x n i sima pos. x, y = x T y = x i y i R. i=1
|
|
- Lucio Carletti
- 6 anni fa
- Visualizzazioni
Transcript
1 1 Elementi di Algebra Lineare In questo capitolo introduttivo al corso di Calcolo Numerico per la laurea triennale in Informatica, saranno presentate una serie di definizioni e proprietà di matrici e dei vettori e le notazioni che verranno utilizzate nel corso 2 I vettori Vettore riga x R 1 n, x = [x 1, x 2,, x n ]; x 1 x 2 Vettore colonna x R n 1, x = Vettore nullo o = [0, 0,, 0] T x n i sima pos Vettori della base canonica e i = [0, 0,, 1,, 0, 0] T Siano x, y R n, si definisce il prodotto scalare tra i vettori x e y: ; x, y = x T y = x i y i R Il prodotto scalare tra vettore soddisfa le seguenti proprietà: assegnati i vettori x, y, z R n e α R risulta che x, x = (x T x) = 0 se e solo se x = 0 x T y = y T x x T (αy) = αx T y x T (y + z) = x T y + x T z i=1 Due vettori x, y R n si dicono ortogonali se x T y = 0; n vettori non nulli x i, i = 1,, n si dicono ortogonali se x T i x j = 0, n vettori non nulli x i, i = 1,, n si dicono ortonormali se i j x T i x j = δ ij, essendo δ ij il delta di Kronecker, cioè δ ij = 1 i = j 0 i j Assegnati n vettori non nulli x i R n, i = 1,, n, questi si dicono linearmente indipendenti (li) se n i=1 α ix i = 0 α i = 0 i Se n vettori non nulli x i R n, i = 1,, n, essi costituisco una base di R n se essi risultano li ed inoltre costituisco un sistema di generatori dell intero spazio, cioè ogni vettore y R n si può scrivere come una combinazione lineare: y = α i x i i=1 1
2 Fra le diverse basi di R n richiamiamo la base canonica formata dai vettori e 1, e 2,, e n R n, ove ciascun e i del tipo 0 0 e i = 1 i sima componente 0 0 In R n sono particolarmente importanti le basi ortonormali Il seguente algoritmo, noto come Metodo di Gram-Schmith, ci permette di costruire una base ortonormale a partire da n vettori x i assegnati Siano x 1, x 2,, x n C n n vettori linearmente indipendenti Allora i vettori y 1, y 2,, y n cosi costruiti t 1 = x 1, y 1 = t 1 / t H 1 t 1 i 1 t i = x i (yj H x i )y j, y i = t i / t H i t i i = 2,, n j=1 sono ortonormali Dimostrazione Osserviamo che i vettori y i sopra definiti hanno tutti lunghezza uguale ad 1 quindi l unico punto da dimostrare è l ortogonalità La dimostrazione procede per induzione Per k = 2 calcoliamo t H 2 y 1 = ( x 2 (y H 1 x 2 )y 1 ) H y1 = ( ) x H 2 (y1 H x 2 )y1 H y1 = quindi x H 2 y 1 (y H 1 x 2 )y H 1 y 1 = 0 y H 2 y 1 = th 2 y 1 t H 2 t 2 = 0 Supponiamo l asserto vero per k 1 vettori e proviamolo per il k-esimo Per ipotesi allora yi Hy i = 0, per i, j = 1,, k 1, i j Calcoliamo k 1 t H k y i = x k (yj H x k )y j = x H k j=1 k 1 j=1 H y i (yj H x k )yj H y i k 1 = x H k y i (yj H x k )yj H y i = j=1 = x H k y i (x H k y i)y H i y i = 0 2
3 quindi y H k y i = 0 3 Le matrici Una matrice A è una tabella di numeri reali (o complessi) con n righe ed m colonne che viene generalmente denotata A = (a ij ) = (a ij ) i=1,,n,j=1,,m, ove il primo indice i individua la posizione di un elemento sulla riga, ed il secondo indice j stabilisce la posizione dell elemento sulla colonna (i è comunemente chiamato indice di riga e j indice di colonna): A = col2 colj a 12 a 1j a 21 a 22 a 23 a 2j a 2m a 31 a 32 a 33 a 34 a 3j a 3m a i1 a i2 a i,j 1 a ij a i,j+1 a im col 1 a 11 colm a 1m a n1 a n2 a nj a mn riga 1 riga 2 riga 3 riga i riga n Una matrice A si dice quadrata quando il numero n delle righe coincide con il numero m delle colonne, rettangolare altrimenti Speciali esempi di matrici sono la matrice nulla O R n m avente elementi tutti uguali a zero; una matrice A R n n seguente proprietá si dice triangolare superiore se i suoi elementi soddisfano la a i,j = 0 per i > j; una matrice A R n n si dice triangolare inferiore se i suoi elementi soddisfano la seguente proprietá a i,j = 0 per i < j; una matrice A R n n si dice diagonale se: a i,j = 0, per i j; Di seguito sono riportati alcuni esempi di matrici triangolari e diagonali Ecco come si presenta un a generica matrice triangolare inferiore a a 21 a 22 0 A = a 31 a 32 a 33 0 a n1 a n2 a n 1,n a nn Un esempio di matrice triangolare inferiore A R 4 4 è A =
