LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE"

Transcript

1 LEZIONI DI ALGEBRA LINEARE PER LE APPLICAZIONI FINANZIARIE FLAVIO ANGELINI Sommario Queste note hanno lo scopo di indicare a studenti di Economia interessati alla finanza quantitativa i concetti essenziali di algebra lineare utili alle applicazioni finanziarie, come lo studio di modelli multi-dimensionali e l analisi fattoriale In particolare sono rivolte agli studenti del corso di Metodi matematici per i modelli finanziari del Corso di Laurea Specialistica in Finanza della Facoltà di Economia dell Università di Perugia Si danno per assunti i concetti di spazio vettoriale, basi e matrici Il tutto, formulato in dimensione due per semplicità di trattazione e di calcolo, si estende in dimensione superiore Applicazioni lineari Definizione Iniziamo con la definizione generale: Definizione Una funzione L : R n R m si dice applicazione o trasformazione lineare se, presi comunque due numeri reali α e β e due vettori x e y in R n, si ha: Lαx + βy = αlx + βly Un applicazione lineare è una funzione di n variabili, le coordinate del vettore x R n, a m valori, le coordinate del vettore z = Lx R m, che soddisfa la condizione Geometricamente, un applicazione lineare trasforma rette in rette, non le distorce Dalla definizione si vede subito che la composizione di applicazioni lineari è un applicazione lineare Il nucleo dell applicazione N L R n è definito come l insieme dei vettori x R n tali che Lx = 0 Il nucleo si dimostra essere un sottospazio di R n L immagine dell applicazione LR n R m è l insieme di tutti i vettori z R m per i quali esiste x R n tale che Lx = z; in altre parole sono tutti i vettori di R m raggiunti da L Anche l immagine è un sottospazio, però di R m La dimensione dell immagine LR n si dice il rango dell applicazione: dimlr n = rangol

2 2 FLAVIO ANGELINI Da ora in poi ci concentriamo sul caso n = m e, per semplicità, trattiamo il caso n = 2: L : R 2 R 2 In questo caso lo spazio di partenza e di arrivo coincidono L applicazione L può essere vista come un movimento del piano R 2, ad esempio una rotazione, uno stiramento o una riflessione 2 Rappresentazione matriciale Siano e e e 2 due vettori che formano una base di R 2 ; ad esempio, ma non necessariamente, la base canonica Un vettore x R 2 si scrive dunque come Perciò, dalla definizione, Definiamo la matrice Scriviamo il generico vettore x = base Si ha x = x e + x 2 e 2 Lx = Le x + Le 2 x 2 A = Le Le 2 x Lx = A x, x 2 in coordinate rispetto alla dove indica il prodotto righe per colonne tra matrici I vettori saranno sempre pensati come vettori colonna in questa note Insomma, per determinare un applicazione lineare basta sapere dove vanno i vettori di una base Come si vede, la matrice A dipende dalla base scelta: infatti le sue colonne sono formate dalle immagini dei vettori della base: Le = a a 2, Le 2 = a2 a 22 Si noti l equivalenza tra il rango di L e il rango della matrice A rangol = rangoa Infatti, se i vettori Le e Le 2 sono linearmente indipendenti il rango di A è due; l immagine di L è tutto R 2, dunque ha dimensione due Se non lo sono il rango di A è uno e l immagine di L è la retta passante per l origine e direzione Le, o Le 2 che è la stessa Escludiamo il caso non interessante di rango zero, che capita solo all applicazione che restringe tutto lo spazio nel vettore nullo, l applicazione nulla Si noti che se si cambia base, la matrice A cambia Però non cambia il rango

3 ALGEBRA LINEARE 3 0 Esempio 2 Sia L l applicazione che manda i vettori e della base canonica rispettivamente in = 3e 0 e = e 2 La matrice associata è dunque 3 0 A = 0 L immagine del vettore x = è 2 3 Lx = A x = 2 Equivalentemente: 3 Lx = Le + 2Le 2 = = 3 2 x 2 x e 2 e A e x A e 2 A x 0 Esempio 3 Sia L l applicazione che manda i vettori e 0 3 della base canonica, rispettivamente in e La matrice 3 associata è dunque 3 3 A = Determiniamo l immagine dei vettori v = e v 2 = ha: 4 Lv = A v = = 4v 4 ; Si

4 4 FLAVIO ANGELINI Lv 2 = A v 2 = 2 2 = 2v 2 ; Dunque: se utilizziamo la base canonica la matrice associata è A; se invece utilizziamo come base i vettori v e v 2 la matrice che rappresenta L è 4 0 B = 0 2 che ha il pregio di essere più comoda Una matrice così fatta con tutti zeri fuori dalla diagonale si dice appunto matrice diagonale x 2 y 2 A v cambio base v 2 v x v 2 v B v y A v 2 B v 2 Esempio 4 La matrice associata all applicazione Ix = x per ogni x R 2, cioè l applicazione identità, è la matrice identità I = 0 0 Dato λ R, la matrice associata all applicazione Lx = λix = λx per ogni x R 2, cioè l applicazione che allunga tutto di λ, ribaltando se λ < 0 o accorcia se λ <, è Λ = λ 0 0 λ Si noti che queste due applicazioni lineari, anche se si cambia base, si rappresentano sempre con la stessa matrice

5 ALGEBRA LINEARE 5 x 2 λ = 2 λe 2 e 2 λx x e λe x Esempio 5 Un applicazione lineare rappresentata da una matrice cosθ sinθ R =, sinθ cosθ per un θ fissato, rappresenta una rotazione di angolo θ Ad esempio, per θ = π, si ha 2 0 R =, 0 la quale ruota i vettori della base appunto di 90 gradi x 2 θ R e 2 e 2 = R e e x Dunque, data un applicazione lineare, per ognuna delle infinite possibili basi, esiste una matrice che la rappresenta Definizione 6 Due matrici si dicono equivalenti se definiscono la stessa applicazione lineare Enunciamo, senza preoccuparci troppo di dimostrare si veda l esercizio 3 di Esercizi 3, il seguente Risultato 7 Due matrici A e B sono equivalenti se esiste una matrice V invertibile, cioè con determinante diverso da zero, tale che A = V B V

