Sistemi lineari. Sia A R m n, x R n Ax = b è un vettore di m componenti. a m,1 x 1 + a m,2 x a m,n x n = b m

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Sistemi lineari. Sia A R m n, x R n Ax = b è un vettore di m componenti. a m,1 x 1 + a m,2 x a m,n x n = b m"

Transcript

1 1 Sistemi lineari. Sia A R m n, x R n Ax = b è un vettore di m componenti. Numero di operazioni per calcolare b: m n moltiplicazioni m (n 1) addizioni. a 1,1 x 1 + a 1,2 x a 1,n x n = b 1 a 2,1 x 1 + a 2,2 x a 2,n x n = b a m,1 x 1 + a m,2 x a m,n x n = b m Le matrici trasformano un vettore x di dimensione n in un vettore di dimensione m, cioè rappresentano delle trasformazioni tra due spazi. Possiamo rappresentare una matrice utilizzando le sue colonne: A = (a 1, a 2,..., a n ) Il prodotto Ax = b può anche scriversi: x 1 a 1 + x 2 a x n a n = b cioè il vettore b si ottiene come combinazione lineare dei vettori colonna della matrice A. -->A = [ ; ; ] A =! !! !! ! -->x = [1;2;3] x =! 1.!! 2.!! 3.!

2 2 -->b=a*x b =! 44.!! 68.!! 56.! -->b-a*x! 0.!! 0.!! 0.! -->y=x(1)*a(:,1)+x(2)*a(:,2)+x(3)*a(:,3) y =! 44.!! 68.!! 56.! -->y-b! 0.!! 0.!! 0.! Non è sempre vero che fissato un vettore b di dimensione m, si possa sempre trovare un vettore x per cui Ax = b sia soddisfatta. È questo il problema della soluzione di sistemi lineari. Se b è il vettore nullo, il sistema si dice omogeneo. Partizionamento Il partizionamento è una decomposizione della matrice in sottomatrici. Esempio:

3 3 possiamo scrivere la matrice a 11 a 12 a 13 a 14 a 15 a 16 a 17 a 21 a 22 a 23 a 24 a 25 a 26 a 27 a 31 a 32 a 33 a 34 a 35 a 36 a 37 a 41 a 42 a 43 a 44 a 45 a 46 a 47 a 51 a 52 a 53 a 54 a 55 a 56 a 57 nel seguente modo ( ) A11 A A = 12 A 13 A 21 A 22 A 23 con ( ) ( a11 a A 11 = 12 a13 a A a 21 a 12 = 14 a a 23 a 24 a 25 ) --> A = [ > > > > ] A =! !! !! !! !! ! --> A11 = A(1:2,1:2) A11 =! 1. 2.!! 2. 3.! -->A12 = A(1:2,3:5) A12 =! !

4 4! ! -->A13 = A(1:2,6:7) A13 =! 6. 7.!! 7. 8.! --> A21 = A(3:5,1:2) A21 =! 3. 4.!! 4. 5.!! 5. 6.! --> A22=A(3:5,3:5) A22 =! !! !! ! --> A23=A(3:5,6:7) A23 =! 8. 9.!! !! ! --> Se le partizioni sono compatibili possiamo trattare le sottomatrici come scalari nell eseguire le operazioni tra matrici. Per esempio: ( A11 A 12 A 21 A 22 ) + ( B11 B 12 B 21 B 22 ) =

5 5 ( A11 + B 11 A 12 + B 12 ) A 21 + B 21 A 22 + B 22 ( ) ( ) A11 A 12 B11 B 12 = A 21 A 22 B 21 B 22 ( A11 B 11 + A 12 B 21 A 11 B 12 + A 12 B 22 ) A 21 B 11 + A 22 B 21 A 21 B 12 + A 22 B 22 Vettori Ortogonali Siano x e y R n, se x T y = 0 i due vettori si dicono ortogonali. Esempio: -->x=[1;3;1] x =! 1.!! 3.!! 1.! -->y=[2;0;-2] y =! 2.!! 0.!! - 2.! -->x *y 0. x T x = n i=1 x 2 i, quindi x T x > 0. Esempio:

6 6 -->x=[1;3;1] x =! 1.!! 3.!! 1.! -->x *x 11. Se x T x = 1, il vettore x si dice unitario. Esempio: -->x=[1/2;sqrt(1/2);1/2] x =!.5!! !!.5! -->x *x 1. Dipendenza lineare di vettori Dati r vettori x 1, x 2,..., x r, diversi dal vettore nullo, se α 1 x 1 + α 2 x α r x r = 0 con gli α i 0, i vettori si dicono linearmente dipendenti. Se α 1 x 1 + α 2 x α r x r = 0

7 solo se α i = 0 per i = 1, 2,..., r allora i vettori x i, i = 1, 2,..., r sono linearmente indipendenti. Se vi è un α i 0, ve ne deve essere almeno un altro, e alcuni dei vettori x i possono esprimersi come combinazione lineare degli altri. Infatti se x 1, x 2,..., x r sono l.d. con α r 0 si ha: x r = α 1 x 1 α 2 x 2... α r 1 x r 1. α r α r α r Se i vettori x i sono l.i., un qualunque sottoinsieme di essi è ancora l.i.. Un insieme di vettori tra loro ortogonali sono l.i.. Una base è l insieme minimo di vettori l.i.. che generano un insieme dato. La base canonica di R m è costituita dai vettori e 1, e 2,, e m con elementi (e i ) j = 0 per i j e (e i ) i = 1. Dato un insieme di vettori {x 1, x 2,..., x n }, x i R m si dice rango dell insieme il numero massimo di vettori linearmente indipendenti che è possibile estrarre dall insieme. Poichè il massimo numero di vettori l.i. in tutto R m è m, il rango di un insieme di vettori di R m non può superare m. Data una matrice A, si dice rango della matrice, e si indica con rank(a), il rango dell insieme dei suoi vettori colonna. Esempio: 7 -->A=rand(3,3) A =! !! !! ! -->rank(a) 3. -->det(a)

8 >A=[3 0 0; 0 4 0;0 0 0] A =! !! !! ! -->det(a) 0. -->rank(a) --> 2. Se a R m e b R n, si ha: a 1 b 1 a 1 b 2... a 1 b n W = ab T a 2 b 1 a 2 b 2... a 2 b n = a m b 1 a m b 2... a m b n La matrice W è una matrice di rango 1, cioè le sue colonne generano uno spazio di dimensione 1. Ogni matrice di rango 1 può essere espressa nella forma ab T. Le matrici di rango uno non vengono mai memorizzate esplicitamente, ma si utilizza sempre la loro rappresentazione con i vettori a e b. Esempio: -->a=[4;2;7]

9 9 a =! 4.!! 2.!! 7.! -->b=[2;4;1;3] b =! 2.!! 4.!! 1.!! 3.! -->W=a*b W =! !! !! ! -->rank(w) 1. Come eseguiamo il prodotto W x? c = W x = (ab T )x = a(b T x) = (b T x)a b T x è uno scalare quindi calcoliamo prima µ = b T x e poi c = µa Numero di operazioni: 2n moltiplicazioni n 1 addizioni.