4 Ecco come si presenta una generica matrice triangolare superiore: a 11 a 12 a 1n 0 a 22 a 2n A = 0 0 a 33 a 3n a nn Un esempio di matrice A R 3 3 triangolare superiore è A = Una generica matrice diagonale è data da a a 22 0 A = 0 0 a a nn Una particolare matrice diagonale è la matrice identica (anche detta matrice identità) di ordine n), definita come segue: I = DEF: Una matrice si dice triangolare superiore (risp inferiore) in senso stretto se è triangolare superiore (rispettivamente inferiore) ed i suoi elementi diagonali sono nulli (cioè a ij = 0 per i j (rispettivamente i j)) DEF: Data una matrice A R n m, si dice matrice trasposta della matrice A e si indica con A T, la matrice B = A T di elementi b ij = a ji Di seguito è illustrato un esempio di matrice 4 2 e la sua trasposta (che risulta una matrice 2 4): A = A T = ( DEF: Una matrice A R n n si dice simmetrica se A = A T Ecco un esempio di matrice simmetrica: DEF: Una matrice A R n n si dice anti-simmetrica se A T = A Ecco un esempio di matrice anti-simmetrica: ) 4
5 DEF: Data una matrice A C n m di numeri complessi a ij C a ij = x + iy, x, y R, i = 1 si dice matrice trasposta complessa coniugata della matrice A e si indica con A H, la matrice avente quali elementi: essendo a ji = x iy B = A H = (b ij ) = (a ji ), i = 1,, n, j = 1,, m DEF: Una matrice A C n n si dice Hermitiana se A H = A Un esempio di matrice Hermitiana è dato dalla seguente matrice 3 3: 0 2 i i i 1 + 4i 6 1 4i 0 DEF: Una matrice A C n n si dice anti-hermitiana se A H = A DEF: Si dice sottomatrice di una matrice A C n m una matrice ottenuta dalla matrice A eleminando un certo numero di righe e di colonne dalla matrice DEF: Una matrice A si dice a predominanza diagonale per righe se i suoi elementi verificano le condizioni: a i,i > a i,k ; i k i in altri termini, il modulo di ogni elemento diagonale è più grande della somma dei moduli degli elementi extra diagonali della stessa riga Si può dimostrare che una matrice a predominanza diagonale per righe è non singolare e quindi il suo determinante risulta diverso da zero 4 Operazioni tra matrici Consideriamo due matrici A, B R n m, (aventi lo stesso numero di righe e di colonne) Si definisce C = A + B, la matrice avente elementi: c ij = a ij + b ij, i = 1,, n, e j = 1,, m C = A B, la matrice avente elementi: c ij = a ij b ij i = 1,, n, e j = 1,, m C = αa, con α R (o C), la matrice avente elementi: c ij = αa ij i = 1,, n, e j = 1,, m Consideriamo due matrici A R n m e B R m p Se il numero delle colonne della prima matrice coincide con il numero di righe della seconda matrice si può definire la matrice prodotto C = AB R n p, avente elementi: c ij = m a ik b kj, k=1 Il prodotto tra matrici soddisfa le seguenti proprietà i = 1,, n, j = 1,, p 5
6 l operazione di prodotto tra due matrici non è commutativa; il prodotto di una matrice per la matrice identica I (utilizzando le opportune dimensioni) è tale che: AI = IA = A (se ci limitiamo a considerare l insieme delle matrici reali n n la precedente proprietà indica che la matrice identica di ordine n rappresenta l elemento neutro per la moltiplicazione in R n n ) Date A, B R n m e C R m p e D R l n allora (A + B)C = AC + AB (propr distributiva a destra) D(A + B) = DA + DB (AB)C = A(BC) (propr distributiva a sinistra) (propr associativa) Date A, B R n m allora: (AB) T = B T A T 5 Determinante di una matrice quadrata Sia A R n n, una matrice quadrata di ordine n Si dice determinante della matrice A, il numero definito da: det(a) = π P sign(π)a 1π1 a 2π2 a nπn essendo π una permutazione dell insieme (1, 2,, n), e P l insieme di tutte le possibili permutazioni di (1, 2,, n) e sign(π) = ±1, a seconda che sia pari o dispari il numero degli scambi da effettuare su π per riportarlo a (1, 2,, n) Il determinante di una matrice puo essere calcolato utilizzando la Regola di Laplace Indicata con A ij la sottomatrice quadrata di ordine n 1 ottenuta da A eliminando la i-sima riga e la j-sima colonna Allora a 11 se n = 1 det(a) = ( 1) i+j a ij det(a ij ) se n > 1 j=1 DEF: Una matrice quadrata A R n n si dice non singolare se det(a) 0 Assegnate due matrici A, B R n n, non singolari allora il determinante soddisfa le seguenti proprietà: det(ab) = det(a)det(b); det(a T ) = det(a); se A C n n allora: det(a H ) = det(a); se A è una matrice triangolare det(a) = det(i) = 1; il determinante della matrice A è nullo se n i=1 a ii 6
7 se gli elementi di una riga o una colonna sono tutti uguali a zero; se una riga (risp colonna) è combinazione lineare di una o più righe (rispettivamente colonne) DEF: Sia A R n n una matrice non singolare Si dice inversa della matrice A e si denota con A 1, la matrice n n tale che: AA 1 = A 1 A = I, essendo I la matrice identica di ordine n Siano A, B R n n non singolari, allora: det(a 1 ) = 1 det(a) ; (A T ) 1 = (A 1 ) T ; se A è una matrice complessa (A H ) 1 = (A 1 ) H (AB) 1 = B 1 A 1 (A 1 ) 1 = A DEF: Una matrice A R n n si dice ortonormale se A T A = I in particolare per le matrici ortonormali valgono le seguenti equivalenze: A T A = I; AA T = I; A 1 = A T ; i vettori colonna di A sono ortonormali; i vettori riga di A sono ortonormali; Ax 2 = x 2 