Funzioni Lineari tra Spazi Vettoriali - Mozzanica€¦ · Kernel o Nucleo (1) Def. Kernel Data f: V...
Transcript of Funzioni Lineari tra Spazi Vettoriali - Mozzanica€¦ · Kernel o Nucleo (1) Def. Kernel Data f: V...
Funzioni Lineari tra Spazi VettorialiFunzioni Lineari tra Spazi VettorialiDef.Siano V1 e V2 due spazi vettoriali e sia f: V1 � V2. f è detta FUNZIONE LINEARE se:
:ha si , , 1 RkV ∈∀∈∀ 21 vv
)()()( 2vvvv 121 fff +=+ additività
)()( 11 vv kfkf = omogeneità
1
Oppure con l’unica proprietà:
)()()( 2vvvv 121 fff βαβα +=+
NotaCome sinonimo di funzione lineare spesso si usano i termini “operatore lineare” o “applicazione lineare” o “trasformazione lineare”
NotaUna funzione lineare è nota quando è noto come agisce sui vettori di una base di V1.
Esempi (1)Esempi (1)Es. 1 Sia f:R3�R3
++−
+=
zx
zy
yx
z
y
x
f
Si stabilisca se f è lineare:
=
+++
=
+
33
22
11
3
2
1
3
2
1
yx
yx
yx
f
y
y
y
x
x
x
f
βαβαβα
βα
+++++−−
+++
3311
3322
2211
yxyx
yxyx
yxyx
βαβαβαβα
βαβα
2
3333 +++ 3311 yxyx βαβα
=
++−
++
++−
+=
+
31
32
21
31
32
21
3
2
1
3
2
1
yy
yy
yy
xx
xx
xx
y
y
y
f
x
x
x
f βαβα
( )( )( )
( )( )( )
( ) ( )( ) ( )( ) ( )
++++−++−
+++
=
++−
++
++−
+
=
3131
3232
2121
31
32
21
31
32
21
yyxx
yyxx
yyxx
yy
yy
yy
xx
xx
xx
βαβα
βα
βββ
ααα
Esempi (2)Esempi (2)Es. 2 Sia f:R3�R3
funzione lineare tale che:
=0
1
2
)( 1ef
−=
1
0
1
)( 2ef
=1
1
0
)( 3ef
Si calcoli:
3
2
1
f
− 0022=++=++= )(3)(2)(1)321( 3232 eeeeee 11 ffff
3
3
=
+
−+
=5
4
0
3
3
0
2
0
2
0
1
2
z
y
x
f =++=++= )()()()( 3232 eeeeee 11 zfyfxfzyxf
++
−=
+
−+
=zy
zx
yx
z
z
y
y
x
x 20
0
0
2 NOTA Una Funzione Lineare è nota una volta che è noto il modo in cui agisce sui vettori di una base!
KernelKernel o Nucleo (1)o Nucleo (1)Def. KernelData f: V1 � V2 funzione lineare abbiamo: 1
1 )(:)(2
VffKer V ⊂= − 0
TeoremaData f: V1 � V2 funzione lineare, Ker(f) è un sottospazio vettoriale di V1.
Oss. Se f è un’applicazione lineare tra V1 e V2 allora f(0)=0. Infatti:f(0)=f(v-v)=f(v)-f(v)=0 . Dunque Ker(f) è almeno costituito dal vettore nullo dello spazio V1.
Vale il seguente teorema:
4
Ker(f) è un sottospazio vettoriale di V1.
Dim.Siano R, )(, ∈∈ βαfKer21 kk Dimostriamo che :
)( fKer∈+ 21 kk βα Infatti:
000kkkk 2121 =+=+=+ βαβαβα )()()( fff
Ciò mostra che Ker(f) è un sottospazio vettoriale di V1
KernelKernel o Nucleo o Nucleo (2)(2)TeoremaData f: V1 � V2 funzione lineare, La funzione f è iniettiva se e solo se Ker(f)={0} .
Dim.Sia f iniettiva , dimostriamo che Ker(f)={0}:
0xx =⇒∈ )()( ffKer Ma f(0)=0 dunque se f è iniettiva x=0.
