Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Premesse
Def. 1. 1
Un insieme finito A aij : i 1,....n j 1,....m di elementi ordinati rispetto a due indici è detto
matrice finita.
a11 a12 ... a1m
a21 a22 ... a2 m
A
a31 a32 ... a3m
an1 an 2 ... anm
Def. 1. 2
Sia A aij una matrice n-m. Chiamiamo trasposta di A la matrice A ' a ' ji di tipo m-n così
definita:
a ' ji aij i, j
Quindi la trasposta A’ della matrice A si ottiene scambiadone le righe con le colonne.
Def. 1. 3
Una matrice A è detta quadrata di ordine n se n m
Inoltre
se A A ' la matrice è detta simmetrica
se A A ' la matrice è detta emisimmetrica
se ij
a 0 i j la matrice è detta diagonale
se aij 0 i j i j la matrice è detta triangolare alta (bassa)
gli elementi aii si dicono elementi della diagonale principale
Def. 1. 4
La somma di due matrici simili A e B è una matrice C i cui elementi devono soddisfare alla
seguente condizione:
cij aij bij i, j
Osservazione: A B ' A ' B '
Def. 1. 5
Due matrici A e B si dicono conformabili per il prodotto se il numero di colonne di A è pari al
numero di righe di B
Def. 1. 6
La matrice prodotto di due matrici conformabili An, p aik e Bp,m bkj è la matrice Cn,m cij
con:
p
cij aik bki
k 1
1
Osservazioni
A B ' A' B ' la trasposta di un prodotto e il prodotto delle trasposte
A B B A il prodotto di matrici non commuta
Def. 1. 7
Si definisce determinante di una matrice quadrata 2-2 la seguente quantità:
a11 a12
det A det a11 a22 a12 a21
a21 a22
Osservazioni:
det A B det A det B
det A det A in particolare
n
det A det A
det A B det A det B Teorema di Binet
det A ' detA
1 1
det A
det A
n
det An det A
Def. 1. 8
Sia A M n.m . Una sottomatrice di A è qualsiasi matrice ottenuta da A eliminandone alcune righe
e/o colonne
Def. 1. 9
Sia A aij una matrice quadrata di ordine n. Chiamiamo cofattore (o complemento algebrico) Aij
di un elemento aij la quantità:
i j
Aij 1 det M ij
dove M ij è la sottomatrice quadrata n 1 n 1 di A ottenuta eliminando la i-esime riga e
la j-esima colonna
2
Teo 1. 1
Sia A una matrice quadrata di ordine n. Allora:
n
det A aij Aij i fissato a piacere
j 1
Esempio
Calcolare sulla base del Teo 1.1 (teorema di Laplace) il determinante della matrice A
1 2 1
A 0 1 3
4 2 0
Scelto i = 1, calcoliamo i tre complementi algebrici
1 1 1 3
A11 1 det 6
2 0
1 2 0 3
A12 1 det 12
4 0
1 3 0 1
A13 1 det 4
4 2
da cui:
det A a11 det A11 a12 det A12 a13 det A13 14
Osservazione: il Teo 1.1, tenuta presente la definizione 1.7 permette di costruire un metodo
generale per la determinazione del determinante di una matrice quadrata.
Def. 1. 10
Si definisce matrice unitaria di ordine n una matrice avente tutti gli elementi della diagonale
principale pari a 1 e i restanti elementi pari a 0
1 0 ... 0
0 1 ... 0
n ij
... ... .... ...
0 0 ... 1
Def. 1. 11
Sia A una matrice quadrata. Se det A 0 allora A è detta matrice singolare. Se det A 0 allora A è
detta matrice non singolare
Def. 1. 12
Sia A una matrice quadrata di ordine n. Se esiste una matrice B tale che AB BA In , allora si dice
che B è la matrice inversa di A. In tal caso A si dice invertibile.
