DEFINIZIONI ALGEBRA LINEARE

SISTEMA LINEARE

1) È un insieme di m equazioni lineari con n incognite che devono essere verificate

contemporaneamente.

SPAZIO EUCLIDEO IN ℝ𝐧

2) ℝ𝐧

 Fissato un generico intero n, si denoterà con ℝ𝐧 l’insieme delle n-uple ordinate di

numeri reali. L’intero n si dirà dimensione di ℝ𝐧 .
 Dato x ∈ ℝ𝐧 , con x = (x1, x2, ..., xn), il numero reale xi è detto i-esima componente del
vettore x.
 ∀𝐱, 𝐲 ∈ ℝ𝐧 ∶ 𝐱 = 𝐲 ≡ 𝐜𝐨𝐧 ∀𝐢 ∈ {𝟏, 𝟐, . . . , 𝐧}, 𝐱𝐢 = 𝐲𝐢

3) SOMMA DI VETTORI: ∀𝒙, 𝒚 ∈ ℝ𝒏 ∶ 𝒙 + 𝒚 ≡ (𝒙𝟏 + 𝒚𝟏 , 𝒙𝟐 + 𝒚𝟐 , … , 𝒙𝒏 + 𝒚𝒏 )

4) PRODOTTO SCALARE PER VETTORE:

∀𝒙 ∈ ℝ𝒏 , ∀𝝀 ∈ ℝ ∶ 𝝀𝒙 = (𝝀𝒙𝟏 , 𝝀 𝒙𝟐 , … , 𝝀𝒙𝒏 )

5) ASSIOMI SPAZIO VETTORIALE

I. ∀𝒙, 𝒚, 𝒛 ∈ ℝ𝒏 ∶ 𝒙 + (𝒚 + 𝒛) = (𝒙 + 𝒚) + 𝒛 ;
II. ∀𝒙, 𝒚 ∈ ℝ𝒏 ∶ 𝒙 + 𝒚 = 𝒚 + 𝒙 ;
III. ∀𝒙, 𝒚 ∈ ℝ𝒏 , ∀𝝀 ∈ ℝ ∶ 𝝀(𝒙 + 𝒚) = 𝝀𝒙 + 𝝀𝒚 ;
IV. ∀𝒙 ∈ ℝ𝒏 , ∀𝝀, µ ∈ ℝ ∶ (𝝀 + µ)𝒙 = 𝝀𝒙 + µ𝒙 ;
V. ∀𝒙 ∈ ℝ𝒏 , ∀𝝀, µ ∈ ℝ ∶ 𝝀(µ𝒙) = (𝝀µ)𝒙 ;
VI. ∀𝒙 ∈ ℝ𝒏 ∶ 𝟏𝒙 = 𝒙 ;
VII. ∃𝒚 ∈ ℝ𝒏 , ∀𝒙 ∈ ℝ𝒏 ∶ 𝒚 + 𝒙 = 𝒙 ;
VIII. ∀𝒙 ∈ ℝ𝒏 , ∃𝒚 ∈ ℝ𝒏 ∶ 𝒚 + 𝒙 = 𝟎 ;
IX. ∀𝒙 ∈ ℝ𝒏 ∶ 𝟎𝒙 = 𝟎 ;
X. ∀𝒙 ∈ ℝ𝒏 ∶ (−𝟏)𝒙 = −𝒙 ;
XI. ∀𝒙, 𝒚 ∈ ℝ𝒏 ∶ − (𝒙 + 𝒚) = −𝒙 – 𝒚.
6) NORMA
𝒏
𝒏 √𝒖𝟐𝟏
∀𝒖 ∈ ℝ |𝒖| ≡ + 𝒖𝟐𝟐 +⋯+ 𝒖𝟐𝒏 = √∑ 𝒖𝟐𝒊
𝒊=𝟏

ASSIOMI

I. ∀𝒙 ∈ ℝ𝒏 ∶ |𝒙| ≥ 𝟎 ;
II. |𝒙| = 𝟎 ⇔ 𝒙 = 𝟎 ;
III. ∀𝒙 ∈ ℝ𝒏 , ∀𝝀 ∈ ℝ ∶ |𝝀𝒙| = |𝝀||𝒙| ;
IV. ∀𝒙, 𝒚 ∈ ℝ ∶ |𝒙 + 𝒚| ≤ |𝒙| + |𝒚|.

