LEZIONE i i 3
|
|
- Evelina Sacco
- 6 anni fa
- Visualizzazioni
Transcript
1 LEZIONE 5 51 Determinanti In questo lezione affronteremo da un punto di vista prettamente operativo la nozione di determinante, descrivendone le proprietà ed i metodi di calcolo, senza entrare nei dettagli Definizione 511 Siano A (a i,j ) 1 i m k m,n, ove k R, C, p, q Z tali 1 j n che 1 p m e 1 q n Una sottomatrice p q di A è una matrice in k p,q ottenuta da A considerando solo le entrate che si trovano all intersezione di p righe e q colonne Esempio 512 Sia A Le sottomatrici 2 2 di A sono 1 2, i C 2, i 0 1, i Invece ( 2 ) i non è sottomatrice di A 2 0 In alternativa una sottomatrice p q di A k m,n può essere pensata come ottenuta da A cancellando m p righe e n q colonne fissate Definizione 51 Sia A (a i,j ) 1 i,j n k n,n ove k R, C Il determinante di A è il numero di k, indicato con det(a) o A, definito come segue i) Se n 1 si pone det(a 1,1 ) a 1,1 ii) Se n 2 si pone (511) det(a) a 1,1 A 1,1 + a 1,2 A 1,2 + + a 1,n A 1,n n a 1,j A 1,j, ove A i,j indica il prodotto di ( 1) i+j per il determinante della sottomatrice ottenuta da A cancellando la riga di indice i e la colonna di indice j j1 1 Typeset by AMS-TEX
2 2 51 DETERMINANTI La Formula (511) viene detta sviluppo di Laplace secondo la prima riga mentre il numero A i,j introdotto nella Definizione 51 viene detto complemento algebrico dell entrata a i,j Si noti che per saper calcolare il determinante di una matrice A k n,n bisogna calcolare n determinanti di matrici d ordine n 1: poiché ciascuno di essi si ottiene calcolando n 1 determinanti di matrici quadrate d ordine n 2, il determinante di A si ottiene calcolando n(n 1) determinanti di matrici quadrate d ordine n 2 Iterando questo ragionamento concludiamo che per calcolare il determinante di una matrice A k n,n è necessario moltiplicare n! n (n 1) (n 2) 2 1 determinanti di matrici quadrate d ordine 1 (cioè entrate di A) e sommarli dopo averli moltiplicati per un opportuna potenza di 1 Da quanto osservato si deduce, perciò, che il calcolo di un determinante diviene sempre più oneroso quando l ordine della matrice quadrata cresce: per calcolare il deteminante di una matrice quadrata d ordine n 2,,, 5, bisogna fare rispettivamente 2! 2,! 6,! 2, 5! 120, prodotti e sommarli (algebricamente) Diamo alcuni esempi di determinanti di matrici quadrate d ordine n 2 piccolo Esempio 51 Si consideri una matrice quadrata generale d ordine 2, diciamo a1,1 a 1,2 a 2,1 a 2,2 Risulta A 1,1 ( 1) 1+1 det(a 2,2 ) a 2,2, A 1,2 ( 1) 1+2 det(a 2,1 ) a 2,1 : concludiamo che a 1,1 a 1,2 a 2,1 a 2,2 a 1,1A 1,1 + a 1,2 A 1,2 a 1,1 a 2,2 a 1,2 a 2,1 Per esempio 1 2 i ( i) 0 + 2i 2i, , ( ) 2 ( 2) + 0 Per esercizio calcolare i seguenti determinanti e confrontarli con i determinanti calcolati sopra: 1 1 2, 2 1 1, 2 / 1/ ,
3 LEZIONE 5 Esempio 515 Si consideri una matrice quadrata generale d ordine, diciamo a 1,1 a 1,2 a 1, a 2,1 a 2,2 a 2, a,1 a,2 a, Risulta A 1,1 ( 1) 1+1 a 2,2 a 2, a,2 a, a 2,2a, a 2, a,2, A 1,2 ( 1) 1+2 a 2,1 a 2, a,1 a, a 2,1a, + a 2, a,1, A 1, ( 1) 1+ a 2,1 a 2,2 a,1 a,2 a 2,1a,2 a 2,2 a,1 : concludiamo che a 1,1 a 1,2 a 1, a 2,1 a 2,2 a 2, a,1 a,2 a, a 1,1A 1,1 + a 1,2 A 1,2 + a 1, A 1, a 1,1 (a 2,2 a, a 2, a,2 )+ + a 1,2 ( a 2,1 a, + a 2, a,1 ) + a 1, (a 2,1 a,2 a 2,2 a,1 ) (5151) Per esempio si consideri la matrice Si ha a 1,1 a 2,2 a, + a 1,2 a 2, a,1 + a 1, a 2,1 a,2 + a 1, a 2,2 a,1 a 1,1 a 2, a,2 a 1,2 a 2,1 a, A det(a) ( 1) 1 ( 1) La Formula (5151) viene spesso chiamata regola di Sarrus: è importante osservare che essa può essere applicata solo per il calcolo del determinante di matrici quadrate di ordine Il segno per cui bisogna moltiplicare il determinante della sottomatrice ottenuta da A cancellando la riga di indice i e la colonna di indice j, nel calcolo di A i,j, può essere ricordato con il seguente semplice trucco mnemonico: alla matrice a 1,1 a 1,2 a 1, a 1, a 2,1 a 2,2 a 2, a 2, A a,1 a,2 a, a, a,1 a,2 a, a,