L’inversa di A si indica come A-1
3
Teo 1. 2
Una matrice quadrata di ordine n è invertibile se e solo se essa non è singolare ( det A 0 ). In tal
caso A 1 bij , se n >1, è unica e i suoi elementi hanno la seguente espressione:
A ji
bij
det A
Il generico elemento (i,j) di A-1 è uguale al cofattore di aij diviso per il determinate di A
Esempio
Determinare l’inversa di A
1 0 1
A 1 1 0
0 2 1
4
Possiamo allora pensare di ottenere formalmente la matrice A accostando consecutivamente i
vettori a1 , a2 ,...am e simbolicamente scriviamo:
A a1 , a2 ,....am
n
Quindi possiamo intendere A come una m-upla di vettori .
Def. 2. 1
Teo 2. 1
Il rango di una matrice A è uguale al massimo ordine fra tutte le sottomatrici quadrate di A con
determinante diverso da zero.
5
Poiché non esistono sottomatrici di ordine 4, allora, in definitiva rango A = 3.
Teo 2. 2
Teo 2. 3
Sia A M n, m . Il rango di A non cambia se sono eseguite le seguenti operazioni dette “operazioni
elementari di riga e colonna”
a. Scambio tra di loro di due qualsiasi righe (colonne)
b. Moltiplicazione di ciascun elemento di una riga (colonna) per uno scalare
diverso da zero
c. Somma di una riga (colonna) con altre righe (colonne)
Teo 2. 4
Siano A e B conformabili. Allora:
rango A B min rango A;rango B
Def. 2. 2
Due matrici si dicono equivalenti se sono dello stesso ordine e hanno lo stesso rango
Def. 2. 3
Def. 2. 4
Data una matrice A m, n si dice minore di ordine k, estratto da A , una matrice quadrata di ordine k
ottenuta eliminando in A m k righe e n k colonne
Osservazione: un minore di ordine k è una matrice quadrata k , k
Def. 2. 5
Si definiscono minori principali di A di ordine k i minori che si ottengono considerando
sottomatrici formate da k righe e dalle corrispondenti colonne.
Osservazione: se si sceglie ad esempio prima, seconda e quarta riga devo scegliere prima, seconda e
quarta colonna
6
Def. 2. 6
Si chiamano minori principali di Nord-Ovest (NO o NW) di A di ordine k i minori principali che si
ottengono considerando le prime k righe e quindi, di conseguenza, le prime k colonne.
Esempio
Consideriamo la matrice
1 2 3
A 2 4 5
3 5 6
I minori principali di ordine 1 sono ( prima riga, seconda riga, terza riga) 1, 4, 6
I minori principali di ordine 2 sono (1-2 riga/colonna; 1-3 riga/colonna; 2-3 riga/colonna)
1 2 1 3 4 5
2 4 3 6 5 6
7
Sistemi lineari
Def. 3. 1
Un insieme di m equazioni in n incognite x1 , x2 ,...xn
a11 x1 a12 x2 ... a1n xn y1
a21 x1 a22 x2 ... a2 n xn y2
(1.1)
....................................... ... ...
am1 x1 am 2 x2 ... amn xn ym
si dice sistema lineare di m equazioni in n incognite
Def. 3. 2
Dato il sistema (1.1) la matrice A m, n aij si dice matrice dei coefficienti del sistema
Def. 3. 3
Dato il sistema (1.1) il vettore
y1
y2
y
...
ym
si dice vettore dei termini noti.
Def. 3. 4
Dato il sistema (1.1) la matrice ottenuta aggiungendo ad A il vettore dei termini noti si dice matrice
completa, e la si può denotare simbolicamente con A, y
Def. 3. 5
Una n-upla x10 , x20 ,..., xn0 di numeri reali si dice soluzione del sistema (1.1) se le m equazioni del
sistema sono simultaneamente soddisfatte dalla n-upla
Osservazione
Il sistema (1.1) si può riscrivere nella forma equivalente
A x y
8
Teo 3. 2
Sia un sistema lineare A x y di n equazioni in n incognite. Se A è una matrice non singolare
det A 0 allora il sistema ammette una e una sola soluzione.