7) VERSORI

Dato un vettore u ∈ ℝ𝐧 , e supposto u ≠ 0, si definisce versore di u il vettore ottenuto

𝟏
considerandone il multiplo secondo il reciproco della sua norma, ossia |𝐮|
𝐮.

8) DISTANZA
𝒏
𝒏
∀𝒖, 𝒗 ∈ ℝ 𝒅(𝒖, 𝒗) ≡ |𝒖 − 𝒗| ≡ √∑(𝒖𝒊 − 𝒗𝒊 )𝟐
𝒊=𝟏

ASSIOMI

I. ∀𝒖, 𝒗 ∈ ℝ𝒏 𝒅(𝒖, 𝒗) ≥ 𝟎;
II. ∀𝒖, 𝒗 ∈ ℝ𝒏 𝒅(𝒖, 𝒗) = 𝟎 ⇔ 𝒖 = 𝒗;
III. ∀𝒖, 𝒗 ∈ ℝ𝒏 𝒅(𝒖, 𝒗) = 𝒅(𝒗, 𝒖) ;
IV. ∀𝒖, 𝒗, 𝒘 ∈ ℝ𝒏 𝒅(𝒖, 𝒗) ≤ 𝒅(𝒖, 𝒘) + 𝒅(𝒘, 𝒗).

9) SFERA EUCLIDEA

BALL EUCLIDEA
∀𝒖𝟎 ∈ ℝ𝒏 , ∀𝜹 ∈ ℝ 𝑺(𝒖𝟎 , 𝜹) ≡ {𝒗 ∈ ℝ𝒏 : 𝒅(𝒖𝟎 , 𝒗) = 𝜹}

BALL APERTA
𝑩(𝒖𝟎 , 𝜹) ≡ {𝒗 ∈ ℝ𝒏 : 𝒅(𝒖𝟎 , 𝒗) < 𝜹}

BALL CHIUSA
𝑩(𝒖𝟎 , 𝜹) ≡ {𝒗 ∈ ℝ𝒏 : 𝒅(𝒖𝟎 , 𝒗) ≤ 𝜹}
10)PRODOTTO SCALARE IN ℝ𝒏
𝒏
𝒏
∀𝒖, 𝒗 ∈ ℝ 𝒖𝒗 ≡ 𝒖𝟏 𝒗 𝟏 + 𝒖𝟐 𝒗 𝟐 + ⋯ + 𝒖𝒏 𝒗 𝒏 ≡ ∑ 𝒖𝒊 𝒗 𝒊
𝒊=𝟏

