LEZIONE 15. Esempio L applicazione f: R 3 R 2. è lineare. Infatti si ha che se α R, (x, y, z) R 3 risulta
|
|
- Domenico Baldi
- 6 anni fa
- Visualizzazioni
Transcript
1 LEZIONE Applicazioni lineari ed esempi. Definizione Siano V e W spazi vettoriali su k = R, C. Un applicazione f: V W si dice k lineare se: (AL1) per ogni v 1, v 2 V si ha f(v 1 + v 2 ) = f(v 1 ) + f(v 2 ); (AL2) per ogni α k e v V si ha f(αv) = αf(v). Nel caso il campo sia evidente si parla semplicemente di applicazione lineare. Osservazione Siano V e W spazi vettoriali su k = R, C. Sia f: V W un applicazione k lineare. i) Risulta f(0 V ) = f(00 V ) = 0f(0 V ) = 0 W e f( v) = f(( 1)v) = ( 1)f(v) = f(v) per ogni v V. Più in generale un applicazione f: V W è k lineare se e solo se α 1,..., α n k e v 1,..., v n V si ha f(α 1 v α n v n ) = α 1 f(v 1 ) + + α n f(v n ). ii) Se U V è un sottospazio allora f U : U W è lineare. Se W U è un sottospazio allora l applicazione f: V U, ottenuta componendo f con l inclusione W U, è lineare. iii) Per esercizio verificare che l applicazione nulla 0 V,W : V W, definita da v 0 W, e l applicazione identità id V : V V, definita da v v, sono k lineari. Esempio L applicazione f: R 3 R 2 (x, y, z) (3x + y z, x y + 2z) è lineare. Infatti si ha che se α R, (x, y, z) R 3 risulta f(α(x, y, z)) = f(αx, αy, αz) = (3(αx) + (αy) (αz), (αx) (αy) + 2(αz)) = = (α(3x + y z), α(x y + 2z)) = α(3x + y z, x y + 2z) = αf(x, y, z). Inoltre, se (x, y, z ), (x, y, z ) R 3, risulta f((x, y, z ) + (x, y, z )) = f(x + x, y + y, z + z ) = = (3(x + x ) + (y + y ) (z + z ), (x + x ) (y + y ) + 2(z + z )) = = (3x + y z + 3x + y z, x y + 2z + x y + 2z ) = = (3x + y z, x y + 2z ) + (3x + y z, x y + 2z ) = = f(x, y, z ) + f(x, y, z ). 1 Typeset by AMS-TEX
2 APPLICAZIONI LINEARI ED ESEMPI Per esercizio verificare in modo analogo che anche l applicazione è lineare. g: C 2 C 3 (x, y) (3x + y, x y, x + 2y) Esempio Si consideri l applicazione f: R 3 R 2 (x, y, z) (3x + y z, x y + 2z + 1). Ci poniamo il problema di stabilire se f è lineare. Se f fosse lineare si dovrebbe avere f(0, 0, 0) = (0, 0) (si veda l Osservazione da i)). Poiché f(0, 0, 0) = (0, 1) segue che f non è lineare. Esempio Sia k = R, C e sia A k m,n fissata. L applicazione µ A : k n,1 k m,1 X AX è lineare. Infatti scelti α k, X, X, X k n,1 risulta µ A (αx) = A(αX) = α(ax) = αµ A (X), µ A (X + X ) = A(X + X ) = AX + AX = µ A (X ) + µ A (X ). Verifichiamo ora che ogni applicazione lineare f: k n,1 k m,1 è della forma µ A per un unica A k m,n. Sia B = (E 1,1,..., E n,1 ) la base definita nell Esempio e siano A j = f(e j,1 ) k m,1 per j = 1,..., n: definiamo allora A come la matrice m n avente A j come colonna j esima. Per ogni X = t (x 1,1,..., x n,1 ) k n,1 allora per l Osservazione i), risulta f(x) = f( x j,1 E j,1 ) = j=1 x j,1 f(e j,1 ) = j=1 x j,1 A j = AX, quindi f = µ A come applicazioni. Si noti che tale matrice è univocamente determinata: infatti se A k m,n è un altra matrice, cioè f = µ A, si ha A j = f(e j,1 ) = A E j,1 che è la j esima colonna di A, dunque A = A. Per esempio l applicazione nulla è µ 0m,n. Più in generale, identificando k n ed k m con k n,1 ed k m,1 rispettivamente, ogni applicazione lineare f: k n k m è individuata da un unica matrice m n. Si verifichi che l applicazione f dell Esempio si ottiene come caso particolare prendendo k = R e ( ) A = R 2, j=1