per ogni x In particolare il determinante di una matrice ortonormale è diverso da zero, infatti: 1 = det I = det(aa T ) = det(a) det(a T ) = det(a) 2 det A = 1 DEF: Una matrice A C n n si unitaria se A H A = I Il primo esempio di matrice ortonormale è la matrice identica, infatti i suoi vettori riga sono ortonormali Una matrice P ottenuta dalla identica I scambiando di posto le righe, ha comunque i vettori riga ortonormali e quindi risulta ortonormale Queste matrici si chiamano matrici di permutazione 6 Prodotto matrice vettore Sia A R n m e sia x R m 1 un vettore colonna matriciale della matrice A per il vettore x dato da (Ax) i = a ik x k, k=1 Allora è possibile considerare il prodotto i = 1,, m 7
8 Sia A R n m e sia x R n 1 Allora è possibile considerare il prodotto matriciale della matrice A per il vettore riga x T dato da (x T A) i = a ki x k, k=1 i = 1,, n Le matrici ortogonali conservano il prodotto scalare, cioè se A R n n ortogonale, ed x R n allora Ax, Ax = x, x dim Infatti, consideriamo il prodotto scalare tra Ax e se stesso Ax, Ax = (Ax) T (Ax) = x T A T Ax = (essendo A T A = I) = x T Ix = x T x Si osservi che la precedente proprietà è valida anche se si considera una matrice A unitaria 7 Autovalori ed autovettori di una matrice Consideriamo una matrice A C n n (or n n ) Un numero λ C si dice autovalore della matrice A se esiste un vettore x C n non nullo tale che Ax = λx Il vettore x si dice autovettore della matrice A relativo all autovalore λ Indicheramo con il termine spettro di A l insiemme σ(a) cosi definito: σ(a) = {insieme degli autovalori di A}, Inoltre ci riferiremo al raggio spettrale di A indicando il seguente numero: ρ(a) = max λ σ(a) λ Se λ è un autovalore della matrice A allora λ è soluzione della seguente equazione, nota come equazione caratteristica della matrice A: det(a λi) = 0 Sviluppando il determinante (per esempio utilizzando la regola di Laplace), otteniamo l equazione di un polinomio di grado n nella variabile λ, cioè 0 = P (λ) = det(a λi) = p 0 λ n + p 1 λ n p n I coefficienti p 1 e p n del polinomio P (λ) (detto polinomio caratteristico della matrice A) soddisfano le seguenti proprita p 1 = ( 1) n 1 tr(a), Inoltre si propva che: tr(a) = det(a) = i=1 n i=1 λ i λ i p n = det(a) 8
9 Il teorema fondamentale dell algebra assicura che l equazione caratteristica ammette n radici complesse con la loro molteplicità Quindi una matrice A quadrata di ordine n ammette n autovalori con la loro molteplicità (non necessariamente distinti) Di seguito sono riportare alcune proprietà degli autovalori di una matrice Assegnata una matrice A C n n triangolare inferiore, superiore o diagonale, allora i suoi autovalori coincidono con gli elementi diagonali della matrice, cioè λ i = a ii, i = 1,, n data una matrice A quadrata di ordine n, non singolare, e considerato un suo autovalore λ A ed x l autovettore associato, allora si ha che 1 λ è autovalore di A 1 ed x è l autovettore associato inoltre, se λ è autovalore di A allora λ k è autovalore di A k Ax = λx A k 1 (Ax) = λa k 1 x Autovettori corrispondenti ad autovalori distinti solo li DEF: Due matrici A, B R n n si dicono simili se esiste una matrice S invertibile tale che A = SBS 1 Le matrici simili sono importanti perchè esse hanno gli stessi autovalori Infatti si prova la seguente proprietà Due matrici A, B simili hanno gli stessi autovalori con la stessa molteplicità dim Siano A, B R n n due matrici, quindi per definizione esiste una matrice S R n n non singolare tale che A = SBS 1 Consideriamo l equazione caratteristica della matrice A: det(a λi) e sostitiuamo l espressione di A in termini di S e B: det(a λi) = det(sbs 1 λi) = det(sbs 1 λss 1 ) = = det(s)det(b λi)det(s 1 ) = det(b λi) Quindi il polinomio caratterisctico di A coincide con il polinomio caratteristico di B, ovvero le due matrici hanno gli stessi autovalori 8 Localizzazione degli autovalori Sia A una matrice quadrata di ordine n si dice cerchio i-esimo di Gershgorin di centro a ii l insieme Teoremi di Gershgorin K i = {z C z a ii j=1, j i Gli autovalori della matrice A sono contenuti nel n i=1 K i a ij }, i = 1,, n Se l unione M 1 di k cerchi di Gershgorin è disgiunta dalla unione M 2 dei restanti n k cerchi, allora k autovalori di A appartengono ad M 1 e n k appartengono a M 2 9
