Estratto del documento

Algebra Lineare

Sbobine complete — Manal Jenjare

Università di Pisa

0. Contents

1 Spazi vettoriali 3

1.1 Idea intuitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2 Le 8 proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Conseguenze degli assiomi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.4 Esempi fondamentali di spazi vettoriali . . . . . . . . . . . . . . . . . . . . . . 4

2 Sottospazi vettoriali 4

2.1 Definizione e significato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.2 Operazioni tra sottospazi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.1 Intersezione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.2 Somma di sottospazi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.2.3 Formula di Grassmann . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.2.4 Somma diretta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 Combinazioni lineari e indipendenza 6

3.1 Indipendenza lineare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.2 Span e sottospazio generato . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4 Base e dimensione 8

4.1 Algoritmo di Gauss: calcolo del rango ed estrazione di una base . . . . . . . . 9

4.2 Completamento a base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4.3 Isomorfismi e traduzione di spazi . . . . . . . . . . . . . . . . . . . . . . . . . 9

5 Rango di una matrice 10

6 Matrici 11

6.1 Operazioni tra matrici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

6.2 Matrici speciali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

6.3 Matrice trasposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

6.4 Traccia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

7 Determinante 12

7.1 Cos’è il determinante e a cosa serve . . . . . . . . . . . . . . . . . . . . . . . . 12

7.2 Calcolo del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

×

7.2.1 Ordine 2 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

×

7.2.2 Ordine 3 3 — Regola di Sarrus . . . . . . . . . . . . . . . . . . . . . 13

×

7.2.3 Ordine n n — Sviluppo di Laplace . . . . . . . . . . . . . . . . . . . 13

7.2.4 Determinante di Vandermonde . . . . . . . . . . . . . . . . . . . . . . 14

7.2.5 Matrice triangolare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

7.3 Proprietà del determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

8 Matrice inversa 15

1

8.1 Formula tramite matrice aggiunta . . . . . . . . . . . . . . . . . . . . . . . . . 15

8.2 Metodo Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

9 Sistemi lineari 16

9.1 Forma matriciale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

9.2 Struttura delle soluzioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

9.3 Metodo di Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

9.4 Metodo di Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

10 Applicazioni lineari 17

10.1 Definizione e riconoscimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

10.2 Nucleo e immagine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

10.3 Matrice associata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

10.4 Iniettività, suriettività, isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . 19

10.5 Composizione di applicazioni lineari . . . . . . . . . . . . . . . . . . . . . . . 19

10.6 Inversa di un’applicazione lineare . . . . . . . . . . . . . . . . . . . . . . . . . 19

10.7 Cambiamento di base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

11 Autovalori e autovettori 20

11.1 Idea intuitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

11.2 Algoritmo: trovare autovalori e autovettori . . . . . . . . . . . . . . . . . . . 20

11.3 Molteplicità algebrica e geometrica . . . . . . . . . . . . . . . . . . . . . . . . 21

11.4 Diagonalizzazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

11.5 Matrici speciali e loro spettro . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

11.6 Diagonalizzazione simultanea . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

11.7 Esponenziale di matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

12 Spazi euclidei 22

12.1 Prodotto scalare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

12.2 Norma e distanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

12.3 Proiezione ortogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

12.4 Ortogonalizzazione di Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . 23

12.5 Matrici ortogonali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

12.6 Complemento ortogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

12.7 Teorema spettrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

12.8 Segnatura e Teorema di Sylvester . . . . . . . . . . . . . . . . . . . . . . . . . 25

12.9 Spazi hermitiani . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

13 Riepilogo formule chiave 27

2

1. Spazi vettoriali

1.1. Idea intuitiva

Prima di arrivare alla definizione formale, fermiamoci un attimo sull’idea. Uno spazio

vettoriale è una struttura matematica in cui vivono oggetti chiamati vettori — non neces-

sariamente le frecce di fisica, ma qualsiasi oggetto (polinomi, matrici, funzioni continue) per

cui abbia senso fare due cose: sommare due di questi oggetti, e moltiplicare un oggetto

per un numero (detto scalare). Il requisito è che queste due operazioni si comportino “bene”,

cioè rispettino alcune regole fondamentali.

Definizione – Spazio vettoriale

Sia un campo (tipicamente o Uno spazio vettoriale su è un insieme V

K R C). K

dotato di due operazioni: × → · × →

+: V V V : V V

K

che soddisfano le seguenti 8 proprietà (assiomi).

1.2. Le 8 proprietà ∈

Proprietà della somma (per u, v, w V ):

1. Associatività: (u + v) + w = u + (v + w)

Posso mettere le parentesi dove voglio senza cambiare il risultato.