10 10 Infatti: -->x=[2;4;6;8] x =! 2.!! 4.!! 6.!! 8.! -->c=w*x c =! 200.!! 100.!! 350.! -->(b *x)*a! 200.!! 100.!! 350.! Consideriamo le due matrici A ed a 1,1 a 1,2... a 1,n b 1 a 2,1 a 2,2... a 2,n b 2  =..... = (A, b).. a m,1 a m,2... a m,n b m detta matrice ampliata, avente in comune con A le prime n colonne, mentre l ultima colonna è il vettore b. Si ha il seguente Teorema, noto come teorema di Rouché-Capelli: Condizione necessaria e sufficiente affinchè il sistema Ax = b ammetta soluzioni è che il rango di A e quello di  coincidano. Se A è una matrice quadrata di ordine n allora le seguenti proposizioni sono equivalenti:

11 11 1. Per ogni vettore b R n, il sistema Ax = b ammette soluzione 2. Se una soluzione del sistema esiste essa è unica 3. Per ogni x R n, Ax = 0 implica x = 0 4. Le colonne (righe) di A sono linearmente indipendenti 5. La matrice A è invertibile 6. det(a) 0 n det(a) = ( 1) i+j a i,j det(a i,j ), j=1 L ultima relazione può essere fuorviante, perchè il determinante cambia scalando la matrice. Infatti Se n = 30 e det(a) = 1 allora det(σa) = σ n det(a) det(0.1a) = Non è facile verificare al calcolatore quando questa quantità è veramente 0. Il calcolo del determinante con la regola di Laplace richiede più di n! moltiplicazioni, n = 16 se il nostro computer esegue una moltiplicazione ogni secondi tempo di calcolo : 16!*1e-10/60 35 minuti. Esempio: -->A=rand(30,30); -->det(a) >det(0.1*a)

12 E-31 -->A=rand(100,100); -->det(a) E+26 -->det(0.1*a) E-74 -->(0.1^100)*det(A) E-74 -->det(0.01*a) Proprietà del Determinante 1) Se A è una matrice triangolare (superiore od inferiore), allora det(a) è uguale al prodotto degli elementi sulla diagonale. --> L=[1 0;3 4] L =! 1. 0.!! 3. 4.!

13 13 -->det(l) 4. 2) Se A e B sono due matrici dell insieme, allora: -->A=[1 2;3 4] A =! 1. 2.!! 3. 4.! -->B=[5 6;7 8] B =! 5. 6.!! 7. 8.! -->det(a*b) 4. det(ab) = det(a)det(b). -->det(a)*det(b) 4. Autovalori e autovettori. Data una matrice quadrata A R n n, un numero complesso λ si dice autovalore di A se esiste un vettore u 0 a componenti reali o complessi tale che:

14 14 o Au = λu, (A λi)u = 0, u si dice autovettore di A ed è soluzione non nulla di un sistema lineare omogeneo. - Costruzione di un vettore contenente gli autovalori di una matrice casuale B: -->B=rand(3,3) B =! !! !! ! -->v=spec(b) v =! !! !! ! - Costruzione di una matrice diagonale V contenente gli autovalori di B e di una matrice T contenente i corrispondenti autovettori: -->[V,T]=bdiag(B) T =! !! !! ! V =

15 15! !! !! ! -->B*T(:,1)! !! !! ! -->B*T(:,1)-V(1,1)*T(:,1) 1.0E-15 *! !! !! ! -->B*T(:,2)-V(2,2)*T(:,2) 1.0E-15 *! !! !! ! --> Gli autovalori verificano l equazione det(a λi) = 0. Si dimostra che det(a λi) = p(λ) è un polinomio di grado n in λ che ha n radici nel campo complesso. p(λ) si chiama polinomio caratteristico. Si dice raggio spettrale della matrice A, e lo si indica con ρ(a), il massimo modulo degli autovalori di A. Se u è un autovettore di A, anche αu, con α 0 è autovettore di A. Gli autovettori unitari o normalizzati sono tali che u T u = 1.

16 16 Esempio: Data la seguente matrice: -->A=[1 2;2 1] A =! 1. 2.!! 2. 1.! determiniamone gli autovalori -->spec(a)! - 1.!! 3.! calcoliamo la matrice degli autovettori V -->[D,V]=bdiag(A) V =! !! ! D =! 3. 0.!! ! e calcoliamo V V -->V *V

17 17! 1. 0.!! 0. 1.! Matrici simmetriche. 1) Gli autovalori sono reali 2) Gli autovettori corrispondenti ad autovalori distinti sono ortogonali: 3) Esistono n autovettori unitari ortogonali tra loro. infatti: Siano u 1, u 2,..., u n autovettori unitari e sia U = (u 1, u 2, u n ) U T U = u T 1 u 1 u T 1 u 2... u T 1 u n u T 2 u 1 u T 2 u 2... u T 2 u n u T nu 1 u T nu 2... u T nu n u T i u j = { 0 per i j 1 per i = j. = I = UUT, La matrice U si dice ortogonale. Se λ 1, λ 2,..., λ n gli autovalori si A associati a u 1, u 2,..., u n e Λ = diag(λ 1, λ 2,..., λ n ), si ha: AU = UΛ da cui: U T AU = Λ Vediamo un istruzione SCILAB che ci permette di costruire matrici ortogonali: -->A=rand(3,3) A =! !