10 9 Decomposizione a valori singolari Sia A R m n allora esistono: due matrici U R m m e V R n n ortogonali (U T U = I m e V T V = I n ) una matrice Σ R m n diagonale a blocchi σ σ Σ = σ k essendo σ 1 σ 2 σ k, tali che A = UΣV T La precedente scomposizione della matrice A si dice Decomposizione a Valori Sigolari (SVD) Inoltre i numeri σ i si chiamano valori singolari della matrice A e si ha che k = rank(a) 10 Norme vettoriali Consideriamo lo spazio R n e l applicazione : R n R si dice norma vettoriale se verifica le seguenti proprietà 1) x 0, x R n 2) x = 0 x = 0 3) x + y x + y x, y R n (disuguaglianza triangolare) 4) αx = α x, α R Di seguito vengono forniti alcuni esempi di norme su R n norma 1: x 1 = n i=1 x i = x 1 + x x n norma euclidea: x 2 = x T x = n i=1 x2 i norma infinito: x = max i=1,,n x i DEF: Due norme e si dicono equivalenti se esistono α, β con 0 < α β tali che: α x x β x Le tre norme su R n, definite precedentemente, sono tra loro equivalenti ed in particolare si ha che x x 2 n x, x 2 x 1 n x 2 x x 1 n x Una matrice ortogonale A conserva la norma euclidea dei vettori, cioè Ax 2 = x 2 10
11 11 Norme Matriciali Il concetto di norma puó essere esteso anche al caso di matrici Una funzione : C n m R (A A ) si dice norma matriciale se verifica le seguenti proprietà: 1) A 0, A R n m 2) A = 0 A = 0 3) A + B A + B A, B R n m (disuguaglianza triangolare) 4) αa = α A, α R 5) AB A B A partire dalle norme vettoriali si possono costruire alcune norme matriciali A max x =1 Ax Se una norma matriciale si costruisce facendo uso di una norma vettoriale allora questa norma si dirà norma indotta Alcuni esempi di norma matriciali indotte sono: norma 1: A 1 = max a ij (massimo della somma sulle colonne) j=1,,n i=1 norma 2: A 2 = ρ(a T A norma infinito: A = max i=1,,n j=1 a ij (massimo della somma sulle righe) Si osservi che per le matrici simmetriche (A T = A) (o Hermitiane A H = A) si ha in particolare che: A 2 = ρ(a) ed inoltre A 1 = A 12 Proprietà delle norme matriciali Assegnata una norma matriciale, sono valide le seguenti proprieta Ax A x A m A m I 1 A 1 1 A dim da I = A 1 A quindi 1 I = A 1 A A 1 A per ogni norma matriciale indotta si ha che ρ(a) A dim Sia λ un generico autovalore di A ed x l autovettore associato Da Ax = λx quindi ρ(a) = max λ σ(a) λ A λ x = Ax A x λ A 11
12 la norma 2 è invariante per moltiplicazioni con matrici ortogonali, cioè : U R n n U T U = UU T = I allora : AU 2 = A 2 Relazioni fra le varie norme matriciali 1 n A A 2 n A 1 n A 1 A 2 n A 1 max i,j a ij A 2 n max a ij i,j A 2 A 1 A 12
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI. a 11 a 12 a 1n a 21 a 22 a 2n. a m1 a m2 a mn
RICHIAMI DI ALGEBRA LINEARE E NORME DI MATRICI E VETTORI LUCIA GASTALDI 1. Matrici. Operazioni fondamentali. Una matrice A è un insieme di m n numeri reali (o complessi) ordinati, rappresentato nella tabella
DettagliRichiami di algebra delle matrici a valori reali
Richiami di algebra delle matrici a valori reali Vettore v n = v 1 v 2. v n Vettore trasposto v n = (v 1, v 2,..., v n ) v n = (v 1, v 2,..., v n ) A. Pollice - Statistica Multivariata Vettore nullo o
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:
DettagliCorso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE. Giovanni Villani
Corso di Matematica Generale M-Z Dipartimento di Economia Universitá degli Studi di Foggia ALGEBRA LINEARE Giovanni Villani Matrici Definizione 1 Si definisce matrice di tipo m n una funzione che associa
Dettagli3. Vettori, Spazi Vettoriali e Matrici
3. Vettori, Spazi Vettoriali e Matrici Vettori e Spazi Vettoriali Operazioni tra vettori Basi Trasformazioni ed Operatori Operazioni tra Matrici Autovalori ed autovettori Forme quadratiche, quadriche e
Dettagli( ) 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
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliLa forma normale di Schur
La forma normale di Schur Dario A Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati relativi alla forma normale di Schur, alle sue proprietà e alle sue applicazioni
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
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)
DettagliRichiami di algebra delle matrici
Richiami di algebra delle matrici (S. Terzi) 1. SPAZI VETTORIALI I. ALCUNE DEFINIZIONI 1) Definizione di spazio vettoriale Sia S un insieme di vettori di ordine n. S è detto spazio lineare se e' un insieme
Dettagli= elemento che compare nella seconda riga e quinta colonna = -4 In generale una matrice A di m righe e n colonne si denota con
Definizione di matrice Una matrice (di numeri reali) è una tabella di m x n numeri disposti su m righe e n colonne. I numeri che compaiono nella tabella si dicono elementi della matrice. La loro individuazione
DettagliMATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI
MATRICI E VETTORI APPROFONDIMENTO PER IL CORSO DI LABORATORIO DI INFORMATICA SARA POLTRONIERI LE MATRICI DEFINIZIONE: Una matrice è un insieme di numeri disposti su righe e colonne. 1 3 7 M = 2 5 1 M è
