Professional Documents
Culture Documents
Antonino Salibra
December 2, 2015
2
Libro di testo: Gilbert Strang, Algebra lineare, Edizioni Apogeo
2008
Programma di Algebra Lineare (2015/16) (da completare):
1. Campi numerici. Esempi di campi numerici: il campo dei numeri reali;
il campo dei numeri complessi; il campo dei numeri modulo 2; il campo
dei numeri modulo p per un numero primo p.
2. Numeri complessi: parte reale ed immaginaria, coniugato di un numero
complesso. Modulo e norma. Prodotto e somma di numeri complessi.
Rappresentazione trigonometrica: piano complesso. Rappresentazione
esponenziale.
3. Introduzione ai vettori. Grandezze fisiche e vettori. La definizione di
spazio vettoriale con somma vettoriale e prodotto per uno scalare.
4. Prodotto interno (o scalare) di due vettori. Propriet`a del prodotto
interno. Lunghezza di un vettore. Disuguaglianza di Schwartz. Caratterizzazione della perpendicolarit`a con il prodotto interno. Caratterizzazione del coseno dellangolo formato da due vettori con il prodotto
interno.
5. Rette nel piano. Equazione di una retta. Equazione parametrica di una
retta. Retta passante per lorigine e perpendicolare ad un dato vettore.
Retta parallela ad una retta passante per lorigine. Retta passante per
un punto e parallela (alla retta determinata da) ad un dato vettore.
Retta passante per due punti.
6. Rette e piani nello spazio. Equazione di un piano. Equazione parametrica di un piano. Piano passante per lorigine e perpendicolare ad un
dato vettore. Piano parallelo ad un piano passante per lorigine. Piano
passante per tre punti non allineati.
7. Sistema Lineare di due equazioni in due variabili. Numero di possibili
soluzioni. Calcolo dellunica soluzione con il metodo di eliminazione
di Gauss. Calcolo dellunica soluzione con il metodo matriciale e del
determinante.
8. ......
Chapter 1
Campi Numerici
Un campo `e un insieme di numeri chiuso rispetto alle quattro operazioni:
addizione, moltiplicazione, sottrazione e divisione.
Definition 1.0.1. Un campo numerico `e una quintupla (X, +, , 0, ,1 , 1),
dove X `e un insieme, + e sono operazioni binarie, , 1 sono operazioni
unarie, e 0, 1 costanti che soddisfano le seguenti equazioni:
1. Propriet`a associativa: x + (y + z) = (x + y) + z;
2. Propriet`a commutativa: x + y = y + x;
x (y z) = (x y) z.
x y = y x.
x 1 = x.
3. Elemento neutro: x + 0 = x;
0 +2 1 = 1 +2 0 = 1;
e
0 2 0 = 0 2 1 = 1 2 0 = 0;
1 2 1 = 1.
1.1
Si consulti il Capitolo 7 degli Appunti del Professor Gianfranco Niesi, Dipartimento di Matematica, Universit`a di Genova: Appunti per il corso di
Matematica Discreta, C.S. in Informatica, Anno Accademico 2005-2006.
Link:
http://www.dima.unige.it/niesi/EML/MD05appunti.pdf
oppure si consultino le tre sezioni ai seguenti indirizzi http://
college.cengage.com/mathematics/larson/elementary linear/4e/shared/downloads/c08s1.pdf
college.cengage.com/mathematics/larson/elementary linear/4e/shared/downloads/c08s2.pdf
college.cengage.com/mathematics/larson/elementary linear/4e/shared/downloads/c08s3.pdf
Chapter 2
Introduzione agli spazi
vettoriali
2.1
In Fisica ma anche nella vita di tutti i giorni dobbiamo continuamente misurare qualcosa. Alcune di queste grandezze le possiamo misurare con un
numero reale: saldo del conto corrente, altezza, et`a, etc. Ad altre grandezze
corrisponde non solo una quantit`a rappresentata da un numero ma anche
una direzione (con/senza verso). Per esempio,
La forza di gravit`a terrestre, la cui direzione e verso vanno dal punto
in cui vi trovate verso il centro della terra;
La forza di gravit`a su Giove (molto maggiore della forza di gravit`a
terrestre);
La forza esercitata in un punto preciso. Ha una grandezza, una direzione ed un verso ben precisi;
La velocit`a istantanea di unautomobile. Non conta soltanto il valore,
per esempio 120 Km/ora, ma anche la direzione e verso di marcia.
I vettori sono una rappresentazione astratta delle grandezze che hanno una
direzione (e talvolta verso).
` importante distinguere tra vettore liberi e vettore applicati. Se in auE
tomobile viaggiamo a velocit`a costante lungo una linea retta, al tempo t ci
troveremo in un determinato punto P della retta, mentre al tempo successivo
t + 10 ci troveremo in un altro punto Q. Se misuriamo la velocit`a istantanea
5
2.2
Spazi vettoriali
~ che va dallorigine
Un punto P determina univocamente un vettore 0P
degli assi al punto P . Questo vettore si indicher`a con il punto P stesso.
~ .
Quindi parleremo di vettore P intendendo il vettore 0P
I vettori possono essere sommati coordinata per coordinata. Per esempio,
se P = (2, 3, 4) e Q = (1, 2, 3) allora P + Q = (3, 5, 7). Geometricamente il
punto P + Q si ottiene costruendo il parallelogramma di vertici P , 0 e Q. Il
quarto vertice `e proprio P + Q. Si veda Figura 3.1.
10
2.3
Prodotto interno
||A|| = A A.
La parte restante di questa sezione ha lo scopo di determinare il significato
geometrico del prodotto interno:
A B = ||A|| ||B||cos(),
[
dove `e langolo formato dai vettori A e B (ovvero langolo AOB).
Lemma 2.3.1. (Disuguaglianza di Schwartz)
(A B)2 (A A)(B B).
Proof. Siano x e y numeri reali. Applicando la propriet`a (PS4) abbiamo:
0 (xA + yB) (xA + yB).
Sviluppando otteniamo:
0 x2 (A A) + 2xy(A B) + y 2 (B B).
11
12
Chapter 3
Rette e piani
Definition 3.0.1. Un equazione lineare nelle incognite x1 , . . . , xn a coefficienti nel campo numerico F `e unequazione:
a1 x 1 + + an x n = b
con a1 , . . . , an , b F. Gli elementi ai sono detti coefficienti, mentre b `e il
termine noto. Se b = 0, lequazione `e detta lineare omogenea. Una soluzione
dellequazione lineare `e una n-pla (ordinata) (r1 , . . . , rn ) di elementi di F tale
che
a1 r1 + + an rn = b.
In genere utilizzeremo come campo numerico linsieme R dei numeri reali.
3.1
14
15
16
y =2+t
3.2
17
y = t;
z = t + 3r.
(3.1)
y = 1 t;
z = 1 t + 3r.
y = t r;
z = 6r.
18
y = 1 + t r;
z = 1 + 6r.
Chapter 4
Sistemi lineari
Definition 4.0.1. Un sistema lineare di m equazioni nelle incognite x1 , . . . , xn
`e un insieme di equazioni lineari:
a11 x1 + + a1n xn
a21 x1 + + a2n xn
...
am1 x1 + + amn xn
= b1
= b2
... ...
= bm
4.1
=
=
...
=
b1
b2
...
bm
20
4
3
21
cos() = (A B)/||A|| ||B|| = 14/ 5 41 = 14/ 205 = 196/221 < 1.
Quindi le due rette non sono parallele ed esiste ununica soluzione.
Calcoliamo la soluzione. Moltiplichiamo la prima equazione per 4 e la
sottraiamo alla seconda. Si ottiene il sistema:
x + 2y =
3
3y = 6
da cui si ricava y = 2 e, sostituendo 2 per y nella prima equazione, si
ottiene x = 1.
Un esempio di sistema con infinite soluzioni.
