Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
A. A. 2009-2010
Prof. G. PIAZZA
(1) Ax* = b.
[6]Xl + 2xz + X3 = -1 Ez
[-2]x 1 + 2xz + X3 = 7 E3 .
2
Analisi Numerica capitolo 5 Algebra lineare Numerica
pl
{ E~
E~
= Ez ~+ mZ1XP
= E3 + m31XP
ovvero:
P(Old)
-XZ - 2X3 = -4
[3]xz + 2X3 = 8
1 Questo sistema è ottenuto combinando linearmente le equazioni del sistema precedente è pertanto è
equivalente a quest'ultimo.
3
Analisi Numerica capitolo 5 Algebra lineare Numerica
-lx2 - 2X3 = -4
-4X3 = -4.
11 -1
1 7
1] ~ [O2 -1
O 3
1 :1
O
-~ ~4].
-4 -4
Le prime tre righe e tre colonne dell'ultima rnatrice rappresentano la
matrice dei coefficienti del sistema triangolare, la quarta colonna
rappresenta il corrispondente termine noto. Siamo ora in posizione
di poter generalizzare il metodo di eliminazione di Gauss a sistemi di
dimensione n> 2.
A = A (1) = [a~~)] ER n x n
L) ,
bel)
(1)
a i l Xl + Li~nj=2. a i(1)
j Xj
_
- i
nuovo sistema:
, i == 2, ... , n ,
dove
i, j == 2, ... , n,
11
(1)
bi( 2) - bel) _ ail bel) i == 2, ... , n .
- i a(l) 1
11
5
Analisi Numerica capitolo 5 Algebra lineare Numerica
~n (2)
~j=2 a 2j Xj -
_ b(2)
2 r»
p(k)
~n k
a i(k) (k)
k Xk + ~j=k+l a i j Xj
-
-
b(k)
i
E(k) . -
i' l - + 1, ... , n .
Costruiti i moltiplicatori:
(k)
mik -- - a (k)
ik
akk
i = k + 1, ... , n ,
p(2)
p(k)
(k + l ) _ E(k)
Ei - i
+ mlk. x p(k) , i = k + 1, ..., n,
6
Analisi Numerica capitolo 5 Algebra lineare Numerica
ovvero
~n (1) _ bel) p(l)
L,., j=l al j Xj - 1
~ n (k+l). _ b(k+l)
L,., j=k+l aij Xl - i i = k + 1, 000' n
dove:
(k)
(k + l ) _ b(k) _ a i k b(k)
bi - i a(k) k i == k + 1, o o. , n.
kk
Per k=l,... .n
A( -
l,]
o= A( l,]- -) - A(i,k)
A(k,k)
A(k -)
.t
bei) = bei) - A(i,k) b(k)
A(k,k)
fine ciclo j
fine ciclo i
fine ciclo k.
In uscita la parte triangolare alta di A conterrà la matrice dei
coefficienti del 'sistema trìangolarìzzato', mentre b conterrà il
e,
t··
II tin x·l bi
Xn bn
t-«
~
Xn
n
=
t nn
~~--I· i =n - l, ... , 1 .
~n .2 _ n(n+l)(2n+l)
L.i=l l - 6 '
Ancora sul metodo di Gauss. Come si può ben notare dalle formule di
trasformazione del metodo di Gauss pago 7 , tale metodo conduce alla
triangolarizzazione del sistema, se e solo se tutti gli elementi pivotali,
sono non nulli. Invero questa circostanza è sempre realizzabile per
sistemi quadrati non singolari.
(1)
a 1k - 1
(k-l) (k-l)
A(k) = ak-lk-l a k - 1n
(k)
ak k
la sottomatrice
10
posto:
X2 - X3 =3
- 2XI + 4X2 - X3 =1
-2XI + SX2 - 4X3 = -2.
Soluzione.
-1
-1
-4
-1
-1
-4
j] ~
-2
-1 -1
-1
-3 -2
-1
~J
Il sistema triangolare risultante è dunque:
X2 - X3 = 3
-2X3 = -6
con soluzione Xl = 10 ; X2 = 6 ; X3 = 3.