6 6 FLAVIO ANGELINI La matrice V rappresenta il passaggio da una base all altra, ovvero da un sistema di coordinate ad un altro Più precisamente, se v e v 2 sono un altra base, in coordinate rispetto alla base di partenza, si ha: V = v v 2 Abbiamo detto che la composizione di due applicazioni lineari è ancora lineare La matrice che la rappresenta è il prodotto righe per colonne delle matrici, nell ordine giusto Se A rappresenta l applicazione L e B l applicazione M, allora M L è rappresentata dalla matrice B A Provate ora degli esercizi 3 Esercizi Dire quale dei seguenti insiemi di vettori formano una base dello spazio a cui appartengono: {, 3, 2, 3}; {, 3, 2, 6}; {, 0, 0, }; {, 0,, 0,, 2}; {, 0,, 0,, 0, 0,, 0}; {, 0,, 0,, 0,,, } 2 Date le applicazioni lineari rappresentate, rispetto a una fissata base, dalle matrici fornite di seguito, determinare l immagine dei vettori della base, l immagine dei vettori, e, e il nucleo dell applicazione: ; ; Data le applicazioni lineari dell esercizio precedente, determinare le matrici che le rappresentano rispetto alla base formata dai vettori {,,, } Che relazione hanno con le matrici date nell esercizio precedente? 4 Data l applicazione lineare rappresentata dalla matrice 2/2 2/2 2/2 2/2, mostrare geometricamente che si tratta di una rotazione del piano e determinarne l angolo suggerimento: mostrare le immagini dei vettori della base 5 Scrivere la matrice che rappresenta l applicazione lineare che riflette il piano rispetto a: a l asse x; b la bisettrice del primo e terzo quadrante;

7 Iniziamo con la definizione ALGEBRA LINEARE 7 2 Autovalori e autovettori Definizione 2 Un autovettore di una trasformazione lineare L : R 2 R 2 è un vettore x 0 R 2 per il quale esiste uno scalare λ tale che 2 Lx = λx Il numero λ è detto autovalore di L relativo all autovettore x Si noti che se x è un autovettore lo è anche ogni suo multiplo con lo stesso autovalore Quindi, se esiste un autovettore c è almeno una retta di autovettori In parole povere un autovettore è un vettore che non viene ruotato da L, rimane sulla sua direzione, cambiando verso se λ < 0 Si pensi ad esempio ad una riflessione del piano rispetto a una retta passante per l origine, come quelle dell esercizio 5 di Esercizi 3 Tutti i vettori della retta vengono tenuti fermi dalla riflessione La retta è dunque formata da tutti autovettori con autovalore La retta si può definire un autospazio C è un altro autovalore con relativa retta di autovettori che si può vedere geometricamente Quale? Tutti i vettori x N L diversi dal vettore nullo, se ci sono, sono autovettori con autovalore 0 In altre parole, dire che l applicazione L ha nucleo non banale, cioè non formato solo dal vettore nullo, è la stessa cosa di dire che 0 è autovalore di L relativo a ogni vettore del nucleo Nell Esempio 2 il vettore è un autovettore con autovalore 0 0 λ = 3, mentre il vettore è un autovettore con autovalore λ 2 = Nell Esempio 3, il vettore è un autovettore con autovalore λ = 4 e il vettore è un autovettore con autovalore λ = 2 In entrambi i casi dell Esempio 4, ogni vettore di R 2 è un autovettore, con autovalore nel caso dell identità e λ nel secondo caso 2 Perché? Vediamo ora l importanza dei concetti di autovalore e autovettore Consideriamo un applicazione lineare L rappresentata dalla matrice A rispetto a una fissata base Supponiamo che esistano due autovettori di L che formano una base di R 2, ovvero due autovettori linearmente indipendenti Siano dunque v e v 2 tali autovettori

8 8 FLAVIO ANGELINI con autovalori rispettivamente λ e λ 2, cioè Lv = λ v Lv 2 = λ 2 v 2 o, se esprimiamo v e v 2 rispetto alla base di partenza, A v = λ v A v 2 = λ 2 v 2 Si noti che λ e λ 2 non sono necessariamente diversi In più dimensioni possono anche essere uguali, mentre in dimensione due il caso non è molto interessante perché significa che L = λi, la quale, come già detto, si rappresenta sempre con la stessa matrice λi; era quindi già in forma diagonale e non c era nulla da fare Se rappresentiamo l applicazione L rispetto alla base formata dai due autovettori, otteniamo la matrice λ 0 D = 0 λ 2 Questo è quello che accade negli Esempi 2 e 3 Nel primo esempio era facile perchè partivamo già con una base di autovettori Nel secondo abbiamo dovuto cambiare base Le matrici diagonali sono molto belle È facile calcolarne il determinante, anche se la matrice è enorme: è il prodotto degli elementi sulla diagonale Si vede subito il rango: è il numero di elementi diverso da zero Se rappresentano una forma quadratica, si vede subito che segno ha la forma associata Basta guardare i segni degli elementi vedi 44 Se rappresentano la matrice di varianza-covarianza di variabili aleatorie, tali variabili hanno a due a due correlazione nulla 22 Come si trovano autovalori e autovettori? Innanzitutto autovalori e autovettori non sempre esistono Dalla definizione, bisogna cercare λ tale che Lx λx = 0 per un x 0, cioè tale che L λix = 0 Stiamo dunque cercando quei numeri λ tali che il nucleo dell applicazione L λi è non banale Rappresentando L con la matrice A, Si intende autovalori reali e autovettori a componenti reali Il caso complesso non ci interessa

9 bisogna cercare λ tale che il sistema 22 A λi x = 0 ALGEBRA LINEARE 9 ammetta soluzione non banale Ma questo è semplicemente un sistema omogeneo di due equazioni in due incognite, il quale ammette sempre la soluzione 0 che però non ci interessa Ammette soluzioni non banali quando deta λi = 0 La funzione P λ = deta λi è una funzione polinomiale in λ e si chiama polinomio caratteristico di A Nel nostro caso è un polinomio di grado due Così è facile vedere se ci sono soluzioni reali e calcolarle Dopodiché, se vogliamo calcolare gli autovettori, dobbiamo fissare i valori di λ ottenuti e risolvere il sistema 22 Tale procedimento si può scrivere in un algoritmo Algoritmo per il calcolo di autovalori e autovettori Calcolo polinomio caratteristico Calcolo soluzioni λ i di deta λi deta λi = 0 Se le soluzioni sono complesse coniugate, non ci sono autovettori reali e l algoritmo termina Altrimenti, per i =, 2 Fine Calcolo soluzioni x di A λ i I x = 0 Vediamo tale procedura con un esempio Esempio 22 Sia la matrice dell Esempio 2 A = 3 3,