Consideriamo il seguente sistema lineare:
x + 2y = 3
2x + 4y = 6
Calcoliamo il numero delle soluzioni. Sia A = (1, 2) e B = (2, 4). Allora
abbiamo:
cos() = (A B)/||A|| ||B|| = 10/ 5 20 = 10/ 100 = 10/10 = 1.
Quindi le due rette sono parallele, anzi sono uguali. La seconda equazione
si scrive come 2(x + 2y) = 2 3. Quindi il sistema lineare ammette
infinite soluzioni.
Un esempio di sistema con nessuna soluzione. Consideriamo
il seguente sistema lineare:
x + 2y = 3
2x + 4y = 12
Calcoliamo il numero delle soluzioni. Sia A = (1, 2) e B = (2, 4). Allora
come prima abbiamo cos() = 1. Quindi le due rette sono parallele,
ma non uguali. La seconda equazione si scrive come 2(x + 2y) = 2 6
e corrisponde alla retta x + 2y = 6 che `e parallela alla retta della prima
equazione. Quindi il sistema lineare non ammette soluzione.
22
4.2
23
(i) Lintersezione dei tre piani `e un piano sse i tre piani sono coincidenti
(lo stesso piano) sse i tre vettori A, B e C sono collineari (nella
stessa retta per lorigine);
(ii) Lintersezione dei tre piani `e una retta sse i tre vettori A, B e C
non sono collineari ma si trovano in uno stesso piano passante per
lorigine;
(iii) Lintersezione dei tre piani `e un punto sse (1) i vettori A e B non
si trovano nella stessa retta; (2) il vettore C non si trova nel piano
generato dai vettori A e B.
Ritorniamo al sistema lineare omogeneo precedente. Calcoliamo se i
piani sono paralleli. Siano A = (3, 2, 1), B = (1, 4, 3) e C = (1, 1, 1).
Allora abbiamo:
cos(AB ) = (A B)/||A|| ||B|| = 14/ 14 26 = 14/ 364 < 1.
Quindi A e B non sono collineari ma generano un piano. Se C fosse nel
piano generato da A e B, allora esisterebbero c e d tali che c(3, 2, 1) +
d(1, 4, 3) = (1, 1, 1), da cui si ha 3c + d = 1, 2c + 4d = 1 e c + 3d = 1.
Sottraendo la seconda dalla prima si ricava: c = 3d. Sostituendo nella
terza si ottiene 3d + 3d = 0, cioe d = 0 e quindi c = 0. Si ottiene
cos` che C non si trova nel piano generato da A e B. Quindi lunica
soluzione `e il vettore nullo.
2. Consideriamo il sistema seguente:
3x + 2y + z = 5
x + 4y + 3z = 3
x+y+z = 0
La prima `e lequazione di un piano parallelo al piano di equazione
3x + 2y + z = 0 (passante per lorigine e perpendicolare al vettore
A = (3, 2, 1)). La seconda `e lequazione di un piano parallelo al piano
di equazione x + 4y + 3z = 0 (passante per lorigine e perpendicolare
al vettore B = (1, 4, 3)). La terza `e lequazione del piano passante per
lorigine e perpendicolare al vettore C = (1, 1, 1).
Lintersezione dei tre piani `e un punto se (1) i vettori A e B non si
trovano nella stessa retta; (2) il vettore C non si trova nel piano generato dai vettori A e B. Dai fatti calcoli fatti nel punto precedente
per il sistema omogeno si ottiene che C non si trova nel piano generato
da A e B. Quindi la soluzione `e un punto. Applichiamo il metodo di
eliminazione di Gauss.
24
y + z = 0
y 2z = 5
3y + 2z = 3
cos() = (A B)/||A|| ||B|| = 14/ 14 26 = 14/ 364 < 1.
25
4y
+ 3z = 3
10y 8z = 4
y=
2 4z
.
5
26
Chapter 5
Matrici
5.1
A=
... ... ... ...
am1 am2 . . . amn
Se A `e una matrice m n, denotiamo con Ai il vettore che `e la riga i
della matrice, e con Aj il vettore che `e la colonna j della matrice:
a1j
a2j
Aj =
Ai = ai1 ai2 . . . ain ;
...
amj
Una matrice `e quadrata se il numero di righe `e uguale al numero di
colonne.
Una matrice quadrata A `e
1. simmetrica se Aij = Aji per ogni i, j.
2. diagonale se Aij = 0 per i 6= j.
27
28
CHAPTER 5. MATRICI
3. la matrice identit`a se `e diagonale e Aii = 1 per ogni i (la matrice
identit`a si indica con I).
4. triangolare superiore se Aij = 0 per ogni i > j.
3 2 1
3 0 0
1 0 0
A= 2 4 4
B= 0 4 0
I= 0 1 0
1 4 2
0 0 2
0 0 1
1
A2 = 2 4 4 ;
A3 = 4
2
La trasposta della matrice simmetrica A coincide con A, mentre la matrice
C qui di seguito non `e simmetrica e la sua trasposta non coincide con C.
3 2 7
3 1 22
C= 1 4 9
Ct = 2 4 1
22 1 0
7 9 0
La seguente matrice D `e triangolare superiore:
3 2 7
D= 0 4 9
0 0 5
Proposition 5.1.2. Linsieme delle matrici mn a coefficienti in un campo
F costituisce uno spazio vettoriale rispetto alloperazioni di somma componente per componente e prodotto per uno scalare:
. . . . . . . . . . . . +. . . . . . . . . . . . = . . .
...
...
...
am1 am2 . . . amn
bm1 bm2 . . . bmn
am1 + bm1 am2 + bm2 . . . amn + bmn
29
a11 a12
a21 a22
c
. . . . . .
am1 am2
. . . a1n
ca11 ca12
Example 3.
2 3
1 2
3 5
1 5 + 3 4 = 4 1
3 2
5 6
8 8
5.2
. . . ca1n
. . . ca2n
... ...
. . . camn
2 3
8 12
4 1 5 = 4 20
3 2
12 8
= b1
= b2
... ...
= bm
A=
x=
b=
... ... ... ... ;
... ;
...
am1 am2 . . . amn
xn
bm
Allora si vede facilmente che la prima equazione lineare a11 x1 + + a1n xn =
b1 si ottiene prendendo il prodotto interno del vettore
riga
x1
x2
30
CHAPTER 5. MATRICI
...
am1 am2 . . . amn
xn
am1 x1 + + amn xn
Quindi il sistema lineare si rappresenta globalmente come segue
3 2
1 4
31
Example 5. Il sistema
3x + 2y + z = 5
x + 4y + 3z = 3
x+y+z = 0
si rappresenta in notazione matriciale come segue:
3 2 1
x
5
1 4 3 y = 3
1 1 1
z
0
Come prima facciamo il prodotto interno tra la prima (rispettivamente
secx
onda e terza) riga della matrice con lunica colonna del vettore y per
z
ottenere
3 2 1
x
3x + 2y + z
5
1 4 3 y = x + 4y + 3z = 3
1 1 1
z
x+y+z
0
La precedente equazione matriciale si pu`o anche scrivere come combinazione lineare di vettori colonna:
3
2
1
5
x 1 + y 4 + z 3 = 3 = b
1
1
1
0
con b il vettore di coordinate (5, 3, 0). Cosa significa questa equazione? Ci
chiediamo
se il vettore
b si pu`o scrivere come combinazione lineare dei vettori
2
1
3
1 , 4 and 3 . Lequazione vettoriale ha soluzione perche con tre
1
1
1
vettori linearmente indipendenti possiamo ottenere ogni punto dello spazio.
In particolare, anche il punto b (si veda il Capitolo 7).
5.3
Prodotto di matrici
32
CHAPTER 5. MATRICI
k
X
air brj .
r=1
IA = AI = A.
Se a =
. . . e b = . . . sono vettori colonna di R , allora il prodotto
an
bn
interno si pu`o scrivere con il prodotto matriciale at b = a1 b1 + + an bn .
