Analisi Numerica Tutte Le Lezioni

Corso di Laurea: INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M.
270/04)
Insegnamento: ANALISI NUMERICA
Lezione n°: 1
Titolo: Presentazione del Corso
Attività n°: 1
Facoltà di Ingegneria
© 2007 Università degli studi e-Campus - Via Isimbardi 10 - 22060 Novedrate (CO) - C.F. 08549051004
Tel: 031/7942500-7942505 Fax: 031/7942501 - info@uniecampus.it
Corso di Laurea: INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M. 270/04)
Lezione n°: 1
Attività n°: 1
Lezione n°: 1
Attività n°: 1
Nuclei Tematici
1. Introduzione
2. Richiami su Matrici e Spazi Vettoriali
3. Soluzioni di Sistemi di Equazioni Lineari
4. Soluzioni di Equazioni Non Lineari
5. Autovalori e Autovettori
6. Soluzione Numerica di Equazioni alle Derivate Ordinarie
7. Matlab
Lezione n°: 1
Attività n°: 1
CONTENUTI
e
NUMERO di LEZIONI
di ogni NUCLEO TEMATICO
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 1 :
INTRODUZIONE
LEZIONE 1 LEZIONE 2 LEZIONE 3
Presentazione del Corso Errori e loro cause Errori e loro

Propagazione
Sistemi di
Nozioni Fondamentali
Numerazione
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 2 : Richiami

su matrici e spazi vettoriali
LEZIONE 4 LEZIONE 5 LEZIONE 6 LEZIONE 7
Matrici : Operazioni Operazioni

tra Matrici:esempi Matrici Particolari
Definizioni tra Matrici
Proprietà Determinante e
Determinante e Spazi e
fondamentali Inversa:esempi
Inversa Norme vettoriali
delle matrici
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 3 : Soluzioni di

Sistemi di Equazioni Lineari
Generalità sui Generalità sui Metodi Diretti : Sistemi Lineari e

Sistemi Lineari 1 Sistemi Lineari 2 Concetti di base matrici
Definizioni e Metodo di Metodo di

Teoremi Esercizi Eliminazione di Eliminazione di
fondamentali Gauss Gauss:esempi
Lezione n°: 1
Attività n°: 1

Algoritmo di Strategia di Metodo di Inversione di

Gauss Pivoting Gauss-Jordan matrici
Punti deboli Punti deboli

Esercizi Metodo di Fattorizzazione LU
Metodo di Gauss
Gauss-Jordan
Lezione n°: 1
Attività n°: 1

Fattorizzazione Metodi Iterativi: Metodo di Metodi del

LU: esempi concetti di base Jacobi Gradiente
Metodo di Metodo di Metodi iterativi e

Cholesky Gauss-Seidel Esempi
loro convergenza
Lezione n°: 1
Attività n°: 1

Equazioni Non Lineari
LEZIONE 20 LEZIONE 21 LEZIONE 22
Generalità sui Metodo della Metodo della

Sistemi Non Lineari Bisezione Falsa Posizione
Radici di una Criterio di

funzione Arresto Punti deboli
Lezione n°: 1
Attività n°: 1

Equazioni Non Lineari
LEZIONE 23 LEZIONE 24
Metodo di Punti deboli Metodo di

Newton-Raphson Newton-Raphson
Sviluppo in serie Metodo della Secante

di Taylor
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 5 :
Autovalori e Autovettori
Localizzazione Metodi Metodi

Generalità
degli Autovalori delle Potenze 1 delle Potenze 2
Definizioni e
Teoremi
fondamentali
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 6 : Soluzione di

Equazioni alle Derivate Ordinarie
Metodi Metodi Equazioni

Generalità differenziali
One Step Multi Step
oscillazioni forzate
sistema 1 gdl e
Metodi per il
suo studio
Lezione n°: 1
Attività n°: 1
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 7 :
MATLAB
Matrici Matrici Polinomi Funzioni
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 7 :
MATLAB
Equazioni e Sistemi
Funzioni Diagrammi Diagrammi Lineari
Lezione n°: 1
Attività n°: 1
Nucleo Tematico 7 :
MATLAB
Ricerca degli zeri Introduzione

Sistemi Lineari Programmazione
di una funzione alla
Programmazione
Lezione n°: 1
Attività n°: 1
OBIETTIVI FORMATIVI DEL CORSO
Il corso ha l’obiettivo di far conseguire allo studente i seguenti risultati

formativi:
Con riferimento alla conoscenza e capacità di comprensione
a) capacità di comprendere i metodi di soluzione numerica di sistemi di

equazioni lineari
b) capacità di comprendere i metodi di calcolo numerico di autovalori ed
autovettori
c) capacità di comprendere i metodi di soluzione numerica di equazioni
non lineari
d) capacità di comprendere i metodi di soluzione numerica di equazioni
differenziali alle derivate ordinarie
e) capacità di comprendere le basi per l’utilizzo di Matlab
Lezione n°: 1
Attività n°: 1
Con riferimento alla conoscenza e capacità di comprensione applicate
a) capacità di applicare i metodi di soluzione numerica di sistemi di

equazioni lineari
b) capacità di applicare i metodi di calcolo numerico di autovalori ed
autovettori
c) capacità di applicare i metodi di soluzione numerica di equazioni non
lineari
d) capacità di applicare i metodi di soluzione numerica di equazioni
differenziali alle derivate ordinarie
e) capacità di applicare le basi per l’utilizzo di Matlab
Lezione n°: 1
Attività n°: 1
ATTIVITA’ DIDATTICA EROGATIVA E INTEGRATIVA:
L’attività didattica erogativa prevista nel Corso consiste in videolezioni che

integrano argomenti concettualmente e metodologicamente interconnessi.
Invece, l’attività didattica interattiva prevede lo svolgimento da parte dello

studente di alcuni esercizi distribuiti all’interno del Corso ed inerenti gli
argomenti trattati nel programma in modo da poter testare il proprio livello di
comprensione e prepararsi alla prova di esame scritta.
Lo studente dovrà spedire nell’ePortfolio del docente tali esercizi svolti,
avendo cura di avvertirlo dell’avvenuto caricamento.
Il docente provvederà a correggere gli elaborati degli studenti ed a fornire
loro una risposta.
Lezione n°: 1
Attività n°: 1
MODALITA’ DI SVOLGIMENTO ESAME
Riguardo la modalità di esame ed il metodo di valutazione,

consultare la SCHEDA CORSO in piattaforma.
Lezione n°: 1
Attività n°: 1
Il Docente è disponibile per ogni chiarimento in merito al Corso, è

contattabile attraverso il sistema di messaggistica della piattaforma e
mediante gli altri strumenti disponibili nella piattaforma (ufficio virtuale
e ricevimento telefonico).
Per gli orari, consultare la SCHEDA CORSO in piattaforma.
Lezione n°: 1
Attività n°: 1
CONSIGLI DEL DOCENTE:
Sostenere l’esame a valle di quelli di Analisi Matematica e Geometria.
Per qualsiasi chiarimento non esitare a rivolgersi al docente e al

cultore della materia.
Lezione n°: 1
Attività n°: 1
BIBLIOGRAFIA:
Per un buon esito dell’esame sono sufficienti le slides del Corso.

Non è necessario acquistare alcun testo.
Tuttavia, qualora si desiderasse avere dei riferimenti da consultare
chiedere direttamente al docente.
Corso di Laurea: INGEGNERIA INFORMATICA
Insegnamento: ANALISI MATEMATICA
Lezione n°: S1
Titolo: INTRODUZIONE
Attività n°: 1
Lezione 1
LEZIONE 1
-----------
attività di studio 1
INTRODUZIONE
Lezione n°: S1
Attività n°: 1
Lezione 1
La matematica svolge un ruolo fondamentale nell’ analisi dei problemi del mondo
reale. In tutti i campi scientifici, per approssimare un evento che si desidera
studiare, vengono utilizzati i modelli matematici. Essi consentono di simulare e,
quindi, prevedere lo sviluppo del fenomeno in esame, senza dover effettuare,
fisicamente, tutti gli esperimenti.
Lezione n°: S1
Attività n°: 1
Lezione 1
Il procedimento utilizzato può essere schematizzato a grandi linee in
questo modo:
• Si cerca un modello matematico del problema reale tale che conservi
le caratteristiche essenziali del problema di partenza.
• Si sceglie un metodo per risolvere il modello in esame.
• Si interpreta la soluzione trovata in relazione al problema di partenza e
se ne verifica la validità.
Lezione n°: S1
Attività n°: 1
Lezione 1
Queste tre fasi sono tra loro interagenti. Ad esempio, come spesso accade, la
scelta del modello viene influenzata dalla conoscenza di certi metodi adatti a
risolverlo, ma può anche accadere che avvenga il contrario ovvero che il modello
stesso suggerisca il metodo di soluzione .
La validità della soluzione risulta legata sia alla “bontà” del modello che
all’efficienza del metodo di soluzione usato. Tuttavia, spesso è assai difficile, se
non impossibile, ottenere per via analitica la soluzione cercata. Per questo
motivo, essa viene costruita numericamente con l’ aiuto di un elaboratore.
Lezione n°: S1
Attività n°: 1
Lezione 1
Per far ciò il metodo di soluzione deve essere tradotto in una ben definita
procedura di calcolo detta algoritmo o metodo numerico .
Si presenta, in altre parole, la necessità di risolvere algoritmicamente il problema
matematico.
Ciò significa ottenere mediante un numero finito di operazioni aritmetiche e/o
logiche una soluzione che approssimi quella rigorosamente definibile
analiticamente.
Lezione n°: S1
Attività n°: 1
Lezione 1
Si parla così di risoluzione numerica del problema intendendo che la soluzione
ottenuta è calcolata a partire da un insieme finito di numeri attraverso un
sistema finito di operazioni aritmetiche ed è espressa, ancora una volta,
mediante un insieme finito di numeri.
L’accuratezza e l’efficacia di tale procedura sono connesse ad una scelta di un
metodo numerico idoneo ma anche alla costruzione di un valido programma di
calcolo che tenga conto sia delle caratteristiche del linguaggio di progettazione
che di quelle dell’ elaboratore usati.
Lezione n°: S1
Attività n°: 1
Lezione 1
Bisogna costruire quello che viene definito “software numerico”.
Per tale software sono richiesti diversi attributi:
• Affidabilità cioè che esso riesca a risolvere con una precisione assegnata
la maggior parte dei problemi appartenenti ad una determinata classe
• Robustezza cioè che esso riesca a riconoscere situazioni anomale e le
superi senza provocare l’arresto dell’elaborazione
• Flessibilità cioè che esso sia impiegabile da utenti con esigenze diverse
• Portabilità cioè che esso possa essere adattato ad elaboratori e sistemi
operativi diversi.
Lezione n°: S1
Attività n°: 1
Lezione 1
E’ evidente che la costruzione di un software e la valutazione della sua
validità richiedono una notevole esperienza. Questo corso, invece,
introduce alla conoscenza di alcuni metodi numerici intesi come materia
prima per la costruzione di software.
I metodi che verranno esposti sono quelli più semplici e, quindi, utili per la
comprensione di procedure di calcolo più complesse. A tal fine,
innanzitutto, bisogna chiarire che non esiste un metodo di calcolo
numerico universale, adatto ad ogni situazione, ma è necessario usare il
metodo più opportuno a seconda del problema a cui ci troviamo davanti.
Lezione n°: S1
Attività n°: 1
Lezione 1
E’ necessario, quando si affronta per la prima volta il Calcolo Numerico, imparare
ad affrontare nel modo corretto il problema piuttosto che imparare a risolverlo in
modo meccanico con l’ aiuto di un qualsiasi programma di calcolo scientifico.
Bisogna imparare a non subire passivamente un risultato numerico solo perché ci
è stato fornito da un elaboratore elettronico; bisogna, piuttosto, essere critici
nell’ affrontare il problema in esame e nello scegliere il metodo opportuno al
nostro scopo.
Lezione n°: S1
Attività n°: 1
Lezione 1
Ormai, nel campo dell’ingegneria come in qualsiasi campo
professionale, l’elaboratore elettronico è diventato uno strumento
indispensabile. Quindi, uno studente di ingegneria non può più evitare
di imparare ad usarlo.
Come è ben noto, si tratta di uno strumento capace di immagazzinare
notevoli quantità di informazioni e di elaborarle in tempi molto brevi.
Lezione n°: S1
Attività n°: 1
Lezione 1
Di norma l’utilizzatore fornisce alla macchina i dati iniziali (input) e la
descrizione della procedura necessaria per risolvere un certo problema in un
linguaggio convenzionale. L’elaboratore, a questo punto, non ha più bisogno
di alcun intervento dell’utente.
Interpreta ed esegue la procedura fino a fornire la soluzione del problema.
Lezione n°: S1
Attività n°: 1
Lezione 1
La descrizione della procedura necessaria per risolvere un determinato problema
viene chiamata, come già ampiamente detto, metodo numerico.
Applicare qualsiasi tipo di metodo numerico implica l’ esecuzione di un gran
numero di operazioni aritmetiche. Quindi, non sorprende che l’ aumento della
potenza di calcolo degli elaboratori elettronici sia stata cruciale nell’ imporre
l’adozione dei metodi numerici per la risoluzione dei problemi di ingegneria.
Lezione n°: S1
Attività n°: 1
Lezione 1
Nel passato la risoluzione di tali problemi, come già anticipato all’ inizio, era
spesso affrontata cercando la soluzione esatta per via analitica.
Tuttavia, tali soluzioni potevano essere trovate solo per classi ristrette di
problemi, definiti semplificando notevolmente il problema ingegneristico reale.
Utilizzando i calcolatori elettronici, le ipotesi semplificative continuano, tuttora, ad
avere una grande importanza sia nella risoluzione dei problemi che nella
comprensione del comportamento dei sistemi, ma sono aumentate enormemente
le potenzialità di affrontare e risolvere i problemi più complessi.
Lezione n°: S1
Attività n°: 1
Lezione 1
I vantaggi della conoscenza da parte dello studente dei metodi numerici sono
svariati. Oltre a consentire di risolvere problemi altrimenti intrattabili, essi aiutano
a consolidare le conoscenze matematiche. Essi, infatti, spesso mettono in
evidenza aspetti fondamentali delle teorie che possono risultare oscuri se
affrontati solo per via analitica.
Lezione n°: S1
Attività n°: 1
Lezione 1
Inoltre, per utilizzare in modo intelligente i software disponibili in commercio è
necessario conoscere i metodi numerici su cui essi si basano e, nel caso in cui
non esista un codice di calcolo che affronti il determinato problema che stiamo
affrontando, la conoscenza dei metodi numerici può consentire la creazione di
uno idoneo al nostro problema.
Insegnamento: Analisi Numerica
Lezione n°: 1/S2
Titolo: Numeri di macchina (sessione 1)
Attività n°: 1
Nella lezione 1, dopo aver presentato la struttura del Corso con i

suoi Nuclei Tematici ed i relativi contenuti e dopo aver introdotto
il concetto di metodo numerico, si inizia a trattare il modo in cui
i calcolatori rappresentano i numeri.
Corso di Laurea: Ingegneria
Lezione n°: 1 S2
Attività n°: 2
LEZIONE 1
-----------
NUMERI DI MACCHINA
(sessione 1)
Lezione n°: 1 S2
Attività n°: 2
NUMERI DI MACCHINA
Un calcolatore per rappresentare un numero dispone di uno “spazio” finito di
memoria.
Ciò implica che esso è capace di rappresentare in modo esatto solo quei numeri
contenuti nello spazio previsto per ognuno di essi.
Questi numeri sono denominati numeri di macchina.
Lezione n°: 1 S2
Attività n°: 2
Qualunque sia il sistema di numerazione N da noi scelto per lavorare, le singole
cifre dei numeri di macchina vengono rappresentate nel calcolatore secondo il
sistema binario ossia attraverso una sequenza di bit.
Ciò non significa che i numeri siano trattati come se fossero binari.
L’aritmetica usata è quella della base N con cui abbiamo scelto di lavorare, ma
abbiamo bisogno di uno strumento per poter rappresentare la cifra voluta
mediante sequenze di n oggetti, ognuno capace di assumere due stati diversi.
Lezione n°: 1 S2
Attività n°: 2
Un calcolatore, ad esempio , può essere strutturato a 16, 32, 64 bit.
Se consideriamo un calcolatore a 32 bit esso può lavorare, a sua volta, a singola
voce = 32 bit = 4 byte oppure a doppia voce = 64 bit = 8 byte.
Bisogna fare una distinzione tra i numeri interi che possono essere rappresentati
esattamente e quelli frazionari che, invece, necessitano di arrotondamento.
Lezione n°: 1 S2
Attività n°: 2
Numeri interi
Il calcolatore rappresenta i numeri interi in uno spazio di memoria di lunghezza
costante t che corrisponde ad un numero massimo di cifre nel sistema di
numerazione prescelto.
Quindi, possono essere rappresentati solamente quei numeri interi che, nel
sistema di numerazione prescelto, non superano t cifre.
Esistono vari modi di rappresentare i numeri interi positivi e negativi, con lo zero
al centro dell’intervallo.
Lezione n°: 1 S2
Attività n°: 2
Se, ad esempio, consideriamo un calcolatore a 32 bit, il primo bit cioè quello più
a sinistra viene dedicato al segno e gli altri 31 bit vengono dedicati alle cifre
binarie.
Esempio.
Nella voce:
±| || || ||… || || |
Segno 31 cifre binarie
Lezione n°: 1 S2
Attività n°: 2
si memorizza il numero intero:
(± … ) = ± ∙ + ⋯+ ∙ +
Il bit 0 , ovvero il primo bit , si pone uguale a 0 nel caso che il numero da
rappresentare sia positivo; si pone uguale a 1 nel caso il numero sia negativo.
Lezione n°: 1 S2
Attività n°: 2
Numeri reali
I calcolatori, in passato, rappresentavano i numeri reali in due differenti modi:
in virgola fissa e in virgola mobile.
In seguito, la rappresentazione in virgola fissa è andata via via scomparendo a
favore di quella in virgola mobile che permette il massimo sfruttamento della
memoria disponibile.
Lezione n°: 1 S2
Attività n°: 2
Rappresentazione in virgola fissa ( fixed point representation)
Innanzitutto, si noti la discrepanza tra la definizione italiana che menziona la
virgola e quella inglese che menziona il punto, in accordo con la differente
convenzione in uso nei rispettivi paesi.
Tuttavia, sebbene in teoria si parli di virgola, nella pratica anche in Italia, si
adotta la convenzione anglosassone del punto.
Lezione n°: 1 S2
Attività n°: 2
Nella rappresentazione a virgola fissa, ad ogni numero veniva assegnato un
gruppo di cifre binarie.
Tali cifre venivano a loro volta suddivise in due gruppi rispettivamente di n 1 e
n 2 cifre dove ( n 1 + n 2 ) = n.
Il gruppo di cifre binarie n 1 rappresentava la parte intera del numero; quello di
cifre binarie n 2 rappresentava la parte frazionaria.
Qualsiasi fosse stato il numero da rappresentare, i valori di n 1 e n 2 erano fissi.
Lezione n°: 1 S2
Attività n°: 2
Quindi oltre al numero n , venivano stabiliti anche i numeri n 1 e n 2 delle cifre
prima e dopo la virgola decimale.
Esempio:
se n = 10, n 1 = 4, n 2 =6 le rappresentazioni erano :
n1 n2
30.421 → 0030 421000
0.0437 → 0000 043700
Lezione n°: 1 S2
Attività n°: 2
I principali inconvenienti a cui si andava incontro operando con i numeri in
virgola fissa erano la limitazione del campo numerico e la possibilità di ottenere
risultati falsati e, quindi, per non incorrere in questi problemi bisognava prestare
particolare attenzione alla programmazione e all’ esecuzione dei calcoli.
Nei calcoli di tipo scientifico, si è sempre preferito non utilizzare questo tipo di
rappresentazione numerica.
Lezione n°: 1 S2
Attività n°: 2
Rappresentazione in virgola mobile ( floating point representation)
In questo caso, la posizione della virgola non è fissa per tutti i numeri e, quindi,
è necessario tener conto della posizione che essa occupa dopo la prima cifra di
rappresentazione.
La posizione della virgola viene data per mezzo del cosiddetto esponente.
Lezione n°: 1 S2
Attività n°: 2
Infatti, ogni numero reale può essere scritto nella seguente forma
esponenziale normalizzata:
=±
• dove è un numero reale ed è detto mantissa normalizzata ovvero
con la prima cifra ( dopo il punto decimale ) diversa da zero.
• N è la base del sistema di numerazione da noi scelto.
• q è l’esponente o caratteristica (numero intero positivo negativo, positivo o
nullo).
Lezione n°: 1 S2
Attività n°: 2
Esempio:
il numero 22.32 si scrive 0.2232 · 102 ed, invece,
il numero 0.00677 si scrive 0.677 · 10 -2.
Fissata la base N, ogni numero reale ≠ è univocamente definito dalla coppia
(m ; q) e, quindi, basta memorizzare tale coppia nel calcolatore.
Per convenzione il numero zero , non avendo la propria rappresentazione
normalizzata, si memorizza con la coppia ( 0; 0 ).
Lezione n°: 1 S2
Attività n°: 2
In un calcolatore lo spazio destinato alla rappresentazione di un numero reale
può essere immaginato nel seguente modo:
s q | |
dove s è il segno di .
Quindi, precisando ciò che abbiamo già detto, i numeri reali di macchina sono
quei numeri le cui mantisse e caratteristiche sono rappresentabili in modo esatto
nello “spazio” a loro destinato.
Lezione n°: 1 S2
Attività n°: 2
Se lo spazio destinato alla rappresentazione di | | è di t cifre nel sistema di
numerazione N prescelto, sono rappresentabili solo quelle mantisse che non
hanno più di t cifre.
L’esponente q dovrà soddisfare una disuguaglianza del tipo:
≤ ≤
dove <0 e > 0 sono numeri interi che variano da un calcolatore all’altro.
Lezione n°: 1 S2
Attività n°: 2
Nella maggior parte dei calcolatori moderni, i numeri reali possono essere
rappresentati in virgola mobile avendo a disposizione per ciascun numero una
lunghezza complessiva di 32 bit ( in questo caso l’aritmetica utilizzata viene
definita in semplice precisione) oppure 64 bit (aritmetica in doppia precisione).
Della precisione semplice e doppia parleremo nell’ attività di studio 3.
Lezione n°: 1/S3
Attività n°: 1
In questa attività di studio inerente i numeri di macchina, si

affronteranno i concetti di precisione di macchina e di operazioni
di macchina, oltre che quelli di cancellazione, underflow ed
overflow.
Lezione n°: 1 S3
Attività n°: 3
LEZIONE 1
-----------
NUMERI DI MACCHINA
(sessione 2)
Lezione n°: 1 S3
Attività n°: 3
Precisione semplice
Nel caso di precisione semplice e base N=16 ; segno, mantissa ed esponente

vengono memorizzati nei 32 bit a disposizione nel seguente modo:
± … … − − … … −
0 1 2 … … 7 8 9 … … 31
Il primo bit, il bit 0, è riservato al segno del numero (0 positivo e 1 negativo).
Dal bit 1 al 7 , sono riservati all’esponente q.
Dal bit 8 al 31, sono riservati alla mantissa .
La rappresentazione binaria della mantissa è, quindi:
− − −
= ∙ + ∙ + …+ ∙ .
Lezione n°: 1 S3
Attività n°: 3
La mantissa è esprimibile come frazione binaria, ovvero come frazione avente

come denominatore una potenza di due;mentre l’esponente è un intero.
Poiché si dispone di un numero finito di bit, ciò implica delle limitazioni sia sulla
mantissa che sull’esponente.
Sulla mantissa la limitazione riguarda la precisione.
Non tutti i numeri vengono memorizzati dal calcolatore in modo esatto, ma

vengono approssimati.
Sull’ esponente la limitazione riguarda il campo di variabilità (range) dei numeri

di macchina.
Lezione n°: 1 S3
Attività n°: 3
Doppia precisione
Nel caso di doppia precisione: segno, mantissa ed esponente vengono

memorizzati nei 64 bit a disposizione ( due voci) .
± … … − − … … −
0 1 2 … … 8 9 … … 63
7
Il primo bit, il bit 0, è riservato al segno del numero (0 positivo e 1 negativo).
Dal bit 1 al 7 , sono riservati all’esponente ad eccesso 64.
Dal bit 8 al 63, sono riservati alla mantissa .
Lezione n°: 1 S3
Attività n°: 3
I 32 bit in più rispetto alla semplice precisione vengono tutti dedicati alla
mantissa e, quindi, non aumenta l’ intervallo dei numeri che possono essere
rappresentati ( range ) ma aumenta il numero dei punti che si possono
rappresentare in tale intervallo.
Se si considerano i numeri positivi rappresentabili in semplice precisione con
esponente q=0.
− − −
= ∙ + ∙ + …+ ∙ .
Lezione n°: 1 S3
Attività n°: 3
Sono in totale ≈ . ∙ , appartengono tutti all’intervallo (O,1) e sono
− −
equispaziati della quantità ≈ . ∙ .
I numeri positivi rappresentabili in semplice precisione con esponente q=1, sono
ancora , appartengono all’ intervallo (2,4) e sono equispaziati della quantità
– + −
≈ . ∙ .
In altri termini, tra due potenze consecutive della base 2 sono contenuti
numeri equispaziati.
Lezione n°: 1 S3
Attività n°: 3
Dunque, la distanza tra due numeri di macchina raddoppia se l’esponente viene
aumentato di un’ unità ( ci allontaniamo dall’origine ), mentre si dimezza se viene
diminuito di un’ unità ( ci avviciniamo all’ origine ).
Precisione di macchina
Come abbiamo già detto, i calcolatori hanno a disposizione un numero finito di
cifre decimali in una base per rappresentare un numero.
Lezione n°: 1 S3
Attività n°: 3
Allora, ad esempio, i numeri decimali illimitati o i numeri periodici, quando
vengono immessi nel calcolatore vengono da esso arrotondati per poter essere
memorizzati.
Se lavoriamo con un computer dove i numeri reali sono rappresentati in virgola
mobile in base N con mantissa normalizzata a t cifre binarie e denominiamo
( ) il valore realmente memorizzato dal calcolatore:
| − ( )| !
<
| |
−"
Con !=
Lezione n°: 1 S3
Attività n°: 3
! è detta precisione di macchina ed è il più piccolo numero che sia possibile
memorizzare in uno specifico calcolatore che sommato ad 1 fornisca un risultato
più grande di 1.
− −
Nel caso t = 24 → != ≈ . ∙ .
La precisione di macchina ci dà la spaziatura relativa tra due numeri di macchina
consecutivi, fornendo l’ informazione sul massimo errore relativo che viene
commesso quando si introduce un numero reale # nella memoria di un
calcolatore.
Lezione n°: 1 S3
Attività n°: 3
La precisione di macchina è importante quando si lavora con un nuovo
calcolatore di cui non si conoscono le caratteristiche.
Infatti, valutare l’ordine di grandezza della precisione di macchina ci evita di
utilizzare limiti troppo restrittivi o troppo abbondanti nei criteri di arresto dei
procedimenti iterativi, di cui parleremo nel corso.
Lezione n°: 1 S3
Attività n°: 3
Operazioni di macchina
Abbiamo visto che un calcolatore per memorizzare un generico numero reale
dispone di un determinato spazio finito, a seconda delle proprie caratteristiche
tecniche, e ciò implica la creazione dei cosiddetti numeri di macchina ovvero
quei numeri che possono essere contenuti nello spazio di memoria previsto per
ognuno di essi.
I risultati di operazioni aritmetiche tra numeri di macchina, generalmente non
sono numeri di macchina .
Lezione n°: 1 S3
Attività n°: 3
Quindi, in un calcolatore non è possibile implementare in modo esatto operazioni
aritmetiche.
Le operazioni che esso può realizzare sono dette operazioni di macchina.
Un’ importante conseguenza di ciò che è stato appena detto è che nelle
operazioni di macchina vengono meno alcune delle proprietà fondamentali
dell’ aritmetica esatta dei numeri reali, quali la proprietà associativa della somma
e la proprietà distributiva del prodotto rispetto alla somma.
Lezione n°: 1 S3
Attività n°: 3
Infatti, la proprietà commutativa risulta essere ancora valida:
%=&
% +* &
$ % +* $
%
% ×* %& = &
$ % ×* $
%
(dove con $ % si indicano i numeri di macchina e con il simbolo +* e ×*

% e&
si indicano le operazione di macchina di addizione e di moltiplicazione.

Nello stesso modo si indicano quelle relative alle altre operazioni aritmetiche
−* ; ÷* ).
Lezione n°: 1 S3
Attività n°: 3
Mentre, non risultano valide le seguenti proprietà:
• $ % +* %) = ( $
% +*( & % ) +* %
% +* &
• $ % ×* %) = ( $
% ×*( & % ) ×* %
% ×* &
• $ % +* %) = ( $
% ×*(& % ) +* ( $
% ×* & % ×* % )
• ( $ % ) ÷* &
% ×* & % = $
%
• ( $ % ) ×* &
% ÷* & % = $
%
• ( $ % = ( $
% ×* ' ) ÷* & % ) ×* '
% ÷* &
Lezione n°: 1 S3
Attività n°: 3
Facciamo un esempio in modo da poter capire meglio.
Se un calcolatore esegue la seguente addizione in aritmetica finita tra numeri in
base N=10 e mantissa normalizzata di t = 4 cifre.
. ( ∙ + . ∙ + . (∙
Per poterla eseguire tutti gli addendi devono avere lo stesso esponente, quello
con il valore più alto.
. ( ∙
−
. ∙ = . ∙ ∙ = . ∙
−
. ( ∙ = . ( ∙ ∙ = . ( ∙
Lezione n°: 1 S3
Attività n°: 3
Il calcolatore esegue prima la somma dei primi due addendi e li pone in
memoria.
. ( ∙ +
. ∙ =
. ( ∙
Il risultato è . ( ∙ .
Lezione n°: 1 S3
Attività n°: 3
A tale somma, poi, vi aggiunge il terzo addendo.
. ( ∙ +
. ( ∙ =
. ( ( ∙
Questo se facciamo eseguire al calcolatore le operazioni secondo l’ordine in cui
sono scritti gli addendi.
Lezione n°: 1 S3
Attività n°: 3
Se invece, gli facciamo eseguire tali operazioni in un altro ordine il risultato è

diverso.
. ∙ +
. ( ∙ =
. ∙
. ∙ +
. ( ∙ =
. ( ∙
Lezione n°: 1 S3
Attività n°: 3
I due modi diversi di procedere danno due risultati diversi che differiscono di
una quantità pari a . ∙ .
Il secondo risultato è più accurato.
Infatti, per ottenere la massima accuratezza bisogna sommare i termini dal più
piccolo al più grande.
Lezione n°: 1 S3
Attività n°: 3
Overflow e underflow
L’ overflow e l’ underflow sono due fenomeni che avvengono quando il risultato
di un’ operazione di macchina è un numero rispettivamente con esponente
>* e < & ovvero un numero che esce dall’ intervallo dei numeri che
possono essere rappresentati ( range ) da un determinato calcolatore.
Quando si verifica uno di questi due fenomeni, i risultati non sono rappresentabili
e il calcolatore invia una segnalazione di errore.
Lezione n°: 1 S3
Attività n°: 3
Cancellazione
La conseguenza più grave nell’ utilizzo della matematica finita è il fenomeno della
cancellazione, ovvero la perdita sensibile di cifre significative dovuta al fatto che
l’errore relativo nella somma tra due addendi di segno opposto e valore assoluto
molto vicino può diventare molto grande.
L’ operazione amplifica gli errori presenti nei due operandi.
Lezione n°: 1 S3
Attività n°: 3
Facciamo un esempio.
Se si esegue la differenza tra due numeri con 6 cifre significative, le cui mantisse
sono:
= . e = .
''''' = . e ''''' = .
si ottiene :
''''''
( −* ''''' ) × = . .
Lezione n°: 1 S3
Attività n°: 3
Mentre, con i valori delle mantisse esatti, si otterrebbe :
( − ) × = . .
L’ operazione di sottrazione in se’ non introduce nessuna perdita di precisione.
Tutte le quattro operazioni aritmetiche di macchina possono provocare un errore

relativo che non supera mai la precisione di macchina !.
Ma tutto ciò succede, se si prescinde dagli eventuali errori presenti nei due
operandi.
Infatti, se tali due operandi sono privi di errori, il risultato non presenta perdita di
precisione.
Invece, se essi presentano errori, si produce una perdita di cifre significative.
Lezione n°: 1 S3
Attività n°: 3
In conclusione, per tutti i motivi di cui abbiamo parlato, è bene usare i seguenti
accorgimenti.
• Sommare i numeri in valore assoluto crescente ;
• Non dividere per numeri troppo piccoli ;
• Evitare di sottrarre numeri molto vicini in valore assoluto ;
• Ridurre al massimo possibile le operazioni da eseguire soprattutto se si
tratta di prodotti e divisioni.
Corso di Laurea: Ingegneria matematica
Insegnamento: Analisi matematica
Lezione n°: 2l
Titolo: Errori e le loro cause (sessione 1)
Attività n°: 1
Errori e le loro cause
Lezione n°: 2l
Attività n°: 1
Lezione n°: 2l
Attività n°: 1
Lezione n°: 2l
Attività n°: 1
Cifre significative
Lezione n°: 2l
Attività n°: 1
Cifre significative
Lezione n°: 2l
Attività n°: 1
Cifre significative
Lezione n°: 2l
Attività n°: 1
Cifre significative
Lezione n°: 2l
… Attività n°: 1
Cifre significative
Lezione n°: 2l
Attività n°: 1
Cifre significative
Lezione n°: 2l
Attività n°: 1
Cifre significative
Corso di Laurea: #corso#
Insegnamento: #insegnamento#
Lezione n°: #lezione#
Titolo: #titolo#
Attività n°: #attività#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Titolo: #titolo#
Corso di Laurea: Ingegneria informatica
Lezione n°: 2S2
Titolo: Sistemi di numerazione (sessione 1)
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Lezione 2
Lezione n°: 2S2
Attività n°: 1
Esempi
Corso di Laurea: Ingegneria energetica
Lezione n°: 2 s3
Titolo: Sistemi di numerazione (sessioe 2)
Attività n°: 1
Lezione 2
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
Sistema binario
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 2 s3
Attività n°: 1
esempio
Lezione n°: 3L
Titolo: Errori e le loro propagazioni
Attività n°: 1
Errori e loro propagazione
Lezione n°: 3L
Attività n°: 1
Il concetto di errore
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Per tener conto dell‘ ordine di

grandezza, si normalizza
l‘ errore rispetto al valore esatto
ERRORE RELATIVO = ___ERRORE____
VALORE ESATTO
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Lezione n°: 3L
Attività n°: 1
Obbiettivo principale dell’analisi numerica
Lezione n°: 3L
Attività n°: 1
Algoritmo
Lezione n°: 3L
Attività n°: 1
La questione del modo
Lezione n°: 3L
Attività n°: 1
Riferimenti bibliografici
Lezione n°: 3 S1
Titolo: errori: esempi (sessione 1)
Attività n°: 1
Lezione 3
Lezione n°: 3 S1
Attività n°: 1
Lezione 3
Lezione n°: 3 S1
Attività n°: 1
Lezione 3
Lezione n°: 3 S1
Attività n°: 1
Esempio
Lezione n°: 3 S1
Attività n°: 1
Esempio
Lezione n°: 3 S1
Attività n°: 1
1 Soluzione analitica
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
2 Soluzione ANALITICA
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S1
Attività n°: 1
Lezione n°: 3 S2
Titolo: Errori: esempi (sessione 2)
Attività n°: 1
Lezione 3
Lezione n°: 3 S2
Attività n°: 1
Soluzione numerica usando cifre significative differenti
Lezione n°: 3 S2
Attività n°: 1
Soluzione numerica usando cifre significative differenti
Lezione n°: 3 S2
Attività n°: 1
esempio
Lezione n°: 3 S2
Attività n°: 1
Regole per l’arrotondamento dei numeri nel caso di calcoli manuali
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 3 S2
Attività n°: 1
Lezione n°: 4
Titolo: Matrici: definizioni e proprietà (sessione 1)
Attività n°: 1
Lezione 3
Lezione n°: 4
Attività n°: 1
Propagazione degli errori
Lezione n°: 4
Attività n°: 1
Lezione n°: 4
Attività n°: 1
Lezione n°: 4
Attività n°: 1
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Esempio
Lezione n°: 4
Attività n°: 1
Analisi degli errori all’indietro
Lezione n°: 4
Attività n°: 1
Aritmetica dell’intervallo
Corso di Laurea: INGEGNERIA INFORMATICA E DELLA AUTOMAZIONE 2010
Lezione n°: 4
Titolo: Matrici: definizioni e proprietà
Attività n°: 1
Nella lezione 4 si inizia un veloce percorso di Richiami sulle