Viceversa: sia Ker(f)={0} allora f é iniettiva :
Siano x, x’ tali che f(x)=f(x’ ). Allora : 0=f(x)-f(x’ )=f(x-x’ ) ne segue che
5
iniettiva )(' ffKer ⇒=⇒=−⇒∈− x'x0x'xxx
NotaInoltre se { } xkx0k0k 111 ≠+⇒≠⇒≠∈ )( fKer
Tuttavia: )()()()()( x0xkxkx 11 fffff =+=+=+
E dunque f non può essere iniettiva
KernelKernel o o Nucleo: esempi Nucleo: esempi (1)(1)
Es. Si determini il Kernel delle funzioni degli esercizi precedenti:
=
++−
+=
0
0
0
zx
zy
yx
z
y
x
f
=−=
⇒
==+
⇒
=+=+−
=+⇒
zy
zx
zy
zx
zx
zy
yx0
(*)
0
0
01]
6
+ 0zxz =+ zx 0
−=
−⇒
1
1
1
z
z
z
zDim(Ker(f))=1 f non è iniettiva 0
101
110
011
det(*) =
−
KernelKernel o o Nucleo: esempi Nucleo: esempi (2)(2)Es. Si determini il Kernel delle funzioni degli esercizi precedenti:
=
0
0
0
z
y
x
f
2]
=++=++= )()()()( 3232 eeeeee 11 zfyfxfzyxf
=
+−
=
+
−
+
= 0
020
0
2
zx
yx
z
y
x
x
=+=−
⇒ 0
02
(*) zx
yx
7
Dim(Ker(f))=0 f è iniettiva
=
++=
+
+
=0
00
0 zy
zx
z
z
y
x
===
⇒
=−−=
=⇒
0
0
0
02
2
z
y
x
xx
xz
xy
=+=+⇒
0
0 (*)
zy
zx
1
110
101
012
det (*) −=
−⇒
Codominio o Immagine (1)Codominio o Immagine (1)
Def. ImmagineData f: V1 � V2 funzione lineare abbiamo:
{ } 212 )(:::)Im( VfVVf ⊂=∈∃∈= wvvw
TeoremaData f: V1 � V2 funzione lineare, Im(f) è un sottospazio vettoriale di V2.
Teorema Una funzione f è suriettiva se e solo se Im(f)=V
8
TeoremaData f: V1 � V2 funzione lineare: )dim())(dim())dim(Im( 1VfKerf =+
Teorema Una funzione f è suriettiva se e solo se Im(f)=V2
Def. Se è iniettiva e suriettiva ( quindi biunivoca) e prende il nome di ISOMORFISMO(Automorfismo se V1 = V2)
Codominio o Immagine (1)Codominio o Immagine (1)Es. Si determini l’Immagine delle funzioni degli esercizi precedenti :
1]
+
−+
=
++−
+=
1
1
0
0
1
1
1
0
1
zyx
zx
zy
yx
z
y
x
f
Determiniamo quali vettori (x,y,z) dello spazio di partenza hanno come immagine un generico vettore (a,b,c) dello spazio di arrivo. Cioè si consideri:
011 L’immagine è generata dai tre vettori colonna della matrice. Osserviamo:
9
0
101
110
011
det =
−
L’immagine è generata dai tre vettori colonna della matrice. La matrice dei vettori ha rango due. Dunque due solo dei tre vettori generano l’immagine.
Allora Im(f) ha dimensione 2 ed una base di Im(f) è costituita da due qualsiasi dei tre vettori. Vale la somma: Dim(Im(f))+Dim(Ker(f))=3
Codominio o Immagine (2)Codominio o Immagine (2)
Es. Si determini l’Immagine delle funzioni degli esercizi precedenti :
2]
+
−+
=
++
−=
1
1
0
1
0
1
0
1
22
zyx
zy
zx
yx
z
y
x
f
Si consideri:012
−
10
Si consideri:1
110
101det −=
La matrice dei vettori ha rango tre. Dunque Im(f) ha dimensione 3. La base è costituita dai tre vettori colonna della matrice. La somma:Dim(Im(f))+Dim(Ker(f))=3
Teorema di rappresentazione (1)Teorema di rappresentazione (1)Sia f: V1 � V2 funzione lineare, con n=dim(V1) ed m=dim(V2). Fissate due basi in V1 e V2 , gli elementi di V1 possono essere identificati da vettori a n componenti e gli elementi di V2 possono essere identificati da vettori a m componenti . Siano {a1,.., an }i vettori della base di V1 e { b1,.., bm }i vettori della base di V2:
TeoremaNelle ipotesi sopra descritte alla funzione f è possibile far corrispondere una matrice di tipo m x n , costruita affiancando gli n vettori f(a1),…, f(an)