18 18! !! ! -->Q=orth(A) Q =! !! !! ! -->Q *Q! E E-16!! E E-16!! E E-16 1.! -->A=[1 0 0;0 5 0;0 0 0] A =! !! !! ! -->rank(a) 2. -->Q=orth(A) Q =! !! !! 0. 0.! -->Q *Q

19 19! 1. 0.!! 0. 1.! Esempio: --> A=[1 2 3;4 5 6;7 8 3;] A =! !! !! ! -->B=A+A B =! !! !! ! -->[V,T]=bdiag(B) T =! !! !! ! V =! !! !! ! -->T *T! E E-16!

20 20! E E-16!! E E-16 1.! --> Si dice forma quadratica di una matrice simmetrica l espressione x T Ax con x R n. Una matrice simmetrica A si dice: definita positiva se x T Ax > 0 per x 0, semidefinita positiva x T Ax 0 per x 0 Una matrice simmetrica A è definita positiva se e solo se gli autovalori sono tutti positivi. Se A è una matrice ad elementi complessi, A è la matrice con elementi i complessi coniugati degli elementi di A. La matrice A si dice hermitiana se A T = A. Trasposta coniugata : A T = A H Le matrici U per cui U H U = UU H = I si dicono matrici unitarie. Esempio: -->A=rand(3,3) A =! !! !! ! -->Q=orth(A) Q =

21 21! !! !! ! -->Q *Q! E E-16!! E E-17!! 1.665E E-17 1.! -->Q*Q! E E-17!! 5.551E E-16!! E E-16 1.! Se λ è un autovalore di A, λ 2 è un autovalore di A 2 ed in genere λ r è un autovalore di A r per r > 0. Esempio: -->A=rand(3,3) A =! !! !! ! -->spec(a).^5! !! !! 5.236E-09!

22 22 -->spec(a^5)! !! !! 5.236E-09! Norme vettoriali. Sia x R n, si chiama norma di x, e si indica con x, un numero non negativo che soddisfa le seguenti condizioni: N1) se x è il vettore nullo, x = 0 e viceversa; N2) se λ è uno scalare, λx = λ x ; N3) se x ed y sono due vettori, x + y x + y (disuguaglianza triangolare) Dalla N3) segue che: Disuguaglianza di Cauchy-Schwartz: Sia x = (x 1, x 2,..., x n ) T Norma x y x y (x T y) 2 (x T x)(y T y) x = max 1 i n x i. Vediamo l istruzione Matlab per calcolare la Norma di un vettore: -->x=[ ] x =! !

23 23 -->norm(x, inf ) 4. -->max(abs(x)) 4. Norma 1. n x 1 = x i i=1 -->x=[ ] x =! ! -->norm(x,1) >sum(abs(x)) 10. La funzione Scilab sum accetta come dato di input un vettore e da come risultato la somma degli elementi del vettore. Norma 2.

24 24 x 2 = (x T x) 1/2. -->x=[ ] x =! ! -->norm(x,2) >sqrt(sum(x.^2)) Norme matriciali. Sia A R m n, si chiama norma di A, e si indica con A, un numero non negativo che soddisfa le seguenti condizioni: M1) A = 0 se e solo se A è la matrice nulla; M2) Se λ è uno scalare allora λa = λ A ; M3) Se B è una matrice avente le stesse dimensioni di A allora: A + B A + B ; M4) Se B è una matrice il cui numero di righe è uguale al numero di colonne di A, allora: AB A B.

25 25 Norma matriciale indotta da una norma vettoriale A = max x =1 Ax Una norma matriciale è compatibile con una norma su vettori se dato y R n, Ay A y. Le norme matriciali indotte sono compatibili con le norme vettoriali. Norma n A = max a i,j. 1 i n j=1 -->A=rand(4,4) A =! !! !! !! ! -->norm(a, inf ) La funzione Scilab sum(a,1) da come risultato un vettore contenente la somma degli elementi sulle righe della matrice, sum(a,2) da come risultato un vettore contenente la somma degli elementi sulle colonne della matrice. -->max(sum(abs(a),2))

26 26 Norma 1 m A 1 = max a i,j. 1 j n i=1 -->norm(a,1) >max(sum(abs(a),1)) Norma 2 A 2 = ρ(a T A) -->norm(a,2) >norm(a) -->

3. Elementi di Algebra Lineare.

3. Elementi di Algebra Lineare. CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari 3. Elementi di Algebra Lineare. 1 Sistemi lineari Sia A IR m n, x IR n di n Ax = b è un vettore di m componenti.

Dettagli

Elementi di Algebra Lineare

Elementi di Algebra Lineare Elementi di Algebra Lineare Corso di Calcolo Numerico, a.a. 2009/2010 Francesca Mazzia Dipartimento di Matematica Università di Bari 13 Marzo 2006 Francesca Mazzia (Univ. Bari) Elementi di Algebra Lineare

Dettagli

Algebra lineare. Laboratorio di programmazione e calcolo CdL in Chimica. Pierluigi Amodio

Algebra lineare. Laboratorio di programmazione e calcolo CdL in Chimica. Pierluigi Amodio Algebra lineare Laboratorio di programmazione e calcolo CdL in Chimica Pierluigi Amodio Dipartimento di Matematica Università di Bari pierluigi.amodio@uniba.it http://dm.uniba.it/ amodio A.A. 2016/17 P.

Dettagli

x n i sima pos. x, y = x T y = x i y i R. i=1

x n i sima pos. x, y = x T y = x i y i R. i=1 1 Elementi di Algebra Lineare In questo capitolo introduttivo al corso di Calcolo Numerico per la laurea triennale in Informatica, saranno presentate una serie di definizioni e proprietà di matrici e dei

Dettagli

NORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +

NORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R + NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:

Dettagli

Si dimostra che queste funzioni godono delle proprietà delle norme (ossia sono norme).