ASSIOMI

I. ∀𝒖 ∈ ℝ𝒏 𝒖𝒖 ≥ 𝟎 ;
II. 𝒖𝒖 = 𝟎 ⇔ 𝒖 = 𝟎 ;
III. ∀𝒖, 𝒗 ∈ ℝ𝒏 𝒖𝒗 = 𝒗𝒖 ;
IV. ∀𝒖, 𝒗, 𝒘 ∈ ℝ𝒏 , ∀𝜶, 𝜷 ∈ ℝ (𝜶𝒖 + 𝜷𝒗)𝒘 = 𝜶𝒖𝒘 + 𝜷𝒗𝒘.

11)COSENO DELL‘ ANGOLO FRA VETTORI NON NULLI

𝒖𝒗
∀𝒖, 𝒗 ∈ ℝ𝒏 ̂ ≡
𝒄𝒐𝒔 𝒖𝒗 |𝒖||𝒗|

12)PRODOTTO SCALARE IN ℂ𝒏

𝒏
𝒏
∀𝒖, 𝒗 ∈ ℂ 𝒖𝒗 ≡ ∑ 𝒖𝒊 𝒗̅𝒊
𝒊=𝟏

ASSIOMI

I. ∀𝒖 ∈ ℂ𝒏 𝒖𝒖 ≡ ∑𝒏𝒊=𝟏 𝒖𝒊 ̅̅̅𝒖𝒊 ≡ ∑𝒏𝒊=𝟏 |𝒖𝒊 |𝟐 ≥ 𝟎 ;

II. 𝒖𝒖 = 𝟎 ⇔ 𝒖 = 𝟎 ;
III. ∀𝒖, 𝒗 ∈ ℂ𝒏 𝒗𝒖 = 𝒖𝒗 ̅̅̅̅; EMISIMMETRIA;
IV. 𝒏
∀𝒖, 𝒗, 𝒘 ∈ ℂ , ∀𝜶, 𝜷 ∈ ℂ 𝒖(𝜶𝒗 + 𝜷𝒘) = 𝜶 ̅ 𝒖𝒘 e
̅ 𝒖𝒗 + 𝜷
(𝜶𝒖 + 𝜷𝒗)𝒘 = 𝜶𝒖𝒘 + 𝜷𝒗𝒘 SESQUILINEARITÀ.

13)PROIEZIONE

𝒖𝒗
𝑷𝒗 𝒖 ≡ 𝒗 , 𝒗≠𝟎
|𝒗|𝟐

14)AREA PARALLELOGRAMMA E TRIANGOLO

𝑨𝒓𝒆𝒂𝑷 (𝒖, 𝒗) = √|𝒖|𝟐 |𝒗|𝟐 − (𝒖𝒗)𝟐

𝟏
𝑨𝒓𝒆𝒂𝑻 (𝒖, 𝒗) = 𝟐 𝑨𝒓𝒆𝒂𝑷 (𝒖, 𝒗)
 15)PRODOTTO VETTORE IN ℝ𝟑
𝒖𝟐 𝒗𝟐
𝒅𝒆𝒕 |𝒖 𝒗𝟑 |
𝒖𝟏 𝒗𝟏 𝒖𝟐 𝒗 𝟑 − 𝒖𝟑 𝒗 𝟐 𝟑
𝒖𝟏 𝒗𝟏
𝒖 𝒗 𝒖 𝒗
𝒖 ∧ 𝒗 = ( 𝟐 ) ∧ ( 𝟐 ) = (−( 𝟏 𝟑 − 𝒖 𝒗
𝟑 𝟏) ) = − 𝒅𝒆𝒕 |𝒖
𝟑 𝒗𝟑 |
𝒖𝟑 𝒗𝟑 𝒖𝟏 𝒗 𝟐 − 𝒖𝟐 𝒖𝟏 𝒖𝟏 𝒗𝟏
( 𝒅𝒆𝒕 |𝒖𝟐 𝒗𝟐 | )

ASSIOMI

I. ∀𝒖, 𝒗, 𝒘 ∈ ℝ𝟑 , ∀𝝀, µ ∈ ℝ ∶ (𝝀𝒖 + µ𝒗) ∧ 𝒘 = 𝝀𝒖 ∧ 𝒘 + µ 𝒗 ∧ 𝒘 ;

II. ∀𝒖, 𝒗 ∈ ℝ𝟑 ∶ 𝒖 ∧ 𝒗 = − 𝒗 ∧ 𝒖 ;
III. ∀𝒖 ∈ ℝ𝟑 ∶ 𝒖 ∧ 𝒖 = 𝟎 ;
IV. ∀𝒖, 𝒗, 𝒘 ∈ ℝ𝒏 ∶ 𝒖 ∧ 𝒗 ∧ 𝒘 = 𝒗(𝒖𝒘) – 𝒘(𝒖𝒗).

16)SISTEMA ORTOGONALE E ORTONORMALE

𝒖𝟏 , … , 𝒖𝒏 si dicono ORTOGONALI se 𝒖𝒊 𝒖𝒋 = 𝟎 ∀ 𝒊, 𝒋 = 𝟏, … , 𝒏
Se |𝒖𝟏 | = ⋯ = |𝒖𝒏 | = 𝟏, si dicono ORTONORMALI.