4 52 PROPRIETÀ DEL DETERMINANTE si può associare la matrice di segni Per determinare il segno ( 1) i+j basta, allora, guardare l entrata di posizione (i, j) della matrice dei segni! Osservazione 516 In base alla definizione, se A (a i,j ) 1 i,j n k n,n è triangolare inferiore, il calcolo del suo determinante si riduce al prodotto delle entrate sulla diagonale Infatti a 1, a a 2,1 a 2, ,2 0 0 a a,1 a,2 a, 0,2 a, 0 a 1,1 a a n,1 a n,2 a n, a n,2 a n, a n,n n,n a, 0 a 1,1 a 2,2 a 1,1 a 2,2 a, a n,n a n, a n,n Per esempio ( 5) 1/ π 1/15 Ciò vale anche per le matrici diagonali: in particolare det(i n ) 1 52 Proprietà del determinante I determinanti non si calcolano quasi mai, soprattutto applicando il metodo di Laplace: infatti in questo caso si devono fare n! somme di prodotti di n entrate della matrice, un numero che cresce velocemente con il crescere di n Si noti che tale complessità decresce con l aumentare del numero di entrate nulle della matrice Si preferisce, perciò, utilizzare un altro metodo che si basa sul buon comportamento dei determinanti rispetto alle operazioni elementari di riga (si veda la proposizione seguente di cui omettiamo la dimostrazione) e che descriveremo in questo paragrafo
5 LEZIONE 5 5 Proposizione 521 Sia A k n,n Valgono le seguenti proprietà (DR1) Se A è ottenuta da A sommando ad una riga un multiplo di un altra allora det(a ) det(a) (DR2) Se A è ottenuta da A moltiplicando una riga per una costante α k allora det(a ) α det(a) (DR) Se A è ottenuta da A scambiando due righe diverse allora det(a ) det(a) La Proprietà (DR) ci permette di sviluppare il determinante della matrice A (a i,j ) 1 i,j n k n,n ove k R, C, invece che secondo la prima riga, secondo una riga qualsiasi Si può, perciò, parlare dello sviluppo di Laplace secondo la riga di indice i dato dalla formula n det(a) a i,1 A i,1 + a i,2 A i,2 + + a i,n A i,n a i,j A i,j Esempio 522 Quanto visto nell Osservazione 516 può essere esteso anche a matrici triangolari superiori Infatti, ad ogni passo, basta sviluppare il determinante secondo l ultima riga, cioè ancora a 1,1 a 1,2 a 1, a 1,n 0 a 2,2 a 2, a 2,n 0 0 a, a,n a 1,1 a 2,2 a, a n,n a n,n Per esempio Continuando con le proprietà notevoli dei determinanti si ha la seguente j1 Proposizione 52 Sia A R n,n Allora det( t A) det(a) Poiché ogni operazione elementare di riga su t A equivale ad un analoga operazione elementare di colonna su A, dalle Proposizioni 521 e 52 segue subito la seguente Proposizione 52 Sia A R n,n Valgono le seguenti proprietà (DC1) Se A è ottenuta da A sommando ad una colonna un multiplo di un altra allora det(a ) det(a) (DC2) Se A è ottenuta da A moltiplicando una colonna per una costante α R allora det(a ) α det(a) (DC) Se A è ottenuta da A scambiando due colonne diverse allora det(a ) det(a)
6 6 52 PROPRIETÀ DEL DETERMINANTE In particolare è possibile sviluppare il determinante di A (a i,j ) 1 i,j n R n,n, invece che secondo una riga, secondo una colonna qualsiasi Quindi si può parlare sviluppo di Laplace secondo la colonna di indice j dato dalla formula det(a) a 1,j A 1,j + a 2,j A 2,j + + a n,j A n,j n a i,j A i,j L idea generale per calcolare il determinante di una matrice quadrata A R n,n è la seguente Si trasforma prima A in A, matrice ridotta per righe, con operazioni elementari E1 A questo punto si trasforma A in A, matrice triangolare superiore, con scambi di colonna: se si devono operare h di tali scambi si ha det(a) det(a ) ( 1) h det(a ), in forza delle Proposizioni 521 e 52 Si noti che, per la generica matrice A k n,n, tale metodo permette di ridurre il numero di operazioni da n n! a circa 2n / Illustriamo questa tecnica con un esempio Esempio 525 Si consideri la matrice quadrata d ordine dell Esempio 