11
Analisi I\lumerica capitolo 5 Algebra lineare Numerica
Xl + X2 + 3X3 + 3X4 = 3
Xl + X2 + 2X3 + 3X4 = 3
Soluzione.
1 1 1 1 1 1 1 1 1 1
1 1 3 3 3 ~
O O 2 2 2 ~
1 1 2 3 3 O O 1 2 2
1 3 3 3 4 O 2 2 2 3
12
2X3 + 2X4 = 2
A = LU
se e soltanto se , tutti i minori principali di testa di A sono non nullì.a
~]
X 2
A =
[
1 X xER,
O 1
determinare tutti i valori di X per i quali la matrice non ammette
fattorizzazione LU.
13
1
mk+lk.
k = 1, ..., n-l
1
dove
(k)
a i k
,
mik -- - (JZ) k = 1, ..., n-l, i = k + 1, ..., n ,
ak k
14
Ne consegue" che:
(1)
ha la seguente forma:
L=
-mn n - 1 1
A =LU.
15
2 2 2]
A= [ 4 7~ 7 .
6 18 22 r
2 2 2] [2 2 2] [2 2 2]
[ 47 7~23 3~233
6 18 22 3 12 16 3- 4 -04
Pertanto:
L = [~ o <'0]
~ ~; U =
[2
g
Risoluzione di sistemi lineari via fattorizzazione LU.
Riconsideriamo il problema:
(1) LUx = b.
Posto Ux = y,
LY = b
{ Ux=y
16
+
Partendo dalla prima equazione, è facile stabilire che l'unica soluzione
del sistema è data da:
b·_~~-lll··x·
Xi == l ~l=
lii
Il l
I
•
l == 2 , ... r n. ·
Differenza algoritmica fra metodo di Gauss e fattorizzazione LU.
Siano da risolvere gli M sistemi non singolari:
17
o equivalentemente:
[~
1
A= 2
2
Soluzione.
18
[~
1 1 1 1 1
2 2 O 1 1
2 3 O 1 2
[~
1 1
1
1 -1
1
O 1
O
X2 + X3 = -1
Xl + X2 + X3 = O
X2 + X3 = O
X3 = -1.
Pertanto l'inversa è data da:
2 -1
A-l = [-1 2
O -1
19
u~n] ,l ii = 1, i = 1,. . , n.
U nn
da cui:
( 1) ~i-l l
~ij =aij-~k=l ik Ukj, l
. = 1 ,... .n.].=l,
. ... .n.
da cui
20
e,
Fattorizzazione PA=LU
La risoluzione di sistemi lineari via fattorizzazione LU sottintende
che la matrice dei coefficienti abbia tutti i minori principali di testa
non nulli. Come possiamo allora applicare la 'fattorizzazione' nella sola
ipotesi di non singolarità della matrice dei coefficienti?
Il successivo teorema, dà una risposta a questa domanda, ma prima di
enunciarlo premettiamo alcune definizioni.
p=r o 1
1
s 100
21
Ax = b , det(A) =f=. O,
PA = LU.
Possiamo allora scrivere:
Ux = y,
segue
Ly = Pb.
Ly = Pb
22
Analisi Numerica capitolo 5 Algebra lineare Numerica
Ux =y.
