Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Denition.
un problema ben posto se in un certo insieme di denizione ha 1 ed 1 sola soluzione e questa dipende con continuit dai dati iniziali. Ps: Continuit vuol dire che al variare dell'input l'output non pu variare estremamente.
Denition.
x x
d d
Condizionamento
Denition.
1.1
K(A) = A
A1
Matrici
A Rmn
Denition.
AT
Matrice trasposta
AT A
Denition.
AH
AH A
e coniugando ogni elemento. Per elementi reali o
AH = AT
Denition. Denition.
Una matrice
< x, y >
(x, y)
< x, y >= xT y
Matrice invertibile
invertibile se
A1
tc
AA1 = A1 A = I .
det(A) = 0.
Denition.
A A
Matrice simmetrica/hermitiana
simmetrica hermitiana
A = AT A = AH
con con
A Rn,n A Cn,n
Propriet
Denition.
Una matrice
xT Ax > 0 x Rn \{0}.
xH .
A ha autovalori reali ed esiste una base di autovettori l.i. per Rn (Cn ). Se A anche denita positiva i suoi autovalori sono positivi > 0. Rnn )
AH = A1 (AT = A1 )
Qx
= x
P una matrice di pertmutazione se si pu ottenere permutando le righe della matrice Matrice riducibile
I = P T P = I
riducibile se
permutazione
t.c.
P AP T =
dove
B11 0
B12 B22
(
Dal sistema
Ax = b
si pu scrivere
By = c
B = P AP T , y = P x, c = P b
B11 0
B12 B22
y1 y2
c1 c2
) e
risolvere il sistema:
Dimostrazione. Ax = b = P Ax = P b = P AP T P x = P b = By = c
Inoltre
Theorem.
connesso.
Denition.
n
Una matrice quadrata
|aij |.
E' strettamente a
>
invece di
Denition.
indice vale il
A irriducibile > .
a diagonale dominante se
Theorem. Se A strettamente a diagonale dominante o irriducibile a diagonale dominante allora non singolare.
2
1.2
Autovalori ed autovettori
Autovalori ed autovettori
Denition.
Ax = x
con
x=0
dove
autovalore e
autovettore associato a
. (A k I)x = 0.
det(A I) = 0. (A)
(A) = maxi |i |
Propriet:
det(A) =
n j=1
(AT ) = (A)
1 1 (A1 ) = { 1 , 2 , ..., 1 } n
Autovalori distinti
= autovettori
indipendenti.
Molteplicit algebrica: molteplicit delle radici del polinomio caratteristico. Molteplicit geometrica: dimensione dell'autospazio generato: numero degli autovettori indipendenti.
1 MG MA N
Una matrice difettiva se
MG < MA
Norme
Positivit:
x 0
x = 0 x = 0
Omogeneit:
x = || x x+y x + y
Disuguaglianza triangolare:
= max |xi | x
|xi | x
xT x =
x2 i
Submoltiplicativa: Consistente: se
AB A
b
B
a dove
Ax A
A =
i,j
ae
Norma di Frobenius:
|ai,j |2
= max
i=1..m
|aij |
j=1 m
A A
= max =
j=1..n
|aij |
i=1
(AT A)
(oppure
AH A
nei complessi)
||x|| = ||Ax||
(A)
Gershgorin
Cerchio riga
Denition.
Ri
(Cerchio colonna
Cj )
Ri = {z C : |z aii |
j=1
j=i
|aij |}
(l'elemento sulla diagonale il centro, la somma dei moduli degli altri elementi
Theorem. 2 di Gershgorin: se
3 di Gershgorin: Sia A irriducibile. Se un autovalore appartiene alla frontiera dell'unione dei cerchi (riga/colonna) allora appartiene alla frontiera di ciascun cerchio.
Denition.
= |a a |.
Errore relativo:
|a| .
Proposition. Se n = a ha circa n cifre che coincidono con a. Denition. Insieme dei numeri macchina: F(, t, L, U ) = {0} {x R : x = sgn(x) m p }.
Con
base,
L p U.
Denition.