7 (si veda anche l Esempio 15) Si ha R R +R 1 C 2 C ( 1) 2 j R R R C 1 C ( 1)2 ( 1) Anche la Proprietà (DR1) ha un importante conseguenza Si consideri A (a i,j ) 1 i,j n R n,n, ed indichiamo con R i la sua riga di indice i, cioè la matrice R i ( a i,1 a i,2 a i,n ) Supponiamo, per semplicità, che esistano α 1,, α n 1 k tali che o R n α 1 R α n 1 R n 1 Allora con operazioni elementari di riga E1 della forma A R n R n α 1 R 1 α n 1 R n 1 A si ottiene una nuova matrice A avente la riga di indice n nulla: sviluppando il determinante secondo l ultima riga si ottiene allora det(a) det(a ) 0 Un discorso analogo vale sostituendo nel ragionamento sopra la parola riga con la parola colonna ed utilizzando la Proprietà (DC1) Esempio 526 Si consideri la matrice A /5 2 π
7 LEZIONE 5 7 Poiché le colonne C j di A sono legate dalla relazione C 2 17C 1 + 0C segue da quanto visto sopra che det(a) 0 Per esercizio si verifichi la nullità di det(a) calcolandolo con uno qualsiasi dei metodi sopra descritti Un altra applicazione interessante della Proposizione 521 è il calcolo, illustrato nel prossimo esempio, dei cosiddetti determinanti di matrici di Vandermonde o, più semplicemente, determinanti di Vandermonde Esempio 527 Siano dati i numeri x 1, x 2,, x n R: definiamo matrice di Vandermonde relativa a x 1, x 2,, x n la matrice 1 x 1 x 2 1 x n 2 1 x n x 2 x 2 2 x n 2 2 x n x x 2 x n 2 x n 1 V (x 1, x 2,, x n ) 1 x n 1 x 2 n 1 x n 2 n 1 x n 1 n 1 1 x n x 2 n x n 2 n x n 1 n Per determinare la formula generale che esprime il determinante della matrice V (x 1, x 2,, x n ), detto determinante di Vandermonde relativo a x 1, x 2,, x n in funzione dei numeri x 1, x 2,, x n si può procedere i con operazioni elementari Per esempio sia n Allora: 1 x 1 x V (x 1, x 2, x, x ) C C x 1 C 1 x 2 x 2 2 x 2 x 1 x x x 2 x x 1 x 2 1 x x 2 x x 1 x 2 1 x 1 x x 2 x 2 2 (x 2 x 1 )x 2 2 C C x 1 C 1 x x 2 (x x 1 )x x x 2 (x x 1 )x 2 1 x x 2 (x 2 x 1 )x 2 (x 2 x 1 )x 2 2 C 2 C 2 x 1 C 1 x (x x 1 )x 2 (x x 1 )x x (x x 1 )x 2 (x x 1 )x x 2 x 1 (x 2 x 1 )x 2 (x 2 x 1 )x x x 1 (x x 1 )x 2 (x x 1 )x 2 1 x x 1 (x x 1 )x 2 (x x 1 )x 2 x 2 x 1 (x 2 x 1 )x 2 (x 2 x 1 )x 2 2 x x 1 (x x 1 )x (x x 1 )x 2 x x 1 (x x 1 )x (x x 1 )x 2 1 x 2 x 2 2 (x 2 x 1 )(x x 1 )(x x 1 ) 1 x x 2 1 x x 2
8 8 5 ANCORA SULL INVERSA DI MATRICI L ultimo determinante è ancora di Vandermonde, precisamente è V (x 2, x, x ) ma, di dimensione più piccola, cioè n Ripetendo il ragionamento otteniamo alla fine che V (x 1, x 2, x, x ) (x 2 x 1 )(x x 1 )(x x 1 )(x x 2 )(x x 2 )(x x ) In generale lo stesso procedimento permette di dimostrare la seguente formula (5271) det(v (x 1, x 2,, x n )) Per esempio i,j1,,n i>j (x i x j ) det(v (1, 2, 2, 1, 0)) (2 1)( 2 1)( 1 1)( 1)( 2 2)( 1 2)( 2)( 1 + 2)(2)(1) 288 Si noti che la Formula (5271) permette di affermare che det(v (x 1, x 2,, x n )) 0 se e solo se gli x 1, x 2,, x n non sono tutti distinti Infatti un implicazione è chiara a partire dalla definizione di det(v (x 1, x 2,, x n )), mentre per l altra bisogna necessariamente fare uso della Formula (5271) per dimostrarla 5 Ancora sull inversa di matrici Illustreremo in questo paragrafo il legame fra la nozione di determinante, di invertibilità e di inversa di una matrice quadrata A R n,n Iniziamo con un altro importante risultato, di cui omettiamo la dimostrazione, il Teorema di Binet Proposizione 51 Siano A, B R n,n Allora det(ab) det(a) det(b) In generale, non è vero che det(a + B) det(a) + det(b) Per esempio siano E 1,1 1 0, E 0 0 2, Chiaramente det(e 1,1 ) det(e 2,2 ) 0 e det(e 1,1 + E 2,2 ) det(i 2 ) 1: in particolare det(e 1,1 ) + det(e 2,2 ) det(e 1,1 + E 2,2 ) Definizione 52 Sia A (a i,j ) 1 i,j n R n,n Definiamo aggiunta di A la matrice à la cui entrata di posizione (i, j) è il complemento algebrico A j,i dell entrata a j,i