10 0 FLAVIO ANGELINI Calcolo polinomio caratteristico: λ 3 A λi = 3 λ e dunque Calcolo soluzioni λ i di deta λi = λ λ 9 deta λi = [ λ + 3] [ λ 3] = 0 In questo caso le soluzioni si vedono subito perchè l equazione si è scritta come differenza di quadrati Sono λ = 4, λ 2 = 2 Se non lo avessimo spezzato come differenza di quadrati, cosa che non si può fare in generale, sarebbe venuto Per i = Calcolo soluzioni x di deta λi = λ 2 2λ 8 = 0 A λ I x = A 4I x = 0, cioè { 4x + 3x 2 = 0 3x + 4x 2 = 0 { 3x + 3x 2 = 0 3x 3x 2 = 0 Una soluzione è x = e x 2 =, cioè il vettore v = Le altre sono tutti i vettori multipli di v Per i = 2 Calcolo soluzioni x di A λ 2 I x = A + 2I x = 0, Fine cioè { 3x + 3x 2 = 0 3x + 3x 2 = 0 Le soluzioni sono v 2 = e tutti i suoi multipli Vediamo ora un caso in cui gli autovettori non ci sono

11 Esempio 23 Sia 0 R =, 0 la rotazione dell Esempio 5 Calcolo polinomio caratteristico: λ A λi = λ e dunque deta λi = λ 2 + Calcolo soluzioni λ i di Le soluzioni sono complesse ALGEBRA LINEARE deta λi = λ 2 + = 0 λ = i, λ 2 = i L algoritmo si interrompe Infatti, se andate a calcolare le soluzioni x di A λ i I x = 0, vengono autovettori complessi, quindi non appartenenti a R 2 Ad esempio per λ = i si otterrebbe il vettore v 2 = Tutto torna i però, dato che la matrice in questione rappresenta una rotazione che non tiene ferma nessuna retta 3 Teorema spettrale per matrici simmetriche Siamo interessati a studiare matrici simmetriche In finanza sono importanti le matrici di varianza-covarianza dei rendimenti di un mercato di titoli; queste sono matrici simmetriche definite positive 2 Teorema 3 Per le matrici simmetriche è sempre possibile trovare una base di autovettori Dunque, sono sempre diagonalizzabili In più, si può sempre trovare una base ortogonale, cioè formata da autovettori ortogonali tra di loro Per il Risultato 7, ciò è equivalente alla seguente affermazione: per ogni matrice simmetrica A è sempre possibile scrivere 3 A = V D V, con: 2 O dovrebbero essere definite positive: se la matrice di varianza-covarianza è stimata, ad esempio sulle serie storiche dei rendimenti, nessuno assicura che risulti definita positiva, ma ora non ce ne preoccupiamo

12 2 FLAVIO ANGELINI D = λ 0, 0 λ 2 matrice diagonale, λ e λ 2 autovalori di A; 2 V = v v 2 è una matrice 2 2, dove v la prima colonna è l autovettore di A relativo all autovalore λ e v 2 la seconda colonna l autovettore di A relativo all autovalore λ 2 vettori espressi rispetto alla base di partenza; 3 i due autovettori v e v 2 sono ortogonali Se prendiamo i due autovettori dell ultimo punto anche di norma uno, cosa che si può sempre fare, si può vedere che l equazione 3 diventa A = V D V T, dove V T indica la matrice trasposta; cioè V = V T Dunque, A e D sono equivalenti e la matrice V rappresenta il cambio di base Tale cambio di base non è nient altro che una rotazione Non vogliamo dimostrare il Teorema, anche se chi ha capito fin qui capirebbe anche la dimostrazione del Teorema, che non è complicatissima A noi potrebbe bastare capire che, in generale: se troviamo una base di autovettori, allora possiamo mettere la matrice in forma diagonale; e sapere che le matrici simmetriche hanno sempre una base di autovettori Quindi sono sempre diagonalizzabili In più, tali autovettori sono tra loro ortogonali Meglio se sappiamo anche che la matrice di partenza è uguale a V D V T, con D matrice diagonale con gli autovalori sulla diagonale e V matrice formata da colonne di autovettori di norma uno Poi ci è sufficiente convincerci del risultato con un esempio e magari con qualche esercizio 3 Esempio 32 Guardiamo all Esempio 3 solita matrice 3 A = 3 3 Oppure usando la function eig di MATLAB, vedi il 32 Stiamo dicendo che la

13 ALGEBRA LINEARE 3 ha due autovettori indipendenti E lo sapevamo già, sono v = e v 2 = In più, sono ortogonali Vero Inoltre, la matrice si può scrivere come 4 0 A = V V 0 2 con V = Verificate dovete invertire la matrice V, che noia Le due colonne di V sono ortogonali Se le volete anche entrambe di norma uno, allora dovete prendere V = / 2 / 2 / 2 / 2 che poi altri non è che la rotazione dell esercizio 4 di Esercizi 3 che manda i vettori della base canonica nei due autovettori Ora dovete fare 4 0 V V 0 2 T, senza dunque bisogno di invertire V, solo comodamente trasporla Viene? 3 Esercizi Date le matrici ; ; ; ;, trovarne autovalori e autovettori 2 Provate per una volta a determinare gli autovalori e gli autovettori di una matrice 3 3: Verficate che le matrici degli esercizi precedenti possono essere diagonalizzate, ovvero che gli autovettori formano una base Scrivete la matrice diagonale equivalente alla matrice data, ;

14 4 FLAVIO ANGELINI 4 Per le matrici degli esercizi precedenti, trovate la matrice V del Teorema spettrale e controllate se V è formata da vettori colonna ortogonali tra loro Verificate il Teorema Cioè verificate che V D V T, con D matrice diagonale trovata nell esercizio precedente Attenzione: dovete prendere autovettori di norma uno, altrimenti dovete calcolare V 32 Autovalori e autovettori in MATLAB MATLAB ha la funzione eig : data una matrice A, il comando [V, D] = eiga restituisce la matrice diagonale D con elementi gli autovalori di A dal più piccolo al più grande e la matrice V con colonne gli autovettori di A Provatela su qualcuno degli esercizi per verificare i vostri conti e controllate anche che A = V D V V è la trasposta in MATLAB 4 Applicazioni 4 Modelli di mercato Consideriamo una variabile aleatoria bidimensionale X X = X 2 Si pensi ad esempio ai rendimenti di due titoli del mercato azionario o alle variazioni di tassi d interesse con due diverse scadenze Sia E E =, E 2 con E = E[X ] e E 2 = E[X 2 ], il vettore dei valori attesi e σ σ Σ = 2 σ 2 σ 22 la matrice di varianza-covarianza, la quale è dunque simmetrica e definita positiva Per il Teorema spettrale, tale matrice è diagonalizzabile Sia λ 0 D = 0 λ 2 la matrice diagonale equivalente a Σ Sistemiamo in modo che λ > λ 2 0 Sia V = v v 2 la matrice contenente gli autovettori ortonormali, cioè ortogonali tra loro e di norma uno Per cui 4 Σ = V D V T Modello a un fattore Sia F una variabile con media 0 e varianza Non deve essere necessariamente normale, ma spesso nei modelli lo è Approssimiamo la variabile X che descrive il mercato con X = E + v λ F

