Appello 1 — Parte 1

04/07/2024 — 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 – 18 pt
1 — 2 pt
Dato l’insieme dei numeri floating point F(2, t, −10, 10), si valuti il valore minimo
di t tale per cui l’errore assoluto commesso nell’approssimare in tale insieme il
numero (in base 10) x10 = −1245.13 sia inferiore a 10−5 . Si riporti inoltre l’errore
assoluto corrispondente.
27, 9.2769 · 10−6

2 — 1 pt
Si consideri l’insieme S dei numeri interi nell’intervallo [100, 10000]. Si utilizzi
opportunamente Matlabr per calcolare il numero N dei cubi perfetti presenti
nell’insieme S e si riporti il valore di N .
17

3 — 1 pt (***) No Multichance
Si considerino 20 sistemi lineari Aj xj = b per j = 1, . . . , 20, dove le matrici
Aj ∈ R60×60 sono tridiagonali e a dominanza diagonale stretta per righe, mentre
il vettore b ∈ R60 è lo stesso per tutti i sistemi. Qual è il numero di operazioni
richiesto per la risoluzione di tali sistemi lineari per j = 1, . . . , 20 attraverso l’uso
computazionalmente più efficiente di un metodo diretto?
20 (8 · 60 − 7) = 9460

4 — 2 pt (***) No Multichance
Dato il sistema lineare A x = b, con A ∈ R10×10 assegnata col comando Matlabr
A = gallery(’ris’,10) e b = (1, 2, . . . , 10)T ∈ R10 , si consideri la sua soluzione
tramite il metodo della fattorizzazione LU con pivoting per riga. Si riportino il
valore della componente (y)10 del vettore ausiliario y ∈ R10 soluzione del sistema
triangolare inferiore e l’indice della riga di A che è stata permutata con la riga di
indice 3.
(y)10 = −0.9932; 8

1
5 — 2 pt
Si consideri il sistema lineare A x = b con A ∈ Rn×n una matrice simmetrica.
Quali delle seguenti affermazioni sulla convergenza del metodo del gradiente sono
false?
1. Converge per ogni x(0) ∈ Rn .
2. Converge per ogni x(0) ∈ Rn se e solo se il raggio spettrale di A è inferiore
ad 1.
3. Converge per ogni x(0) ∈ Rn se anche gli autovalori λi (A) > 0 per ogni
i = 1, ..., n.
4. Converge se il numero di condizionamento K2 (A) è “sufficientemente” pic-
colo.
5. Se converge, lo fa in al più n iterazioni in artimetica esatta.

false 1, 2, 4, 5

6 — 2 pt
 
2 −5 4
Data la matrice A =  1 −6 1 , si riporti il valore del raggio massimo
−1 2 −12
dei cerchi di Gershgorin per colonne associati alla matrice A. Secondo i criteri dei
cerchi di Gershgorin, quanti autovalori di A sono contenuti nel cerchio per riga
avente centro nel punto (−12, 0)T del piano complesso?
7, 1

7 — 2 pt
 
5 1 0
Data la matrice A =  −1 0 1 , quale metodo tra quello delle potenze di-
0 −1 0
rette e delle potenze inverse può essere applicato all’approssimazione dell’autovalore
λ1 (A)? Si applichi il metodo selezionato in Matlabr con tolleranza 10−5 e valore
iniziale dell’autovettore x(0) = (1, 1, 1)T ; si riporti il valore dell’approssimazione
di λ1 (A) ottenuta e il numero di iterazioni effettuate.
potenze dirette, 4.8003, 7

2
8 — 2 pt
Si vogliono approssimare le due intersezioni delle curve del piano definite implici-
tamente dalle due equazioni f1 (x, y) = x2 − y 2 − 1 = 0 e f2 (x, y) = (x − 1)2 + (y −
1)2 −2 = 0. Si applichino 5 iterazioni del metodo di Netwton per approssimare una
delle due intersezioni a partire dal dato iniziale (2, 2)T . Si riportino le coordinate
dell’intersezione delle curve cosı̀ ottenuta.
(2.1176, 1.8666)T