9 LEZIONE 5 9 Si consideri il prodotto B Aà La sua entrata b i,j di indice (i, j) è il prodotto della riga i di A per la colonna di indice j di Ã, cioè A j,1 A j,2 b i,j ( a i,1 a i,2 a i,n ) A j,n a i,1 A j,1 + a i,2 A j,2 + + a j,n A i,n Se i j la Formula (522) implica che b i,i det(a) Consideriamo poi l entrata b i,j con i j: per fissare le idee scegliamo i 2 e j 1 (gli altri casi sono analoghi) Si ha b 2,1 a 2,1 A 1,1 + a 2,2 A 1,2 + a 2,2 a 2, a 2,1 a 2, a 2,1 ( 1) 1+1 a,2 a, + a 2,2 ( 1) 2+1 a,1 a, + a 2,1 a 2,2 a 2, a 2,1 a 2,2 a 2, R 1 R 1 R 2 a 2,1 a 2,2 a 2, a,1 a,2 a, a,1 a,2 a, 0 Concludiamo che { det(a) se i j (5) b i,j 0 se i j Procedendo in maniera simile, utilizzando la Formula (5), otteniamo anche che B ÃA I n, ovvero abbiamo dimostrato la seguente Proposizione 5 Sia A R n,n Allora (51) Aà ÃA det(a)i n Esempio 55 Consideriamo la matrice dell Esempio 7 (si veda l Esempio 15) A Allora A 1,1 1, A 1,2 1, A 1, 1, A 2,1 5, A 2,2, A 2, 1, A,1 1, A,2 1, A, 1, quindi à Si verifichi direttamente che Aà ÃA 2I L importanza della precedente proposizione risiede nel suo
10 10 5 IL METODO DI CRAMER Corollario 56 Sia A R n,n Allora A è invertibile se e solo se det(a) 0 In tal caso det(a 1 ) 1/ det(a) e (561) A 1 1 det(a)ã Dimostrazione Supponiamo che A sia invertibile Ciò significa l esistenza della matrice inversa A 1 che, come sappiamo, soddisfa la relazione AA 1 I n Calcolando il determinante di ambo i membri di tale relazione, dalla Proposizione 51 segue che 1 det(aa 1 ) det(a) det(a 1 ), dunque det(a 1 ) 0 e si ha det(a 1 ) 1/ det(a) Viceversa sia det(a) 0 Allora la Formula (51) ci permette di affermare che 1 1 A det(a)ã det(a) AÃ 1 det(a) (det(a)i n) I n : abbiamo perciò dimostrato che A è invertibile e che vale la Formula (561) Esempio 57 Consideriamo nuovamente la matrice dell Esempio 7 (si veda l Esempio 15) Come visto nell Esempio 5 la sua aggiunta è Ã , quindi 1/2 5/2 1/2 A 1 1/2 /2 1/2, 1/2 1/2 1/2 che coincide con quanto ottenuto nell Esempio 7 risolvendo l equazione matriciale AX I 5 Il metodo di Cramer Consideriamo un sistema di Cramer, ovvero u equazione AX B con A R n,n invertibile Sappiamo che tale equazione ha come unica soluzione la matrice X A 1 B Supponiamo ora che B R n,1, ovvero che l equazione AX B sia, di fatto, un sistema Sia X t ( x 1 x 2 x n ): il fatto che tale matrice sia soluzione significa che vale l identità di matrici numeriche x 1 C 1 + x 2 C x n C n B ove, come già fatto in precedenza, indichiamo con C j la colonna j esima di A, cioè C j t ( a 1,j a 2,j a n,j ) Sia A j la matrice ottenuta da A sostituendo a C j la matrice B Si noti che sottraendo alla colonna j esima di A j le matrici x j C h per h 1,, n ed h j, otteniamo una matrice Âj che ha tutte le colonne uguali a quelle di A tranne la j esima che coincide con x j C j Tenendo conto della Proposizione 52 (precisamente di (DC1) e (DC2)) segue che det(a j ) x j det(a)
11 LEZIONE 5 11 Proposizione 51 Siano A R n,n invertibile, B R n,1 Sia poi det(a) e j il determinante della matrice ottenuta da A sostituendo alla colonna j esima la colonna B Allora il sistema AX B ha come unica soluzione la matrice 1 t ( 1 2 n ) Esempio 52 Riprendiamo l Esempio 8 Come visto nell Esempio 15 si ha δ det(a) 2 Inoltre , , Quindi l unica soluzione del Sistema (81) è
LEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliLEZIONE 2. ( ) a 1 x 1 + a 2 x a n x n = b, ove a j, b R sono fissati.
LEZIONE 2 2 Sistemi di equazioni lineari Definizione 2 Un equazione lineare nelle n incognite x, x 2,, x n a coefficienti reali, è un equazione della forma (2 a x + a 2 x 2 + + a n x n = b, ove a j, b
DettagliLEZIONE 4. { x + y + z = 1 x y + 2z = 3
LEZIONE 4 4.. Operazioni elementari di riga. Abbiamo visto, nella precedente lezione, quanto sia semplice risolvere sistemi di equazioni lineari aventi matrice incompleta fortemente ridotta per righe.
DettagliLEZIONE 5. AX = 0 m,1.
