Esercizi settimana 6

Gli esercizi segnati con (*) potrebbero risultare più difficili.

Notazione. Spesso verrà indicato con 0 il vettore nullo di uno spazio vettoriale V (quindi con 0 non si
indica necessariamente il vettore nullo di Rn ). A volte può capitare che si scriva 0V per sottolineare che
si tratta del vettore nullo dello spazio V , ma ciò non è necessario. Si dovrà sempre capire dal contesto di
che vettore nullo si sta parlando. Può capitare che il vettore nullo di uno spazio di matrici venga denotato
con O invece che con 0.

Esercizio 1 Usando la definizione di applicazione lineare, si dica quali delle seguenti applicazioni lo
sono.

a) f : R → R, f (x) = ex ;
x+1
b) f : R → R, f (x) = x−1 ;

2x3 −4x2 +2x

c) f : R → R, f (x) = x2 −2x+1 se x ̸= 1, f (1) = 2;

d) f : M at(n × n) → R, f (A) = det(A);

e) f : M at(n × n) → R, f (A) = tr(A), dovetr(A)è la traccia di A, ovvero la somma degli elementi
1 2
sulla diagonale principale (ad esempio, tr = 1 + 4 = 5);
3 4
   
2 x x 1
f) f : R → R, f = det ;
y y −1

g) F : C 1 (R) → R2 [x], F (f (x)) = f (0) + f ′ (0)x (C 1 (R) è lo spazio delle funzioni da R in R derivabili)

Esercizio 2 Dire se esistono, e nel caso, se sono uniche, delle applicazioni lineari da R3 in R2 con le
seguenti proprietà (qui con (e1 , e2 , e3 ) si denota la base canonica di R3 )
   
1 0
a) f (e1 ) = f (e2 ) = , f (e3 ) = ;
2 0
 
0
b) f (e1 ) = f (e2 ) = f (e3 ) = ;
0
 
1      
1 0 1
c) f 1 =
  , f (e1 ) = , f (e2 ) = ;
2 2 0
0
     
1   2   1  
0 3 1
d) f 2 =
  ,f 2 =
  ,f  0  = .
1 1 2
3 2 −1

Esercizio 3 Sia f : R3 → R2 l’unica applicazione lineare tale che

     
1 1 2
f (e1 ) = , f (e2 ) = , f (e3 ) = ,
2 1 4

dove (e1 , e2 , e3 ) è la base canonica di R3 .

 
x
a) Si scriva la matrice canonica di f , e la forma esplicita di f (f y  = · · · ).
z

b) Si dica se f è iniettiva e/o suriettiva, e si trovino una base di Ker(f ) e una base di Im(f ).
Esercizio 4 Sia f : R3 → R4 definita da
 
  x+y−z
x  x−z 
f y  w = 
 y − z .

z
x+y+z
a) Scrivere la matrice canonica di f .
b) Determinare una base di Ker(f ) e una base di Im(f ).
 
0
0 3
−1 appartiene all’immagine di f , e determinare tutti i vettori v ∈ R tali
c) Si dica se il vettore  

2
 
0
0
che f (v) = −1.


Esercizio 5 Siano date le matrici

   
  1 −1 0 1 1 2 1
1 −1 0
A1 = , A2 = 2 0 −2 0 , A3 = 1 0 1 .
1 2 1
1 1 1 1 0 3 0
a) Scrivere esplicitamente le applicazioni lineari f1 , f2 , f3 : Rn → Rm con matrici canoniche rispetti-
vamente A1 , A2 , A3 (con gli opportuni n, m).
b) Trovare una base di Ker(fi ) e una base di Im(fi ) per ogni i = 1, 2, 3.

Esercizio 6 Sia  
k −2 1
A = 2k 0 2 ,
k 1 k
dove k ∈ R, e sia f : R3 → R3 l’applicazione lineare di cui A è matrice canonica. Trovare una base, e la
dimensione, di Ker(f ) e di Im(f ) al variare di k ∈ R.

Esercizio 7 Sia f : R4 → R3 l’applicazione lineare definita da

 
x  
y  x+y+w
f  z  = x + 2y + 3z + 4w .
  
y + 3z + 3w
w
a) Scrivere la matrice canonica di f .
b) Trovare una base, e la dimensione, di Ker(f ) e di Im(f ).
c) Trovare, se possibile, un vettore v ∈ R3 tale che v ∈
/ Im(f ).

