: V=vander(x);. H ha la seguente forma: H=V(:,[n:-1:1]) H = 1 x 1 x x n 1 1 x 2 x x n 2 1 x 3 x x n x m x 2 m... x n m Essa non é altro che una matrice di Vandermonde rettangolare, ed essendo i punti x i distinti, avrà rango massimo rispettivamente n + 1; segue che la matrice G = H T H sarà non singolare e il sistema delle equazioni normali avrà un unica soluzione, da cui segue che il polinomio di miglior approssimazione esiste ed è unico Nelle figure sono riportate le approssimazioni polinomiali nella base ϕ k (x) = x k della funzione di Runge f(x) = 1 x su 51 punti equidistanti scelti nell intervallo [ 5, 5] rispettivamente con polinomio di grado 1 (a sinistra), e polinomio di grado 3 (a destra) Chiameremo residuo la quantità d n = [p (x k ) y k ] 2. Si osserva che all aumentare di n (n < m) sarà d n+1 < d n, e per n = m 1 d m 1, questo ovviamente non assicura che p (x) converga alla funzione test nè analiticamente nè numericamente. Negli esempi riportati nelle figure soprastanti si é ottenuto rispettivamente d 1 =
6 21/12/13 6 e d 3 = Nel caso in cui n = m 1 il problema di approssimazione diventa di interpolazione, e il calcolo dell interpolante avviene utilizzando le equazioni normali con matrice H di ordine n + 1 n + 1 conincidente con la matrice di Vandermonde definita sul set di dati x 1, x 2,..., x m con m = n + 1. In questo caso il metodo dei minimi quadrati risulta essere un metodo piú costoso e meno stabile per il calcolo dell interpolante. Approssimare dati con polinomi di grado eccessivamente elevato non é consigliato, perché i polinomi di grado alto risultano poco flessibili e numericamente instabili. Per l approssimazione nel senso dei minimi quadrati è possibile utilizzare polinomi a tratti o spline tipicamente di grado basso, con il vantaggio di avere delle ottime funzioni di approssimazione senza i problemi numerici e di inflessibilità tipici dei polinomi di grado alto. Esempio Siano dati i seguenti punti del piano k x k y k si vuole calcolare il polinomio di grado uno p(x) = a + a 1 x che meglio approssima nel senso dei minimi quadrati. La matrice 1 2 ( ) ( ) H = ; HT H = e H T 52 y = Dobbiamo quindi risolvere il seguente sistema 2 2 ( ) ( ) ( 4 15 a 52 = a 1 ) { a = a 1 = Retta di approssimazione in minimi quadrati o retta di Regressione Dato un set di dati sperimentali acquisiti da un fenomeno ad andamento lineare viene utilizzata la tecnica nota come retta di regressione lineare. Consiste nel determinare il polinomio lineare di approssimazione nel senso dei minimi quadrati dei dati assegnati. La determinazione di tale polinomio viene effettuata mediante soluzione del sistema delle equazioni normali di dimensione 2 2 e puó essere interpretato anche nel seguente modo: H = 1 x 1 1 x 2 1 x 3. 1 x m sarà G = H T H = ( m 1 m x k m x k m x2 k ) e definendo x = 1 m x k, y = 1 m il baricentro dei punti dati, il sistema può essere scritto in modo semplificato: ( ) ( ) ( ) m mx a my = m mx x. ky k m x2 k a 1 y k
7 21/12/13 7 da cui si ricava a = y a 1 x; a 1 = m x ky k mxy m x2 k mx2 In modo ancor più operativo l espressione del polinomio di miglior approssimazione può essere scritta come p(x) = a + a 1 x = y + a 1 (x x) che comporta solo la valutazione di a 1, geometricamente ci dice che la retta di regressione lineare passa per il baricentro del set di dati e ha pendenza a 1 Se scegliamo il grado uguale a 1, allora il polinomio di miglior approssimazione coinciderá con la retta r(x) che minimizza la seguente misura dell errore: [y k r(x k )] 2. k Questa retta di minimi quadrati viene anche chiamata regressione lineare. Come si puó osservare passa per il baricentro dei dati (x, y), poiché r(x) = b + ax = y ax + ax = a(x x) + y Nell esempio precedente k quindi per questi dati x = y = calcolando a, a 1 dalle formule si ottiene Il valore di minimo in questo caso é: x k y k = 15 4 x k y k = 35; k = 52 4 = 13 x 2 k = 99 a = 34 57, a 1 = [y k r(x k )] 2 = = 26.1 Una qualsiasi altra retta passante per il baricentro dei dati dá origine ad un valore residuo piú grande. Nel caso di regressione polinomiale valgono anche le seguenti relazioni: essendo la varianza osservata dei dati x i e S xx = var(x) = 1 n S xy = cov(x, y) = 1 n k (x i x) 2 (x i x)(y i x)
