Francesca Mazzia
Dipartimento Interuniversitario di Matematica Universit`a di Bari
3. Elementi di Algebra Lineare.
Sistemi lineari Sia A ∈ IR
m×n, x ∈ IR
ndi n
Ax = b ` e un vettore di m componenti.
a
1,1x
1+ a
1,2x
2+ . . . + a
1,nx
n= b
1a
2,1x
1+ a
2,2x
2+ . . . + a
2,nx
n= b
2. . .
. . .
a
m,1x
1+ a
m,2x
2+ . . . + a
m,nx
n= b
mNumero di operazioni per calcolare b:
mn moltiplicazioni m(n − 1) addizioni.
Le matrici trasformano un vettore x di di-
mensione n in un vettore di dimensione m,
cio` e rappresentano delle trasformazioni tra
due spazi.
Posso rappresentare una matrice utilizzando le sue colonne:
A = (a
1, a
2, . . . , a
n)
Il prodotto Ax = b pu` o anche scriversi:
x
1a
1+ x
2a
2+ . . . + x
na
n= b
cio` e il vettore b si ottiene come combinazione lineare dei vettori colonna della matrice A.
Non ` e sempre vero che fissato un vettore b di dimensione m, si possa sempre trovare un vettore x per cui Ax = b sia soddisfatta.
E questo il problema della soluzione di sistemi `
lineari.
Partizionamento
Il partizionamento ` e una decomposizione del- la matrice in sottomatrici.
Esempio
a
11a
12a
13a
14a
15a
16a
17a
21a
22a
23a
24a
25a
26a
27a
31a
32a
33a
34a
35a
36a
37a
41a
42a
43a
44a
45a
46a
47a
51a
52a
53a
54a
55a
56a
57
Possiamo scrivere
A = A
11A
12A
13A
21A
22A
23!
con
A
11= a
11a
12a
21a
22!
A
12= a
13a
14a
15a
23a
24a
25!
Se le partizioni sono compatibili possiamo trattare le sottomatrici come scalari nell’e- seguire le operazioni tra matrici.
Per esempio:
A
11A
12A
21A
22!
+ B
11B
12B
21B
22!
= A
11+ B
11A
12+ B
12A
21+ B
21A
22+ B
22!
A
11A
12A
21A
22!
B
11B
12B
21B
22!
=
A
11B
11+ A
12B
21A
11B
12+ A
12B
22A
21B
11+ A
22B
21A
21B
12+ A
22B
22!
Siano x e y ∈ IR
nse x
Ty = 0 i due vettori si dicono ortogonali.
x
Tx =
Pni=1x
2i, quindi x
Tx > 0.
Se x
Tx = 1, il vettore x si dice unitario.
Se a ∈ IR
me b ∈ IR
n, si ha:
W = ab
T=
a
1b
1a
1b
2. . . a
1b
na
2b
1a
2b
2. . . a
2b
n... ... . . . ...
a
mb
1a
mb
2. . . a
mb
n
.
La matrice W ` e una matrice di rango 1, cio` e
le sue colonne generano uno spazio di di-
mensione 1. Ogni matrice di rango uno pu` o
essere espressa nella forma ab
T. Le matrici
di rango uno non vengono mai memorizzate
esplicitamente, ma si utilizza sempre la loro
rappresentazione con i vettori a e b.
Come eseguiamo il prodotto W x ? c = W x = (ab
T)x = a(b
Tx) = (b
Tx)a b
Tx ` e uno scalare quindi
calcoliamo prima
µ = b
Tx e poi
c = µa Numero di operazioni:
2n moltiplicazioni
n − 1 addizioni.
Inversa di un matrice Sia A ∈ IR
n×n.
Se esiste una matrice A
−1∈ IR
n×ntale che
A
−1A = AA
−1= I
allora A
−1viene chiamata inversa della matrice A.
Se l’inversa esiste, essa ` e unica.
Infatti sia B tale che BA = AB = I, allora:
B = BI = BAA
−1= IA
−1= A
−1.
Vale la seguente propriet` a
(AB)
−1= B
−1A
−1infatti:
(AB)B
−1A
−1= A
−1B
−1BA = I.
Una matrice che non ammette l’inversa ` e detta singolare.
Se A ` e non singolare, lo ` e anche A
−1.
Infatti (A
−1)
−1= A.
• (A
T)
−1= (A
−1)
T.
• L’inversa di diag(d
1, d
2, . . ., d
n) ` e:
diag(d
−11, d
−12, . . ., d
−1n)
• L’inversa di una matrice triangolare supe- riore (inferiore) ` e una matrice dello stesso tipo.
• Il prodotto di matrici triangolari superiori
(inferiori) ` e una matrice dello stesso tipo.