17)COMPLEMENTO ORTOGONALE 𝑾⊥ = {𝒙 ∈ 𝑿 ∶ 𝒙𝒘 = 𝟎 ∀ 𝒘 ∈ 𝑾}

TEORIA DELLA DIMENSIONE

18)SPAN
𝒏

𝑺𝒑𝒂𝒏(𝒖𝟏 , 𝒖𝟐, … , 𝒖𝒏 ) = < 𝒖𝟏 , 𝒖𝟐, … , 𝒖𝒏 > ∶= { ∑ 𝜶𝒊 𝒖𝒊 , 𝜶𝒊 ∈ ℝ 𝒐 ℂ }

𝒊=𝟏

19)DIPENDENZA LINEARE

Un sistema di vettori è detto LINEARMENTE DIPENDENTE se almeno uno di essi è

combinazione lineare degli altri. Se 𝒖𝟏 , 𝒖𝟐, … , 𝒖𝒏 sono dipendenti allora ∃ 𝜶𝟏 , … , 𝜶𝒏 NON
TUTTI NULLI tali che ∑𝒏𝒊=𝟏 𝜶𝒊 𝒖𝒊 = 𝟎

20)INDIPENDENZA LINEARE

Un sistema di vettori che NON è dipendente si dice LINEARMENTE INDIPENDENTE.

𝒖𝟏 , 𝒖𝟐, … , 𝒖𝒏 linearmente indipendenti se ∑𝒏𝒊=𝟏 𝜶𝒊 𝒖𝒊 = 𝟎 , è verificata solo se ∀𝜶𝒊 = 𝟎
 21)BASE

Una base di uno spazio vettoriale è un SISTEMA DI GENERATORI INDIPENDENTE:

𝑿 = < 𝒙𝟏 , 𝒙𝟐, … , 𝒙𝒏 > 𝒆 𝒙𝟏 , 𝒙𝟐, … , 𝒙𝒏 𝑖𝑛𝑑𝑖𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑖

22)SOMMA DIRETTA

Posti 𝑿𝒊 , 𝒊 = 𝟏, … , 𝒏 sottospazi di 𝑿 e posto ∑𝒏𝒊=𝟏 𝑿𝒊 = {∑𝒏𝒊=𝟏 𝒙𝒊 : 𝒙𝒊 ∈ 𝑿𝒊 } come

sottospazio somma, si dirà che tale somma sia DIRETTA e si scrive:

∑𝒏𝒊=𝟏 𝑿𝒊 = ⨁𝒏𝒊 = 𝟏 𝑿𝒊 se ∀ 𝒙𝒊 , 𝒙′ 𝒊 ∈ 𝑿𝒊 → ∑𝒏𝒊=𝟏 𝒙𝒊 = ∑𝒏𝒊=𝟏 𝒙′𝒊 𝒙𝒊 = 𝒙′ 𝒊 ∀ 𝒊 = 𝟏, … , 𝒏

MATRICI

23)MATRICE

Una matrice 𝐦×𝐧, a m righe ed n colonne, a termini razionali, reali o complessi, è una
funzione 𝓐 ∶ { 𝟏, … , 𝒎 } × { 𝟏, … , 𝒏 } → ℚ 𝒐 ℝ 𝒐 ℂ. Si usano i simboli ℚ𝒎×𝒏 , ℝ𝒎×𝒏 ,
ℂ𝒎×𝒏 per denotare l´insieme delle matrici m×n a termini rispettivamente razionali, reali
o complessi.

24)SOMMA TRA MATRICI E PRODOTTO MATRICE PER UNO SCALARE

(𝑨 + 𝑩)𝒊𝒋 = 𝑨𝒊𝒋 + 𝑩𝒊𝒋 (𝜶𝑨)𝒊𝒋 = 𝜶𝑨𝒊𝒋

SOMMA PRODOTTO PER SCALARE

25)MATRICE QUADRATA, TRIANGOLARE, DIAGONALE

 𝑨 ∈ ℝ 𝒎×𝒏 con m = n, è detta QUADRATA ;

 Una matrice QUADRATA (𝒂𝒊𝒋 ) ∈ ℝ 𝒏×𝒏 viene detta DIAGONALE se 𝒂𝒊𝒋 = 𝟎 per i ≠ j
 Una matrice QUADRATA (𝒂𝒊𝒋 ) ∈ ℝ 𝒏×𝒏 viene detta TRIANGOLARE se 𝒂𝒊𝒋 = 𝟎 per i > j .