Matrici in modo da facilitare lo studente che deve riprendere lo
studio di questo argomento.
La conoscenza di tale argomento dal punto di vista matematico è
fondamentale per poter comprendere i metodi numerici che
verranno trattati nel presente Corso.
Lezione n°: 4
Attività n°:
MATRICI :
Definizioni e proprietà
(sessione 1)
NUCLEO TEMATICO 2 : Richiami su matrici e spazi vettoriali

LEZIONE 4
Lezione n°: 4
Attività n°:
MATRICI
Con , si denota l’ insieme delle matrici × ad elementi reali,
cioè l’ insieme delle tabelle ordinate del tipo :
⋯
A= ⋮ ⋱ ⋮
⋯
con
per ogni = ,… , e per ogni = ,… , .
Lezione n°: 4
Attività n°:
Per semplicità si denota , con = e si definisce
elemento di posto ij oppure elemento ij – esimo della matrice .
Sia = , , si pone:
= , …, ;
= , …, ;
= , …, .
Lezione n°: 4
Attività n°:
A (1) = ⋮ ; A (2) = ⋮ ; … ; A (m)= ⋮ .
A (1) ; A (2) ; A (m ) si dicono righe di A e A (i ) si dice i - esima riga ;
A (1) ; A (2) ; A ( n ) si dicono colonne di A e A ( j ) si dice j -esima colonna ;
in tal senso, dato l’elemento →
i si dice indice riga e j si dice indice colonna.
Lezione n°: 4
Attività n°:
Le matrici possono essere:
• Matrici Nulle
Matrici i cui elementi sono tutti zero.
Si indica con .
=[ ] =
per ogni = , ,… , e per ogni = , ,… , .
Lezione n°: 4
Attività n°:
• Matrici uguali
Siano e due matrici, entrambe di tipo × .
Gli elementi e " , rispettivamente di e ,
aventi gli stessi indici , si dicono corrispondenti.
In altre parole, due elementi si dicono corrispondenti quando occupano lo stesso
posto nelle due matrici.
Due matrici dello stesso tipo sono uguali e, scriveremo = , se hanno tutti
gli elementi corrispondenti uguali.
Lezione n°: 4
Attività n°:
L’ uguaglianza tra matrici gode delle proprietà
riflessiva, simmetrica e transitiva.
Tali proprietà sono immediate conseguenze
delle analoghe proprietà dell’ eguaglianza tra numeri.
Lezione n°: 4
Attività n°:
• Matrici opposte
Sia una matrice di tipo × . Si definisce matrice opposta di e si indica
con il simbolo – A , la matrice dello stesso tipo di , i cui elementi sono gli
opposti dei corrispondenti elementi di .
In simboli :
=[ ]
− = [− ]
con = , ,… , e per ogni = , ,… , .
Lezione n°: 4
Attività n°:
• Matrici trasposte
Sia una matrice di tipo × . Si definisce trasposta di e si indica con il
simbolo ͭ , la matrice che si ottiene da scambiando ordinatamente le righe
con le colonne.
Più precisamente, se =[ ]
con = , ,… , e = , ,… , .
La matrice trasposta di è la matrice ͭ A =[ ′ ]
con = , ,… , e = , ,… , .
Tale che ′ =
con = , ,… , e = , ,… , .
Lezione n°: 4
Attività n°:
Si verificano facilmente le seguenti proprietà :
per ogni A , B ∈ M n,m ( R ) e per ogni numero scalare λ ∈ R , risulta:
ͭ ( A + B ) = ( ͭA )+ ( ͭB )
(ͭλA)=λ(A
ͭ )
ͭ ( ͭA ) = A
Lezione n°: 4
Attività n°:
• Klaus-Jürgen Bathe.
FINITE ELEMENT PROCEDURES IN ENGINEERING ANALYSIS.
Prentice-Hall, 1982
• Giuseppe Anichini, Giuseppe Conti.

CALCOLO Vol.2 .
Pitagora editrice, Bologna 1992
Lezione n°: 4/S1
Attività n°: 1
In questa attività di studio, si continua il percorso di Richiami su
Matrici iniziato nella sessione precedente.
Tale trattazione di riepilogo matematico è posta come strumento
utile allo studente per eseguire un ripasso generale
sull’ argomento in maniera il più possibile spedita.
Lezione n°: 4 S1
Attività n°: 1
LEZIONE 4
-----------
MATRICI:
DEFINIZIONI E PROPRIETA’
(sessione 2)
Lezione n°: 4 S1
Attività n°: 1
• Matrici quadrate
Ponendo = . , in particolare se A ∈ ,
diremo che è una di ordine .
Quindi, si ha una matrice quadrata di se = .
Lezione n°: 4 S1
Attività n°: 1
In altri termini, si dice quadrata una matrice che ha ugual numero di righe e di
colonne.
Poiché l’ ordine di una matrice è il numero delle sue righe , per la matrice
quadrata sarà indifferentemente il numero delle sue righe o delle sue colonne.
Le matrici quadrate sono molto importanti per le loro notevoli applicazioni.
Lezione n°: 4 S1
Attività n°: 1
• Diagonale principale e diagonale secondaria
Se è una matrice quadrata di , si denomina diagonale principale
di l’ insieme degli elementi che hanno indice riga uguale all’ indice colonna,
cioè , ,…, .
Si chiama, invece, diagonale secondaria di l’ insieme degli elementi i cui
indici hanno per somma + .
Lezione n°: 4 S1
Attività n°: 1
• Matrice diagonale
Una matrice quadrata ∈ si dice matrice diagonale se " = #
per ≠ " :
# ⋯ #
% '
) # ⋱ ⋮ -
A= ) -
) ⋮ ⋱ # -
) -
( # ⋯ # ,
ovvero se i suoi elementi sono tutti nulli tranne quelli della sua diagonale
principale.
Lezione n°: 4 S1
Attività n°: 1
• Matrice unità
Una matrice quadrata ∈ si dice matrice unità o matrice identica,
se è una matrice diagonale in cui gli elementi sulla diagonale principale sono
tutti uguali a uno.
Indicheremo tale matrice con il simbolo I oppure I n per specificarne l’ ordine.
Lezione n°: 4 S1
Attività n°: 1
• Matrice triangolare superiore
Una matrice quadrata A ∈ si dice matrice triangolare superiore
se " = # per > "
con = , ,… , e " = , ,… , .
⋯
% '
) # ⋱ ⋮ -
A= ) -
⋮ ⋱ −
) -
( # ⋯ # ,
Ossia, se tutti gli elementi al di sotto della sua diagonale principale sono nulli.
Lezione n°: 4 S1
Attività n°: 1
• Matrice triangolare inferiore
Una matrice quadrata ∈ si dice matrice triangolare inferiore
se " = # per < "
con = , ,… , e " = , ,… , .
# ⋯ #
% '
) ⋱ ⋮ -
A= ) -
) ⋮ ⋱ # -
) -
( ⋯ − ,
Ossia, se tutti gli elementi al di sopra della sua diagonale principale sono nulli.
Lezione n°: 4 S1
Attività n°: 1
• Matrice simmetrica
Una matrice quadrata ∈ di si dice matrice simmetrica
quando " = "
con ," = , ,… , .
Ossia, quando sono uguali gli elementi “simmetrici ” rispetto alla sua diagonale
principale .
Lezione n°: 4 S1
Attività n°: 1
• Matrice emisimmetrica
Una matrice quadrata ∈ di si dice matrice emisimmetrica
quando " =− "
con ," = , ,… , .
Ossia, quando sono opposti gli elementi “simmetrici ” rispetto alla sua diagonale
principale.
Lezione n°: 4 S1
Attività n°: 1
122 3 45 2 66 2 7 2 7
In base alle definizioni date, è evidente che:
• Una matrice quadrata è 2 se e soltanto se coincide con la
propria trasposta, cioè se A = ͭ A.
• Una matrice quadrata è 2 se e soltanto se è l’ opposta
della propria trasposta, cioè se A = - ͭ A.
Lezione n°: 4 S1
Attività n°: 1
Inoltre, 89 9 : ; 99< <8 <9 = > =<9 ? < :<; > : @ :: ; ><
@ ;?;; ?99 .
Infatti, applicando ad essi la definizione, si ha :
=− con = , ,… ,
da cui = # con = , ,… , .
Lezione n°: 4/S2
Titolo: Matrici: definizioni fondamentali
Attività n°: 1
In questa attività di studio, si continua il percorso di ripasso sulle
matrici già iniziato nelle attività di studio precedenti.
Nello specifico, vengono richiamate alcune definizioni
fondamentali delle matrici la cui conoscenza è essenziale per
poter affrontare lo studio dei metodi numerici che verranno
trattati nel Corso.
Lezione n°: 6 S2
Titolo: Definizioni fondamentali
Attività n°: 2
LEZIONE 4
-----------
MATRICI:
DEFINIZIONI FONDAMENTALI
Lezione n°: 6 S2
Attività n°: 2
MATRICI NULLE
Una matrice si dice matrice nulla se è una matrice
che ha tutti gli elementi uguali a zero.
Esempio:
0 0 0
0 0 0
La seguente matrice O
O=
0 0 0
è una matrice nulla.
Lezione n°: 6 S2
Attività n°: 2
MATRICI UGUALI
Date due matrici A e B entrambe di tipo 2×3.
Diremo che sono matrici uguali se hanno uguali tutti gli
elementi corrispondenti.
Quindi :
1 0 1 0
A= −3 3 ; B= −3 3 .
5 −7 5 −7
Lezione n°: 6 S2
Attività n°: 2
Altro Esempio.
Determinare i valori di e in modo che le due matrici e siano uguali.
+
− + −
A= ; B=
A tal fine basterà che siano soddisfatte le due seguenti uguaglianze essendo già
uguali tutte le altre coppie di elementi corrispondenti.
+ =
= +
Risolvendo questo facile sistema otteniamo = ; = .

Lezione n°: 6 S2
Attività n°: 2
MATRICI OPPOSTE
Sia A una matrice di tipo 2 × 3 .
La matrice opposta di A è la matrice dello stesso tipo, i cui elementi sono gli
opposti dei corrispondenti elementi di A .
Quindi,
−
se A = − ; allora − A = − .
− −
Lezione n°: 6 S2
Attività n°: 2
MATRICI TRASPOSTE
Sia A una matrice di tipo 3 × 2 .
La matrice trasposta di A è la matrice che si ottiene da A scambiando
ordinatamente le righe con le colonne.
Quindi,
−
se A = ; allora ͭA= .
−
Lezione n°: 6 S2
Attività n°: 2
MATRICI QUADRATE
Si dice !" # una matrice che ha egual numero di righe e di colonne.
Si chiama ordine il numero delle sue righe ( ovvero delle sue colonne ).
Quindi, si ha una matrice quadrata di $%&'() ( se * = + .
Esempio.
e sono rispettivamente un matrice rettangolare di tipo × ed una
matrice quadrata di ordine .
0 3
− √ / 2
B= / − 2
− / 2
A=
. √ 1
Lezione n°: 6 S2
Attività n°: 2
Diagonale principale e diagonale secondaria
Se è una matrice quadrata di ordine n, si denomina diagonale principale

di l’ insieme degli elementi che hanno indice riga uguale all’ indice colonna.
Si chiama, invece, diagonale secondaria di l’ insieme degli elementi i cui
indici hanno per somma + + .
0 3
/ 2
−
Esempio.
/ 2
B= / 2
Si consideri la seguente matrice
/ − 2
/ 2
quadrata di ordine 4 :
. − 1
La sua diagonale principale è costituita da elementi 1, -1, 5, 2.

La sua diagonale secondaria, invece, ha per elementi 5, 1, 0, -2.
Lezione n°: 6 S2
Attività n°: 2
MATRICI DIAGONALI
Una matrice quadrata si dice matrice diagonale se i suoi elementi sono tutti
nulli tranne quelli della sua diagonale principale.
Esempio.
0 3
/ 2
La seguente matrice
B = / 2
/ 2
è una matrice diagonale di ordine 3.
. 1
Lezione n°: 6 S2
Attività n°: 2
MATRICI UNITÀ
Una matrice quadrata si dice matrice unità se è una matrice diagonale che ha
tutti gli elementi sulla diagonale principale uguali a uno.
0 3
Esempio.
/ 2
/ 2
La seguente matrice I4
= / 2
/ 2
I4
/ 2
è una matrice unità di ordine 4.
. 1
Lezione n°: 6 S2
Attività n°: 2
MATRICI TRIANGOLARI
Una matrice quadrata A ∈ 5(+) si dice matrice triangolare superiore
se tutti gli elementi al di sotto della sua diagonale principale sono nulli.
Esempio.
La seguente matrice A
√
A=
è una matrice triangolare superiore.
Lezione n°: 6 S2
Attività n°: 2
Una matrice quadrata si dice matrice triangolare inferiore se tutti gli
elementi al di sopra della sua diagonale principale sono nulli.
Esempio.
0 3
/ −
La seguente matrice A
2
è una matrice triangolare A= / 2
/ 2
. − 1
inferiore.
Lezione n°: 4/S3
Attività n°: 1
In questa attività di studio, si continua il percorso di ripasso sulle
matrici già iniziato nelle attività di studio precedenti.
Nello specifico, si conclude il richiamo di alcune definizioni e di
alcune proprietà delle matrici.
Lezione n°: 6 S3
Titolo: Altre definizioni e proprietà
Attività n°: 3
LEZIONE 4
-----------
MATRICI:
ALTRE DEFINIZIONI E PROPRIETA’.
Lezione n°: 6 S3
Attività n°: 3
MATRICI SIMMETRICHE
Una matrice quadrata A ∈ ( ) di ordine n si dice matrice simmetrica
quando =
con i , j = 1 ,2, … , n .
Ossia, quando sono uguali gli elementi “simmetrici ” rispetto alla sua diagonale
principale .
Esempio.
La seguente matrice A √
A=
√
è una matrice simmetrica:
Lezione n°: 6 S3
Attività n°: 3
MATRICI EMISIMMETRICHE
Una matrice quadrata A ∈ ( ) di ordine n si dice

matrice emisimmetrica quando =−
con i , j = 1 ,2, … , n .
Ossia, quando sono opposti gli elementi “simmetrici ” rispetto alla sua diagonale
principale.
√
Esempio.
−
La seguente matrice A A=
√ − − √
A=
è una matrice emisimmetrica:
Lezione n°: 6 S3
Attività n°: 3
TRACCIA DI UNA MATRICE
Sia A ∈ Mn,m ( R ) si dice traccia di A e si denota con tr A , la somma degli

elementi della sua diagonale principale, ovvero:
= + …+ =∑ = .
Per ogni , ∈ ( ) e per ogni λ ∈ ( ), si verificano facilmente le seguenti

proprietà:
tr (A + B )= tr A + tr B
tr ( λ A ) = λ tr A
tr ( ͭ A ) = tr A
tr A B = tr B A
Lezione n°: 6 S3
Attività n°: 3
RANGO DI UNA MATRICE
Sia una matrice di tipo × . Si può estrarre da essa una sottomatrice
scegliendo righe e colonne (! < ≤ ,! < ≤ ) di e considerando
la matrice formata dagli elementi che appartengono contemporaneamente alle
righe e alle colonne prescelte.
Nel caso che la sottomatrice estratta dalla matrice sia quadrata e abbia
precisamente righe e colonne, il suo determinante si dice minore di ordine
della matrice .
Lezione n°: 6 S3
Attività n°: 3
Evidentemente l’ ordine di un minore estratto da una matrice di tipo ($, %) non
può superare il più piccolo dei due numeri $, %.
Si dice rango o caratteristica di una matrice , il massimo ordine dei minori non
nulli che si possono estrarre da .
Se gli elementi di sono tutti nulli, risulta nullo qualsiasi minore estratto da .
Si conviene in tal caso che il rango di sia zero.
Lezione n°: 6 S3
Attività n°: 3
Esempio.
Si consideri la seguente matrice:

−
' +
& ! − − *
A= & *
& ( ) *
, -
Il suo rango è 2.
Infatti da si possono estrarre minori non nulli di ordine 2 , come ad esempio:

−
. . = ).
! −
I suoi minori di ordine 3, invece, sono tutti nulli.
Lezione n°: 6 S3
Attività n°: 3
TEOREMA DI KRONECKER
Il rango di una matrice è r se e solo se :
1) Esiste un minore A ’ non nullo di A di ordine r ;

2) Tutti i minori di ordine + ottenuti orlando in ogni modo possibile il minore
’ con righe e colonne di , sono nulli.
Esempio.
Si desidera determinare il rango della matrice .
!
' +
& ! *
A= & *
& *
, ) ( -
Lezione n°: 6 S3
Attività n°: 3
Si osserva che l’ elemento della prima riga e della prima colonna costituisce un
minore di ordine 1 non nullo.
ǀ ǀ = ≠ !
Tale minore verifica la prima condizione del teorema.
essere orlato in (4 − 1)(5 − 1) = 12 modi diversi.

Per controllare la validità della seconda condizione, si osserva che esso può
Si comincia, dunque, orlando con la seconda riga e la seconda colonna:

… … …
' +
& … … … *
= & * → . .= !
& … … … … … *
, … … … … … -
Lezione n°: 6 S3
Attività n°: 3
Si orla, ora, con la seconda riga e la terza colonna:
… ! … …
' +
& … … … * !
= & * → . .= ≠ !
& … … … … … *
, … … … … … -
La seconda condizione non è , perciò, soddisfatta.
Si è, però, determinato un minore di ordine 2 non nullo, formato con gli elementi
della prima e seconda riga e della prima e terza colonna.
Per questo minore la prima condizione del teorema è soddisfatta.
Lezione n°: 6 S3
Attività n°: 3
Per controllare la validità della seconda condizione si deve calcolare
(4 − 2)(5 − 2) = 6 minori di ordine 3 e, precisamente, tre formati orlando il

minore dato con la terza riga e, rispettivamente la seconda, la quarta e la quinta
colonna:
! … …
' +
& … … * !
= & * → 8 8 = !
& … … *
, … … … … … -
… ! …
' +
& … ! … * !
= & * → 8 !8= !
& … … *
, … … … … … -
Lezione n°: 6 S3
Attività n°: 3
… ! …
' +
& … … * !
= & * → 8 8 = !
& … … *
, … … … … … -
E altri tre formati orlando il minore dato con la quarta riga e, ancora, la seconda,
la quarta e la quinta colonna:
! … …
' +
& … … * !
= & * → 8 8 = !
& … … … … … * )
, ) … … -
Lezione n°: 6 S3
Attività n°: 3
… ! …
' +
& … ! … * !
= & * → 8 !8= !
& … … … … … *
, … … -
… ! …
' +
& … … * !
= & * → 8 8 = !
& … … … … … * (
, … … ( -
Poiché tutti i sei minori di ordine tre sono nulli, è verificata anche la seconda
condizione del teorema.
La matrice ha perciò rango 2.
Lezione n°: 6 S3
Attività n°: 3
Precisazioni
• Orlare una matrice di tipo m Xn significa aggiungerle
successivamente una riga e una colonna in modo da trasformarla in una
matrice di tipo ( m+1; n+1 ). La matrice così ottenuta conterrà,
dunque, la matrice data come sottomatrice.
• Il determinante è un valore numerico che può essere associato ad

una matrice quadrata secondo le modalità che saranno presentate
nella lezione 5.
Lezione n°: 5
Titolo: Operazioni tra matrici, determinante ed inversa
Attività n°: 1
Nella lezione 5 si continua il percorso di richiami su Matrici

iniziato nella lezione precedente. In particolare, in questa attività
di studio si riprende il concetto di operazioni tra matrici e le loro
proprietà: somma e differenza di matrici, prodotto di una matrice
per uno scalare, prodotto scalare di una matrice riga per una
matrice colonna, prodotto di matrici e potenza di una matrice.
Lezione n°: 5
Titolo: Operazioni tra matrici
Attività n°:
Lezione n°: 5
Attività n°:
OPERAZIONI TRA MATRICI
Usando la stessa terminologia e gli stessi simboli che si usano per i numeri, si
desidera definire , nell’ insieme delle matrici, le “operazioni” rilevandone le
proprietà.
In tal modo si istituirà un’ algebra delle matrici.
Lezione n°: 5
Attività n°:
SOMMA di MATRICI
L’ operazione di addizione si definisce solo per matrici che abbiano lo stesso
numero di righe e colonne (matrici simili e conformabili rispetto all’ addizione).
Se si indica con A = ( )e B= ( ) ∈ M n,m (R ) due matrici simili, si
definisce somma di A e B la matrice dello stesso tipo A + B ∈ M n,m ( R )
il cui elemento di posto ij è dato dalla somma di , cioè :
A+B = + .
Lezione n°: 5
Attività n°:
PROPRIETA’ della SOMMA
Le seguenti proprietà sono semplici conseguenze delle analoghe proprietà della
somma tra numeri. Si suppone che tutte le matrici considerate siano simili tra
loro.
• Proprietà commutativa
A+B=B+A
• Proprietà associativa
( A + B ) + C = A + (B + C )
Lezione n°: 5
Attività n°:
• Elemento neutro
La matrice nulla O è l’elemento neutro rispetto alla somma, cioè:
A+O=O+A=A
In altre parole, la somma di una qualsiasi matrice con la matrice nulla
dello stesso tipo è ancora la matrice stessa.
• Matrice opposta
La somma di una qualsiasi matrice con la sua opposta è uguale alla
matrice nulla.
A +(- A ) = (-A ) + A = 0
Lezione n°: 5
Attività n°:
DIFFERENZA di MATRICI
Si può definire la differenza tra due matrici simili
A=( )eB=( ) ∈ Mn,m (R ) nel modo seguente:
A – B = A + (- B ) = + − = −
con i = 1 , … , n e per ogni j = 1 , … , m.
La differenza di due matrici simili è quindi la somma della prima matrice con
l’opposta della seconda.
Lezione n°: 5
Attività n°:
MOLTIPLICAZIONE DI UNA MATRICE PER UNO SCALARE
Sia A = ( ) ∈ Mn,m (R ) e ∈ R , si definisce moltiplicazione di A
per lo scalare , la matrice ∈ M n,m (R ) il cui elemento di posto ij è dato
dal prodotto di e , cioè:
= .
In altri termini, la matrice che si ottiene da A moltiplicando tutti i suoi elementi
per .
Lezione n°: 5
Attività n°:
PROPRIETA’ del PRODOTTO per uno SCALARE
Le seguenti proprietà del prodotto di una matrice per uno scalare sono di
immediata dimostrazione.
Si svolgerà, pertanto, solo la prima, lasciando le altre come esercizio allo
studente. Si suppone che tutte le matrici considerate siano dello stesso tipo.
Quindi, per ogni A, B, C ∈ M n,m (R ) e per ogni , ∝, β ∈ R :
• Proprietà distributiva del prodotto di una matrice per uno scalare
rispetto alla somma di matrice.
(A + B ) = A+ B
Lezione n°: 5
Attività n°:
• Proprietà distributiva del prodotto di una matrice per uno scalare
rispetto alla somma di scalari.
(∝+ β ) A = ∝ A + β A
(∝ β ) A = ∝ (βA )
• Prodotto per 1 e per -1
1×A=A
( -1 ) A = -A
Lezione n°: 5
Attività n°:
PRODOTTO SCALARE DI UNA MATRICE RIGA PER UNA MATRICE
COLONNA
Si consideri nell’ ordine una matrice riga A di tipo ( 1,m ) ed una matrice
colonna B di tipo ( m, 1 ):
A = [ a 11, a 12, …, a 1m ]
B =
⋮
Lezione n°: 5
Attività n°:
Si definisce prodotto scalare di A per B la matrice P di tipo ( 1, 1 ) che ha
per elemento il numero che si ottiene sommando i prodotti del tipo ×
con j = 1, 2, …, m.
P=A ×B =
+ +⋯+ "= ∑ =
Lezione n°: 5
Attività n°:
PRODOTTO DI MATRICI
E’ detto, anche, prodotto righe per colonne.
Sia A = [ ] ∈ M n,m (R ) ovvero una matrice di tipo ( n, m ) e sia
B=[ $% ] ∈ M m,p (R ) ovvero una matrice di tipo ( m, p ).
Le due matrici sono, dunque, tali che il numero delle colonne della prima sia
uguale al numero delle righe della seconda (matrici conformabili rispetto alla
moltiplicazione).
Lezione n°: 5
Attività n°:
Si definisce prodotto righe per colonne della matrice A di tipo ( n, m ) per la
matrice B di tipo (m, p ), la matrice C = [& % ] ∈ M n,p (R ) di tipo ( n, p ) il cui
generico elemento & % si ottiene moltiplicando scalarmente la i – esima riga di A
per la k – esima colonna di B.
C = A ∙ B = [ & %] = % + % + ⋯+ % "= ∑ = % .
Lezione n°: 5
Attività n°:
PROPRIETA’ del PRODOTTO di MATRICI
Il prodotto tra matrici gode di alcune importanti proprietà.
Si suppone che i prodotti indicati siano tutti possibili.
• Proprietà distributiva a sinistra rispetto alla somma

A · (B + C ) = A · B + A · C
• Proprietà distributiva a destra rispetto alla somma
(B + C ) · A = B · A + C · A
(A · B ) · C = A · ( B · C )
• Trasposta di un prodotto
ͭ (A · B ) = ͭ B · ͭ A
Cioè la matrice trasposta di un prodotto di due matrici è il prodotto delle
trasposte in ordine inverso.
Lezione n°: 5
Attività n°:
POTENZA DI UNA MATRICE
Sia A ∈ R ( n ) e sia k un numero intero positivo. Si dice potenza k-esima di A
e si denota A k il prodotto righe per colonne di A per A k volte, cioè
A k = A………..A
K volte
Inoltre si pone:
A0=I
Lezione n°: 5
Attività n°:
Prentice-Hall, 1982

CALCOLO Vol.2 .
Lezione n°: 5/S1
Titolo: Determinante ed inversa
Attività n°: 1
In questa attività di studio, verranno introdotti gli argomenti:

determinante di una matrice ed inversa di una matrice.
Nello specifico, tali argomenti verranno trattati dal punto di vista
teorico per poi essere ripresi e chiariti con degli esempi nella
lezione 6.
Lezione n°: 5 S1
Titolo: Determinante ed Inversa
Attività n°: 1
LEZIONE 5
-----------
DETERMINANTE E INVERSA
Lezione n°: 5 S1
Attività n°: 1
DETERMINANTE
Si desidera introdurre l’ operazione di determinante.
Esiste una e una sola funzione, detta determinante,
Det : R (n ) → R che soddisfa le seguenti proprietà:
1. Se A = ( A ( 1 ) , A ( 2 ) , … , A ( n ) ) e per qualche
l ∈ , ,…, risulta
A ( l ) = λ X +∝ Y con λ, ∝ ∈
e X , Y ∝∈ , allora :
det A = λ det ( A ( 1 ) , … , A ( l -1) , X , A ( l +1 ) , … , A ( n ) ) +
∝ ( A ( 1 ) , …, A ( l -1) , Y, A ( l +1) , … , A ( n ) );
Questa proprietà è detta linearità sulle colonne o multilinearità.
Lezione n°: 5 S1
Attività n°: 1
2. Se A ( l ) = A ( l +1 ) per qualche l ∈ , ,…, allora
det A = 0.
Questa proprietà è detta alternanza del determinante.
3. det I -1 .
Questa proprietà è detta unitarietà del determinante.
La dimostrazione del teorema è articolata in vari passaggi:

si dimostra prima l’ esistenza della funzione determinante per
induzione su in tal senso;
se = ,
A=( )∈ ) = , si pone :
Det A = e si verifica immediatamente che soddisfa le proprietà
1, 2, 3.
Lezione n°: 5 S1
Attività n°: 1
Si suppone, ora, di aver definito la funzione determinante per matrici di

ordine – e si elencano le seguenti definizioni:
1. Sia A = ( )∈ )
Si dice complemento algebrico dell’ elemento e si denota con

A [ i j ] la matrice quadrata di ordine − ottenuta da A
togliendo la i - esima riga e la j - esima colonna.
Lezione n°: 5 S1
Attività n°: 1
2. Sia A = ( )∈ si dice sviluppo di Laplace del
determinante di A ( secondo la i -esima riga ) il numero, che si

denoterà con la notazione det A, definito nel seguente modo:
det A = ∑ = − +
per un qualsiasi i ∈ , ,…, .

Si verifica facilmente che lo sviluppo di Laplace del determinante
secondo la i-esima riga soddisfa le proprietà suddette 1, 2, 3;
pertanto si è dimostrato che la funzione determinante esiste.
Lezione n°: 5 S1
Attività n°: 1
Si dimostra, ora, l’ unicità:
Sia D : R ( n ) → R una funzione che soddisfa le suddette proprietà

1, 2, 3 e sia A = ( A ( 1 ) , A ( 2 ) , … , A ( n ) ), allora :
1'. D ( A ( 1 ) ,… , A ( l ) , A ( l +1) ,… , A ( n ) ) =
- D ( A ( 1 ) ,… , A ( l +1 ) , A ( l ) , … , A (n ))
per l ∈ , ,…, .
2'. Se A ha due colonne uguali allora D (A ) = 0.

