Appunti di Geometria e Algebra Lineare II

[Link]

a.a.2004-2005

i
Si ringraziano i [Link] Abbena e Gian Mario Gianella per avere fornito e consentito di
utilizzare il materiale relativo al loro corso di Geometria e Algebra Lineare II. Grazie anche per
i preziosi consigli e suggerimenti. Si ringraziano inoltre gli studenti per le utili osservazioni, le
correzioni e l’interesse dimostrato.
Ulteriori suggerimenti,osservazioni,correzioni,commenti sono graditi. Scrivere a :
[Link]@[Link]

ii
Indice

1 Algebra 3
1.1 Generalità sui gruppi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 La tavola di moltiplicazione di un gruppo finito . . . . . . . . . . . . . . . . . . 7
1.3 Sottogruppi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Omomorfismi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Gruppo quoziente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Azioni di gruppi su insiemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Endomorfismi semplici e diagonalizzazione 19

2.1 Richiami sui criteri di diagonalizzazione . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Diagonalizzazione simultanea . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3 Forme lineari - Dualità 31

3.1 Lo spazio duale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Cambiamento di base in V ∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Spazio biduale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Prodotti tensoriali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.1 Definizione alternativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4.2 Proprietà . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.3 I tensori T p,q (V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5 Notazione di Einstein . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4 Forme bilineari e forme quadratiche 47

4.1 Forme bilineari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Matrice di una forma bilineare . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Forme bilineari simmetriche e forme quadratiche . . . . . . . . . . . . . . . . . 51
4.2.1 Rappresentazione di una forma quadratica in forma matriciale . . . . . 52
4.3 Forme canoniche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

i
 4.4 Il Teorema di Sylvester . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Studio del segno di una forma quadratica . . . . . . . . . . . . . . . . . . . . . 65
4.6 Altro metodo di riduzione a forma camonica . . . . . . . . . . . . . . . . . . . . 67
4.7 Riduzione simultanea a forma canonica . . . . . . . . . . . . . . . . . . . . . . . 69

5 Isometrie e similitudini 75
5.1 Isometrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.2 Similitudini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.3 Le isometrie del piano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6 Operatori unitari 83
6.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

7 Endomorfismi autoaggiunti 85
7.1 Definizione e proprietà. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.2 Matrici di endomorfismi autoaggiunti e Teorema di diagonalizzazione . . . . . . 86
7.3 Operatori aggiunti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

8 Gruppi di matrici 91
8.1 Caso reale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8.2 Caso complesso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

9 Addenda 97
9.0.1 Piani iperbolici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
9.0.2 Componenti del gruppo di Lorenz . . . . . . . . . . . . . . . . . . . . . 98

1
2
Capitolo 1

Algebra

1.1 Generalità sui gruppi

Definizione 1.1. Un gruppo G è un insieme in cui è assegnata una regola (detta legge di
composizione ) che permette di associare ad ogni coppia di elementi x, y di G un terzo elemento
di G denotato con x ◦ y e avente le seguenti proprietà

GR1. (Proprietà associativa) Comunque si prendano x, y, z in G si ha

(x ◦ y) ◦ z = x ◦ (y ◦ z).

GR2. (Elemento neutro) In G esiste un elemento e tale che, per ogni x in G, si abbia

e ◦ x = x ◦ e = x.

GR3. (Elemento inverso) Per ogni elemento x di G esiste un elemento x∗ di G tale che

x ◦ x∗ = x∗ ◦ x = e.

Questo elemento è detto inverso di x ed è unico: se esiste un altro elemento x∗∗ tale che
x∗∗ ◦ x = x ◦ x∗∗ = e, allora x∗ = x∗∗ .
Di solito si chiama la composizione moltiplicazione e si scrive · (o niente) per la composizione
◦ e 1 per l’elemento neutro e. L’elemento invero in questo caso si indica con x−1 .

Esempi 1.2. Semplici esempi di gruppi sono :

a) Z : i numeri interi, rispetto all’addizione;

b) R : i numeri reali, rispetto all’addizione;

3
 c) R∗ : i numeri reali non nulli, rispetto alla moltiplicazione;

d) C, C∗ : i numeri complessi e complessi non nulli, rispetto all’addizione e alla moltipli-

cazione rispettivamente.

e) Mn (R) (Mn (C)) : l’insieme delle matrici reali (complesse) quadrate di ordine n, rispetto
all’addizione tra matrici.

f) L’insieme dei vettori di Rn è un gruppo rispetto alla somma di vettori. Più in generale
ogni spazio vettoriale V su un campo K è un gruppo rispetto alla somma di vettori.

Tutti questi gruppi godono in realtà di una proprietà ulteriore: sono gruppi abeliani o com-
mutativi, gruppi cioè in cui la legge di composizione è commutativa : x ◦ y = y ◦ x, per ogni
x, y ∈ G. Spesso per i gruppi commutativi la composizione viene detta addizione e si indica
con +. In questo caso l’elemento neutro si scrive 0.
Ecco un piccolo dizionario:
molt. add.
x◦y xy x+y
x∗ x −1 −x
x ◦ x ◦ · · · ◦ x(n volte ) xn nx

Esempi 1.3. Esempi fondamentali di gruppi non abeliani sono i seguenti gruppi di matrici:

GL(n, R) (GL(n, C)) : l’insieme delle matrici reali (complesse) invertibili di ordine n.
SL(n, R) (SL(n, C)) : l’insieme delle matrici reali (complesse) invertibili di ordine n con de-
terminante uno.
O(n, R) = {A ∈ GL(n, R) : A tA = I}, insieme delle matrici ortogonali.
SO(n, R) = {A ∈ O(n, R) : det A = 1}, insieme delle matrici ortogonali speciali.
Per tutti questi insiemi si considera come operazione di gruppo il prodotto tra matrici.

Esempi 1.4. Altri esempi di gruppi non abeliani che vengono dalla geometria:

a) Le isometrie del piano(Cfr. Cap.5) Una isometria del piano R2 è un’applicazione A :

R2 → R2 che rispetta l’usuale distanza d(P, Q) di punti P, Q ∈ R2 , cioè d(A(P ), A(Q)) =
d(P, Q) per ogni P, Q ∈ R2 . Consideriamo le isometrie che fissano l’origine:

O2 (R) := {A : A è una isometria che fissa l’origine O}.

Si dimostra che le isometrie di questo tipo sono le rotazioni di centro l’origine e le ri-
flessioni rispetto a rette passanti per l’[Link] particolare, gli elementi di O2 (R) sono
[Link] l’inverso di una isometria che fissa O è una isometria che fissa O. Quindi
O2 (R) è un gruppo con la composizione.

4
 b) D4 : l’insieme delle isometrie di O2 (R) che trasformano il quadrato con centro nell’origine
e un vertice in (1, 0) in se stesso. Si vede che gli elementi di D4 sono otto e precisamente:
le quattro rotazioni di angolo π/2, le due riflessioni rispetto alle diagonali e le due
riflessioni rispetto alle rette per l’origine e per il punto medio di un lato. In generale
si possono definire i gruppi diedrali Dn per l’n−agono regolare con centro nell’origine e
un vertice in (1, 0).

c) Il gruppo di Rubik. Si può costruire in modo naturale un gruppo R a partire dai

movimenti delle facce del cubo di Rubik. Gli elementi del gruppo sono i movimenti
che si possono fare ruotando le facce. La composizione rs di due movimenti significa
”prima fare s e poi r ”. Si può dimostrare che il gruppo R ha 227 · 314 · 53 · 72 · 11 =
43252003274489856000 elementi. (Per curiosità si può dare un’occhiata ad esempio al
sito http : //[Link]/ logar/duek2/index [Link] )

Vediamo un altro esempio fondamentale di gruppo non abeliano.

Esempio 1.5. Gruppi di mappe: il gruppo simmetrico Sn . Se X è un insieme, l’insieme S(X)

delle applicazioni biiettive di X in X con la legge di composizione che associa a f, g ∈ S(X)
l’elemento f ◦ g definito da
(f ◦ g)(x) = f (g(x)),

è un gruppo con elemento neutro l’applicazione identità.

Se X è l’insieme {1, 2, . . . , n}, scriviamo Sn per S(X). Gli elementi di Sn , che viene detto
gruppo simmetrico, si chiamano permutazioni dell’insieme {1, 2, . . . , n}. Si dimostra che Sn ha
n! elementi.
Una notazione efficiente per esprimere gli elementi di Sn è la seguente. Prendiamo ad esempio
n = 4 e consideriamo la biiezione σ data da
1 7→ 2 2 7→ 3
3 7→ 1 4 →7 4

Possiamo scrivere  
1 2 3 4
2 3 1 4
Si può anche scrivere come σ = (123) o anche σ = (231). Si dice che σ è un ciclo. La
permutazione τ data da
1 7→ 2 2 7→ 1
3 7→ 4 4 7→ 3
invece si può scrivere come τ = (12)(34). La permutazione τ è un prodotto di cicli disgiunti.
Si dimostra che ogni permutazione è un prodotto di cicli disgiunti (in modo unico a meno
dell’ordine).

5
Esercizio 1.6. Scrivere gli elementi di S3 . Trovare due permutazioni σ, τ tali che στ 6= τ σ.
Dimostrare che S3 può essere realizzato come gruppo delle simmetrie di un triangolo equilatero
e cioè D3 (cfr. Esempio 1.4 b).(Sugg. Se si numerano i vertici del triangolo...) Si ha lo stesso
risultato per S4 e D4 ? Perché?

Esempio 1.7. Il gruppo Z/nZ delle classi resto modulo n. Sia n ∈ Z un intero positivo. Per
k ∈ Z, con 0 ≤ k < n, definiamo

Rk := {a ∈ Z : k è il resto della divisione di a per n.}

Se a ∈ Rk , si dice che Rk è la classe di congruenza modulo n di a e scriviamo anche ā per

indicare la classe di a. Per a, b ∈ Z si ha che ā = b̄ se e soltanto se a e b hanno lo stesso
resto della divisione per n e questo è equivalente a dire che n divide a − b. In tal caso si dice
che a è congruente a b modulo n. Si dice anche che a è uguale a b modulo n e si scrive
a ≡ b(modn). Definiamo

Z/nZ = {ā : a ∈ Z}
Quindi gli elementi di Z/nZ sono sottoinsiemi di Z. Ad esempio per n = 4 abbiamo

0̄ = {0, 4, −4, 8, −8, ...}

1̄ = {1, 5, −3, 9, −7, ...}
2̄ = {2, 6, −2, 10, −6, ...}
3̄ = {3, 7, −1, 11, −5, ...}

Possiamo definire su Z/nZ una struttura di gruppo additivo in questo modo

ā + b̄ = a + b.

Questa definizione non dipende dalla scelta di a e di b, ma soltanto dalle classi di ā e b̄; infatti
se prendiamo a0 e b0 tali che ā = ā0 e b̄ = b̄0 , allora a0 − a e b0 − b sono divisibili per n e
quindi anche (a0 + b0 ) − (a + b) è divisibilie per n, da cui a0 + b0 = a + b. Da ciò segue che
il risultato a + b non dipende dalla scelta dei rappresentanti delle classi ā e b̄. Si dimostra
facilmente l’associatività, l’elemento neutro è la classe 0̄ e l’inverso della classe ā è −a. Inoltre
il gruppo è abeliano.
Da ora in poi useremo la notazione moltiplicativa xy per la legge di composizione.

Osservazione 1.8. (Legge di cancellazione) In un gruppo valgono le seguenti proprietà

ag = ah implica g = h,
ga = ha implica g = h.

6
1.2 La tavola di moltiplicazione di un gruppo finito
Se G è un gruppo finito e ha n elementi scriviamo #G = n e diciamo che G ha ordine n.
Un gruppo G si può descrivere elencando tutti i possibili prodotti xi xj al variare di xi , xj ∈ G.
Se il gruppo G ha un numero finito di elementi ciò può essere fatto effettivamente costruendo
la tavola di moltiplicazione di G, ossia una tabella in cui l’elemento che appare nella i−esima
riga e nella j − esima colonna corrisponde al prodotto xi xj . Con la convenzione che x1 = e
elemento neutro, abbiamo
e x2 x3 ..
x2 (x2 )2 x2 x3 ...
x3 x3 x2 (x3 )2 ...
.. .. .. ..
.. .. .. ..

Utilizzando la tavola di moltiplicazione possiamo capire ad esempio come sono fatti i gruppi
con due elementi. Se G = {e, a}, l’unica possibilità per la tavola di moltiplicazione è

e a
a e

e ciò vuol dire che esiste un solo gruppo con due elementi del quale una possibile realizzazione è
Z/2Z = {0̄, 1̄} oppure anche {1, −1} con la moltiplicazione. Allo stesso modo si può dimostrare
che esiste un solo gruppo con tre elementi, del quale una possibile realizzazione è Z/3Z. Un’altra
possibile realizzazione è il gruppo T3 delle rotazioni di un triangolo equilatero: indicando con ρ
la rotazione in senso antiorario di π/3 si ha T3 = {id, ρ, ρ2 }. La tavola moltiplicativa di questo
gruppo è
e a a2
a a2 e
a2 e a

In generale, per ogni n ∈ N c’è sempre almeno un gruppo con n elementi: Cn = {e, a, a2 , . . . , an−1 },
con tavola moltiplicativa data da

e a a2 .. .. an−1
a a2 .. .. an−1 e
.. .. .. .. .. ..
an−1 e a .. .. an−2

Questo gruppo si chiama gruppo ciclico con n elementi e una sua possibile realizzazione è
Z/nZ.

Esempio 1.9. Si dimostra che esistono due gruppi con quattro elementi. Il primo è C4 =
{1, a, a2 , a3 .}, il secondo è il gruppo di Klein {1, a, b, } che ha tavola moltiplicativa

7
 1 a b c
a 1 c b
b c 1 a
c b a 1

Notiamo che ogni elemento è inverso di se stesso. Una realizzazione di questo gruppo è il
gruppo delle simmetrie del piano cartesiano rispetto agli assi e rispetto all’origine, con legge di
composizione la composizione di simmetrie.

1.3 Sottogruppi

Definizione 1.10. Sia G un gruppo, un sottoinsieme H di G si dice un sottogruppo di G se

soddisfa le seguenti proprietà

SG1. (Chiusura) Se x ∈ H e y ∈ H, allora xy ∈ H.

SG2. (Identità) e ∈ H.

SG3. (Inverso) Se x ∈ H, allora x−1 ∈ H.

Quindi un sottoinsieme di un gruppo G è un sottogruppo se è esso stesso un gruppo rispetto

alla stessa legge di composizione di G.
Ogni gruppo G ha due sottogruppi banali: {e} e G stesso, tutti gli altri sono detti sottogruppi
propri. Sussiste il seguente importante teorema che riguarda i gruppi finiti.

Teorema 1.11. (Teorema di Lagrange) Se G un gruppo finito e H un suo sottogruppo, allora

#H divide #G.

Esempi 1.12.

a) L’insieme aZ di tutti i multipli interi di un intero a assegnato è un sottogruppo del

gruppo additivo degli interi. Infatti, se x = an, by = am ∈ aZ, allora x + y = a(n + m) ∈
Z. Inoltre l’elemento neutro 0 si può scrivere come a · 0 e per ogni x = an ∈ aZ abbiamo
−x = a · (−n) ∈ aZ. In particolare, l’insieme dei numeri pari è un sottogruppo di Z.
L’insieme dei numeri dispari invece non è un sottogruppo perché non contiene l’elemento
neutro e cioè lo zero.
Si può dimostrare che tutti i sottogruppi di Z sono fatti in questo modo.

b) Il sottoinsieme R>0 dei numeri reali positivi è un sottogruppo di R∗ . Il sottoinsieme dei

numeri reali negativi non è un sottogruppo. (Dimostrare per esercizio).

8
c) Un sottospazio vettoriale di uno spazio vettoriale V è un sottogruppo di V. (Dimostrare
per esercizio).

d) Il gruppo SL(n, R) = {A ∈ GL(n, R) : det A = 1} è un sottogruppo di GL(n, R).

Infatti, se A, B ∈ SL(n, R), anche AB ∈ SL(n, R), perché det(AB) = det(A) det(B) =
1. Inoltre l’elemento neutro I ∈ SL(n, R) e per ogni A ∈ SL(n, R) si ha A−1 ∈ SL(n, R)
perché det(A−1 ) = (det A)−1 .

e) L’insieme T delle matrici 2 × 2 triangolari superiori invertibili

 
a b
a, d 6= 0
0 d

è un sottogruppo del gruppo GL(2, R). Infatti se

   
a b e f
A= , B= ∈T
0 d 0 g

anche  
ae af + bg
AB = ∈ T.
0 dg

Inoltre I ∈ T e per ogni

   
a b 1 d −b
A= anche A−1 = A = ∈ T.
0 d ad 0 a

f) Sia n un intero positivo e k ∈ {1, 2, . . . , n}. Il sottoinsieme H di Sn che fissa un elemento

H = {σ ∈ Sn : σ(k) = k.}

è un sottogruppo. Infatti, supponendo per semplicità di notazione che k = n, se σ, τ ∈

Sn ∈ H hanno la forma
   
1 2 ... n 1 2 ... n
σ= τ=
σ(1) σ(2) ... n τ (1) τ (2) ... n

allora si ha  
1 2 ... n
τ ◦σ = ∈ H.
τ (σ(1)) τ (σ(2)) ... n

D’altra parte l’elemento neutro id ∈ H. Inoltre per ogni σ ∈ H si ha σ −1 ∈ H, perché

per definizione di applicazione inversa deve essere σ −1 ◦ σ = id e quindi σ −1 (σ(n)) = n,
da cui σ −1 (n) = n.

g) Il sottoinsieme H delle rotazioni di D4 è un sottogruppo. (Dimostrare per esercizio).