Osservazione
1
det A 0 A
A x y A 1A x A 1y x A 1
y
Def. 3. 6
Un sistema lineare Ax b si dice possibile se ammette almeno una soluzione. In tal caso le
equazioni del sistema si dicono compatibili
Def. 3. 7
Se un sistema non ammette soluzioni si dice impossibile. In tal caso le equazioni del sistema si
dicono incompatibili.
9
Spazi vettoriali
Def. 4. 1
Una n-upla di numeri reali ordinata in colonna è detta vettore n-dimensionale.
Def. 4. 2
Si definisce vettore nullo il vettore avente tutte le componenti nulle
Def. 4. 3
Assegnato il vettore x il suo opposto, che chiameremo x è un vettore le cui componenti sono
opposte alle corrispondenti componenti del vettore x
Def. 4. 4
Denotiamo con n
l’insieme dei vettori a n componenti
Osservazione
n
In linguaggio matriciale un vettore x può essere pensato come una matrice ( n 1 ).
Molte definizioni e proprietà dei vettori possono pensarsi come particolarizzazioni della teoria delle
matrici.
Def. 4. 5
n
Siano x e y vettori in . Chiamiamo vettore somma di x e y il vettore z di seguito definito:
zi xi yi i 1,2,..., n
Def. 4. 6
n
Sia x e uno scalare. Il prodotto di x per è un vettore z tale che:
zi xi i 1,2,..., n
10
Def. 4. 7
L’insieme di n munito delle operazioni di somma e prodotto per uno scalare si dice spazio
vettoriale. Indicheremo il generico spazio vettoriale n con V
Osservazione
L’insieme delle matrici M n, m è uno spazio vettoriale
11
Sottospazi vettoriali e combinazioni lineari
Def. 5. 1
Sia X V . X si dice sottospazio lineare (sottospazio vettoriale o varietà lineare) di V se,
comunque presi x, y X e , valgono le seguenti condizioni:
x y X
x X
Def. 5. 2
Def. 5. 3
i i x 0
i 1
Def. 5. 4
Un insieme di vettori si dice costituito da vettori linearmente indipendenti se la relazione
r
x
i i 0 è soddisfatta solo per 1 2 ... r 0
i 1
Teo 5. 1
Def. 5. 5
Esempio 1
3
Sia X il sottoinsieme di così definito:
1 0
X x1 0 ; x2 1
0 1
Osserviamo che x1 e x2 sono linearmente indipendenti
12
x x1 x2 ,
Quindi
X x ; ,
Esempio 2
2
Sia X il sottoinsieme di così definito:
1 0
X x1 ; x2
0 1
Osserviamo che x1 e x2 sono linearmente indipendenti
La più generica combinazione lineare degli elementi di X è:
x x1 x2 ,
Def. 5. 6
13
Teo 5. 2
Le basi un medesimo spazio vettoriale devono avere lo stesso numero di elementi. Più formalmente:
siano Bx x1 , x2 ,..., xr e By y1 , y2 ,..., ys due basi dello stesso spazio vettoriale V, allora r s
Def. 5. 7
Si dice dimensione di uno spazio vettoriale V il numero di elementi (cardinalità) costituenti una
sua base. Se n è il numero di vettori di una base di V scriveremo dimV n
Osservazione: abbiamo visto che, data una base B x1 , x2 ,..., xn di uno spazio vettoriale V , ogni
n
elemento x V si può esprimere come combinazione lineare dei vettori della base, ossia x x
i i
i 1
Questa rappresentazione è unica, ossia fissata la base, gli scalari 1 , 2 ,..., n sono univocamente
determinati per ogni vettore dello spazio.
Def. 5. 8
Sia B x1 , x2 ,..., xn una base di uno spazio vettoriale V e sia x V . Diciamo componente i-esima
del vettore x rispetto a xi (i-esimo vettore della base) il coefficiente i nella combinazione lineare
n
x x
i i
i 1
14
La “geometria” negli spazi vettoriali (finito dimensionali)
Denotiamo con Vn un generico spazio vettoriale di dimensione n. Ricordiamo che in tale spazio, un
generico vettore x è rappresentato da una n-upla di numeri reali, cioè:
x1
x2
x
....
xn
dove x1 , x2 ,..., xn sono le componenti del vettore riferite a una qualche base fissata.