2. Commutatività: u + v = v + u

L’ordine in cui sommo non importa.

∈

3. Elemento neutro: esiste 0 V tale che v + 0 = v per ogni v

Esiste il “vettore zero”, che sommato a qualsiasi vettore non lo cambia. Questo elemento è

unico. −v ∈

4. Opposto: per ogni v esiste V tale che v + (−v) = 0

Ogni vettore ha un opposto, ovvero un vettore che sommato ad esso dà zero.

∈ ∈

Proprietà del prodotto scalare (per λ, µ u, v V ):

K,

5. Distributività sui vettori: λ(u + v) = λu + λv

6. Distributività sugli scalari: (λ + µ)v = λv + µv

7. Associatività mista: (λµ)v = λ(µv)

·

8. Elemento neutro: 1 v = v 3

1.3. Conseguenze degli assiomi

Dagli 8 assiomi seguono automaticamente alcune cose importanti:

• · ∈

0 v = 0 per ogni v V (lo scalare zero moltiplica qualsiasi vettore e dà il vettore zero)

• · ∈

λ 0 = 0 per ogni λ K

• −v · −1)

= (−1) v (l’opposto di v si ottiene moltiplicando per

Attenzione! ∈ ∈

Lo scalare 0 e il vettore 0 V sono cose diverse! Il primo è un numero, il

K n

secondo è un vettore (spesso scritto (0, 0, . . . , 0) in ). Occhio a non confonderli nelle

R

dimostrazioni.

1.4. Esempi fondamentali di spazi vettoriali

Esempio

n — il prototipo. L’insieme di tutti i vettori colonna con n componenti reali:

R  

 

x 1

 

 

..

n ∈

= x

 

R R

. i

 

 

x

 

n

La somma è componente per componente, il prodotto scalare idem. Per n = 2: il piano;

per n = 3: lo spazio tridimensionale. Questo è il caso più concreto e intuitivo.

≤d

Polinomi . L’insieme dei polinomi in x di grado al più d:

R[x] ≤d 2 d

{a · · · | ∈

= + a x + a x + + a x a

R[x] R}

0 1 2 i

d

Somma: si sommano i coefficienti di uguale grado. Prodotto scalare: si moltiplica ogni

≤2

coefficiente per lo scalare. Ad esempio in :

R[x]

2 2

− −

(3 5x + x ) + (1 + 2x) = 4 3x + x

Matrici M (R). Tutte le matrici con m righe e n colonne a coefficienti reali, con

m×n mn

somma e prodotto scalare termine a termine. È isomorfo a (ha la stessa dimen-

R

sione). C(R, →

Funzioni continue L’insieme di tutte le funzioni continue f : con

R). R R,

(f + g)(x) = f (x) + g(x) e (λf )(x) = λf (x). Spazio di dimensione infinita.

2. Sottospazi vettoriali

2.1. Definizione e significato

Spesso non ci interessa tutto lo spazio V , ma solo una “parte” di esso che si comporta ancora

come spazio vettoriale. Un sottospazio è un sottoinsieme di V che eredita la struttura di

spazio vettoriale. Non serve riverificare tutti gli 8 assiomi: basta controllare 3 condizioni.

4

Definizione – Sottospazio vettoriale ⊆

Sia V uno spazio vettoriale su e W V . W è un sottospazio vettoriale di V se e

K

solo se:

∈

1. 0 W (W contiene il vettore zero)

∈ ⇒ ∈

2. v , v W v + v W (chiusura rispetto alla somma)

1 2 1 2

∈ ∈ ⇒ ∈

3. v W, λ λv W (chiusura rispetto al prodotto scalare)

K

La condizione 1 si può anche derivare dalla 3 (basta prendere λ = 0), ma conviene verificarla

∈

per prima come “test rapido”: se 0 / W , allora W non è un sottospazio e non serve controllare

altro. {0}

Ogni spazio V ha sempre almeno due sottospazi: (il sottospazio banale, con solo il

vettore zero) e V stesso. Tutti gli altri stanno “in mezzo”.

Esempio 3

{(x, ∈ | −

Verifica che W è un sottospazio. Sia W = y, z) 2x y + z = 0}.

R

∈ −

(1) 0 W ? Poniamo x = y = z = 0: 2(0) 0 + 0 = 0 .✓

(2) Chiusura somma. Siano v = (x , y , z ) e v = (x , y , z ) entrambi in W , cioè

1 1 1 1 2 2 2 2

− −

2x y + z = 0 e 2x y + z = 0.