1 2 1
1 2
3
2 5
A=
B=
C = 4 2 1
4 3
2 2 4
2 2 3
33
3
2
2 2
1 2
11 12
=
4 3
6 2
Example 8.
1 0
0 1
3
2
3
2
3
2 1 0
=
=
2 2
2 2
2 2 0 1
34
CHAPTER 5. MATRICI
Supponiamo che il risultato sia vero per Ak e dimostriamolo per Ak+1 :
k+1
(A
)ij =
n
X
r=1
5.4
35
B = [E|F ],
7 3 6 1
AB =
7 8 3 0
36
CHAPTER 5. MATRICI
Chapter 6
Matrici e sistemi lineari
6.1
3 2 1
x
5
1 4 3 y = 3
1 1 1
z
0
e rivediamo i passi effettuati per ottenere la soluzione:
1. Scambia la prima riga con la terza riga;
2. Sottrai la prima equazione dalla seconda;
3. Sottrai 3 volte la prima equazione dalla terza;
4. Somma alla terza equazione un terzo della seconda equazione.
Scriviamo
1
1. 1
3
2. 0
3
1
3. 0
0
3 2
y = 3
2 1
z
5
1
1
x
0
3
2 y = 3
1 2
z
5
37
38
1 1
1
x
0
2 y = 3
4. 0 3
0 0 4/3
z
6
La matrice dei coefficienti `e diventata triangolare superiore e la soluzione si
ottiene facilmente.
Una matrice arbitraria pu`o essere trasformata in una matrice triangolare
superiore con il prodotto matriciale.
Definition 6.1.1. Una matrice `e elementare se ha uno dei seguenti tre formati:
1. Matrice di tipo I che moltiplicando a sinistra una matrice A effettua lo
scambio di una riga di A con unaltra riga di A:
0 0 1
0 0 0
0 1 0
E2,3 = 0 1 1
E1,2 = 1 1 0
E1,3 = 0 1 0
1 0 0
0 1 0
0 0 0
2. Matrice di tipo II che moltiplicando a sinistra una matrice A effettua
la moltiplicazione di una riga di A per uno scalare c:
c 0 0
1 0 0
1 0 0
E1c = 0 1 0
E2c = 0 c 0
E3c = 0 1 0
0 0 1
0 0 1
0 0 c
3. Matrice di tipo III che, moltiplicando a sinistra una matrice A, somma
un multiplo di una data riga di A ad unaltra riga data:
1 0 0
1 0 0
1 0 0
c
c
E21
= c 1 0
E23
= 0 1 0
E3c = 0 1 0
0 0 1
c 0 1
0 c 1
c
E12
1 c 0
= 0 1 0
0 0 1
c
E13
1 0 c
= 0 1 0
0 0 1
c
E23
1 0 0
= 0 1 c
0 0 1
39
3 2 1 5
A = 1 4 3 3
1 1 1 0
Per scambiare la prima riga con lultima, moltiplichiamo la matrice E1,3 , di
scambio tra la riga 1 e la riga 3, per la matrice A.
0 0 1
E1,3 = 0 1 0
1 0 0
Si noti che il vettore [0, 0, 1], riga 1 di E1,3 , far`a diventare la terza riga prima
riga, il vettore [0, 1, 0], riga 2 di E1,3 , manterr`a intatta la seconda riga, mentre
il vettore [1, 0, 0], riga 3 di E1,3 , trasferir`a la riga 1 al posto della vecchia riga
3.
0 0 1
3 2 1 5
1 1 1 0
E1,3 A = 0 1 0 1 4 3 3 = 1 4 3 3
1 0 0
1 1 1 0
3 2 1 5
Ora vogliamo sottrarre la prima equazione dalla seconda. Consideriamo la
1
matrice E21
(in posizione 21 abbiamo il valore 1):
1 0 0
1
E21
= 1 1 0
0 0 1
Allora abbiamo
1 0 0
1 1 1 0
1 1 1 0
1
E21
E1,3 A = 1 1 0 1 4 3 3 = 0 3 2 3
0 0 1
3 2 1 5
3 2 1 5
Sottraiamo 3 volte la prima equazione dalla
3
E31
(in posizione 31 abbiamo il valore 3):
1 0
3
0 1
E31 =
3 0
0
0
1
Allora abbiamo
1 0 0
1 1 1 0
1
1
1 0
3 1
3
2 3
E21 E1,3 A = 0 1 0 0 3 2 3 = 0
E31
3 0 1
3 2 1 5
0 1 2 5
40
1 0 0
1/3
E32 = 0 1 0
0 13 1
dove in posizione 32 si ha 1/3.
1 0
1/3 3 1
Allora abbiamo
1
1
1 0
1 1
1 0
0
3
2 3 = 0 3
2 3
0 0
1
0 1 2 5
0 0 4/3 6
6.2
Matrice inversa
Le operazioni che abbiamo applicato alla matrice A sono tutte reversibili nel
senso che ciascuna delle matrici elementari `e invertibile.
Definition 6.2.1. Una matrice quadrata A `e invertibile se esiste una matrice
B tale che
AB = I = BA,
dove I `e la matrice identica. Esiste al pi`
u una matrice inversa di A; nel caso
in cui esiste linversa della matrice A si indica con A1 .
Lemma 6.2.1.
2. (AB)1 = B 1 A1 .
3. Se A `e invertibile, lunica soluzione del sistema lineare Ax = b (con x
e b vettori colonna) `e x = A1 b.
Proof. (1) Supponiamo che B sia unaltra inversa, cioe AB = BA = I.
Allora abbiamo:
B = BI = B(AA1 ) = (BA)A1 = IA1 = A1 .
(2) (AB)(B 1 A1 ) = A(BB 1 )A1 = AIA1 = AA1 = I.
(3) A(A1 b) = (AA1 )b = Ib = b.
41
a b
c d
1
1
d b
=
a
ad bc c
Proof.
a b
c d
d
adbc
c
adbc
b
adbc
a
adbc
1 0
=
0 1
Lemma 6.2.3. Una matrice diagonale `e invertibile sse nessun elemento nella
diagonale `e 0.
Lemma 6.2.4. Una matrice triangolare superiore `e invertibile se nessun
elemento nella diagonale `e 0. Linversa (se esiste) `e una matrice triangolare
superiore. Lo stesso risultato vale per le matrici triangolari inferiori.
Example 11. Analizziamo prima il caso
sono tutti 1. Sia
1 a
A= 0 1
0 0
b
c
1
Allora abbiamo:
1 a ac b
1 a b
1 0 0
1
c 0 1 c = 0 1 0
A1 A = 0
0
0
1
0 0 1
0 0 1
Example 12. Sia
d a b
A = 0 e c
0 0 f
con d, e, f 6= 0. Si consideri la matrice trasposta di A:
d 0 0
At = a e 0
b c f
t
Per calcolare lelemento A1
ij , si cancellino la riga i e la colonna j di A . Resta
una matrice 2 2 Aij , il cui determinante si calcola con le regole descritte
42
)
nel Lemma 6.2.2. Allora (A1 )ij = (1)i+j Det(A
. Per esempio, lelemento
Det(A)
1
(A )13 `e :
a e
det
b c
ac be
1
=
(A )13 =
Det(A)
Det(A)
0 e
A A= 0
e
ef
1
0 0
0 0
f
6.2.1
b
1 0 0
c = 0 1 0
f
0 0 1
Invertibilit`
a delle matrici elementari
0 0
E1,3 E1,3 = 0 1
1 0
1
0 0 1
1 0 0
0 0 1 0 = 0 1 0 = I
0
1 0 0
0 0 1
` infatti chiaro che scambiare due volte di seguito la riga uno e la riga tre
E
riporta alla situazione iniziale.