-2~
48]
8 12
A = [
3 2 1
-3 -1 1 -4
Soluzione. Per memorizzare gli eventuali scambi di riga, definiamo un
vettore p -- contatore delle permutazioni-- che 'ìncolliamo' alla
matrice A e che inizialmente poniamo uguale a:
p
-3 4
~] ~ [ ~
2 2 -3
[-i
-3
8
3
-1
12 -8
2 1 3
1 -4 4
O
-2 7
-3 5
24
-4
-8
2 -3 4 1
7 -4 9 3
~
O 24 -24 2
5 -176 176
-
7
-
7
-
7
4
1 2 -3 4 1
~
-2 7 -4 9 3
4 O 24 -24 2
5 -22 414
-3 7 21
-
77
4
23
Analisi Numerica capitolo 5 Algebra lineare Numerica
o O 1 o O O 1 2 -3 4
p = [~ O ·1
1 O O'· L
-2
== 4 ~] 1 O O
O 1 O ,
· U ==
O 7 -4 9
O O 24 -24'
O O O 414
5 -22
O O 1 -3 -
7
-
21
1 77
2
8
-3
12 ~8 ~] ~ [ -2~
8
2
12
-3 -8 2]
4 1 ~
3 2 1 3
3 2 1 3
....:.1 1 -4 4
-3 -1 1 -4 4
4 8 12 -8 2 4 8 12 -8 2
1
4
O -6 6 1 -1
""""2 7 8 -3 3
~ -1 ~ 1
-
2
7 8 -3 3 :4 O -6 6 1
-3 -3
-
4
5 10 -10 4 -
4
5 10 -10 4
24
1 O O O 4 8 12 -8
[~ ~];
1 O -1
- 1 O 1 O 7 -38
O O 2
p = O O L= -
1
4
O 1 O;U = O O -6 6
-85
O 1 -3 5
-
5
-
7
1 O O O -7
4 7
Posto:
Ux = y e Pb = d,
Ly = d.
Si osservi che per costruire il vettore d, non è necessaria la matrice P,
ma è sufficiente eseguire lo scambio delle componenti in b secondo
quanto indicato dal contenuto finale del vettore delle permutazioni.
Si lascia al lettore il completamento dell'esercizio.
25
Xl + Xz + 3X3 + 3X4 = 3
Xl + Xz + 2X3 + 3X4 = 3
Xl + 3xz + 3X3 + 3x 4 = 4
A = [1
1
1 1]~
1 3
1 ~
3
3 . _ 3 n
,b - ~ .
1
1
1
3 1 1] [1
3 2 ~ 1
1 1
O 2
1
2 ~]
scambio [~
1
2 2
1 1
2
1] .
4 scambio
[1
1
3
2
3
3 3
3 ", 4
1
1
O 1
2 2
2
2 4
3 ) 1
1
O 1
O 2
2
2
3
2
~] ~ [~
1 1 1 1 1 1
[1
2 2
O 2
O 1
2
2
2
2 2 2
O 2 2
1
O 2 2
ì]·
[1
~] = [~ ~l
1
[~
O O 1
O O O
1 O
O 1O]
1 2 2
P = 1 O ;L OlO;U=l
O 2
O ~ 1
1
O 1 1 O -2
Posto
Ux = y e Pb··= d,
Ux =y
Ly = d.
26
Analisi Numerica capitolo 5 Algebra lineare Numerica
SISTEMI RETTANGOLARI.
Prima di affrontare la risoluzione di sistemi rettangolari, premettiamo
r[
Sia E = [eij] E R m xn , m~ n e sia E = r[ la decomposizione per
r,T
m
righe di E .
allora:
~l;
* * * * * * O O * * * * * *
O * * * * * O O O * * * * *
[j O
O
O
O
* *
O O
*
O
*
*
O
O
O
O
O
O
O O O *
O O O O
* .
O
O O O O O O O O
27
"
1 2 1 3 3
A = 2 4 044
1 2 3 5 5'
2 4 O 4 7
Si noti che le prime due colonne di A sono proporzionali (e dunque A è
singolare).
• .
Ci si sposta a destra dell' elemento uk~ Se l'elemento Uk~+l =1= O
allora (k, k + 1) è la posizione pivotale e U~~+l è l'elemento pivotale.
Si procede quindi all'azzeramento degli elementi ad esso sottostanti in
colonna k + 1.