3'. D (A (1), … , A ( l - 1) , A ( l ) + λ A ( k ), A ( l +1), … , A (n)) =
D ( A ( 1 ) ,… , A ( l -1) , A ( l ) , A ( l +1) , … , A ( n ) ) =
D (A )
per l ∈ , ,…, .
Lezione n°: 5 S1
Attività n°: 1
Teorema di Binet
Siano A e B ∈ ), allora
det (AB )= ( det A )( det B ).
Conseguenza immediata di tale teorema è il seguente corollario:
• Sia A ∈ , se A è invertibile allora det A ≠ 0 e

-1 -1
det ( A ) = ( det A ) .
Lezione n°: 5 S1
Attività n°: 1
Dimostrazione
Si ha:
-1
A (A )=I
da cui :
det (A A -1 ) = ( det A ) (det A -1 ) = det I = 1
in particolare :
-1
det A ≠ 0, det A =
In seguito, quando si parlerà dei sistemi lineari, si vedrà che come

conseguenza del teorema di Cramer, vale anche il viceversa, cioè vale
• A ∈
anche la seguente :
è invertibile se e solo se det A ≠ 0.
• X 1, X 2, … , X n ∈
Ed, inoltre, vale anche la seguente:
sono linearmente indipendenti se
e solo se:
det ( X 1 , X 2 , … , X n ) ≠ 0.
Lezione n°: 5 S1
Attività n°: 1
INVERSA
Usando il prodotto righe per colonne si può esprimere la seguente

definizione :
Sia A ∈ , A si dice invertibile se esiste B ∈ ) tale che
AB=BA=I.
Osserviamo che:
data A ∈ se esiste B come nella definizione precedente, allora
B è unica.
Lezione n°: 5 S1
Attività n°: 1
Infatti, si suppone che esista B’ ∈ ) tale che
AB’ =B’A =I.
Allora si ha:
(B A ) B’ = B’ = B (A B’ ) = B .
Pertanto B, se esiste, è univocamente determinate da A.
-1
Essa si dice inversa di A e si denota con A .
Lezione n°: 5 S1
Attività n°: 1
Proprieta’ dell’ Inversa
Sia A ∈ invertibile, allora anche la trasposta di A è invertibile.
Inoltre, se B è un’ altra matrice invertibile, anche il prodotto A B è

invertibile e si ha:
-1 -1
(ͭ A) = (ͭ (A ))
- -1 -1
(AB ) 1= (B ) (A )
Lezione n°: 5 S1
Attività n°: 1
Sia A = ∈
allora A è invertibile se e solo se :

− ≠0
( ovvero il suo determinante sia diverso da zero ).
Inoltre risulta:
−
! − − $
#
#.
-1
#
A =
−
− − "
Lezione n°: 5 S1
Attività n°: 1
Dimostrazione
Osserviamo che risulta:
−
−
=
−
−
=
&
− % '
&
(
Lezione n°: 5 S1
Attività n°: 1
Quindi, se − ≠ 0 , allora A è invertibile e l’ inversa è

proprio la matrice dell’ enunciato;
viceversa , se A è invertibile esistono e sono univocamente determinati

x,y∈ tali che:
(+ )= *
+
(+ )=&
In particolare deve essere:
+ >&
+ >&
Lezione n°: 5 S1
Attività n°: 1
Se = 0, allora ≠ 0 e si ha:
)= *
-
(=−
Per l’ unicità di ( deve essere − =− ≠ 0;
se, invece, ≠ 0 , allora dalla prima equazione si ricava:
− )
(=
Lezione n°: 5 S1
Attività n°: 1
Sostituendo, poi, nella seconda, si ottiene:
− ))=−
che per l’ unicità di ) deve essere
− =− ≠ 0 ovvero quanto si voleva dimostrare.
Lezione n°: 5/S2
Titolo: Esercizi
Attività n°: 1
In questa attività di studio, vengono proposti degli esercizi utili

allo studente per verificare la sua padronanza, sufficiente o
meno, degli argomenti trattati nelle attività di studio precedenti.
Gli esercizi possono essere inviati al docente (solo se lo studente
desidera farlo, non è obbligatorio) per avere conferma del
proprio operato.
Lezione n°: 5 S2
Titolo: Esercizi 1
Attività n°: 2
LEZIONE 5
-----------
ESERCIZI 1
Lezione n°: 5 S2
Titolo: Esercizi 1
Attività n°: 2
ESERCIZIO 1
Determinare x e y in modo che le due matrici A e B siano uguali.
2 −3 2 (2 − 1) −3
A= ; B=
2
5 0 5 0
Lezione n°: 5 S2
Titolo: Esercizi 1
Attività n°: 2
ESERCIZIO 2
Determinare x, y e z in modo che le due matrici A e B siano opposte.
(1 + ) 0 (− − ) 0
A= ; B=
( −2 ) (3 − ) (4 + ) ( + )
Lezione n°: 5 S2
Titolo: Esercizi 1
Attività n°: 2
ESERCIZIO 3
Determinare x, y e z in modo che le due matrici A e B siano:
a) Uguali.
b) Opposte.
2
0 0
A= B=
2 ( + 1)
Lezione n°: 5 S2
Titolo: Esercizi 1
Attività n°: 2
ESERCIZIO 4
Date le due matrici A e B . Determinare x, y, z in modo che A

ͭ = B.
2 (2 + )
3 −2
A=
( +2 ) 0
−1 (5 − 2 )
2 3 (3 − ) −1
B =
(4 − ) −2 0 ( + )
Lezione n°: 5/S3
Titolo: Esercizi
Attività n°: 1

proprio operato.
Lezione n°: 5 S3
Titolo: Esercizi 2
Attività n°: 3
LEZIONE 5
-----------
ESERCIZI 2
Lezione n°: 5 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 1
Determinare per quali valori di x, y e z la matrice A
risulta diagonale.
( + ) ( − − 2) 0
A= 0 ( − ) ( + )
( +3 ) 0 2
Lezione n°: 5 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 2
Determinare per quali valori di x, y e z la matrice A
risulta simmetrica.
(2 + 3 ) ( − 2)
A= (3 + 2 ) ( + )
( −2 ) (−3 − 3)
Lezione n°: 5 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 3
Determinare x, y e z in modo che la matrice sia emisimmetrica.
0 ( + ) (2 + 3 )
A= (−3 + 3) 0 ( −2 )
(3 + 2 ) ( − 2) 0
Lezione n°: 6
Attività n°: 1
Operazioni tra matrici
Lezione n°: 6
Attività n°: 1
Operazioni tra matrici
OPERAZIONI TRA MATRICI
Usando la stessa terminologia e gli stessi simboli che si usano per i
numeri, si definisce , nell’ insieme delle matrici, le operazioni rilevandone
le proprietà.
In tal modo si istituisce un’ algebra delle matrici.
Lezione n°: 6
Attività n°: 1
1. Somma di matrici
1. SOMMA di MATRICI
L’ operazione di addizione si definisce solo per matrici che abbiano lo
stesso numero di righe e colonne ovvero matrici simili e conformabili
rispetto all’ addizione.
Esempio.
Date due matrici conformabili rispetto all’ addizione :
𝟐𝟐 𝟑𝟑 −𝟏𝟏 𝟑𝟑 𝟏𝟏 𝟎𝟎
A= � �; B= � �.
𝟎𝟎 −𝟓𝟓 𝟒𝟒 𝟐𝟐 𝟑𝟑 −𝟏𝟏
𝟓𝟓 𝟒𝟒 −𝟏𝟏
Il risultato è : A +B = � �
𝟐𝟐 −𝟐𝟐 𝟑𝟑
Lezione n°: 6
Attività n°: 1
2. Differenza di matrici
2.DIFFERENZA di MATRICI
La differenza di due matrici simili è la somma della prima matrice con
l’ opposta della seconda.
Esempio.
Date due matrici conformabili rispetto alla sottrazione:
𝟐𝟐 −𝟏𝟏 𝟎𝟎 −𝟑𝟑 𝟎𝟎 𝟓𝟓
A= � �; B= � �.
−𝟑𝟑 𝟒𝟒 𝟐𝟐 𝟏𝟏 𝟐𝟐 𝟔𝟔
𝟓𝟓 −𝟏𝟏 −𝟓𝟓
Il risultato è : A-B = � �
−𝟒𝟒 𝟐𝟐 −𝟒𝟒
Lezione n°: 6
Attività n°: 1
3. Moltiplicazione di una matrice per uno scalare
3.MOLTIPLICAZIONE DI UNA MATRICE PER UNO SCALARE

E’ la matrice che si ottiene da A moltiplicando tutti i suoi elementi per λ.
Esempio.
Data una matrice A ed uno scalare λ :
𝟒𝟒 𝟔𝟔
A= � �; λ=3.
𝟖𝟖 𝟐𝟐√𝟐𝟐
𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏
λA = 3A = � �
𝟐𝟐𝟐𝟐 𝟔𝟔√𝟐𝟐
Lezione n°: 6
Attività n°: 1
4. Prodotto scalare di una matrice riga per una matrice colonna
4.PRODOTTO SCALARE DI UNA MATRICE RIGA PER UNA

MATRICE COLONNA
Esempio.
𝟑𝟑
A = [1 2 4 ] ; B = � 𝟓𝟓 �.
𝟐𝟐
𝟑𝟑
P = A × B = [1 2 4 ] � 𝟓𝟓 � = [ 21 ].
𝟐𝟐
Lezione n°: 6
Attività n°: 1
5. Prodotto di matrici
5.PRODOTTO DI MATRICI
Sia A = [ 𝒂𝒂𝒊𝒊𝒊𝒊 ] ∈ Mn , m ( R ) ovvero una matrice di tipo ( n, m ) e sia
B = [𝒃𝒃 𝒉𝒉𝒉𝒉 ] ∈ Mm , p ( R ) cioè una matrice di tipo ( m, p ).
𝟐𝟐 𝟏𝟏
𝟏𝟏 𝟐𝟐 𝟏𝟏 𝟑𝟑
A = � 𝟑𝟑 𝟎𝟎 � ; B= � �.
𝟒𝟒 𝟑𝟑 𝟎𝟎 𝟏𝟏
𝟏𝟏 𝟐𝟐
Osserviamo che le due matrici sono conformabili rispetto alla
moltiplicazione essendo A di tipo 3 × 2 e B di tipo 2 × 4.
Lezione n°: 6
Attività n°: 1
5. Prodotto di matrici
La matrice prodotto C sarà, quindi, di tipo 3 × 4.
Calcoliamo, dunque, i dodici elementi di C .
L’ elemento c 11 sarà il prodotto scalare della prima riga di A per la

prima colonna di B ;
l’ elemento c 12 sarà il prodotto scalare della prima riga di A per la

seconda colonna di B ; e così via …
La matrice C è dunque:
𝟔𝟔 𝟕𝟕 𝟐𝟐 𝟕𝟕
⎡ ⎤
⎢ ⎥
C = ⎢ 𝟑𝟑 𝟔𝟔 𝟑𝟑 𝟗𝟗 ⎥ .
⎢ ⎥
⎣ 𝟗𝟗 𝟖𝟖 𝟏𝟏 𝟓𝟓 ⎦
Lezione n°: 6
Attività n°: 1
Osservazioni sulle proprietà del prodotto di matrici
Osservazioni sulle proprieta’ del prodotto di matrici
 Il prodotto tra due matrici non è commutativo.
Se A e B sono, nell’ ordine, conformabili rispetto alla
moltiplicazione non è detto che B e A , nell’ ordine, lo siano.
E anche se lo fossero il risultato di A ∙ B e di B ∙ A è, in genere,
diverso.
Lezione n°: 6
Attività n°: 1
Esempio
Esempio.
Siano A e B due matrici quadrate di ordine 2:
𝟐𝟐 𝟏𝟏 𝟏𝟏 𝟏𝟏
A= � �; B= � �
𝟎𝟎 𝟑𝟑 𝟐𝟐 𝟑𝟑
E’ possibile calcolare sia A ∙ B che B ∙ A :
𝟒𝟒 𝟓𝟓 𝟐𝟐 𝟒𝟒
A∙B = � �; B∙A= � �;
𝟔𝟔 𝟗𝟗 𝟒𝟒 𝟏𝟏𝟏𝟏
ma, come si nota, A ∙ B ≠ B ∙ A.
Lezione n°: 6
Attività n°: 1
Se in un prodotto un fattore è la matrice nulla, il risultato è
chiaramente una matrice nulla
 Se in un prodotto un fattore è la matrice nulla, il risultato è
chiaramente una matrice nulla.
Non è vero, però, il viceversa.
Il prodotto tra due matrici può essere la matrice zero. Senza che
nessuno dei fattori sia una matrice nulla.
Contrariamente a ciò che accade per i numeri, non vale la legge di
annullamento del prodotto.
Lezione n°: 6
Attività n°: 1
Esempio
Esempio.
Siano A e B due matrici quadrate di ordine 2 non nulle :
𝟏𝟏 𝟐𝟐 𝟎𝟎 𝟏𝟏
A= � 𝟏𝟏 �; B= � 𝟏𝟏
�.
− −𝟏𝟏 𝟎𝟎 −
𝟐𝟐 𝟐𝟐
Il risultato del prodotto A ∙ B è, però, una matrice nulla.
Lezione n°: 6
Attività n°: 1
Vi è un elemento neutro rispetto al prodotto tra matrici
 Vi è un elemento neutro rispetto al prodotto tra matrici.

Esso è la matrice unità In di cui abbiamo già parlato.
Tale matrice è stata definita con questo nome proprio perché si
comporta nella stessa maniera del numero 1 nei confronti del
prodotto tra numeri.
Esempio.
𝟐𝟐 𝟏𝟏 𝟐𝟐 𝟏𝟏
𝟏𝟏 𝟎𝟎
� 𝟎𝟎 −𝟑𝟑 � � �= � 𝟎𝟎 −𝟑𝟑 �
𝟎𝟎 𝟏𝟏
−𝟓𝟓 𝟎𝟎 −𝟓𝟓 𝟎𝟎
Lezione n°: 6/S1
Titolo: Determinate ed inversa
Attività n°: 1
In questa attività di studio, verranno ripresi e chiariti con degli

esempi gli argomenti del determinante di una matrice ed inversa
di una matrice, già trattati teoricamente nella lezione 5.
Lezione n°: 6/S1
Titolo: Determinate ed inversa
Attività n°: 2
In questa attività di studio, verranno ripresi e chiariti con degli

esempi gli argomenti del determinante di una matrice ed inversa
di una matrice, già trattati teoricamente nella lezione 5.
Lezione n°: 6/S2
Titolo: Esercizi
Attività n°: 1
Lezione 6
LEZIONE 6
-----------
ESERCIZI 1
Lezione n°: 6/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 1
ESERCIZIO 1
 Siano A, B, C le seguenti matrici.
2 1 −1 1 2 −3
A= � �; B= � �
3 0 1 −2 −1 2
1 −1 1
C= � �
0 3 1
Si calcoli:
a) A + B
b) A - B + C
c) 2 A + B
Lezione n°: 6/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 2
ESERCIZIO 2
 Calcolare:
1 2 1
[ 1 2 ]∙ � �
0 3 −1
Lezione n°: 6/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 3
ESERCIZIO 3
 Calcolare:
3 2
⎡ ⎤
⎢ 5 1 ⎥ 1 0 2
⎢ ⎥∙ � �
⎢ 0 1 ⎥ −1 1 3
⎣ −1 2 ⎦
Lezione n°: 6/S3
Titolo: Esercizi
Attività n°: 1
LEZIONE 6
-----------
ESERCIZI 2
Lezione n°: 6/S3
Titolo: Esercizi
Attività n°: 1

proprio operato.
Lezione n°: 6 S3
Titolo: Esercizi 2
Attività n°: 3
LEZIONE 6
-----------
ESERCIZI 2
Lezione n°: 6 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 1
Siano A, B, C le seguenti matrici.
1 2 3 1
−1 0 −2 1
A= ; B=
−1 2
1 3
C=
Si calcoli:
a) A · B e B · A verificando che A · B ≠ B · A .
b) verificare che (A +B )· C = A · C + B · C .
c) verificare che ͭ (A · B ) ≠ ͭ A · ͭ B .
Lezione n°: 6 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 2
Calcolare i seguenti determinanti:
1 1
a)
25 10 5
b) 11 2 7
4 2 1
1 1 1 1
1 2 4 8
1 3 9 27
c)
1 4 16 64
Lezione n°: 6 S3
Titolo: Esercizi 2
Attività n°: 3
ESERCIZIO 3
Determinare l’inversa delle seguenti matrici.
Verificare, poi, per ognuna di esse che il prodotto per la

corrispondente inversa dà la matrice unità :
4 3
=
4 4
a)
1 2 −1
b) B = 0 1 3
0 0 −1
Lezione n°: 7
Titolo: SPAZI E NORME VETTORIALI
Attività n°: 1
SPAZI E NORME VETTORIALI
Lezione n°: 7
Attività n°: 1
SPAZI VETTORIALI
Si dice spazio vettoriale su 𝑹𝑹 , o spazio vettoriale reale, un

insieme non vuoto 𝑽𝑽 tale che :
 sia definita un’ operazione di somma (che denoteremo con +) fra

elementi di 𝑉𝑉 ( 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒖𝒖, 𝒗𝒗 ∈ 𝑽𝑽 ; 𝒖𝒖 + 𝒗𝒗 ∈ 𝑽𝑽 ).
 sia definita un’ operazione di moltiplicazione tra un numero reale e
un elemento di 𝑽𝑽 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒗𝒗 ∈ 𝑽𝑽, 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝝀𝝀 ∈ 𝑹𝑹
e 𝝀𝝀 𝒗𝒗 ∈ 𝑽𝑽.
Lezione n°: 7
Attività n°: 1
Tali operazioni soddisfano le seguenti proprietà :

• 𝒖𝒖 + 𝒗𝒗 = 𝒗𝒗 + 𝒖𝒖 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒖𝒖, 𝒗𝒗 ∈ 𝑽𝑽.
• (𝒖𝒖 + 𝒗𝒗 ) + 𝒘𝒘 = 𝒖𝒖 + (𝒗𝒗 + 𝒘𝒘 ) 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒖𝒖, 𝒗𝒗 ∈ 𝑽𝑽.
• Esiste 𝑶𝑶 ∈ 𝑽𝑽 tale che 𝑶𝑶 + 𝒗𝒗 = 𝒗𝒗 + 𝑶𝑶 = 𝒗𝒗
𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒗𝒗 ∈ 𝑽𝑽.
• Dato 𝒗𝒗 ∈ 𝑽𝑽, esiste 𝒗𝒗’ ∈ 𝑽𝑽 tale che 𝒗𝒗 + 𝒗𝒗’ = 𝒗𝒗’ + 𝒗𝒗 = 𝑶𝑶.
• 𝝀𝝀(𝒖𝒖 + 𝒗𝒗 ) = 𝝀𝝀𝝀𝝀 + 𝝀𝝀𝝀𝝀 per ogni 𝒖𝒖, 𝒗𝒗 ∈ 𝑽𝑽 e per ogni 𝝀𝝀 ∈ 𝑹𝑹.
• (𝝀𝝀 + 𝜷𝜷 ) 𝒗𝒗 = 𝝀𝝀 𝒗𝒗 + 𝜷𝜷 𝒗𝒗 per ogni 𝒗𝒗 ∈ 𝑽𝑽 e per ogni
𝝀𝝀, 𝜷𝜷 ∈ 𝑹𝑹.
• (𝝀𝝀 𝜷𝜷 )𝒗𝒗 = 𝝀𝝀 (𝜷𝜷 𝒗𝒗) per ogni 𝒗𝒗 ∈ 𝑽𝑽 e per ogni 𝝀𝝀, 𝜷𝜷 ∈ 𝑹𝑹.
• 𝟏𝟏 𝒗𝒗 = 𝒗𝒗 per ogni 𝒗𝒗 ∈ 𝑽𝑽.
Lezione n°: 7
Attività n°: 1
Gli elementi di uno spazio vettoriale reale si dicono vettori.

Gli elementi dell’ insieme 𝑹𝑹 si dicono, invece, scalari.
Si verifica facilmente che l’ elemento 𝑶𝑶 è unico.

Si Suppone che esista 𝑶𝑶’ con le stesse proprietà di 𝑶𝑶, allora si
ha:
𝑶𝑶’ = 𝑶𝑶 + 𝑶𝑶’ = 𝑶𝑶’ + 𝑶𝑶 = 𝑶𝑶;
𝑶𝑶 è denominato vettore nullo.
Lezione n°: 7
Attività n°: 1
Inoltre, si verifica che dato 𝒗𝒗 ∈ 𝑽𝑽 l’ elemento 𝒗𝒗’ è univocamente
determinato da 𝒗𝒗, infatti supponendo che esista 𝒗𝒗’’ con le
stesse proprietà di 𝒗𝒗’, allora si ha:
𝒗𝒗’ = 𝒗𝒗’ + (𝒗𝒗 + 𝒗𝒗’’ ) = (𝒗𝒗’ + 𝒗𝒗 ) + 𝒗𝒗’’ = 𝒗𝒗’’ ;
𝒗𝒗’ si dice opposto di 𝒗𝒗 e si indica con – 𝒗𝒗.
Lezione n°: 7
Attività n°: 1
Inoltre, per l’ unicità di 𝑶𝑶 segue che :
a) 𝟎𝟎 ∙ 𝒗𝒗 = 𝑶𝑶 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒗𝒗 ∈ 𝑽𝑽 .
Infatti:
𝟎𝟎𝟎𝟎 = (𝟎𝟎 + 𝟎𝟎)𝒗𝒗 = 𝟎𝟎𝟎𝟎 + 𝟎𝟎𝟎𝟎.
b) − 𝒗𝒗 = (−𝟏𝟏) 𝒗𝒗 𝑝𝑝𝑝𝑝𝑝𝑝 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝒗𝒗 ∈ 𝑽𝑽 .

E usando ciò che è stato detto nel punto precedente basta
osservare che:
𝑶𝑶 = 𝟎𝟎 𝒗𝒗 = (𝟏𝟏 − 𝟏𝟏) 𝒗𝒗 = 𝟏𝟏 𝒗𝒗 + (−𝟏𝟏) 𝒗𝒗 = 𝒗𝒗 + (−𝟏𝟏) 𝒗𝒗.
E per l’ unicità dell’ opposto l’ affermazione è dimostrata.
Lezione n°: 7
Attività n°: 1
Infine, si aggiungono le seguenti definizioni:
 Sia 𝑺𝑺 un sottoinsieme di 𝑽𝑽.
Si dice che 𝑺𝑺 è un sistema di generatori di 𝑽𝑽 se per ogni
𝒗𝒗 ∈ 𝑽𝑽 esistono 𝒔𝒔𝟏𝟏 , 𝒔𝒔𝟐𝟐 , … , 𝒔𝒔𝒌𝒌 ∈ 𝑺𝑺 e 𝝀𝝀𝟏𝟏 , 𝝀𝝀𝟐𝟐 , … , 𝝀𝝀𝒌𝒌 ∈ 𝑹𝑹𝒏𝒏 tali
che:
𝒗𝒗 = 𝝀𝝀𝟏𝟏 𝒔𝒔𝟏𝟏 + 𝝀𝝀𝟐𝟐 𝒔𝒔𝟐𝟐 + ⋯ + 𝝀𝝀𝒌𝒌 𝒔𝒔𝒌𝒌 .
 Sia 𝑺𝑺 un sottoinsieme di 𝑽𝑽 .
Si dice che 𝑺𝑺 è costituito da elementi linearmente
indipendenti se ogni elemento di 𝑺𝑺 non è combinazione
lineare di altri elementi di 𝑺𝑺.
Lezione n°: 7
Attività n°: 1
 Sia 𝑽𝑽 uno spazio vettoriale reale.
Si dice base di 𝑽𝑽 un insieme ordinato di elementi di 𝑽𝑽 che sia
un sistema di generatori costituito da elementi linearmente
indipendenti.
 Sia 𝑽𝑽 uno spazio vettoriale reale.
Si dice che 𝑽𝑽 ha dimensione finita se ammette un sistema
di generatori costituito da un numero finito di elementi.
Lezione n°: 7
Attività n°: 1
 Sia 𝑽𝑽 uno spazio vettoriale reale e sia 𝑽𝑽 ≠ {𝑶𝑶} di dimensione
finita.
Allora 𝑽𝑽 ammette una base e due basi diverse sono formate
dallo stesso numero di elementi.
 Sia 𝑽𝑽 uno spazio vettoriale reale e sia 𝑽𝑽 ≠ {𝑶𝑶} di dimensione
finita.
Si dice dimensione di R su 𝑽𝑽 o semplicemente dimensione
di 𝑽𝑽, il numero degli elementi di una base di 𝑽𝑽 e tale numero si
denota con il simbolo: dim R V .
Lezione n°: 7
Attività n°: 1
Si pone per completezza :
• 𝒅𝒅𝒅𝒅𝒅𝒅𝑹𝑹 {𝑶𝑶} = 𝟎𝟎 . • 𝒅𝒅𝒅𝒅𝒅𝒅𝑹𝑹 𝑹𝑹𝒏𝒏 = 𝒏𝒏 .
• 𝒅𝒅𝒅𝒅𝒅𝒅𝑹𝑹 {𝟎𝟎} = − 𝟏𝟏 . • 𝒅𝒅𝒅𝒅𝒅𝒅𝑹𝑹 𝑴𝑴𝒏𝒏,𝒎𝒎 (𝑹𝑹) = 𝒏𝒏𝒏𝒏.
 Sia 𝑽𝑽 uno spazio vettoriale reale di dimensione finita 𝒏𝒏 e sia
𝑩𝑩 = { 𝒗𝒗𝟏𝟏 , 𝒗𝒗𝟐𝟐 , … , 𝒗𝒗𝒏𝒏 } una base di 𝑽𝑽 con 𝒗𝒗 ∈ 𝑽𝑽 .
Posto 𝒗𝒗 = 𝝀𝝀𝟏𝟏 𝒗𝒗𝟏𝟏 + 𝝀𝝀𝟐𝟐 𝒗𝒗𝟐𝟐 + ⋯ + 𝝀𝝀𝒏𝒏 𝒗𝒗𝒏𝒏 allora
𝝀𝝀𝟏𝟏 , 𝝀𝝀𝟐𝟐 , … , 𝝀𝝀𝒏𝒏 sono univocamente determinati e diremo che
questi ultimi sono le coordinate di 𝒗𝒗 rispetto alla base 𝑩𝑩 .
Lezione n°: 7
Attività n°: 1
 Sia 𝑽𝑽 uno spazio vettoriale reale e sia 𝑾𝑾 un sottoinsieme non
vuoto di 𝑽𝑽 , 𝑾𝑾.
Si dice sottospazio vettoriale di 𝑽𝑽 se comunque si scelgano
due elementi 𝒘𝒘𝟏𝟏 , 𝒘𝒘𝟐𝟐 ∈ 𝑾𝑾 e comunque si scelgano 𝝀𝝀𝟏𝟏 , 𝝀𝝀𝟐𝟐 ∈ 𝑹𝑹 ,
risulti: 𝝀𝝀𝟏𝟏 𝒘𝒘𝟏𝟏 + 𝝀𝝀𝟐𝟐 𝒘𝒘𝟐𝟐 ∈ 𝑾𝑾 .
 Sia 𝑽𝑽 uno spazio vettoriale reale e siano 𝒗𝒗𝟏𝟏 , 𝒗𝒗𝟐𝟐 , … , 𝒗𝒗𝒌𝒌 ∈ 𝑽𝑽 .
L’ insieme delle combinazioni lineari di 𝒗𝒗𝟏𝟏 , 𝒗𝒗𝟐𝟐 , … , 𝒗𝒗𝒌𝒌 è un
sottospazio vettoriale di 𝑽𝑽 e si denota con [ 𝒗𝒗𝟏𝟏 , 𝒗𝒗𝟐𝟐 , … , 𝒗𝒗𝒌𝒌 ].
Lezione n°: 7
Attività n°: 1
Prentice-Hall, 1982

CALCOLO Vol.2 .
Lezione n°: 7/S1
Titolo: Spazi vettoriali
Attività n°: 1
SPAZI VETTORIALI
LEZIONE 7
-----------
SPAZI VETTORIALI
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
CONDIZIONI CHE DEFINISCONO UNO SPAZIO VETTORIALE.

Dato un vettore riga o colonna a 𝑛𝑛 componenti
𝒙𝒙𝟏𝟏
⎡ ⎤
⎢𝒙𝒙𝟐𝟐 ⎥
𝐯𝐯 = [𝒙𝒙𝟏𝟏 𝒙𝒙𝟐𝟐 … 𝒙𝒙𝒏𝒏 ] 𝐯𝐯 = ⎢ ⎥
…
⎢ ⎥
⎣𝒙𝒙𝒏𝒏 ⎦
se 𝒙𝒙𝟏𝟏 , 𝒙𝒙𝟐𝟐 , … , 𝒙𝒙𝒏𝒏 sono numeri reali si dice che il vettore è nel campo
reale 𝑹𝑹 ; chiaramente tali numeri potrebbero essere anche complessi e,
se così fosse, si dice che il vettore è nel campo complesso 𝑪𝑪 .
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Si consideri, ora, un insieme 𝑽𝑽 di 𝒑𝒑 vettori a 𝑛𝑛 componenti tutti su 𝑹𝑹 :
𝑽𝑽 = ( 𝒗𝒗𝟏𝟏 , 𝒗𝒗𝟐𝟐 , … , 𝒗𝒗𝒑𝒑 ) .
In esso siano definite due operazioni:
1) somma tra vettori
2) moltiplicazione tra un vettore e uno scalare
Tra gli elementi di 𝑽𝑽 ci sia il vettore nullo e il vettore opposto.
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Rispetto alla somma valga la seguente proprietà:
 𝒗𝒗𝒊𝒊 + 𝒗𝒗𝒋𝒋 = 𝒗𝒗𝒔𝒔 ∈ 𝑽𝑽 (l’ insieme è chiuso rispetto alla somma).
Trattandosi di vettori è noto che per gli elementi di 𝑽𝑽 valgono:
 𝒗𝒗𝒊𝒊 + 𝒗𝒗𝒋𝒋 = 𝒗𝒗𝒋𝒋 + 𝒗𝒗𝒊𝒊
 (𝒗𝒗𝒊𝒊 + 𝒗𝒗𝒋𝒋 ) + 𝒗𝒗𝒌𝒌 = 𝒗𝒗𝒊𝒊 + ( 𝒗𝒗𝒋𝒋 + 𝒗𝒗𝒌𝒌 )
 (𝒗𝒗𝒊𝒊 + 𝟎𝟎) = 𝒗𝒗𝒊𝒊
 𝒗𝒗𝒊𝒊 + (− 𝒗𝒗𝒊𝒊 ) = 𝟎𝟎
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Poi, considerato un campo di scalari, compreso dell’ unità.