LEZIONE 5 5 isoluzione di sistemi Supponiamo che AX = B sia un sistema di equazioni lineari Ad esso associamo la sua matrice completa (A B Per quanto visto nella precedente lezione, sappiamo di poter trasformare,
DettagliGeometria BIAR Esercizi 2
Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si
DettagliLEZIONE Equazioni matriciali. Negli Esempi e si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = R m,n, B = (b i,h ) 1 i m
LEZIONE 4 41 Equazioni matriciali Negli Esempi 336 e 337 si sono studiati più sistemi diversi AX 1 = B 1, AX 2 = B 2,, AX p = B p aventi la stessa matrice incompleta A Tale tipo di problema si presenta
DettagliEquivalentemente, le colonne di A sono linearmente indipendenti se e solo se
Lezioni di Algebra Lineare. Versione novembre 2008 VI. Il determinante Il determinante det A di una matrice A, reale e quadrata, è un numero reale associato ad A. Dunque det è una funzione dall insieme
DettagliALGEBRA LINEARE PARTE II
DIEM sez. Matematica Finanziaria Marina Resta Università degli studi di Genova Dicembre 005 Indice PREMESSA INVERSA DI UNA MATRICE DETERMINANTE. DETERMINANTE DI MATRICI ELEMENTARI................. MATRICI
DettagliCorso 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
DettagliSui determinanti e l indipendenza lineare di vettori
Sui determinanti e l indipendenza lineare di vettori 1 Si dice che m vettori v 1, v 2,,v m di R n sono linearmente indipendenti, se una loro combinazione lineare può dare il vettore nullo solo se i coefficienti
DettagliIntroduzione soft alla matematica per l economia e la finanza. Marta Cardin, Paola Ferretti, Stefania Funari
Introduzione soft alla matematica per l economia e la finanza Marta Cardin, Paola Ferretti, Stefania Funari Capitolo Sistemi di equazioni lineari.8 Il Teorema di Cramer Si consideri un generico sistema
DettagliLEZIONE 1 C =
LEZIONE 1 11 Matrici a coefficienti in R Definizione 111 Siano m, n Z positivi Una matrice m n a coefficienti in R è un insieme di mn numeri reali disposti su m righe ed n colonne circondata da parentesi
DettagliLEZIONE 3. Typeset by AMS-TEX
LEZIONE 3 3 Risoluzione di sistemi Supponiamo che AX = B sia un sistema di equazioni lineari Ad esso associamo la sua matrice completa (A B Per la Proposizione 236 sappiamo di poter trasformare, con operazioni
DettagliMatrici quadrate particolari
Matrici quadrate particolari Sia A Mn(K) una matrice quadrata. Gli elementi (a 1,1, a 2,2,, a n,n ) costituiscono la diagonale principale di A. Gli elementi (a 1,n, a 2,n-1,, a n-1,2, a n,1 ) costituiscono
DettagliDeterminanti. Definizione ed esempi. Definizione ed esempi. Proprietà dei determinanti Rango di matrici
Introduzione S S S Rango di matrici Si dice sottomatrice d'una matrice data la matrice ottenuta selezionando un certo numero di righe e di colonne della matrice iniziale. Lezione 24.wpd 08/01/2011 XXIV
Dettagli08 - Matrici, Determinante e Rango
Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 08 - Matrici, Determinante e Rango Anno Accademico 2013/2014 D.
DettagliIl determinante. Calcolo del determinante di matrici particolari. matrici di ordine 2: sia. a11 a A = allora
Calcolo del determinante di matrici particolari matrici di ordine 2: sia allora Esempio. [ ] a11 a A = 12, a 21 a 22 det A = a 11 a 22 a 21 a 12. Calcolare il determinante di [ ] 1 2 A =. 3 4 matrici di
DettagliLEZIONE 12. Y = f(x) = f( x j,1 f(e j ) = x j,1 A j = AX = µ A (X),
LEZIONE 1 1.1. Matrice di un applicazione lineare. Verifichiamo ora che ogni applicazione lineare f: R n R m è della forma µ A per un unica A R m,n. Definizione 1.1.1. Per ogni j 1,..., n indichiamo con
DettagliApplicazioni 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
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
Dettagli( ) 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
DettagliEsercitazione di Matematica su matrici e sistemi lineari
Esercitazione di Matematica su matrici e sistemi lineari Notazioni: deta, A T =trasposta di A, A 1 =inversa di A. 1. Si considerino le matrici A, B, C, D denite da 1 0 5 1 A = 0, B = 0 0, C = 0 1 0 6 1
DettagliSistemi II. Sistemi II. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
DettagliRiassumiamo le proprietà dei numeri reali da noi utilizzate nel corso di Geometria.
Capitolo 2 Campi 2.1 Introduzione Studiamo ora i campi. Essi sono una generalizzazione dell insieme R dei numeri reali con le operazioni di addizione e di moltiplicazione. Nel secondo paragrafo ricordiamo
DettagliMatematica II,
Matematica II,.05.04 Diamo qui la nozione di determinante di una matrice quadrata, le sue prime proprieta, e ne deriviamo una caratterizzazione delle matrici non singolari e una formula per l inversa di
DettagliLEZIONE 12. v = α 1 v α n v n =
LEZIONE 12 12.1. Combinazioni lineari. Definizione 12.1.1. Sia V uno spazio vettoriale su k = R, C e v 1,..., v n V vettori fissati. Un vettore v V si dice combinazione lineare di v 1,..., v n se esistono
DettagliMATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI
MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI LE MATRICI DEFINIZIONE: Una matrice è un insieme di numeri disposti su righe e colonne. 1 3 7 M = 2 5 1 M è
DettagliAppunti 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
DettagliRegistro Lezioni di Algebra lineare del 15 e 16 novembre 2016.
Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016 Di seguito si riporta il riassunto degli argomenti svolti; i riferimenti sono a parti del Cap8 Elementi di geometria e algebra lineare Par5
DettagliEsercitazioni di Algebra e Geometria
Esercitazioni di Algebra e Geometria Anno Accademico 2011 2012 Dott.ssa Elisa Pelizzari e-mail elisa.peli@libero.it Esercitazioni: lunedì 14.30 16.30 venerdì 14.30 16.30 Ricevimento studenti: venerdì 13.00
Dettagli1 se k = r i. 0 altrimenti. = E ij (c)
Facoltà di Scienze Statistiche, Algebra Lineare A, G.Parmeggiani LEZIONE 5 Matrici elementari e loro inverse Si fissi m un numero naturale. Per ogni i, j m con i j siano E ij (c) (ove c è uno scalare )
DettagliLEZIONE 8. k e w = wx ı + w y j + w z. k di R 3 definiamo prodotto scalare di v e w il numero
LEZINE 8 8.1. Prodotto scalare. Dati i vettori geometrici v = v x ı + v y j + v z k e w = wx ı + j + k di R 3 definiamo prodotto scalare di v e w il numero v, w = ( v x v y v z ) w x = v x + v y + v z.