Esercizio 8 Sia f : R3 → R3 l’unica applicazione lineare tale che

  

 1



 f (e 1 ) = 0



 1
  
2



f (e2 ) = 2 ,
2




  
0




f (e ) = −1


 3

  
0
dove con (e1 , e2 , e3 ) si denota la base canonica di R3 .
a) Si scriva la matrice canonica associata ad f .
 
x
b) Si scriva eplicitamente f y .
z

Esercizio 9 Sia f : M at(2 × 2) → M at(2 × 2) l’applicazione lineare definita da

   
a b a + b − 2d a − c
f =
c d 2a − c + d b + d
a) Scrivere la matrice associata ad f rispetto alla scelta della base canonica (E11 , E12 , E21 , E22 ) di
M at(2 × 2) (sia come “spazio di partenza” che come “spazio di arrivo”).
b) Trovare una base, e la dimensione, di Ker(f ) e di Im(f ),

Esercizio 10 Sia f : R3 → R3 un’applicazione lineare tale che

   
1 1
f  2 = 1

1 1
e che    
2 1
1 , 0 ∈ Ker(f ).
0 1
a) Tale f è unica?
 
x
b) Scrivere esplicitamente f y , e trovare la matrice canonica di f .
z

Esercizio 11 Siano V, W due spazi vettoriali di dimensione 3 e 4, rispettivamente, con basi BV =

(v1 , v2 , v3 ) e BW = (w1 , w2 , w3 , w4 ). Sia f : V → W definita come segue:

f (v1 ) = w2 − w3 + w4

f (v2 ) = w1 + 2w2 − w4

f (v3 ) = w1 − 2w3 − 3w4


a) Scrivere la matrice associata ad f rispetto alle basi BV , BW .

b) Determinare una base e la dimensione di Ker(f ) e di Im(f ).

Esercizio 12 Sia f : R5 → M at(2 × 3) definita come

 
x1
 x2   
  x1 + x2 − x5 x3 + x4 x1 − x2
x3  = x2 + x3 − 2x4
f 
 x4  x4 − 2x5 x3
x5

a) Scrivere la matrice associata ad f rispetto alla base canonica (e1 , ..., e5 ) di R5 (come spazio di
partenza) e alla base canonica (E11 , ..., E23 ) di M at(2 × 3) (come spazio di arrivo). Si ricordi che
dim(M at(2 × 3)) = 6 e che una base è data dalle matrici Eij , i = 1, 2, j = 1, 2, 3, dove
 Eij è  la
1 0 0
matrice che ha 1 alla riga i-esima e colonna j-sima, e zero altrove (ad esempio, E11 = ,
  0 0 0
0 0 0
E23 = ,etc.).
0 0 1
 b) Trovare una base di Ker(f ) e una base di Im(f ).

Esercizio 13 Sia f : M at(2 × 2) → M at(2 × 3) definita come

f (A) = AN,

dove  
1 0 1
N= .
−1 0 −1
a) Verificare che f è un’applicazione lineare.
b) Scrivere la matrice associata ad f rispetto alle basi canoniche di M at(2 × 2) e M at(2 × 3).
c) Trovare una base, e la dimensione, di Ker(f ) e di Im(f ).

Esercizio 14 Sia f : M at(2 × 2) → M at(2 × 2) definita come

f (A) = AN,

dove  
−1 2
N= .
2 −4
a) Verificare che f è un’applicazione lineare.
b) Scrivere la matrice associata ad f rispetto alla base canonica di M at(2×2) (come spazio di partenza
e arrivo).
c) Trovare una base, e la dimensione, di Ker(f ) e di Im(f ).

Esercizio 15 Sia F : R4 [x] → R3 [x] definita da

F (p(x)) = p′′ (x) + 2p′ (x) + 3p(1).

a) Verificare che l’applicazione F è lineare.

b) Scrivere la matrice associata ad F rispetto alle basi canoniche di R4 [x] e di R3 [x].
c) Determinare base e deminasione di Ker(F ) e di Im(F ).

Esercizio 16 Sia F : R4 [x] → R3 definita da

 
p(1)
F (p(x)) = p(−1) .
p(0)

a) Verificare che l’applicazione F è lineare.

b) Scrivere la matrice associata ad F rispetto alle basi canoniche di R4 [x] e di R3 .
c) Determinare base e deminasione di Ker(F ) e di Im(F ).

Esercizio 17 Sia f : M at(2 × 2) → R3 [x] definita da

 
a b
f = (a + b)x2 + (c + d)x + a − d.
c d

a) Verificare che l’applicazione f è lineare.

b) Scrivere la matrice associata ad f rispetto alle basi canoniche di M at(2 × 2) e di R3 [x].
 c) Determinare base e deminasione di Ker(f ) e di Im(f ).

Esercizio 18 (*) Sia

V = {f : Rn → Rm lineari}
(insieme delle applicazioni lineari da Rn a Rm ) dotato delle due operazioni di somma tra funzioni:

(f + g)(v) = f (v) + g(v) , ∀f, g ∈ V , v ∈ Rn ,

e prodotto di una funzione per scalare:

(kf )(v) = kf (v) , ∀f ∈ V , v ∈ Rn , k ∈ R.

a) Mostrare che V con queste due operazioni è uno spazio vettoriale.

b) Trovare una base e calcolare la dimensione di V .