3 LEZIONE 15 3 con l identificazione naturale di R 3 ed R 2 con R 3,1 ed R 2,1 rispettivamente. Similmente, identificando C 2 ed C 3 con C 2,1 ed C 3,1 rispettivamente, si verifichi che l applicazione g dell Esempio coincide con µ B con B = = t A C 3,2 1 2 Esempio Sia V uno spazio vettoriale su k = R, C di dimensione n e sia B una sua base. L applicazione [ ] B : V k n v [v] B è lineare. Infatti se α k e v, v 1, v 2 V risulta [αv] B = α[v] B, [v 1 + v 2 ] B = [v 1 ] B + [v 2 ] B, per quanto osservato dopo la Definizione Esempio Siano k = R, C e a k. L applicazione di valutazione in a è lineare. Infatti v a : k[x] k p(x) p(a) v a ((p + p )(x)) = (p + p )(a) = p (a) + p (a) = v a (p (x)) + v a (p (x)), v a ((αp)(x)) = (αp)(a) = αp(a) = αv a (p(x)). Poichè la restrizione a sottospazi conserva la linearità, per ogni n 0 anche le applicazioni v a k[x]n : k[x] n k sono lineari. Esempio Sia v 0 V 3 (O) fissato. Verificare per esercizio che le applicazioni prodotto scalare per v 0 definita da, v 0 : V 3 (O) R e prodotto vettoriale per v 0 definita da v v, v 0. v 0 : V 3 (O) V 3 (O) v v v 0. sono R lineari per le proprietà dei prodotti scalare e vettoriale.
4 APPLICAZIONI LINEARI ED ESEMPI Esempio Sia I =]a, b[ R non vuoto. Nell Esempio abbiamo osservato che l insieme C p (I) è uno spazio vettoriale su R per ogni p 0. Uno dei risultati dell analisi delle funzioni di una variabile reale è che l applicazione è lineare per ogni p 1. D: C p (I) C p 1 (I) ϕ(x) Dϕ(x) = dϕ dx (x) Esempio Sia z = a + bi C, a, b R: ricordo che il coniugato di z è, per definizione, il numero complesso z = a bi. Si consideri l applicazione f di coniugio su C, cioè f: C C è definita da z z. Allora f è chiaramente additiva, infatti f(z + z ) = z + z = z + z = f(z ) + f(z ). Invece se α C si ha f(αz) = αz che coincide con αf(z) = αz se e solo se α R C. Quindi il coniugio non è un applicazione C lineare, ma solo R lineare. Concludiamo questo paragrafo con la seguente proposizione. Propposizione Siano U, V e W spazi vettoriali su k = R, C. Se f, g: V W e h: W U sono lineari allora tali sono le applicazioni h f: V U, f + g: V W e λf: V W per ogni λ k. Dimostrazione. Per ogni v, v, v V risulta (f + g)(v + v ) = f(v + v ) + g(v + v ) = f(v ) + f(v ) + g(v ) + g(v ) = = f(v ) + g(v ) + f(v ) + g(v ) = (f + g)(v ) + (f + g)(v ), (f + g)(αv) = f(αv) + g(αv) = αf(v) + αg(v) = = α(f(v) + g(v)) = α((f + g)(v)), (λf)(v + v ) = λf(v + v ) = λ(f(v ) + f(v )) = = λf(v ) + λf(v ) = (λf)(v ) + (λf)(v ), (λf)(αv) = λf(αv) = λαf(v) = = α(λf(v)) = α((λf)(v)), (h f)(v + v ) = h(f(v + v )) = h(f(v ) + f(v )) = = h(f(v )) + h(f(v )) = (h f)(v ) + (h f)(v ), (h f)(αv) = h(f(αv)) = h(αf(v)) = = αh(f(v)) = α((h f)(v)). Osservazione Siano k = R, C, A, B k m,n e λ k: allora µ A + µ B = µ A+B, λµ A = µ λa.
