Metodi Numerici e Calcolo Scientifico (02IHZ)

ESERCIZI PROPOSTI
Significato di eventuali caratteri speciali: Ultimo aggiornamento: October 8, 2018
♠: esercizi più difficili

Sistemi lineari
1. Sia dato il sistema lineare Ax = b, con
   
3 2 1 5
A =  0 1 0 , b =  0 .
−6 0 2 −2

(a) Calcolare la soluzione del sistema usando il metodo di eliminazione gaussiana on pivoting
parziale per righe.
(b) Scrivere la fattorizzazione P A = LU .
(c) Utilizzare la fattorizzazione P A = LU precedentemente calcolata per risolvere il sistema lineare
Ax = c con c = (3, 1, 2)T .

2. Sia dato il sistema lineare Ax = b, con

   
0 2 1 −1
A =  4 2 −1  , b =  1 .
1 1 3 3

(a) Risolverlo con un metodo diretto opportuno.

(b) Individuare un metodo iterativo convergente per la sua soluzione, dopo aver, eventualmente,
manipolato opportunamente la matrice del sistema.
(c) Usare un metodo diretto opportuno per risolvere il sistema lineare Ax = b0 , con b0 = (3, 5, 5)T .

3. Sia dato il sistema lineare Ax = b, con

   
7 2 −3 6
A =  3 6 −2  , b =  7 .
−1 2 4 5

(a) Stabilire se il metodo di Jacobi è applicabile per la risoluzione del sistema lineare.
(b) Stabilire se il metodo di Jacobi converge.
(c) Eseguire due passi del metodo a partire da una approssimazione iniziale x(0) scelta a piacere.
Si monitorizzi l’andamento del metodo, calcolando l’errore commesso (e(k) = x(k) − x∗ ) in una
qualche norma di vettore, tenuto conto del fatto che la soluzione esatta è x∗ = (1, 1, 1)T .
(d) Ripetere i punti precedenti con il metodo di Gauss-Seidel.

4. È assegnato il sistema lineare Ax = b con

3 0 13
   
0
A =  0 1 0 , b =  1 .
−6 0 2 0
 (a) Stabilire se il metodo di Jacobi è applicabile al sistema dato.
(b) In caso di risposta affermativa al punto precedente, stabilire se il metodo di Jacobi converge, se
applicato al sistema in questione.
(c) In caso di risposta affermativa ai punti precedenti, effettuare due passi del metodo di Jacobi
partendo da un vettore iniziale a scelta. Si monitorizzi l’andamento del metodo, calcolando
l’errore commesso (e(k) = x(k) − x∗ ) in una qualche norma di vettore, tenuto conto del fatto che
la soluzione esatta è x∗ = (0, 1, 0)T .
5. È assegnato il sistema lineare Ax = b con
3 0 − 31
   
0
A =  0 1 0 , b =  1 .
−6 0 2 0
(a) Stabilire se il metodo di Gauss-Seidel è applicabile al sistema dato.
(b) In caso di risposta affermativa al punto precedente, stabilire se il metodo di Gauss-Seidel con-
verge, se applicato al sistema in questione.
(c) In caso di risposta affermativa ai punti precedenti, effettuare due passi del metodo di Gauss-
Seidel partendo da un vettore iniziale a scelta. Si monitorizzi l’andamento del metodo, cal-
colando l’errore commesso (e(k) = x(k) − x∗ ) in una qualche norma di vettore, tenuto conto del
fatto che la soluzione esatta è x∗ = (0, 1, 0)T .
6. È assegnato il sistema lineare Ax = b con
   
2 0 −1 0
A =  0 1 −2  , b =  1 .
−4 0 12 0
(a) Stabilire se il metodo di Gauss-Seidel è applicabile al sistema dato.
(b) In caso di risposta affermativa al punto precedente, stabilire se il metodo di Gauss-Seidel con-
verge, se applicato al sistema in questione.
(c) In caso di risposta affermativa ai punti precedenti, effettuare due passi del metodo di Gauss-
Seidel partendo da un vettore iniziale a scelta. Si monitorizzi l’andamento del metodo, cal-
colando l’errore commesso (e(k) = x(k) − x∗ ) in una qualche norma di vettore, tenuto conto del
fatto che la soluzione esatta è x∗ = (0, 1, 0)T .
7. È assegnato il sistema lineare Ax = b con
   