26)MATRICE IDENTICA

𝟏 𝒔𝒆 𝒊 = 𝒋
La matrice (𝒂𝒊𝒋 ) ∈ ℝ 𝒏×𝒏 ∶ { è detta IDENTICA (in ℝ 𝒏×𝒏).
𝟎 𝒔𝒆 𝒊 ≠ 𝒋
1𝑖 = 𝑗
Talvolta si scrive 𝜹𝒊𝒋 = { “ δ di KRONECKER ”.
0𝑖 ≠ 𝑗
27)MINORE

Una matrice ℝ 𝒌×𝒌 ottenuta sopprimendo da una matrice 𝑨 ∈ ℝ 𝒏×𝒏 𝒏 − 𝒌 righe ed

𝒏 − 𝒌 colonne viene detta MINORE (estratto) da 𝐴.
I minori principali sono quelli nei quali vengono soppresse righe e colonne dello
stesso indice.

28)CONVENZIONE DI EINSTEIN (-LANDAU)

Se un prodotto di quantità dipendenti da indici contiene una coppia di indici uguali,

è sottintesa una somma di tutti i prodotti ottenuti facendo variare gli indici in tutti i
valori possibili.
𝒏

𝒖𝒊 𝒗 𝒊 ≡ ∑ 𝒖𝒊 𝒗 𝒊
𝒊=𝟏

29)PRODOTTO TRA MATRICI

Date 𝑨 ∈ ℝ 𝒎×𝒏 e 𝑩 ∈ ℝ 𝒏×𝒑 si definisce 𝑨𝑩 ∈ ℝ 𝒎×𝒑 ponendo:

𝒏

(𝑨𝑩)𝒊𝒋 = 𝑨𝒊𝒉 𝑩𝒉𝒋 ≡ ∑ 𝑨𝒊𝒉 𝑩𝒉𝒋

𝒉=𝟏

30)MATRICE TRASPOSTA

Data 𝑨 ∈ ℝ 𝒎×𝒏 , si definisce la matrice TRASPOSTA 𝑨∗ ∈ ℝ 𝒏×𝒎 : (𝑨∗ )𝒊𝒋 = 𝑨𝒋𝒊

31)MATRICE AGGIUNTA ED AUTOAGGIUNTA

̅ 𝒋𝒊
Data 𝑨 ∈ ℂ 𝒎×𝒏 , si definisce la matrice AGGIUNTA 𝑨∗ ∈ ℂ 𝒏×𝒎 : (𝑨∗ )𝒊𝒋 = 𝑨

Se 𝑨 = 𝑨∗ , la matrice è detta AUTOAGGIUNTA.

32)MATRICE REGOLARE E MATRICE SINGOLARE

𝑨 ∈ ℝ 𝒏×𝒏 si dice REGOLARE se le sue colonne sono indipendenti, SINGOLARE

altrimenti.
 33)INVERTIBILITÀ

𝑨 ∈ ℝ 𝒏×𝒏 si dice INVERTIBILE se ∃ 𝑿 ∈ ℝ 𝒏×𝒏 tale che 𝑨𝑿 = 𝑰 (la matrice identica)

34)DETERMINANTE

Si definisce 𝒅𝒆𝒕 (𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ) = 𝒅𝒆𝒕(𝑨) la funzione 𝒅𝒆𝒕: ℝ𝒏 × ℝ𝒏 × … × ℝ𝒏 → ℝ

verificante le seguenti proprietà:

o 𝒅𝒆𝒕 (𝒆𝟏 , 𝒆𝟐 , … , 𝒆𝒏 ) = 𝟏 ;
o 𝒅𝒆𝒕 (𝑨𝟏 , … , 𝑨𝒊 … , 𝑨𝒋 , … , 𝑨𝒏 ) = −𝒅𝒆𝒕 (𝑨𝟏 , … , 𝑨𝒋 … , 𝑨𝒊 , … , 𝑨𝒏 ) ;
o 𝒅𝒆𝒕 (𝑨𝟏 + 𝑩𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ) = 𝒅𝒆𝒕 (𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ) + 𝒅𝒆𝒕 (𝑩𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ) ;
o 𝒅𝒆𝒕 (𝝀𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ) = 𝝀 𝒅𝒆𝒕 (𝑨𝟏 , 𝑨𝟐 , … , 𝑨𝒏 ).