5 LEZIONE 15 5 Infatti per ogni X k n,1 si ha (µ A + µ B )(X) = µ A (X) + µ B (X) = AX + BX = (A + B)X = µ A+B (X), (λµ A )(X) = λ(µ A (X)) = λ(ax) = (λa)x = µ λa (X). Siano poi A k m,n, B k n,p e si considerino µ B : k p,1 k n,1, µ A : k n,1 k m,1. Allora per ogni X k p,1 risulta µ A µ B (X) = µ A (µ B (X)) = µ A (BX) = A(BX) = (AB)X = µ AB (X) : concludiamo che µ A µ B = µ AB. Esempio Con le notazioni dell Esempio , si può definire D n = D D n 1 : C (I) C (I). Più in generale se a 0,..., a n C (I)) allora P (D) = a 0 D n + a 1 D n a n 1 D + a n è R lineare. P (D) si dice operatore differenziale lineare d ordine n Immagine di un applicazione lineare. Ricordo che se ϕ: X Y è un applicazione fra due insiemi si definisce immagine di ϕ l insieme im(ϕ) = { y Y esiste x X tale che ϕ(x) = y }. Siano V e W spazi vettoriali su k = R, C e sia f: V W un applicazione k lineare. Dall Osservazione i) segue che 0 W im(f). Inoltre se w, w, w im(f) ed α k allora esistono v, v, v V tali che f(v) = w, f(v ) = w, f(v ) = w. Segue allora che w + w = f(v ) + f(v ) = f(v + v ) im(f), αw = αf(v) = f(αv) im(f). Quanto osservato dimostra l affermazione i) della Proposizione Siano V e W spazi vettoriali su k = R, C. Se f: V W è un applicazione k lineare. allora: i) im(f) è un sottospazio di W ; ii) Se w im(f) e v 0 V è tale che f(v 0 ) = w allora f 1 (w) = { v V f(v) = w } = { v 0 +v v f 1 (0 W ) } = { v 0 }+f 1 (0 W ); iii) se V = L(v 1,..., v n ) allora im(f) = L(f(v 1 ),..., f(v n )) (quindi se V è finitamente generato, tale è im(f)).
6 IMMAGINE DI UN APPLICAZIONE LINEARE Dimostrazione. Dimostriamo ii). Sia v f 1 (w). Allora f(v v 0 ) = f(v) f(v 0 ) = w w = 0 W, quindi esiste v f 1 (0 W ) tale che v = v 0 + v, dunque f 1 (w) { v 0 } + f 1 (0 W ). Viceversa, se v f 1 (0 W ), risulta che f(v 0 + v ) = f(v 0 ) + f(v ) = w + 0 = w, dunque si ha anche { v 0 } + f 1 (0 W ) f 1 (w). Concludiamo che f 1 (w) = { v 0 } + f 1 (0 W ) Dimostriamo iii). Sia V = L(v 1,..., v n ): se v = n α iv i V allora f(v) = f( α i v i ) = α i f(v i ) L(f(v 1 ),..., f(v n )), dunque im(f) L(f(v 1 ),..., f(v n )). Viceversa se w L(f(v 1 ),..., f(v n )) allora w = α i f(v i ) = f( α i v i ) im(f), dunque si ha anche L(f(v 1 ),..., f(v n )) im(f). Concludiamo che im(f) = L(f(v 1 ),..., f(v n )). In particolare se U V è un sottospazio vettoriale allora tale è f(u): infatti f(u) = im(f U ). Più interessante è osservare che la controimmagine di 0 W riveste un ruolo fondamentale per le applicazioni k lineari: l affermazione ii) della Proposizione ci dice che le controimmagini f 1 (w) tramite f dei vettori w im(f) si ottengono tutte da quella f 1 (0 W ) di 0 W per traslazione di una controimmagine particolare. Per questo motivo f 1 (0 W ) merita un nome particolare. Definizione Siano V e W spazi vettoriali su k = R, C. Se f: V W è k lineare si definisce nucleo di f l insieme ker(f) = f 1 (0 W ) = { v V f(v) = 0 }.