Si dimostra che queste funzioni godono delle proprietà delle norme (ossia sono norme). Norma di un vettore I Una norma vettoriale su R n è una funzione : R n R + {}, che associa ad ogni vettore x R n, di componenti x i, i = 1,..., n, uno scalare, in modo che valgano le seguenti proprietà:

Dettagli

Richiami di Algebra Lineare

Richiami di Algebra Lineare Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2012 Rossi Algebra Lineare 2012 1 / 59 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +

Dettagli

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella

Dettagli

Richiami di algebra delle matrici a valori reali

Richiami di algebra delle matrici a valori reali Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o

Dettagli

3 Soluzione di sistemi lineari

3 Soluzione di sistemi lineari 3 Soluzione di sistemi lineari Prima di addentrarci nello studio dei metodi numerici, è doveroso introdurre le matrici e alcune strutture particolari di matrici nonchè alcuni concetti fondamentali quali

Dettagli

Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)

Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)

Dettagli

Richiami di Algebra Lineare

Richiami di Algebra Lineare Università di Pavia Richiami di Algebra Lineare Eduardo Rossi Vettori a : (n 1) b : (n 1) Prodotto interno a b = a 1 b 1 + a 2 b 2 +... + a n b n Modulo (lunghezza): a = a 2 1 +... + a2 n Vettori ortogonali:

Dettagli

0 0 c. d 1. det (D) = d 1 d n ;

0 0 c. d 1. det (D) = d 1 d n ; Registro Lezione di Algebra lineare del 23 novembre 216 1 Matrici diagonali 2 Autovettori e autovalori 3 Ricerca degli autovalori, polinomio caratteristico 4 Ricerca degli autovettori, autospazi 5 Matrici

Dettagli

Autovalori e autovettori di una matrice quadrata

Autovalori e autovettori di una matrice quadrata Autovalori e autovettori di una matrice quadrata Data la matrice A M n (K, vogliamo stabilire se esistono valori di λ K tali che il sistema AX = λx ammetta soluzioni non nulle. Questo risulta evidentemente

Dettagli

Federica Gregorio e Cristian Tacelli

Federica Gregorio e Cristian Tacelli 1 Sistemi lineari Federica Gregorio e Cristian Tacelli Un sistema lineare m n (m equazioni in n incognite) è un insieme di equazioni lineari che devono essere soddisfatte contemporaneamente a 11 x 1 +

Dettagli

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn

RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella

Dettagli

Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza.

Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza. Geometria I lezione del 30 settembre 2013 Presentazione del corso. Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza. Insiemi numerici: i numeri naturali, gli interi, i numeri

Dettagli

Richiami di Algebra Lineare

Richiami di Algebra Lineare Appendice A Richiami di Algebra Lineare In questo capitolo sono presentati alcuni concetti di algebra lineare L algebra lineare è quella branca della matematica che si occupa dello studio di vettori, spazi

Dettagli

Daniela Lera A.A

Daniela Lera A.A Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2016-2017 Richiami Algebra Lineare Spazio normato Uno spazio lineare X si dice normato se esiste una funzione

Dettagli

Applicazioni lineari simmetriche e forme quadratiche reali.

Applicazioni lineari simmetriche e forme quadratiche reali. Applicazioni lineari simmetriche e forme quadratiche reali 1 Applicazioni lineari simmetriche Consideriamo lo spazio IR n col prodotto scalare canonico X Y = t XY = x 1 y 1 + + x n y n Definizione Un applicazione

Dettagli

PreCorso di Matematica - PCM Corso M-Z

PreCorso di Matematica - PCM Corso M-Z PreCorso di Matematica - PCM Corso M-Z DOCENTE: M. Auteri Outline Docente: Auteri PreCorso di Matematica 2016 2 Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti

Dettagli

Spazi lineari. Felice Iavernaro. Dipartimento di Matematica Università di Bari. 17 Dicembre 2009

Spazi lineari. Felice Iavernaro. Dipartimento di Matematica Università di Bari. 17 Dicembre 2009 Spazi lineari Felice Iavernaro Dipartimento di Matematica Università di Bari 17 Dicembre 2009 Felice Iavernaro (Univ. Bari) Spazi lineari 17-12-2009 1 / 32 Definizione di spazio vettoriale reale Definizione

Dettagli

Algebra lineare e geometria AA Esercitazione del 14/6/2018

Algebra lineare e geometria AA Esercitazione del 14/6/2018 Algebra lineare e geometria AA. 2017-2018 Esercitazione del 14/6/2018 1) Siano A, B due matrici n n tali che 0 < rk(a) < rk(b) = n. (a) AB è invertibile. (b) rk(ab) = nrk(b). (c) det(ab) = det(a). (d)

Dettagli

Università di Modena e Reggio Emilia Facoltà di Scienze MM.FF.NN. PROVA DI ALGEBRA LINEARE (esercitazione del 18 gennaio 2011)

Università di Modena e Reggio Emilia Facoltà di Scienze MM.FF.NN. PROVA DI ALGEBRA LINEARE (esercitazione del 18 gennaio 2011) Università di Modena e Reggio Emilia Facoltà di Scienze MM.FF.NN. PROVA DI ALGEBRA LINEARE (esercitazione del 18 gennaio 2011) ISTRUZIONI PER LO SVOLGIMENTO. Scrivere cognome, nome, numero di matricola

Dettagli

PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A

PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A. 2011-12 DOCENTE TITOLARE: FRANCESCO BONSANTE 1. Geometria analitica dello spazio (1) vettori applicati e lo spazio E 3 O: operazioni su vettori e proprietà.

Dettagli

CALCOLO NUMERICO. Francesca Mazzia. Calcolo degli autovalori. Dipartimento Interuniversitario di Matematica. Università di Bari

CALCOLO NUMERICO. Francesca Mazzia. Calcolo degli autovalori. Dipartimento Interuniversitario di Matematica. Università di Bari CALCOLO NUMERICO Francesca Mazzia Dipartimento Interuniversitario di Matematica Università di Bari Calcolo degli autovalori 1 Calcolo degli autovalori Gli autovalore e gli autovettore di una matrice quadrata

Dettagli

DIARIO DEL CORSO DI MATHEMATICS FOR DATA SCIENCE TRENTO, A.A. 2018/19 DOCENTI: ANDREA CARANTI, SIMONE UGOLINI

DIARIO DEL CORSO DI MATHEMATICS FOR DATA SCIENCE TRENTO, A.A. 2018/19 DOCENTI: ANDREA CARANTI, SIMONE UGOLINI DIARIO DEL CORSO DI MATHEMATICS FOR DATA SCIENCE TRENTO, A.A. 2018/19 DOCENTI: ANDREA CARANTI, SIMONE UGOLINI Nota. La descrizione di lezioni non ancora svolte si deve intendere come una previsione/pianificazione.