Def. 6. 1
Siano x e y vettori di Vn . Definiamo prodotto scalare di x con y ( o anche prodotto interno) e lo
denotiamo con x y (o anche x y ) la quantità:
n
x y x1 y1 x2 y2 ... xn yn xi yi
i 1
Def. 6. 2
1/ 2
Sia x Vn . Definiamo norma di x , e la denotiamo con x , la quantità: x x y
Def. 6. 3
Siano x, y Vn . Definiamo distanza tra x e y la quantità:
1/ 2
d x, y x y x y x y
Def. 6. 4
15
Def. 6. 5
Siano x, y Vn due vettori non nulli. L’angolo fra x e y è definito da:
x y
cos
x y
Def. 6. 6
Def. 6. 7
x y
Siano x, y Vn due vettori non nulli. Si dice proiezione di x su y il vettore: 2
y
y
x y
Il numero 2
si dice componente di x lungo y
y
Def. 6. 8
Osservazione: data una generica base B di uno spazio vettoriale, a prodotto interno, è sempre
possibile costruire, a partire da questa, una base ortonormale. (vedi metodo di ortogonalizzazione di
Gram-Schmidt)
Esempio 1
1 0
Sia in 2
l’insieme B u1 , u2 u1 u2
0 1
1. Dimostrare che B è una base ortonormale di 2
2. Trovare le componenti di un generico vettore lungo la base.
2 2
Affinché B sia una base di occorre dimostrare che u1 e u2 sono linearmente e che B .
0
u1 u2 0 0
0
Quindi u1 e u2 sono effettivamente linearmente indipendenti
2
Dimostriamo ora che B
x1
Preso un vettore qualunque x è facile verificare che può sempre essere
x2
ottenuto come combinazione lineare dei vettori costituenti la base:
x x1u1 x2u2
Dimostriamo ora l’ortogonalità
0
u1 u2 1 0 0
1
Le componenti della base sono ortogonali
Dimostriamo che le norme delle componenti delle basi sono unitarie
16
1/1 1/1
u1 u1 u1 1 u2 u2 u2 1
La base B è pertanto ortonormale.
17
Esempio 2
2 1
Verificare che l’insieme B x1 , x2 con x1 x2 è una base di 2
0 1
Sono i vettori x1 e x2 normalizzati e ortogonali?
Dimostriamo l’indipendenza di x1 e x2
Consideriamo una generica combinazione lineare di x1 e x2 e imponiamola uguale al vettore
nullo:
2 0
x1 x2 0 0
0
2
Dimostriamo ora che B
x1
Preso un vettore qualunque x è facile verificare che può sempre essere
x2
ottenuto come combinazione lineare dei vettori costituenti la base. La più generica
combinazione lineare degli elementi di B è:
2
x x1 x2 ,
2
Per la arbitrarietà di e si ha B
Controlliamo ora la normalizzazione
1/ 2
x1 x1 x1 4 2
1/ 2
x2 x2 x2 2
x1 e x2 sono entrambi non normalizzati
Verifichiamo l’ortogonalità
x1 x2 2 0
x1 e x2 non sono ortogonali
Osservazione
Dato uno spazio vettoriale V e in esso una base B x1 , x2 ,..., xn ortogonale, comunque considerato
un vettore x V , i coefficienti della combinazione lineare generante x coincidono con le
componenti di x lungo x1 , x2 ,..., xn . Ossia:
x x
1 1 2 x2 ... n xn
x x1 x x2 x xn
1 ; 2 ;......; n
x1 x2 xn
18
Il metodo di ortogonalizzazione di Gram-Schmidt
x1 1/ 2 1 2 1 2 2
1. poniamo u1 x1 x1 x1 1, 1 1 1 2 u1
x1 1 2 1 2 2
2. costruiamo ora u2 . Poniamo:
h2
u2 con h2 x2 u1 x2 u1
h2
2 0 2 2
u1 x2 1, 1 1 da cui ricaviamo h2
2 1 2 2
0 2 2 2 1/ 2
h2
1 2 2 2 1/ 2
1/ 2 12 2
h2 h2 h2 1 2, 1 2
12 2
Infine si ha pertanto:
h2 12 2 2 2
u2
h2 12 2 2 2
19
Matrici e Operatori Lineari
m
Consideriamo una qualsiasi matrice A M n, m . Comunque preso un vettore x , osserviamo
n
che il prodotto (righe per colonne) A x esiste e definisce un vettore y .