LEZIONE 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
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
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
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,
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
DettagliLEZIONE 16. Proposizione 16.1.2. Siano V e W spazi vettoriali su k = R, C. Se f: V W
LEZIONE 16 16.1. Applicazioni lineari iniettive e suriettive. Ricordo le seguenti due definizioni valide per applicazioni di qualsiasi tipo ϕ: X Y fra due insiemi. L applicazione ϕ si dice iniettiva se
Dettaglii) la somma e il prodotto godano delle proprietà associativa, commutativa e distributiva;
1 Spazi vettoriali 11 Definizioni ed assiomi Definizione 11 Un campo è un insieme K dotato di una operazione somma K K K, (x, y) x + y e di una operazione prodotto K K K, (x, y) xy tali che i) la somma
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
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,
DettagliElementi di Algebra Lineare Applicazioni lineari
Elementi di Algebra Lineare Applicazioni lineari Cristina Turrini UNIMI - 2015/2016 Cristina Turrini (UNIMI - 2015/2016) Elementi di Algebra Lineare 1 / 18 index Applicazioni lineari 1 Applicazioni lineari
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
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)
DettagliDefinizione 1 Una applicazione f : V W, con V, W spazi vettoriali sul campo K si dice lineare se conserva le combinazioni lineari:
Applicazioni lineari Definizione Una applicazione f : V W, con V, W spazi vettoriali sul campo K si dice lineare se conserva le combinazioni lineari: f(αv + βv 2 ) = αf(v ) + βf(v 2 ) v, v 2 V, α, β K.
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
DettagliElementi di Algebra Lineare Spazi Vettoriali
Elementi di Algebra Lineare Spazi Vettoriali Antonio Lanteri e Cristina Turrini UNIMI - 2015/2016 Antonio Lanteri e Cristina Turrini (UNIMI - 2015/2016) Elementi di Algebra Lineare 1 / 37 index Spazi vettoriali
DettagliLEZIONE 13. Figura 13.1
LEZIONE 3 Ritorniamo al nostro rettangolo R di vertici A = (, ), B = (, ), C = (, 3), D = (, 3) a partire dal segmento OU unitario di estremi l origine O ed il punto U = (, ). y D C R A B O Figura 3. Tra
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
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI Esercizi Esercizio 1. Sia f: R 3 R 2 (x, y, z) (x + 2y + z, y + z). (1) Verificare che f è lineare. (2) Determinare una base di ker(f) e stabilire se f è iniettiva. (3) Calcolare w
DettagliSapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A ESERCIZI DA CONSEGNARE prof.
Sapienza Università di Roma Corso di laurea in Ingegneria Energetica Geometria A.A. 2015-2016 ESERCIZI DA CONSEGNARE prof. Cigliola Consegna per Martedì 6 Ottobre Esercizio 1. Una matrice quadrata A si
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
DettagliLEZIONE 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
DettagliFondamenti di ALGEBRA LINEARE E GEOMETRIA
Fondamenti di ALGEBRA LINEARE E GEOMETRIA Corso di laurea in Ingegneria Gestionale 2011-2012 Michel Lavrauw Dipartimento di Tecnica e Gestione dei Sistemi Industriali Università di Padova Lezione 15 Capitolo
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)
DettagliCorso di Geometria Lezione II: Spazi vettoriali
.. Corso di Geometria Lezione II: Spazi vettoriali F. Baldassarri 8 ottobre 2013 Definizione di spazio vettoriale Uno spazio vettoriale su un campo C (ad es. Q,R,C,{0, 1}) è un insieme V dotato di due
DettagliNOTE DI ALGEBRA LINEARE v = a 1 v a n v n, w = b 1 v b n v n
NOTE DI ALGEBRA LINEARE 2- MM 9 NOVEMBRE 2 Combinazioni lineari e generatori Sia K un campo e V uno spazio vettoriale su K Siano v,, v n vettori in V Definizione Un vettore v V si dice combinazione lineare
Dettagli1 Trasformazioni lineari 1. 2 Matrici 6. 3 Immagine e nucleo di una trasformazione lineare Inversione di una trasformazione lineare 14
TRASFORMAZIONI LINEARI Trasformazioni lineari e matrici Indice Trasformazioni lineari 2 Matrici 6 3 Immagine e nucleo di una trasformazione lineare 2 4 Inversione di una trasformazione lineare 4 5 Soluzioni
DettagliNozioni di algebra multilineare
Capitolo 2 Nozioni di algebra multilineare Siano V e W spazi vettoriali di dimensione finita su un campo K (K = R, C). Sia L(V, W ) lo spazio vettoriale, di dimensione infinita, avente come base gli elementi
DettagliEsercizi di GEOMETRIA I - Algebra Lineare B = , calcolare A A t A + I
Esercizi di GEOMETRIA I - Algebra Lineare. Tra le seguenti matrici, eseguire tutti i prodotti possibili: 2 ( ) A = 0 3 4 B = 2 0 0 2 D = ( 0 ) E = ( ) 4 4 2 C = 2 0 5 F = 4 2 6 2. Data la matrice A = 0
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
DettagliLEZIONE 17. B : kn k m.