Dettagli

0. Introduzione al linguaggio matematico

0. Introduzione al linguaggio matematico Prof. Lidia Angeleri Università di Verona, 2012/13 Algebra Lineare ed Elementi di Geometria Programma svolto nel Modulo Algebra Lineare 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi 1.2

Dettagli

Matematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/2012 Tema A

Matematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/2012 Tema A Matematica per Chimica, Chimica Industriale e Scienze dei Materiali Primo appello 7/02/202 Tema A NOME:..................................................... COGNOME:.....................................................

Dettagli

Si noti che la matrice trasposta A ha lo stesso determinante. Questa proprietà è generale;

Si noti che la matrice trasposta A ha lo stesso determinante. Questa proprietà è generale; Ottavio Serra Matrici e determinanti In questa nota estenderemo a matrici quadrate di ordine n qualsiasi il concetto di determinante introdotto nelle scuole secondarie per matrici di ordine 2 come tecnica

Dettagli

Esempio. L immagine di f è l insieme dei vettori w = (w 1, w 2 ) R 2 che hanno w 1 = w 2. Quindi:

Esempio. L immagine di f è l insieme dei vettori w = (w 1, w 2 ) R 2 che hanno w 1 = w 2. Quindi: Nucleo, immagine e loro proprietà [Abate, 5.2] Data una applicazione lineare f : V W, chiamiamo nucleo di f l insieme N(f) := { v V : f(v) = 0 W } Se S V è un sottoinsieme del dominio, indichiamo con f(s)

Dettagli

Richiami di Algebra Lineare

Richiami di Algebra Lineare Richiami di Algebra Lineare Fabrizio Silvestri December 14, 010 Matrice Sia R il campo dei numeri reali. Si indica con R m n l insieme delle matrici ad elementi reali con m righe ed n colonne. Se A R n

Dettagli

Matrici simili. Matrici diagonalizzabili.

Matrici simili. Matrici diagonalizzabili. Matrici simili. Matrici diagonalizzabili. Definizione (Matrici simili) Due matrici quadrate A, B si dicono simili se esiste una matrice invertibile P tale che B = P A P. () interpretazione: cambio di base.

Dettagli

0. Introduzione al linguaggio matematico

0. Introduzione al linguaggio matematico Prof. Lidia Angeleri Università di Verona, 2009/2010 Algebra Lineare ed Elementi di Geometria Programma svolto nel Modulo Algebra Lineare 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi

Dettagli

(V) (FX) L unione di due basi di uno spazio vettoriale è ancora una base dello spazio vettoriale.

(V) (FX) L unione di due basi di uno spazio vettoriale è ancora una base dello spazio vettoriale. 8 gennaio 2009 - PROVA D ESAME - Geometria e Algebra T NOME: MATRICOLA: a=, b=, c= Sostituire ai parametri a, b, c rispettivamente la terzultima, penultima e ultima cifra del proprio numero di matricola

Dettagli

PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A

PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A PROGRAMMA DEL CORSO DI GEOMETRIA E ALGEBRA. A.A. 2010-11 DOCENTE TITOLARE: FRANCESCO BONSANTE 1. Geometria analitica dello spazio (1) vettori applicati e lo spazio E 3 O: operazioni su vettori e proprietà.

Dettagli

Facoltà di Anno Accademico 2018/19 Registro lezioni del docente PINTUS NICOLA

Facoltà di Anno Accademico 2018/19 Registro lezioni del docente PINTUS NICOLA Facoltà di Anno Accademico 2018/19 Registro lezioni del docente PINTUS NICOLA Attività didattica GEOMETRIA E ALGEBRA [IN/0079] Partizionamento: Periodo di svolgimento: Docente titolare del corso: PINTUS

Dettagli

Determinante, autovalori e autovettori

Determinante, autovalori e autovettori Determinante, autovalori e autovettori Lorenzo Pareschi Dipartimento di Matematica, Universitá di Ferrara http://wwwlorenzopareschicom lorenzopareschi@unifeit Lorenzo Pareschi (Univ Ferrara) Determinante,

Dettagli

3. Vettori, Spazi Vettoriali e Matrici

3. Vettori, Spazi Vettoriali e Matrici 3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e

Dettagli

Richiami di Algebra Lineare

Richiami di Algebra Lineare Richiami di Algebra Lineare Eduardo Rossi Università degli Studi di Pavia Corso di Econometria Marzo 2015 Rossi Algebra Lineare 2015 1 / 41 Vettori Prodotto interno a : (n 1) b : (n 1) a b = a 1 b 1 +

Dettagli

APPLICAZIONI LINEARI O OMOMORFISMI

APPLICAZIONI LINEARI O OMOMORFISMI 42 APPLICAZIONI LINEARI O OMOMORFISMI Definizione 9 Dati due spazi vettoriali U e V sullo stesso campo K, una applicazione f : U V è detta lineare o omomorfismo se soddisfa le seguenti due condizioni:

Dettagli

APPUNTI DI ALGEBRA LINEARE

APPUNTI DI ALGEBRA LINEARE APPUNTI DI ALGEBRA LINEARE. Definizione Si dice spazio vettoriale (sul campo dei numeri reali R) un insieme V per il quale siano definite l operazione interna di somma (che ad ogni coppia di vettori e

Dettagli

Capitolo 3 Matrici. Marco Robutti. Facoltà di ingegneria Università degli studi di Pavia. Anno accademico

Capitolo 3 Matrici. Marco Robutti. Facoltà di ingegneria Università degli studi di Pavia. Anno accademico Capitolo 3 Matrici Marco Robutti Facoltà di ingegneria Università degli studi di Pavia Anno accademico 2017-2018 Tutorato di geometria e algebra lineare Definizione (Matrice) Una matrice A M R (k, n) è

Dettagli

Sistemi lineari - Parte Seconda - Esercizi

Sistemi lineari - Parte Seconda - Esercizi Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione

Dettagli

REGISTRO DELLE LEZIONI

REGISTRO DELLE LEZIONI UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE LEZIONI del Corso UFFICIALE di GEOMETRIA B tenute dal prof. Domenico AREZZO nell anno accademico 2006/2007

Dettagli

ESAME DI GEOMETRIA. 6 febbraio 2002 CORREZIONE QUIZ

ESAME DI GEOMETRIA. 6 febbraio 2002 CORREZIONE QUIZ ESAME DI GEOMETRIA 6 febbraio CORREZIONE QUIZ. La parte reale di ( + i) 9 è positiva. QUIZ Si può procedere in due modi. Un primo modo è osservare che ( + i) =i, dunque ( + i) 9 =(+i)(i) 4 = 4 ( + i) :

Dettagli

Applicazioni bilineari e matrici.