9
1.4 Omomorfismi
Vediamo adesso come possiamo confrontare tra loro gruppi diversi o meglio, come possiamo
confrontare le loro strutture algebriche.
Ricordiamo che un’applicazione f : X → Y tra due insiemi si dice iniettiva se non ci sono due
elementi di X diversi che hanno la stessa immagine in Y. Si dice suriettiva se ogni elemento
di Y proviene tramite f da un elemento di X e cioè se l’immagine di f è uguale a Y.
Un’applicazione è una biiezione se è iniettiva e suriettiva.

Definizione 1.13. Siano G, G0 due gruppi. Un omomorfismo f : G → G0 è un’applicazione

che soddisfa la seguente proprietà :

f (ab) = f (a)f (b), ∀a, b ∈ G

Un omomorfismo che è una biiezione si dice un isomorfismo. Se due gruppi G e H sono isomorfi
scriveremo G ∼ = H. Un omomorfismo di un gruppo G in se stesso si dice endomorfismo. Un
endomorfismo biiettivo si dice un automorfismo. Un utile criterio di iniettività per gli omomor-
fismi, del tutto analogo a quello per le applicazioni lineari, sarà dato nell’Esercizio 1.16.
Osserviamo che per semplicità abbiamo usato la notazione moltiplicativa sia per la legge di
composizione di G che per quella di G0 , ma potrebbero verificarsi casi in cui la legge di
composizione non è di tipo moltiplicativo in uno o in entrambi i gruppi G, G0 , come succede
ad esempio negli omomorfismi a),e) e f) qui di seguito.
Le seguenti applicazioni sono omomorfismi:

a) Se G è un gruppo e g ∈ G, l’applicazione f : Z → G definita da n 7→ g n .

b) Sia G = G0 = R∗ . La funzione f : R∗ → R∗ definita da x 7→ x2 è un endomorfismo.

c) L’applicazione determinante det : GL(n, R) → R∗ .

d) L’inclusione i : H → G di un sottogruppo H in un gruppo G definita da i(x) = x.

e) Le applicazioni lineari tra spazi vettoriali.

f) La funzione f : R>0 → R data da f (x) = log x. Infatti

log(xy) = log(x) + log(y).

L’applicazione inversa è data da y 7→ ey . Dunque f è un isomorfismo e i gruppi R>0 , con la

moltiplicazione, e R, con l’addizione, sono isomorfi.
Possiamo pensare due gruppi isomorfi come due realizzazioni dello stesso gruppo.

Esercizio 1.14. Nell’Esercizio 1.6 abbiamo già accennato al fatto che S3 e D3 sono isomorfi.
Costruire un isomorfismo esplicito.

10
Proposizione 1.15. Gli omomorfismi portano l’elemento neutro nell’elemento neutro e gli
inversi negli inversi. In altre parole, se Gè un gruppo con elemento neutro e, G0 è un gruppo
con elemento neutro e0 e f : G → G0 è un omomorfismo, allora f (e) = e0 e f (a−1 ) = f (a)−1 .

Ogni omomorfismo tra due gruppi individua due sottogruppi notevoli: l’immagine e il nu-
cleo. Dati due gruppi G, G0 , con elementi neutri e, e0 e dato un omomorfismo f : G → G0 ,
l’immagine f (G) è il sottoinsieme di G0 definito da

f (G) := {f (g) : g ∈ G}

ed è un sottogruppo di G0 . Il nucleo (in inglese: kernel) ker(f ) è il sottoinsieme di G definito

da
ker(f ) := {g ∈ G : f (g) = e0 }
ed è un sottogruppo di G. Infatti, se g1 , g2 appartengono a ker(f ), si ha

f (g1 · g2 ) = f (g1 ) · f (g2 ) = e0

da cui concludiamo che g1 · g2 appartiene al ker(f ). Le proprietà SG2 e SG3 sono verificate
per la Prop.1.15.
Esercizio 1.16. Dimostrare che un omomorfismo f di gruppi è iniettivo se e solo se ker(f ) =
{e}.

1.5 Gruppo quoziente

La costruzione del gruppo quoziente è una generalizzazione di quella del gruppo Z/nZ delle
classi resto modulo n.
Definizione 1.17. Si H un sottogruppo di un gruppo G e sia g ∈ G. L’insieme

gH = {gh : h ∈ H}
si dice una classe laterale sinistra di H e

Hg = {hg : h ∈ H}

si dice una classe laterale destra di H. Si indica con G/H l’insieme delle classi laterali si-
nistre e con H/G l’insieme delle classi laterali destre. Se G è abeliano gH = Hg e si parla
semplicemente di classe laterale di H.
Si noti che il sottogruppo H è esso stesso una classe laterale, poiché H = eH.
Esempi 1.18. a) Prendiamo G = R∗ e H = R>0 . Se a ∈ R∗ è positivo, allora la classe
laterale aR>0 è proprio R>0 , se invece a < 0 la classe aR∗ è R<0 . Sono classi sia destre
che sinistre perché R∗ è commutativo. Ci sono solo due classi laterali.

11
 b) Sia G = R2 e sia v 6= 0 un vettore in G. Il sottoinsieme di G definito da

H = {λv : λ ∈ R}

è un sottogruppo ed è una retta per l’origine. Sia w ∈ G, la classe laterale di H è

w + H = {w + λv : λ ∈ R}

ed è una retta parallela a H. Ricordiamo infatti che l’equazione parametrica di una retta
passante per un punto (x0 , y0 ) di R2 e parallela al vettore v = (vx , vy ) è
(
x − x0 = λvx
y − y0 = λvy

Basta porre allora w = (x − x0 , y − y0 ). Quindi le classi laterali di H sono esattamente

le rette in R2 parallele a H.

Osservazione 1.19. Si può dimostrare che due classi laterali o sono disgiunte o coincidono.

Vale il seguente

Teorema 1.20. Sia H un sottogruppo di G e siano a, b ∈ G. Allora aH = bH se e solo se

a−1 b ∈ H. Inoltre ogni x ∈ G è contenuto in una classe laterale sinistra aH di G.

Definizione 1.21. Se H è un sottogruppo, l’indice [G : H] è il numero delle classi laterali

sinistre di H.

Definizione 1.22. Sia G un gruppo. Un sottogruppo H di G si dice normale in G se

ghg −1 ∈ H per ogni h ∈ H e per ogni g ∈ G

Esempi 1.23. i) Ogni gruppo ha i sottogruppi normali non banali {e} e G.

ii) Tutti i sottogruppi di un gruppo abeliano sono normali. Infatti, per la commutatività
dell’opreazione di G si ha ghg −1 = h.

iii) Il nucleo di un omomorfismo è un sottogruppo normale. Infatti se a ∈ ker f, allora

f (a) = e. Prendiamo ora un elemento qualsiasi b ∈ G, si ha:

f (bab−1 ) = f (b)f (a)f (b−1 ) = f (b)ef (b)−1 = e

e quindi bab−1 ∈ ker f.

12
 iv) I sottogruppi di un gruppo non abeliano non sono necessariamente normali. Ad esempio
il sottogruppo T delle matrici triangolari superiori invertibili non è normale in GL(2, R).
Infatti date A = ( 10 11 ) ∈ T e B = ( 01 10 ) ∈ GL(2, R), si ha
 
−1 1 0
BAB = ∈
/ T.
1 1

Osservazione 1.24. Nell’esempio ii) precedente abbiamo visto che se un gruppo è abeliano
tutti i suoi sottogruppi sono normali perché ghg −1 = h. Se G non è abeliano e H è normale
in G abbiamo che ghg −1 = h0 ∈ H con h0 6= h. Quindi si ha

gh = h0 g

il che fa vedere che la normalità è una condizione simile a quella di commutatività, per quanto,
ovviamente, più debole.

Teorema 1.25. (Definizioni alternative di sottogruppo normale). Sia G un gruppo e H un

sottogruppo. Le seguenti affermazioni sono equivalenti:

i) H è un sottogruppo normale in G.

ii) gH = Hg per ogni g ∈ G.

iii) gHg −1 = H per ogni g ∈ G.

Ora faremo vedere che è possibile definire una legge di composizione tra le classi laterali di un
sottogruppo normale N di un qualsiasi gruppo G (dato che N è normale, non c’è differenza
tra classi laterali sinistre e destre). In questo modo daremo una struttura di gruppo all’insieme
delle classi laterali
G/N = {gN, g ∈ G}

e lo chiameremo gruppo quoziente.

Scriviamo ḡ per gN. Definiamo la legge di composizione in questo modo

ā b̄ = ab per a, b ∈ G.

A priori questa definizione potrebbe dipendere dalla scelta dei rappresentanti a e b delle classi
ā e b̄. Potrebbe cioè succedere che esistano due elementi a0 , b0 in G con ā0 = ā e b̄0 = b̄ ma
con ab 6= a0 b0 .
In realtà non è cosı̀ e ora lo verifichiamo. Prendiamo a0 tale che ā0 = ā e b0 tale che b̄0 = b̄.
Vogliamo dimostrare che
ab = a0 b0 .

13
Dire che ā0 = ā significa che a0 N = aN e quindi, per il Teorema 1.20, che a0 = an1 , analoga-
mente b0 = bn2 per certi n1 , n2 in N. Allora

a0 b0 = an1 bn2 = ab(b−1 n1 b)n2

ma n2 e b−1 n1 b sono in N e quindi anche il loro prodotto appartiene a N 1 da cui a0 b0 ∈ abN

e quindi
a0 b0 = ab.

Con questa legge di composizione G/N diventa un gruppo: l’associatività segue da quella di
G, l’elemento neutro è ē = N e l’inverso di ā è la classe a−1 . Se G/N è finito il suo ordine è
il numero delle classi laterali di N e cioè l’indice [G : N ].

Definizione 1.26. L’applicazione π : G → G/N definita da π(g) = ḡ è un omomorfismo e

viene chiamata applicazione canonica.

Esempi 1.27.

i) Sia G = R∗ . Il sottogruppo N = R>0 è normale di indice 2. Il gruppo quoziente ha due

elementi : R>0 e R<0 . Per calcolare i prodotti nel gruppo quoziente basta guardare alla
definizione. Date le classi ā = aN, b̄ = bN si prendono i rappresentanti a, b, si calcola il
prodotto ab in G e poi si prende la classe ab ¯ modulo N. Ad esempio

R<0 · R<0 = R>0

dato che il prodotto di due numeri negativi è positivo.

ii) Sia G = Z e N = nZ. Dato che Z è abeliano, il sottogruppo N è normale. Le classi

laterali di N sono
a + nZ = {a + nk : k ∈ Z}.
Il gruppo quoziente G/N coincide con il gruppo delle classi resto modulo n dell’Esempio
1.7.

Enunciamo adesso il risultato che dà un metodo fondamentale per identificare i gruppi quoziente.

Teorema 1.28. (Primo teorema di isomorfismo) Sia f : G → G0 un omomorfismo suriettivo

di gruppi e sia N = ker f. Allora G/N è isomorfo a G0 mediante l’applicazione f¯ che manda
la classe laterale ā = aN in f (a):
1
Alternativamente,seguendo quanto detto nell’Osservazione 1.24: ab(b−1 n1 b)n2 = ab(b−1 bn01 )n2 = abn01 n2 ∈
abN.

14
 f¯(ā) = f (a).

Quindi (f¯ ◦ π)(a) = f (a). Si dice anche che il diagramma

f
G / 0
uu: G
= uuu
∼
π
uuu
 uu f¯
G/ ker(f )
commuta.

Osservazione 1.29. Se abbiamo un omomorfismo f : G → G0 di gruppi, si può applicare il

teorema precedente all’omomorfismo suriettivo f 0 : G → im(f ) e concludere che

G/ ker(f ) ∼
= im(f ).

Esempio 1.30. Consideriamo l’omomorfismo suriettivo dato dal determinante

det : GL(n, R) → R∗

il cui nucleo è il gruppo speciale lineare SL(n, R). Applicando il risultato precedente si ha che
il gruppo quoziente GL(n, R)/SL(n, R) è isomorfo a R∗ .

Esempio 1.31. Sia G = R e N = Z. Dato che R è abeliano, il sottogruppo N è normale. Il

gruppo quoziente R/Z ”è ” una circonferenza, vediamo in che modo. Introduciamo innanzitutto
il sottogruppo S = {z ∈ C∗ : z z̄ = 1} di C∗ . Scrivendo z = a + bi con a, b ∈ R, abbiamo

S = {a + bi : a, b ∈ R e a2 + b2 = 1}
e quindi gli elementi di S stanno sulla circonferenza unitaria. L’applicazione f : R → S definita
da
f (θ) = cos(2πθ) + i sin(2πθ)
è un omomorfismo. Inoltre è noto che per ogni a, b ∈ R con a2 + b2 = 1 esiste θ ∈ R tale che
a = cos(2πθ) e b = sin(2πθ). L’applicazione è quindi suriettiva e il suo nucleo è

ker(f ) = {θ ∈ R : cos(2πθ) = 1 e sin(2πθ) = 0},

da cui ker(f ) = Z. Applicando il risultato precedente abbiamo

R/Z ∼
= S,

cioè il gruppo quoziente R/Z ”é” una circonferenza.

15
1.6 Azioni di gruppi su insiemi
Nei paragrafi precedenti abbiamo introdotto il gruppo simmetrico Sn delle permutazioni di un
insieme X con n elementi. Abbiamo anche visto i gruppi diedrali Dn delle isometrie degli
n−agoni regolari del piano. In entrambi i casi i gruppi considerati ”agiscono” sull’insieme X o
sull’insieme {1, . . . , n} dei vertici dell’n−agono come gruppi di trasformazioni. Vediamo come
questa situazione può essere generalizzata.

Definizione 1.32. Sia G un gruppo e X un insieme. Si dice che G agisce su X se per ogni
g ∈ G è data un’applicazione biunivoca

tg : X −→ X
x 7−→ tg x
tale che

1) Per ogni g1 , g2 ∈ G la trasformazione associata a g1 ·g2 sia il prodotto delle trasformazioni

tg1 ◦ tg2 .

2) La trasformazione associata all’elemento neutro e di G sia l’identità id : X → .X

3) La trasformazione associata a g −1 in G sia l’inversa dell’applicazione associata a G.

Se X = V spazio vettoriale si parla di azione lineare o di rappresentazione di G su V.

Esempi 1.33.

a) L’esempio più semplice è dato da G = Sn (X) perché, data σ ∈ G, abbiamo tσ = σ.

b) Se G è un gruppo e prendiamo X = G abbiamo l’azione ovvia di G in se stesso data

dalla legge di composizione
tg : G −→ G
x 7−→ gx.

c) Sia X = R2 e G = GL(2, R) con l’azione data, per ogni elemento A ∈ G, da:

tA : G −→ G
x 7−→ Ax.

 
x1
dove x è un vettore colonna di R2 .
x2
Questa è un’azione in quanto per ogni A, B ∈ G e per ogni x ∈ X, si ha tAB (x) =
(AB)x = A(Bx) = (tA ◦ tB )(x). Inoltre tI = id e tA−1 = A−1 = (tA )−1 .

16
 d) Sia X = Sym(n, R) = {A ∈ GL(n, R) : tA = A} l’insieme delle matrici simmetriche reali
di ordine n e G = GL(n, R) con l’azione data da:

tA : X −→ X
M 7−→ AM A−1 .

Questa è un’azione perché per ogni A, B ∈ GL(n, R) e per ogni M ∈ X si ha tAB =

ABM (AB)−1 = ABM B −1 A−1 = (tA ◦ tB )(M ). Inoltre tI = id e tA−1 (X) = A−1 XA =
(tA )−1 .

Per non appesantire la notazione in genere si preferisce denotare con g anche la trasformazione
dell’insieme X associata all’elemento g

g : X −→ X
x 7−→ gx.

Definizione 1.34. Se G è un gruppo che agisce su X si dice orbita di un elemento x ∈ X

rispetto all’azione di G l’insieme

Cx = {y ∈ X : y = gx, al variare di g ∈ G}.