Rispetto alla moltiplicazione di un vettore per uno scalare 𝒌𝒌
valga la seguente proprietà:
 𝒌𝒌 𝒗𝒗𝒊𝒊 ∈ 𝑽𝑽 ( l’ insieme è chiuso rispetto alla moltiplicazione per uno
scalare ).
Inoltre, valgano:
 𝒌𝒌 (𝒗𝒗𝒊𝒊 + 𝒗𝒗𝒋𝒋 ) = 𝒌𝒌𝒗𝒗𝒊𝒊 + 𝒌𝒌𝒗𝒗𝒋𝒋
 (𝒌𝒌𝟏𝟏 + 𝒌𝒌𝟐𝟐 ) 𝒗𝒗𝒊𝒊 = 𝒌𝒌𝟏𝟏 𝒗𝒗𝒊𝒊 + 𝒌𝒌𝟐𝟐 𝒗𝒗𝒊𝒊
 𝒌𝒌𝟏𝟏 (𝒌𝒌𝟐𝟐 𝒗𝒗𝒊𝒊 ) = (𝒌𝒌𝟏𝟏 𝒌𝒌𝟐𝟐 ) 𝒗𝒗𝒊𝒊
 1 ∙ 𝒗𝒗𝒊𝒊 = 𝒗𝒗𝒊𝒊
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Un insieme 𝑽𝑽 di 𝒑𝒑 vettori per cui valgano tutte queste proprietà
definisce uno spazio vettoriale e la combinazione
𝒌𝒌𝟏𝟏 𝒗𝒗𝟏𝟏 + 𝒌𝒌𝟐𝟐 𝒗𝒗𝟐𝟐 + ⋯ + 𝒌𝒌𝒑𝒑 𝒗𝒗𝒑𝒑 dà un vettore di 𝑽𝑽 .
Lo spazio vettoriale, i cui elementi sono vettori ad 𝑛𝑛 componenti reali si
indica con 𝑹𝑹𝒏𝒏 .
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Esempio.
Tutti i vettori aventi componenti reali 𝒙𝒙𝟏𝟏 = 𝒙𝒙𝟐𝟐 = 𝒙𝒙𝟑𝟑 costituiscono uno
spazio vettoriale su 𝑹𝑹 ?
Si considerino due vettori qualunque di questo insieme:
𝐚𝐚 𝐛𝐛
𝐯𝐯𝟏𝟏 = �𝐚𝐚� 𝐯𝐯𝟐𝟐 = �𝐛𝐛�
𝐚𝐚 𝐛𝐛
Poiché:
𝒂𝒂 + 𝒃𝒃
𝐯𝐯𝟏𝟏 + 𝐯𝐯𝟐𝟐 = �𝒂𝒂 + 𝒃𝒃� L’ insieme è chiuso rispetto alla somma.
𝒂𝒂 + 𝒃𝒃
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
𝒌𝒌𝒌𝒌 L’ insieme è chiuso rispetto alla

𝐤𝐤𝐤𝐤𝟏𝟏 = �𝒌𝒌𝒌𝒌�
moltiplicazione per uno scalare.
𝒌𝒌𝒌𝒌
Quindi, l’ insieme considerato costituisce uno spazio vettoriale su 𝑹𝑹𝟑𝟑 .
Per essere più precisi, l’ insieme considerato è un sottoinsieme di 𝑹𝑹𝟑𝟑 in

quanto non individua tutti i vettori di 𝑹𝑹𝟑𝟑 ma solo quelli a componenti
uguali.
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
VETTORI LINEARMENTE DIPENDENTI E VETTORI
LINEARMENTE INDIPENDENTI .
In generale, dati 𝒑𝒑 vettori su 𝑹𝑹𝒏𝒏 , se la combinazione lineare
∑ 𝒑𝒑𝒊𝒊=𝟏𝟏 𝒌𝒌𝒊𝒊 𝒗𝒗𝒊𝒊 = 𝒌𝒌𝒊𝒊 𝒗𝒗𝒊𝒊 + 𝒌𝒌𝒊𝒊 𝒗𝒗𝒊𝒊 + ⋯ + 𝒌𝒌𝒑𝒑 𝒗𝒗𝒑𝒑
dà il vettore nullo solo per 𝒌𝒌𝒊𝒊 = 𝒌𝒌𝟐𝟐 = 𝒌𝒌𝒑𝒑 = 𝟎𝟎 → i 𝒑𝒑 vettori si dicono
linearmente indipendenti.
Se, invece, la combinazione lineare dà il vettore nullo per almeno un
𝒌𝒌𝒊𝒊 ≠ 𝟎𝟎 → i 𝒑𝒑 vettori si dicono linearmente dipendenti.
Certamente, ciò si verifica se uno dei 𝒑𝒑 vettori è il vettore nullo.
Lezione n°: 7/S1
Attività n°: 1
Esempio. SPAZI VETTORIALI
𝟏𝟏 𝟐𝟐
Data una matrice 𝑨𝑨: 𝑨𝑨 = � �.
𝟑𝟑 𝟏𝟏
Essa può essere pensata come formata da vettori riga o da vettori

colonna.
Si considerino i vettori colonna di tale matrice e due scalari 𝒌𝒌𝟏𝟏 e 𝒌𝒌𝟐𝟐 :
𝟏𝟏 𝟐𝟐
𝐯𝐯𝟏𝟏 = � � 𝐯𝐯𝟐𝟐 = � �
𝟑𝟑 𝟏𝟏
Si veda quando è nulla la combinazione lineare 𝒌𝒌𝟏𝟏 𝒗𝒗𝟏𝟏 + 𝒌𝒌𝟐𝟐 𝒗𝒗𝟐𝟐 .
𝟏𝟏 𝟐𝟐 𝟎𝟎
𝐤𝐤 𝟏𝟏 � � + 𝐤𝐤 𝟐𝟐 � � = � �
𝟑𝟑 𝟏𝟏 𝟎𝟎
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
𝟏𝟏 𝟐𝟐
Poiché il determinante � �=−5.
𝟑𝟑 𝟏𝟏
La matrice associata ha rango 𝒓𝒓 = 𝒏𝒏 = 𝟐𝟐.
Il sistema ammette solo la soluzione nulla o banale 𝒌𝒌𝟏𝟏 = 𝒌𝒌𝟐𝟐 = 𝟎𝟎.
I due vettori sono linearmente indipendenti.
Si osservi che il rango è pari al numero 𝒑𝒑 dei vettori che costituiscono la
matrice.
Si può allora dire che se il rango della matrice è pari al numero dei vettori
(riga o colonna) che la costituiscono, i vettori sono linearmente
indipendenti.
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
𝟏𝟏 𝟑𝟑 𝟐𝟐
Si consideri, ora, un’ altra matrice: 𝑩𝑩 = � �.
𝟐𝟐 𝟏𝟏 −𝟏𝟏
Si consideri i vettori colonna di tale matrice e tre scalari 𝒌𝒌𝟏𝟏 , 𝒌𝒌𝟐𝟐 , 𝒌𝒌𝟑𝟑 :
𝟏𝟏 𝟑𝟑 𝟐𝟐
𝐯𝐯𝟏𝟏 = � � 𝐯𝐯𝟐𝟐 = � � 𝐯𝐯𝟑𝟑 = � �
𝟐𝟐 𝟏𝟏 −𝟏𝟏
Si veda quando è nulla la combinazione lineare 𝒌𝒌𝟏𝟏 𝒗𝒗𝟏𝟏 + 𝒌𝒌𝟐𝟐 𝒗𝒗𝟐𝟐 + 𝒌𝒌𝟑𝟑 𝒗𝒗𝟑𝟑 .
𝟏𝟏 𝟐𝟐 𝟎𝟎
𝐤𝐤 𝟏𝟏 � � + 𝐤𝐤 𝟐𝟐 � � = � �
𝟑𝟑 𝟏𝟏 𝟎𝟎
Essendo sicuramente 𝒓𝒓 < 𝒏𝒏 (= 3 numero dei vettori colonna) il sistema
ammetterà ∞𝒏𝒏−𝒓𝒓 soluzioni con almeno un 𝒌𝒌𝒊𝒊 ≠ 𝟎𝟎.
I tre vettori risultano linearmente dipendenti.
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
BASE DI UNO SPAZIO VETTORIALE
Si considerino 𝑛𝑛 vettori di 𝑹𝑹𝒏𝒏 , cioè 𝑛𝑛 vettori ad 𝑛𝑛 componenti.
Si è già visto che la matrice costruita con le componenti degli 𝑛𝑛 vettori
considerati come vettori riga o vettori colonna, può avere:
• Rango 𝒓𝒓 = 𝒏𝒏 → gli 𝒏𝒏 vettori sono linearm ente indipendent i.
In tal caso si dice che gli 𝑛𝑛 vettori costituiscono una base di 𝑹𝑹𝒏𝒏
che significa che mediante le loro combinazioni è possibile
individuare tutti i vettori di 𝑹𝑹𝒏𝒏 .
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
• Rango 𝒓𝒓 < 𝒏𝒏 → gli 𝒏𝒏 vettori sono linearm ente dipendenti.
In tal caso si dice che gli 𝑛𝑛 vettori individuano un sottospazio
vettoriale di 𝑹𝑹𝒏𝒏 di dimensione 𝑟𝑟 che significa che mediante le
combinazioni lineari di 𝑟𝑟 vettori linearmente indipendenti ( scelti tra
gli 𝑛𝑛 ) è possibile individuare ∞ vettori di 𝑹𝑹𝒏𝒏 .
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Esempio.
Dati su 𝑹𝑹𝟑𝟑 i vettori:
𝐯𝐯𝟏𝟏 = [𝟏𝟏 𝟎𝟎 𝟎𝟎] 𝐯𝐯𝟐𝟐 = [𝟎𝟎 −𝟏𝟏 𝟎𝟎] 𝐯𝐯𝟑𝟑 = [𝟑𝟑 𝟏𝟏 𝟏𝟏]
Si costruisca la matrice 𝑩𝑩 delle loro componenti e si cerchi il rango:
𝟏𝟏 𝟎𝟎 𝟎𝟎
𝑩𝑩 = �𝟎𝟎 −𝟏𝟏 𝟎𝟎� → R3 + R1 (- 3) → R2 (- 1) →
𝟑𝟑 𝟏𝟏 𝟏𝟏
𝟏𝟏 𝟎𝟎 𝟎𝟎 𝟏𝟏 𝟎𝟎 𝟎𝟎
�𝟎𝟎 𝟏𝟏 𝟎𝟎� → R3 + R2 (- 1) → �𝟎𝟎 𝟏𝟏 𝟎𝟎� = I3
𝟎𝟎 𝟏𝟏 𝟏𝟏 𝟎𝟎 𝟎𝟎 𝟏𝟏
Lezione n°: 7/S1
Attività n°: 1
SPAZI VETTORIALI
Poiché la matrice 𝑩𝑩 ha rango 𝒓𝒓 = 𝟑𝟑, si può concludere che i tre vettori
dati sono linearmente indipendenti e costituiscono una base dello spazio
tridimensionale.
Ciò significa che i tre vettori individuano lo spazio 𝑹𝑹𝟑𝟑 al completo, nel
senso che qualunque altro vettore appartenente a questo spazio può
essere espresso come una combinazione lineare di v1 , v2 , v3.
Lezione n°: 7/S2
Titolo: Ortogonalità e ortonormalità
Attività n°: 1
In generale, nella lezione 7 si sta affrontando il tema degli Spazi

vettoriali.
In particolare in questa attività di studio verranno trattati gli
argomenti: norma di un vettore e ortogonalità di vettori e
matrici.
Lezione n°: 7 S2
Attività n°: 2
LEZIONE 7
-----------
NORMA; BASE; ORTOGONALITA’

E ORTONORMALITA’
Lezione n°: 7 S2
Attività n°: 2
NORMA DI UN VETTORE
Si definisce norma o modulo di un vettore il numero reale

ǁAǁ=√ ∙ .
Se = ( , , ) si ha:
ǁAǁ= ( + + )
Quindi, la norma è proprio la lunghezza del vettore .
Lezione n°: 7 S2
Attività n°: 2
Si definisce, invece, versore del vettore , il vettore di modulo 1 che

ha la stessa direzione e stesso verso di A ovvero:
( )= .
Esempio.
Dato il vettore = ( , , ), si desidera determinare il ( ).
La norma di è:
‖ ‖=√ + + =√ = .
Quindi, il versore di è:
( )= ; ; .
Lezione n°: 7 S2
Attività n°: 2
VETTORI E MATRICI ORTOGONALI. BASI ORTONORMALI.
Perché due vettori siano ortogonali deve essere nullo il prodotto della
matrice relativa ad uno dei due per la trasposta della matrice relativa
all’ altro.
Esempio.
• I vettori = − e = sono ortogonali.
Infatti: ∙ ͭ =− ∙ ! = ".
−
• Anche i vettori = ! e = ! sono ortogonali.
−
Infatti: ∙ ͭ = ∙ ! = ".
Lezione n°: 7 S2
Attività n°: 2
Si osservi che in entrambi i casi il primo fattore è una matrice riga e il

secondo una matrice colonna.
Ciò significa che il prodotto deve essere una matrice di ordine uno in cui
unico elemento non è altro che il prodotto scalare di due vettori.
Quindi, due vettori sono ortogonali se il loro prodotto scalare è zero.
Se i due vettori ortogonali appena detti sono versori, si dicono

ortonormali.
Inoltre, si dice base ortogonale una base in cui i vettori sono a due a
due ortogonali e si dice base ortonormale se essi sono ortonormali.
Lezione n°: 7 S2
Attività n°: 2
Quando tre vettori riga di # costituiscono una base ortogonale di # , il
prodotto tra la matrice formata con le componenti dei tre vettori e la
sua trasposta dà una matrice diagonale di rango 3.
Ciò significa che ogni volta che una matrice quadrata di ordine $ è tale
che ͭ = % dove % indica una matrice diagonale di rango = &,
si può affermare che essa rappresenta una base ortogonale dello spazio
# & i cui vettori sono le righe della matrice .
Lezione n°: 7 S2
Attività n°: 2
Esempio.
"
Data una matrice : =' − ).
− (
" − ( " "

ͭ =' − ) ∙' " ( ) =' " " )= %
− ( − " " (
I vettori riga:
= " ; = − ; = − ( .
Costituiscono una base ortogonale di # .
Lezione n°: 7 S2
Attività n°: 2
Infatti, essendo * + = ( ≠" → = ,

essi sono linearmente indipendenti.
Inoltre:
∙ ͭ = " ∙ - .= "
−
−
∙ͭ = " ∙ - ( .= "
−
∙ ͭ = − ∙ - ( .= "
Lezione n°: 7 S2
Attività n°: 2
Quanto detto finora può essere esteso anche a matrici non quadrate.
Si può dire che data una matrice di ordine / × & il prodotto ͭ
è ancora la matrice %.
Le / righe della matrice rappresentano / vettori di # & ortogonali
tra loro.
Se il prodotto ͭ = %, le & colonne della matrice rappresentano
& vettori di # / ortogonali tra loro.
Lezione n°: 7 S2
Attività n°: 2
Esempio.
−
=1 3.
2 −
Si esaminano i prodotti A ͭ A e ͭ A A con
5 7
− 4 − 2 6 8 "
ͭ =1 34 6 = 1 3 = %.
2 − 4 − 6 " 82
9 :
Si può affermare che i vettori di # .

= − e = 2 − sono ortogonali.
Si noti che essi non costituiscono una base di # , poiché per definirla
sono necessari 4 vettori, ma definiscono la base del sottospazio vettoriale
di dimensione 2.
Lezione n°: 7 S2
Attività n°: 2
Se, invece, si esegue :
" " "

5 7 5 7
4− 26 − 4 ;( − 6
ͭ =4 6∙1 3=4 6=<
4 − 6 2 − 4 " − " "6
9 : 9 " " ":
La matrice < ottenuta non è diagonale.
Ciò era prevedibile dato che quattro vettori di # non possono essere
ortogonali tra loro ma possono esserlo al massimo due.
Lezione n°: 7 S2
Attività n°: 2
Si può osservare, però, che da < si può estrarre la seguente
" "
sottomatrice diagonale 1 3 che ci assicura che due dei quattro
" "
vettori colonna di sono ortogonali e, precisamente,
= ! e = !.
−
Questi due vettori costituiscono una base ortogonale di # e gli altri due
vettori possono essere espressi come loro combinazione lineare.
Lezione n°: 7 S2
Attività n°: 2
Data una matrice quadrata di ordine & può anche accadere che il
prodotto ͭ dia come risultato la matrice unità =.
Poiché gli elementi > ?@ della matrice prodotto per ? ≠ @ sono nulli, si
può dire che la matrice è formata da vettori riga ortogonali e,
poiché gli elementi > ?@ = per ? = @ , si può dire che la matrice è
formata da vettori riga che hanno tutti modulo unitario, o meglio, che
sono dei versori.
In conclusione la matrice costituita da vettori riga ortogonali e di
norma 1, rappresenta una base ortonormale dello spazio vettoriale #& .
Lezione n°: 7 S2
Attività n°: 2
BASE CANONICA
Una base di #& di notevole importanza è la base A formata dai vettori
A , A , … , A& così definiti :
A = ( , ", ", … , " )
A = ( ", , ", … , " )
… … …
A& = ( ", ", … , ", )
Cioè A? (CD& ? = , , … , &) è il vettore che ha componente ? − ?/

uguale a 1 e le altre uguali a zero.
Lezione n°: 7 S2
Attività n°: 2
Tali vettori formano una base di #& :
" " … "

5 7
4 " " … " 6
4 6
4… … … … … 6
9 " " … " :
Tale base è detta canonica.
Inoltre, se & = i vettori A , A , A sono proprio i versori

rispettivamente degli assi ?, @, E.
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
LEZIONE 7
-----------
Esercizi
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
ESERCIZIO 1
 Dati i tre vettori colonna:
1 −1 0
v1 = �2� v2 = � 3 � v3 = �2�
3 2 2
Determinare se sono linearmente indipendenti oppure no.
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
ESERCIZIO 2
 Dati i tre vettori riga:
v1 = [1 −1 0] v2 = [2 1 3] v3 = [4 −1 3]
Costruire la matrice delle loro componenti e determinare il rango di

tale matrice.
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
ESERCIZIO 3
 Dati i tre vettori colonna:
1 −2 −1
v1 = � 2 � v2 = � −4� v3 = �−2�
−1 2 1
Determinare se sono linearmente indipendenti e se non lo sono,

stabilire qual è la dimensione del sottospazio vettoriale da essi
individuato.
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
ESERCIZIO 4
 Stabilire qual è la dimensione del sottospazio vettoriale individuato

dai tre vettori di R4.
1 0 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎢ 0⎥ ⎢ −1⎥ ⎢ 0⎥
v1 = ⎢ ⎥ v2 = ⎢ ⎥ v3 = ⎢ ⎥
⎢ 3⎥ ⎢ 1 ⎥ ⎢ 1⎥
⎣ 1⎦ ⎣ 2⎦ ⎣ 1⎦
Lezione n°: 7/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI
ESERCIZIO 5
 Discutere la dipendenza lineare dei seguenti vettori in R3:
3 1 1
X = �2 � Y = � 2� Z = �1 �
1 3 1
Lezione n°: 8
Titolo: Generalità sui sistemi lineari
Attività n°: 1
Nella lezione 8 si intraprende una breve trattazione di carattere

generale sulle Soluzioni di Sistemi Lineari. Anche in questo caso,
come si è già visto in precedenza, lo scopo è quello di facilitare
lo studente nella ripresa dello studio di questo argomento la cui
conoscenza dal punto di vista matematico risulta fondamentale
per poter comprendere i metodi numerici che verranno trattati
nel presente Corso.
Lezione n°: 8
Titolo: Generalità sui Sistemi Lineari (sessione 1)
Attività n°:
Lezione n°: 8
Attività n°:
SISTEMI LINEARI
Un sistema lineare di n equazioni in n incognite, può essere sempre

posto nella seguente forma:
+ + . .. + =
+ + . .. + =
⋮ ⋮ ⋮
+ + . .. + =
I numeri si dicono coefficienti; i numeri si definiscono termini noti;
i parametri si denominano incognite del sistema.
Lezione n°: 8
Attività n°:
Un sistema lineare si dice omogeneo se i termini noti sono tutti nulli,
ovvero se = =⋯= = .
Se invece almeno uno dei risulta diverso da zero, il sistema si dirà non
omogeneo.
Si dice che la n-pla ordinata di numeri reali ( , ,…, ), è soluzione
del sistema se le n equazioni del sistema risultano contemporaneamente
verificate se si operino in esse le sostituzioni:
= ; = ; … ; = .
Lezione n°: 8
Attività n°:
Un sistema lineare si dice possibile e le sue equazioni si dicono

.
compatibili, se ammette almeno una soluzione; si dice impossibile e le
sue equazioni si dicono incompatibili, se non ammette alcuna soluzione.
Un sistema lineare possibile si dice determinato se ha una sola soluzione;
si dice indeterminato se ha infinite soluzioni.
Si potrebbe dimostrare che non vi sono altre possibilità : un sistema lineare
non può avere un numero di soluzioni finito e maggiore di uno.
Lezione n°: 8
Attività n°:
METODO DELLA MATRICE INVERSA
Si consideri un sistema nel caso particolare in cui sia n = n, ossia nel caso
in cui il numero delle equazioni sia uguale al numero delle incognite:
+ + . .. + =
+ + . .. + =
⋮ ⋮ ⋮
+ + . .. + =
In forma matriciale assume la forma A · X = C.
La matrice dei coefficienti risulta quadrata.
Lezione n°: 8
Attività n°:
Si supponga che il det (A ) ≠ 0 (se lo è, il sistema può essere
−1
impossibile o indeterminato ) e, quindi, che esista la matrice inversa .
Si vuole dimostrare che sotto tale ipotesi il sistema sia possibile e
determinato e la soluzione sia data da: X = A-1 · C.
A tal fine si sostituisce quest’ ultima in A · X = C ottenendo
A · (A-1 · C ) = C che, per la proprietà associativa del prodotto tra
matrici , si può scrivere (A · A-1) · C = C .
Lezione n°: 8
Attività n°:
Da questa relazione, per la proprietà della matrice inversa e della matrice
unità, si ottiene un’ identità che verifica A · X = C .
I·C=C →
C=C.
Quindi, il sistema dato ammette almeno una soluzione ed è perciò possibile.
Poi, si vuole dimostrare che il sistema sia determinato ovvero che non
-1
ammetta altra soluzione che X = A ·C.
Lezione n°: 8
Attività n°:
-1
Se vi fosse un’ altra soluzione, come ad esempio X1 ≠ A · C, si avrebbe
A · X1 = C .
-1
Moltiplicando a sinistra per A entrambi i membri di tale eguaglianza, si
ottiene:
-1 -1
A · (A · X1 )= A C →
-1 -1
(A · A ) · X1 = A C →
-1
I · X1 = A C →
-1
X1 = A C
-1
Che va contro l’ ipotesi di partenza ovvero X1 ≠ A · C.
Lezione n°: 8
Attività n°:
Il risultato ottenuto permette di affermare che:
la condizione det (A ) ≠ 0 è sufficiente affinchè il sistema sia
possibile e determinato.
-1
La matrice A · C , risulta una matrice colonna di tipo n×1 come
la matrice X .
I suoi elementi ci forniscono i valori cercati di , ,…, ,
cioè l’ unica soluzione del sistema dato.
Lezione n°: 8
Attività n°:
• Barozzi. G.C.
Introduzione agli algoritmi dell’ algebra lineare.
Zanichelli,Bologna 1976.

CALCOLO Vol.2 .
Lezione n°: 8/S1
Attività n°: 1
Nella lezione 8 si intraprende una breve trattazione di carattere

generale sulle Soluzioni di Sistemi Lineari. In questa attività di
studio, per facilitare lo studente nella ripresa dello studio di
questo argomento si affrontano in maniera molto veloce la
regola di Cramer ed il Teorema di Rouchè-Capelli, anche in modo
da poterli confrontare con i metodi numerici che verranno trattati
nel seguito e vederne le differenze.
Lezione n°: 8 S1
Attività n°: 1
LEZIONE 8
-----------
GENERALITA’ SUI SISTEMI LINEARI 1

(sessione 2)
Lezione n°: 8 S1
Attività n°: 1
TEOREMA DI CRAMER
Il metodo della matrice inversa può essere facilmente tradotto in una regola
molto utile.
-1
Supponendo det (A ) ≠ 0, sappiamo che X = A · C che in forma
matriciale è :
⋯
= ∙
⋮ ⋮
⋮ ⋮ ⋮ ⋮
Lezione n°: 8 S1
Attività n°: 1
Incominciare a ricavare :
= ∙ + ∙ + ⋯+ ∙ =
+ +⋯ +
;
il numeratore dell’ ultimo membro di quest’ ultima espressione è, per

definizione, lo sviluppo secondo la prima colonna del determinante:
⋯
⋯
⋮ ⋮ ⋮ ⋮
⋯
Ottenibile dalla matrice dei coefficienti sostituendo la prima colonna con

quella dei termini noti del sistema dato.
Lezione n°: 8 S1
Attività n°: 1
In modo analogo si ottiene :
= =
+ + ⋯+
∙ + ∙ +⋯+ ∙ ;
e così via per le restanti incognite.
Lezione n°: 8 S1
Attività n°: 1
Si può enunciare la regola di Cramer.
Un sistema di equazioni in incognite di , ,…, , in cui il

determinante della matrice dei coefficienti è diverso da zero, è possibile
ed ammette una ed una sola soluzione data da:
∆ ∆ ∆
= ; = ; … . .. ; = .
Essendo ∆ il determinante della matrice che si ottiene dalla matrice dei

coefficienti sostituendo alla − " # colonna ( cioè a quella dei
coefficienti dell’ incognita che si vuol determinare ) la colonna dei termini
noti del sistema.
Lezione n°: 8 S1
Attività n°: 1
TEOREMA DI ROUCHE’- CAPELLI
Si consideri un sistema nel caso in cui il numero delle equazioni non
coincida necessariamente con il numero delle incognite.
Il teorema di Rouchè – Capelli permette di decidere se esso è possibile
oppure no.
Un sistema lineare è possibile se e solo se la matrice dei
coefficienti e la matrice completa del sistema hanno lo stesso
rango.
Lezione n°: 8 S1
Attività n°: 1
Si osservi che, se $ è il rango della matrice dei coefficienti e $ ’ è il
rango della matrice completa ’ , risulta sempre $ ≤ $’.
Infatti contiene un minore non nullo di ordine $ e, poiché è una
sottomatrice di ’ , tale minore risulta contenuto anche in ’.
Lezione n°: 8 S1
Attività n°: 1
Ricordando la definizione di rango di una matrice si possono presentare

due casi :
1) ’contiene un altro minore non nullo di ordine maggiore di $.

Si ha allora $ < $’ e le equazioni del sistema risultano incompatibili →
Sistema impossibile.
2) Tutti i minori di ’ di ordine maggiore di $ sono nulli.
Si ha, allora $ = $ ’ e le equazioni del sistema risultano compatibili →
Sistema possibile.
Lezione n°: 8 S1
Attività n°: 1
Sistemi omogenei.
Nel caso in cui sia = =⋯= = (, cioè quando i termini noti
siano tutti nulli, il sistema si dice omogeneo.
Un sistema omogeneo assume quindi la forma:
+ + . .. + = (
+ + . .. + = (*
)
⋮ ⋮ ⋮
+ + . .. + = (
E’ immediato verificare che ogni sistema omogeneo ammette sempre
almeno la soluzione = =⋯= = ( detta soluzione nulla.
Lezione n°: 8 S1
Attività n°: 1
Dunque, i sistemi omogenei sono sempre possibili.
Si può anche osservare che per i sistemi omogenei si verificano le
condizioni poste dal teorema di Rouchè – Capelli:
la matrice completa del sistema si ottiene dalla matrice incompleta
aggiungendo una colonna di elementi nulli.
Esse hanno , quindi, lo stesso rango.
Lezione n°: 8 S1
Attività n°: 1
TEOREMA DI ROUCHE’- CAPELLI
Esempio.
Dato il seguente sistema lineare :
+ −+ -+ . = +
, + . + -− . =
*
- + / − - -+ . = /
Si vuole verificare se è possibile oppure no.
Lezione n°: 8 S1
Attività n°: 1
La matrice dei coefficienti A è:
−+
A= 0 . − 1.
- / −-
Invece, la matrice completa del sistema A’ è :
−+ +
A’ = 0 . − 1.
- / −- /
Lezione n°: 8 S1
Attività n°: 1
Il minore di ordine 2 (qui denominato H ) formato con gli elementi della
prima e seconda riga e della prima e terza colonna di A , che è un minore
anche di A’, risulta non nullo:
−+
det(H ) = 2 2= 12 ≠ 0.
Lezione n°: 8 S1
Attività n°: 1
Poiché la terza riga di entrambe le matrici è la somma delle prime due,
qualunque minore di ordine tre estratto da una delle due matrici ha la terza
riga uguale alla somma delle prime due e , perciò, sarà nullo per la
proprietà dei determinanti che dice che se una linea ( riga o colonna ) è
combinazione lineare di due o più altre linee parallele, il determinante è
nullo.
Quindi, le due matrici A e A’ hanno entrambe rango r=2 e di conseguenza
il sistema risulta possibile.
Lezione n°: 8/S2
Attività n°: 1
Si continua la trattazione di carattere generale sulle Soluzioni di

Sistemi Lineari. In questa attività di studio, si forniscono alcune
definizioni soprattutto riguardo la forma matriciale di un sistema
lineare.
Lezione n°: 8 S2
Titolo: Sistemi Lineari: definizioni e esempi (sessione 1)
Attività n°: 2
LEZIONE 8
-----------
SISTEMI LINEARI :
DEFINIZIONI ED ESEMPI.
(sessione 1)
Lezione n°: 8 S2
Attività n°: 2
SISTEMI LINEARI
Consideriamo un sistema lineare di equazioni in incognite :
+ + . .. + =
+ + . .. + =
⋮ ⋮ ⋮
+ + . .. + =
Lezione n°: 8 S2
Attività n°: 2
La matrice di tipo × :
⋯
⋯
=
⋮ ⋮ ⋮ ⋮
⋯
Si chiama matrice dei coefficienti o matrice incompleta del sistema.
Lezione n°: 8 S2
Attività n°: 2
Le due matrici colonna , rispettivamente di tipo × e × :
= =
⋮ ⋮
; .
Si chiamano matrice colonna delle incognite e matrice colonna dei
termini noti.
Lezione n°: 8 S2
Attività n°: 2
Si definisce matrice completa del sistema, la matrice ‘ di tipo
× ( + ) ottenuta dalla matrice dei coefficienti aggiungendovi, come
ultima colonna, la matrice colonna dei termini noti :
⋯
⋯
’ = .
⋮ ⋮ ⋮ ⋮ ⋮
⋯
Lezione n°: 8 S2
Attività n°: 2
Ricordando la definizione di prodotto tra matrici e, osservando che le
matrici e sono conformabili rispetto al prodotto, notiamo che il
sistema può essere riscritto, in forma matriciale, nel modo seguente :
⋯
⋯
∙ =
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋯
Ovvero in forma compatta: ∙ = .
Lezione n°: 8 S2
Attività n°: 2
Esempio.
Dato il seguente sistema di tre equazioni nelle quattro incognite , %, &, ' :
( + (% − *& + +' = −
, −* + & − ' = *
% + *& − -' = −+
Lezione n°: 8 S2
Attività n°: 2
La matrice dei coefficienti è:
( ( −* +
= . −* / − 0.
/ * −-
Lezione n°: 8 S2
Attività n°: 2
La matrice colonna delle incognite e la matrice colonna dei termini noti
sono :
−
%
= ; =. * 0 .
&
−+
'
Lezione n°: 8 S2
Attività n°: 2
Invece, la matrice completa del sistema è :
( ( −* + −
’ = . −* / − * 0.
/ * −- −+
Lezione n°: 8 S2
Attività n°: 2
In forma matriciale il sistema iniziale assume la seguente forma :
( ( −* + −
%
. −* / − 0· =. * 0.
&
/ * −- −+
'
Lezione n°: 8/S3
Titolo: Sistemi lineari: definizioni ed esempi
Attività n°: 1
SISTEMI LINEARI :
DEFINIZIONI ED ESEMPI
LEZIONE 8
-----------
SISTEMI LINEARI :
DEFINIZIONI ED ESEMPI.
(sessione 2)
Lezione n°: 8/S3
Attività n°: 1
SISTEMI LINEARI : DEFINIZIONI ED ESEMPI
METODO DELLA MATRICE INVERSA
Esempio.
Dato il seguente sistema di tre equazioni nelle tre incognite 𝒙𝒙, 𝒚𝒚, 𝒛𝒛 :
𝒙𝒙 + 𝟐𝟐𝟐𝟐 = 𝟏𝟏𝟏𝟏
� −𝒙𝒙 + 𝟑𝟑𝟑𝟑 + 𝒛𝒛 = 𝟎𝟎
𝒙𝒙 + 𝒚𝒚 + 𝟐𝟐𝟐𝟐 = −𝟏𝟏𝟏𝟏
Lezione n°: 8/S3
Attività n°: 1
In forma matriciale è :
𝟏𝟏 𝟐𝟐 𝟎𝟎 𝒙𝒙 𝟏𝟏𝟏𝟏
� −𝟏𝟏 𝟑𝟑 𝟏𝟏 � ∙ � 𝒚𝒚 � = � 𝟎𝟎 � .
𝟏𝟏 𝟏𝟏 𝟐𝟐 𝒛𝒛 𝟏𝟏𝟏𝟏
Lezione n°: 8/S3
Attività n°: 1
La matrice dei coefficienti 𝑨𝑨 è:
𝟏𝟏 𝟐𝟐 𝟎𝟎
𝑨𝑨 = � −𝟏𝟏 𝟑𝟑 𝟏𝟏 � .
𝟏𝟏 𝟏𝟏 𝟐𝟐
Lezione n°: 8/S3
Attività n°: 1
-1
La matrice inversa A del sistema è :
𝟓𝟓 𝟒𝟒 𝟐𝟐
⎡ − ⎤
𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏
-1 ⎢ 𝟑𝟑 𝟐𝟐 𝟏𝟏
⎥
A = ⎢ 𝟏𝟏𝟏𝟏 − ⎥.
⎢ 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 ⎥
⎢ 𝟒𝟒 𝟏𝟏 𝟓𝟓 ⎥
⎣ − ⎦
𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏
Lezione n°: 8/S3
Attività n°: 1
SISTEMI LINEARI :- 1DEFINIZIONI ED ESEMPI
Applicando X = A ∙ B.
𝟓𝟓 𝟒𝟒 𝟐𝟐
⎡ − ⎤
𝒙𝒙 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏
⎢ ⎥
𝟑𝟑 𝟐𝟐 𝟏𝟏
� 𝒚𝒚 � = ⎢ − ⎥ ∙ � 𝟎𝟎 �
⎢ 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 ⎥
𝒛𝒛 ⎢ 𝟒𝟒 𝟏𝟏 𝟓𝟓 ⎥ 𝟏𝟏𝟏𝟏
⎣ − ⎦
𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏 𝟏𝟏𝟏𝟏
Si ottiene:
𝒙𝒙 𝟑𝟑
𝒙𝒙 = 𝟑𝟑
� 𝒚𝒚 � = � 𝟒𝟒 � ossia � 𝒚𝒚 = 𝟒𝟒
𝒛𝒛 𝒛𝒛 = −𝟗𝟗
− 𝟗𝟗
Lezione n°: 8/S3
Attività n°: 1
REGOLA DI CRAMER
Esempio.
𝟐𝟐 𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 − 𝒙𝒙𝟑𝟑 = 𝟕𝟕

� 𝒙𝒙𝟏𝟏 − 𝟐𝟐𝟐𝟐𝟐𝟐 − 𝟐𝟐𝒙𝒙𝟑𝟑 = 𝟒𝟒
𝒙𝒙𝟏𝟏 − 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = −𝟏𝟏
Lezione n°: 8/S3
Attività n°: 1
La matrice dei coefficienti 𝑨𝑨 è:
𝟐𝟐 𝟏𝟏 −𝟏𝟏
𝑨𝑨 = � 𝟏𝟏 −𝟐𝟐 −𝟐𝟐 � .
𝟏𝟏 −𝟏𝟏 𝟏𝟏
Il 𝒅𝒅𝒅𝒅𝒅𝒅(𝑨𝑨 ) = −𝟏𝟏𝟏𝟏 ≠ 𝟎𝟎.
Lezione n°: 8/S3
Attività n°: 1
Si calcola :
𝟕𝟕 𝟏𝟏 −𝟏𝟏 𝟐𝟐 𝟕𝟕 −𝟏𝟏
∆𝟏𝟏 = � 𝟒𝟒 −𝟐𝟐 −𝟐𝟐 � = −𝟐𝟐𝟐𝟐 ; ∆𝟐𝟐 = � 𝟏𝟏 𝟒𝟒 −𝟐𝟐 � = −𝟏𝟏𝟏𝟏 ;
−𝟏𝟏 −𝟏𝟏 𝟏𝟏 𝟏𝟏 −𝟏𝟏 𝟏𝟏
𝟐𝟐 𝟏𝟏 𝟕𝟕
∆𝟑𝟑 = � 𝟏𝟏 −𝟐𝟐 𝟒𝟒 � = 𝟐𝟐𝟐𝟐.
𝟏𝟏 −𝟏𝟏 −𝟏𝟏
Lezione n°: 8/S3
Attività n°: 1
Pertanto si ottiene:
∆𝟏𝟏 −𝟐𝟐𝟐𝟐
𝒙𝒙𝟏𝟏 = = −𝟏𝟏𝟏𝟏 = 𝟐𝟐 ;
𝐝𝐝𝐝𝐝𝐝𝐝 𝑨𝑨
∆𝟐𝟐 −𝟏𝟏𝟏𝟏
𝒙𝒙𝟐𝟐 = = = 𝟏𝟏 ;
𝐝𝐝𝐝𝐝𝐝𝐝 𝑨𝑨 −𝟏𝟏𝟏𝟏
∆𝟑𝟑 𝟐𝟐𝟐𝟐
𝒙𝒙𝟑𝟑 = = = −𝟐𝟐 .
𝐝𝐝𝐝𝐝𝐝𝐝 𝑨𝑨 −𝟏𝟏𝟏𝟏
Lezione n°: 9
Attività n°: 1
GENERALITA’ SUI SISTEMI

