You are on page 1of 80

Appunti e esercizi di algebra lineare e

geometria analitica
Cristina Bardelle , Diego Giovannini
24 gennaio 2006
Indice
1 Sistemi lineari 1
1.1 Matrici quadrate m = n . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Regola di Cramer . . . . . . . . . . . . . . . . . . . . . 2
2 Spazi vettoriali 12
2.1 Definizioni ed esempi . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Sottospazi vettoriali . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Indipendenza e dipendenza lineare, generatori e basi . . . . . . 17
3 Applicazioni lineari 23
3.1 Definizioni ed esempi . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Sottospazi associati ad una applicazione lineare . . . . . . . . 29
3.3 Matrice associata ad una applicazione lineare . . . . . . . . . . 29
3.4 Cambiamenti di riferimento . . . . . . . . . . . . . . . . . . . 40
4 Diagonalizzazione di operatori lineari 47
5 Geometria analitica del piano 67
6 Geometria analitica dello spazio 71
I
Capitolo 1
Sistemi lineari
Sistema di m equazioni lineari in n incognite x
1
, . . . , x
n
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ +a
mn
x
n
= b
m
(1.1)
Sia K un insieme ad es K = C, R, Q, . . . La matrice associata A ∈ M
m,n
(K)
al sistema ´e
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
x = (x
1
, . . . , x
n
)
t
∈ K
n
, b = (b
1
, . . . , b
m
)
t
∈ K
m
. Il sistema si pu´o riscrivere
come Ax = b ovvero
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
.
.
.
x
n
_
_
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
Il sistema si dice omogeneo se b
1
= b
2
= . . . = b
m
= 0. Una soluzione del
sistema 1.1 ´e un elemento (X
1
, . . . , X
n
)
t
∈ K
n
che ´e soluzione simultanea
1
delle m equazioni 1.1. Il sistema si dice compatibile (incompatibile o impos-
sibile) se possiede almeno una soluzione (se non possiede soluzioni). Ogni
sistema omogeneo ´e sempre compatibile in quanto ammette almeno una so-
luzione (0, . . . , 0)
t
, che viene detta soluzione banale. Un sistema compatibile
si dice determinato se ammette un’unica soluzione e si dice indeterminato se
ammette infinite soluzioni.
1.1 Matrici quadrate m = n
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
Esercizio 1.1.
_
_
_
2x + 3y − z = 1
x + 4y + 2z = 2
3x − y − z = 3
1.1.1 Regola di Cramer
Teorema 1.1 (di Cramer). Il sistema Ax = b ha una ed una sola soluzione
⇔ det(A) ,= 0.
Le soluzioni sono date da
x
i
=
det(A
i
)
det(A)
i = 1, . . . , n
dove la matrice A
i
si ottiene sostituendo la colonna i-esima della matrice A
con il vettore colonna b. Soluzione esercizio 1.1 Il sistema si pu´o riscrivere
nella seguente forma:
_
_
2 3 −1
1 4 2
3 −1 −1
_
_
_
_
x
y
z
_
_
=
_
_
1
2
3
_
_
2
Applichiamo il metodo di Cramer:
det(A) =
¸
¸
¸
¸
¸
¸
2 3 −1
1 4 2
3 −1 −1
¸
¸
¸
¸
¸
¸
= 30 ,= 0 det(A
1
) =
¸
¸
¸
¸
¸
¸
1 3 −1
2 4 2
3 −1 −1
¸
¸
¸
¸
¸
¸
= 36
det(A
2
) =
¸
¸
¸
¸
¸
¸
2 1 −1
1 2 2
3 3 −1
¸
¸
¸
¸
¸
¸
= −6 det(A
3
) =
¸
¸
¸
¸
¸
¸
2 3 1
1 4 2
3 −1 3
¸
¸
¸
¸
¸
¸
= 24
x =
det(A
1
)
det(A)
=
6
5
y =
det(A
2
)
det(A)
= −
1
5
z =
det(A
3
)
det(A)
=
4
5
.
Esercizio 1.2.
_
_
_
2ix + z = −1
ix + iz = i
x + y + z = 2
Il sistema si pu´o riscrivere nella seguente forma:
_
_
2i 0 1
i 0 i
1 1 1
_
_
_
_
x
y
z
_
_
=
_
_
−1
i
2
_
_
Applichiamo il metodo di Cramer:
det(A) =
¸
¸
¸
¸
¸
¸
2i 0 1
i 0 i
1 1 1
¸
¸
¸
¸
¸
¸
= 2 + i ,= 0 det(A
1
) =
¸
¸
¸
¸
¸
¸
−1 0 1
i 0 i
2 1 1
¸
¸
¸
¸
¸
¸
= 2i
det(A
2
) =
¸
¸
¸
¸
¸
¸
2i −1 1
i i i
1 2 1
¸
¸
¸
¸
¸
¸
= 2 + i det(A
3
) =
¸
¸
¸
¸
¸
¸
2i 0 −1
i 0 i
1 1 2
¸
¸
¸
¸
¸
¸
= 2 −i
x =
det(A
1
)
det(A)
=
2i
2 +i
=
2
5
+
4
5
i
y =
det(A
2
)
det(A)
=
2 +i
2 +i
= 1
z =
det(A
3
)
det(A)
=
2 −i
2 +i
=
3
5
+
4
5
i.
3
Il metodo di Cramer pu´o essere utilizzato solo nel caso in cui in un sistema
il numero di equazioni ´e uguale al numero di incognite (n = m), ovvero la
matrice associata al sistema ´e quadrata. Negli altri casi possiamo utilizzare
il metodo di Rouch´e-Capelli; tale metodo per´o d´a informazioni solo sulla
compatibilit´a o meno del sistema e sul numero di soluzioni, ma non ci dice
come determinarle (affronteremo successivamente questo problema). Dato il
sistema Ax = b indichiamo con A[b la matrice orlata, ottenuta dalla matrice
A aggiungendo il vettore dei termini noti b:
A[b =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
b
1
b
2
.
.
.
b
n
_
_
_
_
_
Teorema 1.2 (Rouch´e-Capelli). Il sistema Ax = b ha soluzioni se e solo se
il rango di A ´e uguale al rango di A[b.
Il sistema Ax = b ha ∞
n−r
soluzioni dove n ´e il numero di incognite del
sistema e r ´e il rango di A.
Esercizio 1.3. Discutere il seguente sistema lineare
_
_
_
x
3
+ 2x
4
= 3
2x
1
+ 4x
2
− 2x
3
= 4
2x
1
+ 4x
2
− x
3
+ 2x
4
= 7
Utilizziamo il Teorema di Rouch´e-Capelli per risolvere l’esercizio.
A =
_
_
0 0 1 2
2 4 −2 0
2 4 −1 2
_
_
A[b =
_
_
0 0 1 2
2 4 −2 0
2 4 −1 2
¸
¸
¸
¸
¸
¸
3
4
7
_
_
Calcoliamo il rango di A. Le sottomatrici quadrate di ordine 3 (ovvero matrici
3 3) sono:
_
_
0 0 1
2 4 −2
2 4 −1
_
_
_
_
0 0 2
2 4 0
2 4 2
_
_
_
_
0 1 2
2 −2 0
2 −1 2
_
_
_
_
0 1 2
4 −2 0
4 −1 2
_
_
4
Risulta che i minori
1
di ordine 3 sono tutti uguali a 0, mentre esiste un minore
di ordine 2 diverso da 0; ad esempio la sottomatrice
_
1 2
−2 0
_
ha determinante ,= 0. Dunque r(A) = 2. Calcoliamo ora il rango di A[b.
Ovviamente r(A) ≤ r(A[b) ≤ 3 e poich´e i minori di ordine 3 sono tutti uguali
a 0 il rango ´e 2. Dato che r(A) = r(A[b) = 2 il sistema ´e compatibile.
Esercizio 1.4. Discutere il seguente sistema lineare
_
_
_
x
1
− 2x
3
+ 3x
4
+ x
5
= 2
−2x
1
+ x
2
+ x
5
= 6
x
2
− 4x
3
+ 6x
4
+ 5x
5
= 7
A =
_
_
1 0 −2 3 1
−2 1 0 0 3
0 1 −4 6 5
_
_
A[b =
_
_
1 0 −2 3 1
−2 1 0 0 3
0 1 −4 6 5
¸
¸
¸
¸
¸
¸
2
6
7
_
_
Si ha che r(A) = 2 e r(A[b) = 3. Poich´e r(A) ,= r(A[b) il sistema ´e
incompatibile.
Esercizio 1.5. Discutere, al variare del parametro k, il seguente sistema
lineare
_
_
_
x − y + z = 1
kx − ky + z = 1
x − k
2
y + k
2
z = 1
A =
_
_
1 −1 1
k −k 1
1 −k
2
k
2
_
_
det(A) = −k
3
+k
2
+k −1 = (k −1)(1 −k
2
)
Se k ,=
+

1 allora det(A) ,= 0 ( ⇒ r(A) = 3 ⇒ r(A[b) = 3 ⇒ sistema
compatibile). Per Cramer si pu´o inoltre stabilire che se k ,=
+

1 esiste ed ´e
unica la soluzione.
1
Il minore di una matrice A ∈ M
m,n
(K) ´e il determinante di una sua sottomatrice
quadrata. L’ordine del minore ´e l’ordine della sottomatrice quadrata corrispondente.
5
• CASO k = 1
A =
_
_
1 −1 1
1 −1 1
1 −1 1
_
_
Si ha che r(A) = 1, quindi il sistema ha ∞
2
soluzioni.
• CASO k = −1
A =
_
_
1 −1 1
−1 1 1
1 −1 1
_
_
Si ha che r(A) = 2, quindi il sistema ha ∞
1
soluzioni.
Esercizio 1.6. Discutere, al variare dei parametri k e h, il seguente sistema
lineare
_
_
_
x + 2y − z = 0
x + y + 2z = 1
2x + hy + z = k
A =
_
_
1 2 −1
1 1 2
2 h 1
_
_
det(A) = −3h + 9
Se h ,= 3 allora det(A) ,= 0 ( ⇒ r(A) = 3 ⇒ r(A[b) = 3 ⇒ sistema
compatibile). Per Cramer si pu´o inoltre stabilire che se h ,= 3 esiste ed ´e
unica la soluzione (∀k). CASO h = 3
A =
_
_
1 2 −1
1 1 2
2 3 1
_
_
Si ha che r(A) = 2.
A[b =
_
_
1 2 −1
1 1 2
2 3 1
¸
¸
¸
¸
¸
¸
0
1
k
_
_
Se k = 1 si ha che r(A[b) = 2, se k ,= 1 allora r(A[b) = 3. Riassumendo:
• se h = 3 e k = 1 il sistema ´e compatibile con ∞
1
soluzioni,
6
• se h = 3 e k ,= 1 il sistema ´e incompatibile.
Esercizio 1.7.
_
_
_
kx + kz = 1
−5x + y + z = 2
−k
2
x + z = 3
Discutere il sistema in R e in C.
A =
_
_
k 0 k
−5 1 1
−k
2
0 1
_
_
A[b =
_
_
k 0 k
−5 1 1
−k
2
0 1
¸
¸
¸
¸
¸
¸
1
2
3
_
_
det(A) = k + k
3
= k(k
2
+ 1)
In R, det(A) = 0 per k = 0. Se k = 0 il sistema ´e incompatibile (si nota
subito dalla prima eqz.); se k ,= 0 per Cramer si pu´o stabilire che esiste ed
´e unica la soluzione. In C, det(A) = 0 per k = 0 e k ,=
+

i. Se k ,= 0 e
k ,=
+

i per Cramer si pu´o stabilire che esiste ed ´e unica la soluzione; se k = 0
il sistema ´e incompatibile (si nota subito dalla prima eqz.); se k =
+

i si ha
r(A) = 2 e r(A[b) = 3, dunque il sistema ´e incompatibile.
Definizione 1.1. Date
a
1
x
1
+ +a
n
x
n
= b
1
(1.2)
α
1
x
1
+ +α
n
x
n
= β
1
(1.3)
diciamo che 1.2 e 1.3 sono equivalenti se ogni soluzione di 1.2 ´e an-
che soluzione di 1.3 e viceversa. Analogamente si definiscono i sistemi
equivalenti.
Esempio 1.1. Le equazioni
x −y = 1
2x −2y = 2
sono equivalenti. Infatti hanno le stesse soluzioni (nota che la seconda eqz.
´e il doppio della prima).
OPERAZIONI ELEMENTARI SUI SISTEMI
La nozione di sistemi equivalenti risulter´a utile nella risoluzione di sistemi
lineari; l’idea di base ´e quella di trasformare un dato sistema in uno equiva-
lente di pi´ u semplice risoluzione. Le operazioni che permettono di fare questa
trasformazione (e che corrispondono a determinate operazioni sulla matrice
associata al sistema) sono:
7
• cambio l’ordine delle equazioni (; scambio di righe nella matrice
associata)
• cambio l’ordine delle incognite (; scambio di colonne nella matrice
associata)
• moltiplico una equazione per uno scalare non nullo (; moltiplico una
riga della matrice associata per uno scalare non nullo)
• somma di due equazioni che va sostituita ad una di esse
(; somma di due righe della matrice associata)
METODO DI RIDUZIONE DI GAUSS Sia dato il sistema
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+ a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ +a
mn
x
n
= b
m
(1.4)
Posso supporre a
11
,= 0, altrimenti scambio la prima riga con un’altra in cui
a
i1
,= 0. Al posto della seconda riga (eqz.) metto l’equazione ottenuta da
R
2

a
21
a
11
R
1
. In generale sostituisco la riga R
i
con la riga R
i

a
i1
a
11
R
1
ed ottengo
un sistema della forma
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
0 +a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
0 +a
m2
x
2
+ +a
mn
x
n
= b
m
Riapplico lo stesso ragionamento al sottosistema
_
¸
_
¸
_
a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m2
x
2
+ +a
mn
x
n
= b
m
Proseguendo in questo modo si ottiene un sistema equivalente a quello iniziale
1.4 che si presenta nella forma
_
¸
¸
¸
_
¸
¸
¸
_
a
11
x
1
+a
12
x
2
+ . . . +a
1n
x
n
= b
1
a
22
x
2
+ . . . +a
2n
x
n
= b
2
.
.
.
a
mm
x
m
+. . . +a
mn
x
n
= b
m
(1.5)
8
cosiddetta forma a gradini, in cui a
11
a
22
. . . a
mm
,= 0. Parto dall’ultima
equazione ed asplicito x
m
:
x
m
= a
−1
mm
[b
m
−(a
mm+1
x
m+1
+ +a
mn
x
n
)].
Dalla penultima si ha:
x
m−1
= a
−1
m−1m−1
[b
m−1

n

i=m
a
m−1i
x
i
]
e cos´ı via fino ad ottenere x
1
.
Esercizio 1.8. Riprendiamo l’esercizio 1.3 e risolviamo il sistema col metodo
di Gauss.
La matrice orlata associata ´e
_
_
0 0 1 2
2 4 −2 0
2 4 −1 2
¸
¸
¸
¸
¸
¸
3
4
7
_
_
Scambiamo R
1
con R
2
:
_
_
2 4 −2 0
0 0 1 2
2 4 −1 2
¸
¸
¸
¸
¸
¸
4
3
7
_
_
Al posto di R
3
mettiamo R
3
−R
1
:
_
_
2 4 −2 0
0 0 1 2
0 0 1 2
¸
¸
¸
¸
¸
¸
4
3
3
_
_
Al posto di R
3
mettiamo R
3
−R
2
:
_
_
2 4 −2 0
0 0 1 2
0 0 0 0
¸
¸
¸
¸
¸
¸
4
3
0
_
_
Possiamo eliminare la terza riga e scambiare la seconda colonna con la terza:
_
2 −2 4 0
0 1 0 2
¸
¸
¸
¸
4
3
_
9
E’ a gradini con x
2
e x
4
libere (∞
2
soluzioni). Le soluzioni sono:
_
¸
¸
_
¸
¸
_
x
2
= t
x
4
= s
x
3
= 3 −2s
x
1
= 5 −2s −2t
Esercizio 1.9. Riprendiamo l’esercizio 1.4 e risolviamo il sistema col metodo
di Gauss.
La matrice orlata associata ´e
_
_
1 0 −2 3 1
−2 1 0 0 3
0 1 −4 6 5
¸
¸
¸
¸
¸
¸
2
6
7
_
_
Dopo vari passaggi si ottiene:
_
_
1 0 −2 3 1
0 1 −4 6 5
0 0 0 0 0
¸
¸
¸
¸
¸
¸
2
10
3
_
_
R
3
ci dice che il sistema ´e incompatibile.
Esercizio 1.10. Riprendiamo l’esercizio 1.5 e risolviamo il sistema col
metodo di Gauss.
La matrice orlata associata ´e
_
_
1 −1 1
k −k 1
1 −k
2
k
2
¸
¸
¸
¸
¸
¸
1
1
1
_
_
Riduco a gradini:
_
_
1 −1 1
0 1 −k
2
k
2
−1
0 0 1 −k
¸
¸
¸
¸
¸
¸
1
0
1 −k
_
_
Se (1 −k
2
)(1 −k) ,= 0 cio´e se k ,=
+

1 abbiamo un unica soluzione:
_
_
_
x = 1
y = 1
z = 1
10
Se k = 1 la matrice diventa (1 −1 1 [ 1) e si hanno ∞
2
soluzioni:
_
_
_
y = t
z = s
x = 1 +t −s
Se k = −1 la matrice diventa
_
1 −1 1
0 0 2
¸
¸
¸
¸
1
2
_
e si hanno ∞
1
soluzioni:
_
_
_
y = t
z = 1
x = t
Esercizio 1.11. Riprendiamo l’esercizio 1.6 e risolviamo il sistema col
metodo di Gauss.
La matrice orlata associata ´e
_
_
1 2 −1
1 1 2
2 h 1
¸
¸
¸
¸
¸
¸
0
1
k
_
_
Riduco a gradini:
_
_
1 2 −1
0 −1 3
0 0 3h −9
¸
¸
¸
¸
¸
¸
0
1
k + h −4
_
_
Se 9 − 3h ,= 0 cio´e se h ,= 3 esiste un’unica soluzione (∀k ∈ R). Se h = 3 la
matrice diventa
_
_
1 2 −1
0 −1 3
0 0 0
¸
¸
¸
¸
¸
¸
0
1
k −1
_
_
Si ottiene che
• se h = 3 e k ,= 1 il sistema ´e incompatibile
• se h = 3 e k = 1 il sistema ha ∞
1
soluzioni.
11
Capitolo 2
Spazi vettoriali
Introduciamo in questo capitolo la nozione di spazio vettoriale, un concetto
di grande importanza in algebra lineare che giocher`a un ruolo fondamentale
in tutti i capitoli successivi. Partiamo con i richiami delle definizioni e degli
esempi basilari di spazi vettoriali, per poi arrivare al concetto di sottospazio
vettoriale, ai concetti di indipendenza lineare, di sistema di generatori e di
base e dimensione di uno spazio vettoriale.
2.1 Definizioni ed esempi
Cominciamo questa sezione richiamando immediatamente la definizione di
spazio vettoriale.
Definizione 2.1. Un insieme V `e detto spazio vettoriale sul campo
1
degli
scalari K, se sono definite due operazioni:
somma di vettori + : V V → V : (v
1
, v
2
) → v
1
+v
2
;
prodotto per uno scalare : KV → V : (λ, v) → λv
che soddisfano le seguenti propriet`a :
1. ∀v
1
, v
2
, v
3
∈ V : (v
1
+ v
2
) +v
3
= v
1
+ (v
2
+v
3
);
2. ∃0
V
∈ V : 0
V
+v = v + 0
V
= v, ∀v ∈ V ;
3. ∀v ∈ V, ∃w ∈ V : v +w = w +v = 0
V
;
1
in generale possiamo pensare a R o C
12
4. ∀v
1
, v
2
∈ V : v
1
+ v
2
= v
2
+v
1
;
5. ∀v ∈ V : 1 v = v;
6. ∀α, β ∈ K, ∀v ∈ V : (α +β)v = αv +βv;
7. ∀α ∈ K, ∀v
1
, v
2
∈ V : α(v
1
+ v
2
) = αv
1
+αv
2
;
8. ∀α, β ∈ K, ∀v ∈ V : (αβ)v = α(βv).
Possiamo passare subito ad esibire alcuni esempi notevoli di spazi vettoriali.
Esempio 2.1. Per ogni n ≥ 1 l’insieme R
n
ha la struttura di spazio vettoriale
su se stesso, con le seguenti operazioni:
somma (x
1
, x
2
, . . . , x
n
) + (y
1
, y
2
, . . . , y
n
) = (x
1
+y
1
, x
2
+y
2
, . . . , x
n
+y
n
);
prodotto α (x
1
, x
2
, . . . , x
n
) = (αx
1
, αx
2
, . . . , αx
n
).
E’ immediato verificare che l’elemento neutro di R
n
rispetto alla somma ri-
sulta essere 0
R
n = (0, 0, . . . , 0), cos`ı come l’inverso di (x
1
, x
2
, . . . , x
n
) risulta
essere la n-upla (−x
1
, −x
2
, . . . , −x
n
). Lasciamo le altre verifiche come eser-
cizio allo studente, il quale le potr`a trovare su un qualsiasi testo di algebra
lineare.
Esempio 2.2. Utilizzando le stesse definizioni dell’esempio precedente `e im-
mediato dimostrare che lo spazio C
n
ha la struttura di spazio vettoriale su se
stesso. Inoltre, `e possibile dare a C
n
una struttura di spazio vettoriale su R,
semplicemente sostituendo il prodotto di un elemento di C
n
con un elemento
di R anzich`e con un elemento di C. Torneremo dopo ad analizzare questo
esempio in dettaglio.
Esempio 2.3. Indichiamo con M
m,n
(R) l’insieme delle matrici a coefficienti
reali con m righe ed n colonne; vogliamo dare a tale insieme la struttura di
spazio vettoriale su R. Iniziamo a definire le due operazioni:
somma se A, B ∈ M
m,n
(R), con A = (a
ij
), B = (b
ij
), allora definiamo:
C = A +B ponendo C = (c
ij
) = (a
ij
+b
ij
);
prodotto se α ∈ R e A ∈ M
m,n
(R), definiamo αA = (αa
ij
) .
13
Anche in questo caso lasciamo le verifiche allo studente, ricordando che tutte
si deducono piuttosto facilmente dalle propriet`a delle matrici. Ricordiamo so-
lo che l’elemento neutro di tale spazio risulta essere la matrice con coefficienti
tutti nulli.
Esempio 2.4. Indichiamo con R
n
[x] l’insieme dei polinomi nell’indetermi-
nata x di grado minore od uguale ad n e con coefficienti reali; un generico
elemento di tale insieme risulta essere dunque
p(x) = a
0
+a
1
x + a
2
x
2
+. . . +a
n
x
n
.
Definiamo la somma di polinomi ed il prodotto di un polinomio per un numero
reale nel modo usuale:
se p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
e q(x) = b
0
+b
1
x +b
2
x
2
+. . . +b
n
x
n
allora
p(x) +q(x) = a
0
+ b
0
+ (a
1
+ b
1
)x + (a
2
+b
2
)x
2
+. . . + (a
n
+ b
n
)x
n
,
e se λ ∈ R:
λp(x) = λa
0
+ λa
1
x +λa
2
x
2
+ . . . + λa
n
x
n
In tal caso l’elemento neutro `e il polinomio nullo (con tutti i coefficienti uguali
a 0), mentre l’opposto del polinomio p(x) = a
0
+a
1
x+a
2
x
2
+. . .+a
n
x
n
risulta
essere il polinomio −p(x) = −a
0
−a
1
x −a
2
x
2
−. . . −a
n
x
n
. Anche in questo
caso lasciamo le altre verifiche come esercizio allo studente.
Esempio 2.5. E’ possibile dare all’insieme V = ¦f : [a, b] → R¦ delle
funzioni definite su un intervallo [a, b] a valori in R la struttura di spazio
vettoriale mediante le seguenti definizioni:
somma (f + g)(x) = f(x) + g(x);
prodotto (λf)(x) = λf(x).
Facciamo qualche verifica:
associativit`a : verifichiamo che ∀f, g, h ∈ V si ha che (f + g) + h =
f + (g +h). Vogliamo dimostrare che la funzione di primo membro coincide
con quella di secondo membro; per fare questo `e sufficiente vedere che il loro
valore in ogni punto x ∈ [a, b] `e lo stesso. Per definizione:
[(f +g)+h](x) = (f +g)(x)+h(x) = (f(x)+g(x))+h(x) = f(x)+g(x)+h(x),
e quest’ultima ugualglianza segue dal fatto che f(x), g(x), h(x) sono numeri
reali.
14
In modo analogo si vede che [f + (g +h)](x) = f(x) +g(x) +h(x), e questo
conclude la dimostrazione.
commutativit`a : (f + g)(x) = f(x) + g(x) ed essendo questi numeri reali
si ha che:
f(x) +g(x) = g(x) + f(x) = (g + f)(x), cio`e f +g = g + f.
elemento neutro : `e la funzione costante uguale a zero: 0
V
= 0, ∀x ∈ [a, b].
Verifichiamo, ad esempio, anche una delle due propriet`a distributive, lascian-
do le altre verifiche come esercizio:
∀α ∈ R, ∀f, g ∈ V voglio far vedere che α(f +g) = αf +αg. Anche in questo
caso dimostriamo che queste due funzioni coincidono:
[α(f +g)](x) = α((f +g)(x)) = α(f(x) +g(x)) = αf(x) +αg(x) = (αf)(x) +
(αg)(x)
Dopo questa breve rassegna di esempi di spazi vettoriali, possiamo passare a
studiare nella prossima sezione alcuni particolari sottoinsiemi, che prendono
il nome di sottospazi vettoriali.
2.2 Sottospazi vettoriali
Definizione 2.2. Sia V uno spazio vettoriale su K; un sottoinsieme W ⊂ V
`e detto sottospazio di V se sono soddisfatte le due seguenti propriet`a :
1. ∀w
1
, w
2
∈ W : w
1
+w
2
∈ W;
2. ∀λ ∈ K, ∀w ∈ W : λw ∈ W
Tali propriet`a prendono il nome rispettivamente di chiusura rispetto alla
somma ed al prodotto.
Passiamo dunque ad esaminare alcuni esempi di sottospazi degli spazi
vettoriali che abbiamo visto nella precedente sezione.
Esempio 2.6. Nello spazio V = R
2
consideriamo il sottoinsieme:
W = ¦(x, y) ∈ R
2
[x −y = 0¦
e verifichiamo che si tratta di un sottospazio di V . Osserviamo innanzitutto
che gli elementi di W sono caratterizzati dal fatto che la differenza tra la
prima e la seconda componente `e pari a zero. Si ha che:
15
1. ∀(x
1
, y
1
), (x
2
, y
2
) ∈ W : (x
1
, y
1
) + (x
2
, y
2
) = (x
1
+x
2
, y
1
+y
2
) e dunque
la differenza tra la prima e la seconda componente del vettore somma
`e : x
1
+ x
2
− y
1
− y
2
= x
1
− y
1
+ x
2
− y
2
= 0 + 0 = 0 dove abbiamo
sfruttato il fatto che (x
1
, y
1
), (x
2
, y
2
) ∈ W cio`e x
1
−y
1
= 0, x
2
−y
2
= 0.
2. ∀λ ∈ R, ∀(x, y) ∈ W : λ(x, y) = (λx, λy) per definizione, e si ha che :
λx −λy = λ(x −y) = λ0 = 0, poich`e (x, y) ∈ W.
Questo conclude la dimostrazione.
Esercizio 2.1. Dimostare che i seguenti insiemi risultano essere sottospazi
vettoriali degli spazi in cui sono contenuti:
1. U = ¦(x, y, z) ∈ R
3
[2x −y −z = 0¦
2. V = ¦(x, y, z) ∈ R
3
[x +y = x −z = 0¦
3. W = ¦(x
1
, x
2
, x
3
, x
4
) ∈ R
4
[2x
2
+ 4x
4
= 3x
1
+x
3
= 0¦
Esempio 2.7. Consideriamo lo spazio vettoriale M
n
(R) delle matrici
quadrate di ordine n. Il sottoinsieme:
W = ¦A ∈ M
n
(R)[A = A
t
¦
`e detto insieme delle matrici simmetriche di ordine n. Verifichiamo che `e
sottospazio vettoriale:
1. se A, B ∈ W, allora A = A
t
, B = B
t
; dunque si ha che (A + B)
t
=
A
t
+ B
t
= A + B, cio`e A +B ∈ W;
2. siano λ ∈ R, A ∈ W: allora (λA)
t
= λ
t
A
t
= λA poich`e A ∈ W ed il
trasposto di un numero reale coincide con se stesso.
Abbiamo dunque un esempio importante di sottospazio dello spazio delle
matrici.
Esercizio 2.2. Seguendo lo schema dell’esempio precedente, lo studente provi
a dimostrare che il sottoinsieme:
U = ¦A ∈ M
n
(R)[A = −A
t
¦
`e un sottospazio vettoriale di M
n
(R); tale spazio `e detto insieme delle matrici
antisimmetriche di ordine n.
16
2.3 Indipendenza e dipendenza lineare, gene-
ratori e basi
Uno dei concetti di maggior importanza in algebra lineare `e quello di
indipendenza lineare tra vettori, secondo la seguente
Definizione 2.3. Sia V uno spazio vettoriale sul campo K; i vettori
v
1
, . . . , v
n
sono detti linearmente indipendenti se per ogni n-upla di scalari

1
, α
2
, . . . , α
n
) si ha che :
α
1
v
1

2
v
2
+ . . . + α
n
v
n
= 0
V
⇒ α
1
= α
2
= . . . = α
n
= 0
cio`e l’unica combinazione lineare di questi vettori che fornisce il vettore nullo
`e quella con coefficienti tutti nulli.
Definizione 2.4. Un insieme di vettori v
1
, v
2
, . . . , v
k
di uno spazio vettoriale
V `e detto essere un sistema di generatori per lo spazio se ogni vettore v ∈ V
si pu`o scrivere come combinazione lineare dei vettori v
i
, ovvero se:
∀v ∈ V, ∃α
1
, . . . , α
k
∈ K : v = α
1
v
1
+ . . . + α
k
v
k
Definizione 2.5. Una base per uno spazio vettoriale V `e un insieme di
vettori B = ¦v
1
, v
2
, . . . , v
n
¦ tali che:
1. v
1
, v
2
, . . . , v
n
sono linearmente indipendenti;
2. v
1
, v
2
, . . . , v
n
sono un sistema di generatori.
In particolare, il numero di elementi di una base di un dato spazio vettoriale
viene detto dimensione dello spazio vettoriale.
Esempio 2.8. Una base per lo spazio R
2
`e costituita da B = ¦e
1
, e
2
¦, dove
e
1
= (1, 0), e
2
= (0, 1).
Pi` u in generale, una base per lo spazio R
n
`e : B = ¦e
1
, e
2
, . . . , e
n
¦ dove e
i
`e
il generico vettore a n componenti che risultano essere tutte nulle tranne la
i-esima che `e pari ad 1.
Si conclude che in generale : dim(R
n
) = n.
Esempio 2.9. Determinare una base per i seguenti sottospazi:
U = ¦(x, y, z) ∈ R
3
[5x −y = x −y +z = 0¦
17
V = ¦(x
1
, x
2
, x
3
, x
4
) ∈ R
4
[x
1
+ 2x
2
+ 3x
3
+ 4x
4
= x
2
−x
3
= 0¦
soluzione Le equazioni che caratterizzano U costituiscono un sistema lineare
omogeneo; risolviamolo mediante il metodo di riduzione:
_
5 −1 0
1 −1 1
_

