Calcolatore Decomposizione QR
Scomponi qualsiasi matrice in una Q ortogonale e una R triangolare superiore con il processo di Gram-Schmidt. Gestisce matrici da 2x2 a 5x5 con ortogonalizzazione animata passo passo e verifica che Q trasposta per Q dia l'identita.
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
Puoi anche provare il nostro Risolutore di Matematica AI GPT per risolvere i tuoi problemi matematici attraverso domande e risposte in linguaggio naturale.
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