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 8 - METODI ITERATIVI PER I SISTEMI LINEARI Norme Una norma in R n è una funzione. : R n R tale che x 0 x R n ; x = 0 x = 0; αx = α x ; x
Dettagli4 Autovettori e autovalori
4 Autovettori e autovalori 41 Cambiamenti di base Sia V uno spazio vettoriale tale che dim V n Si è visto in sezione 12 che uno spazio vettoriale ammette basi distinte, ma tutte con la medesima cardinalità
DettagliCorso di Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
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
DettagliCorso di Matematica e Statistica 3 Algebra delle matrici. Una tabella rettangolare: la matrice. Una tabella rettangolare: la matrice
Pordenone Corso di Matematica e Statistica 3 Algebra delle UNIVERSITAS STUDIORUM UTINENSIS Giorgio T. Bagni Facoltà di Scienze della Formazione Dipartimento di Matematica e Informatica Università di Udine
DettagliAppendice 1. Spazi vettoriali
Appendice. Spazi vettoriali Indice Spazi vettoriali 2 2 Dipendenza lineare 2 3 Basi 3 4 Prodotto scalare 3 5 Applicazioni lineari 4 6 Applicazione lineare trasposta 5 7 Tensori 5 8 Decomposizione spettrale
DettagliAutovalori e autovettori
Capitolo 3 Autovalori e autovettori 3. Richiami di teoria Prerequisiti: nozioni elementari di algebra lineare, numeri complessi. Sia A R n n. Un numero λ per cui esiste un vettore x 0 tale che valga la
DettagliREGISTRO DELLE LEZIONI
UNIVERSITA DEGLI STUDI DI GENOVA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI REGISTRO DELLE LEZIONI del Corso UFFICIALE di GEOMETRIA B tenute dal prof. Domenico AREZZO nell anno accademico 2006/2007
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
DettagliSpazi vettoriali euclidei.
Spazi vettoriali euclidei Prodotto scalare, lunghezza e ortogonalità in R n Consideriamo lo spazio vettoriale R n = { =,,, n R}, n con la somma fra vettori e il prodotto di un vettore per uno scalare definiti
Dettagliottenuta scambiando in A, le righe con le colonne, così, ad esempio, posto
MATRICI Si chiama matrice di m righe ed n colonne una tabella costituita da m n numeri (detti elementi), disposti in m righe orizzontali ed in n colonne verticali, racchiusi tra due parentesi tonde. (1)
DettagliALGEBRA LINEARE PARTE II
DIEM sez. Matematica Finanziaria Marina Resta Università degli studi di Genova Dicembre 005 Indice PREMESSA INVERSA DI UNA MATRICE DETERMINANTE. DETERMINANTE DI MATRICI ELEMENTARI................. MATRICI
DettagliProdotti scalari e matrici
Prodotti scalari e matrici 1 Forme bilineari e matrici In questa sezione vogliamo studiare la corrispondenza biunivoca che esiste tra l insieme delle forme bilineari su di un certo spazio vettoriale V
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
DettagliCorso di Calcolo Numerico
Corso di Laurea in Ingegneria Gestionale Sede di Fermo Corso di 7 - CALCOLO NUMERICO CON MATRICI Richiami teorici Operazioni fondamentali Siano A = {a ij } e B = {b ij }, i = 1,..., m, j = 1,..., n due
DettagliMetodi Matematici per l Economia anno 2017/2018 Gruppo B
Metodi Matematici per l Economia anno 2017/2018 Gruppo B Docente: Giacomo Dimarco Dipartimento di Matematica e Informatica Università di Ferrara https://sites.google.com/a/unife.it/giacomo-dimarco-home-page/
DettagliVettori e matrici. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Vettori e matrici Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utentiunifeit/lorenzopareschi/ lorenzopareschi@unifeit Lorenzo Pareschi Univ Ferrara
DettagliDefinizioni e operazioni fondamentali
MATRICI Definizioni e operazioni fondamentali Autovalori e autovettori Potenza Esponenziale Limiti, derivate e integrali Illustrazioni dal Testo di Riferimento per gentile concessione degli Autori 1 DEFINIZIONI
DettagliTerminiamo gli esercizi dell ultima lezione. (LUCIDI) Calcolare, se possibile, AC, CA, CH e HC. (LUCIDI)
Terminiamo gli esercizi dell ultima lezione. (LUCIDI) Esempi Calcolare, se possibile, AC, CA, CH e HC. (LUCIDI) Osservazioni per le matrici quadrate a) Data A M n (K) è possibile definire ricorsivamente
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
DettagliParte 8. Prodotto scalare, teorema spettrale
Parte 8. Prodotto scalare, teorema spettrale A. Savo Appunti del Corso di Geometria 3-4 Indice delle sezioni Prodotto scalare in R n, Basi ortonormali, 4 3 Algoritmo di Gram-Schmidt, 7 4 Matrici ortogonali,
DettagliSistemi sovradeterminati
Sistemi sovradeterminati Sia A una matrice m n ove m > n sia b R m trovare una soluzione del sistema sovradeterminato Ax = b significa cercare di esprimere un vettore di R m come combinazione lineare di
DettagliRegistro Lezioni di Algebra lineare del 15 e 16 novembre 2016.
Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016 Di seguito si riporta il riassunto degli argomenti svolti; i riferimenti sono a parti del Cap8 Elementi di geometria e algebra lineare Par5
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
DettagliAppunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena. Marco Alessandrini
Appunti di Geometria e Algebra L-A Seconda Facoltà di Ingegneria - Cesena Marco Alessandrini Ottobre 2006 Indice 1 Informazioni del corso 3 1.1 Programma............................ 3 1.2 Docenti..............................
DettagliIntroduzione soft alla matematica per l economia e la finanza. Marta Cardin, Paola Ferretti, Stefania Funari
Introduzione soft alla matematica per l economia e la finanza Marta Cardin, Paola Ferretti, Stefania Funari Capitolo Sistemi di equazioni lineari.8 Il Teorema di Cramer Si consideri un generico sistema
DettagliI determinanti. a11 a A = 12 a 21 a 22
I determinanti. Queste note, basate sugli appunti delle lezioni, riepilogano rapidamente la definizione e le proprietà del determinante. Vengono inoltre illustrati i metodi di calcolo e alcune dimostrazioni.
DettagliAppunti di ALGEBRA LINEARE
Appunti di ALGEBRA LINEARE Corso di Laurea in Chimica A. A. 2009/200 Capitolo SPAZI VETTORIALI In matematica si incontrano spesso insiemi di elementi su cui sono definite delle operazioni che godono di
DettagliAlgebra Lineare (parte I)
Algebra Lineare (parte I) by www.extrabyte.info Il contenuto di questo manuale è distribuito secondo la Creative Commons License v. 2.5 Attribuzione - Non commerciale - Non opere derivate Il testo completo
DettagliTesti consigliati e contatti
Testi consigliati e contatti P.Bonacini, M. G. Cinquegrani, L. Marino, Algebra lineare: esercizi svolti, Cavallotto Edizioni, Catania P. Bonacini, M. G. Cinquegrani, L. Marino, Geometria analitica: esercizi
DettagliLeLing12: Ancora sui determinanti.
LeLing2: Ancora sui determinanti. Ārgomenti svolti: Sviluppi di Laplace. Prodotto vettoriale e generalizzazioni. Rango e determinante: i minori. Il polinomio caratteristico. Ēsercizi consigliati: Geoling
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
DettagliElementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari
Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017 Elementi di Algebra Lineare
DettagliGeometria BIAR Esercizi 2
Geometria BIAR 0- Esercizi Esercizio. a Si consideri il generico vettore v b R c (a) Si trovi un vettore riga x (x, y, z) tale che x v a (b) Si trovi un vettore riga x (x, y, z) tale che x v kb (c) Si
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.
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
Dettagli(VX) (F) Se A e B sono due matrici simmetriche n n allora anche A B è una matrice simmetrica.
5 luglio 010 - 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
DettagliRICHIAMI 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
DettagliAlgebra Lineare Autovalori
Algebra Lineare Autovalori Stefano Berrone Sandra Pieraccini Dipartimento di Matematica Politecnico di Torino, Corso Duca degli Abruzzi 24, 10129, Torino, Italy e-mail: sberrone@calvino.polito.it sandra.pieraccini@polito.it
DettagliTEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI
TEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI 2 Direttore Beatrice VENTURI Università degli Studi di Cagliari Comitato scientifico Umberto NERI University of
DettagliNorme di vettori e matrici
Norme di vettori e matrici Dario A. Bini, Università di Pisa 30 ottobre 2013 Sommario Questo modulo didattico contiene risultati e proprietà relativi alle norme di vettori e di matrici. 1 Introduzione
DettagliApplicazioni eliminazione di Gauss
Applicazioni eliminazione di Gauss. Premessa Nel seguito supporremo sempre di applicare il metodo di eliminazione di Gauss allo scopo di trasformare la matrice del sistema Ax = b in una matrice triangolare
Dettagliossia può anche essere localizzato univocamente sul piano complesso con la sua forma polare.
ALGEBRA COMPLESSA Nel corso dei secoli gli insiemi dei numeri sono andati man mano allargandosi per rispondere all esigenza di dare soluzione a equazioni e problemi sempre nuovi I numeri complessi sono
DettagliMATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE
DIAGONALIZZAZIONE 1 MATRICI ORTOGONALI. MATRICI SIMMETRICHE E FORME QUADRATICHE Matrici ortogonali e loro proprietà. Autovalori ed autospazi di matrici simmetriche reali. Diagonalizzazione mediante matrici
DettagliEsercizi di ripasso: geometria e algebra lineare.