_
5 −1 0
0 4 −5
_
da cui, prendendo come variabile libera la z si ottiene:
z = t, y = 5/4t, x = 1/4t
cio`e il generico vettore di U `e nella forma :
u = (1/4t, 5/4t, t) = t(1/4, 5/4, 1).
Dunque il sottospazio U ha dimensione pari ad 1, ed una sua base `e :
B
U
= ¦(1/4, 5/4, 1)¦.
Per comodit`a sarebbe meglio prendere un vettore proporzionale a quello tro-
vato, per evitare di avere coefficienti frazionari, come, ad esempio, il vettore
(1, 5, 4), ottenuto moltiplicando per 4 il primo vettore.
Per determinare la base di V risolviamo il sistema omogeneo delle equazioni,
la cui matrice `e gi`a nella forma a gradini:
_
1 2 3 4
0 1 −1 0
_
prendiamo come variabili libere x
3
, x
4
. Si ottiene :
_
¸
¸
_
¸
¸
_
x
3
= t
x
4
= s
x
2
= t
x
1
= −5t −4s
Dunque il generico vettore di V `e nella forma:
v = (−5t −4s, t, t, s) = t(−5, 1, 1, 0) +s(−4, 0, 0, 1)
e possiamo concludere che :
B
V
= ¦(−5, 1, 1, 0), (−4, 0, 0, 1)¦
e dim(V ) = 2.
18
Esercizio 2.3. Determinare una base per i seguenti sottospazi:
1. U = ¦(x, y) ∈ R
2
[ −2x + 5y = 0¦
2. V = ¦(x, y, z) ∈ R
3
[x + 3y + 2z = 2x + 2y −7z = 0¦
3. W = ¦(x
1
, . . . , x
5
) ∈ R
5
[2x
1
+x
3
+5x
5
= x
1
−x
2
−x
3
= 3x
3
+2x
5
= 0¦
Esempio 2.10. Trovare la base dello spazio vettoriale
V = ¦A ∈ M
3
(R)[A = −A
t
¦.
Una matrice A e la sua trasposta sono del tipo
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
A
t
=
_
_
a
11
a
21
a
31
a
12
a
22
a
32
a
13
a
23
a
33
_
_
Ponendo A = −A
t
cio´e
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
_
_
−a
11
−a
21
−a
31
−a
12
−a
22
−a
32
−a
13
−a
23
−a
33
_
_
si ottiene
_
¸
¸
_
¸
¸
_
a
11
= a
22
= a
33
= 0
a
12
= −a
21
a
13
= −a
31
a
23
= −a
32
ovvero
A =
_
_
0 a
12
a
13
−a
12
0 a
23
−a
13
−a
32
0
_
_
Troviamo ora una base:
A = a
12
_
_
0 1 0
−1 0 0
0 0 0
_
_
+a
13
_
_
0 0 1
0 0 0
−1 0 0
_
_
+a
23
_
_
0 0 0
0 0 1
0 −1 0
_
_
Notiamo che dimV = 3.
´
E lasciata allo studente la verifica del fatto che, dato V = ¦A ∈ M
n
(R)[A =
−A
t
¦ la dimensione di V ´e uguale a
n(n−1)
2
.
19
Esercizio 2.4. In R
3
sono dati i sottospazi
U = ¦(x, y, z) ∈ R
3
[x = y = z¦
V = ¦(x, y, z) ∈ R
3
[x +y −2z = 0¦
W = ¦(x, y, z) ∈ R
3
[2x + 3z = 0¦
a) Determinare U ∩V , U ∩W, V ∩W, dimU, dimV , dimW, dim(U +V ),
dim(U +W), dim(V +W);
b) Completare la base di U a R
3
.
a)
U ∩ V = ¦(x, y, z) ∈ R
3
[x = y = z, x +y −2z = 0¦
U ∩ W = ¦(x, y, z) ∈ R
3
[x = y = z, 2x + 3z = 0¦
V ∩ W = ¦(x, y, z) ∈ R
3
[x +y −2z = 0, 2x + 3z = 0¦
Determiniamo le dimensioni e le basi dei vari sottospazi
U = ¦(x, y, z) ∈ R
3
[x = t, y = t, z = t¦ =< (1, 1, 1) >
V = ¦(x, y, z) ∈ R
3
[x = −t + 2s, y = t, z = s¦ =< (−1, 1, 0), (2, 0, 1) >
W = ¦(x, y, z) ∈ R
3
[x = −3/2t, y = s, z = t¦ =< (−3, 0, 2), (0, 1, 0) >
U ∩ V = ¦(x, y, z) ∈ R
3
[x = t, y = t, z = t¦ =< (1, 1, 1) >
U ∩ W = ¦(0, 0, 0)¦
V ∩ W = ¦(x, y, z) ∈ R
3
[x = −3/2t, y = 7/2t, z = t¦ =< (−3, 7, 2) > .
Si ha
dimU = 1
dimV = 2
dimW = 2
dim(U ∩ V ) = 1 ed in particolare U ∩ V = U
dim(U ∩ W) = 0
dim(V ∩ W) = 1
Per determinare le dimensioni degli spazi somma utilizziamo la formula di
Grassmann
dim(U + V ) = dimU + dimV −dim(U ∩ V ) = 2
dim(U + W) = dimU + dimW −dim(U ∩ W) = 3
dim(V +W) = dimV + dimW −dim(V ∩ W) = 3.
b) Per completare la base di U =< (1, 1, 1) > a R
3
prendiamo un vettore
perpendicolare a (1, 1, 1), ad esempio (−1, 1, 0) (infatti (1, 1, 1) (−1, 1, 0) =
0). Il terzo vettore della base ´e dato da (1, 1, 1) (−1, 1, 0) = (−1, −1, 2).
Quindi U =< (1, 1, 1), (−1, 1, 0), (−1, −1, 2) >= R
3
.
20
Esercizio 2.5. In R
4
sono dati i sottospazi:
U =< u
1
, u
2
, u
3
>, V =< v
1
, v
2
>
dove
u
1
= (0, 0, −1, 1) u
2
= (1, 0, 1, 0) u
3
= (k, 0, 1, 1)
v
1
= (0, 1, 0, 1) v
2
= (0, 1, −1, 0)
con k parametro reale.
a) Determinare al variare di k dimU, dimV , dim(U +V ), dim(U ∩ V );
b) Stabilire per quali k vale la decomposizione R
4
= U ⊕V ;
c) Dato w = (61, π, 2, −1), stabilire se w ∈ U + V .
a) Per stabilire la dimensione di U ci chiediamo se i suoi generatori sono
vettori linearmente indipendenti cio´e se
(0, 0, −1, 1)x + (1, 0, 1, 0)y + (k, 0, 1, 1)z = (0, 0, 0, 0) (2.1)
ha come unica soluzione (x, y, z) = (0, 0, 0). Riscriviamo la 2.1 come
_
_
_
y + kz = 0
−x + y + z = 0
x + z = 0
La matrice associata al sistema ´e
_
_
0 1 k
−1 1 1
1 0 1
_
_
Il suo determinante si annulla per k = 2, quindi se k ,= 2 il sistema ammette
un’unica soluzione (nulla essendo il sistema omogeneo), mentre se k = 2 la
matrice ha rango 2. Si ricava che dimU = 3 per k ,= 2 e dimU = 2 per
k = 2. Calcoliamo la dimensione di V . Ponendo
(0, 1, 0, 1)x + (0, 1, −1, 0)y = (0, 0, 0, 0) (2.2)
si ottiene l’unica soluzione (x, y) = (0, 0), da cui dimV = 2. Per calcolare
la dimensione di U + V =< u
1
, u
2
, u
3
, v
1
, v
2
> calcoliamo il rango della
21
matrice
_
_
_
_
_
_
0 0 −1 0
1 0 1 0
k 0 1 1
0 1 0 1
0 1 −1 0
_
_
_
_
_
_
Possiamo utilizzare il metodo di Gauss e si trova che il rango ´e 4 ∀k, quindi
dim(U + V ) = 4 ∀k. Per calcolare dim(U ∩ V ) utilizziamo la formula di
Grassmann vettoriale
dim(U ∩ V ) = dimU + dimV −dim(U +V )
= 3 + 2 −4 = 1 per k ,= 2
= 2 + 2 −4 = 0 per k = 2
b) Poich´e per k = 2 si ha dim(U ∩ V ) = 0 i sottospazi vettoriali (di R
4
) U e
V sono in somma diretta. Inoltre dim(U +V ) = 4 per ogni k. Ne deduciamo
che R
4
= U ⊕V . c) Dato che dim(U +V ) = 4 per ogni k si ha R
4
= U +V ,
ed essendo w un vettore di R
4
vale che w ∈ U + V .
22
Capitolo 3
Applicazioni lineari
Questo capitolo `e dedicato allo studio delle applicazioni lineari; iniziamo con
le definizioni base ed i primi esempi di applicazioni lineari nella prima sezione,
per poi passare allo studio dei sottospazi associati ad ogni morfismo tra spazi
vettoriali.
3.1 Definizioni ed esempi
In questa sezione indicheremo in generale con V, W due spazi vettoriali sul-
lo stesso campo K (che sar`a quasi sempre il campo dei numeri reali, salvo
alcuni casi in cui considereremo spazi vettoriali su C) di dimensioni n, m
rispettivamente.
Definizione 3.1. Una applicazione ϕ : V → W `e detta lineare se sono
verificate le seguenti condizioni:
1. ∀v
1
, v
2
∈ V : ϕ(v
1
+v
2
) = ϕ(v
1
) + ϕ(v
2
);
2. ∀v ∈ V, ∀λ ∈ K : ϕ(λv) = λϕ(v).
In base alla definizione possiamo subito esibire alcuni esempi di applicazioni
lineari tra spazi vettoriali. Cominciamo con due esempi piuttosto standard
(lo studente, ad una prima lettura, pu`o pensare che gli spazi vettoriali con
cui si lavora siano R
n
e R
m
).
Esempio 3.1. Consideriamo l’applicazione nulla tra due spazi vettoriali
definita da
0 : V → W
v → 0
W
23
che manda ogni vettore di V nel vettore nullo di W. Tale applicazione risulta
essere chiaramente lineare in quanto:
1. 0(v
1
) +0(v
2
) = 0
W
+ 0
W
= 0
W
= 0(v
1
+v
2
);
2. λ0(v) = λ0
W
= 0
W
= 0(λv).
Esempio 3.2. Un esempio importante di applicazione lineare `e l’applicazione
identica di uno spazio in se stesso:
id : V → V
v → v
lasciamo allo studente la verifica della linearit`a di tale mappa.
Possiamo considerare anche applicazioni lineari tra spazi vettoriali non usuali,
come dimostrato nel seguente:
Esempio 3.3. Abbiamo visto in precedenza che l’insieme R
n
[x] dei polinomi
di grado minore od uguale ad n nell’indeterminata x a coefficienti reali ha la
struttura di spazio vettoriale. Consideriamo l’operazione di derivazione:
D : R
n
[x] → R
n−1
[x]
p(x) → D(p(x)) = p

(x).
In generale, l’operazione di derivazione risulta essere lineare sullo spazio di
tutte le funzioni derivabili, poich`e
1
:
1. D(f(x) +g(x)) = D(f(x)) +D(g(x));
2. D(kf(x)) = kD(f(x))
per ogni coppia di funzioni derivabili f, g e per ogni scalare k ∈ R. Dunque,
a maggior ragione, tale operazione risulter`a essere lineare sul sottoinsieme
dei polinomi.
Nei primi tre esempi visti, la definizione della applicazione lineare non ha
fatto uso di coordinate; vediamo ora un primo esempio in cui l’applicazione
in questione `e definita mediante la scrittura esplicita delle coordinate del
codominio in funzione di quelle del dominio.
1
rimandiamo ad un testo di analisi la dimostrazione di questi fatti
24
Esempio 3.4. Consideriamo l’applicazione:
ϕ : R
2
→ R
2
(x, y) → (x +y, 2x −3y)
Se indichiamo con (x

, y

) le coordinate nel codominio, tale mappa `e indivi-
duata dalla sostituzione lineare omogenea:
_
x

= x +y
y

= 2x −3y
Verifichiamo che tale mappa `e lineare:
1. ∀(x
1
, y
1
), (x
2
, y
2
) ∈ R
2
si ha:
ϕ((x
1
, y
1
) + (x
2
, y
2
)) = ϕ((x
1
+x
2
, y
1
+ y
2
))
= (x
1
+x
2
+ y
1
+ y
2
, 2x
1
+ 2x
2
−3y
1
−3y
2
)
= (x
1
+y
1
, 2x
1
−3y
1
) + (x
2
+ y
2
, 2x
2
−3y
2
)
= ϕ((x
1
, y
1
)) +ϕ((x
2
, y
2
))
2. ∀(x, y) ∈ R
2
, ∀λ ∈ R:
ϕ(λ(x, y)) = ϕ((λx, λy))
= (λx +λy, 2λx −3λy)
= (λ(x +y), λ(2x −3y))
= λ(x +y, 2x −3y)
= λϕ(x, y)
In generale non `e necessario verificare che mappe come la ϕ siano lineari; `e
sufficiente osservare che l’espressione in coordinate `e data mediante equazioni
lineari omogenee.
Dopo aver visto i primi esempi di applicazioni lineari, continuiamo la nostra
trattazione ricordando un importante fatto: le applicazioni lineari trasfor-
mano combinazioni lineari in combinazioni lineari. Infatti, sia ¦v
1
, . . . , v
n
¦
una base di V ; ogni vettore v ∈ V si scrive come combinazione lineare dei v
i
:
v = α
1
v
1
+ + α
n
v
n
=

n
i=1
α
i
v
i
. L’immagine del vettore v mediante una
applicazione lineare ϕ : V → W risulter`a essere del tipo:
ϕ(v) = ϕ(

n
i=1
α
i
v
i
)
=

n
i=1
α
i
ϕ(v
i
)
= α
1
ϕ(v
1
) + +α
n
ϕ(v
n
).
25
In particolare, da questa osservazione, `e possibile dedurre che l’azione della
mappa ϕ `e completamente determinata dalla definizione di ϕ su una base del
dominio. Consideriamo dunque il seguente:
Esempio 3.5. Indichiamo con ¦e
1
, e
2
, e
3
¦ ed ¦e

1
, e

2
¦ la basi canoniche di R
3
ed R
2
rispettivamente; consideriamo dunque l’applicazione:
ϕ : R
3
→ R
2
e
1
→ 2e

1
−e

2
e
2
→ 3e

1
e
3
→ e

1
+ 5e

2
Tale mappa risulta sicuramente essere lineare; vogliamo determinare la sua
espressione in coordinate. Indicate con (x, y, z) le coordinate nel dominio, si
ha:
ϕ(x, y, z) = ϕ(xe
1
+ye
2
+ze
3
)
= ϕ(xe
1
) +ϕ(ye
2
) + ϕ(ze
3
)
= xϕ(e
1
) +yϕ(e
2
) + zϕ(e
3
)
= x(2e

1
−e

2
) + y(3e

1
) + z(e

1
+ 5e

2
)
= (2x + 3y + z)e

1
+ (−x + 5z)e

2
= (2x + 3y + z, −x + 5z)
cio`e la sostituzione lineare omogenea sulle coordinate `e data da:
_
x

= 2x + 3y + z
y

= −x + 5z
dove (x

, y

) rappresentano le coordinate nel codominio.
Nei prossimi due esempi consideriamo il caso di applicazioni lineari definite su
spazi vettoriali che non abbiamo ancora preso in esempio in questo capitolo;
nel primo caso consideriamo lo spazio vettoriale C come spazio vettoriale sul
campo R, mentre nel secondo prendiamo in considerazione lo spazio delle
matrici.
Esempio 3.6. Consideriamo lo spazio vettoriale C su R. Ricordiamo che
tale spazio ha dimensione pari a 2 ed una sua base `e ¦1, i¦
2
. Consideriamo
l’operazione di coniugio su C, definita da:
ϕ : C → C
z → z
2
ogni elemento z ∈ C si pu`o sempre scrivere come combinazione lineare z = a + ib con
a, b ∈ R, cio`e come combinazione lineare dei vettori 1 e i
26
E’ immediato verificare che tale applicazione `e lineare; infatti
1. ϕ(z
1
+z
2
) = z
1
+z
2
= z
1
+z
2
= ϕ(z
1
) + ϕ(z
2
)
2. ϕ(λz) = λz = λz = λz
poich`e λ ∈ R.
Esempio 3.7. Prendiamo in esame il caso in cui il dominio dell’applicazione
`e costituito dall’insieme delle matrici quadrate a coefficienti reali. Sia A =
(a
ij
) ∈ M
n
(R) una matrice quadrata di ordine n; ricordiamo che la traccia
3
di A `e definita da:
tr(A) =
n

i=1
a
ii
La funzione traccia associa dunque un numero reale ad ogni matrice quadrata;
in pratica, `e definita una funzione:
tr : M
n
(R) →R
che risulta essere lineare (vedi nota).
Terminiamo questa sezione riportando alcuni esempi di mappe tra spazi
vettoriali che non risultano essere lineari.
Esempio 3.8. Consideriamo l’applicazione definita in coordinate da:
ϕ : R
2
→ R
2
(x, y) → (x −y, 2x +y + 1)
ovvero definita dalla sostituzione sulle coordinate:
_
x

= x −y
y

= 2x +y + 1
3
per comodit`a , riportiamo al lettore le propriet`a fondamentali della funzione traccia,
le cui dimostrazioni si possono trovare su un qualsiasi testo di algebra lineare:
1. tr(A + B) = tr(A) + tr(B)
2. tr(kA) = ktr(A)
27
Tale mappa risulta essere non lineare in quanto, ad esempio, non `e
soddisfatta la linearit`a rispetto alla somma; infatti:
ϕ((x
1
, y
1
) + (x
2
, y
2
)) = ϕ((x
1
+x
2
, y
1
+y
2
))
= (x
1
+ x
2
−y
1
−y
2
, 2x
1
+ 2x
2
+ y
1
+ y
2
+ 1)
mentre si ha che:
ϕ((x
1
, y
1
)) +ϕ((x
2
, y
2
)) = (x
1
−y
1
, 2x
1
+y
1
+ 1) + (x
2
−y
2
, 2x
2
+y
2
+ 1)
= (x
1
+ x
2
−y
1
−y
2
, 2x
1
+ 2x
2
+ y
1
+ y
2
+ 2)
Esempio 3.9. Sappiamo che il determinante di una matrice quadrata a coef-
ficienti reali `e un numero reale; in altri termini risulta definita una fun-
zione tra lo spazio vettoriale delle matrici quadrate e lo spazio vettoriale
unidimensionale R:
det : M
n
(R) → R
A → det(A)
che non risulta essere lineare, perch`e in generale vale la seguente formula:
det(kA) = k
n
det(A) ∀k ∈ R.
Lasciamo come esercizio per lo studente la dimostrazione del fatto che, in
generale, non vale neanche:
det(A +B) = det(A) +det(B)
(lo studente fornisca un esempio di due matrici che non soddisfano tale
propriet`a ).
Esempio 3.10. Riprendiamo in esame lo spazio vettoriale C, considerandolo
questa volta come spazio vettoriale su se stesso
4
; in tal caso il coniugio
ϕ : C → C
z → z
non `e lineare! Ad esempio, si ha che:
ϕ(iz) = iz = iz = −iz
4
ricordiamo che in questo caso una base `e costituita, ad esempio, dal solo numero 1
28
3.2 Sottospazi associati ad una applicazione
lineare
Iniziamo questa sezione ricordando allo studente che si indica con Hom(V, W)
l’insieme delle applicazioni lineari (o morfismi) da V in W, mentre con
End(V ) indicheremo l’insieme di tutte le applicazioni lineari di uno spazio
V in se stesso. Ricordiamo inoltre che una applicazione lineare ϕ : V → W
`e detta isomorfismo se risulta essere biunivoca (e, quindi, invertibile). Un
isomorfismo di uno spazio V in se stesso ´e detto automorfismo.
Ad ogni applicazione lineare ϕ : V → W tra spazi vettoriali, risultano
associati due sottospazi, detti nucleo ed immagine, definiti da:
1. Ker(ϕ) = ¦v ∈ V [ϕ(v) = 0¦;
2. Im(ϕ) = ¦w ∈ W[∃v ∈ V, ϕ(v) = w¦.
Lo studio di questi sottospazi pu`o aiutare a comprendere meglio la funzione
ϕ; vale, ad esempio, la seguente:
Proposizione 3.1. Una applicazione lineare ϕ : V → W risulta essere
iniettiva se e solo se:
Ker(ϕ) = ¦0
V
¦
Di notevole importanza risulta essere anche il teorema delle dimensioni:
Teorema 3.1. Sia ϕ : V → W una applicazione lineare; allora vale la
seguente formula:
dim(Ker(ϕ)) +dim(Im(ϕ)) = dim(V ) (3.1)
Prima di passare a vedere altri esempi di applicazioni lineari `e per`o necessario
introdurre un nuovo concetto, ossia quello di matrice di una applicazione
lineare
3.3 Matrice associata ad una applicazione li-
neare
Sia ¦v
1
, v
2
, . . . , v
n
¦ una base dello spazio vettoriale V , e sia ¦w
1
, w
2
, . . . , w
m
¦
una base di W; consideriamo una applicazione lineare tra questi due spazi:
ϕ : V → W.
29
Tale applicazione lineare trasforma ogni vettore v
i
della base di V in un
vettore di W, che si potr`a dunque scrivere come combinazione lineare dei
vettori w
j
; in altri termini, `e possibile scrivere:
_
¸
¸
¸
_
¸
¸
¸
_
ϕ(v
1
) = a
11
w
1
+ a
21
w
2
+ +a
m1
w
m
ϕ(v
2
) = a
12
w
1
+ a
22
w
2
+ +a
m2
w
m
.
.
.
ϕ(v
n
) = a
1n
w
1
+ a
2n
w
2
+ +a
mn
w
m
ovvero, in termini pi` u compatti: ϕ(v
i
) =

m
j=1
a
ji
w
j
. Risulta dunque deter-
minata una matrice A ∈ M
m,n
(R), ottenuta mettendo nella i-esima colonna
i coefficienti del vettore ϕ(v
i
) nella base ¦w
j
¦:
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
In particolare, dalla costruzione fatta, si deduce che le colonne della matrice A
risultano essere un sistema di generatori per lo spazio Im(ϕ); dunque, per de-
terminare una base di Im(ϕ) `e sufficiente considerare le colonne linearmente
indipendenti della matrice A.
Siamo in grado ora di vedere alcuni esempi significativi di studi di applicazioni
lineari.
Esercizio 3.1. Consideriamo l’applicazione lineare definita sulla base:
ϕ : R
3
→ R
3
e
1
→ e
1
+e
3
e
2
→ e
2
e
3
→ e
1
+e
2
+e
3
Determinare la matrice di ϕ, scrivere le equazioni in componenti e studiare
la mappa ϕ (nel senso di determinare il nucleo e l’immagine, e stabilire se `e
iniettiva e/o suriettiva).
Soluzione. Notiamo innanzitutto che abbiamo considerato la base canonica
¦e
1
, e
2
, e
3
¦ sia nel dominio che nel codominio. Poich`e la mappa ϕ `e definita
su una base, risulta immediato scrivere la matrice associata all’applicazione
30
lineare: `e sufficiente mettere in colonna i coefficienti delle immagini dei vet-
tori della base del dominio! Dunque, la prima colonna di A risulta essere
il vettore (1, 0, 1)
t
. Ragionando in modo analogo per le altre due colonne,
risulta che:
A =
_
_
1 0 1
0 1 1
1 0 1
_
_
Scriviamo ora le equazioni di ϕ in componenti:
ϕ((x, y, z)) = ϕ(xe
1
+ye
2
+ ze
3
)
= xϕ(e
1
) + yϕ(e
2
) +zϕ(e
3
)
= xe
1
+ xe
3
+ye
2
+ ze
1
+ze
2
+ze
3
= (x +z)e
1
+ (y + z)e
2
+ (x + z)e
3
= (x +z, y +z, x +z)
cio`e la sostituzione lineare omogenea di coordinate `e :
_
_
_
x

= x +z
y

= y +z
z

= x +z
nota bene:la trasformazione di coordinate si pu`o leggere direttamente dalla
matrice associata A, ed in particolare sulle righe. Pi` u precisamente vale la
seguente:
_
_
x

y

z

_
_
= A
_
_
x
y
z
_
_
che risulta dunque essere in qualche modo equivalente alla scrittura:
w = ϕ(v)
posto w = (x

, y

, z

) e v = (x, y, z). Passiamo ora a determinare il nucleo di
tale applicazione; per definizione si ha:
v = (x, y, z) ∈ Ker(V ) ⇔ ϕ(v) = 0
W
⇔ Av = 0
W
dunque ogni elemento del nucleo deve essere soluzione del sistema lineare
omogeneo:
_
_
1 0 1
0 1 1
1 0 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
31
Osserviamo subito che la terza riga di tale sistema `e equivalente alla prima
e la eliminiamo; il sistema `e gi`a nella forma a gradini, da cui si vede che,
scegliendo la z come variabile libera, la soluzione `e nella forma:
x = y = −z
cio`e il nucleo di ϕ risulta essere lo spazio generato dal vettore (1, 1, −1), e
quindi `e un sottospazio di dimensione 1 in R
3
. Dunque possiamo concludere
immediatamente che l’applicazione in questione non `e iniettiva. Inoltre il
teorema delle dimensioni ci permette di concludere che dim(Im(ϕ)) = 2, e
dunque la mappa non `e nemmeno suriettiva; in particolare, una base per lo
spazio immagine si ottiene prendendo due colonne linearmente indipendenti
della matrice A (ad esempio le prime due). Concludiamo dunque che:
Im(ϕ) = < (1 0 1) , (0 1 0) >
Concludiamo questo esercizio con il fornire un metodo generale che si utilizza
per determinare le equazioni di un sottospazio vettoriale, una volta nota una
base per il sottospazio stesso. E’ proprio il caso del sottospazio immagine, di
cui ora conosciamo una base, e di cui vogliamo determinare l’equazione in
coordinate; procediamo secondo il seguente ragionamento: (x, y, z) ∈ Im(ϕ)
se e solo se (x, y, z) `e combinazione lineare dei vettori della base di Im(ϕ).
Questo `e equivalente ad imporre che la matrice:
M =
_
_
1 0 x
0 1 y
1 0 z
_
_
abbia rango 2, poich`e la terza colonna deve essere linearmente dipendente
dalle altre; alternativamente questo equivale a dire che tale matrice abbia
determinante nullo:
det(M) = 0
Sviluppando questo determinante rispetto alla seconda colonna con il metodo
di Laplace, si ottiene:
z −x = 0
cio`e si ottiene l’equazione che descrive lo spazio immagine:
Im(ϕ) = ¦(x, y, z) ∈ R
3
[x = z¦
32
Esercizio 3.2. Prendiamo ora in considerazione lo spazio vettoriale delle
matrici quadrate di ordine 2 a coefficienti reali: V = M
2
(R), e definiamo la
mappa:
ϕ : V → V
X →
1
2
(X +X
t
)
Lasciamo allo studente la verifica del fatto che tale applicazione risulta essere
lineare, mentre ci preoccupiamo nel seguito di scrivere la matrice associata a
ϕ. Scrivere la sua espressione in coordinate e determinare infine nucleo ed
immagine. Sia X ∈ V ; possiamo scrivere
X =
_
x
1
x
2
x
3
x
4
_
(come elemento nel dominio); si ha che
ϕ(X) =
1
2
_ _
x
1
x
2
x
3
x
4
_
+
_
x
1
x
3
x
2
x
4
_ _
=
_
x
1
x
2
+x
3
2
x
2
+x
3
2
x
4
_
Indicate con (y
1
, y
2
, y
3
, y
4
) le coordinate nel codominio, si ha che la
sostituzione lineare omogenea `e espressa dalle relazioni:
_
¸
¸
_
¸
¸
_
y
1
= x
1
y
2
= (x
2
+x
3
)/2
y
3
= (x
2
+x
3
)/2
y
4
= x
4
La matrice associata a ϕ `e pertanto:
A =
_
_
_
_
1 0 0 0
0 1/2 1/2 0
0 1/2 1/2 0
0 0 0 1
_
_
_
_
E’ immediato verificare che la matrice A ha rango pari a 3, e dunque la
mappa ϕ risulta essere non iniettiva e neppure suriettiva. Determiniamo
infine nucleo ed immagine dell’applicazione:
X ∈ Ker(ϕ) ⇔
1
2
_
X +X
t
_
= 0 ⇔ X = −X
t
33
cio`e il nucleo corrisponde all’insieme delle matrici antisimmetriche (ricor-
diamo che tale spazio ha dimensione 1). Per determinare una base di Im(ϕ)
prendiamo le colonne linearmente indipendenti della matrice A (ad esempio,
le prime due e l’ultima). La prima colonna corrisponde alla matrice:
_
1 0
0 0
_
Ragionando in modo analogo si conclude che:
Im(ϕ) =<
_
1 0
0 0
_
,
_
0 1
1 0
_
,
_
0 0
0 1
_
>
ossia tale spazio coincide con lo spazio delle matrici simmetriche (ha
dimensione 3).
Esercizio 3.3. Data l’applicazione lineare:
ϕ : R
2
→ R
2
(x, y) → (2x −3y, x, −x + 2y)
scrivere la matrice associata a ϕ, determinare nucleo ed immagine e stabilire
se i vettori w
1
= (−6, 3, 5), w
2
= (3, 1, −6) ∈ Im(ϕ).
soluzione E’ immediato scrivere la matrice associata, leggendo nella
trasformazione delle coordinate le righe della matrice stessa. Risulta:
A =
_
_
2 −3
1 0
−1 2
_
_
Per quanto riguarda il nucleo di questa applicazione `e sufficiente risolvere il
sistema omogeneo associato, ovvero ridurre la matrice A.
_
_
2 −3
1 0
−1 2
_
_

_
_
2 −3
0 2
0 1
_
_
che fornisce l’unica soluzione x = y = 0, cio`e :
Ker(ϕ) = ¦(0, 0)¦
34
Dunque la dimensione del nucleo `e pari a zero (questo implica che ϕ `e iniet-
tiva)e, dal teorema delle dimensioni, si ricava che dim(Im(ϕ)) = 2. In tal
caso significa che le due colonne della matrice associata risultano essere una
base per lo spazio immagine.
Passando all’ultimo quesito dell’esercizio, ragioniamo come segue:
w
1
∈ Im(ϕ) ⇔ ∃(x, y) ∈ R
2
: ϕ((x, y)) = w
1
.
Dal punto di vista matriciale, questo equivale a scrivere: ∃(x, y) ∈ R
2
tale
che
_
_
2 −3
1 0
−1 2
_
_
_
x
y
_
=
_
_
−6
3
5
_
_
che corrisponde quindi alla risoluzione di un sistema lineare non omogeneo.
Utilizzando il metodo di Gauss si ha:
_
_
2 −3 −6
1 0 3
−1 2 5
_
_

_
_
2 −3 −6
0 2 8
0 1 4
_
_
da cui si conclude che il sistema `e risolubile, e dunque w
1
∈ Im(ϕ).
Analogamente per w
2
si ha:
_
_
2 −3 3
1 0 1
−1 2 −6
_
_