APPLICAZIONI LINEARI

35)OPERATORE LINEARE

𝓐 ∶ 𝑿 → 𝒀 verificante la proprietà di linearità:

𝓐(𝒙 + 𝒙´) = 𝓐(𝒙) + 𝓐(𝒙´) ∀𝒙, 𝒙´ ∈ 𝑿 𝓐(𝝀𝒙) = 𝝀𝓐(𝒙)

ADDITIVITÀ OMOGENEITÀ

36)INIETTIVA, SURIETTIVA, BIIETTIVA

∀𝒙, 𝒚 ∈ 𝑿, 𝓐(𝒙) = 𝓐(𝒚) → 𝒙 = 𝒚 ∀𝒚 ∈ 𝒀 ∃𝒙 ∈ 𝑿 ∶ 𝓐(𝒙) = 𝒚

INIETTIVITÀ SURIETTIVITÀ

BIIETTIVITÀ

37)NUCLEO: 𝑲𝒆𝒓 𝑨 = { 𝒙 ∈ 𝑿 ∶ 𝓐(𝒙) = 𝟎 }

38)IMMAGINE: 𝓐(𝒙) = {𝒚 ∈ 𝒀 ∶ ∃ 𝒙 ∈ 𝑿 𝒑𝒆𝒓 𝒄𝒖𝒊 𝓐(𝒙) = 𝒚}

39)MATRICE ASSOCIATA AD 𝓐 E A DUE BASI
𝒏

𝓐(𝒆𝒊 ) = ∑ 𝑨𝒊𝒋 𝒆𝒋 ′
𝒋=𝟏

40)MATRICE ASSOCIATA A CAMBIO DI BASE

La matrice di cambio di base è definita come la matrice avente come colonne le

coordinate di ciascuno dei vettori di 𝐞𝟏 ’ … 𝐞𝐧 ’ rispetto alla base 𝐞𝟏 … 𝐞𝐧 e cioè 𝐌 =
(𝐦𝐢𝐣 ) ove:
𝒏

𝒆′𝒋 = ∑ 𝒎𝒊𝒋 𝒆𝒊
𝒊=𝟏

41)MATRICE ASSOCIATA A FORMA BILINEARE

Data un’applicazione bilineare α definita sulle coppie x e y di vettori di X, a valori

reali, e una base 𝒖𝒊 , 𝒊 = 𝟏. . 𝒏 𝐢𝐧 𝑿, si definisce matrice associata all’applicazione
bilineare la matrice 𝒂𝒊𝒋 = 𝜶 (𝒖𝒊 , 𝒖𝒋 ). Essa verifica 𝜶(𝒙, 𝒚) = 𝒙𝒊 ′ 𝒂𝒊𝒋 𝒚𝒋 , ove 𝒙𝒊 ′ è il
vettore (riga) trasposto del vettore delle coordinate di x rispetto alla base di X, e 𝒚𝒋 è
il vettore (colonna) delle coordinate di y.

42)SPAZIO DUALE

Uno spazio duale è lo spazio vettoriale formato da tutti i funzionali lineari

𝒇: 𝑽 → 𝑲 tale che:
(𝒇 + 𝒈)(𝒘): = 𝒇(𝒘) + 𝒈(𝒘)

(𝜶𝒇)(𝒘): = 𝜶𝒇(𝒘)

43)BASE DUALE

Sia 𝑩 = {𝒗𝟏 , … , 𝒗𝒏 } una base per V, la base duale 𝑩∗ = {𝒗∗ 𝟏 , … , 𝒗𝒏 ∗ }

𝟏 𝒔𝒆 𝒊 = 𝒋
è definita dalle relazioni 𝒗∗ 𝒊 (𝒗𝒋) = {
𝟎 𝒔𝒆 𝒊 ≠ 𝒋
44)APPLICAZIONE INVERSA