8 21/12/13 8 la covarianza osservata. I coefficienti a e a 1 si possono scrivere nella forma a 1 = S xy S xx ; a = y a 1 x Siano ỹ i = p(x i ), i = 1, 2,..., m i valori che assume il polinomio di best-fit in corrispondenza delle ascisse x i (intercetta), l errore quadratico sqe (square error ) sará dato da sqe = i (ỹ i y i ) 2 La bontá del fitting viene misurato tramite il coefficiente di regressione R 2 o coefficiente di determinazione che misura la bontá dell adattamento della regressione stimata ai dati osservati R 2 = 1 i (ỹ i y i ) 2 i (y i y) 2 si osservi che R 2 1 infatti quando sqe = il polinomio di best-fit risulta essere di interpolazione e R 2 = 1. Piú in generale, un valore di R 2 vicino a 1 indica un buon livello di approssimazione lineare. Nell esempio riportato sopra, otteniamo i segunti valori: R 2 = =.95 da cui si ottiene che i dati sperimentali hanno con alta probabilitá un comportamento di tipo lineare.
9 21/12/13 9 Non dobbiamo peró restringerci al modello lineare o quadrato per fare un buon uso del metodo dei minimi quadrati per il fitting di dati. Consideriamo i dati della seguente tabella la cui rappresentazion compare nella figura di sinistra. k x k y k Nella figura viene evidenziata una una curva di crescita esponenziale, che richiederebbe di fare un fitting usando una curva della forma y k = Ae rx k che porterebe a un sistema non lineare nei parametri A e r. Poiché i dai sono esponenziali, il loro logaritmo é lineare, per cui abbiamo z k = ln(y k ) = rx k + ln(a) Dati in scala semilogaritmica Nella figura di destra sono riprodotti i dati in scala semilogaritmica che mostrano una tendenza di tipo lineare. Possiamo utilizzare il nostro algoritmo per fare il fitting del logaritmo dei dati. La tendenza generale é proprio lineare e otteniamo la retta di equazione z =.29x.4842 con un coefficiente di regressione paria R 2 =.99
10 21/12/ R 2 = Aprossimazione dati y=exp(.29 x.4842) a =.293 a = Allora segue che la curva che si adatta megli ai dati originali é y = e (.29x.4842) che é rappresentata nella figura di destra, si noti che a parte gli ultimi due punti questo é un buon fitting per l insieme dei dati.
b vettore(termine noto) y* proiezione ortogonale di b
Carla Guerrini 1 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
DettagliIl problema lineare dei minimi quadrati
Il problema lineare dei minimi quadrati APPLICAZIONE: Il polinomio di migliore approssimazione nel senso dei minimi quadrati Felice Iavernaro Dipartimento di Matematica Università di Bari 15 Gennaio 2009
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
DettagliInterpolazione polinomiale a tratti
Interpolazione polinomiale a tratti Si intende l interpolazione di un set di dati su un intervallo con più polinomi ciascuno dei quali definito in un sottointervallo dell intervallo dato. In particolare
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliInterpolazione polinomiale. Interpolazione polinomiale
1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore nell interpolazione polinomiale 2 Approssimazione ai minimi quadrati nel discreto 1 Polinomiale Rappresentazione Lagrangiana
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Approssimazione ai minimi quadrati Docente Vittoria Bruni Email:
DettagliApprossimazione polinomiale 1
Approssimazione polinomiale A. Sommariva 2 Keywords: Approssimazione polinomiale ai minimi quadrati. Curve fitting. Revisione: 4 giugno 29. Approssimazione polinomiale Dato un campionamento {(x i, y i
DettagliApprossimazione ai minimi quadrati nel discreto
Approssimazione ai minimi quadrati nel discreto 1 È assegnato un insieme di m punti (x i, y i ), i = 1,..., m, che descrivono un certo fenomeno. Vogliamo trovare un polinomio p n (x) = c 0 + c 1 x +...