9 — 2 pt (***) No Multichance
Si consideri la funzione f (x) ∈ C ∞ (R) dotata di due zeri α1 e α2 rispettivamente
aventi molteplicità 2 e 3. Quale o quali delle seguenti affermazioni sono vere?
1. Il metodo di bisezione può essere applicato per l’approssimazione di α1 .
2. Il metodo di bisezione può essere applicato per l’approssimazione di α2 .
3. Il metodo di Newton può essere applicato per l’approssimazione di α1 .
4. Il metodo di Newton modificato può essere applicato per l’approssimazione
di α2 .

Vere 2, 3, 4

10 — 2 pt
√
Si vuole approssimare numericamente il valore di 2 tramite approssimazione dello
2
zero positivo dell’equazione f (x) = x − 2 = 0. Si considerano le seguenti funzioni
di iterazione di punto fisso:

x2 1 x 1
φ1 (x) = − +x+ , φ2 (x) = −x2 + x + 2, φ3 (x) = + .
4 2 2 x
Quali delle seguenti affermazioni in merito alla convergenza locale del metodo delle
iterazioni di punto fisso sono vere?
1. Converge per φ2 .
2. Converge per φ3 .
3. Converge quadraticamente per φ1 .
4. Converge quadraticamente per φ3 .

Vere 2, 4

3
ESERCIZIO – 14 pt
Si consideri il sistema lineare A x = b, dove A ∈ Rn×n è una matrice simmetrica
e definita positiva, mentre x, b ∈ Rn per n ≥ 1. In particolare, poniamo n = 100
e assegnamo A in Matlabr come

>> A = full(gallery(’poisson’,round(sqrt(n))));

mentre b ∈ R100 è tale per cui x = 1 ∈ R100 .

NOTA: Si riportino nelle risposte: tutti i valori richiesti, tutti i comandi Matlabr
usati, tutte le funzioni Matlabr implementate, le descrizioni dei procedimenti usati,
le giustificazioni teoriche dei risultati e tutte le definizioni della notazione.

Punto 1) — 3 pt (***) No Multichance

Si consideri il metodo della fattorizzazione di Cholesky per risolvere il sistema
lineare.
• Si illustrino i passaggi principali del metodo, evidenzando i costi computazion-
ali corrispondenti, e lo si applichi alla soluzione del sistema lineare ottenendo
la soluzione numerica x b ∈ Rn . Si calcoli e si riporti il valore del residuo nor-
malizzato (relativo) corrispondente.
• Dopo aver risposto al punto precedente, si stimi l’errore relativo commesso
applicando il metodo, definendo tutta la notazione usata. Si verifichi che
l’errore relativo è effettivamente inferiore all’errore precedentemente stimato.
Spazio per risposta lunga 353333 ops, resrel = 7.7765 · 10−16 ,
K(A) = 48.3742, errstim = 3.7618 · 10−14 , errvero = 3.3875 · 10−16

Punto 2) — 3 pt
Si consideri il metodo di Richardson stazionario per l’approssimazione della soluzione
x del sistema lineare.
• Per quali valori di α ∈ R è garantita la convergenza del metodo a x per ogni
scelta dell’iterata iniziale x(0) ∈ Rn ?
• Per la scelta ottimale del parametro α = αopt che garantisce la convergenza
più rapida del metodo, si stimi il numero di iterazioni kmin necessarie affinchè
kx(kmin ) − xkA
< 10−3 per ogni x(0) ∈ Rn .
kx(0) − xkA
• Dopo aver risposto al punto precedente, si utilizzi opportunamente la fun-
zione Matlabr richardson.m con x(0) = 0 ∈ Rn e numero massimo di
iterazioni kmin per approssimare la soluzione x del sistema lineare. Si
riporti il valore del residuo normalizzato e si verifichi che effettivamente
kx(kmin ) − xkA
< 10−3 .
kx(0) − xkA