Osserviamo che se y ∈ Cx allora Cy = Cx . Inoltre si può dimostrare che due orbite se non
coincidono sono disgiunte.
Nell’esempio d) precedente l’orbita di un elemento M ∈ Sym(n, R) è costituita da tutte le
matrici simili a M. In ogni orbita c’è almeno una matrice diagonale che è la matrice che ha
sulla diagonale gli autovalori di M. Infatti sappiamo che tutte le matrici reali simmetriche
sono diagonalizzabili ([Link]-Valabrega Vol.1 Cap.8 Par.5 o anche Teorema 7.9. nel capitolo
sugli endomorfismi autoaggiunti).

17
18
Capitolo 2

Endomorfismi semplici e
diagonalizzazione

In tutto il capitolo gli spazi vettoriali considerati saranno spazi vettoriali su un campo K
(K = R o K = C.)

2.1 Richiami sui criteri di diagonalizzazione

Richiamiamo nozioni e risultati fondamentali riguardanti endomorfismi semplici e criteri di
diagonalizzazione. Per dettagli e dimostrazioni si fa riferimento al testo ”Lezioni di algebra
lineare e geometria”, Vol.I Algebra Lineare, [Link] e [Link].

Definizione 2.1. Sia V uno spazio vettoriale su K e sia f : V −→ V un endomorfismo di V

(lo chiameremo anche operatore lineare). Un elemento λ ∈ K è un autovalore di f se esiste un
vettore v, (v 6= 0) tale che
f (v) = λv.
Il vettore v si dirà autovettore di autovalore λ.

Questa definizione può essere data sia nel caso che V abbia dimensione finita che infinita. In
tutto quello che segue, invece, supporremo che lo spazio V abbia dimensione finita n.
Sia f : V −→ V un endomorfismo e sia A la matrice associata a f rispetto a una base
prescelta. Gli autovalori di f sono le radici del polinomio caratteristico

det(A − λI)

che sono in K. 1
1
Nel caso in cui V abbia dimensione infinita non ha senso considerare il determinante di una matrice infinita.
Per trovare autovalori ed autovettori in questi casi bisogna usare tecniche di tutt’altro tipo.

19
L’equazione caratteristica det(A − λI) = 0 è un’equazione di grado n =dimV . Ricordiamo
che due matrici associate allo stesso endomorfismo rispetto a due basi diverse hanno lo stesso
polinomio caratteristico.
Dato un autovalore λ l’insieme dei vettori di autovalore λ è un sottospazio di V, detto au-
tospazio, che denotiamo con Vλ . Per trovare l’autospazio Vλ associato all’autovalore λ basta
calcolare la matrice A − λI e risolvere il sistema lineare omogeneo

(A − λI)X = 0.

Le soluzioni trovate danno i vettori di Vλ rispetto alla base scelta.

Definizione 2.2. La molteplicità algebrica di un autovalore λ è la sua molteplicità come

soluzione dell’equazione caratteristica.

Si hanno i fondamentali

Teorema 2.3. Siano λ1 , . . . , λm ∈ K degli autovalori a due a due distinti. dell’endomorfismo

f : V −→ V e siano v1 ∈ Vλ1 , . . . , vm ∈ Vλm degli autovettori non [Link] v1 , . . . , vm sono
linearmente indipendenti.

Teorema 2.4. Sia f : V −→ V un endomorfismo e sia λ un autovalore di molteplicità

m. Allora si ha
1 ≤ dim Vλ ≤ m.

Definizione 2.5. La molteplicità geometrica di un autovalore λ è la dimensione dell’autospazio

Vλ .

Definizione 2.6. Un endomorfismo f : V −→ V di uno spazio vettoriale V su K si dice

semplice (o diagonalizzabile) se esiste una base di V formata da autovettori di f. Ciò equivale
a dire che esiste una base di V tale che la matrice associata a f rispatto a questa base è
diagonale.

Teorema 2.7. (Teorema della decomposizione spettrale) Siano V uno spazio vettoriale su K
di dimensione finita e f : V −→ V un endomorfismo semplice con autovalori λ1 , λ2 , . . . , λr e
con autospazi Vλ1 , Vλ2 , . . . , Vλr , r ≤ n. Allora si può decomporre V nella somma diretta dei
suoi autospazi, ossia:
V = Vλ1 ⊕ Vλ2 ⊕ · · · ⊕ Vλr .

Teorema 2.8. (Criterio di semplicità) Sia V un K-spazio vettoriale e sia f : V −→ V un

[Link] f è semplice se e solo se sono verificate le seguenti condizioni:

i) le radici del polinomio caratteristico sono tutte in K;

20
 ii) per ogni autovalore λ la molteplicità algebrica è uguale a quella geometrica.

Esercizio 2.9. Dimostrare che in uno spazio vettoriale reale di dimensione dispari tutti gli
endomorfismi hanno almeno un autovalore reale.

Definizione 2.10. Una matrice quadrata A si dice diagonalizzabile se è simile a una matrice
diagonale, cioè se esiste una matrice invertibile P tale che P −1 AP sia diagonale.

Diagonalizzare una matrice A vuol dire trovare (se esiste) una matrice invertibile P tale che
P −1 AP sia diagonale. Si ha il seguente
Teorema 2.11. Sia A una matrice quadrata di ordine n sul campo K. Sia V un K-spazio
vettoriale di dimensione n e f : V −→ V l’endomorfismo di V associato a f rispetto a una
base E di V. Allora si ha che

i) A è diagonalizzabile se e solo se f è semplice;

ii) Se F è una base di V formata da autovettori di f e P è la matrice del cambiamento di
base da E a F, allora D = P −1 AP è [Link] sulla diagonale di D compaiono
gli autovalori di f, ognuno con la sua molteplicità.

Alla luce di questo risultato si ha che il Teorema4.31 è un criterio di diagonalizzazione.

Corollario 2.12. Se una matrice di ordine n ha n autovalori distinti, allora è diagonalizzabile.

Il viceversa è falso, cioè una matrice può essere diagonalizzabile anche se non ha autovalori
distinti, come si vede dal seguente
Esempio 2.13. Sia  
2 0
A=
0 2
allora det(A − λI) = (2 − λ)2 e quindi l’unico autovalore è 2. La matrice però è ovviamente
diagonalizzabile dato che è diagonale.
Osservazione 2.14. La semplicità di un endomorfismo dipende dal campo K. Ad esempio se
K = R può accadere che un endomorfismo di uno spazio V non abbia [Link] matrice
 
0 1
A=
−1 0

ha polinomio caratteristico X 2 + 1. Questo polinomio non ha radici reali e quindi la matrice

A non ha nè autovalori nè autovettori in R2 . Se però pensiamo A come matrice complessa
abbiamo i due autovalori distinti λ = ±i e quindi A è diagonalizzabile in M2 (C) ed è simile
alla matrice  
i 0
.
0 −i

21
Un risultato fondamentale dell’algebra lineare che è stato citato nel corso di Geometria e Alge-
bra Lineare I, e che verrà dimostrato più vanti nel Capitolo sugli endomorfismi autoaggiunti, è
il seguente
Teorema 2.15. Una matrice simmetrica reale A è sempre diagonalizzabile. Inoltre, esiste una
matrice ortogonale P tale che tP AP sia diagonale. In altre parole, una matrice simmetrica si
può sempre diagonalizzare usando una matrice ortogonale.2 .

Esercizi risolti

[1] Dire se l’endomorfismo g : R3 −→ R3 definito dalla matrice

 
1 0 3
1 0 3
0 2 0
è semplice.

[Link] autovalori di f sono le radici dell’equazione

1−λ 0 3
1 −λ 3 = 0.
0 2 −λ
cioè
λ3 − λ2 − 6λ = 0.
Gli autovalori sono quindi
λ1 = −2, λ2 = 0, λ3 = 3.
L’endomorfismo è semplice perché ha tre autovalori distinti.

[2] Dire se l’endomorfismo g : R3 −→ R3 definito dalla matrice

 
1 −2 1
0 2 −1
0 −1 2

è semplice.

R. Gli autovalori di g sono le radici dell’equazione

1 − λ −2 1
0 2 − λ −1 = 0.
0 −1 2 − λ
2
Ricordiamo che una matrice P si dice ortogonale se tP = P −1

22
cioè
(1 − λ)(λ2 − 4λ + 3) = 0.
Gli autovalori sono 1, con molteplicità due, e 3. Studiamo l’autospazio relativo all’autovalore
1. Abbiamo

−2y + z = 0

y−z =0

−y + z = 0


L’autospazio cercato è {(x, 0, 0); x, y ∈ R} che ha dimensione uno. Possiamo già concludere
che l’endomorfismo non è semplice perché la molteplicità geometrica dell’autovalore 1 è minore
di quella algebrica.

[3] Dire se la matrice

 
1 −3 3
A = 3 −5 3
6 −6 4

è [Link] sı̀, trovare la matrice P tale che P −1 AP sia diagonale.

R. Gli autovalori dell’endomorfismo associato alla matrice A sono le radici dell’equazione

1−λ −3 3
3 −5 − λ 3 = 0.
6 −6 4−λ
cioè
(λ + 2)2 (λ − 4) = 0.

Gli autovalori sono −2, con molteplicità due, e 4. Studiamo gli autospazi relativi a tali
autovettori. Per l’autovalore −2 abbiamo

−3x + 3y − 3z = 0

−3x + 3y − 3z = 0 da cui x − y + z = 0 .

−6x + 6y − 6z = 0


L’autospazio cercato è {(t, u, u−t); t, u ∈ R} ha dimensione due e una sua base è {(0, 1, 1), (1, 0, −1)}.
Per l’autovalore 4 abbiamo 
−3x − 3y + 3z = 0

3x − 9y + 3z = 0

6x − 6y = 0.


23
L’autospazio cercato è {(t, t, 2t); t ∈ R} e una sua base è {(1,1,2)}. Quindi esiste una base di
autovettori per l’endomorfismo e la matrice è diagonalizzabile. La matrice P cercata ha per
colonne gli autovettori dell’endomorfismo associato ad A ed è
 
0 1 1
P = 1 0 1 
1 −1 2

2.2 Diagonalizzazione simultanea

Siano f, g, due endomorfismi semplici del K−spazio vettoriale V e siano A, B le matrici
associate a f, g rispetto a una base scelta. Si avrà allora che esistono due matrici invertibili
P, Q tali che
P −1 AP = D
Q−1 QB = D0
dove D, D0 sono matrici diagonali. Nella situazione generale le matrici P e Q sono diverse.
Ci chiediamo in quali condizioni P = Q. Prima di studiare il problema diamo la seguente
Definizione 2.16. Due endomorfismi semplici f e g di V si dicono simultaneamente diago-
nalizzabili se esiste una base di V i cui vettori sono sia autovettori di f sia autovettori di g .
Più precisamente: se A e B sono, rispettivamente, le matrici associate a f e a g rispetto a
una base di V , allora f e g sono simultaneamente diagonalizzabili se esiste una matrice P ,
invertibile, tale che:
P −1 AP = D, P −1 BP = D0 ,
dove D e D0 sono due matrici diagonali (D ha sulla diagonale principale gli autovalori di f ,
contati con la relativa molteplicità, e D0 quelli di g ).

Definizione 2.17. I due endomorfismi f, g commutano se f ◦g = g◦f o, tradotto in linguaggio

matriciale, se commutano le matrici associate: AB = BA.

Per dire che due matrici commutano spesso si usa anche la notazione
[A, B] = 0

dove [A, B] = AB − BA è il cosiddetto commutatore di A e B. Due matrici commutano se il

loro commutatore è zero.
Osserviamo che la proprietà di commutare è invariante per la scelta della base, visto che è una
proprietà degli operatori f, g. Infatti, se A, B commutano e à = P −1 AP e B̃ = P −1 BP sono
le matrici associate agli operatori f, g rispetto alla base ottenuta con il cambiamento di base
dettato dalla matrice P, si ha
ÃB̃ = (P −1 AP )(P −1 BP ) = P −1 ABP = P −1 BAP = (P −1 BP )(P −1 AP ) = B̃ Ã.

24
Dimostriamo adesso che la condizione di commutatività è una condizione necessaria e sufficiente
affinché due endomorfismi semplici abbiano una base comune di autovettori. La dimostrazione
darà anche un metodo pratico per determinare tale base comune.
Teorema 2.18. Siano f e g due endomorfismi semplici del K−spazio vettoriale V. Essi sono
simultaneamente diagonalizzabili se e solo se:
f ◦ g = g ◦ f,
ossia se e solo se vale
AB = BA
per le matrici associate a f e a g rispetto a una determinata base.

Dimostrazione. Dalla Definizione 2.16 si ha che se f e g sono simultaneamente diagonal-

izzabili valgono le formule: A = P −1 DP, B = P −1 D0 P , da cui è immediato provare che
AB = BA.
Viceversa, supponiamo che i due endomorfismi semplici f e g commutino. Prendiamo la
matrice A di f e riduciamola in forma diagonale tramite la matrice invertbile P. Si ha
P −1 AP = D, dove D è la matrice che ha sulla diagonale gli autovalori di A contati con
molteplicità, diciamo {λ1 , . . . , λr }. Trasformiamo anche B tramite la matrice P. Otteniamo
la matrice B̃ = P −1 BP. Visto che la commutatività non dipende dalla scelta della base,
abbiamo
[A, B] = [D, B̃] = 0.
D’altra parte, l’elemento ij della matrice [D, B̃] è della forma (λi − λj )B˜ij , dove B˜ij è il
corrispondente elemento della matrice B̃. Quindi, dato che [D, B̃] = 0, deve essere
(λi − λj )B˜ij = 0

da cui segue B˜ij = 0 per i 6= j non appena λi 6= λj .

In particolare, se A ha autovalori tutti distinti si ha che B̃ è diagonale. Quindi in questo caso
la matrice che diagonalizza A diagonalizza anche B e una base di autovettori di f è anche
una base di autovettori di g.
Nel caso invece in cui A abbia degli autovalori con molteplicità maggiore di uno, la situazione è
la seguente. La matrice B̃ è una matrice ”diagonale a blocchi” ed è costituita da un numero di
blocchi pari al numero degli autospazi (cioè pari al numero degli autovalori distinti) e ognuno
di questi blocchi è una matrice s × s, dove s è la molteplicità dell’autovalore corrispondente.
Facciamo un esempio in dimensione cinque. Se ad esempio D è della forma
 
λ1 0 0 0 0
 0 λ1 0 0 0 
 
 0 0 λ2 0 0 
 
 0 0 0 λ2 0 
0 0 0 0 λ3

25
allora B̃ avrà la forma  
b11 b12 0 0 0
b21 b22 0 0 0
 
0 0 c11 c12 0
 
0 0 c21 c22 0
0 0 0 0 d

A questo punto però usiamo il fatto che B è diagonalizzabile e che quindi lo è anche B̃. Esiste
allora una matrice invertibile Q che diagonalizza B̃ :

Q−1 B̃Q = D0

Quindi la matrice P Q diagonalizza B, ma diagonalizza anche A perché

(P Q)−1 A(P Q) = Q−1 (P −1 AP )Q = Q−1 DQ = D

La base comune di autovettori di f e g si ottiene, pertanto, dalle colonne della matrice P Q.

Osservazione 2.19. Non è sempre necessario applicare il procedimento indicato dal Teorema
precedente per trovare la base comune di autovettori. Possono capitare infatti casi semplici in
cui, anche in presenza di autovalori di molteplicità maggiore di uno in entrambi gli endomorfismi
si vede subito che gli autovettori dell’uno sono anche autovettori dell’altro.

Prendiamo ad esempio il caso seguente. Sono dati due endomorfismi f e g su R3 le cui matrici,
rispetto alla base canonica di R3 , sono rispettivamente:
   
2 0 0 1 0 0
A=  0 2 0  , B =  −2 3 0  .
−1 0 3 −2 0 3

Verifichiamo che f e g sono simultaneamente diagonalizzabili e determiniamo una base comune

di autovettori.
Innanzitutto verifichiamo che f e g commutino:
 
2 0 0
AB = BA =  −4 6 0  . (2.1)
−7 0 9

L’endomorfismo f ha autovalori:

λ1 = 2, mλ1 = 2, λ2 = 3, mλ2 = 1

ed autospazi:
Vλ1 = L((1, 0, 1), (0, 1, 0)), Vλ2 = L((0, 0, 1));

26
mentre l’endomorfismo g ha autovalori:

λ01 = 1, mλ01 = 1, λ02 = 3, mλ02 = 2

ed autospazi:

Vλ01 = L(y1 = (1, 1, 1)), Vλ02 = L(y2 = (0, 1, 0), y3 = (0, 0, 1)).

Quindi i due endomorfismi sono semplici e, visto che commutano, sono simultaneamente diag-
onalizzabili. Si vede subito che gli autovettori di g : y1 , y2 , y3 sono anche autovettori di f e
quindi costituiscono la base richiesta (y1 ∈ Vλ1 ).

Esercizi risolti

[1] Date le matrici:

   
16 −16 4 16 −9 12 −3 −12
 0 0 0 0   3 −3 1 3 
 −48 48 −12 −48  ,
A=  B=
 12 −12 4
,
12 
0 0 0 0 9 −12 3 12

provare che sono entrambe diagonalizzabili e che commutano. Determinare, quindi, una matrice
che le diagonalizzi simultaneamente.