1 1 1 2 2 2

Allora v + v = (x + x , y + y , z + z ) e verifichiamo:

1 2 1 2 1 2 1 2

− − −

2(x + x ) (y + y ) + (z + z ) = (2x y + z ) + (2x y + z ) = 0 + 0 = 0.

1 2 1 2 1 2 1 1 1 2 2 2

∈

Quindi v + v W . ✓

1 2 ∈ ∈

(3) Chiusura prodotto scalare. Sia v = (x, y, z) W e λ Allora:

R.

− − ·

2(λx) (λy) + (λz) = λ(2x y + z) = λ 0 = 0.

∈

Quindi λv W . ✓ 3

Conclusione: W è un sottospazio di .

R

Esempio 2

{(x, ∈ |

Controesempio: W non è un sottospazio. Sia W = y) xy = 0} (cioè

R

l’unione degli assi coordinati). ∈ ∈

Proviamo la chiusura rispetto alla somma: v = (1, 0) W e v = (0, 1) W , ma

1 2

∈ · ̸

v + v = (1, 1) / W perché 1 1 = 1 = 0.

1 2

Basta questo: W non è un sottospazio.

2.2. Operazioni tra sottospazi

2.2.1. Intersezione

Teorema – Intersezione di sottospazi ∩

Se U e W sono sottospazi di V , allora U W è ancora un sottospazio di V .

L’intersezione contiene tutti i vettori che stanno contemporaneamente in U e in W . Per

trovarla: si mettono insieme le equazioni che definiscono U e W in un unico sistema e si

5

risolve.

Attenzione!

∪ ∈ \ ∈ \

L’unione U W in generale non è un sottospazio: prendi v U W e v W U ; la

1 2

loro somma potrebbe non stare né in U né in W . L’unione è un sottospazio solo quando

uno dei due è contenuto nell’altro.

2.2.2. Somma di sottospazi

Definizione – Somma di sottospazi {u | ∈ ∈ }

U + W = + w u U, w W

È il più piccolo sottospazio di V che contiene sia U che W .

Per trovare una base della somma: metti insieme i vettori di una base di U e di una base di

W in una matrice, poi estrai una base con Gauss (vedi sezione 4).

2.2.3. Formula di Grassmann

Teorema – Formula di Grassmann

Per ogni coppia di sottospazi U, W di uno spazio V di dimensione finita:

∩

dim(U ) + dim(W ) = dim(U + W ) + dim(U W )

|A ∪ |A| |B| − |A ∩

La formula è analoga a B| = + B| per gli insiemi finiti: stiamo “correggendo”

il doppio conteggio dell’intersezione.

Esempio 4

Siano in : U = Span{(1, 0, 0, 0), (0, 1, 0, 0)} e W = Span{(0, 1, 0, 0), (0, 0, 1, 0)}. Al-

R ∩ ∩

lora dim(U ) = 2, dim(W ) = 2, U W = Span{(0, 1, 0, 0)} quindi dim(U W ) = 1. Per

−

Grassmann: dim(U + W ) = 2 + 2 1 = 3.

2.2.4. Somma diretta

Definizione – Somma diretta ⊕ ∩ {0}.

La somma U + W si dice diretta (U W ) se U W = In questo caso ogni vettore

⊕ ∈ ∈

di U W si scrive in mo

Anteprima
Vedrai una selezione di 7 pagine su 27
Algebra lineare Pag. 1 Algebra lineare Pag. 2
Anteprima di 7 pagg. su 27.
Scarica il documento per vederlo tutto.
Algebra lineare Pag. 6
Anteprima di 7 pagg. su 27.
Scarica il documento per vederlo tutto.
Algebra lineare Pag. 11
Anteprima di 7 pagg. su 27.
Scarica il documento per vederlo tutto.
Algebra lineare Pag. 16
Anteprima di 7 pagg. su 27.
Scarica il documento per vederlo tutto.
Algebra lineare Pag. 21
Anteprima di 7 pagg. su 27.
Scarica il documento per vederlo tutto.
Algebra lineare Pag. 26
1 su 27
D/illustrazione/soddisfatti o rimborsati
Acquista con carta o PayPal
Scarica i documenti tutte le volte che vuoi
Dettagli
SSD
Scienze matematiche e informatiche MAT/02 Algebra

I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher Fggaaaghbsfhyv di informazioni apprese con la frequenza delle lezioni di Algebra lineare e studio autonomo di eventuali libri di riferimento in preparazione dell'esame finale o della tesi. Non devono intendersi come materiale ufficiale dell'università Università degli Studi di Pisa o del prof Forgione Nicola.

Domande e risposte

Hai bisogno di aiuto?
Chiedi alla community