LEZIONE 17 17.1. Isomorfismi tra spazi vettoriali finitamente generati. Applichiamo quanto visto nella lezione precedente ad isomorfismi fra spazi vettoriali di dimensione finita. Proposizione 17.1.1.
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
DettagliSimilitudine (ortogonale) e congruenza (ortogonale) di matrici.
Lezione del 4 giugno. Il riferimento principale di questa lezione e costituito da parti di: 2 Forme bilineari, quadratiche e matrici simmetriche associate, 3 Congruenza di matrici simmetriche, 5 Forme
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI Esercizi Esercizio Date le seguenti applicazioni lineari f : R 2 R 3 definita da fx y = x 2y x + y x + y; 2 g : R 3 R 2 definita da gx y z = x + y x y; 3 h : Rx] 2 R 2 definita da
DettagliRette e piani nello spazio Federico Lastaria, Analisi e Geometria 1. Politecnico di Milano Corso di Analisi e Geometria 1
ette e piani nello spazio Federico Lastaria, Analisi e Geometria 1 Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it ette e piani nello spazio. 9 Gennaio
DettagliOPERAZIONI SU SPAZI DI HILBERT. Nel seguito introdurremo i concetti di prodotto diretto e somma diretta di due spazi di Hilbert.
2/7 OPERAZIONI SU SPAZI DI HILBERT 11/12 1 OPERAZIONI SU SPAZI DI HILBERT Dati due spazi di Hilbert H (1) e H (2) si possono definire su di essi operazioni il cui risultato è un nuovo spazio di Hilbert
DettagliLEZIONE i i 3
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
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.
DettagliCapitolo IV SPAZI VETTORIALI EUCLIDEI
Capitolo IV SPAZI VETTORIALI EUCLIDEI È ben noto che in VO 3 si possono considerare strutture più ricche di quella di spazio vettoriale; si pensi in particolare all operazioni di prodotto scalare di vettori.
DettagliGruppi, spazi e sottospazi vettoriali
CAPITOLO 3 Gruppi, spazi e sottospazi vettoriali Esercizio 3.1. Dimostrare che l insieme { a G = b forma un gruppo rispetto al prodotto tra matrici. a,b R, a,b Esercizio 3.2. Sia R[x] l insieme dei polinomi
DettagliEsercizi Applicazioni Lineari
Esercizi Applicazioni Lineari (1) Sia f : R 4 R 2 l applicazione lineare definita dalla legge f(x, y, z, t) = (x + y + z, y + z + t). (a) Determinare il nucleo di f, l immagine di f, una loro base e le
DettagliESERCIZI DI ALGEBRA LINEARE E COMPLEMENTI DI GEOMETRIA
ESERCIZI DI ALGEBRA LINEARE E COMPLEMENTI DI GEOMETRIA Foglio 4 Esempio. Sia V = P 5 (R) lo spazio dei polinomi di grado strettamente minore di 5. Si considerino i seguenti sottoinsiemi di V (i) Dimostrare
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
DettagliFUNZIONI. }, oppure la
FUNZIONI 1. Definizioni e prime proprietà Il concetto di funzione è di uso comune per esprimere la seguente situazione: due grandezze variano l una al variare dell altra secondo una certa legge. Ad esempio,
DettagliProdotto scalare e norma
Capitolo 7 Prodotto scalare e norma Riprendiamo ora lo studio dei vettori da un punto di vista più geometrico. È noto, per esempio dalla Fisica, che spesso è comodo visualizzare un vettore del piano o
Dettagli(2) Dato il vettore w = (1, 1, 1), calcolare T (w). (3) Determinare la matrice A associata a T rispetto alla base canonica.
1. Applicazioni lineari Esercizio 1.1. Sia T : R 2 R 3 l applicazione lineare definita sulla base canonica di R 2 nel seguente modo: T (e 1 ) = (1, 2, 1), T (e 2 ) = (1, 0, 1). a) Esplicitare T (x, y).
DettagliNORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +
NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:
Dettagli2.1 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(P x) (P y) = x P t (P y) = x (P t P )y = x y.
