Appello – Parte 1

23/01/2023 — versione 1 — ♦♥♣♠♦♠♣♥♠♣

32 pt – durata 1h 30’ – MS Forms

Gli studenti aventi diritto a svolgere la prova ridotta del 30% secondo la L.170/2010
(indicazioni Multichance team) NON svolgono i quesiti contrassegnati con (***)

TEST – 15 pt

1 — 1 pt
Dati l’insieme dei numeri floating point F(2, 7, −10, 10), il numero reale x = π e
la sua rappresentazione in artimetica floating point f l(x) ∈ F, si stimi l’errore
|x − f l(x)|
relativo .
|x|
7.8125 · 10−3 = 2−7

2 — 1 pt (***) No Multichance
Si consideri il seguente algoritmo: dati A ∈ R, positivo, e x0 = A, si ponga
A 2
xn+1 = + xn per n = 0, 1, 2, . . .. Il valore xn fornisce un’approssimazione
3 (xn )2 3
di A1/3 per n “sufficientemente” grande. Posto A = 216, si riporti il valore x10
ottenuto applicando l’algoritmo.
6.1148

3 — 2 pt (***) No Multichance
Si consideri il metodo di Richardson  stazionario precondizionato
 per risolvere il
4 −1 −1
sistema lineare Ax = b, dove A =  −1 4 −2  e b = 1. Posto il precon-
−1 −2 6
 
4 0 0
dizionatore P =  0 4 0 , si calcoli il valore ottimale del parametro αopt ∈ R
0 0 6
e lo si utilizzi per determinare l’iterata x(5) ∈ R3 del metodo usando opportuna-
mente la funzione Matlabr richardson.m e avendo scelto x(0) = 0. Si riportino
αopt e x(5) .
αopt = 1.0947, x(5) = (0.4926 0.5770 0.4309)T

1
4 — 2 pt
 
5 −1 0
Sia data una matrice A =  −1 θ 1  dipendente da un parametro θ ∈ R.
0 0 3
Si determinino i valori di tale parametro θ per cui il metodo di Jacobi applicato
alla soluzione di un sistema lineare A x = b converge per ogni scelta dell’iterata
iniziale.
1
|θ| >
5

5 — 2 pt
Si consideri la matrice di Hilbert A = hilb(7)∈ R7×7 . Si applichi il metodo delle
potenze inverse con shift s = 0.2 per l’approssimazione di λ2 (A) a partire dal
vettore iniziale x(0) = 1 ∈ R7 . Si riportino i valori delle approssimazioni λ(0) , λ(1)
e λ(2) di tale autovalore.
1.3174, 0.2794, 0.2713

6 — 2 pt (***) No Multichance
 
3 θ 1
Si consideri la matrice A =  −θ 1 4  dipendente da un parametro θ ∈ R.
0 0 9
Per quali valori di θ è possibile applicare il metodo delle iterazioni QR per il calcolo
degli autovalori di A?
−1 < θ < 1

7 — 1 pt
Si consideri la funzione f (x) = cos2 (π x) e il metodo di Newton per l’approssimazione
dello zero α = 0.5. Scelto x(0) “sufficientemente” vicino ad α, qual è l’ordine di
convergenza p atteso per il metodo?
1

8 — 1 pt
Si consideri il metodo di Newton modificato per l’approssimazione dello zero α = 1
della funzione f (x) = (x − 1) log(x). Si riporti il valore dell’iterata x(1) ottenuta
applicando il metodo a partire da x(0) = 0.9.
0.9973

2
9 — 1 pt
Si consideri una funzione φ ∈ C ∞ (R), dotata del punto fisso α tale che φ0 (α) = 0,
ma φ00 (α) 6= 0. Si supponga di approssimare α tramite il metodo delle iter-
azioni di punto fisso e che all’iterata k-esima sia associato l’errore x(k) − α =
10−1 . Assumendo che x(k+1) − α = 10−2 , si riporti il valore stimato dell’errore
x(k+2) − α .

10−4

10 — 2 pt
Si consideri la funzione di iterazione φ(x) = θ x (1 − x) dipendente dal parametro
1
θ ∈ R tale che θ > 1 e dotata di due punti fissi α1 = 0 e α2 = 1− . Per quali valori
θ
di θ > 1 il metodo delle iterazioni di punto fisso converge ad α1 e α2 , scegliendo
le iterate iniziali “sufficientemente” vicine rispettivamente ad α1 e α2 ?
nessuno, 1 < θ < 3

ESERCIZIO – 17 pt
Si consideri il sistema lineare A x = b, dove A = tridiag (−1, 2, −1) ∈ Rn×n e
x, b ∈ Rn per n ≥ 1. A è matrice tridiagonale, simmetrica e definita positiva.