1. 2. 3. 4.
fl : R F
= f l(x)
t
approssima
(a) Troncamento: le cifre della mantissa in eccesso non vengono memorizzate. Errore: unerrore dell'ordine di
pt
(si comette
per le cifre della mantissa troncate, tale errore va moltiplicato per l'espontente p t+1 memorizzato: ) ( l'erore relativo diviso per una minorazione dell'ordine di grandezza del p1 numero eettovo: ). t =
(b) Arrotondamento:
t se t < 1 2 . t + 1 set 1 2
Errore:
1 pt , 1 t+1 2 2
Denition. Precisione di macchina u = 1 t+1 2 y x Example. Errore di cancellazione: x+y = x+y x + x+y y .
x+y .
x+y
x+y =
Denition. Example.
5
Denormalizzazione processo che permette di evitare l'errore di cancellazione, scrivendo formule equiv-
x+
x=
x+
x++x x++ x
x++ x
A(x + x) =
b + b.
x x
A1
K(A)
b b
che equivale a
x K(A)b .
Dimostrazione.
A(x + x) = b + b Ax = b
(1)
(2)
(1)
(2) =
A:
A A
1 A1
allora vale
x K(A) x 1 K(A)
A b + ), A b
che equivale a
K(A) 1K(A)A
(A + b ).
Sistemi lineari
T
= A1 ) x = AT b.
NB: Applicando operazioni elementari sulla matrice (e sul vettore dei t.n) il sistema rimane equivalente. Il determinante il prodotto della diagonale della matrice triangolare che si ottiene con Gauss solo se non si sono eettuate moltiplicazioni sulle righe. Ogni scambio di riga inverte il segno del determinante. In generale le operazioni elementari modicano gli autovalori.
Per migliorare la stabilit dell'algoritmo di Gauss possibile utilizzare:
Pivoting parziale: ad ogni passo seleziono la riga con il coeciente maggiore in modulo ed eventualmente eettuo uno scambio. Pivoting totale: ad ogni passo seleziono l'elemento (riga e colonna) con il coeciente maggiore ed eettuo i relativi scambi rinominando le variabili.
Denition.
(A + F )x = b.
Se
2g(n) t (n + 1)3 A
con
g(n) =
2n1 1 1 1 1 1 n 2 (2 3 2 4 3 ... n n1 ) 2
x
x =
6.1
x x
A1 F 1 A1 F
Fattorizzazione LU
A = LU .
Scrivendo, negli stessa posizione degli zeri, il moltiplicatore usato per azzerare l'elemento (facendo la triangolare inferiore che contiene i moltiplicatori e che ha tutti gli elementi sulla diagonale a 1.
dierenza) si
ottengono le matrici L ed U. U la matrice triangolare superiore che contiene il risultato di Gauss. L la matrice
Example.
u12 u22 0
0 1 l32
0 0 1 Lyj = bj U xj = yj
Axj = bj = L U xj = bj =
yj
matrice di permutazione.
6.2
Se
Fattorizzazione di Cholesky
simmetrica e denita positiva
= L : B = LLT
con
= 1).
6.3
Fattorizzazione QR
esiste
Q, R
t.c.
A = QR
con
ortogonale e
triangolare superiore.
r = Ax b
(resto)
= min Ax b n
xR
f (x) = (fx1 (x), fx2 (x), ..., fxn (x))T , AT A XLS = (AT A)1 AT
inversa generalizzata
(AT A)x = AT b.
AT A = LLT = L LT x = AT b =
y 1 xLS = R1 c1
e resto :
Ly = AT b y = LT x C = QT b
(matrici e vettori vengono
QR
su
si ha:
C2
2 2 con
righe). ( pi stabile)
Dimostrazione.
||Ax b||2 = ||QRx b||2 = ||Rx QT b||2 ora guardando al struttura di R si ha 2 2 2 R1 C1 T 2 T . Scriviamo ||R1 x Q b||2 . La struttura di Q b Ai ni della norma, C2 pu essere considerato 0 C2 2 2 separatamente (non dipende da R) e otteniamo ||R1 x C1 ||2 + ||C2 ||2 . La prima parte un sistema standard che 1 2 possiamo risolvere come x = R1 C1 e quindi ha norma 0. La parte restante il resto .