Example 14. La matrice
1 0
0 1
0 c
c
c
`e invertibile con inversa E32
:
E32
0
1
0 0
1 0 0
0 0
1 0 = 0 1 0
1
0 c 1
0 0 1
1 1
1 0
1/3 3 1
2 3 = U
E21 B = 0 3
E32 E31
0 0 4/3 6
La matrice U `e la matrice triangolare risultante. Se moltiplichiamo ambo
i membri della precedente uguaglianza per le matrici inverse delle matrici
elementari (nel giusto ordine), si ha:
1/3
1 1
3 1
L = (E21
) (E31
) (E32 )1
43
otteniamo
LU = B.
` una matrice triangolare inferiore (se non facciamo
Che tipo di matrice `e L? E
scambi di righe):
1
0 0
1 0 0
1 0 0
1
0 0
1 0
1 0 = 1
L = 1 1 0 0 1 0 0
1
3 13 1
0 0 1
3 0 1
0 3 1
Fassata una matrice B, se riusciamo a scomporla come prodotto di una matrice triangolare inferiore L ed una matrice triangolare superiore U , allora
possiamo risolvere il sistema Bx = b (x vettore colonna incognito e b vettore
colonna dei termini noti) con i seguenti passi:
Trovare un vettore c tale che Lc = b;
Trovare un vettore d tale che U d = c;
Bd = LU d = L(U d) = Lc = b e quindi x = d.
Example 15. Consideriamo il sistema
2 1
2 3
5
x1
=
=b
x2
3
Allora
2 1
1 0 2 1
=
= LU
2 3
1 1 0 4
2 1 1
x
1
1
2 3 y = 2
1
2 2
z
3
44
6.3
2
1 1
A = 4 6 0
2
7 2
Ricordiamo che la matrice A si scompone come prodotto di una matrice
triangolare inferiore ed una matrice triangolare superiore:
A = LU.
Aggiungiamo la matrice identica in fondo:
2
1 1 1 0 0
4 6 0 0 1 0
2
7 2 0 0 1
Lidea `e di eseguire le solite operazioni di triangolarizzazione sulla matrice
3 6 in maniera tale da arrivare ad una matrice
2
1
1
1 0 0
0 8 2 2 1 0
2
7
2
0 0 1
Sommiamo la prima riga allultima riga:
2
1
1
1 0 0
0 8 2 2 1 0
0
8
3
1 0 1
Sommiamo la seconda riga allultima:
2
1
1
1 0 0
0 8 2 2 1 0
0
0
1 1 1 1
45
2
1
1
1 0 0
0 8 2 2 1 0 = U L1
0
0
1 1 1 1
Ora cerchiamo di azzerare le componenti 12 e 22, sottraendo la terza riga
alla prima:
2
1
0
2 1 1
0 8 2 2
1
0
0
0
1 1
1
1
e sommando due volte la terza alla seconda:
2
1 0
2 1 1
0 8 0 4
3
2
0
0 1 1
1
1
Per azzerare la componente 12 si procede sommando unottavo della seconda
alla prima:
85 68
2
0 0 12
8
0 8 0 4
3
2
0
0 1 1
1
1
Infine si divide la prima riga per 2, la seconda per 8:
5
6
16
16
1 0 0 12
16
4
0 1 0
38 82
8
0 0 1 1
1
1
Quindi la matrice inversa `e:
5
6
16
16
38 82
=
1
1
1
A1
6.4
12
16
4
8
Matrici a gradini
46
Una matrice a gradini ridotta `e una matrice a gradini che verifica anche la
seguente condizione:
4. Se una colonna contiene il primo elemento non nullo di una riga, allora
tutte gli altri elementi della colonna sono nulli.
Example 17. Matrici in forma
1
0
0
0
a gradini:
3
1
0
0
0
0
0
0
0
0
1 0 0
0 1 0
0 0 0
0 0 0
0 0 0
2
5
1
0
0
5
6
7
1
0
4
7
0
0
0
0
1
0
0
0
0
0
1
0
4
7
0
0
47
48
Chapter 7
Spazi vettoriali
Prima di proseguire nel capitolo invitiamo il lettore a rileggersi la definizione
di spazio vettoriale in Sezione 2.2.
Riportiamo nel seguito alcuni esempi non-standard di spazi vettoriali.
Example 18. (Spazio vettoriale dei polinomi reali) Un polinomio reale `e una
funzione p : R R che `e esprimibile come
p(x) = a0 xn + a1 xn1 + + an1 x + an
con coefficienti ai numeri reali. Per esempio, i seguenti sono polinomi: 3x+2,
x2 + 5x + 1, etc. I polinomi costituiscono uno spazio vettoriale reale.
Example 19. (Spazio vettoriale delle sequenze infinite di reali) Linsieme di
tutte le successioni (an )n0 di numeri reali `e uno spazio vettoriale sul campo
reale.
Example 20. (Spazio vettoriale delle funzioni a valori in un campo) Sia X
un insieme. Allora linsieme di tutte le funzioni da X ad F, dove F `e un
campo, `e uno spazio vettoriale. Se f, g : X F sono funzioni e c `e uno
scalare, allora definiamo:
(f + g)(x) = f (x) + g(x);
50
7.1
Sottospazi
7.1. SOTTOSPAZI
51
2
1
1
0
A = 4 6
4 2 2
Linsieme delle combinazioni lineari dei vettori colonna della matrice
2
1
1
4 + c2 6 + c3
0
c1
4
2
2
costituisce un sottospazio
vettoriale W di R3 .
a
2
1
1
x
a
4 6
0
y = b
4 2 2
z
c
ammette soluzione.
Example 28. Linsieme dei polinomi di grado minore o uguale ad n `e un
sottospazio vettoriale dello spazio dei polinomi.
Ricordiamo che un sistema lineare `e omogeneo se il vettore dei termini
noti `e il vettore nullo.
Proposition 7.1.2. Linsieme delle soluzioni di un sistema lineare omogeneo
di m equazioni in n incognite `e un sottospazio vettoriale dello spazio Rn .
Proof. Sia A una matrice, x, y vettori tali che Ax = 0 e Ay = 0. Allora
A(x + y) = Ax + Ay = 0 + 0 = 0 ed inoltre A(cx) = c(Ax) = c0 = 0.
Se A `e la matrice del sistema, denotiamo con N(A) il sottospazio delle
soluzioni del sistema omogeneo associato.
52
7.2
c1 1 + c2 4
2
3
costituiscono un piano di equazione x 2y + z = 0 (perche?), che `e un
sottospazio vettoriale di R3 .
Example 30. Siano p(x) = x + 3 e q(x) = x2 + 2 due polinomi. Allora
le combinazioni lineari di p e q costituiscono un sottospazio vettoriale dello
spazio vettoriale dei polinomi reali: il sottospazio dei polinomi
c0 x2 + c1 x + (2c0 + 3c1 )
al variare di c0 , c1 tra i reali.
2 0
0 1
0 0
Example 31. Siano A =
, B =
eC =
tre matrici.
0 0
0 0
0 4
Linsieme delle combinazioni lineari di A, B e C determina il sottospazio
delle matrici che hanno la seguente forma (c1 , c2 , c3 arbitrari numeri reali):
c1 c2
0 c3
Definition 7.2.1. I vettori x1 , . . . , xn di uno spazio vettoriale V si dicono
linearmente dipendenti se il vettore nullo 0 `e una combinazione lineare di
x1 , . . . , xn con coefficienti scalari non tutti nulli, altrimenti si dicono linearmente indipendenti.
53
4 2 6 + 8
0 = 0.
3
4
2
2
Quindi il sistema omogeneo
2
1
1
3
0
4 6
0
2 = 0
4 2 2
8
0
ammette soluzioni diverse dal vettore nullo 0. Infatti si vede facilmente che
la terza riga della matrice `e un multiplo della prima, cos` il sistema lineare
ammette una retta di soluzioni che sono lintersezione del piano 2x+y +z = 0
(che `e lo stesso piano di equazione 4x2y 2z = 0) e del piano 4x6y = 0.