Es. Si consideri al matrice 3 x 4:
−
= 2101
4012
A
11
−=
1220
2101A
Consideriamo questa matrice per costruire una funzione da A:R4 � R3 tale che al vettore x generico di R4 associ il vettore Ax di R3
Ad es. se
4
2
2
1
0
R∈
−=x
3
8
6
9
2
2
1
0
1220
2101
4012
R∈
=
−
−
−=Ax
++−+++−
=
tzy
tzx
tyx
t
z
y
x
f
22
2
42
Teorema di rappresentazione (2)Teorema di rappresentazione (2)
−
−=
1220
2101
4012
AStudio del Kernel e dell’Immagine:
La matrice A ha rango 3 poiché:
6
220
101
012
det =
−
−L’Immagine di A ha dimensione 3. Base di Im(A) sono i vettori:
Il Kernel di A ha quindi dimensione 1:
+
−
−+
=2
1
0
2
0
1
0
1
2
γβαIm(A)
12
Il Kernel di A ha quindi dimensione 1:
=
−
−
0
0
0
1220
2101
4012
t
z
y
x
=++−=++
=+−
022
02
042
tzy
tzx
tyx
−==−+
=−+
zyt
zyx
zyx
22
034
0872
−=+−==−−
zyt
zyx
zy
22
34
02
−=+−=
−=
zyt
zyx
zy
22
34
2
−==
−=
zt
zx
zy
6
11
2
−
−=
6
1
2
11
)( αAKer
Teorema di rappresentazione (3)Teorema di rappresentazione (3)Es. Si determini la matrice delle funzioni degli esercizi precedenti rispetto alla base canonica di R3:
1]
++−
+=
zx
zy
yx
z
y
x
f
=
1
0
1
0
0
1
f
−=
0
1
1
0
1
0
f
=
1
1
0
1
0
0
f
−=101
110
011
M
++−
+=
−zx
zy
yx
z
y
x
101
110
011
13
101 + zxz101
Notiamo che il rango della matrice M (uguale a 2), eguaglia la dimensione del sottospazio Im(f), ciò non è casuale poiché il sottospazio Im(f) è generato dalle immagini dei vettori di base dello spazio di partenza. Possiamo quindi formulare il seguente teorema:Teorema Data la funzione f: V1 � V2 funzione lineare, detta M la matrice che rappresenta f abbiamo che Rango(M)=Dim(Im(f)).Se Dim(Im(f))=Dim(V2) allora f è suriettiva.Se Dim(Im(f))=Dim(V1) allora f è iniettiva.Se Dim(Im(f))= Dim(V2) = Dim(V1) allora f è biunivoca.
Teorema di rappresentazione (4)Teorema di rappresentazione (4)Es. Si determini la matrice delle funzioni degli esercizi precedenti rispetto alla base canonica di R3:
2]
=
0
1
2
0
0
1
f
−=
1
0
1
0
1
0
f
=
1
1
0
1
0
0
f
++
−=
zy
zx
yx
z
y
x
f
2
14
00
10
11
−=
110
101
012
M
=
−
5
4
0
3
2
1
110
101
012
++
−=
−
zy
zx
yx
z
y
x 2
110
101
012
Notiamo che il rango della matrice M (uguale a 3), eguaglia la dimensione del “sottospazio” Im(f). L’applicazione è dunque biunivoca (automorfismo di R3)
Teorema di Teorema di RouchéRouché –– Capelli (1)Capelli (1)Sistemi LineariSupponiamo di avere un sistema lineare nella sua forma più generale possibile, formato da m equazioni con n incognite , scritto in forma normale:
=+++
=+++=+++
mnmnmm
nn
nn
bxaxaxa
bxaxaxa
bxaxaxa
....
.......................
....
....
)1(
2211
22222121
11212111
15
=
mnmm
n
n
aaa
aaa
aaa
..
........
..
..
21
22221
11211
Α
se indichiamo con A la matrice dei coefficienti (di tipo m x n) ed x il vettore delle incognite ( di tipo n x 1: n componenti x1,…, xn) e con b il vettore dei termini noti ( di tipo m x 1: m componenti b1,…,bm)
=
nx
x
x
..2
1
x
=
mb
b
b
..2
1
b
Teorema di Teorema di RouchéRouché –– Capelli (2)Capelli (2)
bAx =La scrittura può essere interpretata come l’azione della funzione lineare rappresentata dalla matrice A agente tra gli spazi Rn a valori in Rm.