Dipendenza lineare di vettori
Dati r vettori x
1, x
2, . . . , x
r, diversi dal vettore nullo,
se
α
1x
1+ α
2x
2+ . . . + α
rx
r= 0
con gli α
i6= 0, i vettori si dicono linearmente dipendenti.
Se
α
1x
1+ α
2x
2+ . . . + α
rx
r= 0
solo se α
i= 0 per i = 1, 2, . . . , r allora i
vettori x
i, i = 1, 2, . . . , r sono linearmente
indipendenti.
Se vi ` e un α
i6= 0, ve ne deve essere alme- no un altro, e alcuni dei vettori x
ipossono esprimersi come combinazione lineare degli altri.
Infatti se x
1, x
2, . . . , x
rsono l.d. con α
r6= 0 si ha:
x
r= − α
1α
rx
1− α
2α
rx
2− . . . − α
r−1α
rx
r−1.
Se i vettori x
isono l.i., un qualunque sot- toinsieme di essi ` e ancora l.i..
Un insieme di vettori tra loro ortogonali sono l.i..
Una base ` e l’insieme minimo di vettori l.i..
che generano un insieme dato.
La base canonica di IR
m` e costituita dai vet- tori
e
1, e
2, · · · , e
mcon elementi (e
i)
j= 0 per i 6= j e (e
i)
i= 1.
Dato un insieme di vettori
{x
1, x
2, . . . , x
n}, x
i∈ IR
msi dice rango dell’insieme il numero massi- mo di vettori linearmente indipendenti che ` e possibile estrarre dall’insieme.
Poich` e il massimo numero di vettori l.i. in tutto IR
m` e m, il rango di un insieme di vettori di IR
mnon pu` o superare m.
Data una matrice A, si dice rango della ma-
trice, e si indica con rank(A), il rango dell’in-
sieme dei suoi vettori colonna.
Consideriamo quindi le due matrici A ed
A = ˆ
a
1,1a
1,2. . . a
1,nb
1a
2,1a
2,2. . . a
2,nb
2... ... . . . ... ...
a
m,1a
m,2. . . a
m,nb
m
= (A, b)
detta matrice ampliata, avente in comune con A le prime n colonne, mentre l’ultima colonna ` e il vettore b.
Si ha il seguente Teorema, noto come teore- ma di Rouch´ e-Capelli:
Condizione necessaria e sufficiente affinch` e il
sistema Ax = b ammetta soluzioni ` e che il
rango di A e quello di ˆ A coincidano.
Se A ` e una matrice quadrata di ordine n allora le seguenti proposizioni sono equivalenti:
1. Per ogni vettore b ∈ IR
n, il sistema Ax = b ammette soluzione
2. Se una soluzione del sistema esiste essa
` e unica
3. Per ogni x ∈ IR
n, Ax = 0 implica x = 0
4. Le colonne (righe) di A sono linearmente indipendenti
5. La matrice A ` e invertibile
6. det(A) 6= 0
n
L’ultima relazione pu` o essere fuorviante, per- ch` e il determinante cambia scalando la ma- trice. Infatti
det(σA) = σ
ndet(A) Se n = 30 e det(A) = 1 allora
det(0.1A) = 10
−30Non ` e facile verificare al calcolatore quando questa quantit` a ` e veramente 0.
Il calcolo del determinante con la regola di Laplace richiede pi` u di n! moltiplicazioni,
n = 16
il nostro computer esegue una moltiplicazio- ne ogni 10
−10secondi
tempo di calcolo : 16!*1e-10/60 ≈ 35 minuti
Propriet` a del determinante
1) Se A ` e una matrice triangolare (superiore od inferiore), allora det(A) ` e uguale al prodotto degli elementi sulla diagonale.
2) Se A e B sono due matrici dell’insieme, allora:
det(AB) = det(A)det(B).
3) det(P
r,s) = −1.
Autovalori ed autovettori
Data una matrice quadrata A ∈ IR
n×n, un numero complesso λ si dice autovalore di A se esiste un vettore u 6= 0 a componenti reali o complessi tale che:
Au = λu, o
(A − λI)u = 0,
u si dice autovettore di A ed ` e soluzione non nulla di un sistema lineare omogeneo.
Tale soluzione esiste se det(A − λI) = 0. Si dimostra che det(A − λI) = p(λ) ` e un polino- mio di grado n in λ che ha n radici nel campo complesso (polinomio caratteristico).
Si dice raggio spettrale della matrice A, e lo
si indica con ρ(A), il massimo modulo degli
autovalori di A.
Se u ` e un autovettore di A, anche αu, con α 6= 0 ` e autovettore di A.