Esercizi di ripasso: geometria e algebra lineare. Esercizio. Sia r la retta passante per i punti A(2,, 3) e B(,, 2) in R 3. a. Scrivere l equazione cartesiana del piano Π passante per A e perpendicolare
DettagliComplementi di Algebra e Fondamenti di Geometria
Complementi di Algebra e Fondamenti di Geometria Capitolo 3 Forma canonica di Jordan M. Ciampa Ingegneria Elettrica, a.a. 29/2 Capitolo 3 Forma canonica di Jordan Nel Capitolo si è discusso il problema
Dettagli0.1 Condizione sufficiente di diagonalizzabilità
0.1. CONDIZIONE SUFFICIENTE DI DIAGONALIZZABILITÀ 1 0.1 Condizione sufficiente di diagonalizzabilità È naturale porsi il problema di sapere se ogni matrice sia o meno diagonalizzabile. Abbiamo due potenziali
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
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
DettagliParte 7. Autovettori e autovalori
Parte 7. Autovettori e autovalori A. Savo Appunti del Corso di Geometria 23-4 Indice delle sezioni Endomorfismi, 2 Cambiamento di base, 3 3 Matrici simili, 6 4 Endomorfismi diagonalizzabili, 7 5 Autovettori
DettagliA.A. 2014/2015 Corso di Algebra Lineare
A.A. 2014/2015 Corso di Algebra Lineare Stampato integrale delle lezioni Massimo Gobbino Indice Lezione 01: Vettori geometrici nel piano cartesiano. Operazioni tra vettori: somma, prodotto per un numero,
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
DettagliDeterminanti. Definizione ed esempi. Definizione ed esempi. Proprietà dei determinanti Rango di matrici
Introduzione S S S Rango di matrici Si dice sottomatrice d'una matrice data la matrice ottenuta selezionando un certo numero di righe e di colonne della matrice iniziale. Lezione 24.wpd 08/01/2011 XXIV
DettagliInversa di una matrice
Geometria Lingotto. LeLing: La matrice inversa. Ārgomenti svolti: Inversa di una matrice. Unicita e calcolo della inversa. La inversa di una matrice. Il gruppo delle matrici invertibili. Ēsercizi consigliati:
DettagliPunti di massimo o di minimo per funzioni di n variabili reali
Punti di massimo o di minimo per funzioni di n variabili reali Dati f : A R n R ed X 0 A, X 0 si dice : punto di minimo assoluto se X A, f ( x ) f ( X 0 ) punto di massimo assoluto se X A, f ( x ) f (
DettagliAppunti di Algebra Lineare
Appunti di Algebra Lineare Francesco Mazzocca anno accademico 2006/07 Indice Notazioni 1 1 Strutture Algebriche 3 11 Operazioni su un insieme 3 12 Semigruppi 6 13 Isomorfismi 8 14 Morfismi 10 15 Gruppi
DettagliFissiamo nel piano un sistema di riferimento cartesiano ortogonale O, x, y, u.
Fissiamo nel piano un sistema di riferimento cartesiano ortogonale O, x, y, u. Definizione Una conica è il luogo dei punti, propri o impropri, reali o immaginari, che con le loro coordinate omogenee (x,
Dettagli6. Spazi euclidei ed hermitiani
6. Spazi euclidei ed hermitiani 6.1 In [GA] 5.4 abbiamo definito il prodotto scalare fra vettori di R n (che d ora in poi chiameremo prodotto scalare standard su R n ) e abbiamo considerato le seguenti
DettagliComplemento ortogonale e proiezioni
Complemento ortogonale e proiezioni Dicembre 9 Complemento ortogonale di un sottospazio Sie E un sottospazio di R n Definiamo il complemento ortogonale di E come l insieme dei vettori di R n ortogonali
DettagliMatrici. Prof. Walter Pugliese
Matrici Prof. Walter Pugliese Le matrici Una matrice è un insieme di numeri reali organizzati in righe e colonne. Se n è il numero delle righe e m e il numero delle colonne si dice che la matrice è di
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
DettagliApplicazioni lineari e diagonalizzazione. Esercizi svolti
. Applicazioni lineari Esercizi svolti. Si consideri l applicazione f : K -> K definita da f(x,y) = x + y e si stabilisca se è lineare. Non è lineare. Possibile verifica: f(,) = 4; f(,4) = 6; quindi f(,4)
DettagliProdotto interno (prodotto scalare definito positivo)
Contenuto Prodotto scalare. Lunghezza, ortogonalità. Sistemi e basi ortonormali. Somma diretta: V = U U. Proiezioni. Teorema di Pitagora, disuguaglianza di Cauchy-Schwarz. Angoli. Federico Lastaria. Analisi
DettagliElementi di Algebra Lineare. Spazio Vettoriale (lineare)
Elementi di Algebra Lineare Spazio Vettoriale (lineare) Uno spazio vettoriale su un corpo F è una quadrupla (X, F, +, ) costituita da: un insieme di elementi X, detti vettori, un corpo F, i cui elementi
Dettagli08 - Matrici, Determinante e Rango
Università degli Studi di Palermo Facoltà di Economia CdS Sviluppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 08 - Matrici, Determinante e Rango Anno Accademico 2013/2014 D.