Matrici ortogonali Se P è una matrice reale n n, allora (P x) y x (P t y) per ogni x,y R n (colonne) Dim (P x) y (P x) t y (x t P t )y x t (P t y) x (P t y), CVD Ulteriori caratterizzazioni delle matrici
DettagliLe matrici. Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1.
Le matrici Sia K un campo con elemento neutro dell addizione 0 ed elemento neutro della moltiplicazione 1. Siano m, n N\{0}. Una matrice m n a coefficienti in K è una tabella di m n elementi di K disposti
Dettagli2 Sistemi lineari. Metodo di riduzione a scala.
Sistemi lineari. Metodo di riduzione a scala. Esercizio.1 Utilizzando il metodo di eliminazione di Gauss, risolvere i seguenti sistemi lineari: 1. 3. x 1 x + 3x 3 = 1 x 1 x x 3 = x 1 + x + 3x 3 = 5 x 1
DettagliLEZIONE 9. k, tenendo conto delle formule che permettono di calcolare il prodotto scalare ed il prodotto vettoriale, otteniamo
LEZIONE 9 9.1. Prodotto misto. Siano dati i tre vettori geometrici u, v, w V 3 (O) definiamo prodotto misto di u, v e w il numero u, v w. Fissiamo un sistema di riferimento O ı j k in S 3. Se u = u x ı
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
DettagliCAPITOLO IV RISOLUZIONE DEI SISTEMI LINEARI COL METODO DEI DETERMINANTI
CAPITOLO IV RISOLUZIONE DEI SISTEMI LINEARI COL METODO DEI DETERMINANTI 1. REGOLA DI CRAMER Sia S un sistema lineare di n ( 2) equazioni in n incognite su un campo K : a 11 x 1 + a 12 x 2 + + a 1n x n
DettagliI VERIFICA DI GEOMETRIA 1 CORSO DI LAUREA IN MATEMATICA - 4 DICEMBRE 2007
A I VERIFICA DI GEOMETRIA 1 CORSO DI LAUREA IN MATEMATICA - 4 DICEMBRE 2007 ESERCIZIO 1. Si consideri il seguente sistema di equazioni lineari x + y + 2z = 1 2x + ky + 4z = h 2x 2y + kz = 0 (a) Determinare,
DettagliIl teorema di Stone Weierstrass
APPENDICE B Il teorema di Stone Weierstrass Definizione B.1. Siano X un insieme non vuoto e A un sottospazio vettoriale dello spazio delle funzioni a valori reali (risp. complessi) su X. Si dice che A
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
DettagliLAUREA IN INGEGNERIA MECCANICA Corso di Matematica 2 I a prova parziale Padova Docenti: Cantarini Fiorot TEMA n.1
LAUREA IN INGEGNERIA MECCANICA Corso di Matematica 2 I a prova parziale Padova 15-02-08 Docenti: Cantarini Fiorot TEMA n.1 PARTE 1. Quesiti preliminari Stabilire se le seguenti affermazioni sono vere o
DettagliParte 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
DettagliApplicazioni Lineari. Nota Bene: Questo materiale non deve essere considerato come sostituto delle lezioni.
Politecnico di Torino. Applicazioni Lineari. Nota Bene: Questo materiale non deve essere considerato come sostituto delle lezioni. Argomenti: Basi e coordinate. Applicazioni lineari. Matrici come applicazioni
DettagliSpazi Vettoriali ed Applicazioni Lineari
Spazi Vettoriali ed Applicazioni Lineari 1. Sottospazi Definizione. Sia V uno spazio vettoriale sul corpo C. Un sottoinsieme non vuoto W di V è un sottospazio vettoriale di V se è chiuso rispetto alla
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.
DettagliESERCIZI DI ALGEBRA LINEARE. Vincenzo Di Gennaro
ESERCIZI DI ALGEBRA LINEARE Vincenzo Di Gennaro Sono raccolti, in ordine cronologico, gli esercizi di Algebra Lineare proposti nelle prove scritte per i vari corsi di Geometria che ho tenuto presso la
Dettaglif(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,
DettagliEsercitazioni di Algebra e Geometria
Esercitazioni di Algebra e Geometria Anno Accademico 2010 2011 Dott.ssa Elisa Pelizzari e-mail elisa.peli@libero.it Esercitazioni: lunedì 14.30 16.30 venerdì 14.30 16.30 Ricevimento studenti: venerdì 13.30
DettagliESERCIZI DI MATEMATICA DISCRETA ANNO 2006/2007
ESERCIZI DI MATEMATICA DISCRETA ANNO 6/7 //7 () Ridurre la seguente matrice ad una a scala ridotta utilizzando il metodo di Gauss-Jordan. Soluzione. () Determinare quante e quali sono le matrici a scala
DettagliEsercizi per il corso di Algebra e Geometria L.