R. Gli autovalori e gli autospazi di A e di B sono, rispettivamente:

λ1 = λ2 = λ3 = 0, λ4 = 4,

V1 = L(v1 = (−1, 0, 0, 1), v2 = (−1, 0, 4, 0), v3 = (1, 1, 0, 0)), V2 = L(v4 = (−1, 0, 3, 0));

λ1 = λ2 = 0, λ3 = 1, λ4 = 3,

V10 = L(v10 = (0, 1, 0, 1), v20 = (−1, 0, 3, 0)), V20 = L(v30 = (0, 1, 4, 0)), V30 = L(v40 (−1, 0, 0, 1));

il che prova la diagonalizzabilità di entrambe le matrici.

A e B commutano, infatti:
 
0 0 0 0
 0 0 0 0 
AB = BA = 
 0
.
0 0 0 
0 0 0 0

27
Le matrici P, P −1 , B̃ in questo caso sono:
     
−1 −1 1 −1 0 0 0 1 3 3 −3 0
 0 0 1 0  3 −3 1 3  , B̃ = P −1 BP =  0 1 0 0 
, P −1 = 
   
P =
 0
.
4 0 3   0 1 0 0   0 1 0 0 
1 0 0 0 −4 4 −1 −4 0 0 0 0

Inoltre:
 
1 0 1 0
 0 1 0 0 
Q=
 1

1 0 0 
0 0 0 1

è una matrice che diagonalizza B̃ , mentre

    
−1 −1 1 −1 1 0 1 0 0 0 −1 −1
 0 0 1 0  0 1 0 0 
= 1 1 0 0 
  
PQ = 
 0

4 0 3  1 1 0 0   0 4 0 3 
1 0 0 0 0 0 0 1 1 0 1 0

è una matrice che diagonalizza simultaneamente A e B. In questo caso particolare la matrice

P Q ha come colonne gli autovettori di g e quindi gli autovettori di g sono anche autovettori
di f.
Il Teorema2.18 assicura l’esistenza di una base comune di autovettori che si determinano
seguendo il metodo esposto nella dimostrazione.
Un altro modo per determinare una base comune di autovettori di due matrici A e B diago-
nalizzabili e che commutano, consiste nell’estrarre una base dell’insieme unione delle basi dei
sottospazi: Vi ∩ Vj0 , i = 1, 2, . . . , r, j = 1, 2, . . . , s, con r, s ≤ n, dove Vi e Vj0 rappresentano gli
autospazi delle matrici A e B rispettivamente.

Nel caso in esame, omettendo i calcoli per brevità, si ottiene:

V1 ∩ V10 = L((0, 1, 0, 1)),

V1 ∩ V20 = L((0, 1, 4, 0)),
V1 ∩ V30 = L((−1, 0, 0, 1)),
V2 ∩ V10 = L((−1, 0, 3, 0)),
V2 ∩ V20 = {0},
V2 ∩ V30 = {0},

ossia, nuovamente, i vettori di B 0 . Anche attraverso questo modo di procedere, appare evidente
che la base richiesta non è unica.

28
[2] Dimostrare che le due matrici
   
1 0 2 0 1 0 0 0
−2 −1 −2 2 1 0 −1 1
A= , B= .
0 0 −1 0 0 0 1 0
0 0 0 1 0 0 0 1

sono simultaneamente diagonalizzabili e trovare una base comune di autovettori.

Si ha AB = BA. Gli autovalori di A e B sono rispettivamente

λ1 = λ2 = 1, λ3 = λ4 = −1
λ1 = λ2 = λ3 = 1, λ4 = 0.

Gli autospazi associati sono

V1 = L((1, 0, 0, 1), (−1, 1, 0, 0)), V2 = L((0, 1, 0, 0), (−1, 0, 1, 0))

V10 = L((1, 0, 0, 1), (−1, 1, 0, 0), (−1, 0, 1, 0)), V20 = L((0, 1, 0, 0)).

Quindi le due matrici sono diagonalizzabili. Dalle scelte fatte per i generatori degli autospazi
si vede subito che le due basi di autovettori che le diagonalizzano separatamente coincidono e
quindi possiamo scegliere una delle due come base che le diagonalizza simultanemente.
In alternativa, applicando il metodo del Teorema, otteniamo che le matrici P, P −1 , B̃ in questo
caso sono:
     
−1 1 0 −1 −1 0 −1 1 1 0 0 0
 1 0 1 0  −1
 0 0 0 1  −1
 0 1 0 0 
P =  0 0 0 1  , P =  1 1 1 −1  , B̃ = P BP =  −2 2 0 −2  .
    

0 1 0 0 0 0 1 0 0 0 0 1

Inoltre:  
0 1 0 0
 0 0 1 0 
Q= 
 1 −2 2 −2 
0 0 0 1

è una matrice che diagonalizza B̃ , mentre

    
0 −1 1 −1 1 0 1 0 0 0 −1 −1
 1 −1 2 −2   0 1 0 0   1 1 0 0 
PQ =  
 0 0 0 1  1 1
= 
0 0   0 4 0 3 
0 0 1 0 0 0 0 1 1 0 1 0

29
Calcoliamo ancora le intersezioni delle basi degli autospazi:

V1 ∩ V10 = L((1, 0, 0, 1), (−1, 1, 0, 0)),

V1 ∩ V20 = {0},
V2 ∩ V10 = L((−1, 0, 1, 0)),
V2 ∩ V20 = L((0, 1, 0, 0)).

e otteniamo lo stesso risultato.

30
Capitolo 3

Forme lineari - Dualità

In tutto il capitolo gli spazi vettoriali considerati saranno spazi vettoriali su un campo K
(K = R o K = C).

3.1 Lo spazio duale

Dati due spazi vettoriali V e W l’insieme L(V ; W ) delle applicazioni lineari da V in W è uno
spazio vettoriale su K rispetto alla usuale somma di applicazioni e al prodotto di una appli-
cazione per uno scalare di K (dimostrare per esercizio). In particolare è uno spazio vettoriale
l’insieme delle applicazioni lineari di V su K, dato che K è uno spazio vettoriale di dimensione
uno su se stesso.

Definizione 3.1. Sia V uno spazio vettoriale su K. un’applicazione lineare f : V −→ K

si dice forma lineare o funzionale lineare o covettore su V . L’insieme L(V ; K) è uno spazio
vettoriale su K e si chiama spazio vettoriale duale di V e si indica con V ∗ .

Esempi.

[1] Una forma lineare f su Kn si può indicare con l’espressione:

f (x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + · · · + an xn , ai ∈ K, i = 1, . . . , n,

per ogni (x1 , x2 , . . . , xn ) ∈ Kn .

Il nucleo di f è dato dai vettori x ∈ Kn per i quali a1 x1 + a2 x2 + · · · + an xn = 0 e costituisce
perciò un iperpiano vettoriale di Kn .

[2] Sia V spazio vettoriale con base fissata B = {v1 , . . . , vn }. Consideriamo le ”funzioni co-
ordinate” xi , i = 1, . . . , n, che mandano un vettore x = x1 v1 + . . . xn vn nella sua i−esima

31
coordinata rispetto alla base B, vale a dire xi (x) = xi . Sulla base assegnata le xi agiscono
nel modo seguente
xi (vj ) = δij
dove δij è il simbolo di Kronecker. Le xi sono lineari e quindi appartengono a V ∗ . Vedremo
tra poco l’importanza di queste funzioni (cfr. Teorema 3.2).

[3] Se V = M (n, R) è lo spazio vettoriale delle matrici n × n reali, l’applicazione che associa
a una matrice A = (aij ) la sua traccia

tr : M (n, R) −→ R
n
X
A 7−→ tr(A) = aii
i

è una forma lineare.

[4] Sia V uno spazio vettoriale euclideo con prodotto scalare ” · ”. Fissato un vettore x 6= 0,
la funzione
x· : V −→ R,
definita da x · (y) = x · y, y ∈ V, è una forma lineare. Infatti, per le proprietà del prodotto
scalare si ha

x · (ay1 + by2 ) = ax · y1 + bx · y2 , ∀ a, b, ∈ R, ∀ y1 , y2 ∈ V.

Inoltre si può dimostrare che ogni forma lineare su V si ottiene in questo modo, cioè se f :
V → R è una forma lineare, esiste un unico vettore a ∈ V tale che f (x) = a · x per ogni
x ∈ V.

[5] Nello spazio vettoriale C([0, 1]) delle funzioni continue nell’intervallo [0, 1] l’applicazione
lineare Z Z 1
: C([0, 1]) −→ R, data da f 7−→ f dx
0

è una forma lineare.

[6] Nello spazio vettoriale C 1 ([0, 1]) delle funzioni derivabili nell’intervallo [0, 1] l’applicazione
lineare
d df
: C 1 ([0, 1]) −→ R, data da f 7−→
dx dx (x=0)
è una forma lineare.

32
[7] Sia V = Rn e f : Rn → R una funzione differenziabile. Il differenziale df (x) di f in un
punto x = (x1 , . . . , xn ) ∈ Rn è una forma lineare e quindi un elemento di Rn∗ . Ricordiamo
infatti che df (x) è quella forma lineare che meglio approssima l’incremento f (x + h) − f (x) di
f intorno a x. Più precisamente, df (x) verifica la condizione
f (x + h) − f (x) − df (x)(h)
lim
h→0 |h|

dove |h| è la norma del vettore incremento h = (h1 , . . . , hn ) e

∂f ∂f
df (x)(h) = (x)h1 + · · · + (x)hn
∂x1 ∂xn
è il valore di df (x) su h.

Nel caso in cui V abbia dimensione finita si può calcolare la dimensione dello spazio vettoriale
V ∗ . Si ha infatti il seguente
Teorema 3.2. Se V è uno spazio vettoriale su K di dimensione finita, allora:

dim V = dim V ∗ .

Dimostrazione. Sia B = (v1 , v2 , . . . , vn ) una base di V. Vogliamo dimostrare che le funzioni

coordinate xi dell’Esempio [2] costituiscono una base di V ∗ . Ricordiamo che, per definizione,
per ogni vettore x = x1 v1 + x2 v2 + · · · + xn vn ∈ V, risulta:

xi (x) = xi , i = 1, . . . , n. (3.1)

Per provare che B ∗ = (x1 , x2 , . . . , xn ) è una base di V ∗ dobbiamo far vedere che B ∗ è un
sistema di generatori e che è costituito da vettori linearmente indipendenti.

i) B ∗ è un sistema di generatori. Infatti, per ogni forma f ∈ V ∗ che agisca sulla base nel modo
seguente: f (v1 ) = a1 , f (v2 ) = a2 , . . . , f (vn ) = an e per ogni vettore x = x1 v1 + x2 v2 + · · · +
xn vn ∈ V , si ha: f (x) = x1 f (v1 ) + x2 f (v2 ) + · · · + xn f (vn ) = x1 a1 + x2 a2 + · · · + xn an =
a1 x1 (x) + a2 x2 (x) + · · · + an xn (x) = (a1 x1 + a2 x2 + · · · + an xn )(x).
Allora:
f = a1 x1 + a2 x2 + · · · + an xn .

ii) B ∗ è un sistema di vettori linearmente indipendenti.

A tale scopo basta osservare che la
matrice associata ad f è M (f ) =
a1 a2 . . . an perciò f = oV ∗ (forma nulla di V ) se
e solo se M (f ) = 0 0 . . . 0 .
Definizione 3.3. La base B ∗ dello spazio V ∗ , costruita nel modo su esposto, è detta base
duale della base B di V .

33
Quindi se vi è un vettore di una base B di V, la corrispondente forma lineare xi della base
duale B ∗ è quella introdotta nell’Esempio [2] precedente e cioè quella che associa ad ogni
vettore di V la sua i-esima componente rispetto alla base B. Indicheremo con {e∗1 , . . . e∗n } la
base duale di {e1 , . . . , en } che è definita da

e∗i (ej ) = δij .

Esempio. Sia f : R2 −→ R una forma lineare, perciò: f ((x, y)) = ax + by, (x, y) ∈ R2
e a, b ∈ R. Se B = (e1 = (1, 0), e2 = (0, 1)) è la base standard di R2 , la sua base duale
B ∗ = (e∗1 , e∗2 ) è data dalle forme che operano nel modo seguente:
( (
e∗1 (1, 0) = 1 e∗2 (1, 0) = 0
e∗1 (0, 1) = 0 e∗2 (0, 1) = 1

da cui

e∗1 (x, y) = xe∗1 (1, 0) + ye∗1 (0, 1) = x,

e∗2 (x, y) = xe∗2 (1, 0) + ye∗2 (0, 1) = y.

Quindi f (x, y) = ae∗1 (x, y) + be∗2 (x, y), ossia: f = ae∗1 + be∗2 .

N.B. Si dovrebbe scrivere f (x) = f ((x, y)) con x = (x, y); per semplicità si omettono (anche
in seguito) le doppie parentesi.

Osservazione 3.4. I due spazi vettoriali V e V ∗ sono isomorfi, perché sono due spazi vettoriali
su K della stessa dimensione. Un isomorfismo ovvio è il seguente. Fissiamo una base B =
(e1 , . . . , en ) e costruiamo la sua base duale B ∗ = (e∗1 , . . . , e∗n ). Definiamo

ϕ :V −→ V ∗
ei 7−→ e∗i

L’applicazione ϕ è un isomorfismo perché manda una base di V in una base di V ∗ . Naturalmente

questo isomorfismo dipende dalla scelta delle basi. Vedremo tra un momento che nel caso in
cui V sia uno spazio euclideo (di dimensione finita) è possibile costruire un isomorfismo che
non dipende dalla scelta delle basi.

Consideriamo allora V spazio vettoriale euclideo di dimensione finita con prodotto scalare ”·”.
Abbiamo visto nell’Esempio [4] che a ogni vettore x ∈ V è possibile associare un covettore

x· : V −→ R, x · (y) = x · y.

Abbiamo il seguente

34
Teorema 3.5. Sia V uno spazio euclideo, la funzione

i : V −→ V ∗ , data da i(x) = x·,

è un isomorfismo.

Dimostrazione. Si dimostra facilmente che la funzione i è lineare. L’iniettività segue dal

calcolo di ker i, ossia:

ker i = {x ∈ V : i(x) = 0V ∗ } = {x ∈ V : x · y = 0, y ∈ V } = {0}.

Quindi l’applicazione è un isomorfismo perché i due spazi V e V ∗ hanno la stessa dimensione.
Esempi

[1] Sia V uno spazio euclideo con base ortonormale B = (e1 , . . . , en ). La base duale B ∗ delle
funzioni coordinate può essere anche vista come la base {e∗1 , . . . , e∗n } delle forme che associano
ad ogni vettore x = (x1 , . . . , xn ) le rispettive componenti calcolate con il prodotto scalare

e∗1 (x) = x1 = e1 · x,
.
.
e∗n (x) = xn = en · x.

Nel caso in cui V = Rn le funzioni della base duale vengono denotate con {dx1 , . . . , dxn }. Il
motivo verrà spiegato nell’esempio seguente.

[2] Consideriamo V = Rn con prodotto P scalare standard ” · ” e base ortonormale {e1 , . . . , en }.

Ogni vettore x ∈ Rn si scrive x = ni=1 xi ei , dove xi = ei · x. La base duale è costituita dalle
forme {e∗1 , . . . , e∗n } (cfr. esempio precedente).
Se f : Rn → R è una funzione differenziabile, il suo differenziale in un punto x ∈ Rn è una
forma lineare (cfr. Esempio [7] precedente) e quindi deve esprimersi come combinazione lineare
della base duale {e∗1 , . . . , e∗n }. D’altra parte si ha
∂f ∂f ∂f ∂f
df (x)(h) = (x)h1 + · · · + (x)hn = (x)e∗1 (h) + · · · + (x)e∗n (h)
∂x1 ∂xn ∂x1 ∂xn
e quindi il differenziale di f in x si esprime come combinazione lineare della base duale con
componenti date dalle derivate parziali di f calcolate in x. Per questo motivo la base duale
{e∗1 , . . . , e∗n } dello spazio euclideo Rn si denota con {dx1 , . . . , dxn } e l’uguaglianza precedente
può essere scritta
∂f ∂f
df (x) = (x)dx1 + · · · + (x)dxn .
∂x1 ∂xn

35
[3] (Applicazione trasposta) Data un’applicazione lineare f : V −→ W tra due spazi vettoriali,
esiste una applicazione lineare
F : W ∗ −→ V ∗

definita da F (α)(v) := α(f (v)). Questa applicazione si chiama applicazione trasposta di f. Il

nome è dovuto al fatto che, una volta scelte le basi su V e W, la matrice associata a F è la
trasposta di quella associata a f.