DettagliLEZIONE 23. ax 2 + bxy + cy 2 + dx + ey + f
LEZIONE 23 23.1. Riduzione delle coniche a forma canonica. Fissiamo nel piano un sistema di riferimento Oxy e consideriamo un polinomio di grado 2 in x, y a meno di costanti moltiplicative non nulle, diciamo
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 7 - CALCOLO NUMERICO CON MATRICI Richiami teorici Operazioni fondamentali Siano A = {a ij } e B = {b ij }, i = 1,..., m, j = 1,..., n due
DettagliGiuseppe Accascina. Note del corso di Geometria e Algebra
Giuseppe Accascina Note del corso di Geometria e Algebra Corso di Laurea Specialistica in Ingegneria Gestionale Anno Accademico 26-27 ii Istruzioni per l uso Faremo spesso riferimento a ciò che è stato
DettagliSISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI
SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,
DettagliLezione 8: Determinante e Inversa
Lezione 8: Determinante e Inversa In questa lezione vogliamo descrivere due concetti fondamentali, il determinante, che è un numero associato ad ogni matrice quadrata, e l inversa di una matrice. L importanza
DettagliCorso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice
Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine
Dettagli4 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
Dettagli08 - Matrici, Determinante e Rango
Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 08 - Matrici, Determinante e Rango Anno Accademico 2013/2014 D.
DettagliMetodi Matematici per l Economia anno 2017/2018 Gruppo B
Metodi Matematici per l Economia anno 2017/2018 Gruppo B Docente: Giacomo Dimarco Dipartimento di Matematica e Informatica Università di Ferrara https://sites.google.com/a/unife.it/giacomo-dimarco-home-page/
DettagliSi 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
DettagliCorso di Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
Dettagli2x 5y +4z = 3 x 2y + z =5 x 4y +6z = A =
Esercizio 1. Risolvere il sistema lineare 2x 5y +4z = x 2y + z =5 x 4y +6z =10 (1) Soluz. La matrice dei coefficienti è 1 4 6, calcoliamone il rango. Il determinante di A è (applico la regola di Sarrus):
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliLezione 4 - Esercitazioni di Algebra e Geometria - Anno accademico
Trasformazioni elementari sulle matrici Data una matrice A K m,n definiamo su A le seguenti tre trasformazioni elementari: T : scambiare tra loro due righe (o due colonne) di A; T : sommare ad una riga
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
Dettagli1 Determinante di una matrice 1. 2 Calcolo della matrice inversa 7. 3 Calcolo del rango 8. 4 Soluzioni degli esercizi 12. n! = n.
1 DETERMINANTE DI UNA MATRICE 1 Determinante e rango Indice 1 Determinante di una matrice 1 2 Calcolo della matrice inversa 7 3 Calcolo del rango 8 4 Soluzioni degli esercizi 12 1 Determinante di una matrice
Dettagli1. Proprietà della somma di matrici. 1. (A + B) + C = A + (B + C) qualunque. 2. A + B = B + A qualunque siano le matrici
Matrici R. Notari 1 1. Proprietà della somma di matrici 1. (A + B) + C = A + (B + C) qualunque siano le matrici A, B, C Mat(m, n; K). 2. A + B = B + A qualunque siano le matrici A, B Mat(m, n; K). 3. Sia
DettagliTerminiamo gli esercizi dell ultima lezione. (LUCIDI) Calcolare, se possibile, AC, CA, CH e HC. (LUCIDI)
Terminiamo gli esercizi dell ultima lezione. (LUCIDI) Esempi Calcolare, se possibile, AC, CA, CH e HC. (LUCIDI) Osservazioni per le matrici quadrate a) Data A M n (K) è possibile definire ricorsivamente
DettagliLEZIONE 11. s V : V V V (v 1, v 2 ) v 1 + v 2 = s V (v 1, v 2 ), p V : k V V. per cui valgono:
LEZIONE 11 11.1. Spazi vettoriali ed esempi. La nozione di spazio vettoriale generalizza quanto visto nelle lezioni precedenti: l insieme k m,n delle matrici m n a coefficienti in k = R, C, l insieme V
DettagliEsercitazione di Calcolo Numerico 1 22 Aprile Determinare la fattorizzazione LU della matrice a 1 1 A = 3a 2 a 2a a a 2 A =
Esercitazione di Calcolo Numerico 22 Aprile 29. Determinare la fattorizzazione LU della matrice a A = 3a 2 a 2a a a 2 ed utilizzarla per calcolare il det(a). 2. Calcolare il determinante della matrice
DettagliDefinizione 1. Una matrice n m a coefficienti in K é una tabella del tipo. ... K m, detto vettore riga i-esimo, ed a im
APPUNTI ed ESERCIZI su matrici, rango e metodo di eliminazione di Gauss Corso di Laurea in Chimica, Facoltà di Scienze MM.FF.NN., UNICAL (Dott.ssa Galati C.) Rende, 23 Aprile 2010 Matrici, rango e metodo