LINEARI 2
Lezione n°: 9
Attività n°: 1

Soluzione particolare di un sistema lineare.
Dato un sistema di n equazioni in n incognite di cui sia accertata la
compatibilità ( r = r’ ).
• Si individua una matrice quadrata non singolare di ordine r, che
chiameremo H, sottomatrice di A.
• H deve esistere perché r è il rango di A.
Lezione n°: 9
Attività n°: 1
• Se risulta r<n si considerano le r equazioni del sistema corrispondenti
alle righe di H trascurando le rimanenti n-r equazioni.
Se risulta r = n si conservano tutte le equazioni.
• Si prendono come incognite del sistema le r incognite corrispondenti ai
coefficienti che costituiscono le colonne di H e si attribuiscono alle
eventuali n-r incognite restanti dei valori particolari scelti
arbitrariamente.
Lezione n°: 9
Attività n°: 1
• Si ottiene un sistema di r equazioni in r incognite, la cui matrice dei
coefficienti è H.
• Poiché per ipotesi det (H )≠0 , il sistema risulta possibile e
determinato e lo si può risolvere con uno dei metodi noti come ad
esempio il metodo di Cramer, della matrice inversa,ecc…
Lezione n°: 9
Attività n°: 1
Esempio.
𝒙𝒙𝟏𝟏 + 𝟐𝟐𝟐𝟐𝟐𝟐 − 𝟓𝟓𝟓𝟓𝟑𝟑 + 𝟐𝟐𝒙𝒙𝟒𝟒 = 𝟏𝟏𝟏𝟏

� 𝟐𝟐𝟐𝟐𝟏𝟏 + 𝟒𝟒𝟒𝟒𝟐𝟐 + 𝟐𝟐𝒙𝒙𝟑𝟑 −𝒙𝒙𝟒𝟒 = 𝟏𝟏
𝟑𝟑𝟑𝟑𝟏𝟏 + 𝟔𝟔𝒙𝒙𝟐𝟐 − 𝟑𝟑𝒙𝒙𝟑𝟑 +𝒙𝒙𝟒𝟒 = 𝟏𝟏𝟏𝟏
Si cerca la sua soluzione particolare.
Lezione n°: 9
Attività n°: 1
Tale sistema è possibile. Il rango della matrice dei coefficienti A è r=2.
Il determinante della sottomatrice H formata con gli elementi della prima
e della seconda riga e della prima e della terza colonna non è nullo.
𝟏𝟏 −𝟓𝟓
det(H ) = � �= 12 ≠ 0.
𝟐𝟐 𝟐𝟐
Lezione n°: 9
Attività n°: 1
Si considera la prima e la seconda equazione corrispondenti alle righe di H
scartando la terza e si ottiene :
𝒙𝒙𝟏𝟏 + 𝟐𝟐𝟐𝟐𝟐𝟐 − 𝟓𝟓𝟓𝟓𝟑𝟑 + 𝟐𝟐𝒙𝒙𝟒𝟒 = 𝟏𝟏𝟏𝟏

�
𝟐𝟐𝟐𝟐𝟏𝟏 + 𝟒𝟒𝟒𝟒𝟐𝟐 + 𝟐𝟐𝒙𝒙𝟑𝟑 −𝒙𝒙𝟒𝟒 = 𝟏𝟏
Si prende come incognite 𝑥𝑥1 e 𝑥𝑥3 , corrispondenti alle colonne di H e si
attribuisce a 𝑥𝑥2 e 𝑥𝑥4 dei valori arbitrari.
Lezione n°: 9
Attività n°: 1
Ad esempio, utilizzando 𝑥𝑥2 = 𝑥𝑥4 = 1 il sistema diventa:
𝒙𝒙𝟏𝟏 − 𝟓𝟓𝟓𝟓𝟑𝟑 = 𝟏𝟏𝟏𝟏

�
𝟐𝟐𝟐𝟐𝟏𝟏 + 𝟐𝟐𝒙𝒙𝟑𝟑 = −𝟐𝟐
Risolvendo, poi, tale sistema si ottiene 𝑥𝑥1 = 1 e 𝑥𝑥3 = -2.
Perciò, considerando i valori attribuiti a 𝑥𝑥2 e 𝑥𝑥4 , otteniamo una soluzione
particolare del sistema iniziale:
𝒙𝒙𝟏𝟏 = 1; 𝒙𝒙𝟐𝟐 = 1; 𝒙𝒙𝟑𝟑 = -2; 𝒙𝒙𝟒𝟒 = 1.
Lezione n°: 9
Attività n°: 1
Ovviamente la soluzione trovata dipende dai valori attribuiti a 𝑥𝑥2 e 𝑥𝑥4 .
Se avessimo posto, ad esempio, 𝑥𝑥2 = 0 e 𝑥𝑥4 = 4 si sarebbe trovata la
soluzione :
𝟏𝟏𝟏𝟏 𝟑𝟑
𝒙𝒙𝟏𝟏 = ; 𝒙𝒙𝟐𝟐 = 0; 𝒙𝒙𝟑𝟑 = − ; 𝒙𝒙𝟒𝟒 = 4.
𝟒𝟒 𝟒𝟒
Lezione n°: 9
Attività n°: 1
Osservazioni.
• Nel caso in cui il rango r delle due matrici del sistema risulti minore del
numero n di equazioni, le n-r equazioni che vengono trascurate
risultano certamente soddisfatte dalle soluzioni del sistema formato
con le restanti r equazioni.
Infatti, le equazioni trascurate sono delle combinazioni lineari di quelle
considerate.
Lezione n°: 9
Attività n°: 1
• Nel caso in cui il rango r delle due matrici del sistema coincida con il
numero n delle incognite,il sistema si riduce ad un sistema di n
equazioni in n incognite e risulta possibile e determinato.
In particolare, se il sistema risulta omogeneo, esso ammette solo la
soluzione nulla: 𝑥𝑥1 = 𝑥𝑥2 = … = 𝑥𝑥𝑛𝑛 = 0.
Lezione n°: 9
Attività n°: 1
• Se, invece, risulta r<n (con k=n-r) la soluzione del sistema dipende
dal valore attribuito a ciascuna delle k incognite “declassate”.
Si usa allora dire che il sistema ammette ∞k soluzioni poiché ad ogni
k-pla ordinata di numeri reali ( i valori attribuiti arbitrariamente alle k
incognite “declassate”) corrisponde una soluzione del sistema.
In questo caso poiché le soluzioni sono ∞ , il sistema risulta
indeterminato.
Lezione n°: 9
Attività n°: 1
• Nel caso in cui il sistema abbia n equazioni in n incognite (n=n), se
det(A )≠0, il rango di tale matrice dei coefficienti risulta n come anche
il rango della matrice completa.
Pertanto per il teorema di Rouchè - Capelli il sistema è possibile ed è
anche determinato.
Se invece, det(A )=0, sempre nel caso in cui m=n per decidere se il
sistema risulti oppure no possibile si dovrebbe applicare teorema di
Rouchè – Capelli.
Lezione n°: 9
Attività n°: 1
• Barozzi. G.C.
Introduzione agli algoritmi dell’ algebra lineare.
Zanichelli,Bologna 1976.

CALCOLO Vol.2 .
Lezione n°: 9/S1
Attività n°: 1
Si continua la trattazione di carattere generale sulle Soluzioni di

Sistemi Lineari. In questa attività di studio, ci si occupa della
soluzione generale di un sistema lineare.
Lezione n°: 9 S1
Titolo: Generalità sui Sistemi Lineari 2 (sessione 2)
Attività n°: 1
LEZIONE 9
-----------

(sessione 2)
Lezione n°: 9 S1
Attività n°: 1
Soluzione generale di un sistema lineare.
Per determinare un’ espressione generale delle soluzioni di un sistema
lineare si utilizza il procedimento visto per determinare la soluzione
particolare ma, invece di attribuire particolari valori arbitrari alle incognite,
si trattano come parametri variabili. In questo modo si ottiene un sistema di
r equazioni in r incognite contenente k=n-r parametri.
Lezione n°: 9 S1
Attività n°: 1
Le equazioni di tale sistema sono compatibili e il sistema risulta possibile e
determinato e, quindi, può essere risolto con uno dei metodi noti.
Ciascuna delle r incognite sarà determinata da un’ espressione contenente
al massimo k=n-r parametri rappresentanti le incognite declassate.
Lezione n°: 9 S1
Attività n°: 1
Esempio.
Riprendiamo il sistema lineare dell’ esempio precedente :
+ − + =
+ + − =
+ − + =
Si cerca la sua soluzione generale.
Lezione n°: 9 S1
Attività n°: 1
Il rango della matrice dei coefficienti A è r=2.
Il determinante della sottomatrice H formata con gli elementi della prima
e della seconda riga e della prima e della terza colonna non è nullo.
−
det(H ) = = 12 ≠ 0.
Tale sistema è possibile e ammette ∞2 soluzioni.
Lezione n°: 9 S1
Attività n°: 1
Lo si può risolvere considerando solo le prime due equazioni e prendendo
come incognite 1 e 3.
Si tratterà, perciò, 2 e 4 come dei parametri.
Il sistema di partenza diventa:
− = − −
+ = − +
Lezione n°: 9 S1
Attività n°: 1
Se si risolve proprio con il metodo della matrice inversa si procede nel

seguente modo.
Innanzitutto, si pone in forma matriciale (A · X = C ) :
1 −5 1 15 −2 2 −2 4
∙ =
2 2 3 1 −4 2 4
Lezione n°: 9 S1
Attività n°: 1
Poiché l’inversa A-1 è :
1 5
6 12
−
1 1
-1
A = .
6 12
Applicando X = A-1· C , si ottiene:
15 −2 −2
1 5
1 2 4
= ∙
6 12
−
1 1 1 −4
,
3 2 4
6 12
Lezione n°: 9 S1
Attività n°: 1
cioè :
= − +
=− +
Questa è l’ espressione generale delle soluzioni del sistema di partenza.
Si noti come si possano da quest’ ultima espressione ritrovare le soluzioni
particolari trovate nell’ esempio precedente semplicemente sostituendo
a 2 e 4 i valori che avevamo trovato arbitrariamente attribuito ad esse.
Lezione n°: 9/S2
Titolo: Esercizi
Attività n°: 1
ESERCIZI 1
LEZIONE 9
-----------
SISTEMI LINEARI :
Esercizi 1
Lezione n°: 9/S2
Titolo: Esercizi
Attività n°: 1
ESERCIZI 1
ESERCIZIO 1
 Risolvere il seguente sistema lineare con il metodo della matrice inversa:
2 𝑥𝑥 + 𝑦𝑦 = 5
�
3𝑥𝑥 − 𝑦𝑦 = 10
Lezione n°: 9/S2
Titolo: Esercizi
Attività n°: 1
ESERCIZI 1
ESERCIZIO 2
 Risolvere il seguente sistema lineare con il metodo della matrice inversa:
𝑥𝑥1 + 2𝑥𝑥2 + 𝑥𝑥3 = 1

� −2𝑥𝑥1 + 3𝑥𝑥3 = 0
𝑥𝑥1 + 𝑥𝑥2 + 2𝑥𝑥3 = 1
Lezione n°: 9/S2
Titolo: Esercizi
Attività n°: 1
ESERCIZI 1
 Risolvere il seguente sistema lineare con il metodo di Cramer :
2𝑥𝑥1 + 𝑥𝑥2 = −1
�
𝑥𝑥1 −𝑥𝑥2 = −2
Lezione n°: 9/S2
Titolo: Esercizi
Attività n°: 1
ESERCIZI 1
Lezione n°: 9/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI 2
LEZIONE 9
-----------
SISTEMI LINEARI :
Esercizi 2
Lezione n°: 9/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI 2
ESERCIZIO 1
 Risolvere il seguente sistema lineare con la regola di Cramer :
2𝑥𝑥1 + 5𝑥𝑥2 + 7𝑥𝑥3 + 3𝑥𝑥4 = −7

−3𝑥𝑥1 + 4𝑥𝑥2 + 7𝑥𝑥3 − 5𝑥𝑥4 = −9
�
𝑥𝑥1 + 3𝑥𝑥2 + 6𝑥𝑥3 − 2𝑥𝑥4 = −4
−7 𝑥𝑥1 + 3𝑥𝑥2 + 3𝑥𝑥3 − 𝑥𝑥4 = −11
Lezione n°: 9/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI 2
ESERCIZIO 2
 Determinare se il sistema dato è possibile oppure impossibile :
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 + 𝑤𝑤 = 5
� 2𝑥𝑥 + 2𝑦𝑦 + 2𝑧𝑧 + 2𝑤𝑤 = 10
3𝑥𝑥 + 3𝑦𝑦 + 3𝑧𝑧 + 3𝑤𝑤 = 15
Lezione n°: 9/S3
Titolo: Esercizi
Attività n°: 1
ESERCIZI 2
ESERCIZIO 3
 Determinare se il sistema dato è possibile oppure impossibile :
𝑥𝑥 − 2𝑦𝑦 + 3𝑧𝑧 = 1
� 𝑦𝑦 − 𝑧𝑧 = −1
2𝑥𝑥 + 𝑦𝑦 = 3
Lezione n°: 10
Titolo: Metodi per la risoluzione dei sistemi lineari
Attività n°: 1
In questa lezione viene fatto un riepilogo dei metodi analitici per

risolvere sistemi lineari, in parte già descritti in precedenza.
In tal modo, si sarà in grado di passare a descrivere i metodi
numerici per risolvere sistemi lineari e poter comprendere bene il
vantaggio computazionale che ne deriva.
Lezione n°: 10
Titolo: Metodi per la risoluzione di Sistemi Lineari
Attività n°:
Metodi per la risoluzione

di Sistemi Lineari
NUCLEO TEMATICO 3 : Soluzioni di Sistemi di Equazioni Lineari

LEZIONE 10
Lezione n°: 10
Attività n°:
SOLUZIONE DI SISTEMI DI PICCOLE DIMENSIONI

.
Prima di passare ai metodi utilizzabili su calcolatore (metodi numerici) che
sono necessari per risolvere sistemi di grandi dimensioni, si riepilogano i
metodi in parte già descritti in cui non ne è richiesto l’uso (metodi analitici).
Essi sono adatti per risolvere piccoli sistemi di equazioni ( n≤3) e sono i
seguenti:
Il metodo grafico, la regola di Cramer, il metodo della matrice inversa ed il
metodo di eliminazione delle incognite (o metodo di eliminazione di Gauss).
Lezione n°: 10
Attività n°:
a) Metodo grafico
Nel caso di due equazioni è possibile ottenere una soluzione tracciando il
grafico delle equazioni stesse in coordinate cartesiane con un asse
corrispondente a x1 e l’altro x2.
Dato che ci si sta occupando di sistemi lineari, ogni equazione rappresenta
una retta.
Lezione n°: 10
Attività n°:
Esempio.
Dato il sistema:
+ =
− + =
Sia x1 l’ascissa. Si risolve la prima equazione del sistema rispetto a x2:
=− +
Lezione n°: 10
Attività n°:
Essa riportata in un grafico è una retta con pendenza − e che intercetta
l’asse delle ordinate nel punto (9;0).
Anche la seconda equazione del sistema si può risolvere rispetto a x2:
= +
Essa riportata in un grafico è una retta con pendenza e che intercetta
l’asse delle ordinate nel punto (1;0).
Lezione n°: 10
Attività n°:
La soluzione del sistema si trova all’ intersezione tra le due rette ed
esattamente nel punto x1 = 4 e x2 = 3.
Si può verificare tale risultato sostituendo i valori trovati nelle equazioni
originali:
( )+ ( )=
− + ( )=
Lezione n°: 10
Attività n°:
Nel caso di tre equazioni in tre incognite, ad ogni equazione corrisponde un
piano in un sistema cartesiano ortogonale tridimensionale; il punto di
intersezione comune a tutti e tre i piani rappresenta la soluzione.
Nel caso di più di tre equazioni i metodi grafici si rivelano inadeguati per la
ricerca della soluzione .
Lezione n°: 10
Attività n°:
Casi che presentano delle difficoltà nella risoluzione di un sistema si dicono
malcondizionati e possono essere:
1) Un sistema di due equazioni che rappresenta due rette parallele per
cui non esiste soluzione.
2) Un sistema di due equazioni che rappresenta due rette coincidenti
per cui le soluzioni sono infinite.
3) Un sistema di due equazioni che rappresenta due rette con pendenze
così simili che il punto di intersezione non può essere facilmente
individuato graficamente.
Lezione n°: 10
Attività n°:
b) Regola di Cramer
Argomento già trattato nella lezione 8 ( vedi lezione 8 ).
c) Metodo della matrice inversa
Argomento già trattato nella lezione 8 ( vedi lezione 8 ).
d) Metodo di eliminazione delle incognite
Questo metodo può essere illustrato prendendo un sistema lineare di
due equazioni in due incognite:
+ =
+ =
Lezione n°: 10
Attività n°:
Si moltiplicano le equazioni di tale sistema per un’ opportuna costante
in modo che una delle due incognite possa essere eliminata quando le
equazioni vengono combinate.
A questo punto rimane solo una equazione in una incognita che può
essere risolta direttamente.
Infine, si sostituisce il valore trovato in una delle equazioni di partenza
per determinare l’ incognita che era stata eliminata.
Lezione n°: 10
Attività n°:
Nel nostro esempio, si moltiplica la prima equazione del sistema per
21 e la seconda equazione del sistema per 11 :
+ =
+ =
Si sottrae la prima equazione di questo nuovo sistema dalla seconda
equazione e si ottiene:
− = −
Lezione n°: 10
Attività n°:
Questa si può risolvere rispetto a 2:
−
= .
−
Per concludere, tale valore sostituito nella prima equazione del sistema
di partenza permette di determinare anche 1 .
Lezione n°: 10/S1
Titolo: Metodo di eliminazione delle incognite
Attività n°: 1
In questa e nella seguente attività di studio viene descritto il

metodo di eliminazione delle incognite.
Questo metodo si basa su una particolare manipolazione delle
equazioni che permette di eliminare progressivamente le
incognite. E’ uno dei più vecchi metodi analitici per risolvere
sistemi lineari e rimane ancora uno dei metodi più noti in quanto
presenta il grande vantaggio di prestarsi ad essere espresso in
modo sistematico e, quindi, ad essere implementato in un
programma di calcolo (algoritmo di Gauss).
Lezione n°: 10 S1
Titolo: Metodo di eliminazione delle incognite (sessione 1)
Attività n°: 1
LEZIONE 10
-----------
Metodo di eliminazione delle incognite (sessione 1)
Lezione n°: 10 S1
Attività n°: 1
METODO DI ELIMINAZIONE DELLE INCOGNITE
Il metodo di eliminazione delle incognite si basa sul principio di
riduzione.
Se ad una equazione del sistema si sostituisce quella che si ottiene
sommando ad essa membro a membro un’altra equazione del
sistema eventualmente dopo averne moltiplicato entrambi i membri
per una stessa costante non nulla, si ottiene un sistema equivalente
a quello di partenza.
Lezione n°: 10 S1
Attività n°: 1
Consideriamo il seguente sistema:
+ + … + =
+ + …+ =
⋮ ⋮ ⋮
+ +… + =
⋮ ⋮ ⋮
+ +…+ =
Lezione n°: 10 S1
Attività n°: 1
Se risulta = 0 , cioè se la prima equazione non contiene
l’incognita 1, si porta tale incognita all’ ultimo posto in tutte le
equazioni del sistema potendo, in questo modo, supporre che
11 ≠ 0.
Lezione n°: 10 S1
Attività n°: 1
Si moltiplica , adesso, per 11 entrambi i membri di tutte le
equazioni eccetto la prima e si ottiene:
+ + … + =
+ + …+ =
⋮ ⋮ ⋮
+ +…+ =
Lezione n°: 10 S1
Attività n°: 1
Si moltiplica per − 21 la prima equazione di quest’ ultimo
sistema.
Si somma membro a membro tale prima equazione manipolata alla
seconda equazione.
Lezione n°: 10 S1
Attività n°: 1
− − − …− = −
+ − …+ =
( − ) + …+( − )
= −
Lezione n°: 10 S1
Attività n°: 1
In questa maniera, nella seconda equazione del sistema non figura
più 1.
Si procede analogamente per tutte le altre equazioni, moltiplicando
entrambi i membri per − 21 eppoi sommando alla i-esima
equazione la prima .
Lezione n°: 10 S1
Attività n°: 1
In pratica si ottiene un nuovo sistema equivalente a quello di
partenza in cui l’incognita 1 compare solo nella prima equazione:
+ + … + =
′ + …+ ′ = ′
⋮ ⋮ ⋮
′ +…+ ′ = ′
Lezione n°: 10 S1
Attività n°: 1
Se nel sistema così ottenuto risulta ′22 = 0 ovvero se la
seconda equazione non contiene l’incognita 2 , si porta tale
incognita all’ultimo posto in tutte le equazioni del sistema,
compresa la prima.
Lezione n°: 10 S1
Attività n°: 1
Supponendo che ′22 ≠ 0 , si moltiplica per questo termine
entrambi i membri di tutte le equazioni eccetto la seconda.
Si prosegue nello stesso modo descritto sopra, per eliminare
l’ incognita 2 da tutte le equazioni eccetto la seconda (ma
compresa la prima).
Lezione n°: 10 S1
Attività n°: 1
Si ottiene un sistema equivalente ai due sistemi precedenti in cui
l’incognita 2 figura solo nella seconda equazione:
" + " ! ! + … + " = "

" + " ! ! + …+ " = "
"!! ! + … + "! = "!
⋮ ⋮ ⋮
" ! ! + …+ " = "
Lezione n°: 10 S1
Attività n°: 1
Si applica il procedimento già descritto a ciascuna delle rimanenti
equazioni del sistema.
Lezione n°: 10/S2
Titolo: Metodo di eliminazione delle incognite
Attività n°: 1
Nella precedente ed in questa attività di studio viene descritto il

metodo di eliminazione delle incognite.
Come già detto, questo metodo si basa su una particolare
manipolazione delle equazioni che permette di eliminare
progressivamente le incognite. E’ uno dei più vecchi metodi analitici
per risolvere sistemi lineari e rimane ancora uno dei metodi più noti
in quanto presenta il grande vantaggio di prestarsi ad essere
espresso in modo sistematico e, quindi, ad essere implementato in
un programma di calcolo (algoritmo di Gauss).
Lezione n°: 10 S2
Attività n°: 2
LEZIONE 10
-----------
Metodo di eliminazione delle incognite (sessione 2)
Lezione n°: 10 S2
Attività n°: 2
Tenendo in considerazione ciò che si è illustrato nella sessione 1 :
Osservazioni.
• Se durante il calcolo una delle equazioni del sistema assume la
forma 0=1 ( o qualsiasi altra forma che rende l’equazione
impossibile), il sistema dato risulta impossibile e, quindi, non
ha significato proseguire i calcoli.
Lezione n°: 10 S2
Attività n°: 2
• Se durante il calcolo una delle equazioni del sistema assume la
forma 0=0, essa si può eliminare dal sistema.
Pertanto alla fine del calcolo rimarranno r≤m equazioni nella
forma:
Lezione n°: 10 S2
Attività n°: 2
+ , + + + … + , =
+ , + + + …+ , =
⋱ ⋮ ⋮
+ , + + +…+ , =
Che si può risolvere rispetto alle incognite , ,…, , trattando
+ ,…, come parametri:
Lezione n°: 10 S2
Attività n°: 2
− − …−
=
, + + ,
⋮ ⋮
− − …−
=
, + + ,
Lezione n°: 10 S2
Attività n°: 2
Se si sono effettuati degli spostamenti di incognite, le incognite
rispetto a cui si risolve il sistema non saranno le prime r.
La procedura descritta è ideale per essere implementata su un
calcolatore, come si vedrà nelle prossime lezioni. Quando, invece, si
effettuano i calcoli manualmente, si applica il principio di riduzione
in modo più elastico.
Lezione n°: 10/S3
Titolo: Metodo di eliminazione delle incognite: esempi
Attività n°: 1
Nelle precedenti attività di studio è stato descritto il metodo di

eliminazione delle incognite.
In questa attività di studio viene, invece, svolto un esempio per
chiarire ulteriormente allo studente la procedura del metodo.
Lezione n°: 10 S3
Titolo: Metodo d eliminazione delle incognite: esempio.
Attività n°: 3
LEZIONE 10
-----------
Metodo di eliminazione delle incognite:

Esempio
Lezione n°: 10 S3
Attività n°: 3
METODO DI ELIMINAZIONE DELLE INCOGNITE
Esempio.
Si risolve il seguente sistema lineare con il metodo di eliminazione
delle incognite:
+ + =−
+ + =−
+ + =−
+ + =−
Innanzitutto, si constata che 11 = 5 ≠ 0.
Lezione n°: 10 S3
Attività n°: 3
Quindi, si moltiplica per 5 entrambi i membri della seconda,terza e
quarta equazione del sistema:
+ + =−
+ + =−
+ + =−
+ + =− .
Si moltiplica la prima equazione per -2, eppoi, si somma membro a
membro alla seconda equazione.
Lezione n°: 10 S3
Attività n°: 3
membro alla terza equazione.
+ + =−
− =−
+ =−
+ =− .
Lezione n°: 10 S3
Attività n°: 3
Si moltiplicano tutte le equazioni tranne la seconda per 9:
+ + =−
− =−
+ =−
+ =− .
Lezione n°: 10 S3
Attività n°: 3
Si moltiplica la seconda equazione per -3, eppoi, si somma membro

a membro alla prima equazione.

membro alla terza equazione.
+ =
− =−
=−
=− .
Lezione n°: 10 S3
Attività n°: 3
A questo punto si potrebbe risalire alla soluzione del sistema
ricavando il valore di z dalla dalla terza o quarta equazione e
sostituendo nelle altre due, ma si vuole procedere in modo
rigoroso.
Lezione n°: 10 S3
Attività n°: 3
Si moltiplicano entrambi i membri di ciascuna delle equazioni
tranne la terza per 15.
+ =
− =−
=−
=− .
Lezione n°: 10 S3
Attività n°: 3
Si elimina l’ incognita z da tutte le equazioni tranne la terza.
=
=−
=−
=
Lezione n°: 10 S3
Attività n°: 3
L’ultima equazione si può eliminare e, quindi, la soluzione è:
=
=
=− =−
=−
→
=−
Lezione n°: 11
Titolo: Metodi per la risoluzione di sistemi lineari
Attività n°: 1
In questa lezione viene svolto un altro esempio per chiarire

ulteriormente allo studente la procedura del metodo di
eliminazione delle incognite.
Lezione n°: 11
Titolo: Metodo di eliminazione delle incognite: altro esempio
Attività n°:
Metodo di eliminazione
delle incognite:
altro esempio

LEZIONE 11
Lezione n°: 11
Attività n°:
METODO DI ELIMINAZIONE DI GAUSS
Esempio.
Questa volta si risolve il seguente sistema lineare non applicando
l’algoritmo esposto nella teoria in modo rigoroso, ma pur sempre
rispettando il principio di riduzione :
+ + + =
+ + + =
+ + + =
+ + + =
Lezione n°: 11
Attività n°:
Si elimina 1 da tutte le equazioni del sistema tranne la prima.
Si moltiplica entrambi i membri della prima equazione per −2 eppoi
si somma membro a membro tale prima equazione alla seconda.
Si moltiplica entrambi i membri della prima equazione per -3 eppoi
si somma membro a membro tale prima equazione alla terza.
Lezione n°: 11
Attività n°:
Si moltiplica entrambi i membri della prima equazione per −4 eppoi
si somma membro a membro tale prima equazione alla quarta.
In questo modo si ottiene :
+ + + =
− − =−
− − =−
− − =−
Lezione n°: 11
Attività n°:
Poiché nella seconda equazione non compare 2, portiamo questa
incognita all’ ultimo posto in tutte le equazioni in cui compare ( in
questo caso solo nella prima ):
+ + + =
− − =−
− − =−
− − =−
Lezione n°: 11
Attività n°:
Si semplifica la seconda, la terza e la quarta equazione dividendone
entrambi i membri rispettivamente per 4, 8,12.
+ + + =
− − =−
− − =−
− − =−
Lezione n°: 11
Attività n°:
Le ultime tre equazioni sono formalmente identiche e , quindi, il
sistema è equivalente al seguente:
+ + + =
− − =−
Lezione n°: 11
Attività n°:
Si cerca di eliminare nella prima equazione del sistema l’ incognita
3.
Si moltiplica entrambi i membri della prima equazione per 2.
Si moltiplica entrambi i membri della seconda equazione per 9
eppoi si somma membro a membro tale seconda equazione alla
prima.
Lezione n°: 11
Attività n°:
Si ottiene così il seguente sistema di due equazioni in quattro
incognite:
− + =−
− − =−
Lezione n°: 11
Attività n°:
Si può risolvere considerando, ad esempio, 2 e 4 come
parametri.
=− + − =+ − −
→
− =− +
=− +
Lezione n°: 11/S1
Titolo: Metodo di eliminazione delle incognite operando sulla matrice
Attività n°: 1
In questa e nella seguente attività di studio viene descritto il

metodo di eliminazione delle incognite operando sulla matrice.
Si vuole far porre attenzione allo studente al fatto che tutte le
operazioni che si eseguono su un sistema lineare per
trasformarlo in un sistema equivalente, corrispondono ad
operazioni eseguibili direttamente sulla matrice completa del
sistema.
Lezione n°: 11 S1
Titolo: Metodo di eliminazione delle incognite operando sulla matrice (sessione 1)
Attività n°: 1
LEZIONE 11
-----------
Metodo di eliminazione delle incognite operando sulla matrice

(sessione 1)
Lezione n°: 11 S1
Attività n°: 1
RISOLUZIONE DEI SISTEMI LINEARI OPERANDO SULLA
MATRICE
E’ di fondamentale importanza notare che , nella risoluzione di un
sistema lineare, si opera solo sui coefficienti delle incognite e sui
termini noti.
Lezione n°: 11 S1
Attività n°: 1
Questo è il motivo per cui si usa risolvere i sistemi lineari operando
sulla sua matrice completa anziché sul sistema stesso.
A tal fine si dimostra in un esempio come le operazioni di un
sistema lineare si equivalgono alle stesse operazioni sulla sua
matrice completa.
Lezione n°: 11 S1
Attività n°: 1
Esempio.
Dato il seguente sistema lineare e la sua matrice completa A’ :
+ + =
+ + =
+ + =
A’ =
Si cerca di rendere nulli i Si cerca di rendere nulli tutti gli

coefficienti di in tutte le elementi della prima colonna
equazioni tranne la prima. tranne quelli della prima riga.
A tal fine si moltiplica per 7 A tal fine si moltiplica per 7 la
entrambi i membri della seconda seconda e terza riga.
e terza equazione.
Lezione n°: 11 S1
Attività n°: 1
+ + =
+ + =
+ + =
A’ =
Si moltiplica entrambi i membri Si moltiplica la prima riga

della prima equazione per -3 per -3 eppoi si somma tale
eppoi si somma membro a prima riga alla seconda.
membro tale prima equazione
alla seconda.
Lezione n°: 11 S1
Attività n°: 1
7 +6 +5 =5 7 6 5 5
10 − = −8
0 10 −1 −8
35 + 42 + 28 = 7
A’ =
35 42 28 7
Si moltiplica entrambi i membri Si moltiplica la prima riga

della prima equazione per -5 per -5 eppoi si somma tale
eppoi si somma membro a prima riga alla terza.
membro tale prima equazione
alla terza.
Lezione n°: 11 S1
Attività n°: 1
7 +6 +5 =5 7 6 5 5
10 − = − 8
0 10 −1 −8
12 + 3 = −18
A’ =
0 12 3 −18
Come si vede tutte le operazioni che si eseguono su un sistema lineare per
trasformarlo in un sistema equivalente, corrispondono ad operazioni
eseguibili direttamente sulla matrice completa del sistema.
Lezione n°: 11/S2
Titolo: Metodo di eliminazione delle incognite operando sulla matrice
Attività n°: 1
In questa e nella precedente attività di studio viene descritto il

metodo di eliminazione delle incognite operando sulla matrice.
Si vuole far porre attenzione allo studente al fatto che siccome
nella risoluzione di un sistema lineare si opera solo sui coefficienti
delle incognite e sui termini noti, i sistemi lineari possono essere
risolti in modo più agevole operando sulla sua matrice completa
anziché sul sistema stesso.
Lezione n°: 11 S2
Attività n°: 2
LEZIONE 11
-----------
Metodo di eliminazione delle incognite operando sulla matrice