3.2 Cambiamento di base in V ∗

Fissiamo ora due basi B e B 0 dello spazio vettoriale V e consideriamo la matrice P del
cambiamento di base da B a B 0 . Ricordiamo che la matrice P è quella che ha per colonne le
componenti dei vettori di B 0 rispetto a B.
Ci chiediamo se esista un legame tra le matrici del cambiamento di base in V e le matrici del
cambiamento tra le basi duali in V ∗ . In effetti si ha la seguente

Proposizione 3.6. Sia V uno spazio vettoriale su un campo K. Siano B e B 0 due basi di V
e siano B ∗ e B 0∗ le rispettive basi duali. Allora, se P è la matrice del cambiamento di base
da B a B 0 , la matrice del cambiamento di base da B 0∗ a B ∗ è tP.

Dimostrazione. Denotiamo B = (ei ), B 0 = (fi ), i = 1, . . . , n e B ∗ = (e∗i ), B 0∗ = (fi∗ ), i =

1, . . . , n. Dato che la matrice del cambiamento di base da B a B 0 è la matrice P che ha per
colonne le componenti della base B 0 rispetto a B, si ha P = (aij ) dove:

fi = a1i e1 + a2i e2 + · · · + ani en , i = 1, . . . , n;

mentre la matrice del cambiamento di base da B 0∗ a B ∗ è Q = (bij ), ossia:

e∗i = b1i f1∗ + b2i f2∗ + · · · + bni fn∗ , i = 1, . . . , n.

(Sia P che Q sono matrici invertibili, di ordine n, ad elementi in K).

Da quanto precede si osserva che:

e∗i (fj ) = e∗i (a1j e1 + a2j e2 + · · · + anj en ) = e∗i (aij ei ) = aij ;

e∗i (fj ) = (b1i f1∗ + b2i f2∗ + · · · + bni fn∗ )(fj ) = bji fj∗ (fj ) = bji ;

Quindi
(aij ) = (bji ) vale a dire Q = tP.

Esercizi.

36
[1] In R2 , riferito alla base canonica B = (v1 = (1, 0), v2 = (0, 1)) (B ∗ = (v1∗ , v2∗ ) base duale
di B ), trovare la base B 0∗ = (w1∗ , w2∗ ) duale della base B 0 = (w1 = (−1, 2), w2 = (1, −1)).

R. Il calcolo esplicito si può impostare in questo modo. Poniamo:

w1∗ (x, y) = a1 x + a2 y, w2∗ (x, y) = b1 x + b2 y

e determiniamo i coefficienti a1 , a2 , b1 , b2 in modo che wi∗ (wj ) = δij . Otteniamo i seguenti

sistemi lineari:
( (
w1∗ (−1, 2) = a1 (−1) + a2 (2) = 1 w2∗ (−1, 2) = b1 (−1) + b2 (2) = 0
w1∗ (1, −1) = a1 (1) + a2 (−1) = 0 w2∗ (1, −1) = b1 (1) + b2 (−1) = 0
da cui si ottiene
a1 = a2 = 1, b1 = 2, b2 = 1.
Quindi
w1∗ (x, y) = x + y = (v1∗ + v2∗ )(x, y)
(3.2)
w2∗ (x, y) = 2x + y = (2v1∗ + v2∗ )(x, y),
In alternativa si può applicare la Proposizione precedente determinando prima la matrice del
cambiamento di base da B 0∗ a B ∗ . Tale matrice è Q = tP , con:
 
−1 1
P = .
2 −1

Quindi la matrice del cambiamento di base da B ∗ a B 0∗ è :

 
−1 t −1 1 2
Q = P = ,
1 1

vale a dire lo stesso risultato di (3.2).

[2] Determinare la base duale della base: B = ((1, 0, −1), (0, 1, −1), (1, 1, −1)) dello spazio
vettoriale R3 .

R. Sia B ∗ = (v1∗ , v2∗ , v3∗ ) la base duale di B. La matrice

 
1 0 −1
P = 0 1 −1
1 1 −1
dà il cambiamento di base da B ∗ alla base duale della base [Link] matrice inversa
 
0 −1 1
P −1 = −1 0 1
−1 −1 1

37
dà il cambiamento di base dalla base duale della base canonica alla base B ∗ . Denotando con
(e∗1 , e∗2 , e∗3 ) la base duale della base canonica, si ha
 ∗   ∗ 
v1 e1
 v2∗  = t P −1  e∗2 
v3∗ e∗3
e quindi
v1∗ (x, y, z) = −y − z
v2∗ (x, y, z) = −x − z
v3∗ (x, y, z) = x + y + z.

Osservazione 3.7. Riportiamo le relazioni che intercorrono tra due basi di uno spazio vet-
toriale V di dimensione n, le basi duali corrispondenti e le relative equazioni del cambia-
mento di base. Seguiamo le notazioni della Proposizione 3.6. Inoltre indichiamo con tX =
(x1 , . . . , xn ), tY = (y1 , . . . , yn ) rispettivamente le componenti dei vettori rispetto alle basi B e
B 0 e con ta = (a1 , . . . , an ), tb = (b1 , . . . , bn ) rispettivamente le componenti dei vettori rispetto
0
alle basi B ∗ e B ∗ . (cfr. anche Greco-Valabrega vol.I cap.8)

       
f1 e1 x1 y1
 .  t  .
   .   . 
 .  = P .
;
 . =P  . ;
     

fn en xn yn

f1∗ e∗1
       
a1 b1
 .  .   .  . 
 = P −1   = t (P −1 ) 
 
 ;  .
 .   .   .   . 
fn∗ e∗n an bn

Si ha allora Y = P −1 X e b = tP a. Quindi per effetto di un cambiamento di base in uno

spazio vettoriale le componenti di un vettore cambiano secondo una trasformazione che è data
dall’inversa della matrice del cambiamento di base. Le componenti di un covettore invece
cambiano secondo la matrice (trasposta) del cambiamento di base. Per questo motivo i vettori
di V si dicono controvarianti, mentre i vettori di V ∗ si dicono covarianti o covettori.

3.3 Spazio biduale

Se V è uno spazio vettoriale e V ∗ il suo duale, possiamo costruire lo spazio (V ∗ )∗ duale di
V ∗ . Diamo la seguente:
Definizione 3.8. Per ogni spazio vettoriale V , il duale dello spazio V ∗ di dice spazio biduale
e si indica con V ∗∗ . Esso rappresenta L(V ∗ , K).

38
Osservazione 3.9. Se V ha dimensione finita, per lo spazio V ∗∗ , dal Teorema 3.2 si ottiene:

dim V = dim V ∗ = dim V ∗∗ .

A priori questo processo potrebbe andare avanti e si potrebbero costruire gli spazi V ∗∗∗ , V ∗∗∗∗ ,
e cosı̀ via. In realtà questi spazi non sono diversi da quelli che si avevano in partenza e lo
dimostreremo tra un momento. Iniziamo con l’osservare che fissato un vettore x ∈ V , al
variare di f ∈ V ∗ , gli scalari f (x) definiscono la funzione di valutazione:

e : V ∗ −→ K,
x x
e(f ) = f (x), f ∈ V ∗.

che è un’applicazione lineare (dim. per esercizio). Quindi ogni elemento x ∈ V dà luogo a un
elemento x e ∈ V ∗∗ . Questa osservazione è alla base del risultato seguente che ci dice che V ∗∗ è
isomorfo allo spazio di partenza.

Teorema 3.10. Siano V uno spazio vettoriale su K e V ∗∗ lo spazio biduale di V . L’applicazione

ϕ : V −→ V ∗∗ tale che ϕ(x) = x
e, x ∈ V , è un isomorfismo.

Si osservi che, dalla definizione, tale isomorfismo non dipende dalla scelta di basi in V o in
V ∗∗ , pertanto si tratta di un isomorfismo canonico.

Dimostrazione. Si prova che:

a) ϕ è lineare, ossia ∀x, y ∈ V, ∀α, β ∈ K, ϕ(αx + βy) = αϕ(x) + βϕ(y). Infatti, ∀f ∈ V ∗ :

ϕ(αx + βy)(f ) = (αx^+ βy)(f ) = f (αx + βy)

= αf (x) + βf (y) = αe
x(f ) + βe
y(f ) = (αϕ(x) + βϕ(y))(f ).

e = oV ∗∗ , ∀f ∈ V ∗ , risulta : x
b) ker f = {o}. Se x e(f ) = f (x) = o allora x = o.
∗∗
Poichè dim V = dim V = n, si ha che ϕ è anche suriettiva e quindi è un isomorfismo.

Si noti che la dimostrazione del Teorema precedente può essere ripetuta parola per parola nel
caso di dimensione infinita, tranne che per l’ultima affermazione sulla suriettività di ϕ dove
abbiamo utilizzato in maniera decisiva l’uguaglianza dim V = dim V ∗∗ . In dimensione infinita
l’applicazione ϕ in generale non è suriettiva.

Osservazione 3.11. Si considerino una base B = (v1 , v2 , . . . , vn ) di V e la sua base duale

B ∗ = (f1 , f2 , . . . , fn ). I vettori cosı̀ definiti:

v
f1 = ϕ(v1 ), v
f2 = ϕ(v2 ), . . . , v
fn = ϕ(vn )

formano una base Be di V ∗∗ . Dal Teorema3.10 e dal fatto che vei (fj ) = fj (vi ) = δij , i, j =
1, . . . , n, Be è la base duale di B ∗ . Allora ogni elemento x
e di V ∗∗ si decompone, rispetto alla

39
base Be, come: x e=x f1 v f2 + · · · + x
f2 v
f1 + x fn v
fn , dove le componenti xei sono date da: xei = x
e(fi ).
D’altra parte: xe(fi ) = fi (x) = xi , quindi xei = xi .
È cosı̀ provato che le componenti di x ∈ V , relative alla base B , sono anche le componenti
dell’immagine di x tramite l’isomorfismo canonico ϕ : V −→ V ∗∗ , relativamente alla base Be,
biduale della base B ; perciò, anche in questo senso, lo spazio V ∗∗ si può identificare con V .

3.4 Prodotti tensoriali

Dati V1 , . . . , Vn spazi vettoriali su K, consideriamo l’insieme L(V1 , . . . , Vn ; K) dei funzionali
multilineari da V1 × · · · × Vn in K, cioè di quelle applicazioni f : V1 × · · · × Vn −→ K che sono
lineari su ogni fattore Vi . L’insieme L(V1 , . . . , Vn ; K) è uno spazio vettoriale su K. Se n = 2
le forme di L(V1 , V2 ; K) dicono bilineari e verranno studiate in modo approfondito nel capitolo
seguente. Iniziamo comunque con il caso n = 2 per definire i prodotti tensoriali.

Definizione 3.12. Dati due spazi vettoriali V, W su K definiamo il prodotto tensoriale V ⊗W

come lo spazio delle applicazioni bilineari L(V ∗ , W ∗ ; K) in questo modo

(v ⊗ w)(ϕ, ψ) := ϕ(v)ψ(w).

Nello spazio V ⊗ W valgono le relazioni

(v1 + v2 ) ⊗ w = v1 ⊗ w + v2 ⊗ w, v ⊗ (w1 + w2 ) = v ⊗ w1 + v ⊗ w2
(3.3)
a(v ⊗ w) = av ⊗ w = v ⊗ aw .

Gli elementi di V ⊗ W si chiamano tensori. Stessa costruzione possiamo fare con

V ∗ ⊗ W ∗ = L(V, W ; K)

tramite l’identificazione
(ϕ ⊗ ψ)(v, w) := ṽ(ϕ)w̃(ψ)

dove le ṽ, w̃ sono le funzioni di valutazione introdotte nel Teorema 3.10 per dimostrare
l’isomorfismo tra V ∗∗ e V.

3.4.1 Definizione alternativa

In alternativa, utilizzando la nozione di spazio quoziente di uno spazio vettoriale su un suo
sottospazio, si può procedere nel seguente modo. Ricordiamo infatti che uno spazio vettoriale è
un gruppo abeliano rispetto all’operazione di somma di vettori e quindi la notazione utilizzata
sarà quella additiva. Notiamo inoltre che ogni sottospazio è in particolare un sottogruppo e
che è normale perché V è abeliano.

40
Consideriamo allora lo spazio vettoriale associato al prodottoPcartesiano V ×W che indichiamo
sempre V × W. Ogni elemento in V × W si scrive come i ai (vi , wi ) e le operazioni sono
defnite nel modo seguente

(v1 , w1 ) + (v2 , w2 ) = (v1 + v2 , w1 + w2 )

c(v, w) = (cv, cw), c ∈ K

Consideriamo adesso il sottospazio vettoriale L(V, W ) ⊂ V ⊗ W generato dai vettori di tipo

seguente
(v1 + v2 , w) − (v1 , w) − (v2 , w); (av, w) − a(v, w)

(v, w1 + w2 ) − (v, w1 ) − (v, w2 ); (v, aw) − a(v, w)

con v, v1 , v2 ∈ V, w, w1 , w2 ∈ W e a ∈ K. Definiamo il quoziente

V ⊗ W := V × W/L(V, W )

e l’applicazione canonica (cfr. Cap.1 , Def.1.26.)

π : V × W −→ V ⊗ W, (v, w) 7−→ v ⊗ w

dove con v ⊗ w indichiamo la classe di (v, w) nel quoziente. Gli elementi v ⊗ w naturalmente
soddisfano anch’essi le relazioni 3.3. Osserviamo che la definizione di prodotto tensoriale e di
tensore è intrinseca, nel senso che non è legata alla scelta di basi sugli spazi vettoriali considerati.

3.4.2 Proprietà

Osservazione 3.13. Si ha che dim(V ⊗ W ) = dim V · dim W . Infatti se {v1 , . . . , vn } è

una base di V e {w1 , . . . , wm } è una base di W, una base diPV ⊗ W è costituitaPdai vettori
vi ⊗wj , i = 1, . . . , n,
Pj = 1, . . . , m. Quindi ad esempio se v = i xi vi ∈ V e w = j = yj wj ,
si ha che v ⊗ w = i,j xi yj vi ⊗ wj . Un elemento generico in V ⊗ W è allora della forma

X
aij vi ⊗ wj .
i,j

Quindi, una volta fissate le basi, a ognuno degli elementi in V ⊗ W è associata una matrice
(aij ) n × m a elementi in K che è poi la matrice dell’applicazione bilineare a essi associata.
Osserviamo che l’elemento v ⊗ w è diverso dall’elemento w ⊗ v e che le matrici associate sono
l’una la trasposta dell’altra. Nonostante questo esiste un isomorfismo tra V ⊗ W e W ⊗ V.
Abbiamo infatti la seguente

Proposizione 3.14. Si ha V ⊗ W ∼
= W ⊗ V. Inoltre V ∗ ⊗ W ∼
= L(V ; W ).

41
Dimostrazione. La dimostrazione della prima affermazione viene lasciata per esercizio. Per
la seconda ci limitiamo a osservare che un elemento α ⊗ w ∈ V ∗ ⊗ W dà luogo a un elemento
di L(V ; W ) in questo modo
(α ⊗ w)(v) := α(v)w.
Osservazione 3.15. Dalla seconda affermazione segue che, se V = W, allora V ∗ ⊗ V si
identifica con lo spazio degli endomorfismi di V, L(V ).

A questo punto possiamo estendere facilmente le nozioni precedenti al caso di m fattori e

definire il prodotto tensoriale degli m spazi vettoriali V1 , . . . , Vm su K come
V1 ⊗ · · · ⊗ Vm := L(V1∗ , . . . , Vm∗ ; K)
o, alternativamente, come il quoziente dello spazio vettoriale V1 × · · · × Vm per il sottospazio
generato dalle relazioni di multilinearità. Si ha
dim(V1 ⊗ · · · ⊗ Vm ) = dim V1 · ... · dim Vm
Sia ora dim Vi = ni , e scegliamo m basi Bi = {ei1 , . . . , eini }, i = 1, . . . , m. Una base di
V1 ⊗ ... ⊗ Vm è allora data da tutti i tensori della forma e1j1 ⊗ ... ⊗ emjm e cioè da tutti
i possibili tensori di lunghezza m costituiti dai prodotti tensoriali dei vettori delle basi Bi
rispettando l’ordine dei fattori. Un tensore v1 ⊗ · · · ⊗ vm in V1 ⊗ · · · ⊗ Vm si scrive come
X
aj1 ,...,jm e1j1 ⊗ · · · ⊗ emjm
j1 ,...,jm

Esempio 3.16. Sia m = 3 e dim V1 = 2, dim V2 = 2, dim V3 = 3, quindi dim(V1 ⊗ V2 ⊗ V3 ) =

12. Fissiamo basi B1 = {e11 , e12 }, B2 = {e21 , e22 }, B3 = {e31 , e32 , e33 } e scegliamo ad esempio
i vettori v1 = 2e11 −e12 ∈ V1 , v2 = e22 ∈ V2 , v3 = −2e31 +e32 −e33 ∈ V3 . Il tensore v1 ⊗v2 ⊗v3
si scrive

v1 ⊗ v2 ⊗ v3 = (2e11 − e12 ) ⊗ e22 ⊗ (−2e31 + e32 − e33 ) =

= 2 · (−2)(e11 ⊗ e22 ⊗ e31 ) + 2(e11 ⊗ e22 ⊗ e32 )

+(−2)(e11 ⊗ e22 ⊗ e33 ) + 2(e12 ⊗ e22 ⊗ e31 )+

−(e12 ⊗ e22 ⊗ e32 ) + (e12 ⊗ e22 ⊗ e33 ).