Punto 1) — 2 pt
Quale metodo diretto utilizzereste per risolvere il sistema lineare Ax = b indicato?
Si motivi dettagliatamente la risposta data a confronto di altri metodi diretti in
relazione al numero di operazioni e si descriva sinteticamente tale metodo.
Spazio per risposta lunga

Punto 2) — 3 pt (***) No Multichance

Si intende risolvere il sistema lineare Ax = b, sapendo che x = 1. Supponiamo che,
a causa degli errori di arrotondamento, il vettore b sia affetto da una perturbazione
δb = 10−6 c, dove c ∈ Rn è tale che kck2 = 1, e che si risolva dunque il sistema
lineare perturbato A(x + δx) = b + δb.
Posto n = 1000, si stimi l’errore relativo kδxk2 /kxk2 commesso, motivando il
risultato alla luce della teoria. Inoltre, si verifichi con Matlabr la validità di tale
stima commentando il risultato ottenuto. Per la verifica in Matlabr , si utilizzi il
seguente vettore c:
>> c = rand(size(b));
>> c = c./norm(c);
e si risolva il sistema lineare con il comando \ di Matlabr .
errstim = 0.2872, errvero = 0.0025
Spazio per risposta lunga

3
Punto 3) — 2 pt
Per la matrice A con n = 1000 e il vettore b assegnato con i dati del Punto 2), si ap-
plichi il metodo del gradiente implementato nella funzione Matlabr richardson.m
usando la tolleranza sul criterio d’arresto basato sul residuo normalizzato tol =
10−2 , il numero massimo di iterazioni pari a 103 e l’iterata iniziale x(0) = b. Si
riportino: i comandi Matlabr usati, il numero N  di iterazioni
 effettuate, la prima
componente della soluzione approssimata x1 = x(N ) , il valore del residuo nor-
1
(N ) kr(N ) k (N ) kx − x(N ) k
malizzato rnorm = e l’errore relativo erel = .
kbk kxk
(N ) (N )
N = 315, x1 = 0.9552, rnorm = 0.01, erel = 0.9802
Spazio per risposta lunga

Punto 4) — 3 pt
Si ripeta il Punto 3) considerando ora il metodo del gradiente coniugato usando
opportunamente la funzione Matlabr pcg.
Inoltre, si confrontino e si discutano i risultati con quelli ottenuti al Punto 3),
in particolare in termini delle stime dell’errore dei due metodi
(N ) (N )
N = 98, x1 = 0.9898, rnorm = 0.0099, erel = 0.9315
Spazio per risposta lunga

Punto 5) — 2 pt
Sempre considerando la matrice A con n = 1000, si approssimi l’autovalore λmax (A)
tramite il metodo delle potenze dirette implementato nella funzione eigpower.m.
Si consideri la tolleranza tol = 10−6 sul criterio d’arresto, il numero massimo di
iterazioni pari a 103 e l’iterata iniziale x(0) = 1. Si riportino: i comandi Matlabr
usati, il numero N di iterazioni effettuate, e le approssimazioni dell’autovalore λ(0) ,
λ(1) e λ(N ) cosı̀ ottenute.
N = 867, λ(0) = 0.002, λ(1) = 2.0, λ(N ) = 3.9965
Spazio per risposta lunga

Punto 6) — 2 pt (***) No Multichance

Dopo aver svolto il Punto 5),
 sapendoche il valore
 esatto dell’autovalore massimo
1
della matrice A è λmax = 2 1 + cos π e che l’errore al passo k è e(k) =
1001
λ(k) − λmax , si stimino l’ordine e il fattore di convergenza ottenuti applicando il
metodo delle potenze. Si modifichi opportunamente la funzione eigpower.m. Si
riportino i comandi Matlabr usati e si giustifichi il risultato ottenuto.
e(k+1)
1, lim = 0.9988
k→+∞ e(k)
Spazio per risposta lunga

4
Punto 7) — 3 pt
Dato un generico sistema di equazioni non lineari F(x) = 0, dove F : Rn → Rn
per n ≥ 1, si può approssimare lo zero α ∈ Rn tramite il metodo di Gauss–Newton
descritto nel seguente algoritmo utilizzando la matrice Jacobiana JF (x) ∈ Rn×n
di F(x).

Algorithm 1: Metodo di Gauss–Newton

Dato x(0) ∈ Rn ;
for k = 0, 1, 2, . . ., fino a che un criterio d’arresto è soddisfatto do
porre Bk = JF x(k) ;
 
risolvere il sistema lineare BkT Bk δ (k) = −BkT F x(k) ;

x(k+1) = x(k) + δ (k) ;

end
Si implementi il precedente algoritmo in una funzione Matlabr gaussnewton.m,
dove x(k) fornisce un’approssimazione di α
Si consideri ora il seguente sistema di equazioni non lineari per n = 1000.

F(x) = e−x/10 + A x − 1 = 0,

dove F : R1000 → R1000 e la matrice A è stata definita precedentemente. Si

approssimi lo zero α = 0 ∈ R1000 usando la funzione Matlabr gaussnewton.m
implementata, scegliendo x(0) = 1 ∈ R1000 .
Si riportino i valori della prima componente della prima, seconda e terza iter-
ata, ovvero (x(1) )1 , (x(2) )1 e (x(3) )1 , ottenute applicando il metodo e i comandi
Matlabr usati.
0.0029, 0.0012, 6.5510 · 10−6
Spazio per risposta lunga