_
_
2 −3 3
0 2 −5
0 0 −23
_
_
da cui si vede che il rango della matrice orlata `e maggiore di quello della
matrice del sistema, e pertanto w
2
,∈ Im(ϕ).
Esercizio 3.4. Data la mappa lineare
ϕ : R
3
→ R
3
e
1
→ 2e
1
−e
2
+ 7e
3
e
2
→ e
1
+ 3e
3
e
3
→ 2e
1
+ 3e
2
+ 3e
3
dire per quali vaolri di k ∈ R il vettore w = (−1, k, 2) ∈ Im(ϕ).
soluzione E’ sufficiente imporre che sia risolubile il sistema lineare la cui
matrice orlata `e :
_
_
2 1 2 −1
−1 0 3 k
7 3 3 2
_
_
35
Utilizzando ancora una volta la riduzione di Gauss si arriva ad ottenere:
_
_
2 1 2 −1
0 1 8 2k −1
0 0 0 2k + 10
_
_
da cui si conclude che il sistema `e risolubile se e solo se k = −5.
Esercizio 3.5. Nello spazio vettoriale R
2
[x] dei polinomi a coefficienti reali
di grado non superiore a 2, consideriamo la mappa:
ϕ : V → V
p(x) → p(1)x
2
+p(0)x
Verificare che ϕ `e un endomorfismo di V e studiarlo.
soluzione
Ricordato che la base canonica di V `e B
V
= ¦1, x, x
2
¦, in termini di tale base
un generico elemento di V si scrive come p(x) = a +bx +cx
2
, dove abbiamo
indicato con (a, b, c) le coordinate nel dominio. In termini di tali coordinate
si ha che:
p(1) = a +b +c; p(0) = a
e dunque:
ϕ(p(x)) = ax + (a +b +c)x
2
.
Se indichiamo con (x

, y

, z

) le coordinate nel codominio, la sostituzione `e
data da:
_
_
_
a

= 0
b

= a
c

= a +b + c
che risulta dunque essere lineare (in quanto `e una sostituzione lineare
omogenea). Ricaviamo inoltre la matrice associata:
A =
_
_
0 0 0
1 0 0
1 1 1
_
_
E’ immediato vedere che r(A) = 2; dunque dim(Im(ϕ)) = 2, e dal teorema
delle dimensioni si conclude che dim(Ker(ϕ)) = 1. In particolare si ha che:
Im(ϕ) = < C
1
, C
2
>
= < (0, 1, 1), (0, 0, 1) >
= < x +x
2
, x
2
>
36
Per determinare il nucleo di questa applicazione `e come al solito sufficiente
risolvere il sistema lineare omogeneo associato alla matrice A:
_
_
0 0 0
1 0 0
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
_
Risolvendo tale sistema si ottiene: a = 0, b = −c, da cui si deduce che
Ker(ϕ) =< (0, 1, −1) >=< x −x
2
>
Esercizio 3.6. Verificare che l’endomorfismo di R
3
:
ϕ : R
3
→ R
3
(x, y, z) → (−3x + 3z, y, 2x +y −z)
`e invertibile
5
,e determinare l’espressione in coordinate dell’applicazione
inversa.
soluzione
La matrice associata `e :
A =
_
_
−3 0 3
0 1 0
2 1 −1
_
_
Per verificare che ϕ `e invertibile `e sufficiente dimostrare che il nucleo dell’ap-
plicazione `e banale. In tal caso infatti siamo sicuri che ϕ `e iniettiva; inoltre
il teorema delle dimensioni ci consente di affermare che la dimensione del-
lo spazio immagine coincide con quella del codominio, e dunque ϕ `e anche
suriettiva. Se consideriamo il sistema omogeneo associato alla matrice A, `e
facile vedere che tale sistema ha una sola soluzione in quanto, sviluppando il
determinante con la regola di Laplace rispetto alla seconda riga, si ottiene:
det(A) = −3. L’unica soluzione possibile deve pertanto essere quella banale:
Ker(ϕ) = ¦(0, 0, 0)¦.
In tal modo abbiamo verificato l’esistenza della mappa inversa
ϕ
−1
: R
3
→R
3
: (x

, y

, z

) → (x, y, z),
5
si dice che ϕ `e un automorfismo di R
3
37
dove abbiamo indicato con (x

, y

, z

) le coordinate di un generico elemento
del codominio di ϕ.
Vale dunque la seguente relazione (in notazione funzionale)
w = ϕ(v) ⇔ ϕ
−1
(w) = v
che si riscrive in termini matriciali come:
(x

, y

, z

)
t
= A(x, y, z)
t
⇔ A
−1
(x

, y

, z

)
t
= (x, y, z)
t
cio`e la matrice A
−1
ci fornisce l’espressione in coordinate della funzione
inversa. Si ha che:
A
−1
=
_
_
1/3 −1 1
0 1 0
2/3 −1 1
_
_
L’espressione in coordinate di ϕ
−1
risulta essere:
_
_
_
x =
1
3
x

−y

+ z

y = y

z =
2
3
x

−y

+ z

Esercizio 3.7. Dati i sottospazi vettoriali:
U = ¦(x, y, z) ∈ R
3
[x+y = y+z = 0¦, V = ¦(x, y, z) ∈ R
3
[−x+2z = 0¦
determinare, se possibile, una applicazione lineare
ϕ : R
3
→R
3
tale che:
1. Ker(ϕ) = U;
2. Im(ϕ) = V
soluzione
Utilizziamo sia nel dominio che nel codominio la base canonica ¦e
1
, e
2
, e
3
¦
di R
3
, ed indichiamo con (x, y, z) e (x

, y

, z

) le coordinate in dominio e
codominio rispettivamente.
38
Sappiamo che lo spazio immagine `e generato dalle colonne linearmente in-
dipendenti della matrice associata; in tal caso conosciamo lo spazio imma-
gine, dunque possiamo ricavarne una base ed ottenere qualche colonna della
matrice associata.
Guardando le equazioni di V , `e facile dedurre che una base per tale spazio
risulta essere:
B
V
= ¦(0, 1, 0), (2, 0, 1)¦
dunque tale sottospazio ha dimensione 2 ed abbiamo ottenuto due delle tre
colonne della matrice associata, che sar`a della forma:
A =
_
_
0 2 a
1 0 b
0 1 c
_
_
dove il vettore colonna (a, b, c)
t
risulter`a essere combinazione lineare della
base di V . Per determinare le incognite a, b, c proviamo ad imporre la condi-
zione che il nucleo dell’applicazione che cerchiamo coincida con il sottospazio
U.
Prima di tutto osserviamo che U =< (1, −1, 1) > (questo si deduce piuttosto
facilmente dalle equazioni di U), e dunque imponiamo che tale vettore sia un
elemento del nucleo, cio`e :
_
_
0 2 a
1 0 b
0 1 c
_
_
_
_
1
−1
1
_
_
=
_
_
0
0
0
_
_
da cui si ricava il sistema:
_
_
_
−2 +a = 0
1 +b = 0
−1 +c = 0
Dunque la matrice associata all’applicazione lineare `e nella forma:
_
_
0 2 2
1 0 −1
0 1 1
_
_
cio`e l’endomorfismo di R
3
con le caratteristiche richieste `e :
ϕ : R
3
→ R
3
(x, y, z) → (2y + 2z, x −z, y +z)
39
3.4 Cambiamenti di riferimento
Sia V uno spazio vettoriale di dimensione n. Considerate due basi di V :
B = ¦v
1
, v
2
, . . . , v
n
¦
B

= ¦w
1
, w
2
, . . . , w
n
¦
risulta che ogni vettore w
j
∈ B

si pu`o scrivere come combinazione lineare
dei vettori v
i
:
_
¸
¸
¸
_
¸
¸
¸
_
w
1
= a
11
v
1
+a
21
v
2
+ + a
n1
v
n
=

n
i=1
a
i1
v
i
w
2
= a
12
v
1
+a
22
v
2
+ + a
n2
v
n
=

n
i=1
a
i2
v
i
.
.
.
w
n
= a
1n
v
1
+a
2n
v
2
+ + a
nn
v
n
=

n
i=1
a
in
v
i
(3.2)
Sia ora u ∈ V un generico vettore; esso si potr`a scrivere sia come
combinazione lineare dei v
i
che come combinazione lineare dei w
j
:
u = x
1
v
1
+ x
2
v
2
+ +x
n
v
n
= x

1
w
1
+x

2
w
2
+ +x

n
w
n
Sostituendo ai w
j
le espressioni fornite dalla (3.2) si ottiene:
u = x

1
w
1
+x

2
w
2
+ +x

n
w
n
= x

1
(a
11
v
1
+a
21
v
2
+ + a
n1
v
n
) + + x

n
(a
1n
v
1
+a
2n
v
2
+ +a
nn
v
n
)
= (x

1
a
11
+x

2
a
12
+ +x

n
a
1n
)v
1
+ + (x

1
a
n1
+x

2
a
n2
+ +x

n
a
nn
)v
n
da cui si ottengono le cosiddette espressioni del cambio di coordinate:
_
¸
¸
¸
_
¸
¸
¸
_
x
1
= x

1
a
11
+x

2
a
12
+ +x

n
a
1n
x
2
= x

1
a
21
+x

2
a
22
+ +x

n
a
2n
.
.
.
x
n
= x

1
a
n1
+x

2
a
n2
+ +x

n
a
nn
(3.3)
La (3.3) si pu`o esprimere in forma matriciale:
X = AX

(3.4)
40
dove:
X =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
X

=
_
_
_
_
_
x

1
x

2
.
.
.
x

n
_
_
_
_
_
mentre A `e la matrice quadrata di ordine n ottenuta mettendo in colonna i
coefficienti dei vettori w
j
rispetto alla base B:
A =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
La (3.4) fornisce dunque il legame esistente tra le coordinate (x
i
) del vettore
u espresso in termini della base B, e le coordinate (x

i
) dello stesso vettore u
rispetto alla base B

.
Osservazioni
1. la matrice A risulta essere invertibile, in quanto le sue colonne sono
linearmente indipendenti (essendo i vettori di una base);
2. A `e la matrice che esprime i vettori della base B

in funzione della base
B; in generale indicheremo dunque tale matrice con A
B,B
.
Vediamo un esempio per chiarire il tutto:
Esempio 3.11. In R
2
, la matrice di passaggio dalla base canonica B =
¦e
1
, e
2
¦ alla base B

= ¦v
1
(2, 1), v
2
(−1, 3)¦ si ottiene semplicemente mettendo
in colonna i vettori della base B

espressi in termini di B. Dunque:
A
B,B
=
_
2 −1
1 3
_
Ricordiamo che tale matrice fornisce le componenti (x, y) di un vettore di R
2
rispetto a B, una volta note le sue componenti rispetto a B

; ad esempio, se
u = (1, −1) rispetto a B

, allora le sue componenti (x, y) rispetto a B sono
fornite da:
_
x
y
_
=
_
2 −1
1 3
_ _
1
−1
_
41
cio`e x = 3, y = −2. Dunque:
u = v
1
−v
2
= 3e
1
−2e
2
Esercizio 3.8. In R
3
, con base canonica B = ¦e
1
, e
2
, e
3
¦, si considerino altre
due basi:
B

= ¦v
1
(1, 2, 3), v
2
(−1, 0, 4), v
3
(5, −2, 3)¦
B

= ¦w
1
(3, 0, 3), w
2
(−1, 2, 2), w
3
(1, 2, 5)¦
Determinare le coordinate dei vettori u = 3v
1
+ 2v
2
− 2v
3
e w = −w
1
+
4w
2
− 7w
3
rispetto alla base canonica, utilizzando la matrice del cambio di
coordinate.
Un importante risultato che riguarda il cambiamento di coordinate `e fornito
dalla seguente proposizone, che risulter`a utile anche nello svolgimento di
alcuni esercizi:
Proposizione 3.2. Sia V uno spazio vettoriale, e siano B, B

, B

tre basi
distinte di V . Indicate con M
B,B
, M
B

,B
le matrici che descrivono il cambio
di coordinate da B a B

e da B

a B

, rispettivamente, allora valgono i seguenti
fatti:
1. M
B,B
= M
B,B
M
B

,B
;
2. M
B

,B
= M
−1
B,B

.
Vediamo l’immediata applicazione di tale risultato nel seguente:
Esercizio 3.9. Sia V = R
3
; indichiamo con B = ¦e
1
, e
2
, e
3
¦ la sua base
canonica. Consideriamo le basi :
B

= ¦v
1
(1, 1, 0), v
2
(2, 1, 1), v
3
(0, −2, 1)¦
B

= ¦w
1
(−1, 0, 1), w
2
(1, −2, −3), w
3
(1, 1, 1)¦
Determinare il cambio di coordinate da B

a B

.
soluzione E’ immediato scrivere le matrici di passaggio da B a B

e B

;
M
B,B
=
_
_
1 2 0
1 1 −2
0 1 1
_
_
42
M
B,B
=
_
_
−1 1 1
0 −2 1
1 −3 1
_
_
La proposizione precedente ci consente di affermare che:
M
B

,B
= M
B

,B
M
B,B

e che
M
B

,B
= M
−1
B,B

.
Dunque, calcolando l’inversa di M
B,B
si ha:
M
−1
B,B

=
_
_
1/2 −2 3/2
1/2 −1 1/2
1 −1 1
_
_
In conclusione:
M
B

,B
=
_
_
1/2 −2 3/2
1/2 −1 1/2
1 −1 1
_
_
_
_
1 2 0
1 1 −2
0 1 1
_
_
=
_
_
−3/2 1/2 11/2
−1/2 1/2 5/2
0 2 3
_
_
Ad esempio, se conosciamo le coordinate di un vettore rispetto a B

, possiamo
facilmente conoscere le sue componenti rispetto a B

. Sia
u = 2w
1
+ 3w
2
+w
3
= (2, 3, 1)
B
;
allora le sue componenti rispetto a B

sono:
_
_
x
y
z
_
_
B

=
_
_
−3/2 1/2 11/2
−1/2 1/2 5/2
0 2 3
_
_
_
_
2
3
1
_
_
=
_
_
4
3
9
_
_
Lo studente dovrebbe essere ora in grado di risolvere da solo i seguenti
esercizi:
43
Esercizio 3.10. Per le seguenti coppie di basi di R
2
determinare la matrice
M
B,B
:
1. B = ¦(1, −1), (1, 1)¦, B

= ¦(1, 0), (1, 1)¦;
2. B = ¦(2, 1), (2, 2)¦, B

= ¦(

5, −

5), (

5,

5)¦.
Esercizio 3.11. Determinare la matrice del cambio di coordinate per le
seguenti coppie di basi di R
3
:
1. B = ¦(1, 0, 1), (1, 1, 0), (0, 1, 1)¦, B

= ¦(1, 1, 1), (0, 1, 1), (0, 0, 1)¦;
2. B = ¦(1, −1, 1), (−1, 1, 1), (1, 1, 1)¦,
B

= ¦(13, 5, −6), (8, −10, −4), (−17, 0, −7)¦
Una importante applicazione del cambiamento di coordinate si ha nel-
lo studio delle applicazioni lineari. Siano V, W spazi vettoriali, con basi
B
V
= ¦e
1
, . . . , e
n
¦, B

V
= ¦e

1
, . . . , e

m
¦, e sia
ϕ : V → W
(x
1
, . . . , x
n
) → (y
1
, . . . , y
m
)
una applicazione lineare tra questi spazi. Indicata con A la matrice associata
a tale applicazione lineare, sappiamo che vale la scrittura:
Y = AX
dove Y = (y
1
, . . . , y
m
)
t
∈ W, X = (x
1
, . . . , x
n
)
t
∈ V .
Vogliamo vedere cosa succede se cambiamo le basi nei due spazi. Indicate
con B

V
, B

W
due nuove basi, rispettivamente in V ed in W, abbiamo visto
che:
X = M
B
V
,B

V
X

, Y = M
B
W
,B

W
Y

sono le relazioni che legano le coordinate di uno stesso vettore rispetto a basi
differenti nello stesso spazio vettoriale. Possiamo dunque scrivere che:
M
B
W
,B

W
Y

= AM
B
V
,B

V
X

e poich`e M
B
W
,B

W
`e invertibile:
Y

= M
−1
B
W
,B

W
AM
B
V
,B

V
X

(3.5)
44
ovvero:
Y

= BX

con B = M
−1
B
W
,B

W
AM
B
V
,B

V
.
In altre parole, la (3.5) non `e altro che la notazione matriciale della
applicazione ϕ rispetto alle due nuove basi.
Si osservi che le matrici A e B rappresentano la stessa applicazione lineare
(`e sempre la ϕ), definita solo su basi differenti. Le due matrici sono dette
equivalenti.
Vediamo un esempio:
Esempio 3.12. Consideriamo la mappa
ϕ : R
3
→ R
2
e
1
→ 2e

1
+ e

2
e
2
→ e

1
−e

2
e
3
→ 5e

1
dove c = ¦e
1
, e
2
, e
3
¦, c

= ¦e

1
, e

2
¦ sono le basi canoniche di R
3
, R
2
rispetti-
vamente. Sappiamo che la corrispondente matrice associata a ϕ (rispetto a
queste basi!) `e :
A =
_
2 1 5
1 −1 0
_
e la corrispondente sostituzione di coordinate `e :
_
y
1
= 2x
1
+x
2
+ 5x
3
y
2
= x
1
−x
2
dove (x
1
, x
2
, x
3
) sono le coordinate nel dominio e (y
1
, y
2
) nel codominio.
Cerchiamo di capire cosa succede quando cambiamo base in entrambi gli spazi.
Consideriamo, ad esempio, le nuove basi:
B = ¦v
1
(1, 0, 2), v
2
(1, 2, 0), v
3
(1, 1, 2)¦
B

= ¦w
1
(3, 1), w
2
(1, 0)¦
e proviamo a determinare qual `e la matrice associata a ϕ rispetto a tali basi.
Iniziamo a determinare le matrici dei cambi di coordinate:
M
E,B
=
_
_
1 1 1
0 2 1
2 0 2
_
_
45
mentre
M
E

,B
=
_
3 0
1 1
_
La (3.5) ci dice che:
Y

= M
−1
E

,B

AM
E,B
X

dove Y

= (y

1
, y

2
)
t
∈ R
2
sono le coordinate di un vettore rispetto a B

,
X

= (x

1
, x

2
, x

3
)
t
∈ R
3
sono quelle rispetto a B. Dunque:
B = M
−1
E

,B

AM
E,B
=
_
1/3 0
−1/3 1
__
2 1 5
1 −1 0
_
_
_
1 1 1
0 2 1
2 0 2
_
_
=
_
4 4/3 13/3
−3 −7/3 −13/3
_
`e la matrice che rappresenta ϕ rispetto alle basi B, B

. La sostituzione
omogenea di coordinate `e pertanto data da:
_
y

1
= 4x

1
+ 4/3x

2
+ 13/3x

3
y

2
= −3x

1
−7/3x

2
−13/3x

3
Esercizio 3.12. Sia ϕ : R
2
→R
3
l’applicazione lineare definita da:
ϕ(x
1
, x
2
) = (x
1
+ x
2
, x
1
−2x
2
, x
1
)
Determinare M
B

,B
, dove:
B = ¦(1, 1), (0, −1)¦, B

= ¦(1, 1, 1), (1, −2, 0), (0, 0, 1)¦
cio`e la matrice associata a ϕ rispetto alle nuove basi.
46
Capitolo 4
Diagonalizzazione di operatori
lineari
In questo capitolo indicheremo con V uno spazio vettoriale n-dimensionale
generico su un campo K, e con ϕ un endomorfismo di tale spazio, cio`e una
applicazione lineare di V in se stesso. Iniziamo richiamando le principali
definizioni.
Definizione 4.1. Sia v ∈ V, v ,= 0; v `e detto autovettore per ϕ se
ϕ(v) = λv (4.1)
con λ ∈ K. In tal caso lo scalare λ `e detto autovalore di ϕ.
Osservazioni:
1. L’insieme V
λ
= ¦v ∈ V : ϕ(v) = λv¦ di tutti gli autovettori associati
all’autovalore λ `e detto autospazio associato a λ. Questo insieme risulta
essere un sottospazio vettoriale di V .
2. Se esiste una base B
V
= ¦v
1
, . . . , v
n
¦ di V costituita da autovettori per
ϕ, cio`e tale che ϕ(v
i
) = λ
i
v
i
, allora la matrice A associata a ϕ rispetto
a questa base `e in forma diagonale:
A =
_
_
_
_
_
λ
1
0 0
0 λ
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 λ
n
_
_
_
_
_
47
Definizione 4.2. Diciamo che ϕ (ovvero la matrice associata A) `e
diagonalizzabile se esiste una base di autovettori.
Un semplice criterio che si utilizza negli esercizi per il calcolo degli autovettori
`e fornito dal seguente risultato:
Proposizione 4.1. Uno scalare λ ∈ K `e autovalore di ϕ se e solo se:
det(A −λI) = 0 (4.2)
dove A−λI `e la matrice ottenuta togliendo l’incognita λ dagli elementi della
diagonale della matrice A.
Si noti che il primo membro della (4.2) risulta essere un polinomio di grado
n nella incognita λ, detto polinomio caratteristico:
P(λ) = (−1)
n
λ
n
+a
1
λ
n−1
+. . . +a
n−1
λ + a
n
dove a
n
= det A. Le radici di P(λ) = 0 sono dunque gli autovalori
dell’endomorfismo ϕ.
Teorema 4.1 (di Cayley-Hamilton). Ogni matrice quadrata annulla il suo
polinomio caratteristico, cio´e
(−1)
n
A
n
+a
1
A
n−1
+. . . +a
n−1
A + a
n
I = 0.
Possiamo ora iniziare ad esaminare i primi esempi.
Esempio 4.1. L’endomorfismo ϕ : R
2
→ R
2
: (x, y) → (x − 2y, x + 4y) ha
matrice associata:
A =
_
1 −2
1 4
_
La (4.2) ci dice che gli autovalori si ottengono da:
det
_
1 −λ −2
1 4 −λ
_
= 0
Sviluppando il determinante si ottiene l’equazione
λ
2
−5λ + 6 = 0
che fornisce le due soluzioni reali: λ
1
= 2, λ
2
= 3.
Ci proponiamo ora di determinare gli autospazi associati a ciascun autova-
lore:
48
V
2
: `e l’insieme dei vettori che soddisfano l’equazione Av = 2v, ossia sono
le soluzioni del sistema lineare omogeneo
(A −2I)v = 0
R
2.
Andiamo dunque a risolvere tale sistema:
_
−1 −2
1 2
__
x
y
_
=
_
0
0
_
Osserviamo subito che la seconda riga della matrice dei coefficienti `e
proporzionale alla prima e, dunque, la eliminiamo. Questa `e una ovvia
conseguenza del fatto che l’autovalore λ
1
= 2 annulla il determinante
della matrice A −λI, la quale dunque non ha rango massimo.
In conclusione, la matrice ha rango pari ad 1, e ci sono ∞
2−1
soluzio-
ni, ovvero l’autospazio V
2
ha dimensione 1. Per trovare una sua base
dobbiamo risolvere il sistema; l’unica equazione da considerare `e dun-
que: −x −2y = 0. Prendendo y come variabile libera si ottiene che la
generica soluzione `e nella forma:
_
x = −2t
y = t
e quindi si conclude che B
V
2
= ¦v
1
(−2, 1)¦.
V
3
: `e l’insieme dei vettori che soddisfano l’equazione Av = 3v, ossia sono
le soluzioni del sistema lineare omogeneo
(A −3I)v = 0
R
2.
Andiamo dunque a risolvere tale sistema:
_
−2 −2
1 1
__
x
y
_
=
_
0
0
_
Osserviamo subito che la seconda riga della matrice dei coefficienti `e
proporzionale alla prima; in tal caso eliminiamo la prima riga.
Come prima, la matrice ha rango pari ad 1, e ci sono ∞
2−1
soluzioni,
ovvero l’autospazio V
3
ha dimensione 1. Per trovare una sua base dob-
biamo risolvere il sistema; l’unica equazione da considerare `e dunque:
49
x +y = 0. Prendendo y come variabile libera si ottiene che la generica
soluzione `e nella forma:
_
x = −t
y = t
e quindi si conclude che B
V
3
= ¦v
2
(−1, 1)¦.
Abbiamo cos`ı determinato una coppia di autovettori linearmente indipenden-
ti, cio`e una base di autovettori per R
2
: B
R
2 = ¦v
1
, v
2
¦. Questo significa che
l’applicazione lineare ϕ `e diagonalizzabile, poich`e la matrice associata a ϕ in
tale base `e nella forma diagonale:
_
2 0
0 3
_
Concludiamo questo esercizio riprendendo quanto detto nella sezione dedicata
ai cambiamenti di riferimento per le applicazioni lineari, e vediamo come
funziona il tutto nel caso particolare degli endomorfismi.
Iniziamo con il ricordare che A `e la matrice associata a ϕ espressa rispetto
alla base canonica c(`e la stessa base sia nel dominio che nel codominio);
possiamo sottolineare questo fatto indicando tale matrice con A
E,E
.
Se ora vogliamo trovare la matrice B associata a ϕ rispetto ad una nuova
base B dobbiamo ricordarci che vale la relazione:
B = M
B,E
A
E,E
M
E,B
dove M
E,B
`e la matrice le cui colonne sono fornite dai coefficienti degli e-
lementi della nuova base B rispetto alla base canonica, ed inoltre M
B,E
=
M
−1
E,B
.
Proviamo dunque a vedere qual `e la matrice associata a ϕ rispetto alla base
di autovettori B = ¦v
1
(−2, 1), v
2
(−1, 1)¦. In tal caso si ha:
M
E,B
=
_
−2 −1
1 1
_
M
−1
E,B
=
_
−1 −1
1 2
_
50
e dunque la matrice associata a ϕ rispetto alla nuova base `e :
B = M
B,E
A
E,E
M
E,B
=
_
−1 −1
1 2
__
1 −2
1 4
__
−2 −1
1 1
_
=
_
2 0
0 3
_
come, del resto, avremmo dovuto aspettarci!
Osservazione: l’ultima parte dell’esercizio precedente pu`o essere
generalizzata secondo il seguente ragionamento:
sia A la matrice associata ad un endomorfismo di uno spazio V ; dopo aver
calcolato gli autovalori di tale matrice (gi`a a questo livello potrebbero esserci
dei problemi), si determina una base di autovettori per ogni autospazio. Se
l’unione di tutte queste basi risulta essere una base per V, allora la matrice A
`e diagonalizzabile, e la sua forma diagonale D si ottiene nel seguente modo:
D = M
−1
AM
dove M `e la matrice ottenuta mettendo in colonna tutti gli autovettori della
nuova base trovata.
M prende il nome di matrice diagonalizzante per A.
Non `e sempre possibile diagonalizzare una matrice, come evidenziato nel
seguente:
Esempio 4.2. La matrice di ordine 3:
A =
_
_
2 1 −1
0 0 5
0 0 0
_
_
ha come polinomio caratteristico:
p(λ) = det
_
_
2 −λ 1 −1
0 −λ 5
0 0 −λ
_
_
= λ
2
(2 −λ)
e dunque i suoi autovalori sono λ
1
= 0, λ
2
= 2. Si osservi che l’autovalore
λ
1
compare due volte come radice del polinomio caratteristico; diremo allora
che l’autovalore λ
1
ha molteplicit`a algebrica 2.
51
In generale, chiameremo molteplicit`a algebrica di un autovalore la sua mol-
teplicit`a come radice di p(λ), ed indicheremo questa quantit`a con m
a
(λ).
Nel nostro esempio si ha che m
a
(0) = 2 e m
a
(2) = 1.
Passiamo al calcolo degli autospazi associati:
V
0
:
_
_
2 1 −1
0 0 5
0 0 0
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
la matrice ha rango 2, dunque
dim(V
0
) = n −r(A) = 1
Tolta l’ultima equazione, dalla seconda si ottiene z = 0, e sostituendo
tale risultato nella prima si ha 2x +y = 0; presa x libera, si ottiene:
_
_
_
x = t
y = −2t
z = 0
Dunque V
0
=< v
1
(1, −2, 0) >.
V
2
:
_
_
0 1 −1
0 −2 5
0 0 −2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
la matrice ha rango 2, dunque
dim(V
2
) = n −r(A −2I) = 1
Togliendo una equazione, ad esempio la seconda, si ottiene che la
matrice dei coefficienti ridotta `e :
_
0 1 −1
0 0 −2
_
L’ultima equazione fornisce z = 0, e sostituendo tale risultato nella
prima si ha che y = 0. In conclusione rimane libera la variabile x, e
pertanto la soluzione di tale sistema `e :
_
_
_
x = t
y = 0
z = 0
e si ottiene che V
2
=< v
2
(1, 0, 0) >.
52
In conclusione ho trovato solo una coppia di autovettori indipendenti, e dun-
que non sono in grado di costruire una base diagonalizzante per la matrice
A.
L’esempio precedente ci permette di intravedere uno dei motivi che sono cau-
sa della non diagonalizzabilit`a di una matrice; infatti abbiamo osservato che
l’autovalore nullo compare due volte come radice del polinomio caratteristico
(abbiamo espresso questo concetto dicendo che m
a
(0) = 2), ma l’autospazio
associato a tale autovalore ha dimensione pari ad 1 ed una base di tale au-
tospazio sar`a pertanto costituita da un solo autovettore. E’ conveniente, a
questo punto , introdurre anche il concetto di molteplicit`a geometrica.
Definizione 4.3. Sia λ un autovalore di un endomorfismo ϕ; si chiama mol-
teplicit`a geometrica di λ, e si indica con m
g
(λ), la dimensione dell’autospazio
associato a tale autovalore. In altri termini:
m
g
(λ) = dim(V
λ
).
Ricordiamo innanzitutto che se λ `e un autovalore di ϕ ∈ End(V ), allora vale
sempre la relazione
1 ≤ m
g
(λ) ≤ m
a
(λ) (4.3)
Queste considerazioni dovrebbero farci capire il motivo della non diagonaliz-
zabilit`a della matrice dell’esempio precedente; la (4.3) ci assicura che l’au-
tospazio V
2
ha dimensione 1, pertanto troveremo una base costituita da un
solo autovettore anche per questo autospazio.
Quando considero l’unione delle basi di tutti gli autospazi trovati riesco a
determinare un sistema di vettori che non risulter`a essere una base per lo
spazio di partenza R
3
in quanto costituito da soli 2 vettori.
Definizione 4.4. Sia λ un autovalore di ϕ; diciamo che λ `e regolare se
m
a
(λ) = m
g
(λ)
Il ragionamento che abbiamo fatto ci permette di concludere che una condi-
zione necessaria per la diagonalizzabilit`a di un operatore lineare `e che tutti
gli autovalori siano regolari, secondo la precedente definizione.
Ci chiediamo ora se tale condizione risulta essere anche sufficiente. Per
rispondere a tale domanda basta considerare il seguente esempio!
53
Esempio 4.3. Consideriamo l’endomorfismo di R
3
:
ϕ : R
3
→ R
3
e
1
→ 3e
1
−e
2
e
2
→ e
1
+ 3e
2
e
3
→ −2e
3
la cui matrice associata `e :
A =
_
_
3 1 0
−1 3 0
0 0 −2
_
_
Il calcolo degli autovalori ci fornisce:
p(λ) = det
_
_
3 −λ 1 0
−1 3 −λ 0
0 0 −2 −λ
_
_
= (λ
2
−6λ + 10)(−2 −λ)
Le radici di tale polinomio risultano essere non tutte reali poich`e il fattore
λ
2
−6λ+10 ha discriminante negativo. L’unica soluzione reale (cio`e l’unico
autovalore reale) `e pertanto λ
1
= −2, con m
a
(−2) = 1; dunque questo au-
tovalore `e sicuramente regolare, ma non riusciamo a costruire una base di
autovettori (reali!) per R
3
.
In conclusione, l’endomorfismo ϕ non `e diagonalizzabile in campo reale;
diverso sarebbe il discorso in campo complesso, come vedremo dopo.
Abbiamo dunque fornito un esempio in cui gli autovalori trovati sono tutti
regolari ma l’endomorfismo risulta essere non diagonalizzabile. In questo
caso, la causa risiede nel fatto che il polinomio caratteristico non si fattorizza
in modo completo su R, ma possiede alcune radici in C.
Abbiamo ora tutti gli elementi per formulare una condizione necessaria e
suffciente per la diagonalizzabilit`a di un operatore lineare:
Teorema 4.2. Un endomorfismo ϕ `e diagonalizzabile sul campo K se e solo
se:
1. tutti gli autovalori sono in K;
2. ogni autovalore `e regolare
54
o, equivalentemente, se vale la condizione:

i
m
g

i
) = n
cio`e se la somma diretta di tutti gli autospazi ha come risultato lo spazio V .
Dal punto di vista pratico, questo teorema `e di semplice applicazione: dopo
aver calcolato il polinomio caratteristico della matrice A, calcolo le sue ra-
dici e verifico che siano tutte in K; in caso di risposta affermativa, passo al
calcolo degli autospazi per controllare che tutti gli autovalori siano regolari,
confrontando la loro molteplicit`a algebrica con quella geometrica. In caso di
ulteriore risposta affermativa, posso concludere che la matrice `e diagonaliz-
zabile e la base diagonalizzante si ottiene prendendo l’unione delle basi di
tutti gli autospazi trovati.
Esercizio 4.1. Studiare la digonalizzabilit`a della matrice:
A =
_
_
1 1 1
1 1 1
1 1 1
_
_
soluzione
Il polinomio caratteristico di A `e :
p(λ) = det
_
_
1 −λ 1 1
1 1 −λ 1
1 1 1 −λ
_
_
= λ
2
(3 −λ)
pertanto ci sono 2 autovalori reali: λ
1
= 0, m
a
(0) = 2 e λ
2
= 3, m
a
(3) = 1.
Quest’ultimo autovalore risulta essere sicuramente regolare; la matrice A `e
diagonalizzabile se m
g
(0) = m
a
(0) = 2.
Andiamo dunque a determinare l’autospazio V
0
risolvendo il sistema lineare
omogeneo:
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
E’ immediato verificare che la matrice dei coefficienti ha rango pari ad 1,
pertanto:
m
g
(0) = dim(V
0
) = n −r(A −0I) = 3 −1 = 2 = m
a
(0)
55
e dunque anche λ
1
= 0 `e un autovalore regolare.
Il teorema (4.2) ci assicura pertanto la diagonalizzabilit`a della matrice A.
Per trovare una base diagonalizzante `e necessario determinare i due
autospazi;
1. l’unica equazione che descrive V
0
`e : x + y + z = 0. Prendendo come
variabili libere y, z si ottiene che:
_
_
_
x = −t −s
y = t
z = s
da cui si vede che B
V
0
= ¦v
1
(−1, 1, 0), v
2
(−1, 0, 1)¦.
2. Per determinare V
3
risolviamo il sistema:
_
_
−2 1 1
1 −2 1
1 1 −2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
Riducendo per righe la matrice dei coefficienti si ottiene:
A −→
_
1 −2 1
0 −1 1
_
Prendendo z = t libera, si ottiene:
_
_
_
x = t
y = t
z = t
cio`e B
V
0
= ¦v
3
(1, 1, 1)¦.
Esercizio 4.2. Sia F : R
3
→R
3
l’operatore lineare
F(x, y, z) = (y −z, −x + 2y −z, x −y + 2z).
Dimostrare che F ´e diagonalizzabile, trovando una base b di R
3
formata da
autovettori di F. Determinare la matrice che rappresenta F in tale base.
56
La matrice A che rappresenta F nella base canonica ´e
_
_
0 1 −1
−1 2 −1
1 −1 2
_
_
Per calcolare gli autovalori poniamo det(A −λI) = 0:
¸
¸
¸
¸
¸
¸
−λ 1 −1
−1 2 −λ −1
1 −1 2 −λ
¸
¸
¸
¸
¸
¸
= 0
Le soluzioni sono λ = 1, 2 con m
a
(1) = 2, m
a
(2) = 1.
Calcoliamo ora gli autovettori associati all’autovalore 1 ponendo
_
_
−1 1 −1
−1 1 −1
1 −1 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
Il sistema ha ∞
2
soluzioni date da x −y +z = 0. Lo spazio delle soluzioni ´e
l’autospazio associato all’autovalore 1:
V
1
= ¦(x, y, z) ∈ R
3
[x = s −t, y = s, z = t; t, s parametri¦
= < (−1, 0, 1), (1, 1, 0) > .
La dimensione V
1
´e 2 cio´e m
g
(1) = 2.
Poich´e m
a
(1) = m
g
(1), m
a
(2) = m
g
(2) e m
a
(1) + m
a
(2) = 3 la matrice A ´e
diagonalizzabile. Gli autovettori associati all’autovalore 2 sono dati da
_
_
−2 1 −1
−1 0 −1
1 −1 0
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
che si riduce a
_
x + z = 0
y + z = 0
Il sistema ha ∞
1
soluzioni. Lo spazio delle soluzioni ´e l’autospazio associato
all’autovalore 2:
V
2
= ¦(x, y, z) ∈ R
3
[x = −t, y = −t, z = t; t parametro¦
= < (−1, −1, 1) > .
57
La dimensione di V
2
´e 1 cio´e m
g
(2) = 1.
Poich´e m
a
(1) = m
g
(1), m
a
(2) = m
g
(2) e m
a
(1) + m
a
(2) = 3 la matrice A ´e
diagonalizzabile.
Si ha che R
3
= V
1
⊕V
2
=< (−1, 0, 1), (1, 1, 0), (−1, −1, 1) > e la matrice del
cambiamento di base ´e data da
M =
_
_
−1 1 −1
0 1 −1
1 0 1
_
_
e la sua inversa ´e
M
−1
=
_
_
−1 1 0
1 0 1
1 −1 1
_
_
Ponendo D = M
−1
AM si ottiene
D =
_
_
1 0 0
0 1 0
0 0 2
_
_
.
D ´e la matrice diagonale che rappresenta l’operatore F nella base costituita
dagli autovettori.
Esercizio 4.3. Date le matrici A, B, M ∈ M
n
(K) con M invertibile
dimostrare che se B = M
−1
AM allora ∀k ∈ N vale B
k
= M
−1
A
k
M.
La dimostrazione ´e lasciata allo studente.
Osservazione 4.1. In particolare si osserva che se λ ´e autovalore di una
matirice A ∈ M
n
(K) allora λ
k
´e autovalore della matrice A
k
.
Esercizio 4.4. Con riferimento al testo dell’esercizio 4.2 determinare
l’operatore F
5
: R
3
→R
3
rispetto alla base canonica.
Consideriamo la matrice diagonale D associata ad F rispetto alla base di
autovettori calcolata nell’es 4.2. Allora una matrice diagonale associata a F
5
´e D
5
(nella stessa base di autovettori):
D
5
=
_
_
1 0 0
0 1 0
0 0 32
_
_
.
58
Per calcolare la matrice associata ad F nella base canonica basta porre
MD
5
M
−1
:
_
_
−1 1 −1
0 1 −1
1 0 1
_
_
_
_
1 0 0
0 1 0
0 0 32
_
_
_
_
−1 1 0
1 0 1
1 −1 1
_
_
=
_
_
−30 31 −31
−31 32 −31
31 −31 32
_
_
.
Quindi F
5
: R
3
→R
3
rispetto alla base canonica ´e definito da
F(x, y, z) = (−30x + 31y −31z, −31x + 32y −31z, 31x −31y + 32z).
Esercizio 4.5. Sia F : K
3
→ K
3
(K = R o K = C) l’endomorfismo definito
da
F(x, y, z) = (x −z, 2y, x + y +z).
1. Stabilire se F ´e diagonalizzabile ed in caso affermativo calcolare una
base di autovettori.
2. Detta A la matrice associata ad F calcolare A
−1
utilizzando il teorema
di Caley-Hamilton.
1. La matrice che rappresenta F nella base canonica ´e
_
_
1 0 −1
0 2 0
1 1 1
_
_
.
Per calcolare gli autovalori poniamo det(A −λI) = 0:
(2 −λ)(λ
2
−2λ + 2) = 0 (4.4)
In R l’unico autovalore possibile ´e 2 con m
a
(2) = 1 in quanto in R l’eqz 4.4
ammette come unica soluzione il valore 2. Poich´e le altre due soluzioni non
stanno in R si conclude che A non ´e diagonalizzabile in R.
In C ci sono tre autovalori distinti 2, 1
+

i (tutti con molteplicit´a algebrica 1),
dunque A ´e diagonalizzabile in C.
Calcoliamo gli autovettori associati all’autovalore 2 ponendo
_
_
−1 0 −1
0 0 0
1 1 −1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
59
che si riduce a
_
x + z = 0
y − 2z = 0
Il sistema ha ∞
1
soluzioni. Lo spazio delle soluzioni ´e l’autospazio associato
all’autovalore 2:
V
2
= ¦(x, y, z) ∈ C
3
[x = −t, y = 2t, z = t; t parametro¦
= < (−1, 2, 1)) > .
La dimensione V
1
´e 1 cio´e m
g
(1) = 2.
L’autospazio associato all’autovalore 1 + i ´e dato da
_
_
−i 0 −1
0 1 −i 0
1 1 −i
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
che si riduce a
_
ix + z = 0
y = 0
Il sistema ha ∞
1
soluzioni. Lo spazio delle soluzioni ´e dunque:
V
1+i
= ¦(x, y, z) ∈ C
3
[x = t, y = 0, z = −it; t parametro¦
= < (1, 0, −i) > .
La dimensione di V
1+i
´e 1 cio´e m
g
(1 +i) = 1.
Gli autovettori associati all’autovalore 1 −i sono dati da
_
_
i 0 −1
0 1 +i 0
1 1 i
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
che si riduce a
_
ix − z = 0
y = 0
Il sistema ha ∞
1
soluzioni. Lo spazio delle soluzioni ´e l’autospazio associato
all’autovalore 1 −i:
V
1−i
= ¦(x, y, z) ∈ C
3
[x = t, y = 0, z = it; t parametro¦
= < (1, 0, i) > .
60
La dimensione di V
1−i
´e 1 cio´e m
g
(1 +i) = 1.
Si ha che R
3
= V
2
⊕V
1+i
⊕V
1−i
=< (−1, 2, 1), (1, 0, −i), (1, 0, i) > e la matrice
del cambiamento di base ´e data da
M =
_
_
−1 1 1
2 0 0
1 −i i
_
_
Si ha che D = M
−1
AM dove
D =
_
_
2 0 0
0 1 +i 0
0 0 1 −i
_
_
.
D ´e la matrice diagonale che rappresenta l’operatore F nella base costituita
dagli autovettori.
2. Riprendendo l’eqz 4.4 si ha che il polinomio caratteristico ´e
P(λ) = −λ
3
+ 4λ
2
−6λ + 4
Per il teorema di Cayley-Hamilton P(A) = 0, cio´e
A
3
−4A
2
+ 6A −4I = 0
Moltiplicando per A
−1
si ottiene
A
2
−4A + 6I −4A
−1
= 0
da cui si ricava
A
−1
=
1
4
(A
2
−4A + 6I).
Svolgendo i conti si ha
A
−1
=
1
4
_
_
2 −1 2
0 2 0
−2 −1 2
_
_
.
Esercizio 4.6. Sia A la matrice
_
_
7 4 −4
4 1 8
−4 8 1
_
_
Calcolare gli autovalori di A ed una base ortonormale di autovettori.
61
Poniamo det(A −λI) = 0:
¸
¸
¸
¸
¸
¸
7 −λ 4 −4
4 1 −λ 8
−4 8 1 −λ
¸
¸
¸
¸
¸
¸
= 0
da cui si ottiene
(9 −λ)(λ
2
−81) = 0.
Gli autovalori sono λ = 9 (m
a
(9) = 2) e λ = −9 (m
a
(−9) = 1).
Calcoliamo gli autovettori associati all’autovalore 9:
_
_
−2 4 −4
4 −8 8
−4 8 −8
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
che si riduce a x −2y + 2z = 0. Il sistema ha ∞
2
soluzioni. Lo spazio delle
soluzioni ´e l’autospazio associato all’autovalore 9:
V
9
= ¦(x, y, z) ∈ R
3
[x = 2s −2t, y = s, z = t; t, s parametro¦
= < (−2, 0, 1), (−2, 1, 0) > .
La dimensione di V
9
´e 2 cio´e m
g
(9) = 2.
Calcoliamo gli autovettori associati all’autovalore -9:
_
_
16 4 −4
4 10 8
−4 8 10
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
.
che si riduce a
_
4x +y −z = 0
y +z = 0
Il sistema ha ∞
1
soluzioni. Lo spazio delle soluzioni ´e l’autospazio associato
all’autovalore -9:
V
−9
= ¦(x, y, z) ∈ R
3
[x = t/2, y = −t, z = t; t, s parametro¦
= < (1, −2, 2) > .
La dimensione di V
−9
´e 1 cio´e m
g
(−9) = 1.
62
Una base di autovettori ´e data da
¦v
1
= (−2, 0, 1), v
2
= (−2, 1, 0), v
3
= (1, −2, 2)¦.
Utilizziamo il metodo di ortogonalizzazione di Gram-Schmidt per ottenere
a partire da ¦v
1
= (−2, 0, 1), v
2
= (−2, 1, 0), v
3
= (1, −2, 2)¦ una base di
vettori ¦u
1
, u
2
, u
3
¦ ortonormali.
v
1
= (−2, 0, 1)
|v
1
| =

5 (norma di v
1
)
u
1
=
v
1
v
1

= (−
2

5
, 0,
1

5
) (u
1
ha lunghezza 1)
v
2
− < u
1
, v
2
> u
1
= (
2
5
, 1,
4
5
)
|(
2

5
, 1,
4

5
)| =
3

5
u
2
=
(
2

5
,1,
4

5
)
(
2

5
,1,
4

5
)
=

5
3
(
2
5
, 1,
4
5
) = (
2
3

5
,

5
3
,
4
3

5
)
v
3
´e gi´a perpendicolare a u
1
e u
2
in quanto non appartiene all’autospazio V
9
,
quindi basta dividerlo per la sua norma.
|v
3
| = 3 (norma di v
3
)
u
3
=
v
3
v
3

= (
1
3
, −
2
3
,
2
3
).
La matrice ortogonale del cambiamento di base ´e
M =
_
_
_

2

5
2
3

5
1
3
0

5
3

2
3
1

5
4
3

5
2
3
_
_
_
Essendo M una matrice ortogonale M
−1
= M
T
. La matrice A ´e simile alla
matrice diagonale
M
T
AM =
_
_
9 0 0
0 9 0
0 0 −9
_
_
.
Esercizio 4.7. Si consideri lo spazio vettoriale reale dei polinomi R
2
[X]. Sia
α : R
2
[X] →R
2
[X] l’operatore definito da
α(P[X]) = X
dP
dX
−X
_
3
2
X + 1
_
d
2
P
dX
2
.
1. Verificare che α ´e un endomorfismo e scriverne una matrice rispetto
alla base ¦1, X, X
2
¦ di R
2
[X].
2. Trovare autovalori e autovettori di α.
63
Essendo la derivata un operatore lineare anche α ´e lineare, dunque un en-
domorfismo.
´
E lasciata allo studente la verifica della linearit´a mediante i
conti.
Poich´e
α(1) = 0,
α(X) = X,
α(X
2
) = −X
2
−2X,
la matrice A associata ad α ´e
_
_
0 0 0
0 1 −2
0 0 −1
_
_
.
Essendo la matrice triangolare si vede subito che ci sono tre autovalori distinti
0,1,-1. La matrice ´e quindi diagonalizzabile.
´
E lasciato allo studente trovare gli autovettori.
Esercizio 4.8. Sia f : M
2
(R) → M
2
(R) l’applicazione definita da
f(A) = A −2A
t
.
1. Verificare che f ´e un endomorfismo.
2. Trovare autovalori ed autospazi di f e dire se f ´e diagonalizzabile.
Il punto 1. ´e lasciato allo studente.
2. Calcoliamo gli autovalori ponendo f(A) = λA ovvero A − 2A
t
= λA, da
cui
(1 −λ)A = 2A
t
. (4.5)
Da questa eqz deduciamo che A deve essere proporzionale ad A
t
(ovviamente
A ,= 0). Si presentano allora due casi:
A = A
t
(A simmetrica)
Dall’eqz 4.5 si ottiene l’autovalore λ = −1. L’autospazio associato sar´a lo
spazio delle matrici simmetriche
V
−1
=
_
A ∈ M
2
(R)[A = A
t
_
=
__
a b
b c
_
[a, b, c ∈ R
_
= <
_
1 0
0 0
_
,
_
0 1
1 0
_
,
_
0 0
0 1
_
>
64
Notiamo che dimV
−1
= 3 (m
g
(−1) = 3).
A = −A
t
(A antisimmetrica)
Dall’eqz 4.5 si ottiene l’autovalore λ = 3. L’autospazio associato sar´a lo
spazio delle matrici antisimmetriche
V
3
=
_
A ∈ M
2
(R)[A = −A
t
_
=
__
0 a
−a 0
_
[a ∈ R
_
= <
_
0 1
−1 0
_
>
Notiamo che dimV
3
= 1 (m
g
(3) = 1).
Poich´e M
2
(R) = V
−1
⊕V
3
f ´e diagonalizzabile (ne deduciamo m
a
(−1) = 3 e
m
a
(3) = 1).
Si pu´o arrivare allo stesso risultato procedendo nel modo standard. In questo
caso consideriamo la base canonica di M
2
(R)
E
1
=
_
1 0
0 0
_
, E
2
=
_
0 1
0 0
_
, E
3
=
_
0 0
1 0
_
, E
4
=
_
0 0
0 1
_
e data una matrice
A =
_
a b
c d
_
= aE
1
+bE
2
+cE
3
+ dE
4
vale
f(A) = A −2A
t
=
_
a b
c d
_
−2
_
a c
b d
_
=
_
−a b −2c
c −2b −d
_
.
Considerando le matrici di M
2
(R) come vettori di R
4
cio´e
E
1
=
_
_
_
_
1
0
0
0
_
_
_
_
, E
2
=
_
_
_
_
0
1
0
0
_
_
_
_
, E
3
=
_
_
_
_
0
0
1
0
_
_
_
_
, E
4
=
_
_
_
_
0
0
0
1
_
_
_
_
,
A =
_
_
_
_
a
b
c
d
_
_
_
_
, f(A) =
_
_
_
_
−a
b −2c
c −2b
−d
_
_
_
_
65
possiamo scrivere la matrice B associata ad f:
B =
_
_
_
_
−1 0 0 0
0 1 −2 0
0 −2 1 0
0 0 0 −1
_
_
_
_
.
Per calcolare gli autovalori procediamo come al solito ponendo det(B−λI) =
0. Lo studente pu´o proseguire e verificare che si trova lo stesso risultato
ottenuto sopra.
Esercizio 4.9. Stabilire per quali valori del parametro reale h la matrice
A =
_
_
_
_
0 0 0 h
0 0 1 0
0 1 h + 1 0
−1 0 0 0
_
_
_
_
´e diagonalizzabile.
66
Capitolo 5
Geometria analitica del piano
Fissato un sistema di riferimento R(O, i, j) indichiamo con (x, y) le coordinate
di un punto P tali che
P −O = xi +yj. (5.1)
Distanza tra due punti P
1
(x
1
, y
1
) e P
2
(x
2
, y
2
)
d(P
2
, P
1
) = |P
2
−P
1
| =
_
(x
2
−x
1
)
2
+ (y
2
−y
1
)
2
. (5.2)
Una retta nel piano si pu´o rappresentare mediante un’equazione del tipo
ax + by +c = 0 eqz. cartesiana implicita (5.3)
dove n(a, b) ´e un vettore perpendicolare alla retta data; oppure mediante
un’equazione del tipo
y = αx + β eqz. cartesiana esplicita (5.4)
dove α ´e il coefficiente angolare della retta. Una retta si pu´o rappresentare
anche mediante un’equazione parametrica del tipo
_
x = x
0
+u
x
t
y = y
0
+u
y
t
(5.5)
dove t ´e il parametro, P
0
(x
0
, y
0
) ´e un punto della retta e u = (u
x
, u
y
) ´e un
vettore parallelo alla retta. u
x
, u
y
sono detti parametri direttori della retta.
Il coefficiente angolare della retta ´e dato da
α = −
a
b
=
u
y
u
x
(5.6)
67
Equazione di una retta passante per due punti P
1
(x
1
, y
1
) e P
2
(x
2
, y
2
):
x −x
1
x
2
−x
1
=
y −y
1
y
2
−y
1
eqz cartesiana (5.7)
oppure
_
x = x
0
+ (x
2
−x
1
)t
y = y
0
+ (y
2
−y
1
)t
eqz parametrica (5.8)
Due rette r e r

sono parallele se hanno lo stesso coefficiente angolare
α = α

;
a
a

=
b
b

;
u
x
u

x
=
u
y
u

y
. (5.9)
Due rette r e r

sono perpendicolari se:
u
r
u
r
= 0 i vettori u
r
e u
r
sono perpendicolari
oppure
n
r
n
r
= 0 i vettori n
r
e n
r
sono perpendicolari
oppure
α = −
1
α

.
La totalit´a delle rette passanti per un punto P
0
(x
0
, y
0
) si dice fascio proprio
di centro P
0
e si rappresenta mediante
a(x −x
0
) + b(y −y
0
) = 0 al variare di a, b. (5.10)
La totalit´a delle rette parallele ad una retta assegnata r : ax + by + c = 0 si
dice fascio improprio di direzione individuata da r e si rappresenta mediante
ax +by +k = 0 al variare di k. (5.11)
Il fascio di rette individuato da due rette distinte di equazione r : ax+by+c =
0 e r : a

x + b

y + c

= 0 si rappresenta nella forma
λ(ax +by +c) +µ(a

x + b

y +c

) = 0 (5.12)
al variare dei parametri omgenei λ, µ.
Distanza di un punto P
0
(x
0
, y
0
) da una retta r : ax +by +c = 0:
d(P
0
, r) =
[ax
0
+by
0
+c[

a
2
+b
2
. (5.13)
68
Angolo di due rette r e r

cos u
r
u
r
=
+

u
r
u
r

|u
r
||u
r
|
. (5.14)
r e r

sono perpendicolari se lo sono i vettori u
r
e u
r
:
u
r
u
r
= 0.
Esercizio 5.1. Data la retta r : x + 2y −4 = 0 e la retta
s :
_
x = 1 + 2t
y = 3 + t
Determinare l’eqz della retta appartenente al fascio individuato da r e s e
soddisfacente ad una delle seguenti condizioni:
(a) passante per il punto P(3, 1);
(b) parallela alla retta 3x −y + 7 = 0.
(a) Eliminando il parametro t dall’eqz parametrica di s otteniamo la sua eqz
cartesiania
x −2y + 5 = 0.
Il fascio individuato da r e s ´e dato da
λ(x + 2y −4) +µ(x −2y + 5) = 0
Imponendo il passaggio per P si ha λ + 6µ = 0; una possibile soluzione ´e
λ = −6 e µ = 1. Sostituendo tali valori all’eqz del fascio si ottiene la retta
5x + 14y −29 = 0.
(b) Riscriviamo l’eqz del fascio nel modo seguente:
(λ + µ)x + 2(λ −µ)y −4λ + 5µ = 0.
Imponendo la condizione di parallelismo
λ +µ
3
=
2(λ −µ)
−1
si ottiene 7λ −5µ = 0; una soluzione ´e ad es λ = 5 e µ = 7. Sostituendo tali
valori all’eqz del fascio si ottiene la retta
12x −4y + +15 = 0.
69
Esercizio 5.2. Trovare il luogo dei punti equidistanti dai punti A(−1, 2) e
B(0, 4).
Determinare i punti C appartenenti al luogo dei punti equidistanti da A e B
tali che d(C, A) =

5.
Il punto medio del segmento AB ´e dato da
M =
_
x
A
+x
B
2
,
y
A
+y
B
2
_
(5.15)
Nel nostro caso M
_

1
2
, 3
_
. Calcoliamo il vettore AB = OB−OA = (0, 4)−
(−1, 2) = (1, 2) e troviamo un vettore (x, y) perpendicolare ad esso:
(1, 2) (x, y) = (0, 0)
da cui x + 2y = 0; una soluzione ´e ad es (x, y) = (2, −1).
Il luogo dei punti equidistanti da A e B ´e una retta r passante per M e
parallelo al vettore (2, −1), quindi di eqz parametrica:
_
x = −
1
2
+ 2t
y = 3 −t
Eliminando t si ottiene l’eqz cartesiana x + 2y −
11
2
= 0.
Si poteva arrivare allo stesso risultato sfruttando il fatto che tutti i punti di
r hanno la stessa distanza da A e B, cio´e
d(P, A) = d(P, B)
dove P ´e un punto generico di r.
Un generico punto C di r ´e C =
_
−2t +
11
2
, t
_
(si ricava dall’eqz parametrica
di r). Da d(C, B) =
5
2
(uso d(C, B) per semplicit´a di conti) si ottiene
¸
_
−2t +
11
2
_
2
+ (t −4)
2
=
5
2
. Le soluzioni sono t = 4 e t = 2, a cui corrispondono rispettivamente i punti
_
3
2
, 2
_
e
_

5
2
, 4
_
.
70
Capitolo 6
Geometria analitica dello spazio
Fissato un sistema di riferimento R(O, i, j, k) indichiamo con (x, y, z) le
coordinate di un punto P tali che
P −O = xi + yj + zk. (6.1)
Distanza tra due punti P
1
(x
1
, y
1
, z
1
) e P
2
(x
2
, y
2
, z
2
)
d(P
2
, P
1
) = |P
2
−P
1
| =
_
(x
2
−x
1
)
2
+ (y
2
−y
1
)
2
+ (z
2
−z
1
)
2
. (6.2)
Un piano si pu´o rappresentare mediante un’equazione del tipo
ax + by +cz +d = 0 eqz. cartesiana (6.3)
dove n = (a, b, c) ´e un vettore perpendicolare al piano, oppure mediante
un’equazione parametrica
_
_
_
x = x
0
+u
x
t +v
x
s
y = y
0
+u
y
t +v
y
s
z = z
0
+ u
z
t +v
z
s
(6.4)
dove u = (u
x
, u
y
, u
z
) e v = (v
x
, v
y
, v
z
) sono vettori paralleli al piano e
P
0
(x
0
, y
0
, z
0
) ´e un punto del piano.
L’equazione cartesiana di un piano passante per un punto P
0
(x
0
, y
0
, z
0
) e
parallelo ai vettori u = (u
x
, u
y
, u
z
) e v = (v
x
, v
y
, v
z
) ´e data da
(P −P
0
) ∧ u v = 0 (6.5)
71
ovvero
¸
¸
¸
¸
¸
¸
x −x
0
y −y
0
z −z
0
u
x
u
y
u
z
v
x
v
y
v
z
¸
¸
¸
¸
¸
¸
= 0 (6.6)
Due piani α : ax+by +cz +d = 0 e α

: a

x+b

y +c

z +d

= 0 sono paralleli
se n = (a, b, c) e n

= (a

, b

, c

) sono vettori paralleli ovvero se
a
a

=
b
b

=
c
c

. (6.7)
e sono perpendicolari se n = (a, b, c) e n

= (a

, b

, c

) sono vettori
perpendicolari ovvero se
n n

= 0. (6.8)
L’intersezione di due piani α e α

´e data da una retta r che si pu´o quindi
esprimere mediante
r :
_
ax +by +cz + d = 0
a

x +b

y +c

z + d

= 0
(6.9)
L’equazione (parametrica) di una retta passante per un punto P
0
(x
0
, y
0
, z
0
)
e parallelo al vettore u = (u
x
, u
y
, u
z
) ´e data da
_
_
_
x = x
0
+u
x
t
y = y
0
+u
y
t
z = z
0
+ u
z
t
(6.10)
con t parametro, oppure, in forma equivalente, mediante
x −x
0
u
x
=
y −y
0
u
y
=
z −z
0
u
z
. (6.11)
Se r ´e una retta intersezione di due piani π e π

allora il vettore u
r
(u
x
, u
y
, u
z
)
(parallelo a r) ´e dato dal prodotto vettoriale di n
π
e n
π
:
u
r
= n
1
n
2
=
¸
¸
¸
¸
¸
¸
i j k
a b c
a

b

c

¸
¸
¸
¸
¸
¸
= u
x
i + u
y
j +u
z
k
La totalit´a dei piani passanti per una retta r si dice fascio proprio di asse la
retta r e si rappresenta mediante
λ(ax +by +cz + d) + µ(a

x +b

y +c

z +d

) = 0 (6.12)
72
al variare dei parametri omgenei λ, µ e dove ax + by + cz + d = 0 e a

x +
b

y +c

z + d

= 0 sono due piani qualsiasi passanti per r.
La totalit´a dei piani paralleli ad un piano assegnato π : ax +by +cz +d = 0
si dice fascio improprio di piani e si rappresenta mediante
ax +by + cz +k = 0 al variare di k. (6.13)
Due rette r e r

(forma parametrica) sono complanari se
¸
¸
¸
¸
¸
¸
x

0
−x
0
y

0
−y
0
z

0
−z
0
u
x
u
y
u
z
u

x
u

y
u

z
¸
¸
¸
¸
¸
¸
= 0 (6.14)
altrimenti sono dette sghembe.
La distanza di un punto P
0
(x
0
, y
0
, z
0
) da un piano π : ax +by +cz +d = 0 ´e
data da
d(P
0
, π) =
[ax
0
+by
0
+cz
0
+d[

a
2
+b
2
+ c
2
. (6.15)
La distanza di un punto P
0
(x
0
, y
0
, z
0
) da una retta r ´e data da
d(P
0
, r) =
|(P
0
−P
1
) ∧ u|
|u|
(6.16)
con P
1
∈ r.
Se r e r

sono due rette sghembe, la loro distanza (detta minima distanza) ´e
la distanza di un punto qualsiasi di r dal piano π passante per s e parallelo
ad r; la retta di minima distanza di r, s ´e la retta perpendicolare ed incidente
r, s; essa determina su r, s due punti R, S la cui distanza coincide con la
minima distanza delle due rette.
Angolo di due rette r e r

cos u
r
u
r
=
+

u
r
u
r

|u
r
||u
r
|
. (6.17)
r e r

sono perpendicolari se lo sono i vettori u
r
e u
r
:
u
r
u
r
= 0.
r e r

sono parallele se lo sono i vettori u
r
e u
r
.
73
Angolo di due piani π e π

cos nn

=
+

n n

|n||n

|
. (6.18)
Sia θ l’angolo individuato da una retta r e la sua proiezione ortogonale su un
piano π. Allora
sin θ = cos
_
π
2
−θ
_
=
n
π
u
r
|u
r
||n
π
|
. (6.19)
La retta r ´e perpendicolare al piano π se il vettore u
r
´e parallelo al vettore
n
π
.
Esercizio 6.1. Dati v = (1, 0, 1), w = (−1, 0, 1), u = (0, 1, 1) sia
U il piano passante per l’origine e generato da u e v,
V il piano passante per l’origine e generato da v e w.
Determinare:
la retta r = U ∩ V ;
la retta r

passante per l’origine e perpendicolare a V ;
per quali k il vettore z = (1, 0, k) ∈ V ?
per quali k il vettore z = (k
2
, 0, −k) ´e perpendicolare a U?
L’eqz parametrica del piano U ´e
U = t(1, 0, 1) +s(0, 1, 1)
mentre da
¸
¸
¸
¸
¸
¸
x y z
0 1 1
1 0 1
¸
¸
¸
¸
¸
¸
= 0
si ottiene l’eqz cartesiana di U : x + y −z = 0.
L’eqz parametrica del piano V ´e
U = t