Da cui
X
v1 ⊗ v2 ⊗ v3 = aijk e1i ⊗ e2j ⊗ e3k
i,j,k

con a121 = −4, a122 = 2, a123 = −2, a221 = 2, a222 = −1, a223 = 1, e a111 = a112 = a113 =
a211 = a212 = a213 = 0. Quindi il tensore v1 ⊗v2 ⊗v3 , una volta fissate le basi, è completamente
determinato dagli scalari aijk , con i = 1, 2, j = 1, 2, k = 1, 2, 3.

42
3.4.3 I tensori T p,q (V )
I tensori rappresentano classi di grandezze la cui notazione numerica varia al variare delle
coordinate. Un vettore è l’esempio più naturale di tensore. Introduciamo ora la definizione
rigorosa di tensore.
Da ora in poi, se {ei }i=1,...,n indica la base di uno spazio vettoriale V, con {ei }i=1,...,n indiche-
remo la sua base duale. Si ha quindi
ei ej = δij .
Inoltre useremo la notazione di Einstein: ogni volta che un indice appare due volte, una volta
come apice e una come pedice, in qualsiasi espressione, si intenderà calcolata la somma su
quell’indice. Ad esempio, l’espressione
aijkl ersil
significa X
aijkl ersil
i,l
dove il range di variazione dei vari indici sarà chiaro dal contesto.
Definizione 3.17. Dato V spazio vettoriale su K lo spazio dei tensori di tipo (p,q) su V è
lo spazio

T p,q (V ) := V ⊗ · · · ⊗ V ⊗ V ∗ ⊗ ··· ⊗ V ∗
p volte q volte
che è lo spazio delle applicazioni multilineari L(V ∗ , . . . , V ∗ , V, . . . , V ; K). Si ha
T 1,0 = V ∼= L(V ∗ ; K)
T 0,1 = V ∗ ∼
= L(V ; K))

Da quanto detto in precedenza risulta che dim(T p,q (V )) = (dim V )p+q (cfr. Oss. 3.13).
Un elemento di T p,0 (V ) si dice tensore controvariante di ordine p, mentre un elemento di
T 0,q (V ) si dice tensore covariante di ordine q. (cfr. Oss. 3.7). Si usa spesso anche la notazione
Tqp (V ). Un tensore di T p,q si dice tensore di rango p + q . I tensori di rango 0 sono gli scalari
di K.

Esempi.

[1] I vettori di V e i covettori di V ∗ si dicono tensori di rango uno, mentre gli elementi di
T 2,0 , T 0,2 , T 1,1 sono detti tensori di rango due e sono rappresentati da [Link] i tensori
di T 0,2 sono forme bilineari sui vettori (ad esempio il prodotto scalare su Rn ), mentre i tensori
di T 2,0 sono forme bilineari sui covettori e quindi sono entrambi rappresentati da matrici ((cfr.
Osservazione 3.13)). D’altra parte i tensori di T 1,1 si identificano con gli endomorfismi di V
(cfr. Osservazione 3.15) e quindi anch’essi si rappresentano con matrici.

43
[2] (Tensore degli sforzi) In un punto di un mezzo continuo di coordinate x = (x1 , x2 , x3 ),
la forza di pressione esercitata su un elemento di area ∆S ortogonale al vettore unitario n è
uguale a (∆S)P (n), dove P è un operatore lineare P = (Pji ). Il tensore Pji si chiama tensore
degli sforzi.

[3] (Tensore di deformazione) In un mezzo continuo, i cui punti abbiano coordinate (x1 , x2 , x3 ),
si effettui lo spostamento di ciascuno dei suoi punti

xi 7−→ xi + ui (x).

In questo caso si dice che il mezzo ha subito una deformazione. Indicate con (dl)2 , (d¯l)2 le
distanze euclidee infinitesime tra due punti vicini del mezzo prima e dopo la deformazione, si
calcola la differenza
X 1 X ∂ui ∂ui
(d¯l)2 − (dl)2 = ηij dxi dxj + dxk dxl
2 ∂xk ∂xl
i,j k,l,i

∂u ∂u i j
e tale differenza si dice tensore di deformazione del mezzo, avendo posto ηij = ∂xj + ∂xi . Se gli
i i
spostamenti u sono piccoli, possiamo trascurare i termini di secondo grado in u e ottenere il
tensore delle piccole deformazioni
 i
∂uj

∂u
ηij = + .
∂xj ∂xi

In base alla legge di Hooke, una piccola deformazione del mezzo provoca uno sforzo che dipende
linearmente dalla deformazione. Pertanto tra i tensori degli sforzi e di deformazione esiste una
relazione lineare
P = U (η)
che esplicitata in coordinate dà luogo a un tensore di rango quattro
X
Pji = Ujikl ηkl , P = (Pji ), η = (ηkl ).
k,l

Il tensore Ujikl ha rango quattro e ha 81 componenti.

0 0
Definizione 3.18. Se t ∈ T p,q (V ) e t0 ∈ T p ,q (V ) si definisce prodotto tensoriale di t per t0
0 0
l’elemento t⊗t0 . Si ha che t⊗t0 appartiene a T p+p ,q+q (V ) per via della Prop.3.14. Infatti pos-
0 0
siamo scambiare l’ordine dei fattori nel prodotto fino a ottenere un elemento di T p+p ,q+q (V ).

Se fissiamo B = {e1 , . . . , en } base di V, un elemento t ∈ T p,q si scrive come

i ,...,i
t = tj11 ,...,jpq ei1 ⊗ · · · ⊗ eip ⊗ ej1 ⊗ · · · ⊗ ejq .

44
dove abbiamo scelto di posizionare in alto gli indici delle componenti relative ai tensori
ei1 ⊗ · · · ⊗ eip e in basso quelle relative ai tensori ej1 ⊗ · · · ⊗ ejq , per utilizzare la notazione di
Einstein introdotta all’inizio del paragrafo.
Sia ora B 0 = {f1 , . . . , fn } un’altra base di V. Utilizzando la notazione di Einstein abbiamo le
seguenti relazioni che intercorrono tra i vettori di B, B 0 e B ∗ , B 0∗ :

ei = aji fj , ei = Aij f j

dove A = (aji ) è la matrice in cui l’elemento di posto (i, j) è indicato con aji ed è la matrice
trasposta del cambiamento di base da B 0 a B. 1
Similmente la matrice (Aij ) è la matrice del cambiamento di base da B 0∗ a B ∗ ed è uguale a
A−1 .
Pertanto
k j
ei1 ⊗ · · · ⊗ eip ⊗ ej1 ⊗ · · · ⊗ ejq = aki11 . . . aipp Ajm1 1 . . . Amq q fk1 ⊗ · · · ⊗ fkp ⊗ f m1 ⊗ · · · ⊗ f mq

Prendiamo adesso un elemento t ∈ T p,q e scriviamo le sue coordinate rispetto alle basi B e B ∗ :
i ,...,i
t = t j11 ,...,jpq ei1 ⊗ · · · ⊗ eip ⊗ ej1 ⊗ · · · ⊗ ejq .

Si ha
i ,...,i k j
t = t j11 ,...,jpq (aki11 fk1 ) ⊗ (aipp fkp ) ⊗ (Ajm1 1 f m1 ) ⊗ · · · ⊗ (Amq q f mq ) =

i ,...,i k j
= t j11 ,...,jpq aki11 . . . aipp Ajm1 1 . . . Amq q fk1 ⊗ fkp ⊗ f m1 ⊗ · · · ⊗ f mq

e quindi
k ,...,k p k1 p kj1 q j i ,...,i
p
t m11 ,...,m 1
q = ai1 . . . aip Am1 . . . Amq t j1 ,...,jq

Esempio 3.19. Consideriamo ad esempio il caso p = 1, q = 2:

t = tij,k ei ⊗ ej ⊗ ek = tij,k (ali fl ) ⊗ (Ajr f r ) ⊗ (Aks f s ) =

= tij,k ali Ajr Aks fl ⊗ f r ⊗ f s

e quindi
tlr,s = tij,k ali Ajr Aks
1
La notazione da noi usata fin qui prevede che la matrice del cambiamento di base su V abbia sulle colonne le
componenti dei vettori della base di arrivo espressi come combinazione lineare dei vettori della base di partenza,
mentre la notazione di Einstein prevede che la matrice del cambiamento di base abbia sulle righe le componenti
dei vettori della base di arrivo espressi come combinazione lineare dei vettori della base di partenza. Per questo,su
V, il passaggio tra le due notazioni comporta la traposizione delle matrici del cambio base. Tutto rimane uguale
su V ∗ .

45
3.5 Notazione di Einstein
Riportiamo qui per comodità la notazione di Einstein per il cambio di base su V e V ∗ .
Ricordiamo che per un indice ripetuto una volta in basso e una in alto è sottinteso il simbolo
di sommatoria.
Siano B = (ei , ) e B 0 = (fk ) due basi di V e B ∗ = (ei ), B = (f k ) le due basi duali associate.
Si ha
ei = aki fk , fk = aik ei . (3.4)

La matrice (aik ) quindi regola il cambiamento di base da B a B 0 . Le due matrici (aki ) e (aik )
sono l’una l’inversa dell’altra.
Stante la (3.4) sul duale valgono invece le relazioni

ei = aik f k , f k = aki ei .

Vediamo ora come cambiano le componenti. Siano quindi v un vettore di V e α un covettore

di V ∗ . Scriviamo
v = v i ei = v k fk , α = αi ei = αk f k .

Si hanno le uguaglianze
v i = aik v k , v k = aki v i

αi = aki αk , αk = aik αi ,

da cui si nota che nel cambio base da B a B 0 le componenti del vettore v cambiano con la
matrice (aki ) che è l’inversa della matrice del cambiamento di base. Le componenti del covettore
α invece cambiano con la matrice (aik ) che è proprio la matrice del cambiamento di base da
B a B 0 . Ritroviamo quindi ciò che avevamo già notato nell’Osservazione 3.7, sempre tenendo
conto della trasposizione che bisogna operare nel passaggio da una notazione all’altra.
Si consiglia di provare a verificare le relazioni fin qui riportate per esercizio.

46
Capitolo 4

Forme bilineari e forme quadratiche

In tutto il capitolo V sarà, salvo avviso contrario, uno spazio vettoriale su R. Riprenderemo
il concetto di forma multilineare introdotto nel capitolo precedente focalizzando l’attenzione al
caso in cui si abbiano due fattori: L(V, V ; R) cioè T20 (V ). Questo ci servirà ad estendere le
nozioni di prodotto scalare e di distanza anche al caso in cui la forma non sia definita positiva,
come nel caso dello spazio di Minkowski. Per gli argomenti di questo capitolo si può anche
consultare Greco-Valabrega Volume I capitolo VIII.

4.1 Forme bilineari

Definizione 4.1. Una forma bilineare su V è un’applicazione ϕ : V × V −→ R, tale che per

ogni x, x0 , y, y0 v ∈ V e per ogni λ ∈ R si abbia

FB1. ϕ(x + x0 , y) = ϕ(x, y) + ϕ(x0 , y);

FB2. ϕ(x, y + y0 ) = ϕ(x, y) + ϕ(x, y0 );
FB3. ϕ(λx, y) = ϕ(x, λy) = λϕ(x, y).

La forma bilineare ϕ si dice simmetrica se

ϕ(x, y) = ϕ(y, x), per ogni x, y ∈ V.

La forma bilineare ϕ si dice antisimmetrica o alterna se

ϕ(x, y) = −ϕ(y, x), per ogni x, y ∈ V.

L’insieme delle forme bilineari su V viene indicato con B(V, R). L’insieme delle forme bilineari
simmetriche di V si indica con Bs (V, R), mentre le forme antisimmetriche o alterne vengono
indicate con Alt(V, R).

47
Osservazione 4.2. Se ϕ è antisimmetrica si ha ϕ(x, x) = −ϕ(x, x) = 0 per ogni x ∈
V. D’altra parte, una forma bilineare ϕ tale che

ϕ(x, x) = 0 per ogni x ∈ V

è antisimmetrica (dim. per esercizio).

Esempi

[1] Un esempio banale di forma bilineare su uno spazio vettoriale V è l’applicazione identica-
mente nulla: 0(x, y) = 0, per ogni x, y ∈ V.

[2] Se V = R3 e x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) sono vettori di V, l’applicazione

ϕ(x, y) = 3x1 y1 + x3 y3 − (x1 y2 + x2 y1 ) − 2(x1 y3 + x3 y1 ) + x2 y3 + x3 y2 ,

è una forma bilineare simmetrica. Invece la forma

ϕ(x, y) = x1 y1 − 2x1 y3 + x2 y3 − x3 y1

è bilineare ma non simmetrica nè alterna, perché, ad esempio,

ϕ((1, 0, 0), (0, 0, 1)) = −2 6= ϕ((0, 0, 1), (1, 0, 0)) = −1

[3] Il prodotto scalare standard su Rn che associa a ogni coppia di vettori x = (x1 , . . . , xn ), y =
(y1 , . . . , yn ) il numero reale

x · y = x1 y1 + x2 y2 + · · · + xn yn ,

è un’applicazione bilineare simmetrica. Più in generale qualsiasi prodotto scalare su uno spazio
vettoriale reale è una forma bilineare simmetrica. Ciò segue direttamente dalle proprietà del
prodotto scalare (cfr. Greco-Valabrega Vol.1 [Link] Par.1).

[4] Sia A = (aij ) ∈ M (n, R). Considerando i vettori di Rn come vettori colonna, otteniamo
una forma bilineare su Rn ponendo
X
ϕ(X, Y) = tXAY = aij xi yj .
i,j

per ogni X = t(x1 , . . . , xn ), Y = t(y1 , . . . , yn ).

Il fatto che ϕ sia una forma bilineare segue dalle proprietà del prodotto tra matrici.
Se scegliamo A = I otteniamo il prodotto scalare standard dell’esempio [2].

48
Se n = 2k, cioè n è pari e prendiamo A = Jk dove
 
0k Ik
Jk =
−Ik 0k

si ottiene
ϕ(x, y) = x1 yk+1 + · · · + xk yn − xk+1 y1 − · · · − xn yk ,
che è una forma bilineare alterna chiamata forma alterna standard su Rn .

[5] (Spazio di Minkowski) Si considerino V = R4 e la forma bilineare g data, rispetto alla base
canonica, dalla matrice  
1 0 0 0
0 1 0 0 
M=  0 0

1 0 
0 0 0 −c2

dove c è una costante positiva (la velocità della luce). Dati due vettori x = (x1 , . . . , x4 ), y =
(y1 , . . . , y4 ) si ha
x · y = x1 y1 + x2 y2 + x3 y3 − c2 x4 y4 ,

[6] Se V = C([a, b]) = {f : [a, b] → R : f continua}, l’applicazione definita da

Z b
ϕ(f, g) = f (x)g(x) dx
a

è una forma bilineare simmetrica su V.

4.1.1 Matrice di una forma bilineare

Da questo momento in poi, salvo dove diversamente indicato, V sarà uno spazio vettoriale
reale di dimensione n.
Sia B = (v1 , . . . , vn ) una base di V e ϕ ∈ B(V, R). Per ogni coppia di vettori x, y ∈ V, con
x = x1 v1 + · · · + xn vn , y = y1 v1 + · · · + yn vn , per le proprietà di bilinearità di ϕ, si ha

ϕ(x, y) = ϕ(x1 v1 + · · · + xn vn , y1 v1 + · · · + yn vn ) =

x1 y1 ϕ(v1 , v1 ) + x1 y2 ϕ(v1 , v2 ) + · · · + x1 yn ϕ(v1 , vn )+

(4.1)
x2 y1 ϕ(v2 , v1 ) + x2 y2 ϕ(v2 , v2 ) + · · · + x2 yn ϕ(v2 , vn )+
...
xn y1 ϕ(vn , v1 ) + xn y2 ϕ(vn , v2 ) + · · · + xn yn ϕ(vn , vn )

49
Posto aij = ϕ(vi , vj ), alla forma bilineare ϕ si associa la matrice
 
a11 a12 . . . a1n
 a12 a22 . . . a2n 
A = M B (ϕ) =   . . . . . . . . . . . .  = (aij ), aij ∈ R,


a1n a2n . . . ann

che è la matrice della forma bilineare ϕ rispetto alla base B di V.

La forma ϕ si può scrivere anche:
X
ϕ(x, y) = aij xi yj = tXAY
i,j

Viceversa se A = (aij ) ∈ M (n, R) è una matrice quadrata di ordine n e (v1 , . . . , vn ) è una

base di V, ponendo X
ϕ(x, y) = aij xi yj = tXAY
i,j

per ogni x = (x1 , . . . , xn ), y = (y1 , . . . , yn ) ∈ V, si definisce una forma bilineare su V. Si osservi

che l’applicazione ϕ ↔ (aij ) è un isomorfismo tra B(V, R) e M (n, R).
Si osservi inoltre che, essendo ϕ(x, y) uno scalare, si ha

ϕ(x, y) = t(ϕ(x, y)) = tXAY = t( tXAY ) = tY tAX.