DettagliSPAZI VETTORIALI. Esercizi Esercizio 1. Sia V := R 3. Stabilire quale dei seguenti sottoinsiemi di V sono suoi sottospazi:
SPAZI VETTORIALI Esercizi Esercizio. Sia V := R 3. Stabilire quale dei seguenti sottoinsiemi di V sono suoi sottospazi: V := { (a, a, a) V a R }, V 2 := { (a, b, a) V a, b R }, V 3 := { (a, 2a, a + b)
DettagliQUADERNI DI DIDATTICA
Department of Applied Mathematics, University of Venice QUADERNI DI DIDATTICA Marta Cardin Paola Ferretti Stefania Funari Introduzione soft alla matematica per l economia e la finanza: I SISTEMI LINEARI
DettagliAnno 4 Matrice inversa
Anno 4 Matrice inversa 1 Introduzione In questa lezione parleremo della matrice inversa di una matrice quadrata: definizione metodo per individuarla Al termine della lezione sarai in grado di: descrivere
DettagliRIDUZIONE E RANGO , C = 2 5 1
MATRICI E SISTEMI RIDUZIONE E RANGO Riduzione di matrici (definizioni, trasformazioni elementari). Calcolo del rango e dell inversa (metodo di Gauss, metodo di Gauss-Jordan). 3 4 Esercizio Ridurre per
DettagliLEZIONE 9. Figura 9.1.1
LEZIONE 9 9.1. Equazioni cartesiane di piani. Abbiamo visto come rappresentare parametricamente un piano. Un altro interessante metodo di rappresentazione di un piano nello spazio è tramite la sua equazione
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
DettagliESERCIZI SULLE MATRICI
ESERCIZI SULLE MATRICI Consideriamo il sistema lineare a, x + a, x + + a,n x n = b a, x + a, x + + a,n x n = b a m, x + a m, x + + a m,n x n = b m di m equazioni in n incognite che ha a, a,n A = a m, a
DettagliMATRICI. 1. Esercizi
MATICI Esercizio Siano A = 0, B = Esercizi 2, C = 0 2 2 Calcolare: a2a B; b3a + 2B 4C; c 2A + B + 2C 2B; d3b + 2(2A C (A + B + 2C isolvere, se possibile: ( 3X + 2(A X + B + 2(C + 2X = 0; (2 4A + 2(B +
DettagliElementi 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
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
DettagliSISTEMI LINEARI. x y + 2t = 0 2x + y + z t = 0 x z t = 0 ; S 3 : ; S 5x 2y z = 1 4x 7y = 3
SISTEMI LINEARI. Esercizi Esercizio. Verificare se (,, ) è soluzione del sistema x y + z = x + y z = 3. Trovare poi tutte le soluzioni del sistema. Esercizio. Scrivere un sistema lineare di 3 equazioni
Dettagli0.1. MATRICI SIMILI 1
0.1. MATRICI SIMILI 1 0.1 Matrici simili Definizione 0.1.1. Due matrici A, B di ordine n si dicono simili se esiste una matrice invertibile P con la proprietà che P 1 AP = B. Con questa terminologia dunque
DettagliLEZIONE 15. (15.1.2) p(x) = a 0 x n + a 1 x n a n 1 x + a n = a h x n h.
LEZIONE 15 15.1. Polinomi a coefficienti complessi e loro e loro radici. In questo paragrafo descriveremo alcune proprietà dei polinomi a coefficienti complessi e delle loro radici. Già nel precedente
DettagliIl determinante. Area(P (v, w)) se si passa da v a w ruotando in senso orario.
Il determinante Queste note, basate sugli appunti delle lezioni, riepilogano rapidamente la definizione e le proprietà del determinante Vengono inoltre illustrati i metodi di calcolo e alcune dimostrazioni
DettagliSPAZI VETTORIALI CON PRODOTTO SCALARE A =
SPAZI VETTORIALI CON PRODOTTO SCALARE Esercizi Esercizio. Nello spazio euclideo standard (R 2,, ) sia data la matrice 2 3 A = 3 2 () Determinare una base rispetto alla quale A sia la matrice di un endomorfismo
DettagliLeLing9: Prodotto tra matrici.
Geometria Lingotto LeLing9: Prodotto tra matrici Ārgomenti svolti: Prodotto tra matrici Dimostrazione del teorema del rango L algebra delle matrici quadrate: Il prodotto tra matrici non e commutativo Rotazioni
DettagliLEZIONE 30. Se x = 1 si dice che x è un versore. Se poi y = (y 1,..., y n ) R n poniamo. Ricordiamo che vale la cosiddetta disuguaglianza triangolare
LEZIONE 30 30.1. Insiemi aperti e chiusi in R n. Nel corso di Analisi sono state introdotte alcune nozioni di topologia di R, come la nozione di aperto, di chiuso, di punto d accumulazione. Lo scopo di
DettagliOperazioni elementari e riduzione
Matrici e sistemi Operazioni elementari Riduzioni di matrici L algoritmo di riduzione 2 2006 Politecnico di Torino 1 Operazioni elementari per righe Sia A M m,n. Introduciamo tre tipi di operazioni che
DettagliGeometria e algebra lineare (II parte) Bruno Martelli
Geometria e algebra lineare (II parte) Bruno Martelli Dipartimento di Matematica, Largo Pontecorvo 5, 56127 Pisa, Italy E-mail address: martelli at dm dot unipi dot it versione: 7 marzo 2017 Indice Introduzione
Dettagli1 Introduzione alle matrici quadrate 2 2 a coefficienti in R.