Si parte da
7.1
Retta di regressione
incognite sono m e b)
x1 A = ... xn
1 ... z = 1
m b
Possiamo risolvere questo sistema sovradeterminato con il metodo dei minimi quadrati (ZLS oppure usare la formula chiusa per questo caso: risolvere a partire da
AT Az = AT c
x.
A)
Errore analitico: errore che si commette interrompendo la procedura dopo un numero nito di passi.
Denition.
x(0)
si ha
lim
Ax = b
come
(P N )x = b = P x = N x + b =
assegnato
Denition.
Errore:
x(k) = x = x(k+1) = x.
Inoltre:
e(k) P 1 N
e(0)
e(k) x
Resto:
K(A)b )
E = L, F = U
quindi
A=DEF
<
x )
r (k) b
1 x(k+1) x(k) 1 (P 1 N )
8.1
Metodo di Jacobi
f : R R,
f . ek = xk
k
Denition.
Un metodo convergente se
Una successione
{xn }
p1
ad
se:
lim
dove
Se
p = 1e c = 0
converge superlinearmente.
radice semplice di
f (x)
se
f (x) = (x a)h(x)
di
h() = 0
e
f (x)
se
h() = 0
Theorem. ha molteplicit m f (k) () = 0k = 0..m 1 e f m () = 0 Example. x2 2x + 1 ha molteplicit 2 in 1 perch: f (0) (1) = 0, f (1) = 2x 2 = 0, f
Volendo approssimare della radice piccola allora la sensibilit alta (taylor all'ordine 0 centrato in
(1) = 2.
Dimostrazione. Se |f (x)|
= |x |
|f ()|
10
9.1
Se
Bisezione
continua in
f (x)
[a, b]
c=
1 2 (a
+ b).
f (c) = 0
allora
c = .
Se
considero l'intervallo
[a, c],
altrimenti
[c, b].
1 |xk+1 | 2 |xk |.
di lunghezza:
ba . Se voglio precisione 2k
ba 2k
9.1.1 Taylor:
f (x) = f (n) (x0 )(x x0 )n n! n=0 f (n) (x0 )(x x0 )n + o(xk ) n! n=0 f (k+1) ()(x x0 )k+1 f (n) (x0 )(x x0 )n + n! (k + 1)! n=0
k
con
f (x) =
f (x) =
[x0 , x]
9.2
xk+1 = xk
f (xk ) = 0xk xk
troncato al primo ordine:
Dimostrazione.
f (xk ) f (xk )
Theorem. Sia
Dimostrazione.
quadraticamente.
f C 2 (B(, r)) per qualche r > 0 e f (x) = 0x B(, r) = la successione {xk } converge
Taylor centrato in
xk
valutato su
M 1|f 2 f
B(, r).
il metodo converge. E' vero per ogni
|ek | M |ek1 |2
1 2k quindi se M |M e0 |
|M e0 | < 1
x0 B(
1 M ).
c=1
1 m dove
la molteplicit.
10
Denition.
g(x)
g(x)
n
interpola
f (x)
in
x0 , x1 , ..., xn
(detti nodi) se
f (xi ) = g(xi )
con
i = 0..n.
nella forma:
g(x) =
j=0
aj j (x)
dove
aj
sono scalari e
x0 0 x0 1 = . . . x0 n
aj xj = yi i = 0..n. Scrivendo questo sistema in forma matriciale i x1 . . . xn 0 0 x1 . . . xn 1 1 (xi xj ) = 0 . . . Si pu dimostrare che det() = .. . . . . . i>j x1 . . . xn n n
Denition.
n
x xj . xi xj Li .
Si ha che
Li (xj ) = 1
se
i=j
se
i = j.
a priori il valore di
Denition.
n
Pn (x) =
k=0
yk Lk (x)
Denition. Resto: En (x) = f (x) pn (x) Theorem. Sia f C n+1 ([a, b]) e sia pn (xi )
f (n+1) () En (x) = n (x). (n + 1)!
12
Dimostrazione.
Q(x)
Dove
Quindi
G(z)
n+1
nodi (se
Q), z
Derivando in Risolvendo:
G(n+1) (x ).
Si ottiene:
Q(x) =
xn+1 +O(xn ).
(n+1)-esima (n+1)!)