15 ALGEBRA LINEARE 5 Per componenti si ha { X = E + v λ F X 2 = E 2 + v 2 λ F Si pensi ad esempio al modello CAPM in cui si utilizza il rendimento I M del portafoglio di mercato λ F = I M E[I M ] In tal caso λ rappresenta la deviazione standard del portafoglio di mercato e il vettore v ha come componenti i beta dei due titoli 4 Ora la matrice di varianza-covarianza di X è v 2 Σ = λ v v 2 λ v v 2 λ v2λ 2 Dunque, nel modello a un fattore, che descrive il mercato tramite X, la matrice di varianza-covarianza è Σ Tale matrice ha rango uno, infatti ha determinante uguale a zero Se si guarda bene si vede che λ 0 Σ = V V 0 0 T Se la matrice di varianza-covarianza Σ ha rango due, cioè λ 2 > 0, allora il modello proposto non spiega tutta la varianza Si sta trascurando il contributo di λ 2 alla varianza Nel linguaggio del CAPM, stiamo considerando solo il rischio sistematico e non il rischio specifico dei due titoli Nel nostro caso stiamo spiegando i movimenti delle due variabili X e X 2 solamente con un fattore esplicativo F, considerando solo il rischio legato a tale fattore Questo porta ad una semplificazione dell analisi, soprattutto se immaginate di estendere il caso a un numero elevato di variabili, come succede in finanza Ora, se λ 2 è piccolo in confronto a λ il modello spiega bene il mercato, altrimenti ci vorrebbe un modello a più fattori Il rapporto λ λ + λ 2 fornisce la percentuale di varianza spiegata dal modello In ogni caso il modello proposto è il miglior modello lineare a un fattore per spiegare la varianza del mercato Infatti si può dimostrare che ha una matrice di varianza-covarianza di rango uno la più vicina 5 possibile a quella della variabile bi-dimensionale X 4 Non è detto che si possa sempre dare al fattore λ F un significato finanziario così concreto come il rendimento di un portafoglio di mercato 5 A questo vicina è possibile dare un significato più preciso con concetti di distanza tra matrici

16 6 FLAVIO ANGELINI Modello a due fattori Aggiungiamo un fattore F 2, a media 0 e varianza e a correlazione 0 con F Il modello diventa X = v λ F + v 2 λ2 F 2 Per componenti si ha { X X 2 = v λ F + v 2 λ2 F 2 = v 2 λ F + v 22 λ2 F 2 Si può calcolare la matrice di varianza-covarianza di X, la quale risulta verificare: basta applicare le regole di calcolo per la varianza e la covarianza di somme di variabili aleatorie V D V T Dunque, per la 4 è uguale a Σ: la varianza del mercato è totalmente spiegata, var X = varx Le variabili F e F 2 si possono prendere in modo che X = X in distribuzione 6 Ad esempio, se X è una normale bivariata, basta prendere F e F 2 normali Il vantaggio qui è solo di avere due variabili F e F 2 che hanno media 0, varianza e che sono incorrelate Bisogna sempre però pensare al caso di un numero elevato di variabili In questo caso che, come detto, rappresenta la norma in problemi di finanza applicata, anche avere due fattori potrebbe semplificare molto l analisi, pur spiegando meglio di un solo fattore il mercato In mercati complessi si può aggiungere anche un terzo fattore Il modello a uno, due o tre fattori fornirà una riduzione della dimensione delle variabili esplicative e quindi una semplificazione Tra i modelli con la stessa dimensione sarà quello che spiegherà meglio la varianza del mercato La scelta della dimensione dipenderà dal solito trade-off, in finanza come in altri campi, tra un modello sufficientemente semplice da essere agevolmente trattabile e un modello abbastanza ricco da interpretare al meglio i movimenti del mercato 42 Esercizio Sia Σ = 5% 4% 4% 5% la matrice di varianza-covarianza di un mercato con due titoli Determinare autovalori e autovettori Scrivere poi un modello a un fattore e un modello a due fattori Quanto bene il modello a un fattore rappresenta tale mercato? 6 Avere la stessa varianza non vuol dire avere la stessa distribuzione

17 ALGEBRA LINEARE 7 43 Applicazione Lo script pca2s, scaricabile dalla pagina del corso effettua l analisi sulla serie delle variazioni dei tassi d interesse italiani con scadenze 2 e 0 anni, estratti dai tassi swap con il bootstrapping Mostra, anche graficamente, i due autovettori, gli autovalori e la varianza spiegata da un solo fattore Il primo autovettore viene negativo, ma si può pensare positivo, e ha le componenti molto vicine Il secondo ha una componente positiva e una negativa Il primo fattore rappresenta dunque uno shift parallelo, perché produce un movimento uguale per i due tassi in considerazione Il secondo fattore rappresenta un twist in cui il tasso a breve si muove in direzione opposta a quello a lunga 44 Studio del segno di una forma quadratica Sia A una matrice simmetrica e Qx = x T A x la forma quadratica associata Il Teorema spettrale ci permette di scrivere Qx = x T V D V T x = V T x T A V T x Ora, se indichiamo con y = V T x, ovvero cambiamo coordinate, abbiamo Qy = y T D y Studiare il segno di Q al variare di x è la stessa cosa che studiarne il segno al variare di y; questo perché V T è invertibile e dunque V T x raggiunge tutti gli y Dunque basta studiare il segno della matrice diagonale D, che è facile In conclusione, per studiare il segno di una matrice simmetrica, basta calcolare gli autovalori e guardarne i segni In dimensione 2 abbiamo Segni concordi definita, positiva se positivi, negativa se negativi; 2 Segni discordi indefinita; 3 un autovalore 0 semidefinita, positiva se l altro positivo, negativa se negativo 45 Esercizi Studiare il segno delle forme quadratiche definite dalle matrici degli esercizi e 2 di Esercizi 3 utilizzando la diagonalizzazione Verificate che fornisca la stessa risposta del test che già conoscete Sezione di Finanza Matematica, Dipartimento di Economia, Finanza e Statistica, Università di Perugia address:

