Modelli Matematici e Calcolo Numerico
|
|
- Gianpiero Nobile
- 7 anni fa
- Visualizzazioni
Transcript
1 Modelli Matematici e Calcolo Numerico Calcolo Numerico Massimiliano Martinelli martinelli@imati.cnr.it Università di Pavia Facoltà di Ingegneria Ottobre 2011
2 Introduzione La matrice del sistema non viene modificata migliore sfruttamento della sparsità Soluzione come limite di una successione si pone il problema della convergenza (e anche della velocità di convergenza) Per matrici piene O(n 2 ) operazioni ogni iterazione metodi iterativi meno costosi dei metodi diretti se si ottiene la convergenza in un numero di iterazioni che dipende da n in modo sublineare Possibilità di utilizzare approcci matrix-free I metodi iterativi si possono applicare anche alla risoluzione di sistemi non-lineari
3 Principio dei metodi iterativi Data una stima iniziale x (0) della soluzione del problema, si costruisce una successione di vettori x (k) che verifica la proprietà di convergenza lim k x(k) = x Il metodo iterativo può essere scritto nella forma x (k+1) = ϕ k+1 (x (k),x (k 1),...,x (k m),a,b) per k m dove ϕ k e x (0),...,x (m) sono rispettivamente funzioni e vettori dati. m è chiamato ordine del metodo se le funzioni ϕ k non dipendono dal passo k, il metodo è detto stazionario, altrimenti non-stazionario se le funzioni ϕ k dipendono linearmente dai vettori x (0),...,x (m) il metodo è chiamato lineare, altrimenti non-lineare
4 lineari Consistenza con il sistema lineare Sia B R n n (matrice di iterazione). Il metodo iterativo lineare x (k+1) = Bx (k) + f è detto essere consistente con il sistema lineare Ax = b se x = Bx + f o, equivalentemente f = (I B)A 1 b La sola consistenza non è sufficiente per la convergenza Esempio di metodo consistente ma non convergente Considerare il metodo iterativo x (k+1) = x (k) + b per la soluzione del sistema lineare 2Ix = b
5 lineari Convergenza di un metodo iterativo consistente La sequenza di vettori x (k) converge alla soluzione x del sistema lineare Ax = b per qualsiasi scelta di x (0) se e solo se ρ(b) < 1 Dimostrazione Sia e (k) = x x (k) l errore al passo k, quindi e (k+1) = Be (k) = B k e (0) La condizione per la convergenza equivale a lim k e (k) = 0 ( ) Se ρ(b) < 1 allora esiste una norma consistente di matrice tale che B ρ(b) + ε < 1. Poiché B k B k < 1 e dalla definizione di convergenza, si ha che lim k B k = 0 ( ) Sia lim B k = 0 e sia λ un autovalore di B. Poiché Bx = λx, si ha che k lim λ k = 0. Ovvero λ < 1. Poiché questo è vero per un generico autovalore, k si ha ρ(b) < 1.
6 lineari Tecnica dello splitting Scegliere due matrici P e N tali che A = P N (quindi N = P A) P (matrice di precondizionamento) deve essere non singolare e facilmente invertibile Dato x (0), un metodo iterativo lineare e consistente si può scrivere come Px (k+1) = Nx (k) + b k 0 ovvero, introducendo il residuo al passo k r (k) = b Ax (k) si ottiene x (k+1) = x (k) + P 1 r (k) La matrice di iterazione è B = P 1 N = (I P 1 A) f = P 1 b
7 Scriviamo A = D E F D è la matrice diagonale uguale agli elementi diagonali di A, e sia D invertibile (ovvero d ii = a ii 0 per i = 1,...,n) E è la matrice di elementi e ij = a ij se i > j, e ij = 0 se i j F è la matrice di elementi f ij = a ij se j > i, f ij = 0 se j i a 11 a a 1n a 11 0 a 21 a a 2n a 22 = a n1 a n2... a nn 0 a }{{} nn }{{} A D a a 1n a a1,n 1 a n1... a n,n 1 0 }{{} 0 0 }{{} E F
8 lineari Metodo di Jacobi: P = D e N = E + F Px (k+1) = Nx (k) + b dove A = P N Dx (k+1) = (E + F)x (k) + b ovvero x (k+1) = x (k) + D 1 r (k) (D 1 ) ii = 1 d ii B J = D 1 (E + F) = I D 1 A Equivale a i = 1 i 1 (b i a ij x (k) j a ii x (k+1) j=1 n j=i+1 ) a ij x (k) j con i = 1,...,n