Simbolicamente scriviamo:
m n
A:
x y A x
E’ immediato verificare che:
m
1. x1 , x2 A x1 x2 Ax1 Ax2
m
2. x A x Ax
La circostanza che la matrice soddisfa le proprietà prima definite si riassume dicendo che la
matrice A è un operatore lineare.
Def. 7. 1
Siano X e Y due spazi vettoriali consideriamo un’applicazione su X a valori in Y A: X Y
A si dice operatore lineare se:
1. x1 , x2 X A x1 x2 Ax1 Ax2
2. x X A x Ax
Osservazione: l’aggettivo lineare ha una giustificazione nel fatto che gli unici operatori lineari
A: sull’insieme dei numeri reali sono rette
Esempio 1
Verificare che le rette passanti per l’origine del piano cartesiano rappresentano gli operatori lineari
A: ( x Ax mx m )
Verifichiamo la prima condizione
x1 , x2 X A x1 x2 Ax1 Ax2
A x1 x2 m x1 x2 mx1 mx2 Ax1 Ax2
Verifichiamo la seconda condizione
x X A x Ax
A x m x mx Ax
Esempio 2
Verificare che l’operatore A di seguito definito è lineare
x1
2 3
x1
A: x Ax x2
x2
0
20
x1 x '1 x1 x '1
x x '1
A x x' A 1 x2 x '2 x2 x '2 Ax Ax '
x2 x '2
0 0 0
Verifichiamo la seconda condizione
x X A x Ax
x1 x1
x1
A x A x2 x2 Ax
x2
0 0
Teo 7. 1
n m n
in . Per ogni operatore A £ , esiste una matrice A M n, m che lo rappresenta.
Teo 7. 2
Siano A : m n
un operatore lineare e B1 v1 , v2 ,..., vm e B2 u1 , u2 ,..., u n due basi ortonormali
m n
in e , rispettivamente.
La rappresentazione matriciale di A è data dalla matrice A aij M n, m con
aij ui Av j i 1,...n j 1,...m
Esempio
Si consideri l’operatore
2 2
A:
x1 x2
x Ax
x2 x1
Dopo aver verificato che A è lineare se ne espliciti la rappresentazione matriciale rispetto alle
seguenti basi ortonormali
1 0 1 2 1 2
B1 u1 , u2 B2 u1 , u2
0 1 1 2 1 2
Verifichiamo che A è lineare
21
x1 x1 x1 x1 x2 x2 x2 x2
1. x x A Ax Ax
x2 x2 x2 x2 x1 x1 x1 x1
x1 x1 x2 x2
2. preso x A x A Ax
x2 x2 x1 x1
A è pertanto lineare.
Def. 7. 2
Sia X uno spazio vettoriale con prodotto interno. Un operatore lineare A : X X si dice invertibile
se esiste un operatore lineare A 1 : X X tale che A 1 A AA 1 1 . In tal caso A 1 si dice operatore
inverso di A .
Def. 7. 3
Def. 7. 4
Sia A : X Y un operatore lineare su X a valori in Y . Si dice aggiunto di A l’operatore lineare
A*: Y X che soddisfa la relazione y Ax A* y x
Def. 7. 5
Sia A : X Y un operatore lineare su X a valori in Y . A si dice autoaggiunto se A* A
autoaggiunto
Ovvero: y Ax A* y x y Ax Ay x
Def. 7. 6
Sia A : X Y un operatore lineare su X a valori in Y .