(sessione 2)
Lezione n°: 11 S2
Attività n°: 2
Proseguendo ciò che si stava illustrando nella sessione 1: tutte le
operazioni che si eseguono su un sistema lineare per trasformarlo
in un sistema equivalente, corrispondono ad operazioni eseguibili
direttamente sulla matrice completa del sistema.
Lezione n°: 11 S2
Attività n°: 2
Quindi, è possibile :
• Moltiplicare tutti gli elementi di una riga per una
stessa costante diversa da zero perché equivale a
moltiplicare entrambi i membri della corrispondente equazione
per una stessa costante non nulla ;
Lezione n°: 11 S2
Attività n°: 2
• Cambiare l’ordine delle righe della matrice perché
equivale a cambiare l’ ordine delle equazioni corrispondenti
del sistema lineare;
Lezione n°: 11 S2
Attività n°: 2
• Cambiare l’ordine delle colonne della matrice tranne
l’ultima che è la colonna dei termini noti perché
equivale a cambiare l’ ordine delle incognite corrispondenti
del sistema lineare.
In questo caso si deve tener presente che di conseguenza i
risultati si presenteranno in un ordine mutato;
Lezione n°: 11 S2
Attività n°: 2
• Sostituire ad una riga quella che si ottiene
sommandole un’ altra riga dopo averne eventualmente
moltiplicato tutti gli elementi per una stessa costante
diversa da zero perché equivale ad applicare il principio di
riduzione.
Lezione n°: 11 S2
Attività n°: 2
• Inoltre, si deve ricordare che, se eseguendo tali operazioni
compare nella matrice una riga di elementi nulli si può
eliminare analogamente a ciò che avviene in un sistema
lineare.
Lezione n°: 11 S2
Attività n°: 2
• Invece, sempre analogamente a ciò che avviene in un sistema
lineare, se eseguendo tali operazioni compare nella matrice
una riga di elementi nulli tranne l’ultimo cioè il termine noto,
l’intera matrice è impossibile.
Lezione n°: 11 S2
Attività n°: 2
Per concludere si riprende la seguente matrice del sistema
dell’esempio illustrato nella sessione 1 e se ne trova la soluzione:
A’ = − −
−
Lezione n°: 11 S2
Attività n°: 2
Si divide per 3 tutti gli elementi dell’ ultima riga:
A’ = − −
−
Lezione n°: 11 S2
Attività n°: 2
Si cerca di rendere nullo l’ ultimo elemento della seconda colonna e,
a tal fine, si moltiplica per 5 tutti gli elementi dell’ ultima riga.
A’ = − −
−
Lezione n°: 11 S2
Attività n°: 2
Si moltiplica per -2 la seconda riga eppoi quest’ ultima si somma
alla terza riga .
A’ = − −
−
Lezione n°: 11 S2
Attività n°: 2
La terza riga corrisponde all’ equazione:
7 z = −14 → z = −2.
La seconda riga corrisponde all’ equazione:
10 y − z = − 8 → y = −1.
La prima riga corrisponde all’ equazione:
7x + 6y + 5z = 5 → x = 3.
Lezione n°: 11 S2
Attività n°: 2
La soluzione del sistema è :
=
=−
=−
Lezione n°: 11/S3
Titolo: Metodi numerici per sistemi lineari
Attività n°: 1
In questa attività di studio viene introdotto il concetto di metodo

numerico per risolvere sistemi lineari ed in particolare viene
annunciato il metodo di Gauss che è un metodo numerico diretto
e che verrà descritto accuratamente nelle prossime lezioni.
Lezione n°: 11 S3
Titolo: Metodi numerici per la risoluzione di Sistemi Lineari
Attività n°: 3
LEZIONE 11
-----------
Metodi numerici per la risoluzione di sistemi lineari
Lezione n°: 11 S3
Attività n°: 3
METODI NUMERICI PER LA RISOLUZIONE DEI SISTEMI LINEARI
Siano ∈ , ; C ∈ ;X ∈ .
Il problema è determinare la soluzione, se esiste, di :
= .
La soluzione esiste ed è unica se e solo se la matrice non è singolare
( ≠ ).
Lezione n°: 11 S3
Attività n°: 3
. Nelle lezioni precedenti, sono stati trattati in modo dettagliato vari

metodi analitici per la risoluzione di sistemi lineari:
• metodo grafico
• metodo di Cramer
• metodo della matrice inversa
• metodo di eliminazione delle incognite (o metodo di eliminazione
di Gauss)
Lezione n°: 11 S3
Attività n°: 3
.
• Il metodo grafico si rivela inadeguato per la ricerca della
soluzione nel caso di più di tre equazioni.
• Il metodo di Cramer risulta poco efficiente dal punto di vista

computazionale soprattutto quando devono essere affrontati
problemi in cui il numero delle incognite n è particolarmente
elevato.
Lezione n°: 11 S3
Attività n°: 3
.
• Il metodo della matrice inversa si rivela un metodo molto
costoso. Infatti, il calcolo dell’ inversa richiede un numero di
operazioni aritmetiche dell’ordine di grandezza di n3 cui bisogna
aggiungere il prodotto che ha un costo computazionale dell’ordine
di n2.
Lezione n°: 11 S3
Attività n°: 3
• Il metodo di eliminazione delle incognite non risulta un

metodo molto conveniente quando il sistema aumenta di
dimensione. Tuttavia, questo metodo presenta il grande vantaggio
di prestarsi ad essere espresso in modo sistematico e, quindi, ad
essere implementato in un programma di calcolo.
Lezione n°: 11 S3
Attività n°: 3
. Il semplice approccio del metodo di eliminazione delle incognite

può essere esteso a sistemi di grandi dimensioni sviluppando una
tecnica sistematica di eliminazione delle incognite e di sostituzione
all’indietro dei valori trovati.
Il più comune ed anche uno dei più vecchi metodi numerici che
deriva da questa tecnica sistematica è il metodo di Gauss o
algoritmo di Gauss.
Lezione n°: 11 S3
Attività n°: 3
Il metodo di Gauss è un metodo DIRETTO
per la risoluzione di sistemi lineari.
I METODI DIRETTI
I metodi diretti costruiscono la soluzione esatta, in assenza di errori di
arrotondamento, in un numero finito di passi.
Quindi, un metodo diretto è un metodo di risoluzione che, dopo un numero
finito di passi, dà la soluzione esatta a meno dell’errore di arrotondamento.
Lezione n°: 11 S3
Attività n°: 3
I metodi diretti sono i più efficienti per matrici “dense” ( dette anche piene
o non sparse ) ovvero con la maggior parte degli elementi diversi da zero,
di ordine non elevato.
Poiché la risoluzione di sistemi lineari è di fondamentale importanza nel
calcolo scientifico, bisogna utilizzare algoritmi computazionalmente
efficienti.
Lezione n°: 11 S3
Attività n°: 3
Una delle principali caratteristiche che un algoritmo deve avere, infatti, è
proprio l’efficienza computazionale.
Essa rappresenta quello che viene definito “costo” di un algoritmo.
Tale parametro dipende:
dal numero di operazioni aritmetiche eseguite in rapporto al tempo di
esecuzione,
dallo spazio richiesto per memorizzare i dati.
Lezione n°: 11 S3
Attività n°: 3
In conclusione un algoritmo si dice efficiente se risolve il problema oggetto
d’ indagine con il minimo “costo” possibile.
In questo caso , ad esempio, un algoritmo basato sul metodo di Cramer
è computazionalmente non efficiente; mentre l’ algoritmo di Gauss ( che
verrà trattato proprio nelle prossime lezioni) è un algoritmo efficiente.
Lezione n°: 11 S3
Attività n°: 3
• Monegato .G.
CALCOLO NUMERICO.
Levrotto-Bella, Torino 1985.
• Bini, Capovani,Menchi.
Metodi numerici per l’algebra lineare.
Zanichelli, Bologna 1988.
Lezione n°: 12
Titolo: Algoritmo di Gauss
Attività n°: 1
In questa lezione viene presentato l’algoritmo di Gauss, ossia il

metodo numerico che deriva dal metodo analitico di eliminazione
delle incognite ottenuto sviluppando una tecnica sistematica di
eliminazione delle incognite e sostituzione all’ indietro dei valori
trovati.
Lezione n°: 12
Attività n°:
Algoritmo di Gauss
(sessione 1)

LEZIONE 12
Lezione n°: 12
Attività n°:
.
ALGORITMO DI GAUSS
L’ obiettivo dell’ algoritmo di Gauss è trasformare un sistema lineare di
partenza in un sistema equivalente più semplice da risolvere.
Per la precisione, esso trasforma un sistema in un sistema equivalente
con matrice dei coefficienti triangolare superiore.
Lezione n°: 12
Attività n°:
In generale,
si può definire ALGORITMO un procedimento che consente di
ottenere un risultato atteso eseguendo, in un determinato ordine,
una serie finita di istruzioni.
Lezione n°: 12
Attività n°:
Si vuole costruire un algoritmo generale per la risoluzione di un qualunque
sistema di n equazioni in n incognite e che possa soprattutto essere
sistematico e quindi implementato su un calcolatore:
+ + +…+ =
+ + +…+ =
⋮ ⋮ ⋮
+ + +…+ =
Lezione n°: 12
Attività n°:
Il metodo di eliminazione di Gauss consiste fondamentalmente in due
procedure :
1. Eliminazione in avanti delle incognite (forward-substitution).
2. Sostituzione all’ indietro (back-substitution).
Lezione n°: 12
Attività n°:
1. Eliminazione in avanti delle incognite (forward-substitution).
Passo 1:
.
Il primo passo della procedura consiste nell’ eliminare l’ incognita 1
dalla prima e seconda equazione.

Per realizzare ciò si divide la prima equazione del sistema per il
coefficiente 11 della prima incognita:
+ +…+ = .
Questa operazione viene detta normalizzazione e il suo scopo è di

rendere uguale a uno il primo coefficiente della prima equazione.
Lezione n°: 12
Attività n°:
Successivamente si moltiplica l’equazione così normalizzata per 21 :
+( ) +…+( ) = .
Si osservi che, adesso, il primo termine della prima equazione è identico al

primo termine della seconda equazione permettendoci di eliminare la
prima incognita della seconda equazione sottraendo l’ equazione
normalizzata dalla seconda equazione del sistema di partenza :
( - ) + … +( − ) = − .
Lezione n°: 12
Attività n°:
Osservazione.
Notare che in questa equazione:
( - ) + … +( − ) = −
Elemento corrispondente della riga precedente

Elemento
Rapporto fisso detto moltiplicatore.
Rapporto tra il coefficiente
dell’incognita da eliminare e
quello della stessa incognita
nell’equazione usata per
effettuare l’eliminazione.
Lezione n°: 12
Attività n°:
Tale equazione può anche essere espressa evidenziando il numero del

passo in questo modo:
+ …+ = ,
( ) ( ) ( ) ( )
dove l’apice indica il numero del passo.
La suddetta procedura si deve, poi, ripetere per eliminare la prima incognita

dalle equazioni rimanenti.
Per esempio la prima equazione si può normalizzare moltiplicandola per
31 e il risultato deve essere sottratto dalla terza equazione per ottenere:
+ + …+ =
( ) ( ) ( ) ( )
.
Lezione n°: 12
Attività n°:
Ripetendo queste operazioni su tutte le altre equazioni si perviene al

seguente sistema modificato:
+ + +… + =
+ +⋯ + =
( ) ( ) ( ) ( )
+ +⋯ + =
( ) ( ) ( ) ( )
⋮ ⋮
+ +⋯ + =
( ) ( ) ( ) ( )
La prima equazione di questo sistema si dice equazione pivot mentre
11 si denomina coefficiente pivot o semplicemente pivot.
Lezione n°: 12
Attività n°:
Passo 2: Il secondo passo della procedura consiste nell’ eliminare
l’ incognita 2 dalle equazioni 3, 4, …,n del sistema con la stessa
procedura utilizzata nel primo passo.
Per farlo si usa la seconda equazione come equazione pivot e si
(1)
normalizza dividendola per il pivot 22 .
Poi, per eliminare la seconda incognita, si moltiplica l’equazione
(1)
normalizzata per 32 e si sottrae il risultato dalla terza equazione.
Lezione n°: 12
Attività n°:
Si ripete queste operazioni sulle rimanenti equazioni per ottenere:
+ + +…+ =
+ + …+ =
(1) (1) (1) (1)
+ …+ =
(2) (2) (2)
⋮
=
( − ) ( − )
Proseguiremo il procedimento di tale metodo nell’attività di studio 1-

algoritmo di eliminazione gaussiana (sessione2).
Lezione n°: 12
Attività n°:
• Monegato .G.
CALCOLO NUMERICO.
Lezione n°: 12/S1
Attività n°: 1
In questa attività di studio si continua la presentazione

dell’ algoritmo di Gauss iniziata nella sessione precedente.
Lezione n°: 12 S1
Titolo: Algoritmo di Gauss (sessione 2)
Attività n°: 1
LEZIONE 12
-----------
Algoritmo di Gauss
(sessione 2)
Lezione n°: 12 S1
Attività n°: 1
Si prosegue il procedimento del metodo che si è iniziato ad illustrare nella

sessione1:
1. Sostituzione all’ indietro (back-substitution).
( − ) ( − )
Ora si è in grado di risolvere l’equazione =
rispetto ad :
( − )
= ( − ) .
Questo risultato si può sostituire nell’equazione precedente per

ricavare −1 .
Lezione n°: 12 S1
Attività n°: 1
Questo procedimento di sostituzione, che deve essere ripetuto per calcolare

le rimanenti può essere rappresentato dalla seguente formula:
(− ) (− )
−∑ = +
= (− ) per i=n-1, n-2,…,1.
Dal punto di vista matriciale, il metodo di eliminazione di Gauss può essere

schematizzato nel seguente modo:
AX = C A (1) X = C (1) …
A (n-1) X = C (n-1) = UX = C
dove U è una matrice triangolare superiore.
Lezione n°: 12 S1
Attività n°: 1
Sia A una matrice quadrata di ordine n:
⋯
⋯
A= ; C = ( c1 , c2 , … , cn ).
⋮ ⋮ ⋯ ⋮
⋯
Passo1:
si devono eliminare le componenti della prima colonna di A al di sotto di
11 .
Per fare questo, si sottrae dalla riga i-esima (con i=2, 3, …, n) la prima riga
della matrice moltiplicata per il moltiplicatore:
= .
Lezione n°: 12 S1
Attività n°: 1
Al termine del primo passo si ottiene:
⋯
( ) ( )
⋯
A (1) = ; C (1) = ( c1 , c2(1), …, cn(1)).
⋮ ⋮ ⋯ ⋮
( ) ( )
⋯
Si osservi che la prima riga di A (1) e il primo elemento di C (1)

coincidono
con quelli di A e C.
Lezione n°: 12 S1
Attività n°: 1
Le altre n-1 righe hanno subito le seguenti trasformazioni:
( )
= − (con i,j=2, 3, …, n)
( )
= − (con i =2, 3, …, n)
Passo2:
si devono eliminare le componenti della seconda colonna di A (1) al di
(1)
sotto di 22 .
Per fare questo, si sottrae dalla riga i-esima (con i=3, 4, …, n) la seconda
riga della matrice A (1)X = C (1) moltiplicata per il moltiplicatore:
( )
= ( ) .
Lezione n°: 12 S1
Attività n°: 1
Al termine del primo passo si ottiene:
⋯
( ) ( ) ( )
⋯
( ) ( )
A (2)= ⋯ ; C (1)=(c1, c2(1), c3(2),…,cn(2)).
⋮ ⋮ ⋮ ⋯ ⋮
( ) ( )
⋯
Le altre n-1 righe hanno subito le seguenti trasformazioni:
( ) ( ) ( )
= − (con i,j=3, 4, …, n)
( ) ( ) ( )
= − (con i =3, 4, …, n).
Lezione n°: 12 S1
Attività n°: 1
Il procedimento si ripete fino a quando non si ottiene una matrice

triangolare superiore.
La matrice e il vettore finali saranno:
⋯
( ) ( ) ( )
⋯
( ) ( )
A ( n-1) = ⋯ ;
⋮ ⋮ ⋮ ⋯ ⋮
( − )
⋯
C ( n-1)=(c1, c2(1), c3(2),…,cn( n-1)).
Lezione n°: 12 S1
Attività n°: 1
Osservazione.
Gli elementi sulla diagonale principale sono i pivot, di fondamentale
importanza nel meccanismo di eliminazione.
L’algoritmo di Gauss termina dopo n-1 passi ed opera ad ogni passo su

una sottomatrice più piccola.
Il sistema così ottenuto è equivalente a quello di partenza e si risolve con la
sostituzione all’ indietro.
Lezione n°: 12/S2
Titolo: Punti deboli del metodo di Gauss
Attività n°: 1
In questa e nella prossima attività di studio viene svolto un

esempio del metodo di Gauss e vengono evidenziati i punti
deboli che presenta tale metodo ed i modi per ridurre tali
problematiche.
Lezione n°: 12 S2
Titolo: Punti deboli del metodo di Gauss (sessione 1)
Attività n°: 2
LEZIONE 12
-----------
Punti deboli del metodo di Gauss

(sessione 1)
Lezione n°: 12 S2
Attività n°: 2
PUNTI DEBOLI DEL METODO DI GAUSS
Le tecniche sistematiche di eliminazione in avanti e sostituzione all’indietro
che sono alla base del metodo di Gauss possono essere implementate su un
calcolatore ma necessitano di alcune modifiche per migliorare l’ affidabilità
dell’algoritmo.
Lezione n°: 12 S2
Attività n°: 2
In particolare, bisogna evitare che il calcolatore tenti di eseguire una
divisione per zero o per un coefficiente molto vicino allo zero. La tecnica
del pivoting cerca di far evitare questi problemi.
Vediamo di spiegare meglio:
se ad un certo passo il pivot è nullo, nel calcolo dei moltiplicatori si effettua

una divisione per zero e, quindi, l’algoritmo si blocca.
Lezione n°: 12 S2
Attività n°: 2
Esso si blocca anche quando l’ ordine di grandezza di un pivot è molto più
piccolo di quello degli altri elementi a causa dell’ amplificazione degli errori
di arrotondamento nei calcoli .
Questo significa che è necessario verificare se l’algoritmo di Gauss è stabile

oppure no, ossia se il risultato che si ottiene è un’ approssimazione
accettabile oppure no della soluzione esatta.
Lezione n°: 12 S2
Attività n°: 2
Esempio.
Dato il seguente sistema:
− . − . = .
. + − . = − .
. − . + = .
si vuole risolverlo con il metodo di Gauss con precisione di sei cifre
significative.
Procediamo iniziando con l’eliminazione in avanti.
Lezione n°: 12 S2
Attività n°: 2
Normalizziamo la prima equazione del sistema dividendola per il pivot che in
questo caso è 3.
− . − . = .
Lezione n°: 12 S2
Attività n°: 2
Moltiplichiamo questa prima equazione normalizzata per 0.1 e sottraiamo il
risultato dalla seconda equazione del sistema ottenendo così:
. − . =− .
Lezione n°: 12 S2
Attività n°: 2
Adesso, moltiplichiamo sempre la stessa prima riga normalizzata per 0.3
eppoi la sottraiamo dalla terza equazione del sistema.
Dopo queste operazioni, il sistema iniziale è diventato (abbiamo eliminato
l’incognita 1 dalla seconda e terza equazione):
− . − . = .
. − . =− .
− . + . = .
Lezione n°: 12 S2
Attività n°: 2
Per completare l’eliminazione in avanti dobbiamo eliminare 2 dalla terza
equazione di quest’ ultimo sistema.
A tal fine, normalizziamo la seconda equazione dello stesso sistema
dividendola per 7.00333 :
− . =− . .
Lezione n°: 12 S2
Attività n°: 2
Moltiplichiamo, poi, quest’ultima per −0.190000 e sottraiamo il risultato
dalla terza equazione del sistema .
Dopo queste operazioni, il sistema è diventato:
− . − . = .
. − . =− .
. = .
E’ ora un sistema di forma triangolare superiore.
Lezione n°: 12 S2
Attività n°: 2
Si prosegue il procedimento di tale esempio nell’ attività di studio 3- punti

deboli del metodo di Gauss (sessione2).
Lezione n°: 12/S3
Titolo: Punti deboli del metodo di Gauss
Attività n°: 1
In questa e nella precedente attività di studio viene svolto un

esempio del metodo di Gauss e vengono evidenziati i punti
deboli che presenta tale metodo ed i modi per ridurre tali
problematiche.
Lezione n°: 12 S3
Attività n°: 3
LEZIONE 12
-----------
Punti deboli del metodo di Gauss

(sessione 2)
Lezione n°: 12 S3
Attività n°: 3
Si prosegue il procedimento dell’ esempio che si è iniziato ad illustrare
nell’ attività di studio 2 - punti deboli del metodo di Gauss (sessione1):
a questo punto si può procedere con la sostituzione all’ indietro per
ricavare il valore delle incognite.
Risolviamo 10.0120 3 = 70.0843 rispetto ad 3:
= .
Lezione n°: 12 S3
Attività n°: 3
Sostituiamo questo risultato nella seconda equazione dell’ultimo
sistema che, così, può essere risolta rispetto ad 2:
=− .
Lezione n°: 12 S3
Attività n°: 3
Infine, questi due valori 2, 3 appena trovati vanno sostituiti nella prima
equazione del sistema che, in questo modo, può essere risolta rispetto ad
1:
= . .
Lezione n°: 12 S3
Attività n°: 3
Nonostante un piccolo errore di arrotondamento in 3 = 7.00003,
i risultati si avvicinano molto alla soluzione esatta ( algoritmo stabile ) che è
la seguente:
=
=− .
= .
Lezione n°: 12 S3
Attività n°: 3
Possiamo verificarlo sostituendo i valori calcolati nel sistema principale:
( ) − . (− . ) − . ( . )= . ≃ .
. ( ) − (− . ) − . ( . )=− . =− .
. ( ) − . (− . ) + ( . )= . ≃ .
Lezione n°: 12 S3
Attività n°: 3
Errori di arrotondamento ( errori di Round-off )
Come abbiamo già detto, la soluzione del sistema dell’esempio precedente
era molto vicina alla soluzione esatta nonostante un piccolo errore di
arrotondamento in 3.
L’errore dello 0.00043% in meno è dovuto alla scelta di usare sei cifre
significative. Se avessimo usato più cifre significative, l’errore sarebbe stato
più piccolo.
Lezione n°: 12 S3
Attività n°: 3
Come già sappiamo, i calcolatori in genere utilizzano un numero elevato ma
comunque limitato di cifre significative e, quindi, bisogna tenere conto degli
eventuali errori di arrotondamento.
Solitamente tali errori diventano importanti al crescere della dimensione del

sistema di equazioni. Tuttavia, è difficile stabilire per quale grandezza del
sistema gli errori di arrotondamento diventino significativi, in quanto tale
problema dipende sia dalle caratteristiche del sistema di equazioni sia dal
tipo di calcolatore usati.
Lezione n°: 12 S3
Attività n°: 3
Una tecnica per rendere stabile l’ algoritmo è la strategia di pivoting che
verrà illustrata nella prossima lezione ( vedi lezione 13 ).
Per concludere, la riduzione degli errori di arrotondamento può essere
ottenuta applicando il pivoting e utilizzando il maggior numero possibile di
cifre significative.
Lezione n°: 13
Titolo: Strategia di Pivoting
Attività n°: 1
Strategia del pivoting
Lezione n°: 13
Attività n°: 1
STRATEGIA di PIVOTING
Sia 𝑨𝑨 𝑿𝑿 = 𝑪𝑪 .
(𝒌𝒌)
Si supponga che al 𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑 si abbia 𝒂𝒂 𝒌𝒌𝒌𝒌 = 𝟎𝟎.
Siccome 𝒅𝒅𝒅𝒅𝒅𝒅(𝑨𝑨) ≠ 𝟎𝟎 qualche altro elemento della 𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄𝒄
(𝒌𝒌)
𝒂𝒂 𝒊𝒊𝒊𝒊 ( 𝒄𝒄𝒄𝒄𝒄𝒄 𝒊𝒊 = 𝒌𝒌 + 𝟏𝟏, … , 𝒏𝒏 ) deve essere non nullo altrimenti le prime
𝒌𝒌 colonne di 𝑨𝑨 sarebbero linearmente dipendenti e quindi 𝒅𝒅𝒅𝒅𝒅𝒅(𝑨𝑨) = 𝟎𝟎.
Lezione n°: 13
Attività n°: 1
(𝒌𝒌)
Sia 𝒂𝒂 𝒓𝒓𝒓𝒓 ≠ 𝟎𝟎 𝒑𝒑𝒑𝒑𝒑𝒑 𝒌𝒌 + 𝟏𝟏 ≤ 𝒓𝒓 ≤ 𝒏𝒏 , si scambiano allora le equazioni
𝒓𝒓 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 e 𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 e si procede con la eliminazione.
Ne segue, quindi, che ogni sistema di 𝒏𝒏 equazioni in 𝒏𝒏 incognite con
𝒅𝒅𝒅𝒅𝒅𝒅(𝑨𝑨) ≠ 𝟎𝟎 si può ridurre in forma triangolare mediante l’ eliminazione di
Gauss a cui viene combinato uno scambio di colonne.
Lezione n°: 13
Attività n°: 1
Esempio
Esempio.
Dato il seguente sistema lineare:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝒙𝒙𝟏𝟏 + 𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝟐𝟐𝒙𝒙𝟑𝟑 = 𝟐𝟐
𝒙𝒙𝟏𝟏 + 𝟐𝟐𝒙𝒙𝟐𝟐 + 𝟐𝟐𝟐𝟐𝟑𝟑 = 𝟏𝟏
Lezione n°: 13
Attività n°: 1
1° passo
1° passo:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏
𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟎𝟎
(𝟏𝟏)
Il pivot 𝒂𝒂 𝟐𝟐𝟐𝟐 = 𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 → questa non è una buona situazione in quanto
si è già detto che l’ algoritmo di Gauss è instabile numericamente non solo
quando il pivot è zero ma anche quando è un valore “molto” piccolo.
Lezione n°: 13
Attività n°: 1
2° passo
2° passo:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏
𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝒙𝒙𝟑𝟑 = −𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏𝟏
Ovvero:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

�𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏
𝟎𝟎. 𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝒙𝒙𝟑𝟑 = 𝟏𝟏
Lezione n°: 13
Attività n°: 1
2° passo
La soluzione approssimata a tre cifre decimali è:
𝒙𝒙𝟏𝟏 = 𝟎𝟎
� 𝒙𝒙𝟐𝟐 = 𝟎𝟎
𝒙𝒙𝟑𝟑 = 𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎
Invece, la soluzione esatta è:
𝟏𝟏
� 𝒙𝒙𝟏𝟏 = 𝟏𝟏; 𝒙𝒙𝟐𝟐 = − ≃ −𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎; 𝒙𝒙𝟑𝟑 ≃ 𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎
𝟐𝟐 − 𝟏𝟏. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎
Lezione n°: 13
Attività n°: 1
2° passo
Questo significa che la soluzione ottenuta con il metodo di eliminazione di
Gauss è errata.
L’ Algoritmo non è stabile.
Si prova adesso ad usare quella che viene denominata
Strategia di Pivoting.
Lezione n°: 13
Attività n°: 1
1° passo
1° passo:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏
𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟎𝟎
Lezione n°: 13
Attività n°: 1
1° passo
Scambio la terza e la quarta equazione tra loro (pivoting):
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟎𝟎
𝟎𝟎. 𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟎 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏
Lezione n°: 13
Attività n°: 1
2° passo
2° passo:
𝒙𝒙𝟏𝟏 + 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟏𝟏

� 𝒙𝒙𝟐𝟐 + 𝒙𝒙𝟑𝟑 = 𝟎𝟎
𝟎𝟎. 𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝟗𝒙𝒙𝟑𝟑 = 𝟏𝟏
Lezione n°: 13
Attività n°: 1
2° passo
La soluzione approssimata a tre cifre decimali adesso è:
𝒙𝒙𝟏𝟏 = 𝟏𝟏
� 𝒙𝒙𝟐𝟐 = −𝟏𝟏
𝒙𝒙𝟑𝟑 = 𝟏𝟏
E, quindi, va bene.
Lezione n°: 13
Attività n°: 1
2° passo
In conclusione, per evitare errori catastrofici bisogna scegliere il
𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑 adeguato al 𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑.
Il pivoting consiste nel selezionare al 𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑 𝒌𝒌 un pivot non nullo tale
che :
(𝒌𝒌)
|𝒎𝒎𝒊𝒊𝒊𝒊 | ≤ 𝟏𝟏 ( 𝒄𝒄𝒄𝒄𝒄𝒄 𝒊𝒊 = 𝒌𝒌 + 𝟏𝟏, … , 𝒏𝒏 )
così da ridurre l’ errore di arrotondamento.
Lezione n°: 13
Attività n°: 1
2° passo
Poiché si ha:
(𝒌𝒌)
𝒂𝒂 𝒊𝒊𝒊𝒊
𝒎𝒎𝒊𝒊𝒊𝒊 =
𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑𝒑
se si vuole:
(𝒌𝒌)
|𝒎𝒎 𝒊𝒊𝒊𝒊 | ≤ 𝟏𝟏
deve essere:
(𝒌𝒌)
pivot ≥ |𝒂𝒂 𝒊𝒊𝒊𝒊 | ( 𝒄𝒄𝒄𝒄𝒄𝒄 𝒊𝒊 = 𝒌𝒌 + 𝟏𝟏, … , 𝒏𝒏 ) .
Lezione n°: 13/S1
Attività n°: 1
Lezione 13
LEZIONE 13
-----------
STRATEGIA DEL PIVOTING