DettagliLezione 3 Interpolazione Polinomiale.
Lezione 3 Interpolazione Polinomiale http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Scopi dell interpolazione Dati i valori y i di una grandezza Y in corrispondenza
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
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Il best fitting In molte applicazioni accade di avere una certa quantità di dati (solitamente elevata) e di voler descrivere l andamento del fenomeno che ha
DettagliEsercitazione 6 - Soluzione
Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione
DettagliINTERPOLAZIONI CON SPLINE
INTERPOLAZIONI CON SPLINE Assegnati gli n +1valori che la funzione f assume nei nodi x i, si costruisce un interpolazione polinomiale a tratti. In ognuno degli intervalli [x i 1,x i ] il polinomio interpolatore
DettagliInterpolazione di Funzioni
Interpolazione di Funzioni N. Del Buono 1 Introduzione Uno dei problemi che piu frequentemente si incontrano nelle applicazioni è la costruzione di una approssimazione di una funzione data f mediante funzioni
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 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.
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 2016-2017 Laboratorio 6 - Minimi quadrati e spline APPROSSIMAZIONE DI FUNZIONI O DI DATI Consideriamo il problema di valutare una funzione nota soltanto
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 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.
DettagliGeometria BAER Test di autovalutazione del 31/10/18
Geometria BAER Test di autovalutazione del 3//8 LEGGERE ATTENTAMENTE PRIMA DI ANDARE ALL INIZIO DEL TEST ALLA PAGINA SUCCESSIVA. NON LEGGERE LE DOMANDE PRIMA DI INIZIARE IL TEST Il test NON É VALUTATO
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
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..
DettagliVogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione.
S.S.I.S. TOSCANA F.I.M. II anno FUNZIONI DI REGRESSIONE E METODO DEI MINIMI QUADRATI Supponiamo di star conducendo uno studio sulla crescita della radice di mais in funzione del contenuto di saccarosio
DettagliAPPROSSIMAZIONE di FUNZIONI
APPROSSIMAZIONE di FUNZIONI Francesca Pelosi Dipartimento di Sc. Matematiche ed Informatiche, Università di Siena CALCOLO NUMERICO a.a. 26 27 APPROSSIMAZIONE di FUNZIONI p.1/3 APPROSSIMAZIONE di FUNZIONI:
DettagliEquazioni differenziali
Capitolo 2 Equazioni differenziali I modelli matematici per lo studio di una popolazione isolata sono equazioni differenziali. Premettiamo dunque allo studio dei modelli di popolazioni isolate una breve
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
9.3. IL METODO DEI MINIMI QUADRATI IN FORMALISMO MATRICIALE 121 9.3 Il metodo dei minimi quadrati in formalismo matriciale Per applicare il MMQ a funzioni polinomiali, ovvero a dipendenze di una grandezza
DettagliLezione 6 Richiami di Geometria Analitica
1 Piano cartesiano Lezione 6 Richiami di Geometria Analitica Consideriamo nel piano due rette perpendicolari che si intersecano in un punto O Consideriamo ciascuna di queste rette come retta orientata
DettagliLAUREA IN INGEGNERIA CIVILE ED AMBIENTE-TERRITORIO Corso di Matematica 2 Padova TEMA n.1
LAUREA IN INGEGNERIA CIVILE ED AMBIENTE-TERRITORIO Corso di Matematica Padova -8-8 TEMA n.1 PARTE 1. Quesiti preliminari Stabilire se le seguenti affermazioni sono vere o false giustificando brevemente
DettagliAlgebra Lineare. a.a Gruppo A-H. Prof. P. Piazza Soluzioni compito pomeridiano del 20/12/2004
Algebra Lineare. a.a. 2004-05. Gruppo A-H. Prof. P. Piazza Soluzioni compito pomeridiano del 20/12/2004 Esercizio 1. Consideriamo una retta r dello spazio affine. Diremo che le equazioni cartesiane di
Dettagli12 gennaio Commenti esame di geometria - Ing. gestionale - a.a
Questo documento riporta commenti, approfondimenti o metodi di soluzione alternativi per alcuni esercizi dell esame Ovviamente alcuni esercizi potevano essere risolti utilizzando metodi ancora diversi
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
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA
UNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA II Parziale - Compito C 3/5/25 A. A. 24 25 ) Risolvere il seguente sistema
DettagliInterpolazione. Corso di Calcolo Numerico, a.a. 2008/2009. Francesca Mazzia. Dipartimento di Matematica Università di Bari.