9 lineari Px (k+1) = Nx (k) + b dove A = P N Metodo di Gauss-Seidel: P = D E e N = F (D E)x (k+1) = Fx (k) + b ovvero x (k+1) = x (k) + (D E) 1 r (k) (D E) è la parte triangolare inferiore di A (invertibile perché gli elementi diagonali non sono nulli) B GS = (D E) 1 F Equivale a i = 1 i 1 (b i a ij x (k+1) j a ii x (k+1) j=1 n j=i+1 ) a ij x (k) j con i = 1,...,n
10 Tecniche di accelerazione della convergenza Metodo di rilassamento Si introduce nei metodi precedenti il parametro di rilassamento ω da scegliere opportunamente Metodo di Jacobi con rilassamento (JOR) x (k+1) = x (k) + ωd 1 r (k) B Jω = ωb J + (1 ω)i = I ωd 1 A Equivale a x (k+1) i = 1ω ( b i a ii i 1 j=1 a ij x (k) j n j=i+1 ) a ij x (k) j + (1 ω)x (k) i con i = 1,...,n Consistente per ogni ω 0 (ω = 1 metodo di Jacobi)
11 Tecniche di accelerazione della convergenza Metodo di Gauss-Seidel con rilassamento (SOR) x (k+1) = x (k) + ( 1 ω D E) 1 r (k) B GS = (D E) 1 FB GSω = ( ω 1 D E) 1[ ( ω 1 1)D + F] Equivale a x (k+1) i = 1ω ( b i a ii i 1 j=1 a ij x (k+1) j n j=i+1 ) a ij x (k) j +(1 ω)x (k) i con i = 1,...,n Consistente per ogni ω 0 (ω = 1 metodo di Gauss-Seidel)
12 Alcuni risultati di convergenza Se A è strettamente diagonale dominante per righe, i metodi di Jacobi e Gauss-Seidel sono convergenti Se A è simmetrica e definita positiva, il metodo JOR è convergente con 0 < ω < 2/ρ(D 1 A) Se il metodo di Jacobi è convergente, allora il metodo JOR converge per 0 < ω 1 Per ogni ω R si ha ρ(b GSω ) ω 1 ; perciò il metodo SOR non converge se ω 0 o ω 2 (Teorema di Ostrowski) Se A è simmetrica e definita positiva, allora il metodo SOR converge se e solo se 0 < ω < 2. Inoltre, la sua convergenza è monotona rispetto ad A (ovvero x (k+1) x A < x (k) x A )
13 Metodi di Richardson Il metodo iterativo x (k+1) = x (k) + P 1 r k può essere generalizzato da x (k+1) = x (k) + α k P 1 r k con α k R La matrice di iterazione è R(α k ) = I α k P 1 A Se α k = α metodo di Richardson stazionario I metodi di Jacobi e Gauss-Seidel sono metodi di Richardson stazionari Algoritmo per il metodo di Richardson 1 x (k) soluzione approssimata al passo k 2 Calcolo del residuo: r (k) = b Ax (k) 3 Soluzione del sistema lineare Pz (k) = r (k) 4 Calcolo del parametro di accelerazione α k 5 Aggionamento della soluzione al passo k + 1: x (k+1) = x (k) + α k z (k)
14 Metodo di Richardson: analisi di convergenza Per ogni matrice invertibile P, il metodo di Richardson stazionario è convergente se e solo se 2 Reλ i α λ i 2 > 1 dove λ i C sono gli autovalori di P 1 A. i = 1,...,n Se P 1 A ha autovalori reali e positivi, allora il metodo di Richardson stazionario è convergente se e solo se 0 < α < 2 λ max inoltre, il raggio spettrale della matrice di iterazione I αp 1 A è minimo per 2 α opt = λ min + λ max
15 Scelta della matrice di precondizionamento P Il metodo di Richardson non specifica come scegliere P e, in generale α k Mancanza di risultati teorici riguardo alla scelta ottimale di P Scegliendo P = A si ha convergenza in una iterazione (ma l obiettivo è proprio risolvere Ax = b) In pratica, si cercano matrici di precondizionamento P tali che P 1 A I dove P è facilmente invertibile Diverse strategie per la scelta (e il calcolo) di P: Matrice di precondizionamento diagonale (analoga a quella usata nel metodo di Jacobi) Fattorizzazione LU Incompleta (ILU) Precondizionatori polinomiali (polinomiale di Neumann, minimi quadrati,... )
16 Fattorizzazione ILU(p) ILU(0) Sia A una matrice tale che la fattorizzazione LU non richiede il pivoting Si costruiscono due matrici L triangolare inferiore e Ũ triangolare superiore tali che: L e Ũ abbiano la stessa struttura di sparsità di D E e D F ( LŨ) ij = a ij se a ij 0 Stessa quantità di memoria necessaria per A (nessun fill-in) Permettendo il fill-in si ha una fattorizzazione di A più accurata Per esempio si può considerare la fattorizzazione ILU(0) della matrice LŨ ILU(1) e cosi via ILU(p) L esistenza della fattorizzazione ILU non è garantita per tutte le matrici invertibili Esistenza per matrici a diagonale dominante, M-matrici,... Esistono varianti per la riduzione del fill-in (ILUT, MILU,... )