Esercizio 19 (*) Sia V uno spazio vettoriale di dimensione 3 con base (v1 , v2 , v3 ). Sia f : V → V l’unica
applicazione lineare definita da

f (v1 ) = (k − 1)v1 + 2v2 + (k + 1)v3

f (v2 ) = 2v1 − kv3 .

f (v3 ) = −kv1 − v2 + (k + 2)v3


a) Scrivere la matrice associata ad f rispetto alla base (v1 , v2 , v3 ) di V (come spazio di partenza e
arrivo).
b) Determinare dimension e base di Ker(f ) e di Im(f ) al variare di k ∈ R.

c) Per quali valori di k ∈ R si cha che v1 + 2v2 + 2v3 ∈ Im(f )?

Esercizio 20 (*) Siano V, W due spazi vettoriali con basi rispettivamente B = (v1 , ..., vn ) e B ′ =
(w1 , ..., wm ), e sia f : V → W un’applicazione lineare con matrice associata A = (aij ) ∈ M at(m × n)
rispetto alle basi B, B ′ .
Provare che se v ∈ V , e X ∈ Rn è il vettore delle coordinate di v rispetto alla base B, allora AX ∈ Rm è
il vettore delle coordinate di f (v) ∈ W rispetto alla base B ′ .
(Suggerimento: provare prima con V, W di dimensione bassa, ad esempio, V, W entrambi di dimensione
2; successivamente dedurre il caso generale.)
Qualche soluzione

Esercizio 1
a) Non è lineare (ad esempio, f (1 + 1) = e2 ̸= 2e = e1 + e1 = f (1) + f (1)).
b) Non è lineare.
c) È lineare. La funzione f coincide con 2x per ogni x ∈ R.
d) Non è lineare
e) È lineare.
f) È lineare. Infatti
     
x1 x2 x + x2 1
f + = det 1 = −(x1 + x2 ) − (y1 + y2 )
y1 y2 y1 + y2 −1
   
x1 x2
= (−x1 − y1 ) + (−x2 − y2 ) = f +f .
y1 y2
 
x
Analogamente si prova che f (kv) = kf (v) per ogni v = ∈ R2 ed ogni k ∈ R.
y

g) È lineare.

Esercizio 2
a) Esiste ed è unica, in quanto sono assegnati i valori di f su una base di R3 .
b) Esiste ed è unica, in quanto sono assegnati i valori di f su una base di R3 .
 
1
c) Sono assegnati i valori di f su tre vettori, ovvero v = 1, e1 , ed e2 , che non sono una base di
0
3
R (infatti v = e1 + e2 , quindi i tre vettori non sono linearmente indipendenti).  Però si ha che
  1  
1 1
f (e1 + e2 ) = f (e1 ) + f (e2 ) = , che è compatibile con l’assegnazione f 1 = . Dunque
2 2
0
l’applicazione lineare cercata esiste, ma non è unica. In particolare, cercando
 
x  
ax + by + cz
f y  =
dx + ey + f z
z
che soddisfi le condizioni, vediamo che bisogna avere a = 0, d = 2, b = 1, e = 0, mentre possiamo
scegliere qualsiasi valore per c e per f . Dunque qualsiasi f della forma
 
x  
y + cz
f y =
 
2x + f z
z
è un’applicazione lineare che soddisfa le proprietà richieste, per qualsiasi valore di c, f ∈ R.
     
1 2 1
d) Anche qui, notiamo che i vettori v1 = 2, v2 = 2, v3 =  0  non sono linearmente
3 2 −1
indipendti, quindi non sono una base di R3 . In particolare vediamoche  v1 = v2 − 
v3 . Siccome
 f è
3 1 2
lineare, dobbiamo avere che f (v1 ) = f (v2 − v3 ) = f (v2 ) − f (v3 ) = − = . Siccome
  1 2 −1
0
l’esercizio richiede anche f (v1 ) = , allora tale f non può esistere.
1
Esercizio 3
 
  x  
1 1 2 x + y + 2z
a) A = , f y  = .
2 1 4 2x + y + 4z
z
    
 x x  
0
b) Ker(f ) = y  ∈ R3 : f y  = . Dunque risolviamo il sistema omogeneo
0 
z z

(
x + y + 2z = 0
.
2x + y + 4z = 0

Risolvendo si trova  
−2
Ker(f ) = L  0  .
1
Deduciamo che f non è iniettiva.
         
1 1 2 1 1
Inoltre, si ha Im(f ) = L , =L , . Questi due vettori sono linearmente
2 1 4 2 1
indipendenti e quindi base di Im(f ), che ha dimensione 2. Siccome Im(f ) è sottospazio di R2 ,
abbiamo che Im(f ) = R2 . Dunque f è suriettiva.