DettagliCorso di Geometria Ing. Informatica e Automatica Test 1: soluzioni
Corso di Geometria Ing. Informatica e Automatica Test : soluzioni k Esercizio Data la matrice A = k dipendente dal parametro k, si consideri il k sistema lineare omogeneo AX =, con X = x x. Determinare
Dettagli0.1. MATRICI SIMILI 1
0.1. MATRICI SIMILI 1 0.1 Matrici simili Definizione 0.1.1. Due matrici A, B di ordine n si dicono simili se esiste una matrice invertibile P con la proprietà che P 1 AP = B. Con questa terminologia dunque
Dettagli1. Proprietà della somma di matrici. 1. (A + B) + C = A + (B + C) qualunque. 2. A + B = B + A qualunque siano le matrici
Matrici R. Notari 1 1. Proprietà della somma di matrici 1. (A + B) + C = A + (B + C) qualunque siano le matrici A, B, C Mat(m, n; K). 2. A + B = B + A qualunque siano le matrici A, B Mat(m, n; K). 3. Sia
DettagliEsercitazione 6 - Soluzione
Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione
DettagliGeometria e Topologia I (U1-4) 2006-mag-10 61
Geometria e Topologia I (U1-4) 2006-mag-10 61 (15.9) Teorema. Consideriamo il piano affine. Se A A 2 (K) è un punto e r una retta che non passa per A, allora esiste unica la retta per A che non interseca
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
DettagliFondamenti di Algebra Lineare e Geometria TEMA A
Fondamenti di Algebra Lineare e Geometria Ingegneria Aerospaziale ed Ingegneria dell Energia - Canale B Secondo Appello - luglio TEMA A Risolvere i seguenti esercizi motivando adeguatamente ogni risposta.
DettagliIntroduzione all algebra delle matrici. Appunti a cura di Lara Ercoli
Introduzione all algebra delle matrici ppunti a cura di Lara Ercoli Indice Definizioni 3. Matrici particolari............................ 4 2 Operazioni con le matrici 8 2. Somma di matrici.............................
Dettagli(a) 8x 9y = 2, (b) 28x + 6y = 33.
Dipartimento di Matematica e Informatica Anno Accademico 2016-2017 Corso di Laurea in Informatica (L-31) Prova scritta di Matematica Discreta (12 CFU) 28 Giugno 2017 Parte A A1 1 [10 punti] Dimostrare
Dettagli5 Un applicazione: le matrici di rotazione
5 Un applicazione: le matrici di rotazione 51 Rotazioni nel piano di un angolo ϑ Si vuole considerare il caso della rotazione nel piano di un vettore di R di un angolo ϑ assegnato Chiaramente si tratta
DettagliGEOMETRIA I (Prof. M. Biliotti)
GEOMETRIA I (Prof. M. Biliotti) Appunti del corso a cura della dott.ssa E. Francot Indice 1 Matrici, determinanti e sistemi lineari. 3 1.1 Premesse............................... 3 1.2 Matrici.................................
DettagliSpazi euclidei, endomorfismi simmetrici, forme quadratiche. R. Notari
Spazi euclidei, endomorfismi simmetrici, forme quadratiche R. Notari 14 Aprile 2006 1 1. Proprietà del prodotto scalare. Sia V = R n lo spazio vettoriale delle n-uple su R. Il prodotto scalare 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,
DettagliFormulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010
Formulario sui Prodotti Hermitiani Marcello Mamino Pisa, 24 v 2010 In quetsa dispensa: V è uno spazio vettoriale di dimensione d sul campo complesso C generato dai vettori v 1,..., v d. Le variabili m,
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
DettagliAPPUNTI DI ALGEBRA LINEARE
APPUNTI DI ALGEBRA LINEARE prof. MICHELE MININNI a.a. 2014/15 Versione provvisoria. Le segnalazioni di errori sono ben accette, anzi sono decisamente sollecitate. e-mail: michele.mininni@uniba.it 1 2 3
DettagliSistemi differenziali 2 2: esercizi svolti. 1 Sistemi lineari Stabilità nei sistemi lineari
Sistemi differenziali : esercizi svolti 1 Sistemi lineari Stabilità nei sistemi lineari 14 1 Sistemi differenziali : esercizi svolti 1 Sistemi lineari Gli esercizi contrassegnati con il simbolo * presentano
Dettagli1 Coniche. s (x, y, t ) (1) 1 (x, y, t )F r 2
1 Coniche Studieremo le curve nel piano euclideo, cioè nel piano con un sistema di riferimento cartesiano ortogonale fissato, oppure nel completamento proiettivo di questo piano, ottenuto con l introduzione
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Autovalori ed Autovettori di una matrice Siano Se A = (a i,j ) i,j=1,...,n R n n, 0 x = (x i ) i=1,...,n R n λ R Ax = λx (1) allora λ è detto autovalore di
DettagliSoluzioni agli Esercizi di Geometria e Algebra per Ingegneria Aerospaziale (nuovo ordinamento)
Soluzioni agli Esercizi di Geometria e Algebra per Ingegneria Aerospaziale (nuovo ordinamento) Relazioni 1) Quali delle seguenti relazioni sono di equivalenza? x, y R {0} xry x/y Q x, y Z xry x + y è divisibile
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
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
Dettagli