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
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.