Un operatore lineare si dice simmetrico se y Ax Ay x
22
Def. 7. 7
Un operatore lineare P : X X su uno spazio vettoriale a prodotto interno si dice proiettore se:
1. P2 P è idempotente
*
2. P P è autoaggiunto
Def. 7. 8
Un operatore lineare S : X X su uno spazio vettoriale a prodotto interno è detto ortogonale se
S *S 1
1
Osservazione: se S è invertibile e ortogonale segue che S * S
Teo 7. 3
Forme quadratiche
Una forma quadratica reale in n variabili x1 ,...xn è un polinomio omogeneo di secondo grado a
coefficienti reali
n
F: F x1 ,...xn a11 x12 ...xn2 2aij xi x j aij
1 i j n
Una forma quadratica può essere scritta in forma matriciale come segue:
F X X ' AX
Dove A è la matrice simmetrica con coefficienti
aii coeff xi2 , i 1,..., n aij a ji coeff xi x j 2, 1 i j n
a11 a12 ... a1n x1
a21 a22 ... a2 n x2 n n
X ' AX x1 x2 ... xn aij xi x j
... ... ... ... ... i 1 j 1
Def. 8. 1
Sia X uno spazio vettoriale con prodotto interno e sia A : X X un operatore lineare su X a valori
in X . Si dice forma quadratica associata all’operatore A l’applicazione così definita:
QA : X
x QA x x Ax
Inoltre:
1. se x X QA x 0 x 0 : QA x 0 QA e A si dicono semidefinite positive
2. se x X, x 0 QA 0 QA e A si dicono definite positive
23
3. se x X QA x 0 x 0 : QA x 0 QA e A si dicono semidefinite negative
4. se x X, x 0 QA 0 QA e A si dicono definite negative
5. se x 0 QA x 0 x 0 QA x 0 QA e A si dicono indefinite
Def. 8. 2
Con riferimento ai minori della matrice A associata, una forma quadratica viene definita come
segue:
1. è definita positiva se e solo se tutti i minori principali di NW sono positivi;
2. è definita negativa se e solo se tutti i minori principali di NW di A di ordine pari sono
positivi e tutti i minori principali di NW di A di ordine dispari sono negativi;
3. è semidefinita positiva se e solo se tutti i minori principali di A sono non negativi ed inoltre
det A 0
4. è semidefinita negativa se e solo se tutti i minori principali di NW di A di ordine pari non
negativi e tutti i minori principali di NW di A di ordine dispari sono non positivi ed inoltre
det A 0
5. è indefinita se e solo se non si verifica alcuna delle condizioni precedenti
Esempio
n
Sia A aij una matrice che rappresenta un certo operatore simmetrico A su .
n
Considerato il vettore x , x x1 .... xn ' , calcolando il prodotto righe per colonne Ax e poi il
prodotto interno, abbiamo:
n
a1 j x j
x1 j 1
n n n n
QA x x Ax .... .... x1 a1 j x j ... xn anj x j aij xi x j
n j 1 j 1 i 1 j 1
xn
anj x j
j 1
Teo 8. 1
Sia A : n n
un operatore lineare simmetrico su n e A una sua rappresentazione matriciale.
Esiste una matrice ortogonale S M n tale che la matrice S * AS è ancora una
rappresentazione matriciale dell’operatore e inoltre è diagonale, ovvero i ij .
24
Quindi la riduzione in forma canonica di una forma quadratica QA associata ad un operatore lineare
simmetrico A su n si può ricavare esprimendo QA rispetto alla matrice diagonale che
rappresenta l’operatore.
Una volta stabilito con il Teo 8. 1 che data una rappresentazione matriciale di un operatore lineare
simmetrico su n è sempre possibile costruire una matrice diagonale che lo rappresenta, occorre
trovare la forma esplicita della matrice ossia dobbiamo trovare un modo per costruire tale
matrice.
Def. 8. 3
Sia A : X X e sia X uno spazio vettoriale con prodotto interno e a dimensione finita.