Si noti che se i vettori colonna sono lineramente dipendenti, anche i vettori
riga [2, 1, 1], [4, 6, 0] e [4, 2, 2] lo sono:
2[2, 1, 1] + 0[4, 6, 0] + [4, 2, 2] = 0.
Questultima uguaglianza la possiamo scrivere anche cos`:
2
1
1
2 0 1 4 6
0 = 0 0 0
4 2 2
Oppure prendendo le matrici trasposte:
2
4 4
2
0
1 6 2 0 = 0
1
0 2
1
0
x1
Proposition 7.2.2. Se A = (aij ) `e una matrice m n e x = . . . un
xn
vettore colonna non nullo di lunghezza n, allora le seguenti condizioni sono
equivalenti:
1. Ax = 0;
2. x `e un vettore perpendicolare agli m vettori riga della matrice:
Prodotto interno: Ai x =
n
X
j=1
54
a11
a12
a1n
x1 A1 + + xn An = x1 . . . + x2 . . . + + xn . . . = 0.
am1
am2
amn
3
4
2
0
A = 4 6
1
2 2
2
1
1
7.3
Basi
7.3. BASI
55
Example 35. Lo spazio dei polinomi reali non ammette una base finita, ma
soltanto una base infinita
1, x, x2 , . . . , xn , . . .
Il sottospazio dei polinomi di grado 5 ammette una base finita:
1, x, x2 , x3 , x4 , x5 .
Lo stesso risultato vale per il sottospazio dei polinomi di grado n.
Example 36. Sia C lo spazio
vettoriale dei numeri complessi sul campo
reale. Allora, i vettori 1 e i = 1 costituiscono una base.
Example 37. Sia C lo spazio vettoriale dei numeri complessi sul campo
complesso. Allora, il vettore 1 `e una base.
Proposition 7.3.1. Sia V uno spazio vettoriale sul campo F di base v1 , . . . , vm .
Allora ogni insieme di elementi w1 , . . . , wn con n > m `e linearmente dipendente. In particolare, due basi qualsiasi di uno spazio vettoriale hanno lo
stesso numero di vettori. Questo numero si dice dimensione dello spazio
vettoriale e si indica con dim V .
Proof. Rappresentiamo wi come combinazione lineare della base v1 , . . . , vm :
wi =
m
X
(7.1)
j=1
a11 . . . a1m . . . a1n
x1
0
. . . . . . . . . . . . . . . . . . = . . .
am1 . . . amm . . . amn
xn
0
56
n
nello
spazio vettoriale F (cioe, x1 , . . . , xn F). La soluzione non banale
b1
. . . esiste perche n > m (Proposizione 6.4.4). Allora abbiamo:
bn
b1
a11 . . . a1m . . . a1n
b1
0
[w1 , . . . , wn ] . . . = [v1 , . . . , vm ] . . . . . . . . . . . . . . . . . . = [v1 , . . . , vm ] . . . =
bn
am1 . . . amm . . . amn
bn
0
r1
X
aj w j +
j=1
m
X
aj v j .
(7.2)
j=r
Pm
Se
j=r aj vj = 0 allora i vettori w1 , . . . , wr1 , wr sarebbero linearmente
dipendenti contraddicendo lipotesi iniziale della prova. Quindi non tutti
i coefficienti aj (r j m) sono nulli. Possiamo supporre che sia il primo
coefficiente ar ad essere diverso da 0. Quindi
Pm
P
wr r1
j=r+1 aj vj
j=1 aj wj
vr =
ar
`e combinazione lineare di w1 , . . . , wr , vr+1 , . . . , vm . Siccome la base
w1 , . . . , wr1 , vr , . . . , vm
genera tutto lo spazio V , anche i vettori
w1 , . . . , wr , vr+1 , . . . , vm
generano lo spazio V . Rimane da provare che i vettori precedenti sono linearmente indipendenti. Se
b1 w1 + + br wr + br+1 vr+1 + + bm vm = 0,
7.3. BASI
57
j=r
da cui
(b1 +br a1 )w1 + +(br1 +br ar1 )wr1 +br aj vr +(br+1 +br ar+1 )vr+1 + +(bm +br am )vm = 0.
Si ha che br = 0 e si ottiene:
b1 w1 + + br1 wr1 + br+1 vr+1 + + bm vm = 0.
da cui si ricava anche bi = 0 per tutti gli i. Quindi, i vettori w1 , . . . , wr , vr+1 , . . . , vm
sono linearmente indipendenti e costituiscono una base.
Abbiamo provato che w1 , . . . , wr , vr+1 , . . . , vm `e una base per ogni 0
r m. In particolare, w1 , . . . , wm `e una base. Quindi wm+1 `e combinazione
lineare di w1 , . . . , wm , che contraddice lipotesi iniziale che w1 , . . . , wn sono
linearmente indipendenti.
3
3; La base canonica di R3 `e costituita
R ha dimensione
1
0
0
dai vettori 0 , 1 e 0 . Ogni altra base `e costituita da tre vettori
0
0
1
1
1
2
1 1 2
x
0
1 1 0 y = 0
1 0 3
z
0
Example 38.
1
P = 0 Quindi il concetto di coordinata `e dipendente dalla base.
0
58
7.4
7.5
Sottospazi ortogonali
59
60
Chapter 8
Applicazioni lineari e matrici
8.1
Applicazioni lineari
Definition 8.1.1. Siano V e W spazi vettoriali sullo stesso campo. Una funzione f : V W `e una applicazione lineare se verifica le seguenti propriet`a:
1. f (x + y) = f (x) + f (y);
2. f (cx) = cf (x).
Si noti che ponendo c = 0 nella seconda identit`a si ricava f (0) = 0.
Una funzione f `e una applicazione lineare sse f (c1 v1 + c2 v2 ) = c1 f (v1 ) +
c2 f (v2 ) per tutti gli scalari c1 , c2 e vettori v1 , v2 .
Lemma 8.1.1.
`e unapplicazione lineare.
2. La composizione g f : V U di due applicazioni lineari f : V W
e g : W U , definita da
(g f )(v) = g(f (v)), per ogni vettore v V
`e unapplicazione lineare.
3. La somma f + g : V W di due applicazioni lineari f : V W e
g : V W , definita da
(f + g)(v) = f (v) + g(v), per ogni vettore v V
`e unapplicazione lineare.
61
62
(8.1)
f (x + x0 , y + y 0 , z + z 0 ) =
=
=
=
(x + x0 , y + y 0 , z + z 0 ) (3, 2, 2)
3(x + x0 ) + 2(y + y 0 ) 2(z + z 0 )
(3x + 2y 2z) + (3x0 + 2y 0 2z 0 )
f (x, y, z) + f (x0 , y 0 , z 0 ).
f (c(x, y, z)) =
=
=
=
63
64
f (v2 ) = w1 + w3
8.2
65
dai coefficienti
. . . dalle coordinate di f (vj ).
amj
Per ogni vettore
v V , consideriamo le sue coordinate come vettore
c1
c2
colonna c =
. . . rispetto alla base v1 , . . . , vn (cioe, v = c1 v1 + + cn vn ).
cn
Allora
f (v) =
=
=
=
f (c1 v1 + + cn vn )
c1 f (v1 ) + + cn f (vn )
c1 (a11 w1 + + am1 wm ) + + cn (a1n w1 + + amn wm )
(c1 a11 + c2 a12 + + cn a1n )w1 + + (c1 am1 + c2 am2 + + cn amn )wm
A1 c
A2 c
Ac =
. . .
Am c
Proposition 8.2.1.
Siano f : Rn Rm e g : Rm Rk applicazioni
lineari. Sia A la matrice di f e B la matrice di g rispetto alle basi
canoniche. Allora BA (prodotto di matrici) `e la matrice di g f :
Rn Rk .