29
Analisi Numeriéa capitolo 5 Algebra lineare Numerica
1 2 1 3 3
2 4 O 4 4
A= 1 2 3 5 5
2 4 O 4 7
IT -;]
il ~ [~
3 2 1 3
240
123
2' 1 4
OI
O
21
2
-2
2 2 ~
240 4 O -2 -2 1
[1 2 1 -23 m2 3 3
-~]
1
~ g g -J O O ~
O 01 21 -2
O O o O
-2
rno
o o o o 3 o o o o
E' ora evidente che l'applicazione del metodo di Gauss modificato ad
una matrice A E R'"?" riduce questa ad una forma row echelon.
30
Analisi Numerica capitolo 5 Algebra lineare Numerica
• Nel ridurre [Alb] nella forma E = Ref([Alb]) non appare mai una
riga del tipo:
[O O O O la], a *0.
• b è una colonna non basica in [Alb],
(o equivalentemente, rank([Alb]) = rank(A)).
• b è una combinazione delle colonne basiche di A.
Xl + Xz + 2X3 + 2X4 + Xs = 1
[I] 1 2 2 1 1 1 1 2 1 2 I 1
2 2 4' 4 3 1
~
O [Q] O O 1 I -1
2 2 4 4 2 2 O O
O O O I O
3 5 8 6 5 3 O 2 2 O 2 I O
31
1 1 2 2 1 I 1
O ~ 2 O 2 I O
~
O O O O [Il I -1
O O O O O I O
Poiché una riga della forma: [O O O O O la] .a * O, non appare mai, il
sistema è consistente.
SISTEMI OMOGENEI.
Un sistema della forma Ax = O, A E R'"?", dicesi omogeneo. Un
sistema omogeneo è sempre consistente in quanto ammette sempre la
soluzione banale x = O. In questo caso ci si pone la questione: 'esistono
soluzioni diverse da quella banale e se si qual è il miglior modo di
descrivere tale insieme di soluzioni?'
32
Analisi Numerica capitolo 5 Algebra lineare Numerica
X = L.i=l
~n-rank(A) h.
Xli l
Primo passo. Riduzione della matrice dei coefficienti ad una sua forma
ref.
[~
2
4
6
2
1
1
!] ~ [~ 2
O
2
-3
O -5
3]
-3
-5
~ F 2
O O
O O
B
2
O
:-3]
2 passo. le variabili basiche sono quelli i cui indici coincidono con gli
indice di colonna degli elementi pivotali e pertanto sono Xl' X3; di
33
Xl + 2X3 = - 2 X 2 - 3X4
- 3 X3 = 3X4 -
--
- - --
X2 libera ~
xçlibera .
La soluzione generale può allora scriversi:
per X2 = 1, X4 = O e X2 = O, X4 = 1 .
34
Analisi Numerica capitolo 5 Algebra lineare Numerica
X == ~n-rank(A)
~i=l Xli
h.
l
+ P
35
2 3 I
I
4] = ref([Alb]
-~
. .
8J -3
O O I
-3X3 = -3 + 3X4 .
Xz libera, X4 libera.
X3 = 1- X4," X4 libera
36
Analisi Numerica capitolo 5 Algebra lineare Numerica
Ax = b,
con
x* = [:D = GJ·
Consideriamo ora una (piccola' perturbazione del termine noto b
ponendo b = b + Sb, con Sb = [-0~01] e risolviamo il nuovo sistema:
Ax = b.
E' facile vedere che la nuova soluzione esatta di questo sistema è:
. . . . = [Xl] = [-23.25]
X X2 26'
Notiamo che:
Ilx*-xll oo = 25
IIx*lloo
Evidentemente:
x* - x = A-l Sb.
Fissata una norma su vettori e la corrispondente
norma indotta su matrici, risulta:
38
Analisi Numerica capitolo 5 Algebra lineare Numerica
dimostrazione.
1 1 1 < 1
K(A) ilA Il IIA-l Il ilA Il maxy..o"~~lxll - IIAII"~~~lxll'
39
Analisi Numerica capitolo 5 Algebra lineare Numerica
•
Sia ora B una matrice singolare ottenuta da A tramite una piccola
perturbazione su A e diciamo E la matrice di perturbazione, Ovvero
B = A + E.(Per esempio, se
A = B + E, E = [~ ~] , Il E Il = C ) IX>
- 666]
Xc = [ 834 .