Esercizio 4
 
1 1 −1
1 0 −1
a) A =  .
0 1 −1
1 1 1
     
1 1 −1
1 0 −1
b) Si trova Ker(f ) = {0} e Im(f ) = L  0 , 1 , −1. Questi tre vettori sono linearmente
     

1 1 1
indipendenti per cui sono una base di Im(f ).
 
0
0
c) Siano w1 , w2 , w3 i tre vettori della base di Im(f ) trovati al punto precedente, e sia w =    .
−1
2
Allora w ∈ Im(f ) se e soltanto se il rango della matrice che ha per colonne w1 , w2 , w3 , w è 3:
   
1 1 −1 0 1 1 −1 0
1 0 −1 0  1 0 −1 0 
0 1 −1 −1 = 3 ⇐⇒ det 0 1 −1 −1 = 0.
rk    

1 1 1 2 1 1 1 2
Si verifica che questa matrice effettivamente ha determinante nullo, e quindi rango 3. Per cui
w ∈ Im(f ). Per determinare i vettori v ∈ R3 tali che f (v) = w, scriviamo esplicitamente
   
x+y−z 0
 x−z   0 
 y − z  = −1
   

x+y+z 2
che equivale a risolvere il sistema lineare
x+y−z =0



x − z = 0

.

 y − z = −1


x+y+z =2
  
1
Risolvendo, si trova che l’unico vettore v ∈ R3 tale che f (v) = w è v = 0.
1

Esercizio 5 b)
 
3
• Ker(f1 ) = L  3 , Im(f1 ) = R2 ;
−1
 
2
−1
• Ker(f2 ) = L  3
 2 , Im(f2 ) = R ;
 

−3
     
−1 1 2
• Ker(f3 ) = L  0 , Im(f3 ) = L 1 , 0.
1 0 3

Esercizio 6 Calcoliamo det(A) = 4k(k − 1). Studiamo prima Ker(f ), che non è altro che lo spazio delle
soluzioni di 
kx − 2y + z = 0

2kx + 2z = 0 .

kx + y + kz = 0


Si
 tratta
 di un sistema omogeneo di tre equazioni in tre incognite che ammette l’unica soluzione nulla
0
0 se e solo se det(A) ̸= 0. Dunque per k ̸= 0, 1, si ha Ker(f ) = {0}, dim(Ker(f )) = 0. Dal Teorema
0
della Dimensione deduciamo che dim(Im(f )) = 3, dunque Im(f ) = R3 . Per k ̸= 0, 1 abbiamo che f è
biiettiva.
     
x −2y + z 1
Per k = 0, abbiamo che f y  =  2z . Si trova subito che Ker(f ) = L 0, dim(Ker(f )) = 1
  z  y 0
−2 1
e che Im(f ) = L  0  , 2, dim(Im(f )) = 2.
1 0
     
x −2y + z −1
Per k = 1 abbiamo che f y  =  2z . Si trova subito che Ker(f ) = L  0 , dim(Ker(f )) =
z y 1
   
−2 1
1 e che Im(f ) = L  0  , 2, dim(Im(f )) = 2.
1 1

Esercizio 7
 
1 1 0 1
a) A = 1 2 3 4.
0 1 3 3
   
3 2    
−3 −3 1 1
b) Ker(f ) = L   ,  , dim(Ker(f )) = 2, Im(f ) = L 1 , 2, dim(Im(f )) = 2.
 1   0 
0 1
0 1
        
x 1 1 1 1 x
c) Un vettore v = y  non appartiene a Im(f ) = L 1 , 2 se e solo se rk 1 2 y  = 3,
z 0 1  0 1 z
1 1 x
ovvero se il determinante di questa matrice non è nullo. Si trova che det 1 2 y  = x − y + z.
  0 1 z
x 1
Basta prendere un vettore v = y  tale che x − y + z ̸= 0, ad esempio, v = 0.
z 1

Esercizio 9
a) Notiamo che   
1 1
f (E11 ) = = E11 + E12 + 2E21 + 0E22




 2 0
  
1 0


f (E12 ) = 0 1 = E11 + 0E12 + 0E21 + E22



  .
 0 −1

 f (E 21 ) = = 0E11 − E 12 − E21 + 0E22



 −1 0
  
−2 0


f (E22 ) = = −2E11 + 0E12 + E21 + E22


1 1
dunque la matrice associata è  
1 1 0 −2
1
 0 −1 0.
2 0 −1 1
0 1 0 1
 
a b
b) Partiamo con Ker(f ). Possiamo impostare il problema in maniera esplicita: A = ∈ Ker(f )
c d
se e solo se    
a + b − 2d a−c 0 0
f (A) = = .
2a − c + d b+d 0 0
Questa equazione matriciale equivale a un sistema lineare omogeneo di quattro equazioni in quattro
incognite a, b, c, d:
a + b − 2d = 0



a − c = 0



 2a − c + d = 0


b+d=0
che ammette l’unica soluzione a = b = c = d = 0. Dunque Ker(f ) = {O} (il nucleo è il solo
vettore nullo di M at(2 × 2), ovvero la matrice nulla). Dal Teorema della Dimensione ricaviamo che
dim(Im(f )) = 4, e siccome Im(f ) è sottospazio di M at(2 × 2) deduciamo che Im(f ) = M at(2 × 2),
una base è qualsiasi base di M at(2 × 2).