Si dice spettro (puntuale) di A l’insieme P A così definito
P A : Ax x per qualche x 0
Inoltre:
1. gli scalari P A si dicono autovalori di A
Teo 8. 3
Sia A una matrice quadrata di ordine n . Uno scalare è autovalore di A se e solo se
det A 1 0
Teo 8. 4
Due qualsiasi rappresentazioni matriciali del medesimo operatore hanno gli stessi autovalori (gli
autovalori dell’operatore)
Teo 8. 5
Sia A : X X un operatore lineare e S : X X un operatore ortogonale su X . Allora
P A P S * AS
25
Def. 8. 4
Due matrici quadrate A e B si dicono simili quando esiste una matrice P non singolare tale che
B P 1 AP
Osservazione: due matrici simili hanno la stessa equazione caratteristica e dunque gli stessi
autovalori.
Dim.
Dal teorema di Binet det( AB) det A det B , quindi
1
det P 1 AP det P 1
det A det P det P det A det P det A . Conseguentemente
B I P 1 AP I P 1 AP P 1
IP P 1
A I P A I cvd
Osservazione: due matrici simili hanno lo stesso rango, lo stesso determinante e la stessa traccia.
Esempio
Trovare gli autovalori e gli autovettori della seguente matrice
1 0
A
1 2
Ricerca autovalori
Consideriamo l’equazione scalare associata
det A 1 0
Esplicitamente
1 0 0 1 0
A 1
1 2 0 1 2
1 0
det A 1 det 1 2
1 2
L’equazione scalare è:
1 2 0
E gli autovalori sono 1; 2
Ricerca autovettori
Cominciamo a considerare l’autovalore 1 . Allora gli autovettori ad esso relativi sono le
soluzioni x non nulle del sistema A 1 x 0
x1
Esplicitamente posto x abbiamo:
x2
0 0 x1 0
da cui x2 x1
1 1 x2 0
Così, comunque preso 0 gli autovettori di A relativi a 1 sono della forma
26
2 1
x sono gli autovettori normalizzati
2 1
Consideriamo ora l’autovalore 2 . Allora gli autovettori ad esso relativi sono le soluzioni
x non nulle del sistema A 1 x 0
x1
Esplicitamente posto x abbiamo
x2
1 0 x1 0
da cui x1 0.
1 0 x2 0
0
Così, comunque preso 0 gli autovettori di A relativi a 2 sono della forma x
0
Gli autovettori normalizzati sono evidentemente x
1
Siamo ora in grado di risolvere il problema della diagonalizzazione di una matrice quadrata
simmetrica. Prima però enunciamo alcune proprietà degli autovalori e degli autovettori che
riferiamo alle matrici.
Sia dunque A M n e P A 1 , 2 ,..., n il suo spettro
1. il prodotto degli autovalori di A è uguale al determinante di A
n
det A i
i 1
3. se A è una matrice diagonale i suoi autovalori sono gli elementi della diagonale
principale
4. se A è simmetrica i suoi autovalori sono reali
5. se A è definita positiva allora i 0 i
6. se A è semidefinita positiva e di rango r n allora essa possiede r autovalori
distinti e n r autovalori nulli
7. siano A, B M n . Gli autovalori non nulli di AB sono uguali agli autovalori non
nulli di BA
8. autovettori relativi ad autovalori distinti sono linearmente indipendenti
9. se A è simmetrica, autovettori relativi ad autovalori distinti sono ortogonali
10. se la matrice A possiede autovalori A 0 allora la matrice ammette l’inversa
A 1 . Gli autovalori di A 1 sono i reciproci degli autovalori di A . Inoltre A e A 1
hanno gli stessi autovettori
11. la matrice A ' trasposta di A ha gli stessi autovalori di A (ma non gli stessi
autovettori)
Teo 8. 7
27
Osservazione: è utile notare che la matrice ortogonale S si può costruire prendendo come colonne
di S gli autovettori normalizzati di A
Def. 8. 5
Sia A una matrice quadrata di ordine n avente autovalori 1 , 2 ,..., n viene detta molteciplità
algebrica di i , e la indichiamo con m i , la molteciplicità di i come radice dell’equazione
caratteristica
Def. 8. 6
Sia A una matrice quadrata di ordine n avente autovalori 1 , 2 ,..., n viene detta molteciplità
geometrica di i , e la indichiamo con i , la dimensione del sottospazio vettoriale costituito
Teo 8. 8
Sia A una matrice quadrata di ordine n ,. Condizione necessaria e sufficiente affinché A sia
diagonizzabile è che per ciascuno dei suoi autovalori, molteciplità algebrica e geometrica
coincidano.