Interpolazione Corso di Calcolo Numerico, a.a. 2008/2009 Francesca Mazzia Dipartimento di Matematica Università di Bari 17 Aprile 2009 Francesca Mazzia (Univ. Bari) Interpolazione 17/04/2006 1 / 37 Interpolazione
DettagliApprossimazione di dati e funzioni
Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Generalità Problema 1 Dati (x i, y i ) i =
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI Esercizi Esercizio Date le seguenti applicazioni lineari f : R 2 R 3 definita da fx y = x 2y x + y x + y; 2 g : R 3 R 2 definita da gx y z = x + y x y; 3 h : Rx] 2 R 2 definita da
DettagliProva scritta di Geometria 1 Docente: Giovanni Cerulli Irelli 20 Gennaio 2017
Prova scritta di Geometria Docente: Giovanni Cerulli Irelli Gennaio 7 Esercizio. Si considerino i seguenti tre punti dello spazio euclideo: P :=, Q :=, R :=.. Dimostrare che P, Q ed R non sono collineari.
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliMetodo dei minimi quadrati e matrice pseudoinversa
Scuola universitaria professionale della Svizzera italiana Dipartimento Tecnologie Innovative Metodo dei minimi quadrati e matrice pseudoinversa Algebra Lineare Semestre Estivo 2006 Metodo dei minimi quadrati
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
DettagliA =, c d. d = ad cb. c d A =
Geometria e Algebra (II), 271112 1 Definizione D ora innanzi, al posto di dire matrice quadrata di tipo n n o matrice quadrata n n diremo matrice quadrata di ordine n o in breve matrice di ordine n Il
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
Dettagli1 Fit di dati sperimentali: il χ 2. Il metodo dei minimi quadrati.
1 Fit di dati sperimentali: il χ 2. Il metodo dei minimi quadrati. Per comprendere dei fenomeni fisici, non basta raccogliere buoni dati sperimentali, occorre anche interpretarli. Molto spesso lo scopo
DettagliTrasformazioni elementari di Givens (rotazioni elementari)
Trasformazioni elementari di Givens (rotazioni elementari) Si dice trasformazione elementare di Givens o matrice di rotazione elementare G ij di ordine n una matrice che coincide con l identità di ordine
Dettagli1. Calcolo dell indice di condizionamento di una matrice
1 Esercizi sul condizionamento con matlab laboratorio di Calcolo Scientifico per Geofisici Prof. A. Murli a.a. 2006/07 1. Calcolo dell indice di condizionamento di una matrice Determinare una function
Dettaglia + 2b + c 3d = 0, a + c d = 0 c d
SPAZI VETTORIALI 1. Esercizi Esercizio 1. Stabilire quali dei seguenti sottoinsiemi sono sottospazi: V 1 = {(x, y, z) R 3 /x = y = z} V = {(x, y, z) R 3 /x = 4} V 3 = {(x, y, z) R 3 /z = x } V 4 = {(x,
DettagliLa retta nel piano. Supponiamo che la retta r sia assegnata attraverso un suo punto P 0 (x 0, y 0 ) e un vettore v (l, m) che ne indichi la direzione.