Esercizio 10
 
1
a) Sı̀, è unica. Infatti vengono assegnati i valori di f sulla base (v1 , v2 , v3 ) di R3 , dove v1 = 2,
    1
2 1
v2 = 1 e v3 = 0. Infatti si vede che questi tre vettori sono linearmente indipendenti in R3 ,
0 1
  
0
e dunque sono una base. La proprietà v2 , v3 ∈ Ker(f ) vuol dire semplicemente che f (v2 ) = 0,
  0
0
f (v3 ) = 0.
0

b) Si può procedere in vari modi. Ricordiamo che la matrice canonica di un’applicazione lineare da
Rn ad Rm è la matrice che ha per colonne f (e1 ), ..., f (en ), con (e1 , ..., en ) base di Rn . In tal caso
il dominio è R3 , e sia dunque (e1 , e2 , e3 ) base di R3 . Siccome (v1 , v2 , v3 ) è un’altra base di R3 ,
riusciamo sempre a trovare a, b, c ∈ R tali che e1 = av1 + bv2 + cv3 (stessa cosa con e2 ed e3 ). Si
tratta di impostare un sistema lineare nelle incognite a, b, c. Troviamo:
 
−1/4
• e1 = − 41 v1 + 12 v2 + 14 v3 , dunque f (e1 ) = − 14 f (v1 ) + 12 f (v2 ) + 14 f (v3 ) = −1/4.
−1/4
 
1/2
• e2 = 21 v1 − 21 v3 , dunque f (e2 ) = 12 f (v1 ) − 21 f (v3 ) = 1/2;
1/2
 
1/4
• e3 = 41 v1 − 12 v2 + 34 v3 , dunque f (e1 ) = 41 f (v1 ) − 12 f (v2 ) + 34 f (v3 ) = 1/4. La matrice
1/4
canonica è quindi  
−1/4 1/2 1/4
−1/4 1/2 1/4 ,
−1/4 1/2 1/4
da cui si ricava anche l’espressione esplicita di f .

Esercizio 11

a) Matrice associata rispetto alle basi BV e BW :

 
0 1 1
1 2 0
A= −1
.
0 −2
1 −1 −3
 
x
b) Un vettore v = xv1 + yv2 + zv3 ∈ V , di coordinate X = y  rispetto alla base BV , appartiene a
z
 
0
0
Ker(f ) se e solo se f (v) = 0W , ovvero se e solo se f (v) ha coordinate  
 rispetto alla base BW .
0
0
Ora, le coordinate di f (v) sono date da AX:
 
y+z
 x + 2y 
AX =   −x − 2z  .


x − y − 3z
  
0
0
0 se e solo se
Le coordinate di f (v) sono uguali a  

0

 y+z =0


x + 2y = 0

 − x − 2z = 0

x − y − 3z = 0


   
x 0
che ammette l’unica soluzione y  = 0. Deduciamo che Ker(f ) = {0V }, ovvero il nucleo è
z 0
l’insieme nullo di V . Per quanto riguarda l’immagine, abbiamo che

Im(f ) = L[f (v1 ), f (v2 ), f (v3 )] = L[w2 − w3 + w4 , w1 + 2w2 − w4 , w1 − 2w3 − 3w4 ]

e questi tre vettori ne costituiscono una base poiché linearmente indipendenti (si vede immediata-
mente: le loro coordinate rispetto alla base BW sono tre vettori linearmente indipendenti in R4 ).
Dunque dim(Im(f )) = 3 (lo si poteva evincere anche dal Teorema della Dimensione).

Esercizio 12

a) Matrice associata:  
1 1 0 0 −1
0 0 1 1 0
 
1
 −1 0 0 0
0
 1 1 −2 0
0 0 0 1 −2
0 0 1 0 0

b) Senza fare alcun conto, si vede che dim(Im(f )) = rk(A) = 5. Di conseguenza, dal Teorema
dell Dimensione deduciamo che Ker(f ) = {0}, il vettore nullo di R5 . Inoltre Im(f ) è generato
da f (e1 ), ..., f (e5 ), che essendo cinque generatori di uno spazio di dimensione cinque, sono anche
linearmente indipendenti, e dunque base.