17 Domanda Sia A simmetrica e definita positiva e sia Φ(y) = 1 2 yt Ay y T b x è soluzione di Ax = b Φ(x) = min y R n Φ(y) Come determinare x R n che minimizza Φ(y), partendo da un punto x (0)? Metodo del gradiente (o Steepest Descent) Si calcola la direzione di massima pendenza (locale): Φ(x (k) ) = Ax (k) b = r (k) Si cerca un minimo di Φ lungo la direzione x (k) + α k r (k) differenziando Φ(x (k+1) ) = Φ(x (k) + α k r (k) ) rispetto ad α k ed uguagliando a zero si ha: α k = r(k),r (k) r (k),ar (k)
18 Metodo del gradiente: algoritmo Dato x (0) R n, per k = 0,1,... 1 r (k) = b Ax (k) 2 α k = r(k),r (k) r (k),ar (k) 3 x (k+1) = x (k) + α k r (k) Metodo del gradiente: convergenza Sia A una matrice simmetrica e definita positiva. Allora il metodo del gradiente è convergente per ogni scelta del dato iniziale x (0) e e (k+1) A K 2(A) 1 K 2 (A) + 1 e(k) A Il metodo del gradiente può essere abbastanza lento se K 2 (A) = λ max λ min è grande
19 Metodo del gradiente Scelta di una direzione di discesa ( Φ(x (k) ) = r (k) ) + minimizzazione lungo quella direzione Possibili altre scelte per la direzione di discesa Ottimalità rispetto ad una direzione Una direzione x (k) è detta essere ottimale rispetto ad una direzione p 0 se Φ(x (k) ) Φ(x (k) + λp) λ R Se x (k) è ottimale rispetto a p allora Φ ammette un minimo locale lungo p per λ = 0, e quindi 0 = Φ λ (x(k) + λp) = λ=0 = p,r (k) [ ] p,(ax (k) b) + λ p,ap λ=0 x (k) è ottimale rispetto a p p è ortogonale al residuo r (k)
20 Nel metodo del gradiente x (k+1) è ottimale rispetto a r (k) (ovvero r (k+1) r (k) ), infatti r (k+1),r (k) = b Ax (k+1),r (k) [ = b A x (k) + r(k),r (k) ] r (k),ar (k) r(k),r (k) = r (k),r (k) r(k),r (k) r (k),ar (k) Ar(k),r (k) = r (k),r (k) r (k),r (k) = 0 La iterata successiva x (k+2) non è più ottimale rispetto a r (k) Domanda Esiste una direzione di discesa che mantiene l ottimalità delle iterate?
21 Condizione di ottimalità delle iterate Sia x (k+1) = x (k) + q e sia p ottimale rispetto a x (k) Imponiamo che x (k+1) sia ottimale rispetto a p e cerchiamo quale condizione dobbiamo avere su q 0 = r (k+1),p = b Ax (k+1),p [ ] = b A x (k) + q,p = b Ax (k),p Aq,p = r (k),p Aq,p = Aq,p Per mantenere l ottimalità tra iterate successive, le direzioni di discesa devono essere mutualmente A-ortogonali (o A-coniugate), ovvero Aq,p = p T Aq = 0
22 Costruzione delle direzioni A-coniugate Sia p (0) = r (0), e cerchiamo le direzioni A-coniugate della forma con β k R da determinare e tali che p (k+1) = r (k+1) β k p (k) Ap (k+1),p (j) = 0 per j = 0,...,k La condizione Ap (k+1),p (k) = 0 ci da β k = Ap(k),r (k+1) Ap (k),p (k) Per induzione si dimostra che, scegliendo β k = Ap(k),r (k+1) Ap (k),p (k), le direzioni p (0),...,p (k) sono mutualmente A-coniugate
23 Metodo del Gradiente Coniugato (CG) Direzioni di discesa A-coniugate + parametro di accelerazione α k (come nel metodo di gradiente) Algoritmo Dato x (0), sia r (0) = b Ax (0) e p (0) = r (0). Per k = 0,... 1 α k = pk,r k p k,ap k = r(k) 2 2 p k,ap k 2 x (k+1) = x (k) + α k p (k) 3 r (k+1) = r (k) α k Ap (k) 4 β k = Ap(k),r (k+1) Ap (k),p (k) = r(k+1) 2 2 r (k) p (k+1) = r (k+1) β k p (k)