(2) Axc . b +r .
A(Xc - X *) -- r ~ Xc - X * -- A-l r.
41
ed anche:
di perturbazione di b . Allora:
42
Analisi Numerica capitolo 5 Algebra lineare Numerica
43
Analisi Numerica capitolo 5 Algebra lineare Numerica
a) 31x*ERn 3'x*=Bx*+c
p(B) < 1 ~ { b) Vx(O) E R n : lim X(k) = x'"
< k~oo
2 Lemma. Sia
B E R"?" e p(B) < q. Allora esistono due matrici l e T con T non singolare tali che B =
T1T- 1 e 1111100 $ q
44
Analisi Numerica capitolo 5 Algebra lineare Numerica
e quindi:
se Illl(B)I. 1 •
se Illl(B)1 > 1
45
i = 1, ... , n, k = 0, 1 ...
Esempio 2 (Metodo di Gauss - Seidel). Posto D come nell'esempio
1 e definite:
o O a12 ain
a2i O O
E= ... ,·F = ...
O O an-in
ani a n n-i O O
possiamo scrivere A = D + E + F e quindi istituire il processo
iterativo:
(D + E)x(k+i) = -Fx(k) + b,
ovvero:
Seidel.
CD + E)x(k+i) = -Fx(k) + b
può scriversi :
47
e in termini scalari:
X Ck +1) = Bx Ck ) + c, k = 0,1,...
ed assumiamo che esista una norma su B tale che I/BII < 1. Ciò
garantisce l'esistenza di un unico punto x* tale che x* = Bx* + c
nonché la convergenza del metodo.
Ora:
XCk+ 1 ) - x Ck ) = XCk+ 1 ) - x Ck) + x* - x* =
segue allora:
< 1 IlxCk+1) _ x Ck ) Il .
- l-/IBII
3 lemma.5ia B E R"?". Se esiste una norma su B 3' IIB Il < 1 allora I - B è invertibile e
Il CI - B)-ll1 s l-~BII'
48
Pertanto
1
1-IIBII
IIX(k+l) - X(k) Il < toll I
dove toll indica una tolleranza, può essere utilizzato come criterio di
stop nei processi iterativi. Si noti che più 'vicino' ad 1 è la norma di B
più la convergenza 'può rallentare'. Quest'ultima considerazione sulla
'velocità' di convergenza può essere raffinata con le seguenti
considerazioni:
abbiamo già visto che per un generico processo iterativo convergente,
l'equazione degli errori è data da:
B = TDT- l ,
/li (B)
--I < 1, i = 2,. . ., n
/l1 (B)
e perciò:
e anche
convergenza.
2 1 -1 -1
Posto Di =diag(A l )
B] = I - Dii Al = [~1
2
O
-2]
-1.
-. -2 -1 O
Un breve calcolo rivela che (J(B]) = {O}, con mA (O) = 3.
O]
O ; Fl = [OO 2
O -2]
1 .
O' O O 1
dunque
Sistema A 2 x = b .b E R3.
51
Analisi Numerica capitolo 5 Algebra lineare Numerica
1
-1]
O ~2 ; Dz = diag(A z)·
1
BGS = ~ [~ -1
1
-1]
-1 ; p(BGs ) = ~ e il metodo di Gauss-Seidel
O -1
converge.
Nota. Il precedente esercizio, mostra che non esiste una universale
superiorità di Gauss-Seidel su [acohì o viceversa.
Soluzione a).
52
Analisi Numerica capitolo 5 Algebra lineare Numerica
Sia A una matrice di ordine n. Gli scalari J1 ed i vettori x non nulli per i
quali risulta:
(1) Ax == J1X
Se u E cr(A), l'insieme:
53
54
tutti gli auto valori di A sono inclusi nell' unione dei cerchi di
Gerschgorin,._ ovvero :
~ ].