Esercizio 13
a) Si verifica immediatamente utilizzando le proprietà del prodotto tra matrici.
b) La matrice associata rispetto alle basi date è
 
1 −1 0 0
0 0 0 0 
 
1 −1 0 0 
A=  .
0 0 1 −1

0 0 0 0 
0 0 1 −1

c) Si può procedere in diversi modi. Partiamo da Im(f ). Si ha

Im(f ) = L[f (E11 ), f (E12 ), f (E21 ), f (E22 )]

e
dim(Im(f )) = rk(A) = 2
Dunque solo due tra f (E11 ), f (E12 ), f (E21 ), f (E22 ) sono linearmente indipendenti. Per capire quali
scegliere, guardiamo ai vettori delle loro coordinate. Questi vettori di R6 li abbiamo già calcolati,
e sono esattamente i vettori colonna della matrice A al punto b). Ad esempio, il primo e il terzo
sono linearmente indipendenti. Questo significa che f (E11 ), f (E21 ) sono linearmente indipendenti,
e quindi sono base di Im(f ). Una base di Im(f ) è dunque
   
1 0 1 0 0 0
f (E11 ) = , f (E21 ) = ,
0 0 1 1 0 1

cioè    
1 0 1 0 0 0
Im(f ) = L[f (E11 ), f (E21 )] = L ,
0 0 1 1 0 1

Passiamo a Ker(f ). Ci sono, come al solito, vari modi di risolvere questo punto.
 
a b
Modo 1. Imponiamo esplicitamente che una matrice M = ∈ M at(2 × 2) appartenga a
c d
Ker(f ), ovvero imponiamo che  
0 0 0
MN = .
0 0 0
Esplicitando il prodotto tra matrici, questo equivale a risolvere il sistema lineare omogeneo

a−b=0






 0=0
 (
a − b = 0

a−b=0
⇐⇒ .

 c−d=0 c−d=0




 0=0


0=0

Deduciamo che tutte le matrici M ∈ Ker(f ) sono del tipo

     
a a 1 1 0 0
M= =a +b ,
c c 0 0 1 1

con a, b ∈ R. Dunque    
1 1 0 0
Ker(f ) = L , .
0 0 1 1
Inoltre queste due matrici sono linearmente indipendenti (lo sono i loro vettori delle coordinate), e
quindi sono una base di Ker(f ); dim(Ker(f )) = 2.
 
x y
Modo 2. Utilizziamo le coordinate. Una matrice M = = xE11 + yE12 + zE21 + wE22
  z w
x
y 
di coordinate X =  z  rispetto alla base canonica di M at(2 × 2) appartiene a Ker(f ) se e solo


w  
0
0
 
0
se f (M ) = O, dove O è il vettore nullo di M at(2 × 3), che ha coordinate 0 rispetto alla base

 
0
0
canonica di M at(2 × 3). Questo è equivale a dire che il vettore X delle coordinate di M ∈ Ker(f )
deve soddisfare  
0
0
 
0
AX =  0 ,

 
0
0
 dove A è la matrice associata ad f trovata al punto b). Risolvendo
  il corrispondente sistema di sei
0
0
 
0
equazioni in quattro incognite x, y, z, w si trova che AX =  0 se e solo se

 
0
0
   
1 0
1 0
X = t0 + s 1
  

0 1
   
1 0
1 0
cioè se e solo se X ∈ L   ,  
   , e questi due vettori formano una base di questo sottospazio
0 1
0 1
di R . Questo è il sottospaziodi R4 delle
4
 coordinate
 dei vettori in Ker(f ). Deduciamo quindi che
1 1 0 0
una base di Ker(f ) è data da , .
0 0 1 1

Esercizio 14 Si risolve come l’esercizio precedente. Matrice associata:

 
−1 2 0 0
 2 −4 0 0
A= .
0 0 −1 2 
0 0 2 −4
       
2 1 0 0 −1 2 0 0
Ker(f ) = L , ; dim(Ker(f )) = 2. Im(f ) = L , ; dim(Im(f )) = 2.
0 0 2 1 0 0 −1 2

Esercizio 15
a) È una verifica immediata.
b) Base canonica di R4 [x] è (1, x, x2 , x3 ); base canonica di R3 [x] è (1, x, x2 ). Calcoliamo


 F (1) = 3

F (x) = 5



F (x2 ) = 5 + 4x

F (x3 ) = 3 + 6x + 6x2



Dunque la matrice associata è  

3 5 5 3
A = 0 0 4 6 .
0 0 0 6

c) Usiamole coordinate. Sia p(x) ∈ R4 [x], p(x) = a + bx + cx2 + dx3 . Il suo vettore delle coordinate
a
b
 c . Allora p(x) ∈ Ker(F ) se e solo se F (p(x)) = 0R3 [x] (il vettore nullo di R [x], cioè la
3
è X =  

d
 
0
funzione identicamente nulla), che ha come vettore delle coordinate 0 ∈ R3 . Ma questo, come
  0
0
abbiamo visto, è equivalente a imporre che AX = 0, ovvero che il vettore delle coordinate di
0
  
