Calcolatore Decomposizione QR
Il Calcolatore della decomposizione QR di MiniWebtool usa l'ortogonalizzazione di Gram-Schmidt per scomporre le matrici supportate, da 2×2 a 5×5, in Q e R. Passaggi animati spiegano le proiezioni e una verifica dell'ortogonalità confronta QᵀQ con la matrice identità.
In Gemini, incolla la domanda copiata nella chat. Puoi anche copiarla qui sotto.Serve aiuto con questo strumento? Chiedi all’IA
Visualizza la domanda
Inserisci qui sotto una matrice per ottenere Q e R dai passaggi di Gram-Schmidt, con una verifica che QᵀQ sia l’identità.
Il tuo ad blocker ci impedisce di mostrare annunci
MiniWebtool resta gratuito grazie agli annunci. Se questo strumento ti è stato utile, sostienici facendo l’upgrade per navigare senza annunci e avere più utilizzi giornalieri, oppure consenti MiniWebtool.com e ricarica.
- Consenti gli annunci per MiniWebtool.com, poi ricarica
- Oppure fai l’upgrade per niente annunci e limiti giornalieri più alti
Calcolatore Decomposizione QR
Il Calcolatore Decomposizione QR scompone qualsiasi matrice A nel prodotto di una matrice ortogonale Q e una matrice triangolare superiore R, tale che A = QR. Inserisci una matrice da 2×2 a 5×5 (incluse matrici non quadrate dove le righe ≥ colonne) e ottieni l'ortogonalizzazione completa di Gram-Schmidt con soluzioni passo dopo passo, animazione interattiva, verifica dell'ortogonalità QᵀQ = I e approfondimenti didattici dettagliati.
Cos'è la Decomposizione QR?
La decomposizione QR (chiamata anche fattorizzazione QR) scrive una matrice A come:
$$A = QR$$
dove Q è una matrice ortogonale (le cui colonne sono vettori ortonormali che soddisfano QᵀQ = I), e R è una matrice triangolare superiore. Per una matrice m×n con m ≥ n e rango di colonna pieno, la QR ridotta fornisce Q come m×n e R come n×n.
Il Processo di Gram-Schmidt Spiegato
Dati i vettori colonna a₁, a₂, …, aₙ di A, l'algoritmo classico di Gram-Schmidt produce vettori ortonormali e₁, e₂, …, eₙ:
Passaggio 1. Imposta u₁ = a₁, quindi normalizza: e₁ = u₁ / ‖u₁‖.
Passaggio 2. Per ogni colonna successiva aⱼ, sottrai le sue proiezioni su tutti i precedenti eₖ:
$$\mathbf{u}_j = \mathbf{a}_j - \sum_{k=1}^{j-1} (\mathbf{a}_j \cdot \mathbf{e}_k) \, \mathbf{e}_k$$
Quindi normalizza: eⱼ = uⱼ / ‖uⱼ‖.
Passaggio 3. La matrice Q ha e₁, …, eₙ come colonne. R è triangolare superiore con elementi rᵢⱼ = eᵢ · aⱼ.
Come usare questo calcolatore
Passaggio 1. Imposta le dimensioni della matrice (righe × colonne). Le righe devono essere ≥ colonne per la decomposizione QR.
Passaggio 2. Inserisci i valori nella griglia, oppure clicca su un esempio rapido per caricare un preset. Usa Tab o i tasti freccia per navigare.
Passaggio 3. Clicca su Decomponi A = QR. Il calcolatore esegue il processo di Gram-Schmidt e visualizza Q e R.
Passaggio 4. Guarda l'animazione di Gram-Schmidt per vedere come ogni colonna viene ortogonalizzata: vettore originale → sottrazione proiezioni → risultato non normalizzato → vettore ortonormale normalizzato.
Passaggio 5. Verifica il risultato: controlla che QR = A e QᵀQ = I (matrice identità). Segui l'intera derivazione usando il navigatore dei passaggi.
Applicazioni della Decomposizione QR
| Applicazione | Come viene usata la QR |
|---|---|
| Minimi Quadrati (Ax ≈ b) | Risolve Rx = Qᵀb mediante sostituzione all'indietro — più stabile delle equazioni normali AᵀAx = Aᵀb |
| Algoritmo QR per Autovalori | Fattorizza ripetutamente Aₖ = QₖRₖ, quindi imposta Aₖ₊₁ = RₖQₖ — converge alla forma di Schur |
| Sistemi Lineari (Ax = b) | Fattorizza A = QR, quindi risolve Rx = Qᵀb. Più stabile numericamente della LU per sistemi mal condizionati |
| Elaborazione dei Segnali | Il beamforming adattivo e la stima del canale MIMO utilizzano aggiornamenti QR per l'elaborazione in tempo reale |
| Machine Learning | Ortogonalizzazione basata su QR nell'addestramento di reti neurali, Gram-Schmidt nell'ingegneria delle feature |
QR rispetto ad altre decomposizioni di matrici
| Decomposizione | Forma | Ideale per |
|---|---|---|
| QR (questo strumento) | A = QR | Minimi quadrati, algoritmi per autovalori, risoluzioni numericamente stabili |
| LU | A = LU | Risoluzione rapida di sistemi quadrati, calcolo del determinante |
| Cholesky | A = LLᵀ | Sistemi simmetrici definiti positivi (più veloce) |
| SVD | A = UΣVᵀ | Analisi del rango, pseudoinversa, PCA, compressione immagini |
| Autodecomposizione | A = PDP⁻¹ | Potenze di matrici, equazioni differenziali, analisi spettrale |
Domande Frequenti
Cos'è la decomposizione QR?