Teo 8. 9
Sia A una matrice quadrata di ordine n con n autovettori linearmente indipendenti. La matrice A è
sicuramente diagonalizzabile.
Teo 8. 10
Sia A una matrice quadrata di ordine n con n autovalori distinti La matrice A è sicuramente
diagonalizzabile.
Teo 8. 11
Sia A una matrice simmetrica
1. A è definita positiva (negativa) solo se i suoi autovalori sono tutti positivi (negativi)
2. A è semidefinita positiva (negativa) solo se i suoi autovalori sono tutti non negativi (non
positivi)
3. A è indefinita se ha autovalori di segno opposto
4. A è sempre diagonizzabile e la matrice S che realizza tale diagonalizzazione è ortogonale
Def. 8. 7
Una matrice quadrata A di ordine n è detta decomponibile o riducibile o non connessa se è
possibile, scambiando tra loro alcune righe e le corrispondenti colonne, ottenere una matrice così
partizionata .
A11 A12 A11 0
oppure
0 A22 A21 A22
dove Aij sono matrici quadrate e 0 la matrice nulla
Osservazioni:
la matrice nulla è decomponibile
la matrice positiva è irriducibile
28
se A è decomponibile (indecomponibile) lo è anche A '
una matrice che non contiene zeri è indecomponibile
una matrice indecomponibile non può contenere una riga e/o una colonna nulla.
29
ESERCIZI
1 0 1
A 0 2 2
1 0 1
Soluzione
1. Gli autovalori sono le soluzioni della seguente equazione (vedi Teo 8. 3)
det A 1 0
1 0 1
det 0 2 2 0 1 1 2 2 0
1 0 1
2 2
2 1 1 2 0 1 2; 2 0 con molteciplità algebrica 2 (vedi Def. 8. 5)
30
Esercizio 2. Data la matrice
1 0 1
A 0 2 0
1 0 1
x ,
2. La forma quadratica Q x x Ax è semidefinita positiva dato che gli autovalori di A sono non
negativi e almeno uno di essi è nullo. (Teo 8. 11 pag.28)
31
Esercizio 3. Data la matrice
1 0 1
A 1 2 0
0 0 1
Soluzione
1. Gli autovalori sono le soluzioni della seguente equazione (vedi Teo 8. 3)
det A 1 0
1 0 1
2
det 1 2 0 0 1 2 0
0 0 1
1 2; 2 1 con molteciplità algebrica 2 (vedi Def. 8. 5)
32
Esercizio 4. Data la matrice
1 0
A
1 2
3x1 1 7 x2 0
1 7
x 3
1
2
Gli autovettori sono soluzione del sistema
1 7 x1 2 x2 0
3x1 1 7 x2 0
1 7
x 3
1
33
1 7 x1 3x2 0
2 x1 1 7 x2 0
1 7
x 2
1
2
1 7 x1 3x2 0
2 x1 1 7 x2 0
1 7
x 2
1
1 3
3. A'
2 3
1 3 x1 x1 3x2
Q x x1 x2 x1 x2 x12 3x1 x2 2 x1 x2 3x22 x12 5x1 x2 3x22
2 3 x2 2 x1 3x2
è una forma quadratica in quanto è un polinomio omogeneo di secondo grado nelle variabili x1 , x2
La matrice dei coefficienti può essere resa simmetrica (vedi pag.23)
A A' 1 52
A
2 52 3
La forma quadratica è indefinita in quanto la matrice che la rappresenta ha autovalori di segno
opposto.
34