Quindi, essendo ϕ(y, x) = tY AX, si ha

ϕ(x, y) = ϕ(y, x), per ogni x, y ∈ V

se e solo se tA = A. In altre parole, la forma bilineare φ è simmetrica se e solo se la matrice
A è simmetrica. Analogamente ϕ è antisimmetrica se e solo se tA = −A, cioè se e solo se A
è antisimmetrica.

Esempio 4.3. Sia ϕ ∈ B(R2 , R) la forma bilineare data da:

ϕ(x, y) = 3x1 y1 − x1 y2 + 2x2 y2 + 2x2 y1 .

Scrivere la matrice di ϕ rispetto alla base canonica (v1 , v2 ) di R2 .

La matrice richiesta è  
3 −1
M (ϕ) =
2 2

Vediamo adesso come cambia la matrice associata a una forma bilineare se cambiamo la base
dello spazio vettoriale. Indichiamo con M B (ϕ) la matrice della forma bilineare ϕ rispetto alla
base B.

50
Teorema 4.4. Siano V uno spazio vettoriale su R, B, B 0 due basi di V, A = M B (ϕ), A0 =
0
M B (ϕ). Se P indica la matrice di passaggio tra le due basi, risulta:
A0 = tP AP.

Dimostrazione. Dette X = P X 0 , Y = P Y 0 le equazioni del cambiamento di base, si ha

ϕ(x, y) = tXAY = t(P X 0 )A(P Y 0 ) = tX 0 tP AP Y 0 .

D’altra parte si può scrivere ϕ(x, y) = tX 0 A0 Y 0 e, dal confronto delle due espressioni, si ottiene
tX 0 tP AP Y 0 = tX 0 A0 Y 0 oppure tX 0 ( tP AP − A0 )Y 0 = 0, per ogni X 0 , quindi
( tP AP − A0 )Y 0 = 0, da cui A0 = tP AP.

Esempio 4.5. Data la forma bilineare ϕ(x, y) = 3x1 y1 − x1 y2 + 2x2 y2 + 2x2 y1 , le matrici di
ϕ rispettivamente riferite alla base canonica e dopo il cambiamento di base di matrice
 
1 −2
P = , sono
2 1
       
3 −1 1 2 3 −1 1 −2 13 −11
A= , A0 = =
2 2 −2 1 2 2 2 1 4 12

4.2 Forme bilineari simmetriche e forme quadratiche

Definizione 4.6. Data la forma bilineare simmetrica ϕ ∈ Bs (V, R), l’applicazione

Q : V −→ R, x 7−→ Q(x) = ϕ(x, x),
si dice forma quadratica reale associata alla forma bilineare simmetrica ϕ.
L’insieme delle forme quadratiche reali su V si indica con Q(V, R).

Osservazione 4.7. Le forme quadratiche reali NON sono applicazioni lineari. Infatti per ogni
x, y ∈ V e per ogni λ ∈ R, si ha:
1)Q(x + y) = ϕ(x + y, x + y) = Q(x) + 2ϕ(x y) + Q(y).
2)Q(λx) = ϕ(λx, λx) = λ2 Q(x).
L’espressione 1) è detta forma polare della forma quadratica Q. Dalla 2), per λ = 0, si ottiene
Q(0V ) = 0.

Definizione 4.8. Se dim V = n, la matrice simmetrica di ordine n di ϕ si dice anche matrice

di Q e il suo rango si dice anche rango della forma quadratica Q.

Esempi

51
[1] Nel piano euclideo, una conica è rappresentata dall’equazione

a11 x2 + a22 y 2 + 2a12 xy + 2a13 x + 2a23 y + a33 = 0

oppure, in forma matriciale  

x


x y 1 A y  = 0
1
 
a11 a12 a13
dove A = a21 a22 a23  è una matrice simmetrica e quindi rappresenta una forma bilineare
a31 a32 a33
simmetrica.

[2] L’espressione polinomiale della forma quadratica Q su R3 , avente la seguente matrice

 
3 −1 2
−1 0 1
2 1 1

è Q(x) = 3x21 + x23 − 2x1 x2 + 4x1 x3 + 2x2 x3 ,

mentre l’espressione polinomiale della relativa forma bilineare simmetrica è
ϕ(x, y) = 3x1 y1 + x3 y3 − (x1 y2 + x2 y1 ) − 2(x1 y3 + x3 y1 ) + x2 y3 + x3 y2 .

4.2.1 Rappresentazione di una forma quadratica in forma matriciale

Da quanto detto nel paragrafo 4.1.1 segue che per ogni ϕ ∈ Bs (V, R) e per ogni x ∈ V si ha
n
X
Q(x) = ϕ(x, x) = aij xi yj = tXAX
i,j=1

Il determinante della matrice di Q si dice discriminante di Q.

Esempio 4.9. Data la forma quadratica reale: Q(x) = x21 + 4x23 + 3x24 − 4x1 x3 + 10x2 x4 ,
i)scrivere l’espressione polinomiale della forma bilinare simmetrica ϕ associata a Q e la relativa
matrice.
ii)Posto a = (1, 0, 1, 0) e b = (0, 1, 1, 0), calcolare ϕ(a, b) e Q(a).

R. i) ϕ(x, y) = x1 y1 + 4x3 y3 + 3x4 y4 − 2(x1 y3 + x3 y1 ) + 5(x2 y4 + x4 y2 ).

 
1 0 −2 0
0 0 0 5
M (ϕ) = 
−2

0 4 0
0 5 0 3

52
ii) ϕ(a, b) = ϕ((1, 0, 1, 0), (0, 1, 1, 0)) =
    
1 0 −2 0 0 0

 0 0 0 5 1
1
= 1 0 1 0  −2 0 4 0 1 = −1 0 2 0 1 = 2
   

0 5 0 3 0 0
Q(a) = Q(1, 0, 1, 0) = 1 + 4 + 0 − 4 + 0 = 1.

Definizione 4.10. Due vettori x, y ∈ V si dicono coniugati o ortogonali rispetto a

ϕ ∈ Bs (V, R), se ϕ(x, y) = 0.

Esempi

[1] Questa terminologia ha origine geometrica e fa riferimento al caso del prodotto scalare,
grazie al quale si possono definire le nozioni di ortogonalità e di angolo. Ricordiamo infatti ad
esempio che nel caso dello spazio euclideo R3 con prodotto scalare standard ” · ”, due vettori
x, y ∈ R3 sono ortogonali se e solo se x · y = 0.

[2] I vettori x = (1, −1) e y = (3, 4) sono coniugati rispetto alla forma bilineare simmetrica
ϕ ∈ Bs (R2 , R) cosı̀ definita: ϕ = 3x1 y1 − x1 y2 + 2x2 y2 − x2 y1 . Infatti ϕ(x, y) = 3 · 3 − 1 · 4 +
2(−1) · 4 − (−1) · 3 = 0.

Proprietà 4.11. Il vettore nullo è ortogonale a ogni vettore, rispetto a ogni forma bilineare
simmetrica ϕ ∈ Bs (V, R).

Dimostrazione. Per ogni forma bilineare ϕ ∈ Bs (V, R), per ogni coppia di vettori x, y ∈ V
e per ogni scalare λ ∈ R, si ha: ϕ(x, λy) = λϕ(x, y). Posto λ = 0, per ogni x ∈ V, si ottiene
ϕ(x, 0V ) = 0.

Proposizione 4.12. Siano u1 , u2 , . . . , up dei vettori di uno spazio vettoriale V su R e si

consideri il sottospazio F = L(u1 , u2 , . . . , up ). Se x ∈ V è coniugato rispetto a ϕ ∈ Bs (V, R)
di tutti i vettori u1 , u2 , . . . , up , allora x è coniugato di ogni vettore di F e viceversa.

Dimostrazione. Infatti, se ϕ(x, ui ) = 0, i = 1, 2, . . . , p, allora, per ogni vettore y di F, y =

x1 u1 + x2 u2 + · · · + xp up si ha

ϕ(x, y) = x1 ϕ(x, u1 ) + · · · + xp ϕ(x, up ) = 0.

Il viceversa è ovvio.

53
Definizione 4.13. Due sottospazi si dicono coniugati rispetto a ϕ se e soltanto se ogni vettore
del primo sottospazio è coniugato a ogni vettore del secondo sottospazio.

Definizione 4.14. Si dice nucleo di una forma ϕ ∈ Bs (V, R) l’insieme di V formato dai vettori
coniugati di tutti i vettori di V rispetto a ϕ e si indica con ker ϕ, in simboli:

ker ϕ = {x ∈ V : ∀ y ∈ V, ϕ(x, y) = 0}.

Proposizione 4.15. Il nucleo di una forma bilineare ϕ di V è un sottospazio vettoriale di V.

Dimostrazione. Infatti, per ogni coppia di vettori v1 , v2 di ker ϕ e per ogni coppia di scalari
x1 , x2 di R si ha

ϕ(x1 v1 + x2 v2 , y) = x1 ϕ(v1 , y) + x2 ϕ(v2 , y) = 0, ∀y ∈ V

dunque x1 v1 + x2 v2 ∈ ker ϕ.

Definizione 4.16. Si dice che ϕ( o Q) è non degenere se ker ϕ = {0V } e degenere se ker ϕ 6=
{0V }.

Teorema 4.17. Sia ϕ un elemento di Bs (V, R). Allora ϕ( o Q) è degenere se e soltanto se

det A = 0, dove A è la matrice associata a ϕ( o a Q).

Dimostrazione. Scelta (vi ) base di V, si cercano i vettori x non nulli di V tali che ϕ(x, y) =
0 o, equivalentemente, tali che ϕ(x, vj ) = 0 per ogni j = 1, 2, . . . , n. Posto x = x1 v1 + x2 v2 +
· · · + xn vn , si ottiene:
n
X
ϕ(x, vj ) = ϕ(x1 v1 + x2 v2 + · · · + xn vn , vj ) = xi ϕ(vi , vj ), j = 1, 2, . . . , n
i=1
Pn Pn
D’altra parte i=1 xi ϕ(xi , vj ) = i=1 xi ϕ(xj , vi ) e scrivendo aij := ϕ(xi , vj ) otteniamo
n
X
xi aij = 0
i=1

che è un sistema omogeneo di n equazioni in n incognite il quale ha soluzioni non nulle se e

soltanto se il rango della matrice A = (aij ) è minore di n o, equivalentemente, se il det A è
uguale a zero.

54
Esempio 4.18. Determinare il nucleo della forma bilineare ϕ ∈ Bs (R3 , R) di matrice:

 
1 0 −2
M (ϕ) =  0 1 1  .
−2 1 5
Si cercano i vettori x = (x1 , x2 , x3 ) per i quali ϕ(x, vj ) = 0, j = 1, 2, 3, il che significa, nel
nostro caso 
x1 ϕ(v1 , v1 ) + x2 ϕ(v2 , v1 ) + x3 ϕ(v3 , v1 ) = 0

x1 ϕ(v1 , v2 ) + x2 ϕ(v2 , v2 ) + x3 ϕ(v3 , v2 ) = 0

x1 ϕ(v1 , v3 ) + x2 ϕ(v2 , v3 ) + x3 ϕ(v3 , v3 ) = 0


Cerchiamo quindi i vettori che sono soluzioni del sistema:


x1 − 2x3 = 0

x2 + x3 = 0

−2x1 + x2 + 5x3 = 0.


Si ottiene x = (2x3 , −x3 , x3 ), x3 ∈ R, e quindi ker ϕ = L((2, −1, 1)).

Definizione 4.19. Un vettore x ∈ V si dice isotropo di Q se Q(x) = 0.

Proposizione 4.20. Se un vettore x appartiene a ker ϕ, allora Q(x) = 0 e perciò x è isotropo.

Dimostrazione. Se per ogni vettore y di V si ha ϕ(x, y) = 0, segue che ϕ(x, x) = Q(x) = 0.

Non sempre vale il viceversa. Gli esempi che seguono mettono in evidenza che, in generale,
ker ϕ non coincide con l’insieme dei vettori isotropi ma è in esso contenuto.

Esempio 4.21. Su R3 con base canonica (v1 , v2 , v3 ) è data la forma quadratica

Q(x) = x21 − 2x23 − 4x1 x2 − 2x1 x3 − 4x2 x3

la cui forma bilineare simmetrica associata è

ϕ(x, y) = x1 y1 − 2x3 y3 − 2(x1 y2 + x2 y1 ) − (x1 y3 + x3 y1 ) − 2(x2 y3 + x3 y2 ).

Il vettore a = (4, 1, 0) è isotropo di Q perché Q(a) = 16 − 16 = 0, ma a non appartiene a

ker ϕ in quanto:
 

1 −2 −1

ϕ(a, v1 ) = ϕ(v1 , a) = 1 0 0 −2 0 −2 4 1 0 = 4 − 2 = 2 6= 0
−1 −2 −2

55
  
1 0
Esempio 4.22. la forma quadratica Q(x) = x21 − x22 ha matrice A = ,
0 −1

con det A 6= 0. I vettori isotropi di Q sono i vettori x = (x1 , x2 ) tali che x21 − x22 = 0, da cui
x1 = ±x2 , quindi x = (±x2 , x2 ) e formano l’insieme:

L((1, 1)) ∪ L((−1, 1)).

Il ker ϕ si riduce al vettore nullo, come risulta da:

      
1 0 x1 x1 0
= = .
0 −1 x2 −x2 0

Osservazione 4.23. L’insieme dei vettori isotropi di una forma quadratica in genere NON è
un sottospazio lineare, come si può anche dedurre dall’esempio precedente.

Definizione 4.24. Una forma bilineare simmetrica ϕ si dice:

1. definita positiva (negativa) se ∀x ∈ V, ϕ(x, x) ≥ 0(≤ 0) e ϕ(x, x) = 0 ⇔ x = 0V ;

2. semidefinita positiva (negativa) se ∀x ∈ V, ϕ(x, x) ≥ 0(≤ 0) ma esistono vettori x ∈ V

tali che ϕ(x, x) 6= 0V e ϕ(x, x) = 0;

3. non definita se ϕ(x, x) ha segno variabile al variare dei vettori di V.

Queste stesse definizioni si estendono anche al caso di una forma quadratica Q che quindi si
dirà definita (positiva o negativa), semidefinita (positiva o negativa) o non definita a seconda
del segno di Q(x).

Proposizione 4.25. Se la forma bilineare simmetrica ϕ è definita (positiva o negativa), allora

è non degenere.

Dimostrazione. Per ogni vettore x di ker ϕ e per ogni vettore y di V si ha ϕ(x, y) = 0.

Ciò implica ϕ(x, x) = Q(x) =, 0 ma Q è definita, dunque x = 0V .

Non vale il viceversa della proposizione precedente. Infatti, ad esempio, la forma quadratica
dell’Esempio 4.22 è non degenere ma non è definita perché i vettori non nulli x = (1, 1) e
y = (−1, 1), ad esempio, sono tali che Q(x) = Q(y) = 0.

Esempi.

56
[1] Un prodotto scalare è una forma bilineare simmetrica definita positiva. Abbiamo già detto
che un prodotto scalare permette di definire la nozione di ortogonalità. In realtà per definire
l’ortogonalità non è necessario richiedere alla forma bilineare di essere positiva. Basta richiedere
la condizione di simmetria o di antisimmetria. Infatti in entrambi i casi si può definire la nozione
di ortogonalità
ϕ(x, y) = ϕ(y, x) = 0

che deve essere simmetrica perché x ⊥ y se e solo se y ⊥ x. In questo modo si ottengono

geometrie diverse da quelle dello spazio euclideo. Un esempio importante è dato dallo spazio
di Minkowski introdotto in precedenza. Studieremo la geometria di questo spazio più avanti.

[2] Se f (x, y) è una funzione di due variabili reali, sufficientemente regolare, la ricerca dei
massimi e minimi locali può essere effettuata calcolando l’hessiano nei punti singolari. Più
precisamente, se P0 = (x0 , y0 ) è un punto in cui si annullano le derivate parziali della funzione,
si studia la forma quadratica H(x, y) nel punto P0

2 (P ) f 2 (P )
fxx 0 xy 0
H(x0 , y0 ) = 2 (P ) f 2 (P ) .
fxy 0 yy 0

Si ha il seguente risultato fondamentale:

- se H(x0 , y0 ) è definita positiva (negativa) il punto P0 è un punto di minimo (massimo) locale;
- se H(x0 , y0 ) è semidefinita non si può dire nulla sulla natura del punto P0 ;
-se H(x0 , y0 ) è non definita il punto P0 è un punto di sella.
Vedremo più avanti che queste condizioni si traducono in condizioni sul segno degli autovalori
di una matrice associata alla forma (cfr. Prop. 4.36, 4.37, 4.38).