= (a, b) : () = 0.
di Faber: per ogni distribuzione di nodi esiste almeno una funzione tale che En (f ) n .
per ogni funzione conitnua in [a, b] esiste una distribuzione di nodi tale che En (f ) 0 per n . se f C 1 ([a, b]) e se i nodi sono gli zeri del polinomio di Chebyshev di grado n allora En (f )
0 per n .
Denition. Denition.
in
n:
n intervalli
g(x) si dice spline di grado p n (o di ordine p + 1) se polinomiale a tratti e se ha derivata di ordine p 1 continua [a, b].
11
I(f ) =
Formule di quadratura
b
a
f (x)dx
n j=0
In (f ) =
j f (xj )
con
Approssiamo
I(f )
In (f )
sui nodi
x0 , ..., xn . r
se
Denition.
Grado di precisione:
In
ha grado di precisione
In (p) = I(p)p r
r).
xi
= 0..n.
Tale sistema ha
Questo metodo non conveniente dal punto di vista numerico per complessit e stabilit. Un metodo alternativo costituito dalle formule di quadratura interpolate, che calcolano il polinomio interpolatore della funzione e successivamente lo integrano.
13
f (x)
pn (x) =
j=0 n
Quindi lo integriamo:
b n
In (f ) =
a
pn (x)dx =
a j=0
Lj (x)dx =
j=0
j f (xj ).
f (xj )
Newton-Cotes
Supponendo nodi equidistanti (non il caso migliore) abbiamo formule semplici (Newton-Cotes): Calcolando i coecienti
n,
f (x).
xj = x0 + j h h = ba n
con
j = 0..n, x0 = a, xn = b
xj = x0 + j h con j = 0..n, x0 = a + h, xn = b h ba h = n+2 b n Calcoliamo quindi i coecienti j : L (x)dx, ora eettuiamo il cambio di variabile x = x0 +ht: h 0 Lj (x0 +ht)dx. a j n tk Sostituendo anche in Lj (x) si ottiene: Lj (xo + ht) = = j (t) che non dipende da x ma solo da t. jk k=0 j=k n Si ha quindi: j = h j (t)dt = hj .
Per le formule aperte:
0 j n
La formula di quadratura completa :
In (x) = h
j=0
j f (xj ) 1
a
n + 1. 2
tk (t 1) (t 2) 3 = = 1 t2 2 t + 1 2 0k 1 2 tk (t 0) (t 2) = = t2 + 2t 1k 1 1 (t 0) (t 1) tk = = 1 t2 1 t 2 2 2k 2 1
0 =
1 2 t 0 2
3 t + 1dt = 2
2 0 2 0
1 3 6t 4 3
3 t2 + t 4
2 0
4 3
3+2 =
1 3
1 (t) =
1=k
1 1 = 3 t3 + t2 1 3 6t
8 = 3 + 4 = 4 3
2 (t) =
2=k
2 =
1 t2 4
1=
1 3
14
Formule composte
Le formule semplici non garantiscono una buona approssimazione se non per funzioni molto semplici (per via del basso numero di punti). D'altra parte non possibile aumentare il numero di punti perch noto che l'interpolazione su un numero elevato di punti equispaziati non garantisce la convergenza dell'errore. Per ovviare a questo possiamo applicare pi volte le formule semplici su piccoli intervalli della funzione da integrare, e sommare i risultati. Tali formule si chiamano composte.
b
Se
pari:
qn+1 (t)dt =
qn (t)dt =
I(pn+1 ) =
a
Dove
pn+1 (x)dx =
1
q(t)dt = In (q)
1
qn+1
x=
ba 2 t
a+b 2
Theorem.
En (f ) = I(f ) In (f ) =
a
f (x) pn (x)dx =
a
E(x)dx
(resto)
=
b
|n (x)|dx.
Teorema della media: sia f continua in [a, b], g(x) integrabile e senza cambi di segno in [a, b] = [a, b] t.c. b b f (x)g(x)dx = f () a g(x)dx. a
Integrali con singolarit:
Nel caso la funzione
f (x)
da integrare abbia una singolarit in un estremo di integrazione, possiamo usare una for-
mula aperta e scegliere arbitrariamente i nodi. Scriviamo quindi conto del peso:
della singolarit. Possiamo usare il metodo dei coecienti indeterminati per calcolare i coecienti
n j=0
aj xi = j
(xi )
i = 0..n In (f ) =
n j=0
j f (xj )
2n + 1
Se vogliamo fare in modo che il grado di precisione sia il pi alto possibile possiamo applicare il metodo dei coecienti indeterminati, ma senza ssare i nodi. Cos facendo abbiamo determinare, ma solo di precisione
n+1
2n + 1.