24 Metodo del Gradiente Coniugato (CG) Sia A R n n una matrice simmetrica e definita positiva. Qualsiasi metodo che utilizzi le direzioni coniugate per risolvere Ax = b termina al massimo dopo n passi, fornendo la soluzione esatta. Convergenza per il metodo del Gradiente Coniugato Sia A R n n una matrice simmetrica e definita positiva. Il metodo del Gradiente Coniugato converge al massimo in n passi, ed inoltre l errore alla k-esima iterazione e (k) (con k < n) è ortogonale a p (j) per j = 0,...,k 1 e e (k) A 2ck 1 + c 2k e(0) A con c = K2 (A) 1 K2 (A) + 1
25 Metodo del Gradiente Coniugato Precondizionato (PCG) Invece di risolvere Ax = b si risolve PAx = Pb con P simmetrica e definita positiva (e facilmente invertibile) Algoritmo Dato x (0), sia r (0) = b Ax (0), z (0) = P 1 r (0) e p (0) = z (0). Per k = 0,... 1 α k = pk,r k p k,ap k 2 x (k+1) = x (k) + α k p (k) 3 r (k+1) = r (k) α k Ap (k) 4 z (k+1) = P 1 r (k+1) 5 β k = Ap(k),z (k+1) Ap (k),p (k) 6 p (k+1) = z (k+1) β k p (k)
26 Gradiente Coniugato per matrici qualsiasi Se la matrice A non è simmetrica e definita positiva, non si può più applicare il metodo del Gradiente Coniugato Considerare allora A T Ax = A T b (chiamato sistema di equazioni normali) Se A è non singolare, allora A T A è simmetrica e definita positiva L algoritmo converge sempre al più in n iterazioni Per tale algoritmo il costo per iterazione è superiore ed inoltre K 2 (A T A) = [ K 2 (A) ] 2
27 Metodi di Krylov Introduzione Risolvere Ax = b equivale a risolvere Az = r (0) dove z = x x (0) Si chiamano metodi di Krylov tutti i metodi che permettono di ottenere la soluzione del sistema Az = r (0) per proiezione sui sottospazi di Krylov K m (A;v) = span(v,av,...,a m 1 v), ovvero tramite il procedimento iterativo seguente x (k) = x (0) + y (k) con y (k) K k (A;r (0) ) I diversi metodi si differenziano nel modo in cui viene calcolato y (k) (e quindi x (k) ) In particolare, il metodo di Richardson non precondizionato e il metodo del gradiente coniugato sono metodi di Krylov Per un m fissato, è possibile costruire una base ortonormale di K m (A;r (0) ) utilizzando l Algoritmo di Arnoldi
28 Algoritmo di Arnoldi Si tratta di costruire una base ortonormale v 1,...,v m per lo spazio K m (A;v 1 ) utilizzando la procedura di Gram-Schmidt Il primo elemento della base è v 1 = r(0) r (0). Per k = 1,...,m 2 1 h ik = v i,av k, i = 1,...,k 2 w k = Av k k i=1 3 h k+1,k = w k 2 4 v k+1 = w k h k+1,k h ik v i
29 Sia V m è la matrice le cui colonne sono i vettori (v 1,...,v m ), allora ogni vettore y (m) K m (A;r 0 ) può essere scritto come y (m) = V m z (m) con V m R n m, z (m) R m e m n Sia Ĥ m R (m+1) m la matrice di Hessemberg superiore in cui gli elementi non nulli sono definiti dall algoritmo di Arnoldi { hik = v i,av k k = 1,...,m e i = 1,...,k h k+1,k = Av k k i=1 h 2 ikv i k = 1,...,m e sia H m R m m la matrice ottenuta da Ĥ m eliminando l ultima riga. Allora valgono le seguenti relazioni: 1 AV m = V m+1 Ĥ m 2 V T mav m = H m 3 V T m+1 AV m = Ĥ m
30 Due diverse strategie per calcolare x (k) = x (0) + y (k) Calcolare y (k) K k (A,r (0) ) imponendo che il residuo r (k) sia ortogonale a ogni vettore in K k (A,r (0) ), ovvero v,b Ax (k) = 0 v K k (A,r (0) ) Full Orthogonalization Method (FOM) Calcolare y (k) K k (A,r (0) ) minimizzando la norma Euclidea del residuo r (k), cioè: b Ax (k) 2 = min b A(x (0) + y (k) ) 2 y (k) K k (A,r (0) ) Generalized Minumun RESidual (GMRES) In assenza di errori di arrotondamento, FOM e GMRES forniscono la soluzione di Ax = b in al più n iterazioni Possibilità di precondizionamento per accelerare la convergenza
31 GMRES Introduzione Calcolare y (k) K k (A,r (0) ) minimizzando la norma Euclidea del residuo r (k) : b Ax (k) 2 = dove e 1 = (1,0,...,0) T R k+1 min y (k) K k (A,r (0) ) b A(x (0) + y (k) ) 2 = min z (k) R k b A(x (0) + V k z (k) ) 2 = min z (k) R k r (0) AV k z (k) 2 = min z (k) R k v1 r (0) 2 V k+1 Ĥ k z (k) 2 = min z (k) R k Vk+1 ( r (0) 2 e 1 Ĥ k z (k)) 2 = min z (k) R k r (0) 2 e 1 Ĥ k z (k) 2