1 −1 0 0
A =  −2 2 −4  , b =  0 .
0 −2 2 −2
(a) Stabilire se il metodo di Gauss-Seidel è applicabile al sistema dato.
(b) In caso di risposta affermativa al punto precedente, stabilire se il metodo di Gauss-Seidel con-
verge, se applicato al sistema in questione.
8. Sia dato il sistema lineare Ax = b, con
   
1 0 0 −1 0
 −1 2 0 0   −1 
A=  0
, b= 
0 3 0   0 
−1 0 0 4 3
la cui soluzione esatta è x = (1, 0, 0, 1)T .

2
 (a) Analizzare la convergenza del metodo di Gauss-Seidel.
(b) Effettuare alcuni passi del metodo a partire dal vettore iniziale x0 = (0, 0, 0, 0)T .
9. Sia dato il sistema lineare Ax = b, con
   
1 0 0 −1 0
 −1 2 0 0   2 
A=
 0
, b= 
0 3 0   3 
−1 0 0 14 0

la cui soluzione esatta è x = (0, 1, 1, 0)T .

(a) Analizzare la convergenza del metodo di Gauss-Seidel.
(b) Effettuare alcuni passi del metodo a partire dal vettore iniziale x0 = (0, 0, 0, 0)T .
10. È assegnata la matrice  
4 −1 0 0
 0 2 −2 0 
A=
 0 2
.
1 1 
0 0 0 −3
Analizzare la convergenza del metodo di Gauss-Seidel nella risoluzione del sistema lineare Ax = b,
con b qualunque.
11. È assegnata la matrice  
4 −1 0 −1
 0 8 −2 0 
A=
 0 −2 1 −1  .


0 0 0 3
Analizzare la convergenza del metodo di Gauss-Seidel nella risoluzione del sistema lineare Ax = b,
con b qualunque.
12. Sono assegnati      
0 1 2 4 3 2
 1 1 0 1   1   1 
A=
 2
, b=
 0 ,
 c=
 2 .

0 0 2 
0 0 1 1 1 1
(a) Si determini la fattorizzazione P A = LU usando la strategia di pivoting parziale.
(b) Risolvere i sistemi lineari Ax = b e Ax = c usando la fattorizzazione P A = LU .
13. Ripetere l’esercizio 12 con
     
0 1 2 4 1 5
 1 1 0 1   2   2 
A=
 2
, b=
 2 ,
 c=
 2 .

0 0 2 
0 0 8 1 0 1

14. Sono assegnati    

5 1 0 0 5
 1 4 1 0   2 
A=
 0
, b= 
0 3 0   3 
1 0 0 6 1

3
 (a) Calcolare la fattorizzazione LU della matrice A
(b) Sfruttando la fattorizzazione LU , calcolare la soluzione del sistema lineare Ax = b
(c) Perché non è necessario effettuare la strategia di pivoting, nel calcolare la fattorizzazione LU
della matrice A?