La decomposizione QR scompone una matrice A nel prodotto di una matrice ortogonale Q (le cui colonne sono ortonormali) e una matrice triangolare superiore R. Ogni matrice reale con colonne linearmente indipendenti ha una fattorizzazione QR unica se richiediamo che R abbia elementi diagonali positivi.
Cos'è il processo di Gram-Schmidt?
Il processo di Gram-Schmidt è un algoritmo che prende un insieme di vettori linearmente indipendenti e produce un insieme ortonormale che genera lo stesso sottospazio. Funziona sottraendo iterativamente le proiezioni su tutti i vettori ortonormali precedentemente calcolati e normalizzando poi il residuo.
La decomposizione QR funziona per matrici non quadrate?
Sì. Per una matrice m×n dove m ≥ n, la decomposizione QR ridotta (o thin) fornisce Q come m×n con colonne ortonormali e R come n×n triangolare superiore. Questa è la forma più comunemente usata in pratica, specialmente per i problemi di minimi quadrati.
Quando dovrei usare QR invece della decomposizione LU?
Usa QR quando la stabilità numerica conta più della velocità — ad esempio, con matrici mal condizionate, problemi di minimi quadrati o calcolo di autovalori. LU è più veloce (circa 2 volte per sistemi quadrati) ma può amplificare gli errori di arrotondamento. QR preserva le norme vettoriali perché Q è ortogonale.
Qual è la differenza tra QR e SVD?
Entrambe producono fattori ortogonali, ma la SVD decompone A in tre matrici (UΣVᵀ) rivelando i valori singolari e il rango, mentre la QR fornisce due matrici (QR) ed è più veloce da calcolare. La SVD è preferibile per problemi a rango ridotto e calcolo della pseudoinversa; la QR è preferibile per risolvere sistemi a rango pieno e algoritmi per autovalori.
Cita questo contenuto, pagina o strumento come:
"Calcolatore Decomposizione QR" su https://MiniWebtool.com/it/calcolatore-decomposizione-qr/ di MiniWebtool, https://MiniWebtool.com/
dal team miniwebtool. Aggiornato: 2026-04-12
Chatta con la tua IA preferita
In Gemini, incolla la domanda copiata nella chat. Puoi anche copiarla qui sotto.
Visualizza la domanda
Algebra Lineare:
- Calcolatore dell'Angolo tra Vettori Nuovo
- Calcolatore Polinomio Caratteristico Nuovo
- Calcolatore di Decomposizione di Cholesky Nuovo
- Calcolatore Spazio Colonna Nuovo
- Calcolatore Regola di Cramer Nuovo
- Calcolatore del Prodotto Vettoriale Nuovo
- Calcolatore di Determinante
- Calcolatore del Prodotto Scalare Nuovo
- Calcolatrice di Autovalori e Autovettori
- Calcolatore di Gram-Schmidt
- Calcolatore Matrice Jacobiana Nuovo
- Calcolatore della Forma Normale di Jordan Nuovo
- Calcolatrice Matrici
- Calcolatore di Diagonalizzazione di Matrice Nuovo
- Calcolatore di Esponenziale di Matrice Nuovo
- Calcolatore Matrice Inversa Nuovo
- Calcolatore di Decomposizione LU di Matrice
- Calcolatore di Moltiplicazione di Matrici Nuovo
- Calcolatore di Potenza di Matrice Nuovo
- Calcolatore di Rango di Matrice
- Calcolatore di Traccia di Matrice
- Calcolatore Spazio Nullo Nuovo
- Calcolatore di Decomposizione in Frazioni Parziali
- Calcolatore Decomposizione QR Nuovo
- Calcolatore RREF (Forma a Scalini Ridotta) Nuovo
- Calcolatore di Decomposizione a Valori Singolari (SVD)
- Calcolatore di Prodotto Tensoriale Nuovo
- Calcolatore Vettore Unitario Nuovo
- Calcolatrice Vettoriale
- Calcolatore di Modulo del Vettore Nuovo
- Calcolatore di Proiezione Vettoriale