Applicazioni bilineari e matrici. Il caso reale Applicazioni bilineari e matrici Sia g un prodotto scalare su R n Ricordo che un prodotto scalare su R n è un applicazione g : R n R n R che soddisfa le seguenti condizioni: Per ogni v ;

Dettagli

AUTOVALORI E AUTOVETTORI

AUTOVALORI E AUTOVETTORI Capitolo 4 AUTOVALORI E AUTOVETTORI Abbiamo visto nel paragrafo 2.17 che la matrice associata ad una applicazione lineare f : R n R m dipende dalle basi scelte in R n e R m. Un problema interessante che

Dettagli

Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE. Giovanni Villani

Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE. Giovanni Villani Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE Giovanni Villani Matrici Definizione 1 Si definisce matrice di tipo m n una funzione che associa

Dettagli

DIARIO DEL CORSO DI GEOMETRIA E ALGEBRA LINEARE

DIARIO DEL CORSO DI GEOMETRIA E ALGEBRA LINEARE DIARIO DEL CORSO DI GEOMETRIA E ALGEBRA LINEARE DOCENTI: S. MATTAREI (TITOLARE), G. VIGNA SURIA, D. FRAPPORTI Prima settimana. Lezione di martedí 23 febbraio 2010 Introduzione al corso: applicazioni dell

Dettagli

Appendice 1. Spazi vettoriali

Appendice 1. Spazi vettoriali Appendice. Spazi vettoriali Indice Spazi vettoriali 2 2 Dipendenza lineare 2 3 Basi 3 4 Prodotto scalare 3 5 Applicazioni lineari 4 6 Applicazione lineare trasposta 5 7 Tensori 5 8 Decomposizione spettrale

Dettagli

La forma normale di Schur

La forma normale di Schur La forma normale di Schur Dario A Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi alla forma normale di Schur, alle sue proprietà e alle sue applicazioni

Dettagli

Matematica II, aa

Matematica II, aa Matematica II, aa 2011-2012 Il corso si e svolto su cinque temi principali: sistemi lineari, algebra delle matrici, determinati, spazio vettoriale R n, spazio euclideo R n ; per ogni tema descrivo gli

Dettagli

3. Vettori, Spazi Vettoriali e Matrici

3. Vettori, Spazi Vettoriali e Matrici 3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e

Dettagli

Richiami di algebra delle matrici

Richiami di algebra delle matrici Richiami di algebra delle matrici (S. Terzi) 1. SPAZI VETTORIALI I. ALCUNE DEFINIZIONI 1) Definizione di spazio vettoriale Sia S un insieme di vettori di ordine n. S è detto spazio lineare se e' un insieme

Dettagli

0. Introduzione al linguaggio matematico

0. Introduzione al linguaggio matematico Prof. Lidia Angeleri Università di Verona, 2014/15 Algebra Lineare ed Elementi di Geometria (Programma aggiornato in data 26 novembre 2014) 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi

Dettagli

Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite

Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite 3 Sistemi lineari 3 Generalità Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite ovvero, in forma matriciale, a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x

Dettagli

Esercitazione 6 - Soluzione

Esercitazione 6 - Soluzione Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione

Dettagli

Corso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a

Corso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Spazio dei vettori Il primo oggetto matematico che definiamo sarà il vettore. Partendo dai numeri reali come rappresentazione dei punti della retta reale R,

Dettagli

Autovalori ed autovettori di una matrice

Autovalori ed autovettori di una matrice Autovalori ed autovettori di una matrice Lucia Gastaldi DICATAM http://www.ing.unibs.it/gastaldi/ Indice 1 Definizioni di autovalori ed autovettori Autovalori ed autovettori 2 Metodo delle potenze 3 Calcolo

Dettagli

Geometria BAER I canale Foglio esercizi 2

Geometria BAER I canale Foglio esercizi 2 Geometria BAER I canale Foglio esercizi 2 Esercizio 1. Calcolare il determinante e l inversa (quando esiste) della matrice ( ) cos θ sin θ R θ =, θ [0, 2π] sin θ cos θ Soluzione: Il determinante ( é cos

Dettagli

APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof. F.Podestà, a.a

APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof. F.Podestà, a.a APPUNTI SULLA DIAGONALIZZAZIONE Corso Prof FPodestà, aa 003-004 Sia V uno spazio vettoriale e sia f : V V una applicazione lineare una tale applicazione da uno spazio vettoriale in se stesso è chiamata

Dettagli

Risoluzione di sistemi lineari

Risoluzione di sistemi lineari Risoluzione di sistemi lineari Teorema (Rouché-Capelli) Dato il sistema di m equazioni in n incognite Ax = b, con A M at(m, n) b R n x R n [A b] si ha che: matrice dei coefficienti, vettore dei termini

Dettagli

Geometria Appello I Sessione Invernale Corso di laurea in fisica A.A 2018/2019 Canali A C, L Pa, Pb Z

Geometria Appello I Sessione Invernale Corso di laurea in fisica A.A 2018/2019 Canali A C, L Pa, Pb Z Geometria Appello I Sessione Invernale Corso di laurea in fisica A.A 208/209 Canali A C, L Pa, Pb Z Durata: 2 ore e 30 minuti Alessandro D Andrea Simone Diverio Paolo Piccinni Riccardo Salvati Manni 2

Dettagli

{Geometria per [Fisica e (Fisica e Astrofisica)]}

{Geometria per [Fisica e (Fisica e Astrofisica)]} {Geometria per [Fisica e (Fisica e Astrofisica)]} Foglio 9 - Soluzioni Esercizio (facoltativo) Un quadrato magico reale di ordine n è una matrice di M n n (R) tale che sommando gli elementi di ogni sua