0
F (p(x)), che non è altro che AX, è il vettore nullo di R3 . Esplicitando AX = 0, troviamo che
0
risolvere questa equazione matriciale equivale a risolvere il sistema lineare omogeneo

3a + 5b + 5c + 3d = 0

4c + 6d = 0

6d = 0


nelle incognite a, b, c, d ∈ R. Il sottospazio di R4 delle soluzioni di questo sistema è

   
−5/3 −5
 1   3 
L 
  = L  
 
0  0 
0 0
(n.b., il sottospazio non cambia se moltiplico un vettore della base per uno
scalare
 non nullo).
−5
 3 
Abbiamo scoperto che ogni polinomio p(x) ∈ Ker(F ) ha coordinate in L   0 , ovvero ha
 

0
 
−5
3
coordinate t  
 con t ∈ R: p(x) ∈ Ker(F ) se e solo se
0
0
p(x) = −5t + 3tx = t(−5 + 3x).
Deduciamo che
Ker(F ) = L[−5 + 3x]
e dim(Ker(F )) = 1.

Per quanto riguarda l’immagine, notiamo che

dim(Im(F )) = dim L[F (1), F (x), F (x2 ), F (x3 )] = rk(A) = 3.
Dunque tre tra F (1), F (x), F (x2 ), F (x3 ) sono linearmente indipendenti. In particolare, si vede che
F (1) = 53 F (x). Dunque possiamo prendere F (x), F (x2 ), F (x3 ) come base di Im(f ):

Im(f ) = L[F (x), F (x2 ), F (x3 )] = L[5, 5 + 4x, 3 + 6 + 6x2 ].

Esercizio 16 L’esercizio è simile al precedente. La matrice associata è

 
1 1 1 1
A = 1 −1 1 −1 .
1 0 0 0

Si ha Ker(F ) = L[−x + x3 ], dim(Ker(F )) = 1, e Im(F ) = R3 , dim(Im(F )) = 3.

Esercizio 17 La matrice associata è

 
1 0 0 −1
A = 0 0 1 1  .
1 1 0 0
Si ha  
1 −1
Ker(f ) = L ,
1 1
dim(Ker(f )) = 1, e Im(f ) = R3 [x], dim(Im(f )) = 3.

Esercizio 18
a) Le proprietà commutativa e associativa della somma discendono immediatamente da quelle usuali
sulla somma di numeri reali. Il vettore nullo di questo spazio è la funzione identicamente nulla
f (v) = 0 per ogni v ∈ Rn , che è un’applicazione lineare. Data f applicazione lineare, l’applicazione
lineare g(v) = −f (v) è lineare, e f (v) + g(v) è la funzione identicamente nulla. Dunque esiste
sempre l’elemento opposto per la somma tra funzioni. Analogamente, si prova che gli assiomi di
spazio vettoriale che riguardano il prodotto per uno scalare sono rispettati.
b) Abbiamo visto che per definire un’applicazione lineare da Rn in Rm è sufficiente assegnare i valori di
f su una base di Rn . Chiamiamo (e1 , ..., en ) la base canonica di Rn , e (e′1 , ..., e′m ) la base canonica di
Rm . Per ogni i = 1, ..., m e j = 1, ..., n, sia fij l’applicazione lineare che ha come matrice canonica
la matrice Eij ∈ M at(m × n) con elemento 1 alla riga i-esima e alla colonna j-esima, e con tutti gli
altri elementi nulli. Ovvero, (Eij ), i = 1, ..., m, j = 1, ..., n è la base canonica di M at(m × n)
Queste sono m·n applicazioni lineari. Mostriamo che generano V . Sia f : Rn → Rm un’applicazione
lineare qualsiasi con matrice canonica A. Allora

f (v) = Av = (a11 E11 + a12 E12 + · · · + amn Emn )v = a11 E11 v + a12 E12 v + · · · + amn Emn v
= a11 f11 (v) + a12 f12 (v) + · · · + amn fmn (v). (1)

In maniera più compatta X

f (v) = aij fij (v),
i=1,...,m
j=1,...,n

Dunque fij , i = 1, ..., m, j = 1, ..., n generano V (ogni applicazione lineare si scrive come com-
binazione lineare di queste m · n applicazioni lineari). Inoltre esse sono linearmente indipendenti.
Se cosı̀ non fosse, allora avremmo che una di esse, chiamiamola, fℓk , sarebbe combinazione lineare
delle altre. Questa relazione si scrive
X
fℓk (v) = cij fij (v)
i=1,...,m
j=1,...,n
(i,j)̸=(ℓ,k)

per ogni v ∈ Rn (la combinazione lineare a destra coinvolge tutte le funzioni fij tranne fℓk ).
Prendiamo ora v = ek . Abbiamo che fℓk (ek ) = e′ℓ . Inoltre, si vede che fij (ek ) è un vettore di Rm
che ha 0 come ℓ-esimo elemento quando (i, j) ̸= (ℓ, k). Questo implica che
X
e′ℓ = cij fij (ek ) = w
i=1,...,m
j=1,...,n
(i,j)̸=(ℓ,k)

con w che ha uno zero nella ℓ-esima posizione. E questo è chiaramente impossibile.