La retta nel piano Equazioni vettoriale e parametriche di una retta Supponiamo che la retta r sia assegnata attraverso un suo punto P 0 (x 0, y 0 ) e un vettore v (l, m) che ne indichi la direzione. Condizione
Dettagli10 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione QR
10 Metodi diretti per la risoluzione di sistemi lineari: fattorizzazione QR 101 Metodo di ortonormalizzazione di Gram-Schmidt Per descrivere il metodo di ortonormalizzazione di Gram-Schmidt occorre la
DettagliCorso di Calcolo Scientifico
I Modulo del corso integrato di Calcolo Dott.ssa Maria Carmela De Bonis a.a. 2012-13 Approssimazione di Funzioni In molti problemi matematici emerge l esigenza di dover approssimare una funzione f C k
DettagliInterpolazione e approssimazione di dati
Interpolazione e approssimazione di dati Corso di Metodi Numerici 22 Marzo 2018 Introduzione Implementazione in MATLAB di interpolazione polinomiale e approssimazione di dati. Date n + 1 coppie di punti
DettagliINGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 17 SETTEMBRE 2012
INGEGNERIA EDILE ARCHITETTURA ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA 7 SETTEMBRE 202 Esercizio. Sia V = R[X] 2 lo spazio vettoriale dei polinomi ax 2 + bx + c nella variabile X di grado al più 2 a coefficienti
DettagliCORSO DI ALGEBRA LINEARE Anno Accademico 2004/2005 Appunti su SISTEMI di EQUAZIONI LINEARI
CORSO DI ALGEBRA LINEARE Anno Accademico 2004/2005 Appunti su SISTEMI di EQUAZIONI LINEARI Lo studente ha forse già incontrato i sistemi di equazioni lineari alla scuola secondaria Con il termine equazione
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA
UNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA II Parziale - Compito B 3/05/005 A. A. 004 005 ) Risolvere il seguente sistema
DettagliMETODO DEI MINIMI QUADRATI
METODO DEI MINIMI QUADRATI Torniamo al problema della crescita della radice di mais in funzione del contenuto di saccarosio nel terreno di coltura. Ripetendo varie volte l esperimento con diverse quantità
Dettagli9.3 Il metodo dei minimi quadrati in formalismo matriciale
8 CAPIOLO 9. IMA DEI PARAMERI MEODO DEI MINIMI QADRAI 9.3 Il metodo dei minimi quadrati in formalismo matriciale Nel caso si debba applicare il metodo minimi quadrati con molti parametri risulta vantaggioso
Dettagli1 Fattorizzazione di polinomi
1 Fattorizzazione di polinomi Polinomio: un polinomio di grado n nella variabile x, è dato da p(x) = a n x n + a n 1 x n 1 + + a 1 x + a 0 con a n 0, a 0 è detto termine noto, a k è detto coefficiente
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
DettagliMETODO DEI MINIMI QUADRATI
Vogliamo determinare una funzione lineare che meglio approssima i nostri dati sperimentali e poter decidere sulla bontà di questa approssimazione. Sia f(x) = mx + q, la coppia di dati (x i, y i ) appartiene
DettagliA titolo di esempio proponiamo la risoluzione del sistema sia con il metodo della matrice inversa sia con il metodo di Cramer.
) Trovare le soluzioni del seguente sistema lineare: x+ y+ z = 3x y + z = 0 x + 5y 4z = 5 Osserviamo in primo luogo che il sistema dato è un sistema quadrato di tre equazioni in tre incognite, precisamente
Dettagli19 Marzo Equazioni differenziali.
19 Marzo 2019 Equazioni differenziali. Definizione 1. Si chiama equazione differenziale una relazione che coinvolge una o più derivate di una funzione incognita y(x), la funzione stessa, funzioni di x
DettagliATTENZIONE: : giustificate le vostre argomentazioni! Geometria Canale 3. Lettere J-PE (Prof P. Piazza) Esame scritto del 12/02/2014. Compito A.