LE FIBRE DI UNA APPLICAZIONE LINEARE

LE FIBRE DI UNA APPLICAZIONE LINEARE LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini

Dettagli

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA

CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA COGNOME NOME CORSO DI LAUREA INF TWM ANNO DI IMMATRICOLAZIONE MATRICOLA SIMULAZIONE SCRITTO DI MATEMATICA DISCRETA, SECONDA PARTE Per ottenere la sufficienza bisogna rispondere in modo corretto ad almeno

Dettagli

Algebra Lineare e Geometria

Algebra Lineare e Geometria Algebra Lineare e Geometria Corso di Laurea in Ingegneria Elettronica A.A. 2013-2014 Prova d esame del 16/06/2014. 1) a) Determinare la matrice associata all applicazione lineare T : R 3 R 4 definita da

Dettagli

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24

Federico Lastaria. Analisi e Geometria 2. Matrici simmetriche. Il teorema spettrale. 1/24 Contenuto Endomorfismi auto-aggiunti. Matrici simmetriche. Il teorema spettrale Gli autovalori di una matrice simmetrica sono tutti reali. (Dimostrazione fatta usando i numeri complessi). Dimostrazione

Dettagli

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0

LEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0 LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi

Dettagli

Diagonalizzazione di matrici e applicazioni lineari

Diagonalizzazione di matrici e applicazioni lineari CAPITOLO 9 Diagonalizzazione di matrici e applicazioni lineari Esercizio 9.1. Verificare che v = (1, 0, 0, 1) è autovettore dell applicazione lineare T così definita T(x 1,x 2,x 3,x 4 ) = (2x 1 2x 3, x

Dettagli

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria Elettronica Terzo Appello del corso di Geometria e Algebra II Parte - Docente F. Flamini, Roma, 7/09/2007 SVOLGIMENTO COMPITO III APPELLO

Dettagli

Tutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica

Tutorato di GE110. Universitá degli Studi Roma Tre - Corso di Laurea in Matematica Universitá degli Studi Roma Tre - Corso di Laurea in Matematica Tutorato di GE110 A.A. 2014-2015 - Docente: Prof. Angelo Felice Lopez Tutori: Federico Campanini e Giulia Salustri Soluzioni Tutorato 13

Dettagli

ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura

ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura Cognome Nome Matricola ELEMENTI DI ALGEBRA LINEARE E GEOMETRIA Corso di Laurea Ingegneria Edile-Architettura (Primo appello/ii prova parziale 15/6/15 - Chiarellotto-Urbinati) Per la II prova: solo esercizi

Dettagli

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica

Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim

Dettagli

1 Regole generali per l esame. 2 Libro di Testo

1 Regole generali per l esame. 2 Libro di Testo FACOLTÀ DI INGEGNERIA Corso di GEOMETRIA E ALGEBRA (mn). (Ing. per l Ambiente e il Territorio, Ing. Informatica - Sede di Mantova) A.A. 2008/2009. Docente: F. BISI. 1 Regole generali per l esame L esame

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto.

(V) (FX) Z 6 è un campo rispetto alle usuali operazioni di somma e prodotto. 29 giugno 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

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA

ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA ESERCIZI DI ALGEBRA LINEARE E GEOMETRIA Francesco Bottacin Padova, 24 febbraio 2012 Capitolo 1 Algebra Lineare 1.1 Spazi e sottospazi vettoriali Esercizio 1.1. Sia U il sottospazio di R 4 generato dai

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0.

x 1 + x 2 3x 4 = 0 x1 + x 2 + x 3 = 0 x 1 + x 2 3x 4 = 0. Problema. Sia W il sottospazio dello spazio vettoriale R 4 dato da tutte le soluzioni dell equazione x + x 2 + x = 0. (a. Sia U R 4 il sottospazio dato da tutte le soluzioni dell equazione Si determini

Dettagli

ESERCIZI APPLICAZIONI LINEARI

ESERCIZI APPLICAZIONI LINEARI ESERCIZI APPLICAZIONI LINEARI PAOLO FACCIN 1. Esercizi sulle applicazioni lineari 1.1. Definizioni sulle applicazioni lineari. Siano V, e W spazi vettoriali, con rispettive basi B V := (v 1 v n) e B W

Dettagli

0. Piano cartesiano 1

0. Piano cartesiano 1 0. Piano cartesiano Per piano cartesiano si intende un piano dotato di due assi (che per ragioni pratiche possiamo scegliere ortogonali). Il punto in comune ai due assi è detto origine, e funziona da origine

Dettagli

RICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come

RICHIAMI SULLE MATRICI. Una matrice di m righe e n colonne è rappresentata come RICHIAMI SULLE MATRICI Una matrice di m righe e n colonne è rappresentata come A = a 11 a 12... a 1n a 21 a 22... a 2n............ a m1 a m2... a mn dove m ed n sono le dimensioni di A. La matrice A può

Dettagli

Parte 6. Applicazioni lineari

Parte 6. Applicazioni lineari Parte 6 Applicazioni lineari A Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Applicazioni fra insiemi, 2 Applicazioni lineari tra spazi vettoriali, 2 3 Applicazioni lineari da R n a R

Dettagli

Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. L : V W

Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. L : V W Matematica B - a.a 2006/07 p. 1 Siano V e W due spazi vettoriali. La definizione seguente é è tra quelle basilari per il corso di Matematica B. Definizione 1. La funzione L : V W si dice una applicazione

Dettagli

Autovalori e Autovettori

Autovalori e Autovettori Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

GEOMETRIA I Corso di Geometria I (seconda parte)

GEOMETRIA I Corso di Geometria I (seconda parte) Corso di Geometria I (seconda parte) anno acc. 2009/2010 Cambiamento del sistema di riferimento in E 3 Consideriamo in E 3 due sistemi di riferimento ortonormali R e R, ed un punto P (x, y, z) in R. Lo

Dettagli

Esame di Geometria - 9 CFU (Appello del 28 gennaio 2013 - A)

Esame di Geometria - 9 CFU (Appello del 28 gennaio 2013 - A) Esame di Geometria - 9 CFU (Appello del 28 gennaio 23 - A) Cognome: Nome: Nr.matricola: Corso di laurea: Esercizio. Nello spazio R 3, siano dati il piano e i punti P = (, 2, ), Q = (2,, ). π : x + 2y 3

Dettagli

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali.

Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. CAPITOLO 7 Rango: Rouchè-Capelli, dimensione e basi di spazi vettoriali. Esercizio 7.1. Determinare il rango delle seguenti matrici al variare del parametro t R. 1 4 2 1 4 2 A 1 = 0 t+1 1 A 2 = 0 t+1 1

Dettagli

Grazie ai Colleghi di Geometria del Dipartimento di Matematica dell Università degli Studi di Torino per il loro prezioso contributo. Grazie al Prof.

Grazie ai Colleghi di Geometria del Dipartimento di Matematica dell Università degli Studi di Torino per il loro prezioso contributo. Grazie al Prof. A01 178 Grazie ai Colleghi di Geometria del Dipartimento di Matematica dell Università degli Studi di Torino per il loro prezioso contributo. Grazie al Prof. S.M. Salamon per tanti utili suggerimenti e

Dettagli

09 - Funzioni reali di due variabili reali

09 - Funzioni reali di due variabili reali Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 09 - Funzioni reali di due variabili reali Anno Accademico 2013/2014

Dettagli

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura

Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura Universita degli Studi di Roma Tor Vergata Facolta di Ingegneria - Edile ed Edile-Architettura Primo Esonero del corso di Geometria Docente F. Flamini, Roma, 2//28 SOLUZIONI COMPITO I ESONERO Esercizio.

Dettagli

Lezione 9: Cambio di base

Lezione 9: Cambio di base Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica.

Esempio. Approssimazione con il criterio dei minimi quadrati. Esempio. Esempio. Risultati sperimentali. Interpolazione con spline cubica. Esempio Risultati sperimentali Approssimazione con il criterio dei minimi quadrati Esempio Interpolazione con spline cubica. Esempio 1 Come procedere? La natura del fenomeno suggerisce che una buona approssimazione

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI 1 Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta

Dettagli

Forme bilineari e prodotti scalari. Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione. b :

Forme bilineari e prodotti scalari. Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione. b : Forme bilineari e prodotti scalari Definizione Dato lo spazio vettoriale V (K) sul campo K, una funzione b : { V V K ( v, w) b( v, w), si dice forma bilineare su V se per ogni u, v, w V e per ogni k K:

Dettagli

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari

Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Versione ottobre novembre 2008 Lezioni di Algebra Lineare III. Applicazioni lineari e matrici Struttura algebrica delle soluzioni dei sistemi lineari Contenuto 1. Applicazioni lineari 2. L insieme delle

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f).

Matrice rappresent. Base ker e img. Rappresentazione cartesiana ker(f) + im(f). Due Matrici A,B. Ker f = ker g. 1- Ridurre a scala A e B e faccio il sistema. 2 Se Vengono gli stessi valori allora, i ker sono uguali. Cauchy 1 autovalore, 1- Metto a matrice x1(0),x2(0),x3(0) e la chiamo

Dettagli

Prova scritta di Geometria 2 Prof. M. Boratynski

Prova scritta di Geometria 2 Prof. M. Boratynski 10/9/2008 Es. 1: Si consideri la forma bilineare simmetrica b su R 3 associata, rispetto alla base canonica {e 1, e 2, e 3 } alla matrice 3 2 1 A = 2 3 0. 1 0 1 1) Provare che (R 3, b) è uno spazio vettoriale

Dettagli

Analisi 2. Argomenti. Raffaele D. Facendola

Analisi 2. Argomenti. Raffaele D. Facendola Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

Corso di Analisi Numerica

Corso di Analisi Numerica Corso di Laurea in Ingegneria Informatica Corso di Analisi Numerica 8 - METODI ITERATIVI PER I SISTEMI LINEARI Lucio Demeio Dipartimento di Scienze Matematiche 1 Norme e distanze 2 3 4 Norme e distanze

Dettagli

3 GRAFICI DI FUNZIONI

3 GRAFICI DI FUNZIONI 3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom

Dettagli

Applicazioni lineari

Applicazioni lineari Applicazioni lineari Esempi di applicazioni lineari Definizione. Se V e W sono spazi vettoriali, una applicazione lineare è una funzione f: V W tale che, per ogni v, w V e per ogni a, b R si abbia f(av

Dettagli

1 Applicazioni Lineari tra Spazi Vettoriali

1 Applicazioni Lineari tra Spazi Vettoriali 1 Applicazioni Lineari tra Spazi Vettoriali Definizione 1 (Applicazioni lineari) Si chiama applicazione lineare una applicazione tra uno spazio vettoriale ed uno spazio vettoriale sul campo tale che "!$%!

Dettagli

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12

1 Massimi e minimi liberi 1. 2 Massimi e minimi vincolati 7. 3 Soluzioni degli esercizi 12 UNIVR Facoltà di Economia Sede di Vicenza Corso di Matematica 1 Massimi e minimi delle funzioni di più variabili Indice 1 Massimi e minimi liberi 1 Massimi e minimi vincolati 7 3 Soluzioni degli esercizi

Dettagli

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento

Funzione Una relazione fra due insiemi A e B è una funzione se a ogni elemento di A si associa uno e un solo elemento TERIA CAPITL 9. ESPNENZIALI E LGARITMI. LE FUNZINI Non si ha una funzione se anche a un solo elemento di A non è associato un elemento di B, oppure ne sono associati più di uno. DEFINIZINE Funzione Una

Dettagli

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA...

15 febbraio 2010 - Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a. 2009-2010 COGNOME... NOME... N. MATRICOLA... 15 febbraio 010 - Soluzione esame di geometria - 1 crediti Ingegneria gestionale - a.a. 009-010 COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura

Dettagli

Esercizio 2 Si consideri la funzione f definita dalle seguenti condizioni: e x. per x 1 f(x) = α x + e 1 per 1 < x

Esercizio 2 Si consideri la funzione f definita dalle seguenti condizioni: e x. per x 1 f(x) = α x + e 1 per 1 < x FUNZIONI Esercizio 1 Studiare la funzione f(x) = ln ( ) x e disegnarne il grafico. x 1 Esercizio 2 Si consideri la funzione f definita dalle seguenti condizioni: { e x per x 1 f(x) = α x + e 1 per 1

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica

Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,

Dettagli

Regressione Mario Guarracino Data Mining a.a. 2010/2011

Regressione Mario Guarracino Data Mining a.a. 2010/2011 Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

Metodi iterativi per sistemi lineari

Metodi iterativi per sistemi lineari Metodi iterativi per sistemi lineari Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi ai metodi iterativi per risolvere sistemi di equazioni

Dettagli

Metodi Stocastici per la Finanza

Metodi Stocastici per la Finanza Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2011-2012 Lezione 6 Indice 1 Il metodo bootstrap 2 Esercitazione 3 Interpolazione