32 GMRES (continua) r (k) 2 2 = r (0) 2 e 1 Ĥ k z (k) 2 2 = r (0) 2 e 1 Ĥ k z (k), r (0) 2 e 1 Ĥ k z (k) = r (0) r (0) 2 e 1,Ĥ k z (k) + Ĥ k z (k),ĥ k z (k) Il minimo di r (k) 2 2 è un punto stazionario, perciò differenziamo rispetto a z(k) e uguagliamo a zero: ovvero (sistema di equazioni normali) 0 = z (k) r(k) 2 2 = 2 r (0) 2 Ĥk T e 1 + 2Ĥk T (k) Ĥkz Ĥ T k Ĥkz (k) = r (0) 2 Ĥ T k e 1
33 Criteri di convergenza Controllo dell incremento L algoritmo iterativo si ferma se viene verificata la condizione in cui ε è una tolleranza prefissata x (k+1) x (k) ε b Nel caso di un metodo basato sullo splitting additivo, in cui B è la matrice di iterazione, abbiamo la seguente stima dell errore commesso Controllo del residuo x (k+1) x B 1 B x(k+1) x (k) B ε 1 B b L algoritmo iterativo si ferma quando r (k) ε oppure r(k) r (0) ε
METODI ITERATIVI PER SISTEMI LINEARI
METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione
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
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)
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
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
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
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
DettagliUniversita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni
Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)
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
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
DettagliAutovalori ed autovettori di una matrice
Autovalori ed autovettori di una matrice Lucia Gastaldi DICATAM http://www.ing.unibs.it/gastaldi/ Indice 1 Definizioni di autovalori ed autovettori Autovalori ed autovettori 2 Metodo delle potenze 3 Calcolo
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
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
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Autovalori ed Autovettori di una matrice Siano Se A = (a i,j ) i,j=1,...,n R n n, 0 x = (x i ) i=1,...,n R n λ R Ax = λx (1) allora λ è detto autovalore di
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
DettagliSapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A ESERCIZI DA CONSEGNARE prof.
Sapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A. 2015-2016 ESERCIZI DA CONSEGNARE prof. Cigliola Consegna per Martedì 6 Ottobre Esercizio 1. Una matrice quadrata A si
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
DettagliCorso di Analisi Numerica - AN1. Parte 2: metodi diretti per sistemi lineari. Roberto Ferretti
Corso di Analisi Numerica - AN1 Parte 2: metodi diretti per sistemi lineari Roberto Ferretti Richiami sulle norme e sui sistemi lineari Il Metodo di Eliminazione di Gauss Il Metodo di Eliminazione con
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
DettagliLa soluzione approssimata consiste nella soluzione di un problema pi u facile che approssima quello dato. Nella tecnica di rilassamento l'approssimazi
Tecniche di soluzione di sistemi di equazioni non-lineari Le tecniche di rilassamento riguardano principalmente la soluzione per via numerica di sistemi di equazioni. Risultano particolarmente semplici
DettagliApplicazione dei metodi del gradiente, del gradiente coniugato, GMRES e TSVD alla modellazione di una colonna di distillazione
UNIVERSIÀ DEGLI SUDI DI CAGLIARI SCUOLA DI DOORAO IN INGEGNERIA INDUSRIALE Applicazione dei metodi del gradiente, del gradiente coniugato, GMRES e SVD alla modellazione di una colonna di distillazione
DettagliCapitolo IV SPAZI VETTORIALI EUCLIDEI
Capitolo IV SPAZI VETTORIALI EUCLIDEI È ben noto che in VO 3 si possono considerare strutture più ricche di quella di spazio vettoriale; si pensi in particolare all operazioni di prodotto scalare di vettori.