Esercizi per il corso di Algebra e Geometria L AA 2006/2007 1 Foglio 1 In tutti gli esercizi che seguiranno lo spazio ambiente sarà il piano cartesiano a valori nel campo dei numeri reali, dove supporremo
Dettagli1 Volume di parallelepipedi e determinanti
1 Volume di parallelepipedi e determinanti Dimostriamo la seguente relazione fondamentale tra volumi e determinanti. Lemma 1 Sia T una matrice reale (n n) e sia K 1 := [0, 1] n. Allora dove mis denota
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
DettagliLEZIONE 8. Figura 8.1.1
LEZIONE 8 8.1. Equazioni parametriche di rette. In questo paragrafo iniziamo ad applicare quanto spiegato sui vettori geometrici per dare una descrizione delle rette nel piano e nello spazio. Sia r S 3
DettagliM.P. Cavaliere ELEMENTI DI MATEMATICA E LOGICA MATEMATICA DISCRETA STRUTTURE ALGEBRICHE
M.P. Cavaliere ELEMENTI DI MATEMATICA E LOGICA MATEMATICA DISCRETA STRUTTURE ALGEBRICHE Operazioni in un insieme Sia A un insieme non vuoto; una funzione f : A A A si dice operazione binaria (o semplicemente
DettagliOperatori antisimmetrici
Operatori antisimmetrici F. Pugliese November 9, 2011 Abstract In questa breve nota ricordiamo le principali proprietà degli endomorfismi antisimmetrici di uno spazio vettoriale euclideo. Nel caso di spazi
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
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
DettagliCapitolo XI GEOMETRIA LINEARE AFFINE EUCLIDEA
Capitolo XI GEOMETRIA LINEARE AFFINE EUCLIDEA 1. Spazi affini euclidei Se, in luogo dello spazio affine costruito a partire dallo spazio vettoriale R n, si considera quello associato allo spazio euclideo
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,
Dettagli1. Funzioni implicite
1. Funzioni implicite 1.1 Il caso scalare Sia X R 2 e sia f : X R. Una funzione y : (a, b) R si dice definita implicitamente dall equazione f(x, y) = 0 in (a, b) quando: 1. (x, y(x)) X x (a, b); 2. f(x,
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 Rette e piani in R 3
POLITECNICO DI MILANO. FACOLTÀ DI INGEGNERIA INDUSTRIALE. Analisi e Geometria 1. Sez. D - G. Docenti: Federico G. Lastaria, Mauro Saita, Nadir Zanchetta,. 1 1 Rette e piani in R 3 Una retta parametrizzata
DettagliESERCIZI DI ALGEBRA LINEARE (D) A = A = A = R 2,2. D5 Dire come bisogna scegliere i parametri h e k affinché la
ESERCIZI DI ALGEBRA LINEARE (D) D1 Nello spazio vettoriale R 2,2 si consideri l insieme { V = X R 2,2 XA = AX, A = ( 1 1 1 2 )} delle matrici che commutano con A. Verifiare che V = L(I 2, A). Verificare
DettagliEsercizi di Algebra Commutativa Moduli 1 Tracce delle soluzioni
Esercizi di Algebra Commutativa Moduli 1 Tracce delle soluzioni 1. Sia A un anello A 0. Provare che: A n A m m = n. Soluzione. Sia m A un ideale massimale. Sia m m = ma m e m n = ma n. Se ϕ : A m A n e
DettagliTEORIA DEI SISTEMI SISTEMI LINEARI
TEORIA DEI SISTEMI Laurea Specialistica in Ingegneria Meccatronica Laurea Specialistica in Ingegneria Gestionale Indirizzo Gestione Industriale TEORIA DEI SISTEMI SISTEMI LINEARI Ing. Cristian Secchi Tel.
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
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
DettagliLEZIONE 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,
DettagliLEZIONE 11. Domanda 1. Quale metodo applica il programma per inserire l oggetto scelto con i dati di inserimento scelti?