Dettagli

Applicazioni eliminazione di Gauss

Applicazioni eliminazione di Gauss Applicazioni eliminazione di Gauss. Premessa Nel seguito supporremo sempre di applicare il metodo di eliminazione di Gauss allo scopo di trasformare la matrice del sistema Ax = b in una matrice triangolare

Dettagli

Sistemi di equazioni lineari

Sistemi di equazioni lineari Sistemi di equazioni lineari Siano X 1,, X n indeterminate Un equazione lineare (o di primo grado) nelle incognite X 1,, X n a coefficienti nel campo K è della forma a 1 X 1 + + a n X n = b, a i, b K,

Dettagli

Elementi di Algebra Matriciale. (richiami)

Elementi di Algebra Matriciale. (richiami) Elementi di Algebra Matriciale Definizione di matrice (richiami) Matrice quadrata, diagonale, identità, triangolare, simmetrica Matrice trasposta Principali operazioni su matrici e vettori: somma, sottrazione,

Dettagli

MATRICI E SISTEMI LINEARI

MATRICI E SISTEMI LINEARI MATRICI E SISTEMI LINEARI - PARTE I - Felice Iavernaro Dipartimento di Matematica Università di Bari 27 Febbraio 2006 Felice Iavernaro (Univ. Bari) Matrici e Sistemi lineari 27/02/2006 1 / 1 Definizione

Dettagli

Corso di Laurea in Matematica - Esame di Geometria 1. Prova scritta del 7 settembre 2015

Corso di Laurea in Matematica - Esame di Geometria 1. Prova scritta del 7 settembre 2015 Corso di Laurea in Matematica - Esame di Geometria 1 Prova scritta del 7 settembre 215 Cognome Nome Numero di matricola Voto ATTENZIONE. Riportare lo svolgimento completo degli esercizi. corretti, non

Dettagli

Corso di Geometria BIAR, BSIR Esercizi 3: soluzioni

Corso di Geometria BIAR, BSIR Esercizi 3: soluzioni Corso di Geometria - BIAR, BSIR Esercizi : soluzioni Rango e teorema di Rouché-Capelli Esercizio. Calcolare il rango di ciascuna delle seguenti matrici: ( ) ( ) ( ) A =, A =, A =, A 4 = ( ). a a a Soluzione.

Dettagli

MATEMATICA II (Durante) Aversa, Marzo 2001., B = , e D = Si calcoli il rango delle matrici A, B, C, D.

MATEMATICA II (Durante) Aversa, Marzo 2001., B = , e D = Si calcoli il rango delle matrici A, B, C, D. MATEMATICA II (Durante) Aversa, Marzo 2001. COGNOME........................ NOME............... MATRICOLA............ 1. Dati i tre vettori u, v e w di R 3, si dica se essi sono linearmente dipendenti

Dettagli

0.1 Complemento diretto

0.1 Complemento diretto 1 0.1 Complemento diretto Dato U V, un complemento diretto di U é un sottospazio W V tale che U W = {0} U + W = V cioé la somma di U con il suo complemento diretto é diretta, e dá tutto lo spazio vettoriale

Dettagli

2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima.

2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 2. Fra tutti i rettangoli inscritti in una circonferenza, determinare quello di area massima. 3. Fra tutti i cilindri a base rotonda inscritti in una sfera, determinare quello di volume massimo. 4. Dimostrare

Dettagli

1. [15 punti] Calcolare il rango della seguente matrice a coefficienti reali: ( 1/2) 1 (1/2)

1. [15 punti] Calcolare il rango della seguente matrice a coefficienti reali: ( 1/2) 1 (1/2) Università di Modena e Reggio Emilia Facoltà di Scienze MM.FF.NN. PROVA DI ALGEBRA LINEARE del 17 febbraio 011 ISTRUZIONI PER LO SVOLGIMENTO. Scrivere cognome, nome, numero di matricola in alto a destra

Dettagli

MATEMATICA. a.a. 2014/ Sistemi di equazioni lineari

MATEMATICA. a.a. 2014/ Sistemi di equazioni lineari MATEMATICA a.a. 2014/15 8. Sistemi di equazioni lineari SISTEMI LINEARI Si definisce sistema lineare un sistema di p equazioni di primo grado in q incognite. a11x1 + a12 x2 +... + a1 qxq = k1 a21x1 + a22x2

Dettagli

A.A. 2014/2015 Corso di Algebra Lineare

A.A. 2014/2015 Corso di Algebra Lineare A.A. 2014/2015 Corso di Algebra Lineare Stampato integrale delle lezioni Massimo Gobbino Indice Lezione 01: Vettori geometrici nel piano cartesiano. Operazioni tra vettori: somma, prodotto per un numero,

Dettagli

25 - Funzioni di più Variabili Introduzione

25 - Funzioni di più Variabili Introduzione Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello

Dettagli

0. Introduzione al linguaggio matematico

0. Introduzione al linguaggio matematico Prof. Lidia Angeleri Università di Verona, 2013/14 Algebra Lineare ed Elementi di Geometria (Programma aggiornato in data 23 gennaio 2014) 0. Introduzione al linguaggio matematico 1. Insiemi 1.1 Esempi

Dettagli

Algebra delle matrici

Algebra delle matrici Algebra delle matrici Metodo di Gauss-Jordan per l inversione di una matrice. Nella lezione scorsa abbiamo visto che un modo per determinare l eventuale inversa di una matrice quadrata A consiste nel risolvere

Dettagli

AUTOVALORI, AUTOVETTORI, AUTOSPAZI

AUTOVALORI, AUTOVETTORI, AUTOSPAZI AUTOVALORI, AUTOVETTORI, AUTOSPAZI. Esercizi Esercizio. Sia f : R 3 R 3 l endomorfismo definito da f(x, y, z) = (x+y, y +z, x+z). Calcolare gli autovalori ed una base per ogni autospazio di f. Dire se

Dettagli

Definizioni e operazioni fondamentali

Definizioni e operazioni fondamentali MATRICI Definizioni e operazioni fondamentali Autovalori e autovettori Potenza Esponenziale Limiti, derivate e integrali Illustrazioni dal Testo di Riferimento per gentile concessione degli Autori 1 DEFINIZIONI

Dettagli

Prodotto scalare e matrici < PX,PY >=< X,Y >

Prodotto scalare e matrici < PX,PY >=< X,Y > Prodotto scalare e matrici Matrici ortogonali Consideriamo in R n il prodotto scalare canonico < X,Y >= X T Y = x 1 y 1 + +x n y n. Ci domandiamo se esistono matrici P che conservino il prodotto scalare,

Dettagli

0 1 k. k k k +4. b) Posto k = 0, si calcoli l inversa di A e l inversa di T.