Geometria Canale. Lettere J-PE (Prof P. Piazza) Esame scritto del 12/02/2014. Compito A. Nome e Cognome: Numero di Matricola: Esercizio Punti totali Punteggio 1 7 2 6 6 4 6+1 5 6+2 Totale 1+ ATTENZIONE:
DettagliMetodo dei Minimi Quadrati. Dott. Claudio Verona
Metodo dei Minimi Quadrati Dott. Claudio Verona E in generale interessante studiare l andamento di una variabile in funzione di un altra e capire se c è una funzione matematica che le lega. Viceversa è
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
DettagliInterpolazione e approssimazione di dati
Interpolazione e approssimazione di dati 08 Aprile 2019 Introduzione Implementazione in MATLAB di interpolazione polinomiale e approssimazione di dati. Date n + 1 coppie di punti (x i, y i ) con i = 0,
Dettaglix1 + 2x 2 + 3x 3 = 0 nelle tre incognite x 1, x 2, x 3. Possiamo risolvere l equazione ricavando l incognita x 1 x 1 = 2x 2 3x 3 2r 1 3r 2 x 2 x 3
Matematica II -..9 Spazio delle soluzioni di un sistema lineare omogeneo.. Consideriamo l equazione lineare omogenea nelle tre incognite x, x, x 3. x + x + 3x 3 = Possiamo risolvere l equazione ricavando
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
DettagliGeometria per Fisica e Astrofisica
Geometria per Fisica e Astrofisica Soluzione esercizi - Foglio 3 Esercizio. Risolvere i seguenti sistemi lineari al variare dei parametri reali α β e k < < (a) x + y z = αx + αy + βz = x + y z = β. (b)
DettagliEsercitazione 7: Aggiornamento minimi quadrati.
Esercitazione 7: Aggiornamento minimi quadrati. Esercizio 1 Per calcolare il piano di equazione p(x) = a+b xc y che minimizza gli scarti quadratici relativi alle misure (x i, y i, z i ) è necessario risolvere
DettagliApprossimazione di dati
Approssimazione di dati Lucia Gastaldi DICATAM - Sez. di Matematica, http://dm.ing.unibs.it/gastaldi/ Indice 1 Approssimaz. di dati Approssimazione di dati 2 Minimi quadrati lineari Regressione lineare
DettagliINTERPOLAZIONE. Introduzione
Introduzione INTERPOLAZIONE Quando ci si propone di indagare sperimentalmente la legge di un fenomeno, nel quale intervengono due grandezze x, y simultaneamente variabili, e una dipendente dall altra,
Dettagli(E) x > 0 (F) x < 1/2 (E) (1/ 2) 1. (E) f 1 (x) = 2x 2 (F) f 1 (x) = x. (E) x = 2 ln 3 (F) x = 3 ln 2 (F) 1/2
1 Esercizi 8 di Calcolo e Biostatistica Es. 1. Rispondere alle seguenti sette domande nel tempo massimo di 30 minuti, senza usare strumenti elettronici (a) sapendo che log 10 0.3 e log 10 3 0.8, i valori
Dettagliy + P(x) y + Q(x) y = 0 y(x) = c 1y 1(x) + c 2 y 2(x).