Sia A la matrice di f : Rn Rm e sia B la matrice di g : Rn Rm
rispetto alle basi canoniche. Allora A + B `e la matrice di f + g e cA `e
la matrice di cf .
Example 44. Sia f : R2 R3 lapplicazione lineare definita da
f (v1 ) = 4w1 + w2 + w3 ;
f (v2 ) = w1 + 3w2 ,
66
4 1
1 3
1 0
Se v = 5v1 + 3v2 `e un vettore di R2 , allora
4 1
23
1 3 5 = 14
3
1 0
5
Quindi f (v) = 23w1 + 14w2 + 5w3 .
Ogni applicazione lineare f : V W assume una forma matriciale veramente semplice se si scelgono le basi di V e W opportunamente.
Denotiamo con In la matrice identica di dimensione n n e con 0m,n la
matrice nulla di dimensione m n.
Proposition 8.2.2. Sia f : V W una applicazione lineare dallo spazio
vettoriale V di dimensione n allo spazio vettoriale W di dimensione m. Supponiamo che r = dim Im(f ) e k = dim ker(f ) con n = k + r. Allora esistono
basi di V e W tali che la matrice A (di dimensione m n) di f rispetto a
queste basi assume la forma
Ir
0r,k
A=
0mr,r 0mr,k
Proof. Sia v1 , . . . , vk una base del nucleo di f . Completiamo v1 , . . . , vk ad una
base di V : u1 , . . . , ur , v1 , . . . , vk con r + k = n. Le immagini f (u1 ), . . . , f (ur )
tramite f dei vettori u1 , . . . , ur sono non nulle e costituiscono una base di
Im(f ). Completiamo f (u1 ), . . . , f (ur ) ad una base di W :
f (u1 ), . . . , f (ur ), w1 , . . . , wmr .
La matrice A di f rispetto a queste due basi verifica le condizioni della
proposizione.
Remark 1. Supponiamo che gli spazi di partenza e di arrivo dellapplicazione
lineare f della Proposizione 8.2.2 coincidono: f : V V . Allora la matrice A
di f assume la forma della proposizione soltanto per opportune basi distinte
di V . La forma descritta non sar`a in generale assunta se la base di partenza
coincide con la base di arrivo.
8.3
67
3
4
2 1
0 0
A = 4 6
1
2 2 2
La matrice A determina:
(i) Una applicazione lineare fA : R4 R3 rispetto alle basi canoniche di
R4 e R3 , che`e definita tramite il prodotto matriciale a destra. Per
1
0
esempio, fA (
3 ) si calcola con il prodotto matriciale:
5
3
4
2 1
14
0
4 6
0 0
3 = 12
1
2 2 2
5
5
Attenzione: Se consideriamo una base diversa di R4 , la matrice A
definisce unaltra applicazione lineare!
(ii) Una applicazione lineare A f : R3 R4 rispetto alle basi canoniche di
R4 e R3 , che `e definita tramite il prodotto matriciale a sinistra. Per
esempio, A f ([0, 1, 2) si calcola con il prodotto matriciale:
3
4
2 1
0 0 = [6, 2, 4, 4]
[0, 1, 2] 4 6
1
2 2 2
3
3
1
68
c=
. . . rispetto alla base v1 , . . . , vn (cioe, v = c1 v1 + + cn vn ).
cn
Definiamo le coordinate di fA (v) rispetto alla base w1 , . . . , wm con il
prodotto matriciale:
Pn
c1
c
a
A1 c
i
1i
i=1
P
c2 A2 c
n ci a2i
1
n
Ac = A =
= c1 A + + cn A = i=1
...
...
.
.
.
Pn
cn
Am c
i=1 ci ami
Pn
+ + (
69
Pn
A(cx) = c(Ax);
A1 c
A2 c
Ac =
. . . = 0 sse
Am c
(d1 A1 + +dm Am )c = d1 (A1 c)+ +dm (Am c) = d1 0+ +dm 0 = 0
Quindi,
n = numero delle colonne
= dim(spazio nullo di fa ) + dim(spazio delle righe)
= dim(spazio nullo di fa ) + dim(spazio delle colonne).
E quindi lo spazio delle colonne e quello delle righe hanno la stessa
dimensione.
4. Una applicazione lineare gA : W V definita come segue. Per ogni
vettore w W , consideriamo le sue coordinate come vettore riga d =
[d1 , d2 , . . . , dm ]. Definiamo le coordinate di gA (w) rispetto alla base
v1 , . . . , vn con il prodotto matriciale:
dA = [d1 , d2 , . . . , dm ]A = [dA1 , dA2 , . . . , dAn ] = d1 A1 + + dm Am =
m
m
m
X
X
X
[
di ai1 ,
di ai2 , . . . ,
ci ain ]
i=1
i=1
i=1
70
8.4
f (v + t) =
=
=
=
=
f (c1 v1 + + cn vn + d1 v1 + + dn vn )
f ((c1 + d1 )v1 + + (cn + dn )vn )
(c1 + d1 )w1 + + (cn + dn )wn
c1 w1 + + cn wn + d1 w1 + + dn wn
f (v) + f (t).
f (mv) =
=
=
=
=
f (m(c1 v1 + + cn vn ))
f (mc1 v1 + + mcn vn )
mc1 w1 + + mcn wn
m(c1 w1 + + cn wn )
mf (v).
71
w1
f (vi ) = Ai . . .
wm
Viceversa, ad una matrice A con m righe ed n colonne associamo lapplicazione
lineare fA : V W definita da
fA (vi ) =
m
X
aki wk .
k=1
8.4.1
Cambio di base
Pn
c1
a
c
1i
i
i=1
P
c2
n
Pn . . .
cn
i=1 ani ci
nella seconda base.
72
e2 = 3t1 t2
2
3
1 1
4
Allora il vettore di coordinate
rispetto alla base canonica avr`a coordinate
4
4
rispetto alla seconda base non canonica:
0
2
3 4
4
=
= 4t1 .
1 1 4
0
Il vettore `e lo stesso, cambiano solo le coordinate.
Proposition 8.4.5. Sia V uno spazio vettoriale reale. Il prodotto scalare
v w di due vettori v, w V `e indipendente dalla scelta della base.
8.4.2
Matrici elementari
0 0 1
E1,3 = 0 1 0
1 0 0
fa passare dalla base v1 , v2 , v3 alla base v3 , v2 , v1 .
73
Le matrici elementari di tipo II moltiplicano per uno scalare un componente della base. Per esempio,
c 0 0
E1c = 0 1 0
0 0 1
fa passare dalla base v1 , v2 , v3 alla base cv1 , v2 , v3 .
Infine le matrici elementari di tipo III, sostituiscono un componente della
base con una sua combinazione lineare. Per esempio,
1 0 0
c
= c 1 0
E21
0 0 1
fa passare dalla base v1 , v2 , v3 alla base v1 , v2 + cv1 , v3 .
In tutti i casi precedenti le matrici elementari rappresentano lapplicazione
lineare identica.
Dalla Proposizione 8.4.3 segue che le matrici elementari in quanto invertibili rappresentano degli isomorfismi. Fissata la base v1 , v2 , v3 , la matrice
E1,3 di tipo I rappresenta lisomorfismo
fE1,3 (v1 ) = v3 ;
fE1,3 (v2 ) = v2 ;
fE1,3 (v3 ) = v1 .
fE1c (v2 ) = v2 ;
fE1c (v3 ) = v3 .
c
Infine la matrice elementare E21
di tipo III rappresenta lisomorfismo
c (v1 ) = v1 ;
fE21
8.5
c (v2 ) = v2 + cv1 ;
fE21
c (v3 ) = v3 .
fE21
0
a11 a12 . . . a1n
x1
a21 a22 . . . a2n x2 0
74
una soluzione non banale del sistema omogeneo sse ker(fA ) 6= {0}. Ricordiamo dalla Proposizione 8.1.2 che
n = dim Rn = dim ker(fA ) + dim Im(fA ).