Dettagli

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che

VARIABILI ALEATORIE MULTIPLE E TEOREMI ASSOCIATI. Dopo aver trattato delle distribuzioni di probabilità di una variabile aleatoria, che VARIABILI ALATORI MULTIPL TORMI ASSOCIATI Fonti: Cicchitelli Dall Aglio Mood-Grabill. Moduli 6 9 0 del programma. VARIABILI ALATORI DOPPI Dopo aver trattato delle distribuzioni di probabilità di una variabile

Dettagli

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007

Spazi lineari - PARTE II - Felice Iavernaro. Dipartimento di Matematica Università di Bari. 9 e 16 Marzo 2007 Spazi lineari - PARTE II - Felice Iavernaro Dipartimento di Matematica Università di Bari 9 e 16 Marzo 2007 Felice Iavernaro (Univ. Bari) Spazi lineari 9-16/03/2007 1 / 17 Condizionamento dei sistemi lineari

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Quando troncare uno sviluppo in serie di Taylor

Quando troncare uno sviluppo in serie di Taylor Quando troncare uno sviluppo in serie di Taylor Marco Robutti October 13, 2014 Lo sviluppo in serie di Taylor di una funzione è uno strumento matematico davvero molto utile, e viene spesso utilizzato in

Dettagli

UNIVERSITÀ DEGLI STUDI DI FERRARA

UNIVERSITÀ DEGLI STUDI DI FERRARA UNIVERSITÀ DEGLI STUDI DI FERRARA Anno Accademico 2012/2013 REGISTRO DELL ATTIVITÀ DIDATTICA Docente: ANDREOTTI MIRCO Titolo del corso: MATEMATICA ED ELEMENTI DI STATISTICA Corso: CORSO UFFICIALE Corso

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria

ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 2003 Sessione straordinaria ESAME DI STATO DI LICEO SCIENTIFICO CORSO SPERIMENTALE P.N.I. 3 Sessione straordinaria Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA È assegnata

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei

Dettagli

Esempi di funzione. Scheda Tre

Esempi di funzione. Scheda Tre Scheda Tre Funzioni Consideriamo una legge f che associa ad un elemento di un insieme X al più un elemento di un insieme Y; diciamo che f è una funzione, X è l insieme di partenza e X l insieme di arrivo.

Dettagli

E naturale chiedersi alcune cose sulla media campionaria x n

E naturale chiedersi alcune cose sulla media campionaria x n Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile

Dettagli

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione

I tre concetti si possono descrivere in modo unitario dicendo che f e iniettiva, suriettiva, biiettiva se e solo se per ogni b B l equazione Lezioni del 29 settembre e 1 ottobre. 1. Funzioni iniettive, suriettive, biiettive. Sia f : A B una funzione da un insieme A ad un insieme B. Sia a A e sia b = f (a) B l elemento che f associa ad a, allora

Dettagli

LEZIONE 4. Il Capital Asset Pricing Model. Professor Tullio Fumagalli Corso di Finanza Aziendale Università degli Studi di Bergamo.

LEZIONE 4. Il Capital Asset Pricing Model. Professor Tullio Fumagalli Corso di Finanza Aziendale Università degli Studi di Bergamo. LEZIONE 4 Il Capital Asset Pricing Model 1 Generalità 1 Generalità (1) Il Capital Asset Pricing Model è un modello di equilibrio dei mercati che consente di individuare una precisa relazione tra rendimento

Dettagli

Posizione e orientamento di corpi rigidi

Posizione e orientamento di corpi rigidi Corso di Robotica 1 Posizione e orientamento di corpi rigidi Prof. Alessandro De Luca Robotica 1 1 Posizione e orientamento terne ortogonali destre SR A A p AB B SR B corpo rigido posizione: A p AB (vettore

Dettagli

Lezioni di Geometria e Algebra. Fulvio Bisi, Francesco Bonsante, Sonia Brivio

Lezioni di Geometria e Algebra. Fulvio Bisi, Francesco Bonsante, Sonia Brivio Lezioni di Geometria e Algebra Fulvio Bisi, Francesco Bonsante, Sonia Brivio CAPITOLO 4 Applicazioni lineari 1. Definizioni ed esempi. In questo capitolo ci proponiamo di studiare le funzioni tra spazi

Dettagli

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE

STATISTICA DESCRITTIVA SCHEDA N. 5: REGRESSIONE LINEARE STATISTICA DESCRITTIVA SCHEDA N. : REGRESSIONE LINEARE Nella Scheda precedente abbiamo visto che il coefficiente di correlazione fra due variabili quantitative X e Y fornisce informazioni sull esistenza

Dettagli

Insiemi con un operazione

Insiemi con un operazione Capitolo 3 Insiemi con un operazione 3.1 Gruppoidi, semigruppi, monoidi Definizione 309 Un operazione binaria su un insieme G è una funzione: f : G G G Quindi, un operazione binaria f su un insieme G è

Dettagli

Corso di Matematica per la Chimica

Corso di Matematica per la Chimica Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano

Dettagli

Documentazione esterna al software matematico sviluppato con MatLab

Documentazione esterna al software matematico sviluppato con MatLab Documentazione esterna al software matematico sviluppato con MatLab Algoritmi Metodo di Gauss-Seidel con sovrarilassamento Metodo delle Secanti Metodo di Newton Studente Amelio Francesco 556/00699 Anno

Dettagli

MATRICI E DETERMINANTI

MATRICI E DETERMINANTI MATRICI E DETERMINANTI 1. MATRICI Si ha la seguente Definizione 1: Un insieme di numeri, reali o complessi, ordinati secondo righe e colonne è detto matrice di ordine m x n, ove m è il numero delle righe

Dettagli

13. Campi vettoriali

13. Campi vettoriali 13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello

Dettagli

3 Applicazioni lineari e matrici

3 Applicazioni lineari e matrici 3 Applicazioni lineari e matrici 3.1 Applicazioni lineari Definizione 3.1 Siano V e W dei K spazi vettoriali. Una funzione f : V W è detta applicazione lineare se: i u, v V, si ha f(u + v = f(u + f(v;

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

Geometria nel piano complesso

Geometria nel piano complesso Geometria nel piano complesso Giorgio Ottaviani Contents Un introduzione formale del piano complesso 2 Il teorema di Napoleone 5 L inversione circolare 6 4 Le trasformazioni di Möbius 7 5 Il birapporto

Dettagli

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni)

PARTE TERZA. STATISTICA DESCRITTIVA MULTIDIMENSIONALE (Analisi delle Relazioni) PARTE TERZA STATISTICA DESCRITTIVA MULTIDIMESIOALE (Analisi delle Relazioni) La notazione matriciale 3 III.. LA OTAZIOE MATRICIALE III... L analisi statistica dei fenomeni multivariati L intrinseca complessità

Dettagli

Università degli Studi di Roma La Sapienza Laurea in Ingegneria Energetica A.A. 2014-2015 Programma del corso di Geometria Prof.