Proposizione 4. Se y 1(x) e y (x) sono soluzioni linearmente indipendenti di y + P(x) y + Q(x) y = 0 ogni altra soluzione della stessa equazione si scrive nella forma per una scelta opportuna delle costanti
Dettaglin (x i x j ), det V = i>j
Capitolo 4 Approssimazione 4.1 Richiami di teoria Prerequisiti: nozioni elementari di calcolo differenziale e integrale. Interpolazione Il problema dell interpolazione è un caso particolare del vasto settore
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
DettagliApprossimazione di dati
Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 2 Regressione lineare : caso generale Legge di Ohm La legge di Ohm afferma che la differenza di potenziale V ai capi
DettagliComplementi di Matematica e Calcolo Numerico A.A
Complementi di Matematica e Calcolo Numerico A.A. 015-01 Laboratorio 5 - Function files, Minimi quadrati e spline FUNCTION-FILES MATLAB Le funzioni matlab sono porzioni di codici scritte in un file indipendente
DettagliEsercizi di geometria per Fisica / Fisica e Astrofisica
Esercizi di geometria per Fisica / Fisica e Astrofisica Foglio 3 - Soluzioni Esercizio. Stabilire se i seguenti sottoinsiemi di R 3 sono sottospazi vettoriali: (a) S = {(x y z) R 3 : x + y + z = }. (b)
DettagliAlgebra lineare Geometria 1 11 luglio 2008
Algebra lineare Geometria 1 11 luglio 2008 Esercizio 1. Si considerino la funzione: { R f : 3 R 3 (α, β, γ) ( 2β α γ, (k 1)β + (1 k)γ α, 3β + (k 2)γ ) dove k è un parametro reale, e il sottospazio U =
Dettagli4 Autovettori e autovalori
4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità
Dettagli19 settembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
DettagliGeometria BIAR Esercizi 2
Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si
DettagliInterpolazione polinomiale. Interpolazione polinomiale
1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore nell interpolazione polinomiale Outline 1 Polinomiale Rappresentazione Lagrangiana Polinomio interpolante di Newton Errore
DettagliEquazioni differenziali
4 Equazioni differenziali Determinare le primitive di una funzione f(x) significa risolvere y (x) = f(x) dove l incognita è la funzione y(x). Questa equazione è un semplice esempio di equazione differenziale.
DettagliProblemi ai minimi quadrati
Seminario di matematica applicata avanzata Problemi ai minimi quadrati Sanna Mirko Matricola: 44464 Ingegneria elettrica ed elettronica Indice Introduzione - Il problema dei minimi quadrati - I vari tipi
DettagliFacoltà di Scienze. Appello A
Facoltà di Scienze Appello -2-28-A SOLUZIONI Esercizio. Discutere e risolvere almeno 3 dei seguenti esercizi. Giustificare sempre le risposte, fornendo una dimostrazione nel caso l affermazione sia vera
Dettagli11 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
Dettagli= (cioè le due terne di numeri direttori ( devono essere ) proporzionali). Tale uguaglianza non è verificata, poiché risulta ρ
Alcuni esercizi sullo spazio euclideo R Nel seguito R indicherà lo spazio euclideo tridimensionale standard, dotato del riferimento cartesiano naturale (pag 56-57 del libro Nota: gli esercizi proposti
DettagliEQUAZIONE DELLA RETTA
EQUAZIONE DELLA RETTA EQUAZIONE DEGLI ASSI L equazione dell asse x è 0. L equazione dell asse y è 0. EQUAZIONE DELLE RETTE PARALLELE AGLI ASSI L equazione di una retta r parallela all asse x è cioè è uguale
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
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
Dettaglix + 2y = 3 3x + 4y = 7 ; v 2 = Determinare x ed y in modo tale che si abbia x v 1 + y v 2 = v 3. (c) Sia A la matrice ( 1
. (a) Risolvere il sistema lineare x + 2y x + 4y 7 (b) Siano v, v 2 e v i vettori v ( ) ; v 2 ( ( 2 ; v 4) 7) Determinare x ed y in modo tale che si abbia x v + y v 2 v. (c) Sia A la matrice ( ) 2 4 e
Dettagliv w u O Osserviamo che tale segmento ha la stessa lunghezza del vettore w tale che u+w = v cioe del vettore w = v u. Cosi si ha
Matematica II, 708 Nel piano sia fissata una unita di misura Dati nel piano due vettori u, v applicati in uno stesso punto O, col termine distanza fra u e v intendiamo e col simbolo d(u, v) indichiamo
DettagliEquazioni Polinomiali II Parabola
Equazioni Polinomiali II Parabola - 0 Equazioni Polinomiali del secondo grado (Polinomi II) Forma Canonica e considerazioni La forma canonica dell equazione polinomiale di grado secondo è la seguente:
Dettagli