Per rendersi conto dell’idea, rifacciamo la dimostrazione

  dell’indipendenza lineare nelcaso n
= m =
1 0 0 1
2. Allora f11 ha matrice associata E11 = , f12 ha matrice associata E12 = , e cosı̀
0 0 0 0
via. Supponiamo che f11 , f12 , f21 , f22 siano linearmente dipendenti, e, in particolare, supponiamo
che
f11 = af12 + bf21 + cf22 .
Questo significa che
f11 (v) = af12 (v) + bf21 (v) + cf22 (v),
 
1
per ogni v ∈ R2 . In particolare, prendiamo v = e1 = . Allora
0
   
1 1
f11 (v) = E11 v = E11 = ,
0 0
mentre
      
0 a 0 a 1 0
af12 (v) + bf21 (v) + cf22 (v) = aE12 v + bE21 v + cE22 v = v= = .
b c b c 0 b
    
1 0
Chiaramente non possiamo mai avere = .
0 b

Esercizio 19

a) Matrice associata:  
k−1 2 −k
A= 2 0 −1  .
k+1 −1 k + 2

b) Partiamo considerando
dim(Im(f )) = rk(A).
Si ha det(A) = −5k − 9, dunque rk(A) = 3 se e solo se k ̸= − 59 . In tal caso dim(Im(f )) = 3 e quindi
Im(f ) = V . Di conseguenza, dal Teorema della Dimensione troviamo anche che dim(Ker(f )) = 0 e
dunque ker(f ) = {0}.

Nel caso in cui k = − 95 , abbiamo che

Im(f ) = L[−7v1 + 5v2 − 2v3 , 2v1 − v3 ]

e dim(Im(f )) = 2. Invece
Ker(f ) = L[5v1 − 2v2 + 10v3 ]
e dim(Ker(f )) = 1.

Per risolvere il caso k = − 59 si può procedere come in alcuni degli esercizi precedenti, studiando,
invece di Ker(f ) e di Im(f ), le loro coordinate, che sono vettori di R3 .

Esercizio 20 Scriviamo più esplicitamente la matrice A come

 
a11 · · · a1n
 .. .. ..  ∈ M at(m × n).
A= . . . 
am1 ··· amn

Le colonne di A sono i vettori delle coordinate di f (v1 ), ..., f (vn ) rispetto alla base B ′ , ovvero


 f (v1 ) = a11 w1 + · · · + am1 wm

.. (2)
 .

f (vn ) = a1n w1 + · · · + amn wm


In maniera compatta
m
X
f (vi ) = aji wj , ∀i = 1, ..., n.
j=1
 
x1
Sia v ∈ V con vettore delle coordinate X =  ...  ∈ Rn , ovvero
 

xn
n
X
v = x 1 v1 + · · · + x n vn = x i vi .
j=1

Calcoliamo f (v):
n
X
f (v) = f (x1 v1 + · · · + xn vn ) = x1 f (v1 ) + · · · + xn f (vn ) = xi f (vi ).
i=1
Ora, da (2) conosciamo le espressioni per f (vi ):

f (v) = x1 f (v1 ) + · · · + xn f (vn ) = x1 (a11 w1 + · · · + am1 wm ) + · · · + xn (a1n w1 + · · · + amn wm )

= (a11 x1 + · · · + a1n xn )w1 + · · · + (am1 x1 + · · · + amn xn )wm .

Nell’ultima uguaglianza abbiamo semplicemente raccolto i termini che moltiplicano ciascun vettore wj .
Deduciamo allora che il vettore delle coordinate di f (v) rispetto alla base B ′ è
 
a11 x1 + · · · + a1n xn
 .. 
 . 
am1 x1 + · · · + amn xn

Si vede immediatamente che questo vettore è esattamente AX:

    
a11 · · · a1n x1 a11 x1 + · · · + a1n xn
 .. .. ..   ..  =  ..
.

 . . .  .   .
am1 · · · amn xn am1 x1 + · · · + amn xn

Questo termina la dimostrazione.

Per chi maneggia bene le sommatorie. Si potevano scrivere tutti i passaggi in maniera più compatta.
Infatti !
n
X n
X m
X n X
X m Xm Xn
f (v) = xi f (vi ) = xi aji wj = aji xi wj = aji xi wj .
i=1 i=1 j=1 i=1 j=1 j=1 i=1
′ m
Pn
Il vettore delle coordinate di f (v) rispetto a B è il vettore di R che ha come elemento i=1 aji xi alla
posizione j. Questa quantità è esattamente l’elemento alla posizione j di AX.