Def. Matrice completa
Si definisce matrice completa del sistema la matrice bA |
E’ possibile scrivere il sistema nella seguente forma matriciale:
(1)
16
Si definisce matrice completa del sistema la matrice bA |Ottenuta affiancando alla matrice A una ulteriore colonna costituita dal vettore dei termini noti b.
E’ evidente che la condizione sufficiente affinché il sistema rappresentato dalla (1) ammetta soluzioni è che il vettore b appartenga all’insieme delle immagini della matrice A. Questa condizione è tradotta come segue nel teorema di Rouché - Capelli .
Teorema di Teorema di RouchéRouché –– Capelli (3)Capelli (3)
)|()( bAA RangoRango =
Teorema (di Rouché-Capelli)Condizione necessaria e sufficiente affinché il sistema di m equazioni lineari in n incognite rappresentato dalla (1) ammetta soluzione o, equivalentemente , che il sistema sia compatibile è che:
(2)
Es. m>n −13
17
−=
24
31
13
ΑRango(A)=2
−−
−=
224
231
113
)|( bΑ 10)|det( −=bΑ
Il sistema NON ammette soluzioni3)|( =bΑrango
Teorema di Teorema di RouchéRouché –– Capelli (4)Capelli (4)
Es. m>n
=107
21
42
Α Rango(A)=2
−−
=5107
121
242
)|( bΑ 0)|det( =bΑ
Il sistema ammette soluzioni (è compatibile)2)|( =bΑrango
18
soluzioni (è compatibile)2)|( =bΑrango
Ricerca soluzioni: si considerano due delle tre equazioni( quelle che generano il minore di ordine 2 diverso da zero) e poi si risolve “normalmente”:
=+−=+
5107
12
yx
yx
−==
⇒=−⇒=+−−−−=
3
5
124510)21(7
21
y
x
yyy
yx
Teorema di Teorema di RouchéRouché –– Capelli (5)Capelli (5)
Es. m<n
=
532
532Α Rango(A)=1
=
12532
10532)|( bΑ Il sistema NON ammette
soluzioni2)|( =bΑrango
=++=++
12532
10532
zyx
zyx
19
Teorema di Teorema di RouchéRouché –– Capelli (5)Capelli (5)
Es. m<n
Rango(A)=2
Il sistema ammette soluzioni (è compatibile)2)|( =bΑrango
−=−+=++
1142
1232
zyx
zyx
−=
421
132Α
−−=
11421
12132)|( bΑ
20
soluzioni (è compatibile)2)|( =bΑrango
Ricerca soluzioni: si considerano le equazioni( quelle che generano il minore di ordine 2 diverso da zero) e poi si risolve “normalmente”:
−+−==++−+−
⇒
−=−+=++
1142
123)1142(2
1142
1232
zyx
zyzy
zyx
zyx
−+−−=−=
⇒
−+−=−=
⇒
−+−==++−+−
114)129(2
129
1142
129
1142
1232284
zzx
zy
zyx
zy
zyx
zyzy
−=−=
⇒zx
zy
1413
129 Soluzioni infinite dipendenti da 1 parametro (1 grado di libertà)
AutovaloriAutovalori ed ed AutovettoriAutovettori (1)(1)Supponiamo di voler ricercare le “direzioni” che vengono lasciate invariate dall’azione di una funzione lineare (o della matrice corrispondente).Deve essere f:V�V. La matrice che rappresenta f è dunque una matrice quadrata (con ordine pari alla dimensione di V).Possiamo formulare questa richiesta, la cui validità è trasversale a molte discipline scientifiche, attraverso la seguente equazione:
vAv λ= (1)
21
Def.Nella (1) λ è detto autovalore relativo alla matrice A e v (v≠0)è detto autovettoredella matrice A relativo all’autovalore λ.
Equazione agli autovalori (autovettori)
Possono essere più di uno gli autovettori relativi ad un determinato autovalore, per essi vale il seguenteTeoremaTutti gli autovettori relativi ad una determinato autovalore formano un sottospazio vettoriale di V detto AUTOSPAZIO .
AutovaloriAutovalori ed ed AutovettoriAutovettori (2)(2)
u e v sono autovettori di A ?