Se n > m, sicuramente il sistema ha soluzione (altrimenti, n = dim Im(fA )
m).
b1
b2
m
a11 a12
a21 a22
... ...
am1 am2
...
...
...
...
a1n
x1
x2
a2n
... ...
amn
xn
b1
b2
=
...
bm
Chapter 9
Determinanti
Propriet`
a del determinante
Sia A una matrice n n sul campo numerico K. Ad A possiamo associare il
suo determinante det(A) K, che possiamo anche denotare con le colonne
di A: det(A1 , . . . , An ) (oppure le righe). Il determinante `e univocamente
determinato dalle seguenti tre propriet`a:
(i) Il determinante come funzione di una colonna `e lineare:
det(A1 , . . . , B+C, . . . , An ) = det(A1 , . . . , B, . . . , An )+det(A1 , . . . , C, . . . , An );
det(A1 , . . . , cAj , . . . , An ) = c det(A1 , . . . , Aj , . . . , An ).
(ii) Se due colonne contigue sono uguali, cioe Aj = Aj+1 , allora det(A) = 0.
(iii) det(I) = 1, dove I `e la matrice identica.
Per semplicit`a di notazione scriveremo
det(A) = |A|.
Example 47. Il determinante di una matrice diagonale `e il prodotto degli
elementi della diagonale:
a 0
=(i) a 1 0 =(i) ab 1 0 =(iii) ab.
0 b
0 b
0 1
Analizziamo le conseguenze delle tre propriet`a (i)-(iii).
Proposition 9.0.1. (iv) Se due colonne contigue sono scambiate, il determinante cambia di segno.
75
76
CHAPTER 9. DETERMINANTI
det(A1 + A2 , A1 + A2 , . . . )
det(A1 , A1 + A2 , . . . ) + det(A2 , A1 + A2 , . . . )
det(A1 , A1 , . . . ) + det(A1 , A2 , . . . ) + det(A2 , A1 + A2 , . . . )
0 + det(A1 , A2 , . . . ) + det(A2 , A1 + A2 , . . . )
det(A1 , A2 , . . . ) + det(A2 , A1 , . . . ) + det(A2 , A2 , . . . )
det(A1 , A2 , . . . ) + det(A2 , A1 , . . . ) + 0
det(A1 , A2 , . . . ) + det(A2 , A1 , . . . ).
da cui si ha la conclusione.
(v) Applicando (iv) si scambiano colonne sino a quando le due colonne
uguali sono contigue. Poi si applica (ii).
(vi) Sia det(A) = det(. . . , Ai , . . . , Aj , . . . ), mettendo in evidenza le colonne
i e j. Sommiamo alla colonna i c volte la colonna j:
det(. . . , Ai + cAj , . . . , Aj , . . . ) = det(. . . , Ai , . . . , Aj , . . . ) + c det(. . . , Aj , . . . , Aj , . . . )
= det(A) + 0
= det(A).
a 0
=
0 d
+| a b
0 0
= ad + b a a = ad.
a 0 0
77
In maniera simile,
0 b
c d
0 0
=
c d
0 b
+
c 0
=0 b 0
0 c
= bc
78
CHAPTER 9. DETERMINANTI
1. |At | = |A|;
79
Proposition 9.0.5. Sia A = (aij ) una matrice quadrata con determinante
non nullo. Se B = (bij ) `e la matrice inversa di A, allora applicando la regola
di Cramer al sistema lineare:
b1j
b2j
j
A
... = E
bnj
oppure
b1j A1 + b2j A2 + + bnj An = E j
abbiamo
bij =
80
CHAPTER 9. DETERMINANTI
Chapter 10
Autovettori e Autovalori
Definition 10.0.1. Sia V uno spazio vettoriale ed f : V V una applicazione lineare. Un autovettore `e un elemento non nullo v V per cui esiste
uno scalare tale che
f (v) = v.
Lo scalare viene detto autovalore.
Lo scalare 0 `e un autovalore di f sse il nucleo ker(f ) 6= {0} ha dimensione
1.
Se A `e una matrice che rappresenta f rispetto alla base v1 , . . . , vn e
lautovettore v ha coordinate v = c1 v1 + + cn vn , allora
c1
c1
A ... = ... .
cn
cn
Lautovalore e lautovettore v sono detti anche autovalore e autovettore
della matrice A.
Remark 2. Se V `e uno spazio vettoriale sul campo reale, v `e un autovettore
di autovalore > 0 sse lapplicazione lineare trasforma la retta cv (c R)
in se stessa, dilatandola se 1 oppure contraendola se 0 1. Se
lautovalore `e negativo abbiamo anche un ribaltamento.
Proposition 10.0.1. Sia A una matrice n n sul campo K. Allora le
seguenti condizioni sono equivalenti:
(i) `e un autovalore di A;
(ii) |A I| = 0;
(iii) La matrice A I non `e invertibile.
81
82
= 2 + c1 + c0 ,
= 3 + c2 2 + c1 + c0 ,
dove
c0 = |A|;
a
a
c1 = 22 23
a32 a33
a11 a13
a31 a33
a11 a12
a21 a22
1 2
3 4
33
.
2
Quindi la
10.1. AUTOSPAZI
83
1 0 1
A= 2 0 2
2 2 3
1 1
= 0. Ne segue
Il determinante della matrice A `e nullo: |A| = 2
2 2
che il sistema omogeneo Ax = 0 ammette soluzioni x 6= 0 non nulle. Calcoliamo il polinomio caratteristico di A sviluppando il determinante rispetto
alla prima riga e scopriremo che 0 sar`a un autovalore della matrice A:
1 0
1
2
2
+
=
2 = (1 )
A = 2
2 3 2 2
2
2 3
= (1 )((3 ) 4) + 4 + 2 = 3 + 42 + 3.
3
2
Lequazione
4 3 = 0 ammette come soluzioni gli autovalori: = 0
e = 2 7.
10.1
Autospazi
84
10.2
Matrici diagonalizzabili
a11
0 ...
0
0 a22 . . .
0
0 . . . ann
0
...
1
...
0
= aii
0
...
1
...
0
2 0
0 5
0
1
=5
0
1
85
d1
0 ...
0
0 d2 . . .
0
D=
... ... ... ...
0
0 . . . dn
allora
dk1
0
k
0
d
2
Dk =
... ...
0
0
...
...
...
...
0
0
...
dkn
86
3;
3
1
;
B = A(2+ 3)I =
3 3
2 = 2
3.
C = A(2 3)I =
3 1
3
3
1 0 0
Example 53. Sia A = 1 2 0 una matrice. Vogliamo
1 0 2
1. Determinare gli autovalori di A e le relative molteplicit`a.
2. Determinare gli autospazi di A e trovare, se esiste, una base di R3
formata da autovettori di A.
3. Calcolare una matrice P invertibile tale che P 1 AP sia diagonale.
La matrice A `e triangolare inferiore. Quindi gli autovalori sono gli elementi sulla diagonale: lautovalore 1 con molteplicit`a 1, e lautovalore 2 con
molteplicit`a 2. Un altro modo per calcolare gli autovalori `e tramite il polinomio caratteristico:
1
0
0
1 2
0 = (1 )(2 )2 .
1
0 2
Le radici del polinomio caratteristico (1 )(2 )2 = 0 sono 1, 2, 2.
Per trovare gli autospazi bisogna risolvere i sistemi lineari omogenei
11
0
0
x1
0 0 0
x1
0
1 2 1
0 x2 = 1 1 0 x2 = 0
1
0 21
x3
1 0 1
x3
0
87
12
0
0
x1
1 0 0
x1
0
1 2 2
0
x2 = 1 0 0
x2 = 0
1
0 22
x3
1 0 0
x3
0
Il prima sistema equivale a x2 = x1 e x3 = x1 . Lautospazio delle soluzioni
ha come base il vettore (1, 1, 1). Il secondo sistema ha per soluzione il
piano x1 = 0, che ha per base i vettori (0, 1, 0) e (0, 0, 1). Quindi una base di
R3 fatta di autovettori `e composta dai vettori (1, 1, 1), (0, 1, 0) e (0, 0, 1).