Spazio per risposta lunga

α ∈ (0, 0.2552), αopt = 0.2500, kmin = 168, resnorm = 1.9781 · 10−4 , f attabb =
5.3832 · 10−4

4
Punto 3) — 3 pt
Si consideri il metodo del gradiente coniugato precondizionato per l’approssimazione
di x con le seguenti matrici di precondizionamento (precondizionatori):

P1 = I ∈ Rn×n , P2 = D ∈ Rn×n , P3 = T ∈ Rn×n ,

dove I è la matrice identità, mentre D e T sono rispettivamente le matrici diagonale

e tridiagonale estratte dalla matrice A.
• Per quale precondizionatore P1 , P2 oppure P3 ∈ Rn×n è garantita la conver-
genza più rapida del metodo per ogni scelta dell’iterata iniziale x(0) ∈ Rn ?
• Per il precondizionatore selezionato, si stimi il fattore di abbattimento dell’errore
dopo k = 10 iterazioni del metodo per ogni scelta di x(0) ∈ Rn .
• Con il precondizionatore selezionato si applichi il metodo usando la funzione
Matlabr pcg con x(0) = 0 ∈ Rn e tolleranza sul criterio d’arresto basato
sul residuo normalizzato tol = 10−6 . Si riportino il numero di iterazioni Nit
effettuate e il valore dell’errore kx(Nit ) − xkA corrispondente.

Spazio per risposta lunga P3 , K(P3−1 A) = 24.6871, f attabb = 0.0338, Nit = 16,
err = 3.5043 · 10−6

Punto 4) — 2 pt (***) No Multichance

Si consideri il metodo delle potenze inverse con shift per approssimare l’autovalore
λ4 (A).
(N )
• Si riportino il numero di iterazioni Nit e il valore dell’approssimazione λ4 it
ottenuti applicando la funzione Matlabr invpowershift.m con shift µ = 7.5,
iterata iniziale x(0) = 1 ∈ Rn e tolleranza tol = 10−12 .
• Si utilizzino opportunamente le funzioni Matlabr invpowershift.m e stimap.m
per stimare l’ordine di convergenza del metodo a λ4 (A).
Spazio per risposta lunga Nit = 8, 7.3650, p = 1

5
Punto 5) — 3 pt
Si consideri una funzione Φ : Rn → R, dotata del punto di minimo α ∈ Rn
e gradiente ∇Φ(y) ∈ Rn per y ∈ Rn . L’approssimazione di α ∈ Rn si può
determinare applicando il seguente algoritmo, dove l’iterata x(k) ≈ α.
Algorithm 1: “Bad Broyden’s method”
scegliere x(0) ∈ Rn e B (0) ∈ Rn×n ;
 
for k = 0, 1, . . ., fino a che ∇Φ x(k) > tol do
 
x(k+1) = x(k) − B (k) ∇Φ x(k) ;
   
s(k) = ∇Φ x(k+1) − ∇Φ x(k) ;
 T 
1  
B (k+1) = B (k) I − (k) 2 ∇Φ x(k+1) s(k) ;
ks k
end
  1
Si implementi l’algoritmo in Matlabr per Φ(y) = sin yT y + yT Ay, con A ∈
  2
Rn×n già assegnata e ∇Φ(y) = 2 cos yT y y + Ay. Si pongano n = 100, x(0) =
1
1 ∈ R100 , B (0) = I e tol = 10−3 . Si riportino il numero di iterazioni Nit
2      
(1) (2) (N )
effettuate e i valori x1 = x(1) , x1 = x(2) e x1 it = x(Nit ) .
1 1 1

Spazio per risposta lunga Nit = 30, −0.8623, −0.0518, 0.0310