0 1 k. k k k +4. b) Posto k = 0, si calcoli l inversa di A e l inversa di T. Esercizi per il Parziale 2, Prof. Fioresi, 2016 1. Cambi di base, determinante e inversa 1. Si trovino le coordinate del vettore v = (1, 1,2) espresso nella base canonica, rispetto alla base B = {(1, 4,3),(5,3,

Dettagli

Elementi di Algebra Lineare Applicazioni lineari

Elementi di Algebra Lineare Applicazioni lineari Elementi di Algebra Lineare Applicazioni lineari Cristina Turrini UNIMI - 2016/2017 Cristina Turrini (UNIMI - 2016/2017) Elementi di Algebra Lineare 1 / 50 index Applicazioni lineari 1 Applicazioni lineari

Dettagli

4 Autovettori e autovalori

4 Autovettori e autovalori 4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità

Dettagli

Autovalori e autovettori

Autovalori e autovettori Autovalori e autovettori Definizione 1 (per endomorfismi). Sia V uno spazio vettoriale su di un campo K e f : V V un suo endomorfismo. Si dice autovettore per f ogni vettore x 0 tale che f(x) = λx, per

Dettagli

Capitolo 8 Forme quadratiche e loro applicazioni Esercizi svolti Tutorato di geometria e algebra lineare. Marco Robutti

Capitolo 8 Forme quadratiche e loro applicazioni Esercizi svolti Tutorato di geometria e algebra lineare. Marco Robutti Capitolo 8 Forme quadratiche e loro applicazioni Esercizi svolti Tutorato di geometria e algebra lineare Marco Robutti 5 Ottobre 2017 1 Introduzione Gli esercizi di questo capitolo riguardano i seguenti

Dettagli

0 1 k. k k k +4. b) Posto k = 0, si calcoli l inversa di A e l inversa di T.

0 1 k. k k k +4. b) Posto k = 0, si calcoli l inversa di A e l inversa di T. Esercizi per il Parziale 2, Prof. Fioresi, 2018 1. Cambi di base, determinante e inversa 1. Si trovino le coordinate del vettore v = (1, 1,2) espresso nella base canonica, rispetto alla base B = {(1, 4,3),(5,3,

Dettagli

Algebra lineare. {ax 2 + bx + c R 2 [x] : 2a + 3b = 1} a b c d. M(2, 2) : a + c + d = 2. a b. c d

Algebra lineare. {ax 2 + bx + c R 2 [x] : 2a + 3b = 1} a b c d. M(2, 2) : a + c + d = 2. a b. c d Algebra lineare 1. Riconoscere se il seguente insieme costituisce uno spazio vettoriale. In caso affermativo trovarne la dimensione e una base. (R n [x] denota lo spazio dei polinomi nell indeterminata

Dettagli

Appunti su Indipendenza Lineare di Vettori

Appunti su Indipendenza Lineare di Vettori Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo

Dettagli

( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1

( ) TEORIA DELLE MATRICI. A. Scimone a.s pag 1 . Scimone a.s 1997 98 pag 1 TEORI DELLE MTRICI Dato un campo K, definiamo matrice ad elementi in K di tipo (m, n) un insieme di numeri ordinati secondo righe e colonne in una tabella rettangolare del tipo

Dettagli

1) Quali dei seguenti sottoinsiemi del campo dei numeri reali ℝ sono sottospazi vettoriali?

1) Quali dei seguenti sottoinsiemi del campo dei numeri reali ℝ sono sottospazi vettoriali? Geometria I lezione del 30 settembre 2013 Presentazione del corso. Nozioni e notazioni: concetti primitivi di insieme, elemento ed appartenenza. Insiemi numerici: i numeri naturali ℕ, gli interi ℤ, i numeri

Dettagli

Complementi di Algebra e Fondamenti di Geometria

Complementi di Algebra e Fondamenti di Geometria Complementi di Algebra e Fondamenti di Geometria Capitolo 5 Forme quadratiche inr n M. Ciampa Ingegneria Elettrica, a.a. 2009/2010 Capitolo 5 Forme quadratiche inr n In questo capitolo si definisce la

Dettagli

Esercizi di Geometria Spazi vettoriali e sottospazi - indipendenza lineare

Esercizi di Geometria Spazi vettoriali e sottospazi - indipendenza lineare Esercizi di Geometria Spazi vettoriali e sottospazi - indipendenza lineare 1. Quali dei seguenti sottoinsiemi sono sottospazi di R 3? Motivare la risposta. (a) {(x, y, 1) x, y R} (b) {(0, y, 0) y R} (c)

Dettagli

FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA INDUSTRIALE 27 GENNAIO 2014

FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA INDUSTRIALE 27 GENNAIO 2014 FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA INGEGNERIA INDUSTRIALE 27 GENNAIO 2014 DOCENTE: MATTEO LONGO Rispondere alle domande di Teoria in modo esauriente e completo. Svolgere il maggior numero di esercizi

Dettagli

CORSO ALGEBRA LINEARE 2006/07

CORSO ALGEBRA LINEARE 2006/07 CORSO ALGEBRA LINEARE 2006/07 Modalità d esame Gli appelli d esame saranno tenuti durante i periodi di sospensione della didattica (fine gennaio fine febbraio, metà giugno fine luglio, settembre). L esame

Dettagli

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica. Corso di Geometria ed Algebra Docente F. Flamini

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica. Corso di Geometria ed Algebra Docente F. Flamini Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria: Elettronica Corso di Geometria ed Algebra Docente F. Flamini Capitolo IV - 3: Teorema Spettrale degli operatori autoaggiunti e Teorema

Dettagli