DettagliMetodi numerici per la risoluzione di Sistemi Lineari
Metodi numerici per la risoluzione di Sistemi Lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione
DettagliProva di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo. Universitá del Salento, 9 Aprile 2013
Prova di ammissione al Dottorato di Ricerca in Matematica XXVIII ciclo Universitá del Salento, 9 Aprile 2013 1 1 TEMA I Il candidato svolga una ed una sola delle dissertazioni proposte, illustrando sinteticamente
DettagliFacoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A
Facoltá di Scienze MM.FF.NN. Corso di Studi in Informatica- A.A. 5-6 Corso di CALCOLO NUMERICO / ANALISI NUMERICA : Esempi di esercizi svolti in aula 5//5 ) Dato un triangolo, siano a, b le lunghezze di
DettagliMatrici elementari e fattorizzazioni
Matrici elementari e fattorizzazioni Dario A Bini, Università di Pisa 19 ottobre 2015 Sommario Questo modulo didattico introduce ed analizza la classe delle matrici elementari Tale classe verrà usata per
DettagliSISTEMI LINEARI QUADRATI: METODI ITERATIVI
SISTEMI LINEARI QUADRATI: METODI ITERATIVI CALCOLO NUMERICO e PROGRAMMAZIONE SISTEMI LINEARI QUADRATI:METODI ITERATIVI p./54 RICHIAMI di ALGEBRA LINEARE DEFINIZIONI A R n n simmetrica se A = A T ; A C
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:
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Risoluzione di Equazioni Algebriche Le equazioni
DettagliCalcolo Numerico Informatica Manolo Venturin A.A. 2010 2011 Guida all esame
Calcolo Numerico Informatica Manolo Venturin A.A. 2010 2011 Guida all esame Testo aggiornato al 23 maggio 2011. L esame consiste in una prova scritta della durata di 2 ore. Tale prova è composta da tre/-
DettagliEsercitazione di Geometria I 13 dicembre Esercizio 1. Esercizio 2. Esercizio 3
Esercitazione di Geometria I 13 dicembre 2008 a. Completa la seguente definizione: i vettori v 1, v 2,..., v n del K-spazio vettoriale V si dicono linearmente dipendenti se... b. Siano w 1, w 2, w 3 vettori
DettagliTEMI D ESAME DI ANALISI MATEMATICA I
TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare
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
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,
Dettagli6. Spazi euclidei ed hermitiani
6. Spazi euclidei ed hermitiani 6.1 In [GA] 5.4 abbiamo definito il prodotto scalare fra vettori di R n (che d ora in poi chiameremo prodotto scalare standard su R n ) e abbiamo considerato le seguenti
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
DettagliSi consideri il sistema a coefficienti reali di m equazioni lineari in n incognite
3 Sistemi lineari 3 Generalità Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite ovvero, in forma matriciale, a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x
DettagliSISTEMI LINEARI. x 2y 2z = 0. Svolgimento. Procediamo con operazioni elementari di riga sulla matrice del primo sistema: 1 1 1 3 1 2 R 2 R 2 3R 0 4 5.
SISTEMI LINEARI Esercizi Esercizio. Risolvere, se possibile, i seguenti sistemi: x y z = 0 x + y + z = 3x + y + z = 0 x y = 4x + z = 0, x y z = 0. Svolgimento. Procediamo con operazioni elementari di riga
DettagliLe matrici. Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1.
Le matrici Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1. Siano m, n N\{0}. Una matrice m n a coefficienti in K è una tabella di m n elementi di K disposti
DettagliPrecorso di Matematica
UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni
DettagliCorso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice
Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine
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
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
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliVettori e matrici. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Vettori e matrici Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utentiunifeit/lorenzopareschi/ lorenzopareschi@unifeit Lorenzo Pareschi Univ Ferrara
DettagliDecomposizione LU di una matrice quadrata
Appendice al Cap. 5 Decomposizione LU di una matrice quadrata Una qualunque matrice quadrata M = {m ij } di ordine N, reale, invertibile, i cui minori principali siano tutti non nulli, si può sempre decomporre
DettagliINTERPOLAZIONE. Francesca Pelosi. Dipartimento di Matematica, Università di Roma Tor Vergata. CALCOLO NUMERICO e PROGRAMMAZIONE
INTERPOLAZIONE Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ INTERPOLAZIONE p./8 INTERPOLAZIONE Nella
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA
Cognome Nome Matricola FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA Ciarellotto, Esposito, Garuti Prova del 21 settembre 2013 Dire se è vero o falso (giustificare le risposte. Bisogna necessariamente rispondere
DettagliEquazioni non lineari
Capitolo 2 Equazioni non lineari 2.1 Richiami di teoria Prerequisiti: teorema di Gauss, nozioni elementari di calcolo differenziale. In generale, per risolvere una equazione della forma f(x) = 0 dove f
DettagliEsercizi di Complementi di Matematica (L-Z) a.a. 2015/2016