1 Introduzione alle matrici quadrate 2 2 a coefficienti in R Per introdurre il concetto di matrice, a 2 righe e 2 colonne, iniziamo col considerare griglie o tabelle di numeri Gli elementi della griglia,
DettagliDef. 1. Si chiamano operazioni elementari sulle righe di A le tre seguenti operazioni:
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, G.Parmeggiani LEZIONE 5 Operazioni elementari sulle righe di una matrice Sia A una matrice m n. Def. 1. Si chiamano operazioni elementari sulle righe
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Pivoting e stabilità Se la matrice A non appartiene a nessuna delle categorie precedenti può accadere che al k esimo passo risulti a (k) k,k = 0, e quindi il
DettagliVettori e matrici. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Vettori e matrici Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utentiunifeit/lorenzopareschi/ lorenzopareschi@unifeit Lorenzo Pareschi Univ Ferrara
DettagliEsercitazione 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
DettagliArgomento 13 Sistemi lineari
Sistemi lineari: definizioni Argomento 3 Sistemi lineari I Un equazione nelle n incognite x,,x n della forma c x + + c n x n = b ove c,,c n sono numeri reali (detti coefficienti) eb è un numero reale (detto
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliProdotto scalare e ortogonalità
Prodotto scalare e ortogonalità 12 Novembre 1 Il prodotto scalare 1.1 Definizione Possiamo estendere la definizione di prodotto scalare, già data per i vettori del piano, ai vettori dello spazio. Siano
DettagliAppunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena. Marco Alessandrini
Appunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena Marco Alessandrini Ottobre 2006 Indice 1 Informazioni del corso 3 1.1 Programma............................ 3 1.2 Docenti..............................
DettagliDIAGONALIZZAZIONE. M(f) =
DIAGONALIZZAZIONE Esercizi Esercizio 1. Sia f End(R 3 ) associato alla matrice M(f) = 0 1 2 0. 2 (1) Determinare gli autovalori di f e le relative molteplicità. (2) Determinare gli autospazi di f e trovare,
DettagliTesti consigliati e contatti
Testi consigliati e contatti P.Bonacini, M. G. Cinquegrani, L. Marino, Algebra lineare: esercizi svolti, Cavallotto Edizioni, Catania P. Bonacini, M. G. Cinquegrani, L. Marino, Geometria analitica: esercizi
DettagliParte 7. Autovettori e autovalori
Parte 7. Autovettori e autovalori A. Savo Appunti del Corso di Geometria 23-4 Indice delle sezioni Endomorfismi, 2 Cambiamento di base, 3 3 Matrici simili, 6 4 Endomorfismi diagonalizzabili, 7 5 Autovettori
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliAutovalori 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)
DettagliEsercizi sui sistemi di equazioni lineari.
Esercizi sui sistemi di equazioni lineari Risolvere il sistema di equazioni lineari x y + z 6 x + y z x y z Si tratta di un sistema di tre equazioni lineari nelle tre incognite x, y e z Poichè m n, la
DettagliEsercizi di Matematica di Base Scienze biologiche e Scienze e Tecnologie dell Ambiente
Esercizi di Matematica di Base Scienze biologiche e Scienze e Tecnologie dell Ambiente Dati i vettori di R (i) Calcolare il prodotto scalare v w, (ii) Stabilire se v e w sono ortogonali, (ii) Stabilire
DettagliMATRICI. a k b k. k=1
MATRICI Siano m, n N e sia R un anello con 1 Si definisce matrice di tipo m n a coefficienti in R una tabella costituita da m righe e n colonne di elementi di R (che si dicono appunto coefficienti o anche
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliOperazioni tra matrici e n-uple
CAPITOLO Operazioni tra matrici e n-uple Esercizio.. Date le matrici 0 4 e dati λ = 5, µ =, si calcoli AB, BA, A+B, B A, λa+µb. Esercizio.. Per ognuna delle seguenti coppie di matrici A, B e scalari λ,
DettagliParte 12b. Riduzione a forma canonica
Parte 2b. Riduzione a forma canonica A. Savo Appunti del Corso di Geometria 202-3 Indice delle sezioni. Coniche, 2. Esempio di riduzione, 4 3. Teoremi fondamentali, 6 4. Come determinare l equazione canonica,
DettagliSISTEMI LINEARI. x 2y 2z = 0. Svolgimento. Procediamo con operazioni elementari di riga sulla matrice del primo sistema: 1 1 1 3 1 2 R 2 R 2 3R 0 4 5.
SISTEMI LINEARI Esercizi Esercizio. Risolvere, se possibile, i seguenti sistemi: x y z = 0 x + y + z = 3x + y + z = 0 x y = 4x + z = 0, x y z = 0. Svolgimento. Procediamo con operazioni elementari di riga
Dettagli3x 2 = 6. 3x 2 x 3 = 6
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, GParmeggiani LEZIONE 7 Sistemi lineari Scrittura matriciale di un sistema lineare Def 1 Un sistema di m equazioni ed n incognite x 1, x 2, x n, si dice
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
DettagliMATEMATICA. 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
DettagliRisoluzione 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
DettagliLEZIONE 13. v =α 1 v α i 1 v i 1 + α i v i = =α 1 v α i 1 v i 1 + α i (λ 1 v λ i 1 v i 1 ) =
LEZIONE 13 13.1. Il metodo degli scarti. Sia dato uno spazio vettoriale V su k = R, C e siano v 1,..., v n V. Quanto visto nella lezione precedente ci suggerisce il seguente algoritmo per stabilire se
DettagliSISTEMI LINEARI, METODO DI GAUSS
SISTEMI LINEARI, METODO DI GAUSS Abbiamo visto che un sistema di m equazioni lineari in n incognite si può rappresentare in forma matriciale come A x = b dove: A è la matrice di tipo (m, n) dei coefficienti
Dettagli