(1, 0, 1) +s

(−1, 0, 1)
mentre da
¸
¸
¸
¸
¸
¸
x y z
1 0 1
−1 0 1
¸
¸
¸
¸
¸
¸
= 0
si ottiene l’eqz cartesiana di V : y = 0.
74
L’eqz. cartesiana della retta r = U ∩ V ´e
r :
_
x = z
y = 0
mentre l’eqz parametrica ´e
r :
_
_
_
x = t
y = 0
z = t
La retta r

deve essere parallela a n
U
= (0, 1, 0) ed ´e
r

:
_
_
_
x = 0
y = λ
z = 0
Il vettore z = (1, 0, k) ∈ V se (1, 0, k) = t

(1, 0, 1) +s

(−1, 0, 1) cio´e se
_
1 = t

−s

k = t

+ s

Il sistema si pu´o ridurre in forma a gradini ∀k (´e compatibile ∀k), dunque
z ∈ V ∀k.
Il vettore z(k
2
, 0, −k) ´e perpendicolare a U se
k
2
1
=
0
1
=
−k
−1
quindi per k = 0.
Esercizio 6.2. Sia r la retta di equazione
r :
_
x −(k + 1)y −z = k −1
2x + (1 −2k)y + z = 2k + 1
Per quali k la retta r ´e:
(a) parallela alla retta s di equazione
s :
_
_
_
x = 3t + 1
y = 2t
z = 2 −2t
75
(b) parallela al piano π : 2x −y + 3z = 1;
(c) passante per il punto A(1, 1, 1).
(a) Mettiamo r in forma parametrica (risolviamo il sistema che la
rappresenta)
_
1 −k −1 −1
2 1 −2k 1
¸
¸
¸
¸
k −1
2k + 1
_
Utilizziamo il metodo di Gauss
_
1 −k −1 −1
0 1 1
¸
¸
¸
¸
k −1
1
_
da cui si ottiene
r :
_
_
_
x = 2k −kt
y = 1 −t
z = t
r ´e parallela a s se u
r
(−k, −1, 1) ´e parallelo a u
s
(3, 2, −2) cio´e se
−k
3
=
−1
2
=
1
−2
da cui si ottiene k =
3
2
.
Oppure si pu´o risolvere trovando u
r
come prodotto vettoriale di n
1
= (1, −k−
1, −1) e n
2
= (2, 1 −2k, 1) che sono rispettivamente i vettori perpendicolari
ai piani la cui intersezione ´e r:
u
r
= n
1
n
2
=
¸
¸
¸
¸
¸
¸
i j k
1 −k −1 −1
2 1 −2k 1
¸
¸
¸
¸
¸
¸
= −3ki + 3j + 3k
e poi procedere come sopra.
(b) Affinch´e r sia parallela al piano π deve essere u
r
(−k, −1, 1) perpendicolare
a n
π
(2, −1, 3):
u
r
n
π
= 0
da cui k = 2.
(c) Per vedere se A ∈ r andiamo a sostituire le sue coordinate (1, 1, 1) nell’eqz
di r
_
1 −(k + 1) −1 = k −1
2 + (1 −2k) + 1 = 2k + 1
76
Svolgendo i conti si arriva a
_
k = −k
4k = 3
Il sistema ´e incompatibile, quindi A / ∈ r qualunque sia il valore di k.
Esercizio 6.3. Dati la retta
r :
_
_
_
x = 2t −3
y = t
z = 2 −t
ed il piano π : x +z −5 = 0 determinare:
(a) il piano passante per r e perpendicolare a π;
(b) i piani passanti per r e che formano con π un angolo di
π
3
.
(a) Il piano passante per r e perpendicolare a π ´e un piano generato dai
vettori u
r
= (2, 1, −1) e da n
π
= (1, 0, 1) e passante per un punto qualsiasi
di r ad esempio per (−3, 0, 2) (ottenuto per t = 0). Esso ha eqz parametrica
_
_
_
x = −3 + 2t +s
y = t
z = 2 −t +s
Dall’eqz parametrica ricaviamo quella cartesiana: x −3y −z + 5 = 0.
Si pu´o arrivare allo stesso risultato trovando l’eqz cartesiana di r:
_
x −2y + 3 = 0
y +z −2 = 0
e scrivendo l’eqz del fascio proprio di piani di asse la retta r
λ(x −2y + 3) + µ(y +z −2) = 0.
Riscriviamo tale eqz nel seguente modo
λx + (µ −2λ)y +µz + 3λ −2µ = 0.
Il vettore perpendicolare a tale piano ´e (λ, µ − 2λ, µ) e deve essere
perpendicolare a n
π
(1, 0, 1):
(λ, µ −2λ, µ) (1, 0, 1) = 0
77
da cui si ottiene
λ +µ = 0
Una soluzione ´e ad esempio (λ, µ) = (1, −1). Andando a sostituire tali valori
nell’eqz del fascio si ottiene x −3y −z + 5 = 0.
(b) I piani passanti per r sono rappresentati dall’eqz del fascio. Imponiamo
ora la seconda condizione
cos
π
3
=
(λ, µ −2λ, µ) (1, 0, 1)
|(λ, µ −2λ, µ)||(1, 0, 1)|
=
λ + µ
_
λ
2
+ (µ −2λ)
2

2

2
Svolgendo i conti si ottiene l’eqz
λ(3λ −8µ) = 0
che ha due soluzioni: una ´e λ = 0 e µ arbitrario ad es µ = 1, l’altra ´e ad es
λ = 8 e µ = 3. Andando a sostituire tali valori nell’eqz del fascio si ottengono
rispettivamente i piani y +z −2 = 0 e 8x −13y + 3z + 18 = 0.
78

Indice
1 Sistemi lineari 1.1 Matrici quadrate m = n . . . . . . . . . . . . . . . . . . . . . 1.1.1 Regola di Cramer . . . . . . . . . . . . . . . . . . . . . 2 Spazi vettoriali 2.1 Definizioni ed esempi . . . . . . . . . . . . . . . . . . . . . . . 2.2 Sottospazi vettoriali . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Indipendenza e dipendenza lineare, generatori e basi . . . . . . 3 Applicazioni lineari 3.1 Definizioni ed esempi . . . . . . . . . . . . . . . 3.2 Sottospazi associati ad una applicazione lineare 3.3 Matrice associata ad una applicazione lineare . . 3.4 Cambiamenti di riferimento . . . . . . . . . . . 4 Diagonalizzazione di operatori lineari 5 Geometria analitica del piano 6 Geometria analitica dello spazio 1 2 2 12 12 15 17 23 23 29 29 40 47 67 71

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

I

Capitolo 1 Sistemi lineari
Sistema di m equazioni lineari in n incognite x1 , . . . , xn   a11 x1 + a12 x2 + · · · + a1n xn = b1    a21 x1 + a22 x2 + · · · + a2n xn = b2 . .  .    a x + a x + ··· + a x = b m1 1 m2 2 mn n m Sia K un insieme ad es K = C, R, Q, . . . al sistema ´ e  a11 a12  a21 a22  A= . . .  . . . am1 am2

(1.1)

La matrice associata A ∈ Mm,n (K)  · · · a1n · · · a2n   .  .. .  . . · · · amn K m . Il sistema si pu´ riscrivere o x1 x2 . . . . . . xn 

x = (x1 , . . . , xn )t ∈ K n , b = (b1 , . . . , bm )t ∈ come Ax = b ovvero    a11 a12 · · · a1n   a21 a22 · · · a2n      . . .  ... . .   . . . .  am1 am2 · · · amn

      =   

b1 b2 . . . bm

    

Il sistema si dice omogeneo se b1 = b2 = . . . = bm = 0. Una soluzione del sistema 1.1 ´ un elemento (X1 , . . . , Xn )t ∈ K n che ´ soluzione simultanea e e 1

delle m equazioni 1.1. Il sistema si dice compatibile (incompatibile o impossibile) se possiede almeno una soluzione (se non possiede soluzioni). Ogni sistema omogeneo ´ sempre compatibile in quanto ammette almeno una soe t luzione (0, . . . , 0) , che viene detta soluzione banale. Un sistema compatibile si dice determinato se ammette un’unica soluzione e si dice indeterminato se ammette infinite soluzioni.

1.1

Matrici quadrate m = n
     a11 a12 · · · a1n a21 a22 · · · a2n . . . .. . . . . . . . an1 an2 · · · ann      x1 x2 . . . xn       =   b1 b2 . . . bn     

Esercizio 1.1.

  2x + 3y − z = 1 x + 4y + 2z = 2  3x − y − z = 3

1.1.1

Regola di Cramer

Teorema 1.1 (di Cramer). Il sistema Ax = b ha una ed una sola soluzione ⇔ det(A) = 0. Le soluzioni sono date da xi = det(Ai ) det(A) i = 1, . . . , n

dove la matrice Ai si ottiene sostituendo la colonna i-esima della matrice A con il vettore colonna b. Soluzione esercizio 1.1 Il sistema si pu´ riscrivere o nella seguente forma: 

    2 3 −1 x 1  1 4  y  =  2  2 3 −1 −1 z 3

2

det(A) 2+i 5 5 3 .  + z = −1  2ix ix + iz = i  x + y + z =2 nella seguente forma:     0 1 x −1 0 i  y  =  i  1 1 z 2 Il sistema si pu´ riscrivere o  2i  i 1 Applichiamo il metodo di Cramer: det(A) = 2i 0 1 i 0 i 1 1 1 2i −1 1 i i i 1 2 1 =2+i=0 det(A1 ) = −1 0 1 i 0 i 2 1 1 = 2i det(A2 ) = =2+i det(A3 ) = 2i 0 −1 i 0 i 1 1 2 =2−i x = 2i 2 4 det(A1 ) = = + i det(A) 2+i 5 5 det(A2 ) 2+i y = = =1 det(A) 2+i det(A3 ) 2−i 3 4 z = = = + i.2. det(A) 5 Esercizio 1.Applichiamo il metodo di Cramer: det(A) = 2 3 −1 1 4 2 3 −1 −1 2 1 −1 1 2 2 3 3 −1 = 30 = 0 det(A1 ) = 1 3 −1 2 4 2 3 −1 −1 2 3 1 1 4 2 3 −1 3 z= = 36 det(A2 ) = = −6 det(A3 ) = = 24 x= det(A1 ) 6 = det(A) 5 y= det(A2 ) 1 =− det(A) 5 det(A3 ) 4 = .

tale metodo per´ d´ informazioni solo sulla e o a compatibilit´ o meno del sistema e sul numero di soluzioni.2 (Rouch´-Capelli). Dato il sistema Ax = b indichiamo con A|b la matrice orlata. .. . Negli altri casi possiamo utilizzare e il metodo di Rouch´-Capelli. e Esercizio 1. an1 an2 · · · ann bn Teorema 1. . . . Il sistema Ax = b ha soluzioni se e solo se e il rango di A ´ uguale al rango di A|b. . Discutere il seguente sistema lineare  x3 + 2x4 = 3  2x1 + 4x2 − 2x3 = 4  2x1 + 4x2 − x3 + 2x4 = 7 Utilizziamo il Teorema di Rouch´-Capelli per risolvere l’esercizio. . . ma non ci dice a come determinarle (affronteremo successivamente questo problema). . ottenuta dalla matrice A aggiungendo il vettore dei termini noti b:   a11 a12 · · · a1n b1  a21 a22 · · · a2n b2    A|b =  .3.   . . e Il sistema Ax = b ha ∞n−r soluzioni dove n ´ il numero di incognite del e sistema e r ´ il rango di A.Il metodo di Cramer pu´ essere utilizzato solo nel caso in cui in un sistema o il numero di equazioni ´ uguale al numero di incognite (n = m).  . ovvero la e matrice associata al sistema ´ quadrata. Le sottomatrici quadrate di ordine 3 (ovvero matrici 3 × 3) sono:         0 0 1 0 0 2 0 1 2 0 1 2  2 4 −2   2 4 0   2 −2 0   4 −2 0  2 4 −1 2 4 2 2 −1 2 4 −1 2 4 . . e     0 0 1 2 0 0 1 2 3 A =  2 4 −2 0  A|b =  2 4 −2 0 4  2 4 −1 2 2 4 −1 2 7 Calcoliamo il rango di A.

Il minore di una matrice A ∈ Mm. ad esempio la sottomatrice 1 2 −2 0 ha determinante = 0.Risulta che i minori1 di ordine 3 sono tutti uguali a 0.5. L’ordine del minore ´ l’ordine della sottomatrice quadrata corrispondente. Per Cramer si pu´ inoltre stabilire che se k = + 1 esiste ed ´ o e − unica la soluzione. Discutere. e e Esercizio 1. Discutere il seguente sistema lineare  x1 − 2x3 + 3x4 + x5 = 2  −2x1 + x2 + x5 = 6  x2 − 4x3 + 6x4 + 5x5 = 7  1 0 −2 3 1 A =  −2 1 0 0 3  0 1 −4 6 5  1 0 −2 3 1  −2 1 0 0 3 A|b = 0 1 −4 6 5   2 6  7 Si ha che r(A) = 2 e r(A|b) = 3.n (K) ´ il determinante di una sua sottomatrice e quadrata. Ovviamente r(A) ≤ r(A|b) ≤ 3 e poich´ i minori di ordine 3 sono tutti uguali e a 0 il rango ´ 2. Calcoliamo ora il rango di A|b. Dato che r(A) = r(A|b) = 2 il sistema ´ compatibile. Dunque r(A) = 2.4. al lineare   x kx  x variare del parametro k. e 1 5 . il seguente sistema − y + z=1 − ky + z=1 − k2y + k2z = 1   1 −1 1 A =  k −k 1  1 −k 2 k 2 det(A) = −k 3 + k 2 + k − 1 = (k − 1)(1 − k 2 ) Se k = + 1 allora det(A) = 0 ( ⇒ r(A) = 3 ⇒ r(A|b) = 3 ⇒ sistema − compatibile). Poich´ r(A) = r(A|b) il sistema ´ e e incompatibile. Esercizio 1. mentre esiste un minore di ordine 2 diverso da 0.

e 6 . al variare dei parametri k e h. il seguente sistema lineare   x + 2y − z = 0 x + y + 2z = 1  2x + hy + z = k   1 2 −1 A= 1 1 2  2 h 1 det(A) = −3h + 9 Se h = 3 allora det(A) = 0 ( ⇒ r(A) = 3 ⇒ r(A|b) = 3 ⇒ sistema compatibile). Riassumendo: • se h = 3 e k = 1 il sistema ´ compatibile con ∞1 soluzioni. se k = 1 allora r(A|b) = 3. CASO h = 3  1 2 −1 A= 1 1 2  2 3 1 Si ha che r(A) = 2. quindi il sistema ha ∞1 soluzioni. 1 2 −1  1 1 2 A|b = 2 3 1   0 1  k  Se k = 1 si ha che r(A|b) = 2.6. Per Cramer si pu´ inoltre stabilire che se h = 3 esiste ed ´ o e unica la soluzione (∀k). quindi il sistema ha ∞2 soluzioni. Discutere. Esercizio 1. • CASO k = −1  1 −1 1 A =  −1 1 1  1 −1 1  Si ha che r(A) = 2.• CASO k = 1  1 −1 1 A =  1 −1 1  1 −1 1  Si ha che r(A) = 1.

  kx + kz = 1 −5x + y + z = 2  −k 2 x + z=3 Discutere il sistema in R e  k 0 A =  −5 1 −k 2 0 in C.  k 1  1 k 0 k A|b =  −5 1 1 −k 2 0 1   1 2  3 det(A) = k + k 3 = k(k 2 + 1) In R. e Definizione 1. Esempio 1.3 e viceversa.2 e 1.2) (1.). Le operazioni che permettono di fare questa u trasformazione (e che corrispondono a determinate operazioni sulla matrice associata al sistema) sono: 7 . se k = 0 per Cramer si pu´ stabilire che esiste ed o ´ unica la soluzione. e Esercizio 1. In C.1. Infatti hanno le stesse soluzioni (nota che la seconda eqz.3 sono equivalenti se ogni soluzione di 1.7.1. se k =+ i si ha e − r(A) = 2 e r(A|b) = 3. e OPERAZIONI ELEMENTARI SUI SISTEMI La nozione di sistemi equivalenti risulter´ utile nella risoluzione di sistemi a lineari.• se h = 3 e k = 1 il sistema ´ incompatibile. Analogamente si definiscono i sistemi equivalenti. Se k = 0 il sistema ´ incompatibile (si nota e subito dalla prima eqz. Le equazioni x−y =1 2x − 2y = 2 sono equivalenti. ´ il doppio della prima). dunque il sistema ´ incompatibile. l’idea di base ´ quella di trasformare un dato sistema in uno equivae lente di pi´ semplice risoluzione.). Date a1 x 1 + · · · + an x n = b 1 α1 x1 + · · · + αn xn = β1 (1. se k = 0 o e − il sistema ´ incompatibile (si nota subito dalla prima eqz.2 ´ ane che soluzione di 1. det(A) = 0 per k = 0 e k =+ i. det(A) = 0 per k = 0. Se k = 0 e e − k =+ i per Cramer si pu´ stabilire che esiste ed ´ unica la soluzione.3) diciamo che 1.

 .) metto l’equazione ottenuta da ai1 a21 R2 − a11 R1 . .  .  .    a x + a x + ··· + a x = b m1 1 m2 2 mn n m (1. .4) Posso supporre a11 = 0. . +a1n xn = b1    a22 x2 + . .  . . . .   a x + ··· + a x = b m2 2 mn n m Proseguendo in questo modo si ottiene un sistema equivalente a quello iniziale 1.    amm xm + . . altrimenti scambio la prima riga con un’altra in cui ai1 = 0. . +a2n xn = b2 (1.4 che si presenta nella forma   a11 x1 + a12 x2 + .• cambio l’ordine delle equazioni (.5) . somma di due righe della matrice associata) METODO DI RIDUZIONE DI GAUSS Sia dato il sistema   a11 x1 + a12 x2 + · · · + a1n xn = b1    a21 x1 + a22 x2 + · · · + a2n xn = b2 .   0 +am2 x2 + · · · + amn xn = bm Riapplico lo stesso ragionamento al sottosistema   a22 x2 + · · · + a2n xn = b2  . . moltiplico una riga della matrice associata per uno scalare non nullo) • somma di due equazioni che va sostituita ad una di esse (. scambio di colonne nella matrice associata) • moltiplico una equazione per uno scalare non nullo (. In generale sostituisco la riga Ri con la riga Ri − a11 R1 ed ottengo un sistema della forma   a11 x1 +a12 x2 + · · · + a1n xn = b1    0 +a22 x2 + · · · + a2n xn = b2 . +amn xn = bm 8 . Al posto della seconda riga (eqz. scambio di righe nella matrice associata) • cambio l’ordine delle incognite (.

. mm Dalla penultima si ha: n xm−1 = a−1 m−1m−1 [bm−1 − i=m am−1i xi ] e cos´ via fino ad ottenere x1 . in cui a11 · a22 · . Riprendiamo l’esercizio 1.3 e risolviamo il sistema col metodo di Gauss. . La matrice orlata associata ´ e  0 0 1 2  2 4 −2 0 2 4 −1 2  3 4  7 Scambiamo R1 con R2 :  2 4 −2 0  0 0 1 2 2 4 −1 2 Al posto di R3 mettiamo R3 − R1 :  2 4 −2 0  0 0 1 2 0 0 1 2 Al posto di R3 mettiamo R3 − R2 :  2 4 −2 0  0 0 1 2 0 0 0 0  4 3  7  4 3  3  4 3  0 Possiamo eliminare la terza riga e scambiare la seconda colonna con la terza: 2 −2 4 0 0 1 0 2 9 4 3 .cosiddetta forma a gradini. ı Esercizio 1.8. Parto dall’ultima equazione ed asplicito xm : xm = a−1 [bm − (amm+1 xm+1 + · · · + amn xn )]. · amm = 0.

La matrice orlata associata ´ e  1 0 −2 3 1  −2 1 0 0 3 0 1 −4 6 5 Dopo vari passaggi si ottiene:  1 0 −2 3 1  0 1 −4 6 5 0 0 0 0 0 R3 ci dice che il sistema ´ incompatibile. Riprendiamo l’esercizio 1. Riprendiamo l’esercizio 1.9. e Esercizio 1. Le soluzioni sono:   x2 = t   x4 = s x3 = 3 − 2s    x1 = 5 − 2s − 2t Esercizio 1.4 e risolviamo il sistema col metodo di Gauss. La matrice orlata associata ´ e   2 6  7  2 10  3 1 −1 1  k −k 1 1 −k 2 k 2  1 1  1  1 0  1−k Riduco a gradini:  1 −1 1  0 1 − k2 k2 − 1 0 0 1−k Se (1 − k 2 )(1 − k) = 0 cio´ se k =+ 1 e −   x y  z abbiamo un unica soluzione: = 1 = 1 = 1 10 .10.5 e risolviamo il sistema col metodo di Gauss.E’ a gradini con x2 e x4 libere (∞2 soluzioni).

11. Riprendiamo l’esercizio 1. 11 . La matrice orlata associata ´ e  1 2 −1  1 1 2 2 h 1  0 1  k Riduco a gradini:  1 2 −1  0 −1 3 0 0 3h − 9  0  1 k+h−4 Se 9 − 3h = 0 cio´ se h = 3 esiste un’unica soluzione (∀k ∈ R).6 e risolviamo il sistema col metodo di Gauss.Se k = 1 la matrice diventa (1 − 1   y = z =  x = Se k = −1 la matrice diventa 1 | 1) e si hanno ∞2 soluzioni: t s 1+t−s 1 −1 1 0 0 2 e si hanno ∞1 soluzioni:   y = t z = 1  x = t 1 2 Esercizio 1. Se h = 3 la e matrice diventa   1 2 −1 0  0 −1 3 1  0 0 0 k−1 Si ottiene che • se h = 3 e k = 1 il sistema ´ incompatibile e • se h = 3 e k = 1 il sistema ha ∞1 soluzioni.

Un insieme V ` detto spazio vettoriale sul campo1 degli e scalari K. prodotto per uno scalare · : K × V → V : (λ. ai concetti di indipendenza lineare. ∀v1 . v2 ) → v1 + v2 . ∀v ∈ V. ∃w ∈ V : v + w = w + v = 0V . 2.Capitolo 2 Spazi vettoriali Introduciamo in questo capitolo la nozione di spazio vettoriale. 1 in generale possiamo pensare a R o C 12 . 3. 2. se sono definite due operazioni: somma di vettori + : V × V → V : (v1 . ∀v ∈ V .1 Definizioni ed esempi Cominciamo questa sezione richiamando immediatamente la definizione di spazio vettoriale. Definizione 2. v2 . per poi arrivare al concetto di sottospazio vettoriale. ∃0V ∈ V : 0V + v = v + 0V = v.1. v3 ∈ V : (v1 + v2 ) + v3 = v1 + (v2 + v3 ). Partiamo con i richiami delle definizioni e degli esempi basilari di spazi vettoriali. un concetto di grande importanza in algebra lineare che giocher` un ruolo fondamentale a in tutti i capitoli successivi. v) → λv che soddisfano le seguenti propriet` : a 1. di sistema di generatori e di base e dimensione di uno spazio vettoriale.

. ∀α ∈ K. . . ∀α.4.2. il quale le potr` trovare su un qualsiasi testo di algebra a lineare. −x2 . definiamo αA = (αaij ) . 13 . −xn ). ` possibile dare a Cn una struttura di spazio vettoriale su R. Inoltre. . Torneremo dopo ad analizzare questo e esempio in dettaglio. . . . Per ogni n ≥ 1 l’insieme Rn ha la struttura di spazio vettoriale su se stesso. . E’ immediato verificare che l’elemento neutro di Rn rispetto alla somma risulta essere 0Rn = (0. ∀α. v2 ∈ V : v1 + v2 = v2 + v1 . x2 . 5. . . 0. xn ) risulta ı essere la n-upla (−x1 . x2 . Esempio 2. cos` come l’inverso di (x1 . . . B ∈ Mm. β ∈ K. . vogliamo dare a tale insieme la struttura di spazio vettoriale su R. B = (bij ). . ∀v ∈ V : (αβ)v = α(βv). . y2 . . αxn ). .n (R). ∀v1 . ∀v ∈ V : (α + β)v = αv + βv. . . . . xn ) = (αx1 . . ∀v ∈ V : 1 · v = v. x2 + y2 . . Iniziamo a definire le due operazioni: somma se A. 6. Esempio 2. . β ∈ K. 7. . x2 . prodotto α · (x1 . con le seguenti operazioni: somma (x1 . . Esempio 2.1. . αx2 .n (R). 8. Utilizzando le stesse definizioni dell’esempio precedente ` ime n mediato dimostrare che lo spazio C ha la struttura di spazio vettoriale su se stesso. con A = (aij ). Lasciamo le altre verifiche come esercizio allo studente. Possiamo passare subito ad esibire alcuni esempi notevoli di spazi vettoriali. allora definiamo: C = A + B ponendo C = (cij ) = (aij + bij ).3. xn ) + (y1 . e semplicemente sostituendo il prodotto di un elemento di Cn con un elemento di R anzich` con un elemento di C. . xn + yn ). . 0). ∀v1 . . . yn ) = (x1 + y1 . prodotto se α ∈ R e A ∈ Mm. Indichiamo con Mm.n (R) l’insieme delle matrici a coefficienti reali con m righe ed n colonne. v2 ∈ V : α(v1 + v2 ) = αv1 + αv2 . .

4.Anche in questo caso lasciamo le verifiche allo studente.5. + an xn e q(x) = b0 + b1 x + b2 x2 + . prodotto (λf )(x) = λf (x). . e quest’ultima ugualglianza segue dal fatto che f (x). ricordando che tutte si deducono piuttosto facilmente dalle propriet` delle matrici. Vogliamo dimostrare che la funzione di primo membro coincide con quella di secondo membro. + (an + bn )xn . . Ricordiamo soa lo che l’elemento neutro di tale spazio risulta essere la matrice con coefficienti tutti nulli. Per definizione: e [(f +g)+h](x) = (f +g)(x)+h(x) = (f (x)+g(x))+h(x) = f (x)+g(x)+h(x). E’ possibile dare all’insieme V = {f : [a. Indichiamo con Rn [x] l’insieme dei polinomi nell’indeterminata x di grado minore od uguale ad n e con coefficienti reali. . . + λan xn In tal caso l’elemento neutro ` il polinomio nullo (con tutti i coefficienti uguali e a 0). . + bn xn allora p(x) + q(x) = a0 + b0 + (a1 + b1 )x + (a2 + b2 )x2 + . per fare questo ` sufficiente vedere che il loro e valore in ogni punto x ∈ [a. un generico elemento di tale insieme risulta essere dunque p(x) = a0 + a1 x + a2 x2 + . Definiamo la somma di polinomi ed il prodotto di un polinomio per un numero reale nel modo usuale: se p(x) = a0 + a1 x + a2 x2 + . Esempio 2. g(x). 14 . g. . h(x) sono numeri reali. b] ` lo stesso. mentre l’opposto del polinomio p(x) = a0 +a1 x+a2 x2 +. − an xn . . . . e se λ ∈ R: λp(x) = λa0 + λa1 x + λa2 x2 + . . b] → R} delle funzioni definite su un intervallo [a. Facciamo qualche verifica: associativit` : verifichiamo che ∀f. Esempio 2. . . Anche in questo caso lasciamo le altre verifiche come esercizio allo studente. .+an xn risulta essere il polinomio −p(x) = −a0 − a1 x − a2 x2 − . + an xn . h ∈ V si ha che (f + g) + h = a f + (g + h). b] a valori in R la struttura di spazio vettoriale mediante le seguenti definizioni: somma (f + g)(x) = f (x) + g(x). .

∀λ ∈ K. ∀w1 . lasciana do le altre verifiche come esercizio: ∀α ∈ R. anche una delle due propriet` distributive. Anche in questo caso dimostriamo che queste due funzioni coincidono: [α(f + g)](x) = α((f + g)(x)) = α(f (x) + g(x)) = αf (x) + αg(x) = (αf )(x) + (αg)(x) Dopo questa breve rassegna di esempi di spazi vettoriali.2 Sottospazi vettoriali Definizione 2. w2 ∈ W : w1 + w2 ∈ W .6. e questo conclude la dimostrazione. b].In modo analogo si vede che [f + (g + h)](x) = f (x) + g(x) + h(x). cio` f + g = g + f . e Verifichiamo. ∀w ∈ W : λw ∈ W Tali propriet` prendono il nome rispettivamente di chiusura rispetto alla a somma ed al prodotto. Osserviamo innanzitutto che gli elementi di W sono caratterizzati dal fatto che la differenza tra la prima e la seconda componente ` pari a zero. possiamo passare a studiare nella prossima sezione alcuni particolari sottoinsiemi. un sottoinsieme W ⊂ V ` detto sottospazio di V se sono soddisfatte le due seguenti propriet` : e a 1. y) ∈ R2 |x − y = 0} e verifichiamo che si tratta di un sottospazio di V . e elemento neutro : ` la funzione costante uguale a zero: 0V = 0. Si ha che: e 15 . Sia V uno spazio vettoriale su K. commutativit` : (f + g)(x) = f (x) + g(x) ed essendo questi numeri reali a si ha che: f (x) + g(x) = g(x) + f (x) = (g + f )(x). ∀x ∈ [a. che prendono il nome di sottospazi vettoriali.2. g ∈ V voglio far vedere che α(f + g) = αf + αg. Esempio 2. Passiamo dunque ad esaminare alcuni esempi di sottospazi degli spazi vettoriali che abbiamo visto nella precedente sezione. Nello spazio V = R2 consideriamo il sottoinsieme: W = {(x. 2. 2. ad esempio. ∀f.