5 1
A = [O 6
1 O -5
Soluzione. Una cruda stima derivante dalla (1) è data da:
-4]
-1
5 .
32 21 7 12
32 21 7 12 1· 1
pertanto Vi è autovettore e J1 = 1 è autovalore.
. 9 -6 -2
=8 --6
Avz = [ 20 15
-3
8 =~] [~ ]= [=~]
5 -1 12·
32 21 7 12 O 25
Poiché
56
non è autovettore.
Completare l'esercizio verificando che V3' V4 sono auto vettori di A
associati rispettivamente agli auto valori 3 e 3.
= [~
-2
~]; D= [~1
6
3]1 ; E = [3O 3O
C 1
-1 5; -1
5
2 4 -O O ~l
Soluzione.
III = 4; Ilz = -3 .
-1 .
Xl = -xz;
z Xz libera.
57
Poiché gli autovalori sono distinti gli autovettori [-1 ~] , [--;.1] sono
Autovalori e autovettori di B.
2 - Il 16
detCB - ilI) = det ( 4 14 Il 88 ] )=
[
-8 -32 -18 Il
Soluzione di (B - 21)x = o.
16
(B - 2I)x = °~ [~ 12 8]
8
[Xl] = [0]
°X2
-8 -32 -20 X3 °
Riducendo la matrice dei coefficienti in una forma ref(B), abbiamo:
Xl = - -X3
;X2
2
= -X3
-
2
;X3 lib
l era. Pertanto
X2
X3 °
Pertanto
Autovalori e autovettori di C.
59
(C - fl/)X =0 ~ [~O -1
=~ ~l2 [~~] = [~]O ~
X3
- 2xz + SX3 = O .
,
~ {-2 Xz + 4 X3 - O,xllibera.
Pertanto:
60
dalla quale:
61
Osserviamo che /1~ agisce su x(k) solo come fattore di scala e pertanto
anche la successione {x(k)} 'tende verso la direzione di un autovettore
associato a Ili'
Ciò ci permette di scegliere un più comodo fattore di scala.
Notiamo che
Va E R: m(aw) = am(w) .
X(k)
Assunto m(-k) ~ y, segue:
J).1
y(k) == AX(k)
(1k == mCy(k))
CP) k == 0,1,2,.
x(k+l) == y(k)
(Tk
62
Analisi Numerica capitolo 5 Algebra lineare Numerica
Infatti:
poni A(l) =A
per k = 1,2,...
definisci
A (k+l) =R(k) Q(k) •
63
Analisi Numerica capitolo 5 Algebra lineare Numerica
Vale il seguente:
allora:
J-ll CA) T12 Tln
J-l2 CA) T23 T2n'
limk~oo A(k)
J-ln(A)
l a ~~~ I = O (1...!!:Ll
k
) •
l,l 1 J1.i-l
64
APPENDICE A.
Una matrice A i cui elementi sono essi stessi delle matrici si dice
partizionata in sottomatrici o partìzìonata a blocchi. Per le matrici
partizionate.a blocchi, sotto naturali restrizioni per le dimensioni dei
blocchi, valgono le stesse definizioni di somma e prodotto valevoli per
le matrici i cui elementi sono scalari.
Somma a blocchi.
Moltiplicazione a blocchi.
Assumiamo che le matrici A, B siano partizionate a blocchi come
segue:
A~r]
.. ,. B -- [B~l
..
..
-::- A sr Br 1
Se le coppie di matrici (A i k , B k j ) sono conformabili ovvero se il
numero di colonne di A i k coincide con il numero delle righe diB k j
allora si dice che A e B sono conformabilmente partìzìonate, per tali
matrici il prodotto segue la stessa regola che per le matrici ad elementi
scalari; in altri termini, posto C = AB si ha:
65
Analisi Numerica capitolo 5 Algebra lineare Numerica
r[
r T
A== 2 e B nell'unico blocco se stesso, abbiamo:
r,T
n
r[ rTB
1
AB == rJ [B] == rJB
r,T r,TB
n n
Esempio 4. Posto
1 2 , I 1 O
3 4 I O 1
A== -
= [; ~]
1 O I O O
O 1 I O O
Analisi Numerica capitolo 5 Algebra lineare Numerica
2 4 I 1 2
6 8 I 3 4
AB = [; b][~ ~] = [2]e g] = t. O
-
I O O
O 1 I O O
67
APPENDICE B.