Università degli Studi di Roma La Sapienza Laurea in Ingegneria Energetica A.A. 2014-2015 Programma del corso di Geometria Prof. Università degli Studi di Roma La Sapienza Laurea in Ingegneria Energetica A.A. 2014-2015 Programma del corso di Geometria Prof. Antonio Cigliola Prerequisiti Logica elementare. Principio di Induzione.

Dettagli

Esercizi di Algebra Lineare. Claretta Carrara

Esercizi di Algebra Lineare. Claretta Carrara Esercizi di Algebra Lineare Claretta Carrara Indice Capitolo 1. Operazioni tra matrici e n-uple 1 1. Soluzioni 3 Capitolo. Rette e piani 15 1. Suggerimenti 19. Soluzioni 1 Capitolo 3. Gruppi, spazi e

Dettagli

Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica. Calcolo 2 [40214]

Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica. Calcolo 2 [40214] Facoltà di Ingegneria anno accademico 2007/08 Registro dell'attività didattica Calcolo 2 [40214] Attività didattica: Attività didattica [codice] Corso di studio Facoltà Calcolo 2 [40214] Ingegneria delle

Dettagli

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione

2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza

Dettagli

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2))

f(x, y, z) = (x + ky + z, x y + 2z, x + y z) f(x, y, z) = (x + 2y z, x + y z, x + 2y) F (f(x)) = (f(0), f(1), f(2)) Algebra Lineare e Geometria Analitica Politecnico di Milano Ingegneria Applicazioni Lineari 1. Sia f : R 3 R 3 l applicazione lineare definita da f(x, y, z) = (x + ky + z, x y + 2z, x + y z) per ogni (x,

Dettagli

Esercizi svolti sui numeri complessi

Esercizi svolti sui numeri complessi Francesco Daddi - ottobre 009 Esercizio 1 Risolvere l equazione z 1 + i = 1. Soluzione. Moltiplichiamo entrambi i membri per 1 + i in definitiva la soluzione è z 1 + i 1 + i = 1 1 + i z = 1 1 i. : z =

Dettagli

Esercitazioni in Maple

Esercitazioni in Maple Esercitazioni in Maple 6 giugno 2007 Capitolo 1 Prima esercitazione 1.1 Anelli di polinomi Per cominciare bisogna dichiarare un anello di polinomi. Possiamo lavorare con un qualsiasi anello di tipo dove

Dettagli

Appunti di Algebra Lineare

Appunti di Algebra Lineare Appunti di Algebra Lineare Indice 1 I vettori geometrici. 1 1.1 Introduzione................................... 1 1. Somma e prodotto per uno scalare....................... 1 1.3 Combinazioni lineari e

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0

4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0 Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice

Dettagli

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A.

APPLICAZIONI LINEARI. B si definisce surriettiva. 9 quando ogni elemento di. B risulta IMMAGINE di. almeno un elemento di A. APPLICAZIONI LINEARI Siano V e W due spazi vettoriali, di dimensione m ed n sullo stesso campo di scalari R. Una APPLICAZIONE ƒ : V W viene definita APPLICAZIONE LINEARE od OMOMORFISMO se risulta, per

Dettagli

Lezione 6 Nucleo, Immagine e Teorema della Dimensione. 1 Definizione di Nucleo e Immagine

Lezione 6 Nucleo, Immagine e Teorema della Dimensione. 1 Definizione di Nucleo e Immagine Lezione 6 Nucleo, Immagine e Teorema della Dimensione In questa lezione entriamo nel vivo della teoria delle applicazioni lineari. Per una applicazione lineare L : V W definiamo e impariamo a calcolare

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO

LE TRASFORMAZIONI GEOMETRICHE NEL PIANO LE TRASFORMAZIONI GEOMETRICHE NEL PIANO Una trasformazione geometrica è una funzione che fa corrispondere a ogni punto del piano un altro punto del piano stesso Si può pensare come MOVIMENTO di punti e

Dettagli

modulo A1.1 modulo A1.2 livello A1 modulo A2.1 modulo A2.2 matematica livello A2 livello A3

modulo A1.1 modulo A1.2 livello A1 modulo A2.1 modulo A2.2 matematica livello A2 livello A3 livello A1 modulo A1.1 modulo A1.2 matematica livello A2 modulo A2.1 modulo A2.2 livello A insiemi e appartenenza interpretazione grafica nel piano traslazioni proprietà commutatività associatività elemento

Dettagli

LEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3.

LEZIONE 7. Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2. 2, x3 +2x +3. 7 LEZIONE 7 Esercizio 7.1. Quale delle seguenti funzioni è decrescente in ( 3, 0) e ha derivata prima in 3 che vale 0? x 3 3 + x2 2 6x, x3 +2x 2 6x, 3x + x2 2, x3 +2x +3. Le derivate sono rispettivamente,

Dettagli

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI

APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................

Dettagli

Capitolo II Le reti elettriche

Capitolo II Le reti elettriche Capitolo II Le reti elettriche Fino ad ora abbiamo immaginato di disporre di due soli bipoli da collegare attraverso i loro morsetti; supponiamo ora, invece, di disporre di l bipoli e di collegarli tra

Dettagli

5.4 Solo titoli rischiosi

5.4 Solo titoli rischiosi 56 Capitolo 5. Teoria matematica del portafoglio finanziario II: analisi media-varianza 5.4 Solo titoli rischiosi Suppongo che sul mercato siano presenti n titoli rischiosi i cui rendimenti aleatori sono

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

TEMA 1. 1. Della seguente matrice, calcolare i complementi algebrici e il determinante: a + b 1 a 2 S = a + b + 3 a + 2b. x = t. f = x 2 + 2xy 3y 2,

TEMA 1. 1. Della seguente matrice, calcolare i complementi algebrici e il determinante: a + b 1 a 2 S = a + b + 3 a + 2b. x = t. f = x 2 + 2xy 3y 2, Prova scritta di MATEMATICA B1 Vicenza, 17 marzo 008 TEMA 1 1 1 A = 1 0 1. 3 0 1. Stabilire se il seguente sottoinsieme di M(, R): {( ) a + b 1 a S = a, b R}, a + b + 3 a + b è un sottospazio di M(, R).

Dettagli