=
25
61Α
−=
5
6u
−=
2
3vEs.
uΑu 420
24−=
−= u è autovettore per A relativo all’autovalore -4
−=
11
9Αv Il vettore ottenuto non è multiplo di u perciò u non è
autovettore
22
11
Polinomio Caratteristico (3)Polinomio Caratteristico (3)Per ricercare sistematicamente tutti gli autovalori e tutti gli autovettori di una matrice procediamo nel seguente modo. Dalla (1):
vAv λ= vIAv nλ= 0vIA n =− )( λCon In matrice identità n-dimensionale. La (2) rappresenta un sistema lineare omogeneo con incognita il vettore v. L’unico modo per non avere soluzioni banali (cioè v=0, vettore con tutte le componenti nulle) è quello di porre il determinante della matrice dei coefficienti nullo.
(2)
23
0)det( =− nIA λ (3)
La precedente equazione è detta equazione caratteristica . Essa è costituita da un polinomio (in generale di grado n ) nella variabile λ detto POLINOMIO CARATTERISTICO. Le soluzioni del polinomio caratteristico sono gli autovalori. Una volta noti gli autovalori di una matrice, gli autovettori vengono determinatidall’equazione (1).
La matrice λ In é un matrice diagonale, con tutti gli elementi della diagonale principale uguali a λ.
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (1)esercizi (1)Es. Matrice di rotazione in R 2
−=
ϑϑϑϑ
ϑcossin
sincos)R(
−−−
=
−
−=−
λϑϑϑλϑ
λλ
ϑϑϑϑ
λϑcossin
sincos
0
0
cossin
sincos2I)R(
01cos2sin)(cos)det( 222 =+−=+−=− ϑλλϑλϑλϑ 2I)R(
1coscos 2 −±= ϑϑλ
24
1coscos −±= ϑϑλπϑϑϑ ,01cos01cos2 =⇒±=⇒≥−Esistono soluzioni reali se
=
10
010)R(
−−
=10
01)R(π
Gli autovalori sono λ=1 e λ=-1. Autovettori…..
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (2)esercizi (2)Es. Matrice di simmetria
=
01
10xyS
−−
=−λ
λλ
1
12xy IS 01)det( 2 =−=− λλ 2xy IS 1±=λ
⇒
==
⇒
=
⇒=
1
1
01
101 kiautovettor
yx
xy
y
x
y
xse λ
⇒ −=
⇒
−=
⇒−=1
10
1 kiautovettorxyxx
se λ
25
−⇒
−=−=
⇒
−=
⇒−=
1
1
01
101 kiautovettor
yx
xy
y
x
y
xse λ
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (3)esercizi (3)Es. Matrice
−−
=211
132
123
A
−−−−−
=−λ
λλ
λ211
132
123
3IA
=−−−+−−−+−−−−=− )]3(2[]1)2(2[2]1)2)(3)[(3()det( 3 λλλλλλIA
=−+−−=+−−+−+−−−= )3(6)2()3(324103)2()3( 22 λλλλλλλλ0)5)(3(]5)[3(]6)2)(3)[(3( 2 =−−=+−−=+−−−= λλλλλλλλλ
26
5,3,0 === λλλ 0 0Ax =⇒=λse
0)5)(3(]5)[3(]6)2)(3)[(3( 2 =−−=+−−=+−−−= λλλλλλλλλ
Poiché det (A)=0 ho soluzione ≠0. Considero:
02
032
=++=++
zyx
zyx-
1
1
1
k soluz.
−−
Autospazio relativo all’autovalore λ=0 ha dimensione=1 (Kernel)
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (4)esercizi (4)⇒= 3 λse
=
−−
z
y
x
z
y
x
3
211
132
123
⇒
2
1
1
soluz. k Autospazio relativo all’autovalore λ=3 ha dimensione=1
27
⇒= 5 λse
=
−−
z
y
x
z
y
x
5
211
132
123
−⇒
0
1
1
soluz. k Autospazio relativo all’autovalore λ=5 ha dimensione=1
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (5)esercizi (5)Es. Matrice
=401
010
001
A
−−
−=−
λλ
λλ
401
010
001
3IA
0)4()1()det( 23 =−−=− λλλIA
4), (1 == λλ voltedue
28
1 xAx =⇒=λse
−=
==
⇒
=+==
3
4 xz
yy
xx
zzx
yy
xx
+
−=
0
1
0
y
3/1
0
1
x
x/3-
y
x
soluz.
Autospazio relativo all’autovalore λ=1 (con molteplicità 2) ha dimensione=2
AutovaloriAutovalori –– AutovettoriAutovettori esercizi (6)esercizi (6)
44 xAx =⇒=λse
===
⇒
=+==
0
0
0
44
4
4
x
y
x
zzx
yy
xx
1
0
0
k soluz.
Autospazio relativo all’autovalore λ=4 ha dimensione=1
29