Rispetto alla base composta dagli autovettori (1, 1, 1), (0, 1, 0) e (0, 0, 1) la
matrice diagonale D simile ad A `e:
1 0 0
D= 0 2 0
0 0 2
La matrice P tale che D = P 1 AP `e diagonale, `e la matrice le cui colonne
sono gli autovettori:
1 0 0
P = 1 1 0
1 0 1
Example 54. Siano dati in R3 i vettori
v1 = (0, 1, 1);
v2 = (2, 0, 1);
v3 = (1, 2, 0).
f (v2 ) = 3v2 ;
f (v3 ) = 6v3 .
0 0 0
D= 0 3 0
0 0 6
88
Per calcolare la matrice A rispetto alla base canonica di R3 dobbiamo considerare la matrice P le cui colonne sono le coordinate degli autovettori rispetto
alla base canonica:
0 2 1
P = 1 0 2
1 1 0
Siccome D = P 1 AP , ricaviamo che A = P DP 1 . Linversa della matrice
P `e:
A = P DP 1
10.3
0 2 1
0
1 0 2
0
=
1 1 0
0
2
= 4
2
0 0
2/3 1/3 4/3
3 0 2/3 1/3 1/3 =
0 6
1/3 2/3
2/3
2
2
8
8
1 1
89
La matrice ha determinante uguale ad 1: (cos )2 + (sin )2 = 1. Ogni rotazione `e infatti invertibile. La matrice inversa, che corrisponde ad una
rotazione oraria di un angolo , `e:
cos sin
sin cos
Vi `e una corrispondenza bigettiva tra rotazioni e matrici
a b
b a
con determinante a2 + b2 = 1.
Si ricorda che un altro modo di rappresentare le rotazioni `e con la moltiplicazione dei numeri complessi. Se z = cos + i sin ed u = 3 + 2i, allora
zu = (3 cos 2 sin ) + (3 sin + 2 cos )i.
90
Chapter 11
Esempi
11.1
Algoritmo di Google
92
pagina web1 vi `e una probabilit`a 13 che passi alla pagina web2, e cos` via.
Lo stesso discorso si applica per gli altri nodi con probabilit`a possibilmente
diverse, che dipendono dal numero di links.
Siccome il nodo 1 ha tre archi uscenti, trasferisce un terzo della sua importanza a ciascuno dei tre nodi riceventi. In generale, se un nodo ha k archi
uscenti, trasferisce k1 della sua importanza a ciascuno dei nodi riceventi.
La matrice A di transizione del grafo mette in ciascuna colonna Ai il
trasferimento di importanza dal nodo i agli altri nodi, mentre ciascuna riga
Ai della matrice rappresenta limportanza che il nodo i riceve dagli altri nodi:
0 0 1 12
1 0 0 0
3
A=
1 1 0 1
3
2
2
1
1
0 0
3
2
La matrice A `e invertibile. Sviluppiamo il determinante rispetto alla terza
colonna.
1
0 0
3
1
1
det(A) = det( 13 21 21 ) = ( ).
3
4
1
1
0
3
2
x1
x2
Denotiamo con x =
x3 limportanza delle quattro pagine. Allora
x4
dobbiamo avere:
0 0 1 21
x1
x1
1 0 0 0 x2 x2
3
Ax =
1 1 0 1 x3 = x3
3
2
2
1
1
0 0
x4
x4
3
2
In altre parole, il vettore x `e un autovettore di autovalore 1. Risolvendo il
sistema lineare corrispondente
x1
x2
x3
x4
= x3 +
= x31
= x31 +
= x31 +
x4
2
x2
2
x2
2
x4
2
0.38
0.12
PageRank vector
0.29
0.19
93
In altre parole, il sito web1 ha importanza 0.38 e cos` via per gli altri. Su
100 utenti, 38 visiteranno il sito web1.
Si suggerisce di cercare con un motore di ricerca il file jkhoury/Google.pdf
dove viene spiegato in dettaglio lalgoritmo di Google.
11.2
Numeri di Fibonacci
F1 = 1;
Fn = Fn1 + Fn2 .
94
si ricava che
o in altri termini
F1
1
=
F0
1
Fn+1
Fn
=A
Fn
Fn1
Fn+1
1
n 1
= AA A
=A
(n-volte)
1
Fn
1
La matrice A `e diagonalizzabile (si veda il Capitolo 10 su autovalori e autovettori), ossia esiste una matrice invertibile P ed una matrice diagonale
D tale che A = P 1 DP da cui si ricava An = P 1 Dn P . Siccome `e facile
calcolare una potenza Dn di una matrice diagonale, `e anche facile calcolare
An .
Calcoliamo gli autovalori di A, per cui deve essere det(A I) = 0:
1 1
det(A I) = det(
) = (1 ) 1 = 0.
1
In altri termini,
2 1 = 0.
Le due soluzioni sono reali
1+ 5
;
1 =
2
1 5
2 =
.
2
95
Sempre dal Teorema 10.2.1 si ricava che la matrice i cui vettori colonna
sono w1 e w2 `e la matrice invertibile che diagonalizza A:
1+5 15
2
2
P =
1
1
La matrice inversa `e
"
P 1 =
1
5
1
2 5
#
1+
5
2 5
1+ 5
2 5
1+ 5
2
1 5
2
1+5
2
Fn+1
n 1
n 1 1
=A
= PD P
=
Fn
1
1
#"
#
"
1+
1+ 5 n
1 5
5
1
(
)
0
1
5
2 5
2
2
.
1
5
1+
5
1
n
1
1
0
( 2 )
2 5
2 5
!n+1
1 1+ 5
Fn =
2
5
!n+1
1 5
1+ 5
=
2
` utilizzato in arte e ar`e la famosa sezione aurea o divina proporzione. E
chitettura per dare simmetria alla rappresentazioni figurative geometriche
(si consulti il libro di T. Livio: La sezione aurea). Il rettangolo aureo `e un
rettangolo le cui proporzioni sono basate sulla sezione aurea. Ci`o significa
che il rapporto fra il lato maggiore a e quello minore b, ab , `e identico a quello
fra il lato minore b e il segmento a b ottenuto sottraendo b dal lato maggiore a (il che implica che entrambi i rapporti siano ). Quindi se abbiamo
un rettangolo aureo di lati a e b con a > b si ha: Se a > b sono lunghezze
non nulle, allora
a
b
a+b
=
= =
.
a
b
ab
96
11.3
Fn
.
Fn1
Crittografia
B = 12438;
G = 5499;
C = 79;
I = 9090;
D = 987;
0 = 555;
E = 30078;
R = 777;
F = 675;
blank = 647.
1 2 3
Z = 4 5 6
7 8 9
Allora suddividiamo il messaggio con la codifica elementare in vettori di
lunghezza 3 avendo laccortezza di aggiungere degli spazi finale per ottenere
97
un multiplo del 3.
5499
79
12438
555
9090 , 555 , 345 , 647 .
555
647
777
647
Mettiamo tutti questi vettori in una matrice U
5499 79 12438
1 2 3
5499
9090
ZU = 4 5 6
7 8 9
555
25344 3130
70776 6973
116208 10816
di dimensione 3 4
555
647
647
79 12438 555
555 345 647 =
647 777 647
15459 3790
56139 9337
96819 14884
11.4
Compressione di Immagini
98
11.5
Chapter 12
Spazi vettoriali complessi
Se V `e uno spazio vettoriale complesso, allora una applicazione f : V V
ha almeno un autovalore, perch`e ogni polinomio a coefficienti in C ha almeno
una radice complessa.
99