Esercizi di Complementi di Matematica (L-Z) a.a. 2015/2016 Prodotti scalari e forme bilineari simmetriche (1) Sia F : R 2 R 2 R un applicazione definita da F (x, y) = x 1 y 1 + 3x 1 y 2 5x 2 y 1 + 2x 2
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliComplementi di Algebra e Fondamenti di Geometria
Complementi di Algebra e Fondamenti di Geometria Capitolo 3 Forma canonica di Jordan M. Ciampa Ingegneria Elettrica, a.a. 29/2 Capitolo 3 Forma canonica di Jordan Nel Capitolo si è discusso il problema
Dettagli15 luglio Soluzione esame di geometria - Ing. gestionale - a.a COGNOME... NOME... N. MATRICOLA... ISTRUZIONI
15 luglio 01 - Soluzione esame di geometria - Ing. gestionale - a.a. 01-01 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono
DettagliCorso di Matematica B - Ingegneria Informatica Testi di Esercizi
A. Languasco - Esercizi Matematica B - 1. Sistemi lineari e Matrici 1 A: Sistemi lineari: eliminazione gaussiana Corso di Matematica B - Ingegneria Informatica Testi di Esercizi A1. Determinare, con il
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
Dettagli( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1
. Scimone a.s 1997 98 pag 1 TEORI DELLE MTRICI Dato un campo K, definiamo matrice ad elementi in K di tipo (m, n) un insieme di numeri ordinati secondo righe e colonne in una tabella rettangolare del tipo
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 =
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
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
Dettagli4.5 Metodo del simplesso
4.5 Metodo del simplesso min z = c T x s.v. Ax = b x PL in forma standard Esamina una sequenza di soluzioni di base ammissibili con valori non crescenti della funzione obiettivo fino a raggiungerne una
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
DettagliMetodi iterativi per sistemi lineari
Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni
DettagliRichiami di algebra delle matrici
Richiami di algebra delle matrici (S. Terzi) 1. SPAZI VETTORIALI I. ALCUNE DEFINIZIONI 1) Definizione di spazio vettoriale Sia S un insieme di vettori di ordine n. S è detto spazio lineare se e' un insieme
DettagliQUADERNI DIDATTICI. Dipartimento di Matematica. Esercizi di Geometria ealgebralinearei Corso di Studi in Fisica
Università ditorino QUADERNI DIDATTICI del Dipartimento di Matematica E Abbena, G M Gianella Esercizi di Geometria ealgebralinearei Corso di Studi in Fisica Quaderno # 6 - Aprile 003 Gli esercizi proposti
Dettagli1 Massimi e minimi per funzioni di n variabili
Corso di laurea in Fisica A.A. 2008/09 Contenuto sintetico del corso di Analisi Matematica II-B 1 Massimi e minimi per funzioni di n variabili 1.1 Massimi e minimi relativi 1.1.1 Condizioni al primo ordine
DettagliRipasso di Calcolo Scientifico: Giulio Del Corso
Ripasso di Calcolo Scientifico: Giulio Del Corso Queste dispense sono tratte dalle lezioni del Prof. Gemignani e del Prof. Bini del corso di Calcolo Scientifico (2014/2015) dell università di Pisa. Non
DettagliSistemi di equazioni lineari
Capitolo 3 Sistemi di equazioni lineari In questo capitolo si studiano due tipi di metodi risolutivi per sistemi di equazioni lineari, solitamente detti metodi diretti e metodi iterativi. Nei metodi diretti
DettagliIntroduzione al Metodo del Simplesso. 1 Soluzioni di base e problemi in forma standard
Introduzione al Metodo del Simplesso Giacomo Zambelli 1 Soluzioni di base e problemi in forma standard Consideriamo il seguente problema di programmazione lineare (PL), relativo all esempio di produzione
DettagliCorso di Geometria Ing. Informatica e Automatica Test 1: soluzioni
Corso di Geometria Ing. Informatica e Automatica Test : soluzioni k Esercizio Data la matrice A = k dipendente dal parametro k, si consideri il k sistema lineare omogeneo AX =, con X = x x. Determinare
DettagliSlides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI
Slides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI Corso di Laurea in Matematica Laureanda: Elena De Cia Relatore: Prof. Michela Redivo Zaglia Università
Dettagli4.11 Massimi e minimi relativi per funzioni di più variabili
5. Determinare, al variare del parametro a R, la natura delle seguenti forme quadratiche: (i) Φ(x, y, z) = x 2 + 2axy + y 2 + 2axz + z 2, (ii) Φ(x, y, z, t) = 2x 2 + ay 2 z 2 t 2 + 2xz + 4yt + 2azt. 4.11
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
DettagliUniversità Politecnica delle Marche - Facoltà di Ingegneria Ing. Informatica e Automatica - Ing. Logistica e Produzione
ANALISI NUMERICA - Primo Parziale - TEMA A PARTE I. Si chiede allo studente di trattare i seguenti argomenti nel modo più completo possibile. 1. Propagazione degli errori nel caso di operazioni elementari
DettagliMATRICI E SISTEMI LINEARI
- - MATRICI E SISTEMI LINEARI ) Calcolare i seguenti determinanti: a - c - d - e - f - g - 8 7 8 h - ) Calcolare per quali valori di si annullano i seguenti determinanti: a - c - ) Calcolare il rango delle
Dettagli1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: c) x + 1 d)x sin x.