A ∈ W : allora (λA)t = λt At = λA poich` A ∈ W ed il e trasposto di un numero reale coincide con se stesso. y2 ) = (x1 + x2 . λy) per definizione. poich` (x. U = {(x. y1 + y2 ) e dunque la differenza tra la prima e la seconda componente del vettore somma ` : x1 + x2 − y1 − y2 = x1 − y1 + x2 − y2 = 0 + 0 = 0 dove abbiamo e sfruttato il fatto che (x1 . Consideriamo lo spazio vettoriale Mn (R) delle matrici quadrate di ordine n. W = {(x1 . Il sottoinsieme: W = {A ∈ Mn (R)|A = At } ` detto insieme delle matrici simmetriche di ordine n. e 2. allora A = At . cio` A + B ∈ W . y. B = B t . y1 ). x2 . tale spazio ` detto insieme delle matrici e e antisimmetriche di ordine n.1. z) ∈ R3 |x + y = x − z = 0} 3. y) ∈ W .2. y1 ) + (x2 . e si ha che : λx − λy = λ(x − y) = λ0 = 0. lo studente provi a dimostrare che il sottoinsieme: U = {A ∈ Mn (R)|A = −At } ` un sottospazio vettoriale di Mn (R). y1 ).1. e 2. 16 . y) ∈ W : λ(x. (x2 . dunque si ha che (A + B)t = At + B t = A + B. y. e Questo conclude la dimostrazione. (x2 . Verifichiamo che ` e e sottospazio vettoriale: 1. x3 . y2 ) ∈ W : (x1 . Esercizio 2. ∀λ ∈ R. x2 − y2 = 0. x4 ) ∈ R4 |2x2 + 4x4 = 3x1 + x3 = 0} Esempio 2. B ∈ W . Seguendo lo schema dell’esempio precedente. se A.7. siano λ ∈ R. z) ∈ R3 |2x − y − z = 0} 2. Abbiamo dunque un esempio importante di sottospazio dello spazio delle matrici. V = {(x. y2 ) ∈ W cio` x1 − y1 = 0. y) = (λx. ∀(x1 . Esercizio 2. ∀(x. Dimostare che i seguenti insiemi risultano essere sottospazi vettoriali degli spazi in cui sono contenuti: 1.

z) ∈ R3 |5x − y = x − y + z = 0} 17 . e Si conclude che in generale : dim(Rn ) = n. . . 0). y. Una base per lo spazio R2 ` costituita da B = {e1 . . . . vn sono detti linearmente indipendenti se per ogni n-upla di scalari (α1 . Un insieme di vettori v1 . 2. v2 . generatori e basi Uno dei concetti di maggior importanza in algebra lineare ` quello di e indipendenza lineare tra vettori. ∃α1 . . . vk di uno spazio vettoriale V ` detto essere un sistema di generatori per lo spazio se ogni vettore v ∈ V e si pu` scrivere come combinazione lineare dei vettori vi . Esempio 2. . . vn } tali che: 1. i vettori v1 . . Una base per uno spazio vettoriale V ` un insieme di e vettori B = {v1 .2. v1 . .3. dove e e1 = (1. Sia V uno spazio vettoriale sul campo K. ovvero se: o ∀v ∈ V. 1). . v2 . e Definizione 2. In particolare. . . . . αn ) si ha che : α1 v1 + α2 v2 + . . . una base per lo spazio Rn ` : B = {e1 . . Pi` in generale. vn sono linearmente indipendenti. e2 }. . . . v2 . vn sono un sistema di generatori. e2 . . Determinare una base per i seguenti sottospazi: U = {(x.3 Indipendenza e dipendenza lineare. e2 = (0.8. . . en } dove ei ` u e e il generico vettore a n componenti che risultano essere tutte nulle tranne la i-esima che ` pari ad 1. .4. . v2 . il numero di elementi di una base di un dato spazio vettoriale viene detto dimensione dello spazio vettoriale. . . = αn = 0 cio` l’unica combinazione lineare di questi vettori che fornisce il vettore nullo e ` quella con coefficienti tutti nulli. . . . . . + αk vk Definizione 2. + αn vn = 0V ⇒ α1 = α2 = . secondo la seguente Definizione 2.5. . . . v1 .9. αk ∈ K : v = α1 v1 + . α2 . Esempio 2. .

il vettore (1. 5. x3 . ottenuto moltiplicando per 4 il primo vettore. Per comodit` sarebbe meglio prendere un vettore proporzionale a quello troa vato. t. 5/4. 1. risolviamolo mediante il metodo di riduzione: 5 −1 0 1 −1 1 → 5 −1 0 0 4 −5 da cui. 1)} e dim(V ) = 2. Si ottiene :   x3 = t   x4 = s  x2 = t   x1 = −5t − 4s Dunque il generico vettore di V ` nella forma: e v = (−5t − 4s. 1). x4 . ed una sua base ` : e BU = {(1/4. (−4. la cui matrice ` gi` nella forma a gradini: e a 1 2 3 4 0 1 −1 0 prendiamo come variabili libere x3 . 0). x = 1/4t cio` il generico vettore di U ` nella forma : e e u = (1/4t. 5/4. 0.V = {(x1 . 1) e possiamo concludere che : BV = {(−5. s) = t(−5. t. prendendo come variabile libera la z si ottiene: z = t. Dunque il sottospazio U ha dimensione pari ad 1. 18 . 1)}. come. 1. t) = t(1/4. ad esempio. 1. x4 ) ∈ R4 |x1 + 2x2 + 3x3 + 4x4 = x2 − x3 = 0} soluzione Le equazioni che caratterizzano U costituiscono un sistema lineare omogeneo. 0) + s(−4. per evitare di avere coefficienti frazionari. 0. 5/4t. 4). x2 . Per determinare la base di V risolviamo il sistema omogeneo delle equazioni. 1. y = 5/4t. 0. 0.

. . W = {(x1 . Determinare una base per i seguenti sottospazi: 1. y) ∈ R2 | − 2x + 5y = 0} 2. Trovare la base dello spazio vettoriale V = {A ∈ M3 (R)|A = −At }. dato V = {A ∈ Mn (R)|A = −At } la dimensione di V ´ uguale a n(n−1) . e 2 19 . Una matrice A e la sua  a11  a21 A= a31 trasposta sono del tipo    a12 a13 a11 a21 a31 a22 a23  At =  a12 a22 a32  a32 a33 a13 a23 a33 Ponendo A = −At cio´ e     a11 a12 a13 −a11 −a21 −a31  a21 a22 a23  =  −a12 −a22 −a32  a31 a32 a33 −a13 −a23 −a33 si ottiene   a11   a12  a13   a23  = a22 = a33 = 0 = −a21 = −a31 = −a32 ovvero  0 a12 a13 0 a23  A =  −a12 −a13 −a32 0 Troviamo ora una base:       0 1 0 0 0 1 0 0 0 A = a12  −1 0 0  + a13  0 0 0  + a23  0 0 1  0 0 0 −1 0 0 0 −1 0 Notiamo che dim V = 3. U = {(x.3.10.Esercizio 2. V = {(x. y. . x5 ) ∈ R5 |2x1 + x3 + 5x5 = x1 − x2 − x3 = 3x3 + 2x5 = 0} Esempio 2. z) ∈ R3 |x + 3y + 2z = 2x + 2y − 7z = 0} 3. . ´ E lasciata allo studente la verifica del fatto che.

z = t} =< (−3. 2). 1. ad esempio (−1. z = t} =< (−3. z) ∈ R3 |x + y − 2z = 0} W = {(x. Si ha dim U = 1 dim V = 2 dim W = 2 dim(U ∩ V ) = 1 dim(U ∩ W ) = 0 dim(V ∩ W ) = 1 ed in particolare U ∩ V = U Per determinare le dimensioni degli spazi somma utilizziamo la formula di Grassmann dim(U + V ) = dim U + dim V − dim(U ∩ V ) = 2 dim(U + W ) = dim U + dim W − dim(U ∩ W ) = 3 dim(V + W ) = dim V + dim W − dim(V ∩ W ) = 3. 0). y. y. 0) = 0). 1. 0)} V ∩ W = {(x. z = s} =< (−1. 1. dim(U + W ).4. y. 1) > W = {(x. 1.Esercizio 2. 1). z) ∈ R3 |x = y = z. b) Per completare la base di U =< (1. 2) > . (2. dim W . y = 7/2t. 20 . dim(V + W ). 1. V ∩ W . y = t. y. y. 2x + 3z = 0} Determiniamo le dimensioni e le basi dei vari sottospazi U = {(x. 0. y. y = t. 1) × (−1. 1. 1. (−1. 1. y. 1) > U ∩ W = {(0. 1. z) ∈ R3 |x = y = z. z) ∈ R3 |x = −3/2t. (0. z) ∈ R3 |x = y = z} V = {(x. −1. 1. z) ∈ R3 |x = −t + 2s. 0) > U ∩ V = {(x. x + y − 2z = 0} U ∩ W = {(x. z) ∈ R3 |x = t. U ∩ W . y. In R3 sono dati i sottospazi U = {(x. z) ∈ R3 |x + y − 2z = 0. dim U . y = t. dim V . 2) >= R3 . 1. (−1. y. e Quindi U =< (1. y. 7. dim(U + V ). z) ∈ R3 |x = t. 2). b) Completare la base di U a R3 . 1) · (−1. z = t} =< (1. 0) (infatti (1. −1. Il terzo vettore della base ´ dato da (1. 0. a) U ∩ V = {(x. 1). 1. z) ∈ R3 |2x + 3z = 0} a) Determinare U ∩ V . 0. 2x + 3z = 0} V ∩ W = {(x. 1) > a R3 prendiamo un vettore perpendicolare a (1. y. 1) > V = {(x. z = t} =< (1. z) ∈ R3 |x = −3/2t. 0) = (−1. 0). 1. y = s.

u2 . 1. 1. mentre se k = 2 la matrice ha rango 2. Calcoliamo la dimensione di V . 0. 1)z = (0. 0)y + (k. Ponendo (0. 0) u3 = (k. dim(U + V ). y. u2 . 0. 0.5. 0). v2 > u1 = (0. v1 . 0. In R4 sono dati i sottospazi: U =< u1 . 0. 1. 1) u2 = (1. 0. −1. dim(U ∩ V ). 1. u3 >.2) si ottiene l’unica soluzione (x. quindi se k = 2 il sistema ammette un’unica soluzione (nulla essendo il sistema omogeneo). 0) (2. 0). 1)x + (0. −1). 0) con k parametro reale. v2 > calcoliamo il rango della 21 . 0. Riscriviamo la 2. 0. 0)y = (0.1 come  y + kz = 0  −x + y + z = 0  x + z=0 La matrice associata al sistema ´ e  (2. 0. a) Determinare al variare di k dim U . 0.1)  0 1 k  −1 1 1  1 0 1 Il suo determinante si annulla per k = 2. 2. dim V . stabilire se w ∈ U + V . y) = (0.Esercizio 2. u3 . −1. 1) v1 = (0. 1. 1. 1. 1) v2 = (0. Per calcolare la dimensione di U + V =< u1 . dove V =< v1 . a) Per stabilire la dimensione di U ci chiediamo se i suoi generatori sono vettori linearmente indipendenti cio´ se e (0. 0. 0. −1. π. da cui dim V = 2. −1. c) Dato w = (61. b) Stabilire per quali k vale la decomposizione R4 = U ⊕ V . 0. 1. z) = (0. Si ricava che dim U = 3 per k = 2 e dim U = 2 per k = 2. 1)x + (1. 0) ha come unica soluzione (x.

quindi e dim(U + V ) = 4 ∀k. Ne deduciamo che R4 = U ⊕ V . ed essendo w un vettore di R4 vale che w ∈ U + V . 22 . Per calcolare dim(U ∩ V ) utilizziamo la formula di Grassmann vettoriale dim(U ∩ V ) = dim U + dim V − dim(U + V ) = 3+2−4=1 per k = 2 = 2+2−4=0 per k = 2 b) Poich´ per k = 2 si ha dim(U ∩ V ) = 0 i sottospazi vettoriali (di R4 ) U e e V sono in somma diretta. Inoltre dim(U + V ) = 4 per ogni k. c) Dato che dim(U + V ) = 4 per ogni k si ha R4 = U + V .matrice       0 1 k 0 0  0 −1 0 0 1 0   0 1 1   1 0 1  1 −1 0 Possiamo utilizzare il metodo di Gauss e si trova che il rango ´ 4 ∀k.

Definizione 3. Esempio 3.1. ϕ(λv) = λϕ(v). salvo a alcuni casi in cui considereremo spazi vettoriali su C) di dimensioni n. Una applicazione ϕ : V → W ` detta lineare se sono e verificate le seguenti condizioni: 1. 3.1 Definizioni ed esempi In questa sezione indicheremo in generale con V. per poi passare allo studio dei sottospazi associati ad ogni morfismo tra spazi vettoriali.Capitolo 3 Applicazioni lineari Questo capitolo ` dedicato allo studio delle applicazioni lineari. m rispettivamente. In base alla definizione possiamo subito esibire alcuni esempi di applicazioni lineari tra spazi vettoriali. pu` pensare che gli spazi vettoriali con o n m cui si lavora siano R e R ). W due spazi vettoriali sullo stesso campo K (che sar` quasi sempre il campo dei numeri reali. iniziamo con e le definizioni base ed i primi esempi di applicazioni lineari nella prima sezione. v2 ∈ V : 2. ∀λ ∈ K : ϕ(v1 + v2 ) = ϕ(v1 ) + ϕ(v2 ). ∀v ∈ V. Consideriamo l’applicazione nulla tra due spazi vettoriali definita da 0:V → W v → 0W 23 . ∀v1 . ad una prima lettura. Cominciamo con due esempi piuttosto standard (lo studente.1.

g e per ogni scalare k ∈ R.3. la definizione della applicazione lineare non ha fatto uso di coordinate. Un esempio importante di applicazione lineare ` l’applicazione e identica di uno spazio in se stesso: id : V → V v → v lasciamo allo studente la verifica della linearit` di tale mappa. vediamo ora un primo esempio in cui l’applicazione in questione ` definita mediante la scrittura esplicita delle coordinate del e codominio in funzione di quelle del dominio. a Possiamo considerare anche applicazioni lineari tra spazi vettoriali non usuali. Esempio 3. 2. 2.2. 0(v1 ) + 0(v2 ) = 0W + 0W = 0W = 0(v1 + v2 ). a maggior ragione. D(kf (x)) = kD(f (x)) per ogni coppia di funzioni derivabili f. poich` 1 : e 1. Nei primi tre esempi visti. Dunque.che manda ogni vettore di V nel vettore nullo di W . 1 rimandiamo ad un testo di analisi la dimostrazione di questi fatti 24 . λ0(v) = λ0W = 0W = 0(λv). tale operazione risulter` essere lineare sul sottoinsieme a dei polinomi. In generale. come dimostrato nel seguente: Esempio 3. Tale applicazione risulta essere chiaramente lineare in quanto: 1. Consideriamo l’operazione di derivazione: D : Rn [x] → Rn−1 [x] p(x) → D(p(x)) = p (x). l’operazione di derivazione risulta essere lineare sullo spazio di tutte le funzioni derivabili. D(f (x) + g(x)) = D(f (x)) + D(g(x)). Abbiamo visto in precedenza che l’insieme Rn [x] dei polinomi di grado minore od uguale ad n nell’indeterminata x a coefficienti reali ha la struttura di spazio vettoriale.

2x2 − 3y2 ) ϕ((x1 . y) ∈ R2 . y ) le coordinate nel codominio. . y2 ) ∈ R2 si ha: ϕ((x1 . 25 .Esempio 3. y1 )) + ϕ((x2 . tale mappa ` indivie duata dalla sostituzione lineare omogenea: x y = x+y = 2x − 3y Verifichiamo che tale mappa ` lineare: e 1. ∀(x. (x2 .4. continuiamo la nostra trattazione ricordando un importante fatto: le applicazioni lineari trasformano combinazioni lineari in combinazioni lineari. λ(2x − 3y)) λ(x + y. y2 )) = = = = 2. 2x − 3y) λϕ(x. Infatti. 2x1 − 3y1 ) + (x2 + y2 . y2 )) In generale non ` necessario verificare che mappe come la ϕ siano lineari. y1 ) + (x2 . L’immagine del vettore v mediante una i=1 applicazione lineare ϕ : V → W risulter` essere del tipo: a ϕ(v) = ϕ( n αi vi ) i=1 n = i=1 αi ϕ(vi ) = α1 ϕ(v1 ) + · · · + αn ϕ(vn ). y)) = = = = = ϕ((λx. y) ϕ((x1 + x2 . 2λx − 3λy) (λ(x + y). y1 + y2 )) (x1 + x2 + y1 + y2 . Dopo aver visto i primi esempi di applicazioni lineari. ` e e sufficiente osservare che l’espressione in coordinate ` data mediante equazioni e lineari omogenee. y1 ). ogni vettore v ∈ V si scrive come combinazione lineare dei vi : v = α1 v1 + · · · + αn vn = n αi vi . 2x − 3y) Se indichiamo con (x . ∀(x1 . vn } una base di V . y) → (x + y. Consideriamo l’applicazione: ϕ : R2 → R2 (x. ∀λ ∈ R: ϕ(λ(x. . 2x1 + 2x2 − 3y1 − 3y2 ) (x1 + y1 . . sia {v1 . . λy)) (λx + λy.

y ) rappresentano le coordinate nel codominio. Consideriamo e l’operazione di coniugio su C. mentre nel secondo prendiamo in considerazione lo spazio delle matrici. cio` come combinazione lineare dei vettori 1 e i e 2 26 . i} 2 . Nei prossimi due esempi consideriamo il caso di applicazioni lineari definite su spazi vettoriali che non abbiamo ancora preso in esempio in questo capitolo.6. b ∈ R. z) le coordinate nel dominio. y. e3 } ed {e1 . Indicate con (x. Indichiamo con {e1 . si ha: ϕ(x. −x + 5z) cio` la sostituzione lineare omogenea sulle coordinate ` data da: e e x y = 2x + 3y + z = −x + 5z dove (x . consideriamo dunque l’applicazione: ϕ : R3 e1 e2 e3 → → → → R2 2e1 − e2 3e1 e1 + 5e2 Tale mappa risulta sicuramente essere lineare. ` possibile dedurre che l’azione della e mappa ϕ ` completamente determinata dalla definizione di ϕ su una base del e dominio. Ricordiamo che tale spazio ha dimensione pari a 2 ed una sua base ` {1. definita da: ϕ:C → C z → z ogni elemento z ∈ C si pu` sempre scrivere come combinazione lineare z = a + ib con o a. Consideriamo dunque il seguente: Esempio 3. nel primo caso consideriamo lo spazio vettoriale C come spazio vettoriale sul campo R. vogliamo determinare la sua espressione in coordinate.5.In particolare. e2 } la basi canoniche di R3 ed R2 rispettivamente. y. e2 . Consideriamo lo spazio vettoriale C su R. da questa osservazione. Esempio 3. z) = ϕ(xe1 + ye2 + ze3 ) = ϕ(xe1 ) + ϕ(ye2 ) + ϕ(ze3 ) = xϕ(e1 ) + yϕ(e2 ) + zϕ(e3 ) = x(2e1 − e2 ) + y(3e1 ) + z(e1 + 5e2 ) = (2x + 3y + z)e1 + (−x + 5z)e2 = (2x + 3y + z.

y) → (x − y. Terminiamo questa sezione riportando alcuni esempi di mappe tra spazi vettoriali che non risultano essere lineari. e Esempio 3.8. riportiamo al lettore le propriet` fondamentali della funzione traccia.E’ immediato verificare che tale applicazione ` lineare. ϕ(λz) = λz = λz = λz poich` λ ∈ R. ` definita una funzione: e tr : Mn (R) → R che risulta essere lineare (vedi nota). infatti e 1. in pratica. ϕ(z1 + z2 ) = z1 + z2 = z1 + z2 = ϕ(z1 ) + ϕ(z2 ) 2. ricordiamo che la traccia3 di A ` definita da: e n tr(A) = i=1 aii La funzione traccia associa dunque un numero reale ad ogni matrice quadrata. 2x + y + 1) ovvero definita dalla sostituzione sulle coordinate: x y = x−y = 2x + y + 1 3 per comodit` . tr(kA) = ktr(A) 27 . Sia A = e (aij ) ∈ Mn (R) una matrice quadrata di ordine n. Esempio 3. tr(A + B) = tr(A) + tr(B) 2.7. Consideriamo l’applicazione definita in coordinate da: ϕ : R2 → R 2 (x. Prendiamo in esame il caso in cui il dominio dell’applicazione ` costituito dall’insieme delle matrici quadrate a coefficienti reali. a a le cui dimostrazioni si possono trovare su un qualsiasi testo di algebra lineare: 1.

perch` in generale vale la seguente formula: e det(kA) = k n det(A) ∀k ∈ R. y2 )) = ϕ((x1 + x2 .Tale mappa risulta essere non lineare in quanto. a Esempio 3. in altri termini risulta definita una fune zione tra lo spazio vettoriale delle matrici quadrate e lo spazio vettoriale unidimensionale R: det : Mn (R) → R A → det(A) che non risulta essere lineare. y1 ) + (x2 .10. non vale neanche: det(A + B) = det(A) + det(B) (lo studente fornisca un esempio di due matrici che non soddisfano tale propriet` ). ad esempio. 2x1 + 2x2 + y1 + y2 + 2) Esempio 3. Lasciamo come esercizio per lo studente la dimostrazione del fatto che. 2x1 + 2x2 + y1 + y2 + 1) mentre si ha che: ϕ((x1 . in generale.9. si ha che: e ϕ(iz) = iz = iz = −iz 4 ricordiamo che in questo caso una base ` costituita. Riprendiamo in esame lo spazio vettoriale C. considerandolo questa volta come spazio vettoriale su se stesso 4 . Sappiamo che il determinante di una matrice quadrata a coefficienti reali ` un numero reale. y1 )) + ϕ((x2 . infatti: a ϕ((x1 . 2x1 + y1 + 1) + (x2 − y2 . y1 + y2 )) = (x1 + x2 − y1 − y2 . y2 )) = (x1 − y1 . in tal caso il coniugio ϕ:C → C z → z non ` lineare! Ad esempio. ad esempio. 2x2 + y2 + 1) = (x1 + x2 − y1 − y2 . dal solo numero 1 e 28 . non ` e soddisfatta la linearit` rispetto alla somma.

3 Matrice associata ad una applicazione lineare Sia {v1 . mentre con End(V ) indicheremo l’insieme di tutte le applicazioni lineari di uno spazio V in se stesso. Sia ϕ : V → W una applicazione lineare. Ker(ϕ) = {v ∈ V |ϕ(v) = 0}. 2. allora vale la seguente formula: dim(Ker(ϕ)) + dim(Im(ϕ)) = dim(V ) (3.1) Prima di passare a vedere altri esempi di applicazioni lineari ` per` necessario e o introdurre un nuovo concetto. . . invertibile). quindi. Una applicazione lineare ϕ : V → W risulta essere iniettiva se e solo se: Ker(ϕ) = {0V } Di notevole importanza risulta essere anche il teorema delle dimensioni: Teorema 3. detti nucleo ed immagine. . . vn } una base dello spazio vettoriale V . e sia {w1 . v2 . w2 . risultano associati due sottospazi. la seguente: Proposizione 3. Im(ϕ) = {w ∈ W |∃v ∈ V. ossia quello di matrice di una applicazione lineare 3. .1. . Lo studio di questi sottospazi pu` aiutare a comprendere meglio la funzione o ϕ.3. W ) l’insieme delle applicazioni lineari (o morfismi) da V in W . . e Ad ogni applicazione lineare ϕ : V → W tra spazi vettoriali.1. definiti da: 1. .2 Sottospazi associati ad una applicazione lineare Iniziamo questa sezione ricordando allo studente che si indica con Hom(V. ad esempio. Un e isomorfismo di uno spazio V in se stesso ´ detto automorfismo. 29 . ϕ(v) = w}. vale. Ricordiamo inoltre che una applicazione lineare ϕ : V → W ` detta isomorfismo se risulta essere biunivoca (e. wm } una base di W . consideriamo una applicazione lineare tra questi due spazi: ϕ : V → W.

.1. si deduce che le colonne della matrice A risultano essere un sistema di generatori per lo spazio Im(ϕ). per determinare una base di Im(ϕ) ` sufficiente considerare le colonne linearmente e indipendenti della matrice A. e2 . dunque. e stabilire se ` e iniettiva e/o suriettiva). am1 am2 · · · amn In particolare..   . Risulta dunque deteru j=1 minata una matrice A ∈ Mm. .n (R). dalla costruzione fatta. . e3 } sia nel dominio che nel codominio.  .Tale applicazione lineare trasforma ogni vettore vi della base di V in un vettore di W . Poich` la mappa ϕ ` definita e e su una base. .  . in termini pi` compatti: ϕ(vi ) = m aji wj .  . ottenuta mettendo nella i-esima colonna i coefficienti del vettore ϕ(vi ) nella base {wj }:   a11 a12 · · · a1n  a21 a22 · · · a2n    A= . Notiamo innanzitutto che abbiamo considerato la base canonica {e1 . . Consideriamo l’applicazione lineare definita sulla base: ϕ : R3 e1 e2 e3 → → → → R3 e1 + e3 e2 e1 + e2 + e3 Determinare la matrice di ϕ. risulta immediato scrivere la matrice associata all’applicazione 30 .   ϕ(v ) = a w + a w + · · · + a w n 1n 1 2n 2 mn m ovvero. Siamo in grado ora di vedere alcuni esempi significativi di studi di applicazioni lineari. in altri termini. scrivere le equazioni in componenti e studiare la mappa ϕ (nel senso di determinare il nucleo e l’immagine. Soluzione. ` possibile scrivere: e   ϕ(v1 ) = a11 w1 + a21 w2 + · · · + am1 wm    ϕ(v2 ) = a12 w1 + a22 w2 + · · · + am2 wm . Esercizio 3. . . che si potr` dunque scrivere come combinazione lineare dei a vettori wj . .

la prima colonna di A risulta essere il vettore (1. y + z. y. y. 0. z) ∈ Ker(V ) ⇔ ϕ(v) = 0W ⇔ Av = 0W dunque ogni elemento del omogeneo:  1  0 1 nucleo deve essere soluzione del sistema lineare     0 1 x 0 1 1  y  =  0  0 1 z 0 31 . risulta che:   1 0 1 A= 0 1 1  1 0 1 Scriviamo ora le equazioni di ϕ in componenti: ϕ((x. Ragionando in modo analogo per le altre due colonne. y. y . ed in particolare sulle righe. per definizione si ha: v = (x. Pi` precisamente vale la u seguente:     x x  y  = A y  z z che risulta dunque essere in qualche modo equivalente alla scrittura: w = ϕ(v) posto w = (x . z). z ) e v = (x. 1)t . Passiamo ora a determinare il nucleo di tale applicazione. x + z) cio` la sostituzione lineare omogenea di coordinate ` : e e   x = x+z y = y+z  z = x+z nota bene:la trasformazione di coordinate si pu` leggere direttamente dalla o matrice associata A.lineare: ` sufficiente mettere in colonna i coefficienti delle immagini dei vete tori della base del dominio! Dunque. z)) = = = = = ϕ(xe1 + ye2 + ze3 ) xϕ(e1 ) + yϕ(e2 ) + zϕ(e3 ) xe1 + xe3 + ye2 + ze1 + ze2 + ze3 (x + z)e1 + (y + z)e2 + (x + z)e3 (x + z.

il sistema ` gi` nella forma a gradini. 1.Osserviamo subito che la terza riga di tale sistema ` equivalente alla prima e e la eliminiamo. Dunque possiamo concludere e immediatamente che l’applicazione in questione non ` iniettiva. Inoltre il e teorema delle dimensioni ci permette di concludere che dim(Im(ϕ)) = 2. una base per lo e spazio immagine si ottiene prendendo due colonne linearmente indipendenti della matrice A (ad esempio le prime due). e e quindi ` un sottospazio di dimensione 1 in R3 . −1). y. una volta nota una base per il sottospazio stesso. e di cui vogliamo determinare l’equazione in coordinate. z) ∈ Im(ϕ) se e solo se (x. e dunque la mappa non ` nemmeno suriettiva. e a scegliendo la z come variabile libera. alternativamente questo equivale a dire che tale matrice abbia determinante nullo: det(M ) = 0 Sviluppando questo determinante rispetto alla seconda colonna con il metodo di Laplace. la soluzione ` nella forma: e x = y = −z cio` il nucleo di ϕ risulta essere lo spazio generato dal vettore (1. si ottiene: z−x=0 cio` si ottiene l’equazione che descrive lo spazio immagine: e Im(ϕ) = {(x. y. (0 1 0) > Concludiamo questo esercizio con il fornire un metodo generale che si utilizza per determinare le equazioni di un sottospazio vettoriale. di cui ora conosciamo una base. poich` la terza colonna deve essere linearmente dipendente e dalle altre. in particolare. da cui si vede che. Concludiamo dunque che: Im(ϕ) = < (1 0 1) . e Questo ` equivalente ad imporre che la matrice: e   1 0 x M =  0 1 y  1 0 z abbia rango 2. procediamo secondo il seguente ragionamento: (x. E’ proprio il caso del sottospazio immagine. y. z) ∈ R3 |x = z} 32 . z) ` combinazione lineare dei vettori della base di Im(ϕ).

2. e dunque la mappa ϕ risulta essere non iniettiva e neppure suriettiva. y2 . Prendiamo ora in considerazione lo spazio vettoriale delle matrici quadrate di ordine 2 a coefficienti reali: V = M2 (R). Scrivere la sua espressione in coordinate e determinare infine nucleo ed immagine. possiamo scrivere X = x1 x2 x3 x4 (come elemento nel dominio). y3 . e definiamo la mappa: ϕ:V → V 1 X → 2 (X + X t ) Lasciamo allo studente la verifica del fatto che tale applicazione risulta essere lineare. Determiniamo infine nucleo ed immagine dell’applicazione: X ∈ Ker(ϕ) ⇔ 1 X + X t = 0 ⇔ X = −X t 2 33 .Esercizio 3. si ha che ϕ(X) = = Indicate con (y1 . si ha che la espressa dalle relazioni: = x1 = (x2 + x3 )/2 = (x2 + x3 )/2 = x4 La matrice associata a ϕ ` pertanto: e  1  0 A =   0 0  0 0 0 1/2 1/2 0   1/2 1/2 0  0 0 1 E’ immediato verificare che la matrice A ha rango pari a 3. Sia X ∈ V . mentre ci preoccupiamo nel seguito di scrivere la matrice associata a ϕ. y4 ) le sostituzione lineare omogenea ` e   y1   y2  y3   y4 1 2 x1 x2 x3 x4 x1 x2 +x3 2 + x2 +x3 2 x1 x3 x2 x4 x4 coordinate nel codominio.

soluzione E’ immediato scrivere la matrice associata. 0 0 0 1 > ossia tale spazio coincide con lo spazio delle matrici simmetriche (ha dimensione 3).     2 −3 2 −3  1 0  →  0 2  −1 2 0 1 che fornisce l’unica soluzione x = y = 0. cio` : e Ker(ϕ) = {(0. 3. −6) ∈ Im(ϕ). y) → (2x − 3y. leggendo nella trasformazione delle coordinate le righe della matrice stessa. x. 0)} 34 . Risulta:   2 −3 0  A =  1 −1 2 Per quanto riguarda il nucleo di questa applicazione ` sufficiente risolvere il e sistema omogeneo associato. 5).cio` il nucleo corrisponde all’insieme delle matrici antisimmetriche (ricore diamo che tale spazio ha dimensione 1). −x + 2y) scrivere la matrice associata a ϕ. Data l’applicazione lineare: ϕ : R2 → R 2 (x. Per determinare una base di Im(ϕ) prendiamo le colonne linearmente indipendenti della matrice A (ad esempio. La prima colonna corrisponde alla matrice: 1 0 0 0 Ragionando in modo analogo si conclude che: Im(ϕ) =< 1 0 0 0 .3. le prime due e l’ultima). 0 1 1 0 . determinare nucleo ed immagine e stabilire se i vettori w1 = (−6. 1. Esercizio 3. w2 = (3. ovvero ridurre la matrice A.