15
11.1
Formule di quadratura
n1
f (x2i ) + f (b))
i=1
11.2
Formule dell'Errore
semplice (b a)3 rett (A) f () 24 (b a)3 trap (C) f () 12 f (4) () b a 5 simp (C) ( ) 90 2
12
Denition. A e B sono matrici simili se s non singolare t.c. B = S 1 AS . Theorem. Due matrici simili hanno stessi autovalori (ma autovettori diversi, in generale).
Dimostrazione.
Se
sono simili:
Bx = x = S 1 ASx = x = ASx = Sx = Ay = y .
y
non singolare t.c.
Denition.
A diagonalizzabile se X
X 1 AX = D
con
matrice diagonale (
= gli elementi
Theorem. A quadrata diagonalizzabile ha n autovettori linearmente indipendenti (se A diagonalizzabili il det = 0 ma non detto il contrario).
Decomposizione di Sckur. H (Unitaria: U = U 1 ).
Denition.
A C nn
unitaria t.c.
U H AU = T
con
triangolare superiore
T = U H AU = T H = (U H AU )H = U H (U H A)H = U H AH U = T H = T
triangolare inferiore
A hermitiana
U H AU = T .
= T
diagonale.
Denition.
normale se
AAH = AH A.
16
Theorem.
(Un autovalore della matrice perturabata non pu essere pi distante da uno della matrice esatta di K2 (X) E 2 )
min| u| E
( = K 1).
|1 | > |2 | |3 | ... |n | A
diagonalizzabile ha componente non nulla lungo l'autovettore
x(0)
v1
associato a
Theorem. Se le ipotesi sono vericate il metodo genera una successione {x(k) } che converge a v1 .
Dimostrazione.
n
Siccome
x0
x(0) =
i=1
i vi
inoltre
a1 = 0
per ipotesi.
x(k) = Ak x(0) =
Per ipotesi
n i=1
i Ak v i =
n i=1
i k vi = 1 k v1 + 1 i
n i=2
i k vi = (1 k )(v1 + 1 i
la somma tende a
i k n i i=2 1 k vi ) 1
x(k) 1 1 v1 .
x(k)
0 se |1 | < 1 se |1 | > 1
Criterio di arresto:
|1 1
(k)
(k1)
| < |1
(k1)
| x(k) .
Deniamo
q (k) =
x(k) . ||x(k) ||
x(k+1) = Aq (k) .
(k)
Inoltre:
17
usiamo
A1
1 e il metodo ci restituisce l'autovettore per cui 1 1 di modulo minimo). L'ordinamento deve essere 1 > 2 ....
1 ||
Ricerca di un autovalore
Se conosco gi un approssimazione gli autovalori in modulo
u di un autovalore i . 1 diventano | u |.
(A uI)1 ,
perch
k = 1, 2, 3, .. assegnato
Per
molto vicini a
Ak : Ak+1 = Rk Qk = QT Qk Rk Qk = QT Ak Qk k k
allora il procedimento converge ad una matrice
diagonale.
Problemi di Cauchy
I problemi di Cauchy sono nella forma
y = f (x, y) y(xo ) = y0
con
Denition.
L|z y|
f z, y
18
h=
ba n
xj = x0 + j h. = f (x, y).
y = f (x, y)
con
yk+1 yk h
Metodo di eulero esplicito: yk+1 = yk + hf (xk , yk ) 1 Denition. Errore locale in x: (x, h) = h (y(x + h) y(x)) f (x, y(x))
f
Metodi ad un passo: metodi nella forma yk+1 = yk + h(xk , yk , yk+1 ) Metodo consistente di ordine p: se (h) = O(hp ) (maggioro x) Metodo zero stabile: Se l'errore complessivo 0 per h 0. Theorem. Convergenza Consistenza + Stabilit
I metodo ad un passo sono tutti Stabili. (Convergono se sono consistenti)
19