( sessione 2)
Lezione n°: 13/S1
Attività n°: 1
Lezione 13
PIVOTING PARZIALE
IL PIVOTING
PUO’ ESSERE DI
DUE TIPI:
PIVOTING TOTALE
O COMPLETO
Lezione n°: 13/S1
Attività n°: 1
Pivoting parziale
PIVOTING PARZIALE
Bisogna individuare il più piccolo coefficiente 𝒓𝒓 per cui si abbia :
(𝒌𝒌) (𝒌𝒌)
|𝒂𝒂 𝒓𝒓𝒓𝒓 |= max |𝒂𝒂 𝒊𝒊𝒊𝒊 | 𝒑𝒑𝒑𝒑𝒑𝒑 𝒌𝒌 ≤ 𝒊𝒊 ≤ 𝒏𝒏
e si scambiano le righe tra 𝒌𝒌 e 𝒓𝒓.
(𝒌𝒌)
Questa strategia mantiene |𝒎𝒎 𝒊𝒊𝒊𝒊 | ≤ 𝟏𝟏 .
Lezione n°: 13/S1
Attività n°: 1
Pivoting parziale
Il pivoting parziale, dal punto di vista computazionale, costa al più 𝒏𝒏 − 𝒌𝒌
𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 per la ricerca e 𝒏𝒏 − 𝒌𝒌 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 per lo scambio.
Prima di normalizzare ogni riga vale la pena di determinare quale sia il
coefficiente più grande disponibile nelle righe al di sotto di quella in esame
e nella colonna cui appartiene il pivot attivo.
Lezione n°: 13/S1
Attività n°: 1
Pivoting parziale
La riga attiva e quella che contiene il coefficiente più grande nella colonna
in esame vengono scambiati di posto in modo che il pivot abbia il valore più
grande possibile.
Questa tecnica è la più usata in quanto evita le divisioni per zero e permette
di minimizzare gli errori di arrotondamento.
Lezione n°: 13/S1
Attività n°: 1
Pivoting totale
PIVOTING TOTALE
Quando la ricerca dell’ elemento adatto e il successivo scambio avvengono
sia secondo le righe che secondo le colonne della matrice dei coefficienti.
Si scelgono 𝒓𝒓 e 𝒔𝒔 come i più piccoli coefficienti per cui:
|𝒂𝒂 𝒓𝒓𝒓𝒓 |≤ max |𝒂𝒂 𝒊𝒊𝒊𝒊 | 𝒑𝒑𝒑𝒑𝒑𝒑 𝒌𝒌 ≤ 𝒊𝒊 𝑒𝑒 𝒋𝒋 ≤ 𝒏𝒏 .
e si scambiano la riga 𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 con la colonna 𝒓𝒓 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 e la colonna
𝒌𝒌 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆 con la colonna 𝒔𝒔 − 𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆𝒆.
Lezione n°: 13/S1
Attività n°: 1
Pivoting totale
Il pivoting totale, computazionalmente, costa al più (𝒏𝒏 − 𝒌𝒌) 𝟐𝟐 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
per la ricerca e 𝟐𝟐(𝒏𝒏 − 𝒌𝒌) 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 per lo scambio.
Il pivoting completo viene usato raramente dai programmi più semplici in
quanto la permutazione di colonne modifica l’ ordine delle 𝒙𝒙 aggiungendo
così una sensibile complessità al programma.
Infatti, 𝒙𝒙 𝒌𝒌 si scambia con 𝒙𝒙 𝒔𝒔 ed occorre rinominare le variabili per
poterne tenere traccia fino alla fine dello scambio di colonne effettuato.
Lezione n°: 13/S2
Titolo: Esercizi
Attività n°: 1
Lezione 13
LEZIONE 13
-----------
ELIMINAZIONE DI GAUSS:
Esercizi 1
Lezione n°: 13/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 1
ESERCIZIO 1
 Risolvere il seguente sistema lineare con il metodo di eliminazione di Gauss:
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 0
� 2𝑥𝑥 + 3𝑦𝑦 + 4𝑧𝑧 = 0
3𝑥𝑥 + 5𝑦𝑦 + 7𝑧𝑧 = 0
Lezione n°: 13/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 2
ESERCIZIO 2
−2𝑥𝑥 + 3𝑧𝑧 = 7
−4𝑥𝑥 − 2𝑦𝑦 + 𝑧𝑧 = 3
�
2𝑥𝑥 + 2𝑦𝑦 + 2𝑧𝑧 = 4
−10𝑥𝑥 − 6𝑦𝑦 = 2
Lezione n°: 13/S2
Titolo: Esercizi
Attività n°: 1
Esercizio 3
ESERCIZIO 3
𝑥𝑥 + 𝑦𝑦 + 𝑧𝑧 = 0
� 𝑥𝑥 − 𝑦𝑦 − 5𝑧𝑧 = 0
3𝑥𝑥 + 𝑦𝑦 − 3𝑧𝑧 = 0
Lezione n°: 14
Titolo: Metodo di Gauss Jordan
Attività n°: 1
In questa lezione (Lezione 14), viene trattato un altro metodo

diretto per risolvere sistemi di equazioni lineari algebriche: il
metodo di Gauss Jordan. Vengono evidenziate le differenze con
il metodo di Gauss ed i punti deboli dell’algoritmo stesso, oltre
che proposti degli esercizi con cui lo studente potrà verificare la
comprensione di quanto studiato.
Lezione n°: 14
Attività n°:
Lezione n°: 14
Attività n°:
METODO DI GAUSS-JORDAN
Il metodo di Gauss-Jordan è un altro metodo per la risoluzione di sistemi di
equazioni lineari algebriche.
Tale metodo è molto simile a quello di Gauss di cui si è già parlato nelle
lezioni precedenti (vedi lezione 12); tuttavia si tratterà ugualmente
questo metodo in quanto consente di calcolare numericamente l’ inversa di
una matrice in modo semplice ed efficiente.
Lezione n°: 14
Attività n°:
. Quindi, in altri termini, il metodo di Gauss-Jordan è una tecnica alternativa
del metodo di Gauss.
La differenza principale consiste che nel metodo di Gauss-Jordan quando si
elimina una variabile, si elimina da tutte le equazioni del sistema e non solo
da quelle che sono sotto la riga corrente.
Questo implica che il risultato dell’ eliminazione è una matrice unità anziché
una matrice triangolare superiore.
Lezione n°: 14
Attività n°:
Questo implica che il risultato dell’ eliminazione è una matrice unità anziché
Di conseguenza non è necessario effettuare la sostituzione all’ indietro per
perseguire la soluzione, come invece succede nel caso del metodo di Gauss.
Per chiarire la differenza tra i due metodi si procede con il confrontarli
attraverso una rappresentazione grafica.
Lezione n°: 14
Attività n°:
RAPPRESENTAZIONE GRAFICA DEL METODO DI GAUSS
Lezione n°: 14
Attività n°:
• L’ eliminazione in avanti consente di ridurre la matrice dei coefficienti
in forma triangolare superiore.
• La sostituzione all’ indietro permette di ricavare il valore delle
incognite.
Lezione n°: 14
Attività n°:
RAPPRESENTAZIONE GRAFICA DEL METODO DI GAUSS-JORDAN
′ = ′
′ = ′
′ = ′
L’apice indica che i termini noti si ottengono con modifiche successive.
Lezione n°: 14
Attività n°:
Esempio.
− . − . = .
. + − . = − .
. − . + = .
( il sistema è analogo a quello dell’ esempio in lezione 12 – attività di studio
2 e 3 - punti deboli del metodo di Gauss, in modo da poter effettuare un
paragone e, quindi, comprendere le differenze tra i due metodi).
Lezione n°: 14
Attività n°:
Si vuole risolvere tale sistema utilizzando il metodo di Gauss-Jordan.
Innanzitutto, si rappresenta la matrice dei coefficienti e il vettore dei termini
noti come un’ unica matrice rettangolare:
− . − . .
. − . − .
. − . .
Lezione n°: 14
Attività n°:
Si normalizza la prima riga dividendola per il pivot (che è il valore 3) e si
ottiene :
− . − . .
. − . − . .
. − . .
Lezione n°: 14
Attività n°:
Per eliminare l’ incognita dalla seconda riga si procede in questo
modo:
si moltiplica la prima riga normalizzata per 0.1 eppoi si sottrae tale
prima riga dalla seconda.
Si ottiene:
− . − . .
. − . − . .
. − . .
Lezione n°: 14
Attività n°:
In modo analogo, si elimina l’ incognita dalla terza riga:
si moltiplica la prima riga normalizzata per 0.3 eppoi si sottrae tale
prima riga dalla terza.
In tale maniera si ottiene :
− . − . .
. − . − . .
− . . .
Lezione n°: 14
Attività n°:
Adesso si normalizza la seconda riga dividendola per 7.0033 .
Si ottiene :
− . − . .
− . − . .
− . . .
Lezione n°: 14
Attività n°:
Nella stessa maniera di prima si elimina l’ incognita dalla prima e terza
riga e si ottiene:
− . .
− . − . .
. .
Lezione n°: 14
Attività n°:
Adesso si normalizza la terza riga dividendola per 10.0120 .
Si ottiene :
− . .
− . − . .
Lezione n°: 14
Attività n°:
Per eliminare l’ incognita dalla prima riga si procede in questo modo:
si moltiplica la terza riga normalizzata per - 0,0680 eppoi si sottrae tale
terza riga dalla prima.
Si ottiene:
.
− . − , .
Lezione n°: 14
Attività n°:
In modo analogo, si elimina l’ incognita dalla seconda riga:
si moltiplica la terza riga per -0,0419 eppoi si sottrae tale terza riga dalla
seconda.
In tale maniera si ottiene :
.
− . .
Lezione n°: 14
Attività n°:
In tal modo è stata eliminata l’ incognita dalla prima e seconda riga.
La matrice dei coefficienti è stata così trasformata in una matrice unità e la
soluzione si trova nel vettore dei termini noti.
Si noti che, come già detto, non si è avuto bisogno di effettuare la
sostituzione all’ indietro per arrivare alla soluzione.
Lezione n°: 14
Attività n°:
• Monegato .G.
CALCOLO NUMERICO.
Lezione n°: 14/S1
Titolo: Punti deboli del metodo di Gauss Jordan (sessione 1)
Attività n°: 1
In questa attività di studio, vengono evidenziati i punti deboli

del metodo di Gauss Jordan ed i possibili miglioramenti che
possono essere apportare al metodo per renderlo affidabile.
Lezione n°: 14 S1
Attività n°: 1
LEZIONE 14
-----------
PUNTI DEBOLI DEL METODO DI GAUSS -JORDAN

(sessione 1)
Lezione n°: 14 S1
Attività n°: 1
PUNTI DEBOLI DEL METODO DI GAUSS-JORDAN
Tutto quello che è stato detto nella lezione 12 ( vedi lezione 12 - attività di
studio 2 e 3 - Punti deboli del metodo di Gauss ) riguardo i punti deboli e i
possibili miglioramenti che si possono apportare al metodo di Gauss vale
anche per il metodo di Gauss-Jordan.
Infatti, ad esempio , per evitare le divisioni per zero e per limitare gli errori
di arrotondamento anche qui si usa la strategia di Pivoting.
Lezione n°: 14 S1
Attività n°: 1
Anche il metodo di Gauss-Jordan può essere implementato su un
calcolatore attraverso un algoritmo che , però, necessita di alcune
modifiche per diventare più affidabile.
In particolare, si deve evitare che il calcolatore tenti di eseguire una
divisione per zero o per un coefficiente molto vicino allo zero.
Infatti, se ad un certo passo il pivot è nullo, nel calcolo dei moltiplicatori si
effettua una divisione per zero e l’algoritmo si blocca.
Lezione n°: 14 S1
Attività n°: 1
E la stessa cosa succede anche quando l’ ordine di grandezza di un pivot è
molto più piccolo di quello degli altri elementi a causa dell’ amplificazione
degli errori di arrotondamento nei calcoli .
Come abbiamo già detto per il metodo di Gauss, anche qui la tecnica che
cerca di far evitare questi problemi è quella del Pivoting assieme
all’ utilizzo del maggior numero possibile di cifre significative.
Lezione n°: 14 S1
Attività n°: 1
Quindi, il metodo di Gauss-Jordan e il metodo di Gauss sono molto simili .
Tuttavia, il primo metodo è molto più costoso e richiede circa il 50% di
operazioni in più rispetto al secondo.
Per questo il metodo di Gauss è il metodo diretto più utilizzato per risolvere
sistemi di equazioni lineari e viene preferito al metodo di Gauss-Jordan.
Lezione n°: 14 S1
Attività n°: 1
Il motivo per cui si è deciso di trattare anche il metodo di Gauss-Jordan è
dovuto principalmente al fatto che questa tecnica permette di calcolare in
modo semplice l’ inversa di una matrice e tale operazione è di enorme
importanza pratica nell’ ingegneria.
Molti dei sistemi che si incontrano nell’ ingegneria sono basati sulle leggi di
conservazione che vengono espresse attraverso delle equazioni di bilancio .
Lezione n°: 14/S2
Attività n°: 1
In questa attività di studio, si cerca di spiegare il motivo della

scelta di trattare il metodo di Gauss Jordan pur essendo un
metodo molto oneroso dal punto di vista computazionale e
quindi, quando possibile, da evitare. La ragione, come viene
spiegato più dettagliatamente nella seguente lezione, è che tale
metodo è davvero molto utile in molti problemi ingegneristici,
oltre ad essere molto utile nel riconoscimento di un sistema
malcondizionato.
Lezione n°: 14 S2
Titolo: Punti deboli metodo Gauss Jordan (sessione2)
Attività n°: 2
LEZIONE 14
-----------
PUNTI DEBOLI DEL METODO DI GAUSS -JORDAN

(sessione 2)
Lezione n°: 14 S2
Attività n°: 2
Proseguendo ciò che si stava dicendo nell’ attività di studio 1 (sessione 1):
molti dei sistemi che si incontrano nell’ ingegneria sono basati sulle leggi di
conservazione che vengono espresse attraverso delle equazioni di bilancio .
Per esempio, nel caso di una struttura, tale bilancio è costituito dalle
condizioni di equilibrio delle forze agenti in ogni nodo.
Lezione n°: 14 S2
Attività n°: 2
Si arriva ad un insieme di equazioni che consente di calcolare i parametri di
risposta dell’ intero sistema.
Queste equazioni sono accoppiate nel senso che ogni equazione contiene
una o più variabili che compaiono anche nelle altre equazioni.
In molti casi questi sistemi sono lineari e, quindi, proprio quelli nella forma
A · X = C di cui si sta parlando.
Lezione n°: 14 S2
Attività n°: 2
Nelle equazioni di equilibrio i termini di A · X = C hanno
un’ interpretazione fisica ben precisa.
Gli elementi di X rappresentano lo stato o la risposta del sistema cioè l’
incognita ovvero ciò che si vuole determinare.
Quindi, ad esempio, essi possono rappresentare i parametri di spostamento
dei singoli nodi della struttura.
Lezione n°: 14 S2
Attività n°: 2
Il vettore dei termini noti C contiene quei dati che sono indipendenti dal
comportamento del sistema ovvero sono noti.
Per cui, ad esempio, possono rappresentare le forze esterne agenti sui nodi
della struttura.
Infine, la matrice dei coefficienti A contiene, solitamente, i parametri
intrinseci della struttura.
Lezione n°: 14 S2
Attività n°: 2
Esistono molti metodi per risolvere l’ espressione A · X = C ma l’ uso della
matrice inversa ci fa pervenire ad un risultato molto interessante:
-1
X=A ·C oppure
− − −
= + +
− − −
= + +
− − −
= + +
−
Come si evince dalla relazione precedente, il termine rappresenta il
valore dello spostamento dovuto alla componente unitaria di F
denominata .
Lezione n°: 14 S2
Attività n°: 2
Occorre osservare che, poiché le relazioni antecedenti sono lineari,
valgono i principi di sovrapposizione degli effetti e di proporzionalità.
Il principio di sovrapposizione degli effetti dice che, se un sistema è
soggetto ad un certo numero di forze agenti esterne, si può calcolare
separatamente ciascuna componente di spostamento indotta dalla singola
forza eppoi determinare il valore totale della componente di spostamento
come somma dei valori indotti dalle singole forze.
Lezione n°: 14 S2
Attività n°: 2
Invece, il principio di proporzionalità dice che, moltiplicando il vettore
delle forze esterne C per una costante, si ottiene un vettore X pari a
quello di partenza moltiplicato per la stessa costante.
−
Pertanto il coefficiente rappresenta la componente di spostamento
− indotta da una forza unitaria − .
Lezione n°: 14 S2
Attività n°: 2
La matrice inversa, oltre che essere utile per risolvere problemi di
ingegneria, permette anche di riconoscere se un sistema è male
condizionato.
I metodi più usati sono tre:
• Si normalizza la matrice dei coefficienti A in modo che l’ elemento più
grande di ogni riga sia uguale all’ unità.
-1
Se esistono elementi di A di molti ordini superiori a quelli della matrice
di partenza è probabile che il sistema sia male condizionato.
Lezione n°: 14 S2
Attività n°: 2
• Si moltiplica la matrice dei coefficienti A per la sua inversa e si
verifica se la matrice risultante varia di poco dalla matrice unità.
In caso contrario, il sistema è male condizionato.
• Si inverte la matrice inversa e si controlla che il risultato si avvicini alla
matrice dei coefficienti A di partenza.
In caso contrario, il sistema è male condizionato.
Lezione n°: 14/S3
Titolo: Esercizi
Attività n°: 1

allo studente per verificare la sua padronanza degli argomenti
trattati nelle attività di studio precedenti.
Gli esercizi possono essere inviati al docente nel sistema di
messaggistica per avere conferma del proprio operato.
Lezione n°: 14 S3
Titolo: Esercizi
Attività n°: 3
LEZIONE 14
-----------
METODO DI GAUSS-JORDAN :
Esercizi
Lezione n°: 14 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 14 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 14 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 15
Titolo: Inversione di matrici
Attività n°: 1
Come già detto nella lezione precedente (Lezione 14), il metodo

di Gauss Jordan è un metodo numerico molto utile in molti
problemi ingegneristici dove è necessario determinare l’inversa
di una matrice.
Tuttavia, bisogna tener ben presente che l’inversione di una
matrice è una operazione molto onerosa e quindi da evitare
quando è possibile arrivare alla soluzione in un’altra maniera.
Lezione n°: 15
Titolo: Inversione di matrici (sessione 1)
Attività n°:
Lezione n°: 15
Attività n°:
INVERSIONE DI MATRICI
Quando si è parlato dell’ inversa di una matrice ( vedi lezione 5 e 6 ) si è
detto che :
-1
se una matrice A è quadrata allora esiste un’ altra matrice A detta
inversa di A per la quale vale la relazione:
-1 -1
A·A =A ·A=I.
Lezione n°: 15
Attività n°:
Si è anche visto come l’ inversa venga usata per risolvere i sistemi di
equazioni attraverso la formula:
-
X = A 1· C .
Un caso in cui l’ inversa trova applicazione riguarda la risoluzione di sistemi
di equazioni nella forma:
A·X=C,
quando questi sistemi differiscono solo per il vettore dei termini noti C .
Lezione n°: 15
Attività n°:
In questo caso, invece di risolvere i singoli sistemi separatamente, si adotta
un approccio diverso: si calcola una sola volta l’ inversa della matrice dei
-1
coefficienti eppoi attraverso la formula X = A · C si ottiene la
-1
soluzione di ogni sistema moltiplicando A per il particolare vettore C .
Lezione n°: 15
Attività n°:
Dato che la moltiplicazione tra matrici richiede un numero di operazioni
decisamente inferiore rispetto all’ inversione, è preferibile eseguire la parte
onerosa dei calcoli una volta sola per poi ottenere velocemente le varie
soluzioni.
Per il calcolo dell’ inversa ci si avvale del metodo di Gauss-Jordan.
Lezione n°: 15
Attività n°:
A tal fine si aggiunge una matrice unità alla matrice dei coefficienti.
Poi mediante tale metodo si riduce la matrice dei coefficienti ad una
matrice unità, come si è visto nella parte teorica della lezione 14
( vedi lezione 14 – attività teorica - metodo di Gauss-Jordan ).
Lezione n°: 15
Attività n°:
A questo punto la metà di destra della matrice conterrà l’ inversa della
matrice di partenza.
A I
I A -1
− − −
− − −
− − −
−
La notazione indica l’elemento ij dell’inversa della matrice A.
Lezione n°: 15/S1
Titolo: Inversione di matrici
Attività n°: 1
In questa attività di studio si presenta un esempio di

applicazione del metodo di Gauss Jordan per determinare
l’ inversa di una matrice.
Lezione n°: 15 S1
Attività n°: 1
LEZIONE 15
-----------
INVERSIONE DI MATRICI
(sessione 2)
Lezione n°: 15 S1
Attività n°: 1
Esempio.
− . − . = .
. + − . = − .
. − . + = .
( il sistema è analogo a quello dell’ esempio in lezione 12 – attività di studio
2 e 3- punti deboli metodo di Gauss ).
Lezione n°: 15 S1
Attività n°: 1
Si vuole determinare l’ inversa della matrice dei coefficienti e risolvere il
-1
sistema moltiplicando A per il vettore dei termini noti :
T
C = [ 7.85 -19.3 71.4 ] .
Inoltre, si vuole calcolare la soluzione anche per un altro vettore dei termini
noti:
T
C = [ 20 50 15 ] .
Lezione n°: 15 S1
Attività n°: 1
Innanzitutto, si rappresenta la matrice dei coefficienti :
− . − .
. − . .
. − .
Lezione n°: 15 S1
Attività n°: 1
Poi, si aggiunge a tale matrice dei coefficienti la matrice unità:
− . − .
. − . .
. − .
Si normalizza la prima riga utilizzando l’elemento come pivot .
Lezione n°: 15 S1
Attività n°: 1
In seguito si utilizza quest’ ultima riga per eliminare dalle altre righe.
− . − . .
. − . − . .
− . . − .
Lezione n°: 15 S1
Attività n°: 1
Adesso, si utilizza come pivot l’ elemento e si elimina dalle altre
righe.
− . . .
− . − . . .
. − . .
Lezione n°: 15 S1
Attività n°: 1
Infine, si utilizza come pivot l’ elemento e si elimina dalle altre
righe.
. . .
− . . . .
− . . .
Lezione n°: 15 S1
Attività n°: 1
L’ inversa è:
. . .
= − . . . .
− . . .
Lezione n°: 15 S1
Attività n°: 1
Ora si può calcolare la soluzione del sistema moltiplicando l’ inversa per il
vettore dei termini noti :
= . . − . . + . .
= .
= . − . − . . + . .
=− .
= . − . − . . + . .
= .
Lezione n°: 15 S1
Attività n°: 1
Anche la seconda soluzione si ottiene con una semplice moltiplicazione tra
matrici :
= . + . + .
= .
= − . + . + .
= .
= − . + . + .
= .
Lezione n°: 15/S2
Titolo: Esercizi
Attività n°: 1

trattati nelle attività di studio precedenti.
Lezione n°: 15 S2
Titolo: Esercizi
Attività n°: 2
LEZIONE 15
-----------
INVERSIONE DI MATRICI :
Esercizi
Lezione n°: 15 S2
Titolo: Esercizi
Attività n°: 2
Lezione n°: 15 S2
Titolo: Esercizi
Attività n°: 2
Lezione n°: 15 S3
Titolo: Fattorizzazione LU
Attività n°: 3
LEZIONE 15
-----------
FATTORIZZAZIONE LU.
Lezione n°: 15 S3
Attività n°: 3
FATTORIZZAZIONE LU
L’algoritmo di Gauss effettua contemporaneamente la trasformazione sulla
matrice dei coefficienti A e su quella dei termini noti C ma non sempre tale
procedura è molto efficiente; esistono dei casi in cui è preferibile eseguire
separatamente le due operazioni appena dette.
La fattorizzazione LU è una variante del metodo di Gauss che fa proprio
questo: scinde la trasformazione sulle matrici A e C.
Lezione n°: 15 S3
Attività n°: 3
Tale metodo si basa sul seguente:
Teorema di fattorizzazione
Data una matrice A non singolare, con le sottomatrici principali di dimensione
1, 2, …, n-1 non singolari, esiste una ed una sola fattorizzazione di A :
A =LU
dove L è una matrice triangolare inferiore con gli elementi diagonali uguali a
1 e U è una matrice triangolare superiore.
Lezione n°: 15 S3
Attività n°: 3
Noti i risultati L e U della matrice dei coefficienti di A, si ha :
AX =C LU X =C
E , quindi, posto UX =Y la soluzione del problema si ottiene risolvendo:
LY =C sostituzione in avanti
UX =Y sostituzione all’indietro
Lezione n°: 15 S3
Attività n°: 3
Il risultato fondamentale a cui si arriva è la connessione tra la fattorizzazione
LU e l’algoritmo di Gauss.
L’algoritmo di Gauss realizza la fattorizzazione LU ovvero ne calcola proprio
le matrici L e U.
Si dimostra che le matrici della fattorizzazione sono:
…
…
L= … = matrice dei moltiplicatori
⋮ ⋮ ⋮ ⋱ ⋮
…
Lezione n°: 15 S3
Attività n°: 3
Che è una matrice triangolare inferiore con elementi diagonali uguali a 1
ed elementi della colonna al di sotto dell’ elemento diagonale uguali ai
moltiplicatori calcolati al , = , − , durante l’ algoritmo di Gauss.
…
…
U =A (n-1) … =
⋮ ⋮ ⋮ ⋱ ⋮
… −
= matrice finale di Gauss
Lezione n°: 15 S3
Attività n°: 3
Esempio.
Data la matrice A :
−
A= − ,
−
Se si applica l’ algoritmo di Gauss si ottiene:
−
U= − ! .
−"
Lezione n°: 15 S3
Attività n°: 3
I moltiplicatori utilizzati sono:
• al passo 1: = ; = .
= .
%
• al passo 2:
Si consideri adesso la matrice dei moltiplicatori:
L= = / .
%/
Lezione n°: 15 S3
Attività n°: 3
Se si calcola il prodotto LU si ottiene :
− −
LU = / × − ! = − =A
%/ −" −
Ovvero LU =A .
Lezione n°: 15 S3
Attività n°: 3
Si può osservare che:
LU
Fattorizzazione LU LY =C ; UX =Y
(n-1)
Algoritmo di Gauss UX =C
Ciò implica che:
(n-1) -1
C =Y=L C.
Quindi risolvere LY =C equivale ad effettuare su C gli ( n-1 ) passi di Gauss.
Lezione n°: 15 S3
Attività n°: 3
In conclusione:
Gauss
fattorizzazione LU + risoluzione LY=C.
Lezione n°: 15 S3
Attività n°: 3
La risoluzione di AX =C si effettua, quindi, mediante tre procedure:
1. calcolo dei fattori L e U attraverso l’ algoritmo di Gauss applicato ad A.

2. risoluzione di LY =C con la sostituzione in avanti.
3. risoluzione di UX =Y con la sostituzione all’ indietro.
La possibilità di fattorizzare A nella forma A = LU tramite l’ algoritmo di

Gauss risulta particolarmente vantaggiosa nella risoluzione di molti
problemi come, ad esempio, la risoluzione di più sistemi con la stessa
matrice e termini noti diversi o per il calcolo del determinante di una
matrice.
Lezione n°: 15 S3
Attività n°: 3
• Barozzi .G.C.
INTRODUZIONE AGLI ALGORITMI DELL’ ALGEBRA LINEARE.
Lezione n°: 15/S3
Attività n°: 1
In questa attività di studio, viene trattato il metodo numerico

della fattorizzazione LU ed il suo stretto legame con il metodo di
Gauss, algoritmo già trattato in precedenza (Lezione 12).
Lezione n°: 15 S3
Attività n°: 3
LEZIONE 15
-----------
FATTORIZZAZIONE LU.
Lezione n°: 15 S3
Attività n°: 3
FATTORIZZAZIONE LU
L’algoritmo di Gauss effettua contemporaneamente la trasformazione sulla
matrice dei coefficienti A e su quella dei termini noti C ma non sempre tale
procedura è molto efficiente; esistono dei casi in cui è preferibile eseguire
separatamente le due operazioni appena dette.
La fattorizzazione LU è una variante del metodo di Gauss che fa proprio
questo: scinde la trasformazione sulle matrici A e C.
Lezione n°: 15 S3
Attività n°: 3
Tale metodo si basa sul seguente:
Teorema di fattorizzazione
Data una matrice A non singolare, con le sottomatrici principali di dimensione
1, 2, …, n-1 non singolari, esiste una ed una sola fattorizzazione di A :
A =LU
dove L è una matrice triangolare inferiore con gli elementi diagonali uguali a
1 e U è una matrice triangolare superiore.
Lezione n°: 15 S3
Attività n°: 3
Noti i risultati L e U della matrice dei coefficienti di A, si ha :
AX =C LU X =C
E , quindi, posto UX =Y la soluzione del problema si ottiene risolvendo:
LY =C sostituzione in avanti
UX =Y sostituzione all’indietro
Lezione n°: 15 S3
Attività n°: 3
Il risultato fondamentale a cui si arriva è la connessione tra la fattorizzazione
LU e l’algoritmo di Gauss.
L’algoritmo di Gauss realizza la fattorizzazione LU ovvero ne calcola proprio
le matrici L e U.
Si dimostra che le matrici della fattorizzazione sono:
…
…
L= … = matrice dei moltiplicatori
⋮ ⋮ ⋮ ⋱ ⋮
…
Lezione n°: 15 S3
Attività n°: 3
Che è una matrice triangolare inferiore con elementi diagonali uguali a 1
ed elementi della colonna al di sotto dell’ elemento diagonale uguali ai
moltiplicatori calcolati al , = , − , durante l’ algoritmo di Gauss.
…
…
U =A (n-1) … =
⋮ ⋮ ⋮ ⋱ ⋮
… −
= matrice finale di Gauss
Lezione n°: 15 S3
Attività n°: 3
Esempio.
Data la matrice A :
−
A= − ,
−
Se si applica l’ algoritmo di Gauss si ottiene:
−
U= − ! .
−"
Lezione n°: 15 S3
Attività n°: 3
I moltiplicatori utilizzati sono:
• al passo 1: = ; = .
= .
%
• al passo 2:
Si consideri adesso la matrice dei moltiplicatori:
L= = / .
%/
Lezione n°: 15 S3
Attività n°: 3
Se si calcola il prodotto LU si ottiene :
− −
LU = / × − ! = − =A
%/ −" −
Ovvero LU =A .
Lezione n°: 15 S3
Attività n°: 3
Si può osservare che:
LU
Fattorizzazione LU LY =C ; UX =Y
(n-1)
Algoritmo di Gauss UX =C
Ciò implica che:
(n-1) -1
C =Y=L C.
Quindi risolvere LY =C equivale ad effettuare su C gli ( n-1 ) passi di Gauss.
Lezione n°: 15 S3
Attività n°: 3
In conclusione:
Gauss
fattorizzazione LU + risoluzione LY=C.
Lezione n°: 15 S3
Attività n°: 3
La risoluzione di AX =C si effettua, quindi, mediante tre procedure:
1. calcolo dei fattori L e U attraverso l’ algoritmo di Gauss applicato ad A.

2. risoluzione di LY =C con la sostituzione in avanti.
3. risoluzione di UX =Y con la sostituzione all’ indietro.
La possibilità di fattorizzare A nella forma A = LU tramite l’ algoritmo di

Gauss risulta particolarmente vantaggiosa nella risoluzione di molti
problemi come, ad esempio, la risoluzione di più sistemi con la stessa
matrice e termini noti diversi o per il calcolo del determinante di una
matrice.
Lezione n°: 15 S3
Attività n°: 3
• Barozzi .G.C.
INTRODUZIONE AGLI ALGORITMI DELL’ ALGEBRA LINEARE.
Lezione n°: 16
Titolo: Fattorizzazione LU: Esempi
Attività n°: 1
In questa attività di studio si parla principalmente dei casi in cui

risulta molto conveniente utilizzare il metodo della
fattorizzazione; inoltre, viene rivisto brevemente anche un
concetto di base della materia del presente insegnamento che è
l’efficienza computazionale.
Lezione n°: 16
Titolo: Esempi in cui la fattorizzazione risulta essere conveniente
Attività n°:
Lezione n°: 16
Attività n°:
Risoluzione di più sistemi con la stessa matrice dei coefficienti e
termini noti diversi.
Molte applicazioni richiedono la risoluzione di n sistemi con la stessa matrice
dei coefficienti e termini noti diversi.
Il costo computazionale che si ottiene applicando l’ algoritmo di Gauss si
riduce notevolmente utilizzando la fattorizzazione.
Infatti, l’ algoritmo di Gauss effettua contemporaneamente la trasformazione
sulla matrice dei coefficienti A e su quella dei termini noti C ; invece
la fattorizzazione, che non è altro che un metodo alternativo al metodo di
Gauss, scinde la trasformazione sulle matrici A e B.
Lezione n°: 16
Attività n°:
Calcolo del determinante di una matrice.
Questo è un altro problema per cui la fattorizzazione risulta essere un
algoritmo conveniente.
Infatti:
A =LU det (A) = det (L) det (U)
Poiché le matrici L e U sono triangolari, il loro determinante è dato dal
prodotto dei rispettivi elementi diagonali e, quindi, poiché L ha elementi
diagonali tutti uguali ad 1.
det (A)= det (U)= u11, u22, u33, …, unn.
Lezione n°: 16
Attività n°:
Il calcolo del determinante con la fattorizzazione LU comporta un numero di
operazioni pari a n3/6 ; mentre con la formula classica esso richiederebbe un
numero di operazioni pari a n !.
Pertanto, risulta evidente il vantaggio computazionale.
Riguardo la complessità computazionale bisogna precisare alcuni concetti.
Non si può ottenere un buon programma se non è basato su un buon
algoritmo.
Generalmente, dato un problema si possono progettare più algoritmi risolutivi
e, quindi, è necessario avere dei parametri per valutare un algoritmo rispetto
ad un altro.
Lezione n°: 16
Attività n°:
Abbiamo già parlato della stabilità e dell’efficienza di un algoritmo. Si è detto
che per efficienza si intende il costo computazionale di un algoritmo. Esso
dipende dal numero di operazioni eseguite, legato al tempo di esecuzione, e
dallo spazio richiesto per memorizzare i dati.
Uno degli indicatori di velocità di un elaboratore è il flops , cioè il numero di
operazioni eseguite in un secondo.
Un algoritmo si dice efficiente se è capace di risolvere il problema con il
minimo costo possibile.
Lezione n°: 16
Attività n°:
Se prendiamo l’ esempio proprio del problema che stiamo trattando in questo
nucleo tematico ( Nucleo Tematico 3: Soluzione di Sistemi di equazioni
Lineari ), sappiamo che uno dei metodi classici di risoluzione è il metodo di
Cramer .
Tale procedimento determina la soluzione calcolando (n+1) determinanti di
matrici di ordine n, per cui il numero delle operazioni da eseguire è pari ad
(n+1)!.
Lezione n°: 16
Attività n°:
Invece, l’ algoritmo di Gauss che è l’ algoritmo realmente utilizzato per
risolvere i sistemi lineari, richiede circa n3/3 operazioni.
E’ evidente che un algoritmo basato sul metodo di Cramer è
computazionalmente impraticabile; mentre, l’algoritmo di Gauss è un buon
algoritmo.
Lezione n°: 16
Attività n°:
Un altro esempio che si può fare riguarda l’ efficienza in termini di occupazione
di memoria.
Se, ad esempio si vuole memorizzare una matrice tridiangolare di ordine 6
ossia con solo tre diagonali costituite da elementi non nulli:
A=
Lezione n°: 16
Attività n°:
Tale matrice richiede 36 locazioni di memoria , mentre se si memorizzano solo
gli elementi non nulli mediante tre vettori, uno per ogni diagonale, bastano 16
locazioni di memoria.
Per una matrice tridiagonale di dimensione n così memorizzata sono
necessarie (3n-2) locazioni di memoria piuttosto che le n2 richieste dalla
memorizzazione che si usa di solito, con un notevole risparmio di memoria
evidente per matrici di grandi dimensioni.
Il parametro n è una misura delle dimensioni del problema nel senso che
all’ aumentare di n cresce il tempo di esecuzione e lo spazio di memoria
richieste.
Lezione n°: 16/S1
Titolo: Fattorizzazione LU: Esempi
Attività n°: 1

trattati nelle attività di studio precedenti che, in questo caso
specifico, riguardano il metodo di Fattorizzazione LU.
Lezione n°: 16 S1
Titolo: Esercizi Fattorizzazione
Attività n°: 1
LEZIONE 16
-----------
FATTORIZZAZIONE:
Esercizi
Lezione n°: 16 S1
Attività n°: 1
Lezione n°: 16 S1
Attività n°: 1
Lezione n°: 16 S1
Attività n°: 1
Lezione n°: 16/S2
Titolo: Metodo di Cholesky
Attività n°: 1
In questa attività di studio, vengono ripresi i concetti generali

del metodo di Fattorizzazione ed i vantaggi di tale tipo di
metodo eppoi viene trattato nello specifico il metodo di
Cholesky.
Lezione n°: 16 S2
Attività n°: 2
LEZIONE 16
-----------
METODO DI CHOLESKY
Lezione n°: 16 S2
Attività n°: 2
Riepilogando e facendo delle precisazioni su ciò che è stato già detto nella
parte teorica (vedi Lezione 15 – attività di studio 3 - fattorizzazione LU)
possiamo dire che l’algoritmo di Gauss può essere considerato come un
procedimento che trasforma una data matrice A in una matrice triangolare
U.
Lezione n°: 16 S2
Attività n°: 2
Nell’ipotesi che valga la condizione:
det(A)≠0
l’algoritmo di Gauss può essere fattorizzato in A =LU.
Dove U è una matrice triangolare superiore data dai coefficienti del sistema
di partenza e L è una matrice triangolare inferiore in cui gli elementi al di
sotto della diagonale principale coincidono con i moltiplicatori dell’algoritmo
di Gauss.
Lezione n°: 16 S2
Attività n°: 2
Nel caso di una matrice A qualsiasi si può dimostrare che l’ algoritmo di
Gauss con l’ eventuale uso di pivoting parziale conduce ad una fattorizzazione
del tipo PA =LU dove P è una matrice di permutazione definita dagli scambi
di righe richiesti dall’ algoritmo, L è una matrice triangolare inferiore con
elementi diagonali unitari ed U è una matrice triangolare superiore.
Lezione n°: 16 S2
Attività n°: 2
La conoscenza di una fattorizzazione della matrice A può essere utile ai
fini della risoluzione di un sistema di n equazioni lineari AX =C in quanto
se si conosce la decomposizione A =LU , il sistema si può scrivere
LU X =C e , quindi, posto UX =Y la soluzione del problema si ottiene
risolvendo:
LY =C
UX =Y .
Lo scopo della fattorizzazione è di risolvere proprio questi due ultimi sistemi
costruendo direttamente le matrici L e U sulla base della definizione di
prodotto tra matrici.
Lezione n°: 16 S2
Attività n°: 2
Si hanno così vari metodi di fattorizzazione diretta che si fondano su
A =LU pensata come un sistema di n2 equazioni.
=∑ con , = , , … , .
(,)
=
Per ricavare gli elementi di L e U da quest’ultima, si possono seguire diversi
schemi di calcolo quali, ad esempio, il metodo di Doolittle o il metodo di
Crout (nel presente corso verrà utilizzato lo schema di calcolo del metodo
di Doolittle). Tutti questi metodi sono applicabili solo se
det(A)≠0 e, rispetto al metodo di Gauss hanno solo il vantaggio di avere
una esecuzione più compatta che non richiede la memorizzazione degli
stadi intermedi.
Lezione n°: 16 S2
Attività n°: 2
Solo nel caso speciale di sistemi lineari con matrice simmetrica definita
positiva, oltre il vantaggio di un’esecuzione compatta, si ottiene la riduzione
anche del numero delle operazioni essenziali quasi riducendole alla metà
rispetto al metodo di Gauss.
Infatti, la complessità computazionale, ovvero il numero di operazioni
richieste dall’algoritmo di Cholesky, è di n3/6; mentre quella dell’algoritmo
di Gauss, come avevamo già detto, è di n3/3.
Lezione n°: 16 S2
Attività n°: 2
METODO DI CHOLESKY
E’ un metodo di fattorizzazione che si utilizza nel caso di sistemi lineari con
matrice simmetrica definita positiva.
Le matrici simmetriche definite positive sono una classe di matrici molto
importante nelle applicazioni.
Dato un sistema lineare AX = C.
Sia A simmetrica ( A = A T ).
Si può allora porre tale matrice A sotto forma di prodotto di due matrici
triangolari trasposte tra di loro, A =LLT , con L matrice triangolare inferiore
e LT matrice triangolare superiore.