𝓐: 𝑿 → 𝒀 è detta INVERTIBILE se ∃ 𝓐−𝟏 : 𝐘 → 𝐗, detta INVERSA tale che:

𝓐−𝟏 (𝓐(𝒙)) = 𝒙 , ∀𝒙 ∈ 𝑿 e 𝓐 (𝓐−𝟏 (𝒚)) = 𝒚 , ∀𝒚 ∈ 𝒀

45)RANGO

𝓐: 𝑿 → 𝒀, lineare, si definisce il RANGO di 𝓐 come la dimensione della sua immagine

46)TIPI DI APPLICAZIONE LINEARE

Sia 𝓐: 𝑿 → 𝒀, 𝓑: 𝑿 → 𝑿: allora

OMOMORFISMO 𝓐 è lineare
EPIMORFISMO 𝓐 è lineare e suriettiva
MONOMORFISMO 𝓐 è lineare ed iniettiva
ISOFORMISMO 𝓐 è lineare e biiettiva
ENDOMORFISMO 𝓑 è un omomorfismo
AUTOMORFISMO 𝓑 è un isomorfismo

47)ISOMORFISMO CANONICO

Dato 𝑿 reale, di dimensione finita 𝒏 > 𝟎 , e data una sua base 𝒆𝟏 … 𝒆𝒏 arbitraria, si
definisce l’ISOMORFISMO CANONICO 𝝓 ∶ 𝑿 → ℝ𝒏 relativo alla base 𝐞𝟏 … 𝐞𝐧 come
l’applicazione che associa ad ogni 𝒙 ∈ 𝑿 le proprie coordinate ( 𝒙𝟏 … 𝒙𝒏 ) ∈ ℝ𝒏
rispetto alla base.

48)APPLICAZIONE (FORMA) BILINEARE

Dato uno spazio vettoriale reale, una funzione (o anche forma, o applicazione)
bilineare è una funzione 𝜶 ∶ 𝑿 × 𝑿 → ℝ lineare rispetto ad ogni variabile, ossia tale
che 𝒖 → 𝜶(𝒖, 𝒗) sia lineare per ogni v fissata, e 𝒗 → 𝜶(𝒖, 𝒗) sia lineare per ogni u
fissata.
TEORIA SPETTRALE

49)FORMA QUADRATICA

Dato uno spazio vettoriale reale X, una funzione 𝑯 ∶ 𝑿 → ℝ è detta forma quadratica
su X se esiste una forma bilineare α su X tale che 𝑯(𝒖) = 𝜶(𝒖, 𝒖) ∀𝒖 ∈ 𝑿.

50)DIAGONALIZZABILITÀ

 Una forma bilineare α(u, v) [o quadratica α(u, u) ] su uno spazio reale X di

dimensione finita n è detta diagonale rispetto ad una base e1, e2, ..., en se la matrice
αij = α(ei , ej ) che la rappresenta è diagonale.
Verrà inoltre detta diagonalizzabile se esiste una base rispetto alla quale essa è
diagonale.

 Dato uno spazio vettoriale (reale o complesso) X e un operatore 𝓐: X → X, diremo che

tale operatore è diagonalizzabile se esistono basi di X formate da autovettori di 𝓐.

51)AUTOVALORE, AUTOVETTORE, AUTOSPAZIO, SPETTRO, BASE SPETTR.

Sia 𝓐: 𝑿 → 𝑿 se 𝒖 ∈ 𝑿, 𝒖 ≠ 𝟎 e ∃ uno scalare 𝝀 tali che 𝓐(𝒖) = 𝝀𝒖, allora 𝒖 è un

autovettore e 𝝀 il suo autovalore.

L’ autospazio relativo a un certo 𝝀𝟏 è < 𝑢1 , … , 𝑢𝑘 >, con 𝑢1 , … , 𝑢𝑘 : 𝓐(𝒖) = 𝝀𝟏 𝒖

o anche 𝑲𝒆𝒓(𝑨 − 𝝀𝟏 𝑰𝒅).