LEZINE Nella preparazione delle dispense riguardanti la geometria piana e spaziale ho dovuto inserire dei disegni che illustrassero in qualche modo i concetti geometrici esposti nel testo. iò ha presentato
DettagliSistemi lineari e spazi vettoriali 1 / 14
Sistemi lineari e spazi vettoriali 1 / 14 Sistemi lineari 2 / 14 Studieremo sistemi lineari costituiti da m equazioni in n incognite (m,n N, m,n 1): cioè a 11 x 1 + +a 1n x n = b 1 a 21 x 1 + +a 2n x n
DettagliForme bilineari simmetriche
Forme bilineari simmetriche Qui il campo dei coefficienti è sempre R Definizione 1 Sia V uno spazio vettoriale Una forma bilineare su V è una funzione b: V V R tale che v 1, v 2, v 3 V b(v 1 + v 2, v 3
DettagliNote di geometria analitica nel piano
Note di geometria analitica nel piano e-mail: maurosaita@tiscalinet.it Versione provvisoria. Novembre 2015. 1 Indice 1 Punti e vettori spiccati dall origine 3 1.1 Coordinate......................................
DettagliTopologia, continuità, limiti in R n
Topologia, continuità, limiti in R n Ultimo aggiornamento: 18 febbraio 2017 1. Preliminari Prima di iniziare lo studio delle funzioni di più variabili, in generale funzioni di k variabili e a valori in
DettagliMassimo limite e minimo limite di una funzione
Massimo limite e minimo limite di una funzione Sia f : A R una funzione, e sia p DA). Per ogni r > 0, l insieme ) E f p r) = { fx) x A I r p) \ {p} } è non vuoto; inoltre E f p r ) E f p r ) se 0 < r r.
Dettagli8. Completamento di uno spazio di misura.
8. Completamento di uno spazio di misura. 8.1. Spazi di misura. Spazi di misura completi. Definizione 8.1.1. (Spazio misurabile). Si chiama spazio misurabile ogni coppia ordinata (Ω, A), dove Ω è un insieme
DettagliAutovalori ed autovettori di una matrice
Autovalori ed autovettori di una matrice Lucia Gastaldi DICATAM http://www.ing.unibs.it/gastaldi/ Indice 1 Definizioni di autovalori ed autovettori Autovalori ed autovettori 2 Metodo delle potenze 3 Calcolo
Dettagli0.1 Spazi Euclidei in generale
0.1. SPAZI EUCLIDEI IN GENERALE 1 0.1 Spazi Euclidei in generale Sia V uno spazio vettoriale definito su R. Diremo, estendendo una definizione data in precedenza, che V è uno spazio vettoriale euclideo
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA
Cognome Nome Matricola FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA Ciarellotto, Esposito, Garuti Prova del 21 settembre 2013 Dire se è vero o falso (giustificare le risposte. Bisogna necessariamente rispondere
DettagliEsercitazioni di geometria /2009 (Damiani) Il polinomio minimo. I) Definizione del polinomio minimo.
Esercitazioni di geometria 2-2008/2009 (Damiani) Il polinomio minimo I) Definizione del polinomio minimo. Siano k un campo, A un anello (associativo) unitario, k Z(A) A un omomorfismo di anelli unitari
DettagliNote del corso di Analisi Superiore 2
Note del corso di Analisi Superiore 2 Luca Rondi anno accademico 2017/2018 1 Teorema di convessità di Riesz Riferimento: Dunford e Schwartz, Linear Operators, Part I, Chapter VI.10 Definizione 1.1 Sia
Dettagli(1) Per ciascuno dei seguenti spazi dire se è o meno uno spazio vettoriale (spiegare)
1 Spazi vettoriali (1) Per ciascuno dei seguenti spazi dire se è o meno uno spazio vettoriale (spiegare) (a) R 5 (b) [0, ) (c) x R 2 : x 1 + 2x 2 = 0} (d) x R 2 : x 2 1 + 2x 2 = 0} (e) x R 2 : x 1 > x
DettagliSpazi Vettoriali e Applicazioni lineari.
Spazi Vettoriali e Applicazioni lineari Appunti dalle lezioni di Geometria - Corso di laurea in Fisica Giorgio PATRIZIO - AA 2006/07 1 Spazi vettoriali: definizioni e esempi Denoteremo con K il campo dei
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
Dettagli