Utilizzando il metodo di Gauss si ha:     2 −3 −6 2 −3 −6  1 3  →  0 8  0 2 −1 2 5 0 1 4 da cui si conclude che il sistema ` risolubile. 2) ∈ Im(ϕ).Dunque la dimensione del nucleo ` pari a zero (questo implica che ϕ ` iniete e tiva)e. soluzione E’ sufficiente imporre che sia risolubile il sistema lineare la cui matrice orlata ` : e   2 1 2 −1  −1 0 3 k  2 7 3 3 35 . e Analogamente per w2 si ha:     3 3 2 −3 2 −3  1 0 2 −5  1  →  0 −1 2 −6 0 0 −23 da cui si vede che il rango della matrice orlata ` maggiore di quello della e matrice del sistema.4. In tal caso significa che le due colonne della matrice associata risultano essere una base per lo spazio immagine. y) ∈ R2 tale che     2 −3 −6 x  1 0  =  3  y −1 2 5 che corrisponde quindi alla risoluzione di un sistema lineare non omogeneo. e dunque w1 ∈ Im(ϕ). Dal punto di vista matriciale. y)) = w1 . Esercizio 3. Passando all’ultimo quesito dell’esercizio. ragioniamo come segue: w1 ∈ Im(ϕ) ⇔ ∃(x. y) ∈ R2 : ϕ((x. e pertanto w2 ∈ Im(ϕ). questo equivale a scrivere: ∃(x. k. si ricava che dim(Im(ϕ)) = 2. Data la mappa lineare ϕ : R3 e1 e2 e3 → → → → R3 2e1 − e2 + 7e3 e1 + 3e3 2e1 + 3e2 + 3e3 dire per quali vaolri di k ∈ R il vettore w = (−1. dal teorema delle dimensioni.

C2 > = < (0. 1) > = < x + x 2 . y . p(0) = a e dunque: ϕ(p(x)) = ax + (a + b + c)x2 . 0. dove abbiamo indicato con (a. in termini di tale base e un generico elemento di V si scrive come p(x) = a + bx + cx2 . 1. z ) le coordinate nel codominio. c) le coordinate nel dominio. Nello spazio vettoriale R2 [x] dei polinomi a coefficienti reali di grado non superiore a 2. e Esercizio 3. e dal teorema delle dimensioni si conclude che dim(Ker(ϕ)) = 1. b. x. e soluzione Ricordato che la base canonica di V ` BV = {1. Se indichiamo con (x . x2 }. In termini di tali coordinate si ha che: p(1) = a + b + c. In particolare si ha che: Im(ϕ) = < C1 . la sostituzione ` e data da:   a = 0 b = a  c = a+b+c che risulta dunque essere lineare (in quanto ` una sostituzione lineare e omogenea). consideriamo la mappa: ϕ:V → V p(x) → p(1)x2 + p(0)x Verificare che ϕ ` un endomorfismo di V e studiarlo. x2 > 36 .Utilizzando ancora una volta la  2  0 0 riduzione di Gauss si arriva ad ottenere:  −1 1 2 1 8 2k − 1  0 0 2k + 10 da cui si conclude che il sistema ` risolubile se e solo se k = −5. dunque dim(Im(ϕ)) = 2. (0.5. 1). Ricaviamo inoltre la matrice associata:   0 0 0 A =  1 0 0  1 1 1 E’ immediato vedere che r(A) = 2.

y. y . z). −1) >=< x − x2 > Esercizio 3. In tal caso infatti siamo sicuri che ϕ ` iniettiva.6. ` e facile vedere che tale sistema ha una sola soluzione in quanto. sviluppando il determinante con la regola di Laplace rispetto alla seconda riga. z) → (−3x + 3z. soluzione La matrice associata ` : e  −3 0 A =  0 1 2 1 in coordinate dell’applicazione  3 0  −1 Per verificare che ϕ ` invertibile ` sufficiente dimostrare che il nucleo dell’ape e plicazione ` banale. L’unica soluzione possibile deve pertanto essere quella banale: Ker(ϕ) = {(0. Verificare che l’endomorfismo di R3 : ϕ : R3 → R3 (x. 2x + y − z) ` invertibile5 . 0)}. In tal modo abbiamo verificato l’esistenza della mappa inversa ϕ−1 : R3 → R3 : (x . inoltre e e il teorema delle dimensioni ci consente di affermare che la dimensione dello spazio immagine coincide con quella del codominio. 0. y. e dunque ϕ ` anche e suriettiva.Per determinare il nucleo di questa applicazione ` come al solito sufficiente e risolvere il sistema lineare omogeneo associato alla matrice A:      0 0 0 a 0  1 0 0  b  =  0  1 1 1 c 0 Risolvendo tale sistema si ottiene: a = 0. Se consideriamo il sistema omogeneo associato alla matrice A. b = −c. z ) → (x. y. da cui si deduce che Ker(ϕ) =< (0. 5 si dice che ϕ ` un automorfismo di R3 e 37 .e determinare l’espressione e inversa. si ottiene: det(A) = −3. 1.

y. y.7. y. y . z)t cio` la matrice A−1 ci fornisce l’espressione e inversa. z) e (x . z ) le coordinate di un generico elemento del codominio di ϕ. z) ∈ R3 |−x+2z = 0} determinare. Im(ϕ) = V soluzione Utilizziamo sia nel dominio che nel codominio la base canonica {e1 . y . y. z )t = A(x. z)t ⇔ A−1 (x . 38 . y . z) ∈ R3 |x+y = y +z = 0}. e2 . 2. ed indichiamo con (x.dove abbiamo indicato con (x . una applicazione lineare ϕ : R3 → R3 tale che: 1. Vale dunque la seguente relazione (in notazione funzionale) w = ϕ(v) ⇔ ϕ−1 (w) = v che si riscrive in termini matriciali come: (x . e3 } di R3 . se possibile. y. z )t = (x. V = {(x. Ker(ϕ) = U . z ) le coordinate in dominio e codominio rispettivamente. Dati i sottospazi vettoriali: U = {(x. Si ha che:  1/3 −1 −1  0 1 A = 2/3 −1 in coordinate della funzione  1 0  1 L’espressione in coordinate di ϕ−1 risulta essere:  1  x = 3x − y + z y = y  z = 2x − y + z 3 Esercizio 3. y .

1. e dunque imponiamo che tale vettore sia un elemento del nucleo. 0. b. 0). z) → (2y + 2z. (2. cio` : e      0 0 2 a 1  1 0 b   −1  =  0  0 0 1 c 1 da cui si ricava il sistema:   −2 + a = 0 1+b = 0  −1 + c = 0 Dunque la matrice associata all’applicazione lineare ` nella forma: e   0 2 2  1 0 −1  0 1 1 cio` l’endomorfismo di R3 con le caratteristiche richieste ` : e e ϕ : R3 → R3 (x. x − z. 1)} dunque tale sottospazio ha dimensione 2 ed abbiamo ottenuto due delle tre colonne della matrice associata. 1) > (questo si deduce piuttosto facilmente dalle equazioni di U ). −1. y.Sappiamo che lo spazio immagine ` generato dalle colonne linearmente ine dipendenti della matrice associata. che sar` della forma: a   0 2 a A =  1 0 b  0 1 c dove il vettore colonna (a. dunque possiamo ricavarne una base ed ottenere qualche colonna della matrice associata. Per determinare le incognite a. ` facile dedurre che una base per tale spazio e risulta essere: BV = {(0. Guardando le equazioni di V . in tal caso conosciamo lo spazio immagine. b. c proviamo ad imporre la condizione che il nucleo dell’applicazione che cerchiamo coincida con il sottospazio U. y + z) 39 . c)t risulter` essere combinazione lineare della a base di V . Prima di tutto osserviamo che U =< (1.

.  .3) si pu` esprimere in forma matriciale: o X = AX (3.4) 40 .3. . . .2) si ottiene: u = x1 w1 + x2 w2 + · · · + xn wn = x1 (a11 v1 + a21 v2 + · · · + an1 vn ) + · · · + xn (a1n v1 + a2n v2 + · · · + ann vn ) = (x1 a11 + x2 a12 + · · · + xn a1n )v1 + · · · + (x1 an1 + x2 an2 + · · · + xn ann )vn da cui si ottengono le cosiddette espressioni del cambio di coordinate:   x1 = x1 a11 + x2 a12 + · · · + xn a1n    x2 = x a21 + x a22 + · · · + x a2n 1 2 n (3. Considerate due basi di V : risulta che ogni dei vettori vi :   w1    w2 . . v2 . esso si potr` scrivere sia come a combinazione lineare dei vi che come combinazione lineare dei wj : u = x1 v1 + x2 v2 + · · · + xn vn = x1 w1 + x2 w2 + · · · + xn wn Sostituendo ai wj le espressioni fornite dalla (3. vn } B = {w1 . . . .2) Sia ora u ∈ V un generico vettore.4 Cambiamenti di riferimento B = {v1 . . wn } Sia V uno spazio vettoriale di dimensione n. w2 .  .3) .  .   w n vettore wj ∈ B si pu` scrivere come combinazione lineare o = a11 v1 + a21 v2 + · · · + an1 vn = = a12 v1 + a22 v2 + · · · + an2 vn = = a1n v1 + a2n v2 + · · · + ann vn = n i=1 n i=1 n i=1 ai1 vi ai2 vi ain vi (3.    x = x a + x a + ··· + x a n 1 n1 2 n2 n nn La (3.

xn      mentre A ` la matrice quadrata di ordine n ottenuta mettendo in colonna i e coefficienti dei vettori wj rispetto alla base B:   a11 a12 . Vediamo un esempio per chiarire il tutto: Esempio 3. e2 } alla base B = {v1 (2. e le coordinate (xi ) dello stesso vettore u rispetto alla base B . . ann La (3.B = 2 −1 1 3 Ricordiamo che tale matrice fornisce le componenti (x. y) di un vettore di R2 rispetto a B. allora le sue componenti (x. . y) rispetto a B sono fornite da: x 2 −1 1 = y 1 3 −1 41 . . v2 (−1. in quanto le sue colonne sono linearmente indipendenti (essendo i vettori di una base).  . 2. . . a2n    A= . a1n  a21 a22 . . Osservazioni 1.. .dove:    X=  x1 x2 . . 3)} si ottiene semplicemente mettendo in colonna i vettori della base B espressi in termini di B. in generale indicheremo dunque tale matrice con AB. . se u = (1. . . In R2 . .4) fornisce dunque il legame esistente tra le coordinate (xi ) del vettore u espresso in termini della base B. .   . . . la matrice di passaggio dalla base canonica B = {e1 . . A ` la matrice che esprime i vettori della base B in funzione della base e B. . −1) rispetto a B . .11. an1 an2 . 1).B . ad esempio. xn        X =   x1 x2 . la matrice A risulta essere invertibile. una volta note le sue componenti rispetto a B . Dunque: AB.

  1 2 0 MB. 1). 0. e2 . In R3 . −2. Indicate con MB.B le matrici che descrivono il cambio di coordinate da B a B e da B a B . con base canonica B = {e1 .8. −3).B = MB.B = MB. 2). w2 (−1. 1. e3 }. 0). y = −2. 1. allora valgono i seguenti fatti: 1. Vediamo l’immediata applicazione di tale risultato nel seguente: Esercizio 3. 4). 1)} Determinare il cambio di coordinate da B a B . rispettivamente. Sia V = R3 . B tre basi distinte di V . Consideriamo le basi : B = {v1 (1. Sia V uno spazio vettoriale. indichiamo con B = {e1 . 3). e siano B.B . utilizzando la matrice del cambio di coordinate. e2 . si considerino altre due basi: B = {v1 (1. w2 (1.B . 1. Un importante risultato che riguarda il cambiamento di coordinate ` fornito e dalla seguente proposizone. w3 (1.cio` x = 3. v3 (5.B =  1 1 −2  0 1 1 42 . B . 2.B . −1 2. 3). 1). MB . Dunque: e u = v1 − v2 = 3e1 − 2e2 Esercizio 3. 2. 5)} Determinare le coordinate dei vettori u = 3v1 + 2v2 − 2v3 e w = −w1 + 4w2 − 7w3 rispetto alla base canonica. −2. v2 (2. −2. 3)} B = {w1 (3. MB . soluzione E’ immediato scrivere le matrici di passaggio da B a B e B . 0. 0. 2.B MB . MB. che risulter` utile anche nello svolgimento di a alcuni esercizi: Proposizione 3.2. w3 (1. v3 (0. 1)} B = {w1 (−1. v2 (−1.9. e3 } la sua base canonica.

B . Sia u = 2w1 + 3w2 + w3 = (2.B si  1/2 −1 MB. possiamo facilmente conoscere le sue componenti rispetto a B .B = MB .B Dunque.B  −1 1 1 =  0 −2 1  1 −3 1  La proposizione precedente ci consente di affermare che: MB e che MB . . 3.B MB.MB. 1)B .B −1 = MB.B =  1/2 1 In conclusione: MB 1/2  1/2 = 1  −3/2 =  −1/2 0  ha:  −2 3/2 −1 1/2  −1 1 .B    −2 3/2 1 2 0  1 1 −2  −1 1/2  −1 1 0 1 1  1/2 11/2 1/2 5/2  2 3 Ad esempio. allora le sue componenti rispetto a B sono:       x −3/2 1/2 11/2 2  y  =  −1/2 1/2 5/2   3  z B 0  2 3 1 4  3  = 9 Lo studente dovrebbe essere ora in grado di risolvere da solo i seguenti esercizi: 43 . calcolando l’inversa di MB. se conosciamo le coordinate di un vettore rispetto a B .

. (−17. ym )t ∈ W. . . Determinare la matrice del cambio di coordinate per le seguenti coppie di basi di R3 : 1. B = {(1. 1. 2.11. B = {(13. . 0. . con basi BV = {e1 . sappiamo che vale la scrittura: Y = AX dove Y = (y1 . Indicate con BV . Indicata con A la matrice associata a tale applicazione lineare. . (1. . 5.BV X . . 1. 0. − 5). B = {(1. B = {(1. . rispettivamente in V ed in W . 1).BW ` invertibile: e e −1 Y = MBW . 0). 1). −1). 1)}. . 1)}. . 1).BW Y sono le relazioni che legano le coordinate di uno stesso vettore rispetto a basi differenti nello stesso spazio vettoriale. (0. en }.B AMBV . 1. xn )t ∈ V . . BV = {e1 . em }. 0). (1. . Per le seguenti coppie di basi di R2 determinare la matrice MB. −6). 1).5) 44 . 1). (0. abbiamo visto che: X = MBV . X = (x1 . 2)}. B = {(2. Y = MBW . 1).BV X W (3. . ( 5. √ √ √ √ 2. (8. (0. 1. . B = {( 5.BV X e poich` MBW . −4). . (1. BW due nuove basi. Vogliamo vedere cosa succede se cambiamo le basi nei due spazi. −10. 1)}. 1. Esercizio 3. . −1. xn ) → (y1 . 1. Possiamo dunque scrivere che: MBW . (2. . e sia ϕ:V → W (x1 . 5)}. . .Esercizio 3. . (−1. . (1. 1)}. .B : 1. Siano V. B = {(1. 0. . B = {(1. −7)} Una importante applicazione del cambiamento di coordinate si ha nello studio delle applicazioni lineari.10. W spazi vettoriali. ym ) una applicazione lineare tra questi spazi.BW Y = AMBV . 1)}.

2)} B = {w1 (3. ad esempio. 0). e2 } sono le vamente. definita solo su basi differenti. e Iniziamo a determinare le matrici dei cambi di coordinate:   1 1 1 ME. v3 (1. e2 . Sappiamo che la corrispondente queste basi!) ` : e 2 1 A= 1 −1 e la corrispondente sostituzione di coordinate ` : e y1 = 2x1 + x2 + 5x3 y2 = x1 − x2 dove (x1 . Si osservi che le matrici A e B rappresentano la stessa applicazione lineare (` sempre la ϕ). 1). Consideriamo.B AMBV .B =  0 2 1  2 0 2 45 . 2). w2 (1. E = {e1 . 2. le nuove basi: B = {v1 (1. v2 (1. Consideriamo la mappa ϕ : R3 e1 e2 e3 → → → → R2 2e1 + e2 e1 − e2 5e1 basi canoniche di R3 . R2 rispettimatrice associata a ϕ (rispetto a 5 0 dove E = {e1 . y2 ) nel codominio. Vediamo un esempio: Esempio 3. 0. Le due matrici sono dette e equivalenti.12. x2 . Cerchiamo di capire cosa succede quando cambiamo base in entrambi gli spazi.5) non ` altro che la notazione matriciale della e applicazione ϕ rispetto alle due nuove basi. 0)} e proviamo a determinare qual ` la matrice associata a ϕ rispetto a tali basi. x3 ) sono le coordinate nel dominio e (y1 . la (3. W In altre parole.BV . e3 }. 1.ovvero: Y = BX −1 con B = MBW .

0). Sia ϕ : R2 → R3 l’applicazione lineare definita da: ϕ(x1 . x1 − 2x2 .B AME. 1). dove: B = {(1.mentre ME . x3 )t ∈ R3 sono quelle rispetto a B. 0. −1)}.B  = = 1/3 0 −1/3 1 2 1 5 1 −1 0  1 1 1  0 2 1  2 0 2 4 4/3 13/3 −3 −7/3 −13/3 La sostituzione ` la matrice che rappresenta ϕ rispetto alle basi B. 1)} cio` la matrice associata a ϕ rispetto alle nuove basi. B . (0. X = (x1 .B AME. −2.B . y2 )t ∈ R2 sono le coordinate di un vettore rispetto a B . B = {(1. e omogenea di coordinate ` pertanto data da: e y1 = 4x1 + 4/3x2 + 13/3x3 y2 = −3x1 − 7/3x2 − 13/3x3 Esercizio 3.B X 3 0 1 1 dove Y = (y1 . x2 ) = (x1 + x2 . x2 . (0. e 46 . 1).5) ci dice che: −1 Y = ME .B = La (3. x1 ) Determinare MB . (1. Dunque: −1 B = ME . 1.12.

vn } di V costituita da autovettori per ϕ. Questo insieme risulta e essere un sottospazio vettoriale di V . .  . cio` tale che ϕ(vi ) = λi vi . Se esiste una base BV = {v1 . .Capitolo 4 Diagonalizzazione di operatori lineari In questo capitolo indicheremo con V uno spazio vettoriale n-dimensionale generico su un campo K. . e Osservazioni: 1. . In tal caso lo scalare λ ` detto autovalore di ϕ. allora la matrice A associata a ϕ rispetto e a questa base ` in forma diagonale: e   λ1 0 · · · 0  0 λ2 · · · 0    A =  . . . v = 0. Sia v ∈ V. L’insieme Vλ = {v ∈ V : ϕ(v) = λv} di tutti gli autovettori associati all’autovalore λ ` detto autospazio associato a λ. v ` detto autovettore per ϕ se e ϕ(v) = λv con λ ∈ K.1. . .  . .. cio` una e applicazione lineare di V in se stesso. Definizione 4. e con ϕ un endomorfismo di tale spazio. . 2. Iniziamo richiamando le principali definizioni. .1) . 0 0 · · · λn 47 (4.  .

Si noti che il primo membro della (4. . Diciamo che ϕ (ovvero la matrice associata A) ` e diagonalizzabile se esiste una base di autovettori. L’endomorfismo ϕ : R2 → R2 : (x. Un semplice criterio che si utilizza negli esercizi per il calcolo degli autovettori ` fornito dal seguente risultato: e Proposizione 4. . .1. Uno scalare λ ∈ K ` autovalore di ϕ se e solo se: e det(A − λI) = 0 (4. . x + 4y) ha matrice associata: 1 −2 A = 1 4 La (4. Ci proponiamo ora di determinare gli autospazi associati a ciascun autovalore: 48 . Esempio 4. + an−1 λ + an dove an = det A.2) ci dice che gli autovalori si ottengono da: det 1 − λ −2 1 4−λ = 0 Sviluppando il determinante si ottiene l’equazione λ2 − 5λ + 6 = 0 che fornisce le due soluzioni reali: λ1 = 2. + an−1 A + an I = 0.2) dove A − λI ` la matrice ottenuta togliendo l’incognita λ dagli elementi della e diagonale della matrice A. Teorema 4. λ2 = 3. Ogni matrice quadrata annulla il suo polinomio caratteristico.2. detto polinomio caratteristico: P (λ) = (−1)n λn + a1 λn−1 + .1 (di Cayley-Hamilton). Le radici di P (λ) = 0 sono dunque gli autovalori dell’endomorfismo ϕ. cio´ e (−1)n An + a1 An−1 + . y) → (x − 2y.2) risulta essere un polinomio di grado n nella incognita λ. Possiamo ora iniziare ad esaminare i primi esempi.Definizione 4.1.

V2 : ` l’insieme dei vettori che soddisfano l’equazione Av = 2v. dunque. e ci sono ∞2−1 soluzioni. l’unica equazione da considerare ` dune que: −x − 2y = 0. Andiamo dunque a risolvere tale sistema: −1 −2 1 2 x y = 0 0 Osserviamo subito che la seconda riga della matrice dei coefficienti ` e proporzionale alla prima e. in tal caso eliminiamo la prima riga. Per trovare una sua base dobbiamo risolvere il sistema. Questa ` una ovvia e conseguenza del fatto che l’autovalore λ1 = 2 annulla il determinante della matrice A − λI. l’unica equazione da considerare ` dunque: e 49 . Prendendo y come variabile libera si ottiene che la generica soluzione ` nella forma: e x = −2t y = t e quindi si conclude che BV2 = {v1 (−2. Come prima. ossia sono e le soluzioni del sistema lineare omogeneo (A − 2I)v = 0R2 . 1)}. la matrice ha rango pari ad 1. V3 : ` l’insieme dei vettori che soddisfano l’equazione Av = 3v. la quale dunque non ha rango massimo. Per trovare una sua base dobbiamo risolvere il sistema. ovvero l’autospazio V2 ha dimensione 1. e ci sono ∞2−1 soluzioni. ovvero l’autospazio V3 ha dimensione 1. la matrice ha rango pari ad 1. la eliminiamo. ossia sono e le soluzioni del sistema lineare omogeneo (A − 3I)v = 0R2 . Andiamo dunque a risolvere tale sistema: −2 −2 1 1 x y = 0 0 Osserviamo subito che la seconda riga della matrice dei coefficienti ` e proporzionale alla prima. In conclusione.

x + y = 0. Prendendo y come variabile libera si ottiene che la generica soluzione ` nella forma: e x = −t y = t e quindi si conclude che BV3 = {v2 (−1, 1)}. Abbiamo cos` determinato una coppia di autovettori linearmente indipendenı ti, cio` una base di autovettori per R2 : BR2 = {v1 , v2 }. Questo significa che e l’applicazione lineare ϕ ` diagonalizzabile, poich` la matrice associata a ϕ in e e tale base ` nella forma diagonale: e 2 0 0 3 Concludiamo questo esercizio riprendendo quanto detto nella sezione dedicata ai cambiamenti di riferimento per le applicazioni lineari, e vediamo come funziona il tutto nel caso particolare degli endomorfismi. Iniziamo con il ricordare che A ` la matrice associata a ϕ espressa rispetto e alla base canonica E(` la stessa base sia nel dominio che nel codominio); e possiamo sottolineare questo fatto indicando tale matrice con AE,E . Se ora vogliamo trovare la matrice B associata a ϕ rispetto ad una nuova base B dobbiamo ricordarci che vale la relazione: B = MB,E AE,E ME,B dove ME,B ` la matrice le cui colonne sono fornite dai coefficienti degli ee lementi della nuova base B rispetto alla base canonica, ed inoltre MB,E = −1 ME,B . Proviamo dunque a vedere qual ` la matrice associata a ϕ rispetto alla base e di autovettori B = {v1 (−2, 1), v2 (−1, 1)}. In tal caso si ha: ME,B =
−1 ME,B =

−2 −1 1 1 −1 −1 1 2

50

e dunque la matrice associata a ϕ rispetto alla nuova base ` : e B = MB,E AE,E ME,B −1 −1 = 1 2 2 0 = 0 3 1 −2 1 4 −2 −1 1 1

come, del resto, avremmo dovuto aspettarci! Osservazione: l’ultima parte dell’esercizio precedente pu` essere o generalizzata secondo il seguente ragionamento: sia A la matrice associata ad un endomorfismo di uno spazio V ; dopo aver calcolato gli autovalori di tale matrice (gi` a questo livello potrebbero esserci a dei problemi), si determina una base di autovettori per ogni autospazio. Se l’unione di tutte queste basi risulta essere una base per V, allora la matrice A ` diagonalizzabile, e la sua forma diagonale D si ottiene nel seguente modo: e D = M −1 AM dove M ` la matrice ottenuta mettendo in colonna tutti gli autovettori della e nuova base trovata. M prende il nome di matrice diagonalizzante per A. Non ` sempre possibile diagonalizzare una matrice, come evidenziato nel e seguente: Esempio 4.2. La matrice di ordine 3:   2 1 −1 A= 0 0 5  0 0 0 ha come polinomio caratteristico:   2 − λ 1 −1 −λ 5  = λ2 (2 − λ) p(λ) = det  0 0 0 −λ e dunque i suoi autovalori sono λ1 = 0, λ2 = 2. Si osservi che l’autovalore λ1 compare due volte come radice del polinomio caratteristico; diremo allora che l’autovalore λ1 ha molteplicit` algebrica 2. a 51

In generale, chiameremo molteplicit` algebrica di un autovalore la sua mola teplicit` come radice di p(λ), ed indicheremo questa quantit` con ma (λ). a a Nel nostro esempio si ha che ma (0) = 2 e ma (2) = 1. Passiamo al calcolo degli autospazi associati:      2 1 −1 x 0 V0 :  0 0 5   y  =  0  la matrice ha rango 2, dunque 0 0 0 z 0 dim(V0 ) = n − r(A) = 1 Tolta l’ultima equazione, dalla seconda si ottiene z = 0, e sostituendo tale risultato nella prima si ha 2x + y = 0; presa x libera, si ottiene:   x = t y = −2t  z = 0 Dunque V0 =< v1 (1, −2, 0) >.      0 1 −1 x 0  0 −2 5   y  =  0  la matrice ha rango 2, dunque V2 : 0 0 −2 z 0 dim(V2 ) = n − r(A − 2I) = 1 Togliendo una equazione, ad esempio la seconda, si ottiene che la matrice dei coefficienti ridotta ` : e 0 1 −1 0 0 −2 L’ultima equazione fornisce z = 0, e sostituendo tale risultato nella prima si ha che y = 0. In conclusione rimane libera la variabile x, e pertanto la soluzione di tale sistema ` : e   x = t y = 0  z = 0 e si ottiene che V2 =< v2 (1, 0, 0) >. 52

In conclusione ho trovato solo una coppia di autovettori indipendenti, e dunque non sono in grado di costruire una base diagonalizzante per la matrice A. L’esempio precedente ci permette di intravedere uno dei motivi che sono causa della non diagonalizzabilit` di una matrice; infatti abbiamo osservato che a l’autovalore nullo compare due volte come radice del polinomio caratteristico (abbiamo espresso questo concetto dicendo che ma (0) = 2), ma l’autospazio associato a tale autovalore ha dimensione pari ad 1 ed una base di tale autospazio sar` pertanto costituita da un solo autovettore. E’ conveniente, a a questo punto , introdurre anche il concetto di molteplicit` geometrica. a Definizione 4.3. Sia λ un autovalore di un endomorfismo ϕ; si chiama molteplicit` geometrica di λ, e si indica con mg (λ), la dimensione dell’autospazio a associato a tale autovalore. In altri termini: mg (λ) = dim(Vλ ). Ricordiamo innanzitutto che se λ ` un autovalore di ϕ ∈ End(V ), allora vale e sempre la relazione 1 ≤ mg (λ) ≤ ma (λ) (4.3) Queste considerazioni dovrebbero farci capire il motivo della non diagonalizzabilit` della matrice dell’esempio precedente; la (4.3) ci assicura che l’aua tospazio V2 ha dimensione 1, pertanto troveremo una base costituita da un solo autovettore anche per questo autospazio. Quando considero l’unione delle basi di tutti gli autospazi trovati riesco a determinare un sistema di vettori che non risulter` essere una base per lo a 3 spazio di partenza R in quanto costituito da soli 2 vettori. Definizione 4.4. Sia λ un autovalore di ϕ; diciamo che λ ` regolare se e ma (λ) = mg (λ) Il ragionamento che abbiamo fatto ci permette di concludere che una condizione necessaria per la diagonalizzabilit` di un operatore lineare ` che tutti a e gli autovalori siano regolari, secondo la precedente definizione. Ci chiediamo ora se tale condizione risulta essere anche sufficiente. Per rispondere a tale domanda basta considerare il seguente esempio!

53

l’endomorfismo ϕ non ` diagonalizzabile in campo reale.2. L’unica soluzione reale (cio` l’unico e autovalore reale) ` pertanto λ1 = −2. con ma (−2) = 1. In questo caso. ma possiede alcune radici in C. tutti gli autovalori sono in K. Abbiamo ora tutti gli elementi per formulare una condizione necessaria e suffciente per la diagonalizzabilit` di un operatore lineare: a Teorema 4. ogni autovalore ` regolare e 54  → R3 → 3e1 − e2 → e1 + 3e2 → −2e3 . 2.3.Esempio 4. la causa risiede nel fatto che il polinomio caratteristico non si fattorizza in modo completo su R. ma non riusciamo a costruire una base di e autovettori (reali!) per R3 . come vedremo dopo. e diverso sarebbe il discorso in campo complesso. Consideriamo l’endomorfismo di R3 : ϕ : R3 e1 e2 e3 la cui matrice associata ` : e  3 1 0 A =  −1 3 0  0 0 −2 Il calcolo degli autovalori ci fornisce:   3−λ 1 0  = (λ2 − 6λ + 10)(−2 − λ) 0 p(λ) = det  −1 3 − λ 0 0 −2 − λ Le radici di tale polinomio risultano essere non tutte reali poich` il fattore e λ2 − 6λ + 10 ha discriminante negativo. dunque questo aue tovalore ` sicuramente regolare. In conclusione. Abbiamo dunque fornito un esempio in cui gli autovalori trovati sono tutti regolari ma l’endomorfismo risulta essere non diagonalizzabile. Un endomorfismo ϕ ` diagonalizzabile sul campo K se e solo e se: 1.

la matrice A ` e diagonalizzabile se mg (0) = ma (0) = 2. ma (0) = 2 e λ2 = 3. Studiare la digonalizzabilit` della matrice: a   1 1 1 A= 1 1 1  1 1 1 soluzione Il polinomio caratteristico di A ` : e   1−λ 1 1 1−λ 1  = λ2 (3 − λ) p(λ) = det  1 1 1 1−λ pertanto ci sono 2 autovalori reali: λ1 = 0. passo al calcolo degli autospazi per controllare che tutti gli autovalori siano regolari.o. Quest’ultimo autovalore risulta essere sicuramente regolare.1. calcolo le sue radici e verifico che siano tutte in K. in caso di risposta affermativa. equivalentemente. In caso di a ulteriore risposta affermativa. posso concludere che la matrice ` diagonalize zabile e la base diagonalizzante si ottiene prendendo l’unione delle basi di tutti gli autospazi trovati. ma (3) = 1. confrontando la loro molteplicit` algebrica con quella geometrica. e Dal punto di vista pratico. Esercizio 4. questo teorema ` di semplice applicazione: dopo e aver calcolato il polinomio caratteristico della matrice A. Andiamo dunque a determinare l’autospazio V0 risolvendo il sistema lineare omogeneo:      1 1 1 x 0  1 1 1  y  =  0  1 1 1 z 0 E’ immediato verificare che la matrice dei coefficienti ha rango pari ad 1. pertanto: mg (0) = dim(V0 ) = n − r(A − 0I) = 3 − 1 = 2 = ma (0) 55 . se vale la condizione: mg (λi ) = n i cio` se la somma diretta di tutti gli autospazi ha come risultato lo spazio V .