L’insieme di tutti gli autovalori di 𝓐 è detto spettro di 𝓐. Una base spettrale di X è

una base formata da autovettori di 𝓐

52)POLINOMIO CARATTERISTICO

Data una matrice A ∈ ℝ 𝒏×𝒏 , si definisce equazione caratteristica di A l’equazione det(A

− λI) = 0 Il polinomio p(λ) = det(A − λI) è detto polinomio caratteristico di A.

53)ESPONENZIALE COMPLESSO

𝒛 ∈ ℂ, 𝒙, 𝒚 ∈ ℝ

𝒆𝒛 = 𝒆𝒙+𝒊𝒚 = 𝒆𝒙 𝒆𝒊𝒚 = 𝒆𝒙 (𝒄𝒐𝒔 𝒚 + 𝒊 𝒔𝒊𝒏 𝒚)

54)DERIVATA

Data una funzione 𝒇(𝒕) = 𝒈(𝒕) + 𝒊 𝒉(𝒕) , si definisce la sua derivata ponendo
𝒇 𝟎 (𝒕) ≡ 𝒈 𝟎 (𝒕) + 𝒊𝒉𝟎 (𝒕) in ogni punto nel quale entrambe le componenti reali
g e h siano derivabili.

55)OPERATORE AUTOAGGIUNTO

Sia 𝓐: 𝑿 → 𝑿. 𝓐 è autoaggiunto se e solo se (𝓐 (𝒖))𝒗 = 𝒖(𝓐 (𝒗)) ∀ 𝒖, 𝒗 ∈ 𝑿.

 TEOREMI PRINCIPALI

1. FORMULA DI CRAMER
2. TEOREMA DI SYLVESTER
3. C.N.S 𝐴1 … 𝐴𝑛 DIPENDENTE → 𝑑𝑒𝑡( 𝐴1 … 𝐴𝑛 ) = 0
4. LEMMA DI SCAMBIO
5. LEMMA FONDAMENTALE
6. C.N.S SOMMA DIRETTA
7. TEOREMA DI ESISTENZA DELLA PROIEZIONE
8. TEOREMA DI UNICITA’ DELLA PROIEZIONE
9. TEOREMA DI EUCLIDE-VIETE
10. TEOREMA DI DECOMPOSIZIONE ORTOGONALE
11. MINIMA DISTANZA
12. TEOREMA DI PITAGORA
13. IDENTITÀ
14. DISUGUAGLIANZA DI SCHWARTZ
15. DISUGUAGLIANZA TRIANGOLARE
16. EQUIVALENZA DELLE DUE DISUGUAGLIANZE
17. |𝑢𝑣 | ≤ |𝑢|
18. C.N.S INVERTIBILITÀ MATRICI
19. TEOREMA DI CRAMER PER LE APPLICAZIONI LINEARI
20. PRINCIPIO DI SOVRAPPOSIZIONE
21. TEOREMA DI GRASSMANN PER LE APPLICAZIONI LINEARI
22. TEOREMA DI GRASSMANN PER I SOTTOSPAZI
23. TEOREMA DEI GENERATORI
24. TEOREMA MASSIMO NUMERO DI VETTORI INDIPENDENTI
25. TEOREMA DI ESISTENZA DELLA BASE
26. TEOREMA DEL COMPLETAMENTO
27. TEOREMA DELLA DIMENSIONE
28. TEOREMA DI INVARIANZA DELLA DIMENSIONE
29. TEOREMA DI DECOMPOSIZIONE DEL DOMINIO
30. TEOREMA DEI GENERATORI DELL’IMMAGINE
31. TEOREMA ISOMORFISMO CANONICO
32. TEOREMA DI ESISTENZA DEGLI AUTOVETTORI / DEI SOTTOSPAZI INVARIANTI
33. TEOREMA DI INDIPINDENZA DEGLI AUTOVETTORI
34. C.N.S OPERATORE LINEARE AUTOAGGIUNTO
35. TEOREMA SEGNI FORMA QUADRATICA
36. CRITERIO DI DIAGONALIZZABILITÀ
37. TEOREMA DEGLI AUTOVALORI SEMPLICI
38. TEOREMA SPETTRALE CASO COMPLESSO
39. TEOREMA SPETTRALE CASO REALE
40. TEOREMA FONDAMENTALE DELL’ ALGEBRA