Soluzioni
     
0 0 1 1 0 0 −6 0 2
1. (a) Soluzione x = (1, 0, 2)T . (b) P =  1 0 0 , L =  − 21 1 0 , U =  0 2 2 . (c) Soluzione
1
0 1 0 0 2 1 0 0 −1
x = (0, 1, 1)T .
2. (a) Usare eliminazione gaussiana o fattorizzazione LU, in entrambi i casi con pivoting poiché la matrice non è né
simmetrica definita positiva né a predominanza diagonale per colonne. Visto il punto (c) che segue, conviene usare
fattorizzazione LU. Soluzione: x = (1, −1, 1)T . (b) Permutando la prima e seconda riga, risultano applicabili e
convergenti sia Jacobi che Gauss-Seidel. (c) Soluzione x = (1, 1, 1)T .
3. (a) Si, poiché la matrice D è invertibile essendo aii 6= 0. (b) Si, poiché A è a predominanza diagonale per righe. (c)
... (d) Si - Si - ...
4. (a)
p Si. (b) Si: la matrice non è a predominanza diagonale ma il raggio spettrale della matrice d’iterazione è ρ(BJ ) =
1/3 < 1. (c) ...
5. (a) Si. (b) Si: la matrice non è a predominanza
p diagonale né simmetrica (quindi non può essere simmetrica definita
positiva). Si può calcolare ρ(BJ ) = 1/3 < 1. Applicando il Teorema di Stein-Rosenberg si ha quindi ρ(BGS ) <
ρ(BJ ) < 1. (c) ...
6. (a) Si. (b) No. Si può calcolare ρ(BJ ) = 2 > 1. Applicando il Teorema di Stein-Rosenberg si ha quindi ρ(BGS ) >
ρ(BJ ) > 1, quindi neanche il metodo di Gauss-Seidel converge.
√
7. (a) Si. (b) No. Si può calcolare ρ(BJ ) = 3 > 1 e il metodo di Jacobi quindi non converge. Poiché la matrice è
tridiagonale con elementi sulla diagonale non nulli si ha quindi ρ(BGS ) = ρ(BJ )2 = 3, quindi neanche il metodo di
Gauss-Seidel converge.
8. (a) A non è né a predominanza diagonale né simmetrica (definita positiva), quindi occorre analizzare la matrice di
iterazione. Poiché sono soddisfatte le ipotesi del Teorema di Stein-Rosenberg, si puó studiare il metodo di Jacobi, che
risulta convergente con raggio spettrale ρ(BJ ) = 21 . Quindi il metodo di Gauss-Seidel è convergente avendo raggio
spettrale ρ(BGS ) < 12 < 1. (b) ...
9. (a) A non è né a predominanza diagonale né simmetrica (definita positiva), quindi occorre analizzare la matrice di
iterazione. Poiché sono soddisfatte le ipotesi del Teorema di Stein-Rosenberg, si puó studiare il metodo di Jacobi,
che risulta divergente con raggio spettrale ρ(BJ ) = 2. Quindi il metodo di Gauss-Seidel è divergente avendo raggio
spettrale ρ(BGS ) > 2 > 1. (b) ...
10. La matrice è tridiagonale con elementi diagonali non nulli. Ci si può quindi ricondurre a studiare il raggio√spettrale
√ di Jacobi. Gli autovalori della matrice di iterazione BJ sono λ = 0 con molteplicità 2, λ = ±i 2, quindi
per il metodo
ρ(BJ ) = 2 e ρ(BGS ) = ρ(BJ )2 = 2 quindi il metodo di Gauss-Seidel non converge.
11. La matrice soddisfa le ipotesi del Torema di Stein-Rosenberg. Ci si può quindi ricondurre a studiare il raggio spettrale
√
per il metodo di√Jacobi. Gli autovalori della matrice
√ di iterazione BJ sono λ = 0 con molteplicità 2, λ = ± 2/2,
quindi ρ(BJ ) = 2/2 < 1 e ρ(BGS ) < ρ(BJ ) = 2/2 quindi il metodo di Gauss-Seidel converge.
12. (a)    
2 0 0 2 1 0 0 0
 0 1
1 0 0  
2 1 0 0 
U =
 0
, L= , P = P13
0 2 4   0 1 1 0 
1
0 0 0 −1 0 0 2 1
(b) x = (0, 1, 1, 0)T e x = (1, 0, 1, 0)T

4
13. (a)    
2 0 0 2 1 0 0 0
 0 1
1 0 0  
2 1 0 0 
U =
 0
, L= , P = P34 P13
0 8 1   0 0 1 0 
15 1
0 0 0 4 0 1 4 1
(b) x = (1, 1, 0, 0)T e x = (0, 1, 0, 1)T
14. (a) ... (b)... (c) Perché essendo A a predominanza diagonale per colonne, la strategia di pivoting non porta a nessuno
scambio di righe.