0).e dunque anche λ1 = 0 ` un autovalore regolare. si ottiene:   x = t y = t  z = t cio` BV0 = {v3 (1.2. 0. v2 (−1. e Esercizio 4. 1)}. z si ottiene che:   x = −t − s y = t  z = s da cui si vede che BV0 = {v1 (−1. y.2) ci assicura pertanto la diagonalizzabilit` della matrice A. 1. Sia F : R3 → R3 l’operatore lineare F (x. 1. trovando una base b di R3 formata da e autovettori di F . Determinare la matrice che rappresenta F in tale base. −x + 2y − z. z) = (y − z. 1. Prendendo come e variabili libere y. 1)}. Dimostrare che F ´ diagonalizzabile. e Il teorema (4. 2. a Per trovare una base diagonalizzante ` necessario determinare i due e autospazi. x − y + 2z). l’unica equazione che descrive V0 ` : x + y + z = 0. Per determinare V3 risolviamo il sistema:      0 −2 1 1 x  1 −2 1   y  =  0  0 1 1 −2 z Riducendo per righe la matrice dei coefficienti si ottiene: A −→ 1 −2 1 0 −1 1 Prendendo z = t libera. 56 .

Lo spazio delle soluzioni ´ e l’autospazio associato all’autovalore 1: V1 = {(x. s parametri} = < (−1. Gli autovettori associati all’autovalore 2 sono dati da      −2 1 −1 x 0  −1 0 −1   y  =  0  . (1. y. Lo spazio delle soluzioni ´ l’autospazio associato e all’autovalore 2: V2 = {(x. z) ∈ R3 |x = s − t. t. Calcoliamo ora gli autovettori associati all’autovalore 1 ponendo      −1 1 −1 x 0  −1 1 −1   y  =  0  . y = s. −1. 1). 57 . 1 −1 1 z 0 Il sistema ha ∞2 soluzioni date da x − y + z = 0. 0 1 −1 0 z che si riduce a x + z=0 y + z=0 Il sistema ha ∞1 soluzioni. ma (2) = mg (2) e ma (1) + ma (2) = 3 la matrice A ´ e e diagonalizzabile.La matrice A che rappresenta F nella base canonica ´ e   0 1 −1  −1 2 −1  1 −1 2 Per calcolare gli autovalori poniamo det(A − λI) = 0: −λ 1 −1 −1 2 − λ −1 1 −1 2 − λ =0 Le soluzioni sono λ = 1. 1. 1) > . 2 con ma (1) = 2. z = t. y. La dimensione V1 ´ 2 cio´ mg (1) = 2. t parametro} = < (−1. 0. z) ∈ R3 |x = −t. ma (2) = 1. 0) > . z = t. e e Poich´ ma (1) = mg (1). y = −t.

M ∈ Mn (K) con M invertibile dimostrare che se B = M −1 AM allora ∀k ∈ N vale B k = M −1 Ak M . e Osservazione 4. 0 0 32 58  .4. −1.1. Date le matrici A. 1) > e la matrice del cambiamento di base ´ data da e   −1 1 −1 M =  0 1 −1  1 0 1 e la sua inversa ´ e M −1  −1 1 0 0 1  = 1 1 −1 1  Ponendo D = M −1 AM si ottiene  1 0 0 D =  0 1 0 .2. 0. 0 0 2 D ´ la matrice diagonale che rappresenta l’operatore F nella base costituita e dagli autovettori. Si ha che R3 = V1 ⊕ V2 =< (−1. Esercizio 4. In particolare si osserva che se λ ´ autovalore di una e matirice A ∈ Mn (K) allora λk ´ autovalore della matrice Ak . Consideriamo la matrice diagonale D associata ad F rispetto alla base di autovettori calcolata nell’es 4. Allora una matrice diagonale associata a F 5 ´ D5 (nella stessa base di autovettori): e   1 0 0 D5 =  0 1 0  . B. La dimostrazione ´ lasciata allo studente.3.La dimensione di V2 ´ 1 cio´ mg (2) = 1. (1. 0). (−1.2 determinare l’operatore F 5 : R3 → R3 rispetto alla base canonica. ma (2) = mg (2) e ma (1) + ma (2) = 3 la matrice A ´ e e diagonalizzabile. e Esercizio 4. Con riferimento al testo dell’esercizio 4. 1). e e Poich´ ma (1) = mg (1). 1.

x + y + z). La matrice che rappresenta F nella  1 0  0 2 1 1 base canonica ´ e  −1 0 . 1 Per calcolare gli autovalori poniamo det(A − λI) = 0: (2 − λ)(λ2 − 2λ + 2) = 0 (4. 1.Per calcolare la matrice associata ad F nella base canonica basta porre M D5 M −1 :       −1 1 −1 1 0 0 −1 1 0 −30 31 −31  0 1 −1   0 1 0   1 0 1  =  −31 32 −31  . Esercizio 4.4) In R l’unico autovalore possibile ´ 2 con ma (2) = 1 in quanto in R l’eqz 4. Poich´ le altre due soluzioni non e stanno in R si conclude che A non ´ diagonalizzabile in R.4 e ammette come unica soluzione il valore 2. 31x − 31y + 32z). 2. 1 0 1 0 0 32 1 −1 1 31 −31 32 Quindi F 5 : R3 → R3 rispetto alla base canonica ´ definito da e F (x.5. Detta A la matrice associata ad F calcolare A−1 utilizzando il teorema di Caley-Hamilton. 1. 2y. Stabilire se F ´ diagonalizzabile ed in caso affermativo calcolare una e base di autovettori. Sia F : K 3 → K 3 (K = R o K = C) l’endomorfismo definito da F (x. z) = (x − z. e Calcoliamo gli autovettori associati all’autovalore 2 ponendo      −1 0 −1 x 0  0 0 0  y  =  0  1 1 −1 z 0 59 . 1+ i (tutti con molteplicit´ algebrica 1). y. a − dunque A ´ diagonalizzabile in C. −31x + 32y − 31z. z) = (−30x + 31y − 31z. y. e In C ci sono tre autovalori distinti 2.

z = −it. 1)) > . z = it.che si riduce a x + z=0 y − 2z = 0 Il sistema ha ∞1 soluzioni. Lo spazio delle soluzioni ´ dunque: e V1+i = {(x. i) > . t parametro} = < (−1. z) ∈ C3 |x = t. z) ∈ C3 |x = t. −i) > . e e L’autospazio associato all’autovalore 1 + i ´ dato da e      −i 0 −1 x 0  0 1 − i 0  y  =  0 . 0. 0. 1 1 i z 0 che si riduce a ix − z = 0 y=0 Il sistema ha ∞1 soluzioni. 1 1 −i z 0 che si riduce a ix + z = 0 y=0 Il sistema ha ∞1 soluzioni. 60 . z) ∈ C3 |x = −t. y. y = 0. La dimensione V1 ´ 1 cio´ mg (1) = 2. y = 2t. y = 0. z = t. Lo spazio delle soluzioni ´ l’autospazio associato e all’autovalore 1 − i: V1−i = {(x. 2. e e Gli autovettori associati all’autovalore 1 − i sono dati da      i 0 −1 x 0  0 1 + i 0  y  =  0 . Lo spazio delle soluzioni ´ l’autospazio associato e all’autovalore 2: V2 = {(x. La dimensione di V1+i ´ 1 cio´ mg (1 + i) = 1. y. t parametro} = < (1. t parametro} = < (1. y.

D = 0 1+i 0 0 1−i D ´ la matrice diagonale che rappresenta l’operatore F nella base costituita e dagli autovettori. 2.La dimensione di V1−i ´ 1 cio´ mg (1 + i) = 1. 0. 0. cio´ e A3 − 4A2 + 6A − 4I = 0 Moltiplicando per A−1 si ottiene A2 − 4A + 6I − 4A−1 = 0 da cui si ricava Svolgendo i conti si ha A−1  2 −1 2 1 2 0 . 2. (1. 4  Esercizio 4. Sia A la matrice   7 4 −4  4 1 8  −4 8 1 Calcolare gli autovalori di A ed una base ortonormale di autovettori. 61 . =  0 4 −2 −1 2  1 A−1 = (A2 − 4A + 6I).6. Riprendendo l’eqz 4. 1). e e 3 Si ha che R = V2 ⊕V1+i ⊕V1−i =< (−1.4 si ha che il polinomio caratteristico ´ e P (λ) = −λ3 + 4λ2 − 6λ + 4 Per il teorema di Cayley-Hamilton P (A) = 0. i) > e la matrice del cambiamento di base ´ data da e   −1 1 1 0 0  M = 2 1 −i i Si ha che D = M −1 AM dove  2 0 0 0 . −i). (1.

0. y. y. −2. −4 8 10 z 0 che si riduce a 4x +y −z = 0 y +z = 0 =0 Il sistema ha ∞1 soluzioni. Calcoliamo gli autovettori associati all’autovalore 9:      −2 4 −4 x 0  4 −8 8   y  =  0  . e e 62 . y = −t. −4 8 −8 z 0 che si riduce a x − 2y + 2z = 0. 0) > . Il sistema ha ∞2 soluzioni. s parametro} = < (−2. Gli autovalori sono λ = 9 (ma (9) = 2) e λ = −9 (ma (−9) = 1). z = t.Poniamo det(A − λI) = 0: 7−λ 4 −4 4 1−λ 8 −4 8 1−λ da cui si ottiene (9 − λ)(λ2 − 81) = 0. La dimensione di V9 ´ 2 cio´ mg (9) = 2. 1). 2) > . Lo spazio delle soluzioni ´ l’autospazio associato all’autovalore 9: e V9 = {(x. z) ∈ R3 |x = t/2. t. e e Calcoliamo gli autovettori associati all’autovalore -9:      16 4 −4 x 0  4 10 8   y  =  0  . 1. z) ∈ R3 |x = 2s − 2t. y = s. z = t. s parametro} = < (1. (−2. Lo spazio delle soluzioni ´ l’autospazio associato e all’autovalore -9: V−9 = {(x. t. La dimensione di V−9 ´ 1 cio´ mg (−9) = 1.

0). 3 3 La matrice ortogonale del cambiamento di base ´ e   2 2 1 − √ 5 3√ 5 3 √  5 2  M = 0 −3  3 1 √ 5 4 √ 3 5 2 3 Essendo M una matrice ortogonale M −1 = matrice diagonale  9 0 M T AM =  0 9 0 0 M T . v3 = (1. v2 > u1 = ( 2 .1. 63 . v2 = (−2. 0. Si consideri lo spazio vettoriale reale dei polinomi R2 [X]. −2. 1. v2 = (−2. 4 ) 3 3 5 v3 ´ gi´ perpendicolare a u1 e u2 in quanto non appartiene all’autospazio V9 . Utilizziamo il metodo di ortogonalizzazione di Gram-Schmidt per ottenere a partire da {v1 = (−2. 2)}. 2. 2)} una base di vettori {u1 . 1. u2 . 4 ) 3 5 5 2 = ( 3√ 5 . 1. X 2 } di R2 [X]. 1) √ v1 = 5 (norma di v1 ) 2 1 u1 = v1 = (− √5 . Trovare autovalori e autovettori di α. 0). 1. 0.7. −2. 1). v1 = (−2. √ ) 5 5 2 4 ( √ . v3 = (1. 1). 2 ). dX 2 1. − 2 . La matrice A ´ simile alla e  0 0 . e a quindi basta dividerlo per la sua norma. u3 } ortonormali. Sia α : R2 [X] → R2 [X] l’operatore definito da α(P [X]) = X dP −X dX 3 X +1 2 d2 P . Verificare che α ´ un endomorfismo e scriverne una matrice rispetto e alla base {1. √5 ) = √5 u2 = 2 4 ( √ .Una base di autovettori ´ data da e {v1 = (−2. 0. v3 = 3 (norma di v3 ) v3 1 u3 = v3 = ( 3 . √ 5 √ . 0.1. √ ) 5 5 √ = 5 2 ( . 5 ) 5 2 4 3 ( √5 . X. −9 Esercizio 4. √5 ) (u1 ha lunghezza 1) v1 4 v2 − < u1 . 1.

0 0 0 1 > . 1. α(X) = X.-1.5 si ottiene l’autovalore λ = −1. E a conti. 0 0 −1 Essendo la matrice triangolare si vede subito che ci sono tre autovalori distinti 0. da cui (1 − λ)A = 2At .1. L’autospazio associato sar´ lo a spazio delle matrici simmetriche V−1 = = = < A ∈ M2 (R)|A = At a b b c 1 0 0 0 |a.Essendo la derivata un operatore lineare anche α ´ lineare. e ´ lasciato allo studente trovare gli autovettori. E Esercizio 4. e 2. b.5) Da questa eqz deduciamo che A deve essere proporzionale ad At (ovviamente A = 0). Trovare autovalori ed autospazi di f e dire se f ´ diagonalizzabile. α(X 2 ) = −X 2 − 2X. e 2. La matrice ´ quindi diagonalizzabile. Calcoliamo gli autovalori ponendo f (A) = λA ovvero A − 2At = λA. la matrice A associata ad α ´ e   0 0 0  0 1 −2  . c ∈ R . Sia f : M2 (R) → M2 (R) l’applicazione definita da f (A) = A − 2At . e Il punto 1. Si presentano allora due casi: A = At (A simmetrica) Dall’eqz 4. 64 0 1 1 0 . Verificare che f ´ un endomorfismo.8. dunque un ene ´ lasciata allo studente la verifica della linearit´ mediante i domorfismo. (4. ´ lasciato allo studente. Poich´ e α(1) = 0.

E4 = 0 0 0 1 e data una matrice A= vale f (A) = A − 2At = Considerando le  1  0 E1 =   0 0 a b c d −2 a c b d = −a b − 2c c − 2b −d . f (A) =   c − 2b   c  d −d 65   .  . E2 =   . E2 = 0 1 0 0 . E4 =    0   1   0 0 1 0     a −a  b   b − 2c   A =   . A = −At (A antisimmetrica) Dall’eqz 4. In questo o caso consideriamo la base canonica di M2 (R) E1 = 1 0 0 0 . L’autospazio associato sar´ lo a spazio delle matrici antisimmetriche V3 = = = < A ∈ M2 (R)|A = −At 0 a −a 0 0 1 −1 0 |a ∈ R > Notiamo che dim V3 = 1 (mg (3) = 1). a b c d = aE1 + bE2 + cE3 + dE4 matrici di M2 (R) come vettori di R4 cio´ e       0 0 0   1   0   0  . E3 = 0 0 1 0 . E3 =   .5 si ottiene l’autovalore λ = 3. Si pu´ arrivare allo stesso risultato procedendo nel modo standard. Poich´ M2 (R) = V−1 ⊕ V3 f ´ diagonalizzabile (ne deduciamo ma (−1) = 3 e e e ma (3) = 1).Notiamo che dim V−1 = 3 (mg (−1) = 3).

Stabilire per quali valori del parametro reale h la matrice   0 0 0 h  0 0 1 0   A=  0 1 h+1 0  −1 0 0 0 ´ diagonalizzabile.possiamo scrivere la matrice B associata ad f :  −1 0 0 0  0 1 −2 0 B=  0 −2 1 0 0 0 0 −1   . Lo studente pu´ proseguire e verificare che si trova lo stesso risultato o ottenuto sopra. e 66 .9.  Per calcolare gli autovalori procediamo come al solito ponendo det(B −λI) = 0. Esercizio 4.

3) dove n(a. oppure mediante e un’equazione del tipo y = αx + β eqz.2) Una retta nel piano si pu´ rappresentare mediante un’equazione del tipo o ax + by + c = 0 eqz.5) dove t ´ il parametro.Capitolo 5 Geometria analitica del piano Fissato un sistema di riferimento R(O. cartesiana esplicita (5.6) . ux .1) Distanza tra due punti P1 (x1 . P1 ) = P2 − P1 = (x2 − x1 )2 + (y2 − y1 )2 . Il coefficiente angolare della retta ´ dato da e uy a α=− = b ux 67 (5. cartesiana implicita (5. P0 (x0 . uy ) ´ un e e e vettore parallelo alla retta. y2 ) d(P2 . (5. y0 ) ´ un punto della retta e u = (ux . y) le coordinate di un punto P tali che P − O = xi + yj. (5. uy sono detti parametri direttori della retta. Una retta si pu´ rappresentare e o anche mediante un’equazione parametrica del tipo x = x0 + ux t y = y 0 + uy t (5. j) indichiamo con (x. y1 ) e P2 (x2 . i. b) ´ un vettore perpendicolare alla retta data.4) dove α ´ il coefficiente angolare della retta.

y1 ) e P2 (x2 . Distanza di un punto P0 (x0 . y0 ) si dice fascio proprio a di centro P0 e si rappresenta mediante α=− a(x − x0 ) + b(y − y0 ) = 0 al variare di a.Equazione di una retta passante per due punti P1 (x1 .7) Due rette r e r sono parallele se hanno lo stesso coefficiente angolare α=α. b.9) Due rette r e r sono perpendicolari se: ur · ur = 0 oppure nr · nr = 0 oppure 1 . (5. r) = |ax0 + by0 + c| √ . (5. a2 + b 2 68 (5. y2 ): y − y1 x − x1 = x2 − x1 y2 − y1 oppure x = x0 + (x2 − x1 )t y = y0 + (y2 − y1 )t eqz parametrica (5.11) Il fascio di rette individuato da due rette distinte di equazione r : ax+by+c = 0 e r : a x + b y + c = 0 si rappresenta nella forma λ(ax + by + c) + µ(a x + b y + c ) = 0 al variare dei parametri omgenei λ. α La totalit´ delle rette passanti per un punto P0 (x0 . y0 ) da una retta r : ax + by + c = 0: d(P0 .13) (5. a b uy ux = . a b = . µ.12) .10) i vettori nr e nr sono perpendicolari i vettori ur e ur sono perpendicolari La totalit´ delle rette parallele ad una retta assegnata r : ax + by + c = 0 si a dice fascio improprio di direzione individuata da r e si rappresenta mediante ax + by + k = 0 al variare di k.8) eqz cartesiana (5. ux uy (5.

(b) parallela alla retta 3x − y + 7 = 0.14) r e r sono perpendicolari se lo sono i vettori ur e ur : ur · ur = 0. 1). una soluzione ´ ad es λ = 5 e µ = 7.Angolo di due rette r e r cos ur ur =+ − ur · ur . Sostituendo tali valori all’eqz del fascio si ottiene la retta 5x + 14y − 29 = 0. Il fascio individuato da r e s ´ dato da e λ(x + 2y − 4) + µ(x − 2y + 5) = 0 Imponendo il passaggio per P si ha λ + 6µ = 0. Sostituendo tali e valori all’eqz del fascio si ottiene la retta 12x − 4y + +15 = 0. (b) Riscriviamo l’eqz del fascio nel modo seguente: (λ + µ)x + 2(λ − µ)y − 4λ + 5µ = 0. una possibile soluzione ´ e λ = −6 e µ = 1. (a) Eliminando il parametro t dall’eqz parametrica di s otteniamo la sua eqz cartesiania x − 2y + 5 = 0. Esercizio 5. Imponendo la condizione di parallelismo 2(λ − µ) λ+µ = 3 −1 si ottiene 7λ − 5µ = 0. Data la retta r : x + 2y − 4 = 0 e la retta s: x = 1 + 2t y =3+t Determinare l’eqz della retta appartenente al fascio individuato da r e s e soddisfacente ad una delle seguenti condizioni: (a) passante per il punto P (3. 69 .1. ur ur (5.

B) dove P ´ un punto generico di r. 4 . 4) − 2 (−1. −1). Calcoliamo il vettore AB = OB − OA = (0. 2) e B(0. Determinare i punti C appartenenti al luogo dei punti equidistanti da A e B √ tali che d(C. 0) da cui x + 2y = 0. 3 . 2) = (1. cio´ e d(P.Esercizio 5. a cui corrispondono rispettivamente i punti 5 3 . y) = (0. B) = 2 (uso d(C. quindi di eqz parametrica: x = − 1 + 2t 2 y =3−t Eliminando t si ottiene l’eqz cartesiana x + 2y − 11 = 0. t (si ricava dall’eqz parametrica e 2 5 di r). 2 2 (5. 4).15) Nel nostro caso M − 1 . 2) · (x. una soluzione ´ ad es (x. A) = 5. y) perpendicolare ad esso: (1. y) = (2. −1). Da d(C. Il punto medio del segmento AB ´ dato da e M= xA + xB yA + yB . B) per semplicit´ di conti) si ottiene a −2t + 11 2 2 + (t − 4)2 = 5 2 . 2 70 . e Un generico punto C di r ´ C = −2t + 11 . Trovare il luogo dei punti equidistanti dai punti A(−1. 2 e −2.2. e Il luogo dei punti equidistanti da A e B ´ una retta r passante per M e e parallelo al vettore (2. A) = d(P. 2 Si poteva arrivare allo stesso risultato sfruttando il fatto che tutti i punti di r hanno la stessa distanza da A e B. Le soluzioni sono t = 4 e t = 2. 2) e troviamo un vettore (x.

z0 ) e parallelo ai vettori u = (ux . vy . y. uz ) e v = (vx . j. c) ´ un vettore perpendicolare al piano.4)  z = z0 + uz t + vz s dove u = (ux . z) le coordinate di un punto P tali che P − O = xi + yj + zk. vz ) ´ data da e (P − P0 ) ∧ u · v = 0 (6. e L’equazione cartesiana di un piano passante per un punto P0 (x0 . oppure mediante e un’equazione parametrica   x = x0 + ux t + vx s y = y0 + uy t + vy s (6. uz ) e v = (vx . i.3) dove n = (a. y1 . cartesiana (6. y2 . z0 ) ´ un punto del piano. z2 ) d(P2 . k) indichiamo con (x. z1 ) e P2 (x2 .1) Un piano si pu´ rappresentare mediante un’equazione del tipo o ax + by + cz + d = 0 eqz. (6. uy . y0 . y0 .5) 71 . P1 ) = P2 − P1 = (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2 . vz ) sono vettori paralleli al piano e P0 (x0 . b. uy . vy .2) (6. Distanza tra due punti P1 (x1 .Capitolo 6 Geometria analitica dello spazio Fissato un sistema di riferimento R(O.

(6. c) e n = (a .ovvero x − x0 y − y0 z − z0 ux uy uz vx vy vz =0 (6.10)  z = z0 + uz t con t parametro. y0 . oppure. ux uy uz (6.6) Due piani α : ax + by + cz + d = 0 e α : a x + b y + c z + d = 0 sono paralleli se n = (a. a b c e sono perpendicolari se n = (a.9) L’equazione (parametrica) di una retta passante per un punto P0 (x0 . c) e n perpendicolari ovvero se n · n = 0. c ) sono vettori paralleli ovvero se a b c = = . z0 ) e parallelo al vettore u = (ux .11) Se r ´ una retta intersezione di due piani π e π allora il vettore ur (ux . uz ) e (parallelo a r) ´ dato dal prodotto vettoriale di nπ e nπ : e ur = n1 × n2 = i j k a b c a b c = u x i + uy j + u z k La totalit´ dei piani passanti per una retta r si dice fascio proprio di asse la a retta r e si rappresenta mediante λ(ax + by + cz + d) + µ(a x + b y + c z + d ) = 0 72 (6.7) = (a . b . b. b .12) . mediante y − y0 z − z0 x − x0 = = .8) L’intersezione di due piani α e α ´ data da una retta r che si pu´ quindi e o esprimere mediante r: ax + by + cz + d = 0 ax+by+cz+d =0 (6. uz ) ´ data da e   x = x0 + ux t y = y 0 + uy t (6. in forma equivalente. c ) sono vettori (6. uy . b. uy .

S la cui distanza coincide con la minima distanza delle due rette. La totalit´ dei piani paralleli ad un piano assegnato π : ax + by + cz + d = 0 a si dice fascio improprio di piani e si rappresenta mediante ax + by + cz + k = 0 al variare di k. s due punti R. µ e dove ax + by + cz + d = 0 e a x + b y + c z + d = 0 sono due piani qualsiasi passanti per r.17) r e r sono perpendicolari se lo sono i vettori ur e ur : ur · ur = 0. s. Angolo di due rette r e r cos ur ur =+ − ur · ur . π) = . la loro distanza (detta minima distanza) ´ e la distanza di un punto qualsiasi di r dal piano π passante per s e parallelo ad r. r) = (P0 − P1 ) ∧ u u (6. z0 ) da un piano π : ax + by + cz + d = 0 ´ e data da |ax0 + by0 + cz0 + d| √ d(P0 .al variare dei parametri omgenei λ.16) con P1 ∈ r. y0 . z0 ) da una retta r ´ data da e d(P0 . s ´ la retta perpendicolare ed incidente e r. (6. la retta di minima distanza di r. y0 . Se r e r sono due rette sghembe.13) Due rette r e r (forma parametrica) sono complanari se x0 − x0 y0 − y0 z0 − z0 ux uy uz uz uy ux =0 (6. (6. 73 . La distanza di un punto P0 (x0 . r e r sono parallele se lo sono i vettori ur e ur . essa determina su r.14) altrimenti sono dette sghembe. ur ur (6.15) a2 + b 2 + c 2 La distanza di un punto P0 (x0 .

n n (6. 0. 1) mentre da x y z 0 1 1 1 0 1 =0 si ottiene l’eqz cartesiana di U : x + y − z = 0. −k) ´ perpendicolare a U ? e L’eqz parametrica del piano U ´ e U = t(1. (6. 74 =0 . 0. w = (−1. 1). 0. 1) mentre da x y z 1 0 1 −1 0 1 si ottiene l’eqz cartesiana di V : y = 0. k) ∈ V ? per quali k il vettore z = (k 2 . Dati v = (1. 1) + s (−1. Allora π nπ · ur sin θ = cos −θ = . 1) sia U il piano passante per l’origine e generato da u e v. 1). 1. u = (0. V il piano passante per l’origine e generato da v e w. per quali k il vettore z = (1. 1) + s(0.Angolo di due piani π e π cos nn =+ − n·n .1. 0. la retta r passante per l’origine e perpendicolare a V . 0.19) 2 ur nπ La retta r ´ perpendicolare al piano π se il vettore ur ´ parallelo al vettore e e nπ . Esercizio 6. 1.18) Sia θ l’angolo individuato da una retta r e la sua proiezione ortogonale su un piano π. 0. L’eqz parametrica del piano V ´ e U = t (1. 0. Determinare: la retta r = U ∩ V .

0. Sia r la retta di equazione r: Per quali k la retta r ´: e (a) parallela alla retta s di equazione   x = 3t + 1 y = 2t s:  z = 2 − 2t 75 x − (k + 1)y − z = k − 1 2x + (1 − 2k)y + z = 2k + 1 x=z y=0 .L’eqz. −k) ´ perpendicolare a U se e 0 −k k2 = = 1 1 −1 quindi per k = 0. 0. 0. cartesiana della retta r = U ∩ V ´ e r: mentre l’eqz parametrica ´ e   x=t y=0 r:  z=t La retta r deve essere parallela a nU = (0. 0) ed ´ e   x=0 y=λ r :  z=0 Il vettore z = (1. k) ∈ V se (1. 1) cio´ se e 1=t −s k =t +s Il sistema si pu´ ridurre in forma a gradini ∀k (´ compatibile ∀k). 1.2. k) = t (1. Il vettore z(k 2 . 0. 0. Esercizio 6. dunque o e z ∈ V ∀k. 1) + s (−1.

1) perpendicolare e a nπ (2. −1.(b) parallela al piano π : 2x − y + 3z = 1. −1. 1) che sono rispettivamente i vettori perpendicolari ai piani la cui intersezione ´ r: e ur = n1 × n2 = i j k 1 −k − 1 −1 2 1 − 2k 1 = −3ki + 3j + 3k e poi procedere come sopra. 3): ur · nπ = 0 da cui k = 2. −k− o 1. −2) cio´ se e e e −1 1 −k = = 3 2 −2 da cui si ottiene k = 3 . 1. 1) nell’eqz di r 1 − (k + 1) − 1 = k − 1 2 + (1 − 2k) + 1 = 2k + 1 76 . 1. −1. (c) passante per il punto A(1. (a) Mettiamo r in forma parametrica (risolviamo il sistema che la rappresenta) 1 −k − 1 −1 k−1 2 1 − 2k 1 2k + 1 Utilizziamo il metodo di Gauss 1 −k − 1 −1 0 1 1 da cui si ottiene k−1 1   x = 2k − kt y =1−t r:  z=t r ´ parallela a s se ur (−k. 1 − 2k. −1) e n2 = (2. 2 Oppure si pu´ risolvere trovando ur come prodotto vettoriale di n1 = (1. 2. (c) Per vedere se A ∈ r andiamo a sostituire le sue coordinate (1. 1) ´ parallelo a us (3. 1). (b) Affinch´ r sia parallela al piano π deve essere ur (−k.

0. Il vettore perpendicolare a tale piano ´ (λ. µ) e deve essere e perpendicolare a nπ (1. −1) e da nπ = (1. Si pu´ arrivare allo stesso risultato trovando l’eqz cartesiana di r: o x − 2y + 3 = 0 y+z−2=0 e scrivendo l’eqz del fascio proprio di piani di asse la retta r λ(x − 2y + 3) + µ(y + z − 2) = 0. (b) i piani passanti per r e che formano con π un angolo di π .3. 1) = 0 77 . µ − 2λ. 1. Esso ha eqz parametrica   x = −3 + 2t + s y=t  z =2−t+s Dall’eqz parametrica ricaviamo quella cartesiana: x − 3y − z + 5 = 0. µ − 2λ. 1) e passante per un punto qualsiasi di r ad esempio per (−3. 0. µ) · (1. 0. e / Esercizio 6. 0. quindi A ∈ r qualunque sia il valore di k. 3 (a) Il piano passante per r e perpendicolare a π ´ un piano generato dai e vettori ur = (2. 1): (λ. 2) (ottenuto per t = 0). Dati la retta   x = 2t − 3 y=t r:  z =2−t ed il piano π : x + z − 5 = 0 determinare: (a) il piano passante per r e perpendicolare a π. Riscriviamo tale eqz nel seguente modo λx + (µ − 2λ)y + µz + 3λ − 2µ = 0.Svolgendo i conti si arriva a k = −k 4k = 3 Il sistema ´ incompatibile.

Andando a sostituire tali valori nell’eqz del fascio si ottengono rispettivamente i piani y + z − 2 = 0 e 8x − 13y + 3z + 18 = 0. µ − 2λ. l’altra ´ ad es e e λ = 8 e µ = 3.da cui si ottiene λ+µ=0 Una soluzione ´ ad esempio (λ. 1) √ λ2 + (µ − 2λ)2 + µ2 2 λ+µ Svolgendo i conti si ottiene l’eqz λ(3λ − 8µ) = 0 che ha due soluzioni: una ´ λ = 0 e µ arbitrario ad es µ = 1. Andando a sostituire tali valori e nell’eqz del fascio si ottiene x − 3y − z + 5 = 0. 0. µ) = (1. µ) · (1. 0. µ) (1. 1) π = = 3 (λ. (b) I piani passanti per r sono rappresentati dall’eqz del fascio. Imponiamo ora la seconda condizione cos (λ. 78 . µ − 2λ. −1).