68
Analisi Numerica capitolo 5 Algebra lineare Numerica
5. Se Jl1, . . · , Jln sono gli auto valori di A allora, det(A) == n'b1 Pi.
69
Dimostrazione.
dalla quale
70
71
APPENDICE C.
Norme di vettori.
p-NORME.
E' possibile provare che per ogni intero p > 1 , l'applicazione Il Ilpche
ad x E C" associa
1
t
Ilxllp == (I =l lxd P) p
72
Analisi Numerica capitolo 5 Algebra lineare Numerica
norma infinito.
NORME EQUIVALENTI.
73
NORME DI MATRICI
Una norma di matrice è una applicazione dell'insieme di tutte le
matrici complesse di dimensione finita in R , Il.11 tale che:
74
75
APPENDICE "D.
FATTORIZZAZIONE QR.
Sia A E R mxn e per fissare le idee, assumiamo m > n. Vogliamo
provare che esiste Q E Rmxm ortogonale cioè tale che QT Q = QQT =
I ed esiste R E R mxn del tipo
Pertanto,
2
P =I- uu"
Ilullz z
è simmetrica e ortogonale.
76
Analisi Numerica capitolo 5 Algebra lineare Numerica
Ora:
Px = (I 2
Ilullz
z uu T ) X = X - 2
lIullz
z uu" X =
=x - 2 T
z (u x)u.
Ilullz
Posto:
Ul
X2
(2) 2
lIullz.z
(u T x) - 1 u
,
= , risulta:
In definitiva, la matrice
(4) p =I - 1
IlxllzCl xll+llxllz)
uu!
,
con:
77
Xl + sign(Xl)llxllz
(5) u=
Xz
Rìsolveìlproblerna postoci.
colonne.
Costruiamo quindi:
78
Analisi Numerica capitolo 5 Algebra lineare Numerica
-sign(ai~)) Ilai 1 l
)
2
(2)
a 12 a 1n
(2)
(2) (2)
O a 22 a 2n = A(2) o
(2) (2)
O am2 a mn
a2n
A(2)
12
= [a(2)
12
000 a(2)]
in'
A(2)
21 o, 22 o
-
o
o
o
.
O· a(2) (2)
m2 am n
A(2)]
12 .
A(2)
22
Ora, con la stessa logica con cui abbiamo costruito r'», costruiamo la
matrice ortogonale Q(2) di ordine m-l tale che Q(2) Afi presenti la
struttura:
*
*
*
p( 2 ) = [~ QOc:)] risulta essere ortogonale e tale che
p(2) A (2) ,
presenta la struttura:
79
* * * * *
O * * * *
p(2) A(2) = O O * *
*
*
O O * * *
a11 a 1k - 1 a1k a 1n
...
...
(k) (k)
am k amn
posto:
(k) (k)
a11 a1k - 1
..
A(k)
.
11 . ..
(k)
ak-lk-l
(k) (k)
a 1k a 1n
A(k)
12 ·
·
(k)
• <
(k)
a k - 1k a k - 1n
80
A(k)
22
(1)
. a-(k)
a k + 1k , k
e costruiamo la matrice
-c
81
* * *
O * *
A(k+l) =
22
O * * *
In sintesi l'algoritmo di fattorizzazione QR può essere cosi
sintetizzato:
poni A(l) ~ A
perk = 1, ... ,n
esegui:
u j(k) ~
O, 1- -- 1 , . . ,k-l
U(k) ~ a(k)
k kk
+ sign(a(k))s(k)
kkk
U I~k) ~ a~k)
ik ' I- = k + 1,. . , ID
Q= p[pJ . .. pJ.
82