Funzioni derivabili Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: a)2x 5 b) x 3 x 4 c) x + 1 d)x sin x. 2) Scrivere l equazione della retta tangente
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliSISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI
SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,
DettagliAppendice 1. Spazi vettoriali
Appendice. Spazi vettoriali Indice Spazi vettoriali 2 2 Dipendenza lineare 2 3 Basi 3 4 Prodotto scalare 3 5 Applicazioni lineari 4 6 Applicazione lineare trasposta 5 7 Tensori 5 8 Decomposizione spettrale
DettagliPOTENZE DI MATRICI QUADRATE
POTENZE DI MATRICI QUADRATE In alcune applicazioni pratiche, quali lo studio di sistemi dinamici discreti, può essere necessario calcolare le potenze A k, per k N\{0}, di una matrice quadrata A M n n (R)
DettagliEndomorfismi e matrici simmetriche
CAPITOLO Endomorfismi e matrici simmetriche Esercizio.. [Esercizio 5) cap. 9 del testo Geometria e algebra lineare di Manara, Perotti, Scapellato] Calcolare una base ortonormale di R 3 formata da autovettori
DettagliCorso di Analisi Numerica
Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze
DettagliEsercizi svolti sui sistemi lineari
Francesco Daddi - www.webalice.it/francesco.daddi Esercizi svolti sui sistemi lineari Esercizio 1. Risolvere il seguente sistema lineare al variare del parametro reale t: tx+(t 1)y + z =1 (t 1)y + tz =1
DettagliInversa di una matrice
Geometria Lingotto. LeLing: La matrice inversa. Ārgomenti svolti: Inversa di una matrice. Unicita e calcolo della inversa. La inversa di una matrice. Il gruppo delle matrici invertibili. Ēsercizi consigliati:
DettagliEquazioni, funzioni e algoritmi: il metodo delle secanti
Equazioni, funzioni e algoritmi: il metodo delle secanti Christian Ferrari 1 Introduzione La risoluzione di equazioni in R ci ha mostrato che solo per le equazioni polinomiali di primo e secondo grado,
DettagliAnalisi Matematica e Geometria 1
Michele Campiti Prove scritte di Analisi Matematica e Geometria 1 Ingegneria Industriale aa 2015 2016 y f 1 g 0 La funzione seno e la funzione esponenziale Raccolta delle tracce di Analisi Matematica e
DettagliForme quadratiche e coniche. Nota Bene: Questo materiale non deve essere considerato come sostituto delle lezioni.
Forme quadratiche e coniche. Nota Bene: Questo materiale non deve essere considerato come sostituto delle lezioni. Argomenti: Prodotto scalare. Matrici simmetriche e forme quadratiche. Diagonalizzazione
DettagliProgetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller
Progetto di Geometria Computazionale: simulazione del movimento ondoso di un fluido utilizzando Kass e Miller Stefano Ceroni, Sara Toia Luglio 2011 1 Introduzione Il metodo di Kass e Miller [1] per la
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
DettagliMODELLI A TEMPO CONTINUO IN EQUAZIONI DI STATO. Sistema lineare stazionario a tempo continuo in equazioni di stato. = Cx(t) + Du(t) x(0) = x 0
MODELLI A TEMPO CONTINUO IN EQUAZIONI DI STATO Sistema lineare stazionario a tempo continuo in equazioni di stato ẋ(t) y(t) = Ax(t) + Bu(t) = Cx(t) + Du(t) x() = x Risposta completa (risposta libera e
DettagliCalcolo delle Probabilità 2
Prova d esame di Calcolo delle Probabilità 2 Maggio 2006 Sia X una variabile aleatoria distribuita secondo la densità seguente ke x 1 x < 0 f X (x) = 1/2 0 x 1. 1. Determinare il valore del parametro reale
DettagliForma canonica di Jordan
Capitolo INTRODUZIONE Forma canonica di Jordan Siano λ i, per i =,, h, gli autovalori distinti della matrice A e siano r i i corrispondenti gradi di molteplicità all interno del polinomio caratteristico:
DettagliREGISTRO DELLE LEZIONI
UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE LEZIONI del Corso UFFICIALE di GEOMETRIA B tenute dal prof. Domenico AREZZO nell anno accademico 2006/2007
DettagliALGEBRA LINEARE PARTE II
DIEM sez. Matematica Finanziaria Marina Resta Università degli studi di Genova Dicembre 005 Indice PREMESSA INVERSA DI UNA MATRICE DETERMINANTE. DETERMINANTE DI MATRICI ELEMENTARI................. MATRICI
DettagliEsercizi Riepilogativi Svolti. = 1 = Or(v, w)
Universita degli Studi di Roma - "Tor Vergata" - Facolta Ingegneria Esercizi GEOMETRIA (Edile-Architettura e dell Edilizia FORMULE DI GEOMETRIA IN R TRASFORMAZIONI DI R CIRCONFERENZE Docente: Prof F Flamini
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
DettagliRilassamento Lagrangiano
RILASSAMENTO LAGRANGIANO 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il seguente problema
DettagliEsercitazione n 6. Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (b)f(x, y) = 4y 4 16x 2 y + x
Esercitazione n 6 1 Massimi e minimi di funzioni di più variabili Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (a)f(x, y) = x 3 + y 3 + xy (b)f(x, y) = 4y 4 16x
DettagliSISTEMI LINEARI, METODO DI GAUSS
SISTEMI LINEARI, METODO DI GAUSS Abbiamo visto che un sistema di m equazioni lineari in n incognite si può rappresentare in forma matriciale come A x = b dove: A è la matrice di tipo (m, n) dei coefficienti
Dettagli