Lezione n°: 16 S2
Attività n°: 2
= =
= =
A L LT
L’algoritmo utilizzato è di tipo diretto perciò si effettua il prodotto precedente,
si uguaglia ad A e si determinano gli elementi di L.
Lezione n°: 16 S2
Attività n°: 2
Nel metodo di Cholesky ci si limita a costruire solo la matrice L procedendo
per colonne.
Infatti posto =
nell’ espressione precedentemente detta
=∑ con , = , , … , .
(,)
=
Si ottiene:
= + + …+ con = , ,…, .
Lezione n°: 16 S2
Attività n°: 2
Dando ad tutti i valori da ad si ricavano, da quest’ultima
espressione, gli elementi della colonna j-esima di L.
Si noti che per = l’espressione
=∑ con , = , , … , .
(,)
=
diventa:
= + + …+
Lezione n°: 16 S2
Attività n°: 2
da cui:
= −
=
Dove per = la sommatoria è nulla.
Lezione n°: 16 S2
Attività n°: 2
Esempio.
Ricordando che A è simmetrica, si ha:
A= =
∙ +
∙ ∙ + ∙ + +
Lezione n°: 16 S2
Attività n°: 2
= → =√
= = → = / → = /
= = → = /
= + → = −
= = + → =( − )/
= + + → =! − −
Poiché A è simmetrica si usano solo gli elementi del triangolo inferiore.
Lezione n°: 16/S3
Titolo: Metodo di Cholesky: Esercizi
Attività n°: 1

specifico, riguardano il metodo di Cholesky.
Lezione n°: 16 S3
Titolo: Esercizi
Attività n°: 3
LEZIONE 16
-----------
METODO DI CHOLESKY :
Esercizi
Lezione n°: 16 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 16 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 16 S3
Titolo: Esercizi
Attività n°: 3
Lezione n°: 17
Titolo: Metodi iterativi: concetti di base
Attività n°: 1
Metodi iterativi
Lezione n°: 17
Attività n°: 1
Metodi iterativi
METODI ITERATIVI
I metodi diretti visti nelle lezioni precedenti (vedi lezione 10,11,12,13,14,15,16)
sono quei metodi che, se eseguiti senza errori e con un numero infinito di cifre
significative, portano alla soluzione esatta in un numero finito di passi.
Tali criteri, quindi, risolvono le equazioni usando un algoritmo esatto e sono
efficaci nel caso in cui le matrici non sono di ordine elevato oppure sono
dense.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
. Questo limite può essere espanso se il sistema è ben condizionato oppure se
viene adottata una strategia di pivoting.
In ogni caso, i metodi diretti si rivelano inadeguati per sistemi di grandi
dimensioni, a causa dell’ accumularsi degli errori di arrotondamento.
In questi casi, i metodi iterativi sono preferibili.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
Quest’ altro tipo di criteri, risolvono le equazioni attraverso algoritmi iterati.
I metodi iterativi costruiscono una successione di vettori che converge, sotto
apposite condizioni, alla soluzione.
Ma per utilizzare tali metodi, bisogna essere certi che il metodo converga ad
una soluzione man mano che si procede con le iterazioni.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
In pratica, ciò significa che l’ errore decresce con il procedere delle iterazioni.
Tali metodi sono adatti per risolvere sistemi in cui gli errori di arrotondamento
diventano importanti ; infatti attraverso di essi è possibile iterare la procedura
di calcolo finchè la stima della soluzione non converge al valore esatto entro
un predeterminato margine di errore ( detta tolleranza 𝑬𝑬 𝑺𝑺 ).
Lezione n°: 17
Attività n°: 1
Metodi iterativi
In questo modo l’ errore di arrotondamento non ha più rilevanza, dato che il
livello ammissibile dell’ errore è sotto il controllo dell’ utente.
Generalmente, un metodo iterativo rispetto ad un metodo diretto è meno
sensibile alla propagazione degli errori. Infatti, la soluzione all’ ultimo passo
risulta affetta dagli errori di arrotondamento generati solo dalla sola ultima
iterazione.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
Volendo chiarire meglio i concetti appena detti, si può dire che in molti
problemi di ingegneria, il modello numerico usato e la necessità di un risultato
accurato portano a sistemi lineari sparsi e di grandi dimensioni.
Prendiamo ad esempio il problema di equilibrio nei nodi di una struttura
reticolare; il sistema è formato da equazioni dove n è il prodotto del numero
dei nodi per il numero di equazioni di ciascun nodo.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
Ognuna di queste equazioni coinvolge soltanto gli elementi che convergono in
un singolo nodo.
Il numero di equazioni disponibili per ciascun nodo è lo stesso qualunque sia la
dimensione complessiva della struttura; pertanto, per una struttura di grandi
dimensioni, si otterrà una matrice di grandi dimensioni, ma molto sparsa.
Una matrice si dice sparsa quando possiede la maggior parte degli elementi
uguali a zero.
Lezione n°: 17
Attività n°: 1
Metodi iterativi
Un tipo particolare di tali matrici sono quelle a banda in cui tutti gli elementi
sono uguali a zero, tranne quelli che si trovano in una banda centrata sulla
diagonale principale.
Inoltre, se la larghezza della banda è tre, si assegna a tale matrice il nome di
matrice tridiagonale (matrice che si incontra spesso nei problemi di
ingegneria ).
Lezione n°: 17
Attività n°: 1
Metodi iterativi
Tornando al discorso di partenza, i metodi più efficienti per risolvere problemi
di questo tipo sono quelli che non effettuano operazioni inutili coinvolgenti gli
elementi nulli.
I metodi diretti non hanno tale caratteristica.
Infatti, se si prende il metodo di eliminazione di Gauss, esso modifica la
matrice dei coefficienti non mantenendo la sparsità della matrice ma
generando elementi nulli in corrispondenza di elementi nulli della matrice di
partenza ( tale processo è detto fill-in o riempimento ).
Lezione n°: 17
Attività n°: 1
• Varga .R.S.
MATRIX ITERATIVE ANALYSIS.
Prentice-Hall, Englewood Cliffs, New Jersey 1962
METODI NUMERICI PER L’ALGEBRA LINEARE.
Zanichelli, Bologna 1988
Lezione n°: 17/S1
Attività n°: 1
Lezione 17
LEZIONE 17
-----------
METODI ITERATIVI: concetti di base.

(sessione 2)
Lezione n°: 17/S1
Attività n°: 1
Metodi iterativi di gauss-seidel e di jacobi
METODI ITERATIVI DI GAUSS – SEIDEL E DI JACOBI
Assegnato il problema 𝑨𝑨𝑨𝑨 = 𝑪𝑪 , il concetto di base è la costruzione di una
( 𝒌𝒌 )
successione di vettori 𝒙𝒙 che converga alla soluzione.
Una tecnica generale per costruire tale successione di vettori è basata sullo
splitting della matrice 𝑨𝑨 ovvero la sua scrittura nella seguente forma:
𝑨𝑨 = 𝑳𝑳 + 𝑫𝑫 + 𝑼𝑼.
Lezione n°: 17/S1
Attività n°: 1
. Dove 𝑳𝑳 è una matrice triangolare inferiore; 𝑫𝑫 è una matrice diagonale; 𝑼𝑼 è
𝟎𝟎 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝟎𝟎
⎡ ⎤
⎢ 𝒂𝒂 𝟐𝟐𝟐𝟐 ⋱ 𝟎𝟎 𝟎𝟎 𝟎𝟎 ⎥
⎢ ⎥
𝑳𝑳 = ⎢ 𝒂𝒂 𝟑𝟑𝟑𝟑 𝒂𝒂 𝟑𝟑𝟑𝟑 ⋱ 𝟎𝟎 𝟎𝟎 ⎥.
⎢ ⋮ ⋮ ⋮ ⋱ 𝟎𝟎 ⎥
⎢ ⎥
⎣ 𝒂𝒂 𝒏𝒏𝒏𝒏 … … 𝒂𝒂 𝒏𝒏𝒏𝒏,𝒏𝒏−𝟏𝟏 𝟎𝟎 ⎦
Lezione n°: 17/S1
Attività n°: 1
𝒂𝒂 𝟏𝟏𝟏𝟏 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝟎𝟎
⎡ ⎤
⎢ 𝟎𝟎 𝒂𝒂 𝟐𝟐𝟐𝟐 𝟎𝟎 𝟎𝟎 𝟎𝟎 ⎥
Metodi ⎢iterativi di gauss-seidel e di ⎥jacobi
𝑫𝑫 = ⎢ 𝟎𝟎 𝟎𝟎 𝒂𝒂 𝟑𝟑𝟑𝟑 𝟎𝟎 𝟎𝟎 ⎥ .
⎢ 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝒂𝒂 𝟒𝟒𝟒𝟒 𝟎𝟎 ⎥
⎢ ⎥
⎣ 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝒂𝒂 𝒏𝒏𝒏𝒏 ⎦
𝟎𝟎 𝒂𝒂 𝟏𝟏𝟏𝟏 𝒂𝒂 𝟏𝟏𝟏𝟏 … 𝒂𝒂 𝟏𝟏𝟏𝟏

⎡ ⎤
⎢ 𝟎𝟎 ⋱ 𝒂𝒂 𝟐𝟐𝟐𝟐 … 𝒂𝒂 𝟐𝟐𝟐𝟐 ⎥
⎢ ⎥
𝑼𝑼 = ⎢ 𝟎𝟎 𝟎𝟎 ⋱ … ⋮ ⎥.
⎢ 𝟎𝟎 𝟎𝟎 𝟎𝟎 ⋱ 𝒂𝒂 𝒏𝒏−𝟏𝟏,𝒏𝒏 ⎥
⎢ ⎥
⎣ 𝟎𝟎 𝟎𝟎 𝟎𝟎 𝒂𝒂 𝒏𝒏𝒏𝒏,𝒏𝒏−𝟏𝟏 𝟎𝟎 ⎦
Lezione n°: 17/S1
Attività n°: 1
L’ idea generale di tali metodi è quella di cercare due matrici che
denomineremo 𝑴𝑴 e 𝑵𝑵 con 𝒅𝒅𝒅𝒅𝒅𝒅(𝑴𝑴 ) ≠ 𝟎𝟎 tali che 𝑨𝑨 = 𝑴𝑴 – 𝑵𝑵 .
Allora,
𝑨𝑨𝑨𝑨 = 𝑪𝑪 diventa
(𝑴𝑴 – 𝑵𝑵 )𝒙𝒙 = 𝑪𝑪 da cui
𝑴𝑴 𝒙𝒙 = 𝑵𝑵 𝒙𝒙 + 𝑪𝑪 e quindi
𝑿𝑿 = 𝑴𝑴−𝟏𝟏 (𝑵𝑵 𝒙𝒙 + 𝑪𝑪 ).
Lezione n°: 17/S1
Attività n°: 1
Il procedimento iterativo che si ricava è il seguente:
𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = 𝑴𝑴−𝟏𝟏 𝑵𝑵 𝒙𝒙 ( 𝒌𝒌 ) + 𝑴𝑴−𝟏𝟏 𝑪𝑪 .
Adesso si vede cosa diventa quanto appena descritto, nel caso particolare dei
metodi di Gauss-Seidel e di Jacobi.
Supponendo che 𝒅𝒅𝒅𝒅𝒅𝒅( 𝑴𝑴𝑮𝑮𝑮𝑮 ) ≠ 𝟎𝟎 e 𝒅𝒅𝒅𝒅𝒅𝒅( 𝑴𝑴 𝑱𝑱 ) ≠ 𝟎𝟎 si può porre:
𝑴𝑴𝑮𝑮𝑮𝑮 = 𝑳𝑳 + 𝑫𝑫 e 𝑵𝑵𝑮𝑮𝑮𝑮 = − 𝑼𝑼 ;
𝑴𝑴 𝑱𝑱 = 𝑫𝑫 e 𝑵𝑵 𝑱𝑱 = − (𝑳𝑳 + 𝑼𝑼).
Lezione n°: 17/S1
Attività n°: 1
Si ottiene :
METODO DI GAUSS-SEIDEL
𝑴𝑴𝑮𝑮𝑮𝑮 𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = 𝑵𝑵𝑮𝑮𝑮𝑮 𝒙𝒙 (𝒌𝒌) + 𝑪𝑪 .
𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = 𝑴𝑴𝑮𝑮𝑮𝑮 −𝟏𝟏 �𝑵𝑵𝑮𝑮𝑮𝑮 𝒙𝒙 (𝒌𝒌) + 𝑪𝑪� .
In forma scalare si esprime :
( 𝒌𝒌+𝟏𝟏 ) ( 𝒌𝒌 )
( 𝒌𝒌+𝟏𝟏 )
− ∑ 𝒊𝒊−𝟏𝟏
𝒋𝒋=𝟏𝟏 𝒂𝒂 𝒊𝒊𝒊𝒊 𝒙𝒙 𝒋𝒋 − ∑ 𝒏𝒏𝒋𝒋=𝒊𝒊+𝟏𝟏 𝒂𝒂 𝒊𝒊𝒊𝒊 𝒙𝒙 𝒋𝒋 + 𝒄𝒄𝒊𝒊
𝒙𝒙 𝒊𝒊 = ,
da cui si vede che:
𝑳𝑳 + 𝑫𝑫 𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = −𝑼𝑼 𝒙𝒙 ( 𝒌𝒌 ) + 𝑪𝑪 .
Lezione n°: 17/S1
Attività n°: 1
Metodo di jacobi
METODO DI JACOBI
𝑴𝑴 𝑱𝑱 𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = 𝑵𝑵 𝑱𝑱 𝒙𝒙 (𝒌𝒌) + 𝑪𝑪 .
𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = 𝑴𝑴 𝑱𝑱 −𝟏𝟏 �𝑵𝑵 𝑱𝑱 𝒙𝒙 (𝒌𝒌) + 𝑪𝑪� .
In forma scalare si esprime :
( 𝒌𝒌+𝟏𝟏 )
− ∑ 𝒊𝒊−𝟏𝟏
𝒋𝒋=𝟏𝟏 𝒂𝒂 𝒊𝒊𝒊𝒊 𝒙𝒙 𝒋𝒋 − ∑ 𝒏𝒏𝒋𝒋=𝒊𝒊+𝟏𝟏 𝒂𝒂 𝒊𝒊𝒊𝒊 𝒙𝒙𝒋𝒋 + 𝒄𝒄𝒊𝒊
𝒙𝒙 𝒊𝒊 = ,
da cui si vede che:
𝑫𝑫 𝒙𝒙 ( 𝒌𝒌+𝟏𝟏 ) = −(𝑳𝑳 + 𝑼𝑼) 𝒙𝒙 ( 𝒌𝒌 ) + 𝑪𝑪 .
Lezione n°: 17/S1
Attività n°: 1
Precisazione
Precisazione
In matematica, la convergenza è la proprietà di una determinata successione o
funzione di avere un limite finito al tendere dell’ indice o della variabile verso
certi valori o all’ infinito .
Lezione n°: 17/S2
Titolo: Metodo di Gauss-Seidel
Attività n°: 1
In questa attività di studio si inizia a presentare il metodo di

Gauss Seidel, metodo iterativo per la risoluzione di sistemi lineari
che è meno sensibile alla propagazione degli errori tipica nei
metodi diretti quando i sistemi lineari assumono grandi
dimensioni. Tra i metodi iterativi, il metodo di Gauss Seidel è
quello che generalmente converge più rapidamente.
Lezione n°: 17 S2
Titolo: Metodo di Gauss Seidel (sessione 1)
Attività n°: 2
LEZIONE 17
-----------
METODO DI GAUSS-SEIDEL.
(sessione 1)
Lezione n°: 17 S2
Attività n°: 2
METODO DI GAUSS-SEIDEL
Il metodo di Gauss-Seidel è il metodo iterativo generalmente più utilizzato.
Dato un sistema di n equazioni AX =C , se gli elementi nella diagonale
principale sono tutti diversi da zero, è possibile risolvere la prima equazione
rispetto a x1, la seconda equazione rispetto a x2 e così via fino ad ottenere:
Lezione n°: 17 S2
Attività n°: 2
− − − ⋯−
=
− − − ⋯−
=
− − − ⋯−
=
Lezione n°: 17 S2
Attività n°: 2
− − −⋯− , − −
=
La risoluzione inizia con la scelta dei valori iniziali per le incognite x.
Nell’ipotesi più semplice si scelgono le x tutte uguali a zero.
Tali valori scelti si vanno a sostituire nella prima equazione in modo da trovare
un nuovo valore di x1 che in questo caso è c1 / a11.
Lezione n°: 17 S2
Attività n°: 2
Poi tale nuovo valore di x1 e, ferma restando l’ipotesi delle incognite uguali a
zero, si sostituisce nella seconda equazione per determinare un nuovo valore
di x2.
E così via per tutte le equazioni presenti nel sistema.
Alla fine si ritorna alla prima equazione per ripetere il procedimento dall’inizio
finchè la soluzione non converge ai valori esatti entro i limiti prestabiliti.
Si può verificare la convergenza usando il concetto di errore relativo già trattato
in precedenza (vedi lezione 2 e 3) :
Lezione n°: 17 S2
Attività n°: 2
−
Er = %
−
Er,i = % ˂ Es
Il termine Es rappresenta la tolleranza che viene prefissata.
Essa associa l’ errore al numero di cifre significative date dall’approssimazione.
Lezione n°: 17 S2
Attività n°: 2
Si può riscontrare che, la soluzione è corretta almeno fino alla n -esima cifra
significativa, purchè :
Es= (0.5 ×102-n)%.
Per esempio, se si vuole che il risultato sia corretto fino alla terza cifra
significativa:
Es= (0.5 ×102-3)%=0.05%.
Lezione n°: 17/S3
Titolo: Metodo di Gauss-Seidel
Attività n°: 1
In questa attività di studio si continua a presentare il metodo di

Gauss Seidel attraverso un esempio. Si vede come si stima
l’errore ed il modo più semplice ed intuitivo per controllare se il
metodo converge.
Lezione n°: 17 S3
Attività n°: 3
LEZIONE 17
-----------
METODO DI GAUSS-SEIDEL.
(Sessione 2)
Lezione n°: 17 S3
Attività n°: 3
Esempio.
− . − . = .
. + − . = − .
. − . + = .
( il sistema è analogo a quello dell’ esempio in lezione 12 – attività di studio 2 e 3
- punti deboli del metodo di eliminazione di Gauss e quello dell’esempio in
lezione 14 – attività di studio 1 e 2 – metodo di Gauss-Jordan; in modo da poter
effettuare un paragone e, quindi, comprendere le differenze tra i metodi).
Lezione n°: 17 S3
Attività n°: 3
Dai metodi diretti descritti in precedenza ( metodo di Gauss e metodo di
Gauss-Jordan ) , si è pervenuti alla seguente soluzione :
=− ,
Invece questa volta, si vuole risolvere tale sistema utilizzando il metodo iterativo
di Gauss-Seidel.
Lezione n°: 17 S3
Attività n°: 3
Innanzitutto, si risolve ogni equazione rispetto all’ incognita che si trova sulla
diagonale principale:
. + , + .
=
. + . − .
=
. − . + .
=
Lezione n°: 17 S3
Attività n°: 3
Ipotizzando che e valgano zero, si usa la prima di queste equazioni per
calcolare:
.
= = . .
Questo valore assieme all’ ipotesi = , si sostituisce sempre nella stessa
equazione per calcolare:
− . − . ( . )+
= =− . .
Lezione n°: 17 S3
Attività n°: 3
La prima iterazione viene terminata sostituendo i valori calcolati di e
nella terza equazione per ottenere:
. − . ( . )+ . − .
= = . .
Lezione n°: 17 S3
Attività n°: 3
Nella seconda iterazione si ripetono le stesse operazioni che danno come
risultato:
. + . (− . )+ . ( . )
= = .
− . − . ( . )+ . ( . )
= =− .
. − . ( . )+ . (− . )
= = .
Lezione n°: 17 S3
Attività n°: 3
Stima dell’errore, considerando i valori esatti , nella prima iterazione :
− − .
E r 1= %= % =12.7%
E r 2=
−
% = − . −(− .
− .
)
% =11.7%
E r 3=
−
% = − . )
% =0.0801%
Lezione n°: 17 S3
Attività n°: 3
Stima dell’ errore, considerando i valori esatti , nella seconda iterazione:
− .
E r 1= % =0.31%
− . −(− . )
E r 2= % =0.015%
− .
− . )
E r 3= % =0.0042%
Lezione n°: 17 S3
Attività n°: 3
Come si può vedere, il metodo converge alla soluzione esatta e ulteriori iterazioni
migliorerebbero la precisione dei risultati.
Il metodo di Gauss-Seidel pur essendo il metodo iterativo per sistemi lineari che
converge più velocemente, può presentare degli inconvenienti: non sempre
converge e anche se converge lo può fare lentamente.
Lezione n°: 17 S3
Attività n°: 3
Un criterio sufficiente per la convergenza richiede che i coefficienti sulla
diagonale principale debbano essere maggiori in valore assoluto della somma dei
valori assoluti degli altri coefficienti della stessa equazione ovvero:
| | = ∑" #" ,
dove la sommatoria va eseguita per # $%& ' ( ), escludendo # = .
Questa formula esprime un criterio sufficiente ma non necessario.
Lezione n°: 17 S3
Attività n°: 3
In altre parole, il criterio può convergere anche se tale formula non è
soddisfatta; ma, se tale espressione è soddisfatta, allora la convergenza è
garantita.
I sistemi di equazioni per i quali vale tale formula vengono detti sistemi
diagonalmente dominanti .
Fortunatamente, molti problemi di ingegneria hanno questa caratteristica.
Lezione n°: 18
Titolo: Metodo di Jacobi
Attività n°: 1
In questa attività di studio, viene trattato il metodo di Jacobi,

uno dei metodi iterativi per la risoluzione di sistemi lineari che
sono stati scelti per essere trattato in questo Corso.
Lezione n°: 18
Attività n°:
Lezione n°: 18
Attività n°:
METODO DI JACOBI
Nel metodo di Gauss-Seidel, il nuovo valore di ogni incognita viene usato subito
nell’ equazione successiva per calcolare il nuovo valore di un’ altra incognita.
In questo modo se i risultati convergono alla soluzione, ogni operazione fa uso
della migliore stima disponibile.
Il metodo di Jacobi, invece, si basa su una strategia diversa.
Lezione n°: 18
Attività n°:
Invece di usare gli ultimi valori calcolati delle incognite, usa l’espressione:
( ) ( )
( + )
−∑ −
= −∑=+ +
=
per calcolare un intero vettore di nuove incognite in base ai vecchi valori delle
incognite stesse.
In altri termini, i nuovi valori calcolati non vengono usati subito, ma vengono
conservati per l’ iterazione successiva.
Lezione n°: 18
Attività n°:
METODO GAUSS - SEIDEL
Prima Iterazione Seconda Iterazione
− − − −
= =
− − − −
= =
− − − −
= =
Lezione n°: 18
Attività n°:
METODO JACOBI
Prima Iterazione Seconda Iterazione
− − − −
= =
− − − −
= =
− − − −
= =
Lezione n°: 18
Attività n°:
Nonostante il metodo di Jacobi converga più velocemente in alcuni casi
particolari, solitamente l’ uso delle migliori stime disponibili del metodo di
Gauss-Seidel rende generalmente preferibile il secondo rispetto al primo.
Lezione n°: 18
Attività n°:
• Varga .R.S.
MATRIX ITERATIVE ANALYSIS.
Prentice-Hall, Englewood Cliffs, New Jersey 1962
METODI NUMERICI PER L’ALGEBRA LINEARE.
Zanichelli, Bologna 1988
Lezione n°: 18/S1
Titolo: Esercizi
Attività n°: 1

specifico, riguardano soprattutto il metodo di Gauss Seidel.
Lezione n°: 18 S1
Titolo: Esercizi
Attività n°: 1
LEZIONE 18
-----------
Esercizi
Lezione n°: 18 S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 18 S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 18 S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 18 S1
Titolo: Esercizi
Attività n°: 1
Lezione n°: 18/S2
Titolo: Metodo interattivi e loro convergenza
Attività n°: 1
In questa attività di studio si parla dei metodi iterativi e della

loro convergenza in generale per poi andare a vedere nello
specifico i due metodi spiegati in precedenza che sono il metodo
di Jacobi e quello di Gauss Seidel.
Lezione n°: 18 S2
Titolo: Metodi iterativi e loro convergenza (sessione 1)
Attività n°: 2
LEZIONE 18
-----------
METODI ITERATIVI E LORO CONVERGENZA

( SESSIONE 1 )
Lezione n°: 18 S2
Attività n°: 2
Una classe importante di metodi iterativi per i sistemi lineari sono i metodi di
splitting di cui si è già parlato e, chiamati così, perché si basano sulla
decomposizione in due parti della matrice dei coefficienti.
Ripetendo e precisando quanto già detto nelle precedenti lezioni riguardo i
metodi iterativi per i sistemi lineari, il procedimento generale per costruire un
metodo iterativo si basa su un’ idea comune a tutti i metodi.
Lezione n°: 18 S2
Attività n°: 2
Tale idea è quella di cercare due matrici , denominate e con
con ( )≠ tali che = – .
Allora il sistema lineare:
= diventa
( – ) = da cui
= + e quindi
= −
( + ).
Lezione n°: 18 S2
Attività n°: 2
Il procedimento iterativo che si ricava è il seguente:
( )
assegnato il vettore iniziale si computa la successione di vettori secondo la
formula :
( + )
= − ( )
+ −
.
Esiste una letteratura molto ricca relativa al procedimento generale delle

iterazioni nella quale si dimostra che l’ iterazione converge se e solo se la matrice
di iterazione è minore di 1.
La matrice di iterazione definisce il metodo, ovvero distingue un metodo
dall’ altro e il suo studio è fondamentale per stabilire la convergenza e la rapidità

di convergenza del corrispondente metodo.
© 2007 Un

Analisi Numerica Tutte Le Lezioni

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Analisi Numerica Tutte Le Lezioni

Titolo originale:

Caricato da

Copyright:

Corso di Laurea: INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE (D.M.

di ogni NUCLEO TEMATICO

LEZIONE 1 LEZIONE 2 LEZIONE 3

Presentazione del Corso Errori e loro cause Errori e loro

Nucleo Tematico 2 : Richiami

LEZIONE 4 LEZIONE 5 LEZIONE 6 LEZIONE 7

Matrici : Operazioni Operazioni

Nucleo Tematico 3 : Soluzioni di

LEZIONE 8 LEZIONE 9 LEZIONE 10 LEZIONE 11

Generalità sui Generalità sui Metodi Diretti : Sistemi Lineari e

Definizioni e Metodo di Metodo di

Nucleo Tematico 3 : Soluzioni di

LEZIONE 12 LEZIONE 13 LEZIONE 14 LEZIONE 15

Algoritmo di Strategia di Metodo di Inversione di

Punti deboli Punti deboli

Nucleo Tematico 3 : Soluzioni di

LEZIONE 16 LEZIONE 17 LEZIONE 18 LEZIONE 19

Fattorizzazione Metodi Iterativi: Metodo di Metodi del

Metodo di Metodo di Metodi iterativi e

Nucleo Tematico 4 : Soluzioni di

LEZIONE 20 LEZIONE 21 LEZIONE 22

Generalità sui Metodo della Metodo della

Radici di una Criterio di

Nucleo Tematico 4 : Soluzioni di

Metodo di Punti deboli Metodo di

Sviluppo in serie Metodo della Secante

LEZIONE 25 LEZIONE 26 LEZIONE 27 LEZIONE 28

Localizzazione Metodi Metodi

Nucleo Tematico 6 : Soluzione di

LEZIONE 29 LEZIONE 30 LEZIONE 31 LEZIONE 32

Metodi Metodi Equazioni

LEZIONE 37 LEZIONE 38 LEZIONE 39 LEZIONE 40

Matrici Matrici Polinomi Funzioni

LEZIONE 41 LEZIONE 42 LEZIONE 43 LEZIONE 44

LEZIONE 45 LEZIONE 46 LEZIONE 47 LEZIONE 48

Ricerca degli zeri Introduzione

OBIETTIVI FORMATIVI DEL CORSO

Il corso ha l’obiettivo di far conseguire allo studente i seguenti risultati

Con riferimento alla conoscenza e capacità di comprensione

a) capacità di comprendere i metodi di soluzione numerica di sistemi di

Con riferimento alla conoscenza e capacità di comprensione applicate

a) capacità di applicare i metodi di soluzione numerica di sistemi di

ATTIVITA’ DIDATTICA EROGATIVA E INTEGRATIVA:

L’attività didattica erogativa prevista nel Corso consiste in videolezioni che

Invece, l’attività didattica interattiva prevede lo svolgimento da parte dello

MODALITA’ DI SVOLGIMENTO ESAME

Riguardo la modalità di esame ed il metodo di valutazione,

Il Docente è disponibile per ogni chiarimento in merito al Corso, è

CONSIGLI DEL DOCENTE:

Sostenere l’esame a valle di quelli di Analisi Matematica e Geometria.

Per qualsiasi chiarimento non esitare a rivolgersi al docente e al

Per un buon esito dell’esame sono sufficienti le slides del Corso.

reale. In tutti i campi scientifici, per approssimare un evento che si desidera

studiare, vengono utilizzati i modelli matematici. Essi consentono di simulare e,

quindi, prevedere lo sviluppo del fenomeno in esame, senza dover effettuare,

fisicamente, tutti gli esperimenti.

Il procedimento utilizzato può essere schematizzato a grandi linee in

• Si cerca un modello matematico del problema reale tale che conservi

le caratteristiche essenziali del problema di partenza.

• Si sceglie un metodo per risolvere il modello in esame.

• Si interpreta la soluzione trovata in relazione al problema di partenza e

stesso suggerisca il metodo di soluzione .

all’efficienza del metodo di soluzione usato. Tuttavia, spesso è assai difficile, se

motivo, essa viene costruita numericamente con l’ aiuto di un elaboratore.

procedura di calcolo detta algoritmo o metodo numerico .