Lo studente deve saper: Modellare un problema in algoritmo/software. Scegliere il metodo giusto per lineari, non lineari, ODE, PDE. Usare MATLAB per risolvere e graficare. Collegare teoria-risultati all’orale. Studiare e…
Scheda dell'insegnamento
Obiettivi formativi
Lo studente deve saper:
Modellare un problema in algoritmo/software.
Scegliere il metodo giusto per lineari, non lineari, ODE, PDE.
Usare MATLAB per risolvere e graficare.
Collegare teoria-risultati all’orale.
Studiare e aggiornarsi con fonti affidabili.
Programma
Introduzione al calcolo scientifico su architetture moderne
Rappresentazione dei numeri in virgola mobile (IEEE, round-off, overflow, underflow, ε-macchina)
Condizionamento e stabilità dei problemi numerici
Strutture dati: vettori, matrici piene vs sparse, matrici strutturate, pseudo-inverse
Metodi numerici per la risoluzione di:
→ sistemi lineari e non lineari,
→ ODE (problemi di Cauchy, Eulero esplicito/implicito, Runge-Kutta 2-4, multi-step Adam-Bashforth, stabilità assoluta, stiffness, metodi impliciti Gauss-Legendre, IMEX)
→ PDE e sistemi di PDE (paraboliche, iperboliche, ellittiche, metodo delle linee, differenze finite, Crank-Nicolson, Eulero avanti/indietro, IMEX, RK, metodo del gradiente)
Implementazione pratica in MATLAB
(risoluzione sistemi \, inv; fattorizzazioni chol, qr, eig, svd; zeri fzero, fsolve; grafica plot, surf, contour, meshgrid.)
Lo studente dovrebbe già conoscere:
Fondamenti di algebra lineare (vettori, matrici, operazioni elementari).
Principi di modellazione fisica di problemi reali, con esempi applicativi in ambiti quali:
metrologia (teoria della misura e precisione degli strumenti),
topografia e cartografia,
geologia e scienze della Terra,
navigazione e posizionamento,
discipline tecnico-scientifiche della conduzione di veicoli aerei.
Capacità di astrarre un problema fisico in modello numerico, individuandone grandezze, vincoli e requisiti di accuratezza.
ezioni frontali con inquadramento teorico dei metodi numerici.
Laboratorio MATLAB per applicare, confrontare e visualizzare gli algoritmi.
Materiale didattico fornito dai docenti (slide ed esempi pratici).
Modalità d'esame
Prova d’esame orale finalizzata alla valutazione complessiva dei contenuti.
Verifica della capacità di collegare la teoria ai metodi numerici scelti.
Valutazione dell’abilità di motivare le scelte algoritmiche rispetto al problema.
Discussione e interpretazione di esempi nuovi o casi applicativi non identici a quelli visti a lezione.
Uso di un linguaggio tecnico-scientifico corretto e appropriato nell’esposizione dei risultati.
Esempio di graduazione dei voti:
Insufficiente (esame non superato). gravi lacune sugli argomenti in programma. Utilizzo di terminologie non consone ai contenuti del programma. Sufficiente (18 – 21): conoscenze limitate ma appena sufficienti. Terminologie non sempre appropriate. Buono (22 – 24): conoscenze più che sufficienti con limitate capacità di interconnessione tra gli argomenti del programma di esame. Terminologie appropriate.
Molto Buono (25 –28): conoscenze approfondite e buona capacità di interconnettere argomenti diversi del programma di esame. Terminologie appropriate con buona capacità comunicativa. Ottimo (29 –30):conoscenze molto approfondite e completa capacità di interconnettere gli argomenti del programma di esame. Terminologie appropriate e ottima capacità comunicativa. Eccellente (Lode): conoscenze complete su tutto il programma di esame, completa capacità di interconnettere tutti gli argomenti del programma di esame, appropriatezza dell’esposizione e collegamento anche ad altri argomenti non presenti nel programma e anche di altre discipline.
Testi di riferimento
Linear Algebra and Learning from Data, Gilbert Strang, Wellesley-Cambridge Press, 2019.
Numerical Computing with MATLAB, Cleve Moler, SIAM, 2004.
Codice insegnamento 2577