Gli autovettori unitari o normalizzati sono tali che u
Tu = 1.
A = 1 2 2 1
!
autovalori di A: λ
1= 3 e λ
2= −1, autovet- tori:
u
1= 1 1
!
e u
2= −1
1
!
autovettori normalizzati di A:
u
1= 1
√ 2
1 1
!
e u
2= 1
√ 2
−1 1
!
.
Matrici simmetriche.
1) Gli autovalori sono reali u: vettore con elementi i complessi coniugati deglie ele- menti di u
Au = λu.
u
TA = λu
Tu
TAu − u
TAu = λu
Tu − λu
Tu = (λ − λ)u
Tu (¯ u
T(Au))
T= (Au)
Tu = u ¯
TA
Tu = u ¯
TA¯ u quindi (λ − λ) = 0
2) Gli autovettori corrispondenti ad autova- lori distinti sono ortogonali
siano λ e µ due autovalori distinti e u e v i corrispondenti autovettori, si ha:
Au = λu, Av = µv da cui:
0 = v
TAu − u
TAv = (λ − µ)u
Tv.
3) Esistono n autovettori unitari ortogonali tra loro.
Siano u
1, u
2, . . . , u
nautovettori unitari e sia U = (u
1, u
2, · · · u
n)
U
TU =
u
T1u
1u
T1u
2. . . u
T1u
nu
T2u
1u
T2u
2. . . u
T2u
n... ... . . . ...
u
Tnu
1u
Tnu
2. . . u
Tnu
n
= I = U U
T,
infatti:
u
Tiu
j=
(
0 per i 6= j 1 per i = j . La matrice U si dice ortogonale.
Se λ
1, λ
2, . . . , λ
ngli autovalori si A associati a u
1, u
2, . . . , u
ne Λ = diag(λ
1, λ
2, . . . , λ
n), si ha:
AU = U Λ
Si dice forma quadratica di una matrice sim- metrica l’espressione x
TAx con x ∈ IR
n.
Una matrice simmetrica A si dice:
definita positiva se x
TAx > 0 per x 6= 0, semidefinita positiva x
TAx ≥ 0 per x 6= 0
Una matrice simmetrica A ` e definita positiva se e solo se gli autovalori sono tutti positivi.
x
TAx = x
TU U
TAU U
Tx = y
TΛy =
n X i=1
λ
iy
i2, con y = U
Tx
Se A ` e una matrice ad elementi complessi, A
` e la matrice con elementi i complessi coniu- gati degli elementi di A. La matrice A si dice hermitiana se A
T= A.
Trasposta coniugata : A
T= A
HLe matrici U per cui U
HU = U U
H= I si dicono matrici unitarie.
Se λ ` e un autovalore di A, λ
2` e un autovalore
di A
2ed in genere λ
r` e un autovalore di A
rper r > 0.
Norme vettoriali
Sia x ∈ IR
n, si chiama norma di x, e si in- dica con kxk, un numero non negativo che soddisfa le seguenti condizioni:
N1) se x ` e il vettore nullo, kxk = 0 e vice- versa;
N2) se λ ` e uno scalare, kλxk = |λ|kxk;
N3) se x ed y sono due vettori, kx + yk ≤ kxk + kyk (disuguaglianza triangolare)
Dalla N3) segue che:
kx − yk ≥ | kxk − kyk |
Disuguaglianza di Cauchy-Schwartz:
Sia x = (x
1, x
2, . . . , x
n)
TNorma ∞
kxk
∞= max
1≤i≤n
|x
i|.
Norma 1.
kxk
1=
n X i=1
|x
i|
Norma 2.
kxk
2= (x
Tx)
1/2.
Norme matriciali
Sia A ∈ IR
m×n, si chiama norma di A, e si indica con kAk, un numero non negativo che soddisfa le seguenti condizioni:
M1) kAk = 0 se e solo se A ` e la matrice nulla;
M2) Se λ ` e uno scalare allora kλAk = |λ|kAk;
M3) Se B ` e una matrice avente le stesse dimensioni di A allora:
kA + Bk ≤ kAk + kBk;
M4) Se B ` e una matrice il cui numero di
righe ` e uguale al numero di colonne di A,
Norma matriciale indotta da una norma vet- toriale
kAk = max
kxk=1
kAxk
Una norma matriciale ` e compatibile con una norma su vettori se dato y ∈ IR
n,
kAyk ≤ kAkkyk.
Le norme matriciali indotte sono compatibili
con le norme vettoriali.
Norma ∞
kAk
∞= max
n X j=1
|a
i,j|.
Norma 1
kAk
1= max
m X i=1
|a
i,j|.
Norma 2
kAk
2=
q