Quando su uno spazio vettoriale V abbiamo una forma bilineare simmetrica definita positiva
(un prodotto scalare quindi) possiamo calcolare proiezioni ortogonali di un vettore su un altro
e costruire basi ortogonali, come nel caso del prodotto scalare ordinario su R3 .

Definizione 4.26. Siano x, y due vettori dello spazio vettoriale V, su cui sia definito un
prodotto scalare ϕ e sia y 6= 0. Definiamo coefficiente di Fourier di x rispetto a y il numero

ϕ(x, y)
c=
ϕ(y, y)

e definiamo proiezione di x lungo y il vettore cy. Si vede subito che i vettori x − cy e y sono
ortogonali
ϕ(x, y)
ϕ(x − cy, y) = ϕ(x, y) − ϕ(y, y) = 0
ϕ(y, y)

57
Sia ora x1 , . . . , xn una base ortogonale di V e x = a1 x1 + · · · + an xn . Eseguendo il prodotto
scalare con i vettori xi otteniamo

ϕ(x, xi ) = ai ϕ(xi , xi )

Quindi ai è il coefficiente di Fourier di x rispetto a xi , cioè

ϕ(x, xi )
ai = .
ϕ(xi , xi )

Quindi quando abbiamo un prodotto scalare e una base ortogonale, le coordinate di un ele-
mento di V rispetto a questa base sono semplicemente i suoi coefficienti di Fourier (cfr. anche
Greco-Valabrega [Link] 2.4.). Osserviamo anche che è sempre possibile costruire una base or-
togonale {v1 , . . . , vn } dello spazio V a partire da una sua base qualsiasi {x1 , . . . , xn }, tramite
il metodo di ortogonalizzazione di Gram-Schmidt (vedi anche Greco-Valabrega [Link] 2.6.):

v1 = x1
v2 = x2 − c2,1 v1
.
.
.
vn = xn − [cn,1 v1 + · · · + cn,n−1 vn−1 ]

dove ci,j è il coefficiente di Fourier di xi rispetto a vj .

Esercizi.
Per ciascuna forma bilineare simmetrica e forma quadratica associata, si riportano: la matrice,
il suo determinante, il nucleo, l’insieme dei vettori isotropi e la relativa classificazione.

[1] ϕ ∈ Bs (R3 , R), ϕ(x, y) = x1 y1 + x2 y2 + x3 y3 , Q(x) = x21 + x22 + x33 ≥ 0.

 
1 0 0
A = 0 1 0 , det(A) = 1, ker ϕ = {0R3 }, Q(x) = 0 ⇒ 0R3 .
0 0 1
ϕ è definita positiva non degenere.

[2] ϕ ∈ Bs (R3 , R), ϕ(x, y) = x1 y1 + x2 y2 , Q(x) = x21 + x22 ≥ 0.

 
1 0 0
A = 0 1 0 , det(A) = 0, ker ϕ = L((0, 0, 1)), Q(x) = 0 ⇒ x ∈ L((0, 0, 1)).
0 0 0
ϕ è semidefinita positiva degenere.

58
[3] ϕ ∈ Bs (R2 , R), ϕ(x, y) = x1 y1 + x2 y2 + x1 y2 + x2 y1 = (x1 + x2 )(y1 + y2 ).
 
1 1
Q(x) = (x1 +x2 )2 ≥ 0, A = , det(A) = 0, ker ϕ = L((1, −1)), Q(x) = 0 ⇒ x ∈ L((1, −1)).
1 1
ϕ è semidefinita positiva degenere.

[4] ϕ ∈ Bs (R2 , R), ϕ(x, y) = x1 y1 − x2 y2 , Q(x) = x21 − x22 .

 
1 0
A= , det(A) = −1, ker ϕ = {0R3 },
0 −1
Q(x) = 0 ⇒ (x1 = x2 ) ∨ (x1 = −x2 ) ⇒ x ∈ L((1, 1)) ∪ L((1, −1)).

ϕ è non definita non degenere.

[5] ϕ ∈ Bs (R3 , R), ϕ(x, y) = x1 y1 − x1 y2 − x2 y1 , Q(x) = x21 − 2x1 x2 .

 
1 −1 0
A = −1 0 0 , det(A) = 0, ker ϕ = L((0, 0, 1)),
0 0 0
Q(x) = 0 ⇒ (x1 = 0) ∨ (x1 = 2x2 ) ⇒ L((0, 0, 1), (0, 1, 0)) ∪ L((2, 1, 0), (0, 0, 1))

ϕ è non definita degenere.

[6] Sia V lo spazio delle funzioni reali continue nell’intervallo [a, b] e sia ϕ ∈ Bs (V, R) la forma
Z a
ϕ(x, y) = f (t)g(t) dt, x = f (t), y = g(t) ∈ V, t ∈ R.
b

definita in precedenza. Si ha
Z a
Q(x) = f 2 (t)dt.
b

Vogliamo dimostrare che Q è definita positiva. Innanzitutto osserviamo che l’integrale definito
del quadrato di una funzione continua è non negativo. Quindi dobbiamo dimostrare che se
Q(x) = 0, allora f = 0 in [a, b]. Se non fosse cosı̀, allora esisterebbe almeno un punto ξ
nell’intervallo [a, b] in cui f è diversa da zero e f 2 sarebbe positiva in tutto un intorno I di
ξ. Quindi scelto un intervallo [c, d] ⊆ I si avrebbe
Z a Z d
2
Q(x) = f (t)dt ≥ f 2 (t)dt > 0,
b c

il che è assurdo. Quindi deve essere f = 0 in [a, b].

59
4.3 Forme canoniche

Definizione 4.27. Date due forme quadratiche R e Q si dice che R è equivalente a Q (o che
R e Q sono tra di loro equivalenti ) se R si può ottenere da Q mediante un cambiamento di
base.
Esempio 4.28. Le due forme quadratiche:

Q((x1 , x2 )) = x1 x2 , R((x1 , x2 )) = x21 − x22

sono equivalenti. Infatti con la trasformazione:

(
x1 = y1 + y2
x2 = y1 − y2 ,
ossia     
x1 1 1 y1 1 1
= , dove 6= 0,
x2 1 −1 y2 1 −1
si ha:

Q((x1 , x2 )) = Q((y1 + y2 , y1 − y2 )) = (y1 + y2 )(y1 − y2 ) = y12 − y22 = R((y1 , y2 )).

L’espressione assunta da Q giustifica la seguente:

Definizione 4.29. Una forma quadratica Q si dice ridotta in forma canonica se è del tipo

Q(x) = a11 x21 + a22 x22 + · · · + ann x2n ,

ossia se la matrice a essa associata è diagonale.

Esempio 4.30.

La forma quadratica Q(x) = x1 x2 dell’esempio precedente non è in forma canonica, mentre la

forma quadratica R(x1 , x2 ) = x21 − x22 lo è. Inoltre, come abbiamo appena visto, le due forme
sono tra di loro equivalenti quindi R è una forma canonica di Q.
Un’altra forma canonica di Q è, ad esempio, S(x1 , x2 ) = 5x21 − 3x22 . Infatti S si ottiene da Q
con il seguente cambiamento di base:
  √ √  
x1 5 √3 y1
= √ .
x2 5 − 3 y2

Si verifica inoltre che tutti i cambiamenti di base:

    
x1 a b y1
= ,
x2 a −b y2

60
realizzano forme quadratiche in forma canonica di Q per ogni a, b ∈ R tali che

a b
6= 0.
a −b

Tra le forme canoniche di una forma quadratica ne esistono sempre due particolari, come
precisato dai seguenti teoremi:

Teorema 4.31. Ogni forma quadratica Q(x) = tXAX ha una forma canonica del tipo

Q(x) = R(y) = λ1 y12 + λ2 y22 + · · · + λn yn2 (4.2)

dove λ1 , λ2 , . . . , λn sono gli autovalori della matrice A (ciascuno ripetuto con la propria
molteplicità.)

Dimostrazione. La matrice A associata a Q è simmetrica reale e perciò esiste una matrice

ortogonale P tale che:
 
λ1 0 ... 0
0 λ2 ... 0
t
P AP = P −1 AP = D = 

.
. . ... . 
0 0 ... λn

([Link]-Valabrega Vol.1 Cap.8 Par.5 o anche Teorema 7.9. nel capitolo sugli endomorfismi
autoaggiunti). Con il cambiamento di base X = P Y, tenuto conto che P è ortogonale, si ricava
Q(x) = tXAX = t(P Y )A(P Y ) = tY ( tP AP )Y = tY DY = λ1 y12 + λ2 y22 + · · · + λn yn2 .

Definizione 4.32. Una forma quadratica Q si dice ridotta in forma normale se è ridotta a
forma canonica e i suoi coefficienti sono 1, 0, −1.

Teorema 4.33. Ogni forma quadratica ammette una forma normale. Il numero dei coefficienti
pari a 1 è uguale al numero di autovalori positivi, contati con la relativa molteplicità, e il
numero dei coefficienti uguali a −1 é pari al numero di autovalori negativi, contati con la
relativa molteplicitá.

Dimostrazione. Sia Q ridotta a forma canonica e sia B = (e1 , e2 , . . . , en ) la base ortonormale

rispetto alla quale Q si scrive come:

Q(y) = λ1 y12 + λ2 y22 + · · · + λn yn2 ,

61
allora λi = Q(ei ). Si vuole una nuova base di Rn , sia: B 0 = (e01 , e02 , . . . , e0n ) tale che Q(e0i ) = ±1.
Si deduce che:
ei
e0i = p .
|λi |
Si osservi che B 0 è una base ortogonale, ma non ortonormale.

Osservazione 4.34. Una forma quadratica in forma canonica ottenuta attraverso gli auto-
valori assume notevole importanza in geometria analitica, ad esempio, nella riduzione a forma
camonica delle coniche e delle quadriche perché è legata a cambiamenti di basi ortonormali e
conseguentemente a cambiamenti di riferimento ortogonali del piano e dello spazio. La stessa
forma quadratica ridotta in forma normale, anche se più elegante e semplice per la sua classi-
ficazione, non può svolgere il ruolo della forma canonica legata agli autovalori perché con essa
viene a mancare l’ortonormalità della base.
Esercizi risolti

[1] Ridurre a forma canonica la seguente forma quadratica:

Q((x1 , x2 , x3 )) = 2x21 + x22 − 4x1 x2 − 4x2 x3 .

R. La matrice associata Q e il relativo polinomio caratteristico sono rispettivamente:

 
2 −2 0
M (Q) =  −2 1 −2  , P (λ) = λ3 − 3λ2 − 6λ + 8 = 0.
0 −2 0
Autovalori e autospazi sono:

λ1 = 1, λ2 = −2, λ3 = 4,

Vλ1 = L((2, 1, −2)), Vλ2 = L((1, 2, 2)), Vλ3 = L(= (2, −2, 1)),

dai quali si ottiene la base ortonormale:

(2, 1, −2) (1, 2, 2) (2, −2, 1)
e1 = , e2 = , e3 =
3 3 3
La forma quadratica, in forma canonica, è
  
1 0 0 y 1
Q0 ((y1 , y2 , y3 )) = y12 − 2y22 + 4y33 = y1 y2 y3  0 −2 0   y2 

0 0 4 y3
ottenuta da Q con il cambiamento di base di matrice ortogonale:
 
2 1 2
1
P = 1 2 −2
3
−2 2 1.

62
[2] Ricavare la forma normale della forma quadratica Q data nell’esercizio precedente.

R. Avendo calcolato gli autovalori e avendo scoperto che due sono positivi e uno negativo, si
ha subito che la forma normale di Q é:
  
1 0 0 z1
Q00 ((z1 , z2 , z3 )) = z12 + z22 − z32 =  0 1 0   z2  = t ZI2,1 Z.


z 1 z2 z3
0 0 −1 z3

Per convenzione i termini positivi si antepongono a quelli negativi.

Se,
 invece, si richiede anche il cambiamento
 di base che permette di realizzare Q00 allora si ha:
0 0 1 0 1
e1 = e1 , e2 = 2 e3 , e3 = √ 2 e2 .

[3] Ricavare un’altra forma canonica della forma quadratica Q introdotta nel primo esercizio.

R. Un’altra forma canonica di Q si può ottenere, ad esempio, con il metodo del completamento
dei quadrati. Si procede come segue:

Q((x1 , x2 , x3 )) = 2(x21 − 2x1 x2 ) + x22 − 4x2 x3 = 2(x21 − 2x1 x2 + x22 ) − 2x22 + x22 − 4x2 x3 =
2(x1 − x2 )2 − (x22 + 4x2 x3 + 4x23 ) + 4x3 = 2(x1 − x2 )2 − (x2 + 2x3 )2 + 4x23 .

Con il cambiamento (non ortogonale) di variabili:

 
 y1 = x1 − x2  x1 = y1 + y2 − 2y3
y2 = x2 + 2x3 ossia x2 = y2 − 2y3
y3 = x3 , x3 = y3 ,
 
che si può anche scrivere nella forma X = P Y , dove:
    
x1 1 1 −2 y1
 x2  =  0 1 −2   y2  ,
x3 0 0 1 y3

la forma quadratica assume la forma canonica:

R((y1 , y2 , y3 )) = 2y12 − y22 + 4y32 .

La risposta a questo esercizio prova che esistono metodi diversi per pervenire alle forme cano-
niche di una forma quadratica. Inoltre, come si può notare, esistono forme canoniche diverse
della stessa forma quadratica. Ciò non è vero per quel che riguarda la forma normale di una
forma quadratica, vale a dire che esiste una sola forma normale per ogni forma quadratica (a
meno di riordinare gli elementi della diagonale). Questo risultato è noto come Teorema o legge
d’inerzia di Sylvester.

63
4.4 Il Teorema di Sylvester

Teorema 4.35. (Legge d’inerzia di Sylvester) Tutte le forme canoniche di una stessa forma
quadratica Q hanno lo stesso numero p ≤ r, dove r è il rango di Q, di coefficienti positivi e
lo stesso numero n di coefficienti negativi; la coppia (p, n) si dice segnatura di Q.

Dimostrazione. Sia {e1 , . . . , en } una base di V rispetto alla quale Q assuma la forma
Q(x) = λ1 y12 + λ2 y22 + · · · + λn yn2
per ogni x = y1 e1 + y2 e2 + · · · + yn en ∈ V. Il numero dei coeffienti λi che sono diversi da zero
è uguale al rango r della forma e quindi dipende sola da Q. Salvo riordinare la base possiamo
supporre che i primi r coefficienti siano diversi da zero e che tra essi quelli positivi figurino per
[Link] avrà quindi
λ1 = α12 , . . . , λp = αp2 , λp+1 = −αp+1
2
, . . . , λr = −αr2
per un opportuno intero p ≤ r e opportuni numeri reali positivi α1 , α2 , . . . , αr . Si verifica
facilmente che rispetto alla base
f1 = e1 /α1 , f2 = e2 /α2 , . . . , fr = er /αr , fr+1 = er+1 , . . . , fn = en
la forma associata è
Q(x) = x21 + · · · + x2p − x2p+1 − · · · − x2r (∗)
per ogni x = x1 f1 + x2 f2 + · · · + xn fn ∈ V.
Resta da dimostrare che p dipende solo da Q e non dalla base f1 , . . . , fn .
Supponiamo allora che in un’altra base {b1 , . . . , bn } la forma Q si esprima come
Q(x) = z12 + · · · + zt2 − zt+1
2
− · · · − zr2 (∗∗)
per un opportuno intero t ≤ r. Dobbiamo far vedere che t = p. Supponiamo allora per assurdo
che sia t 6= p. Possiamo supporre che sia t < p. Consideriamo i sottospazi
S = L(f1 , . . . , fp )
T = L(bt+1 , . . . , bn )
Dato che dim S+dim T = p+n−t > n, deve essere S∩T 6= {0} e quindi esiste x ∈ S∩T, x 6=
0. Si ha
x = x1 f1 + · · · + xp fp = zt+1 bt+1 + · · · + zn bn .
Poiché x 6= 0, da (∗) si ha
Q(x) = x21 + · · · + x2p > 0,
mentre da (∗∗) si deduce che
2
Q(x) = −zt+1 − · · · − zr2 < 0,
e cioè una contraddizione. Quindi p = t.

64
4.5 Studio del segno di una forma quadratica
Due forme quadratiche equivalenti Q(x) e R(y) = Q(P x), hanno lo stesso segno. Infatti
dalla relazione R(y) = Q(P ) = Q(x), risulta che Q e R assumono gli stessi valori nei vettori
corrispondenti x e y. Quindi è evidente che per studiare il segno di una forma quadratica Q
basta conoscere i segni dei coefficienti di una forma canonica di Q, in particolare Q(x) =
λ1 y12 + λ2 y2 y 2 + · · · + λ2n yn2 , dove λ1 , . . . , λn sono gli autovalori della matrice A associata a Q.
Le proprietà che seguono caratterizzano il segno di una forma quadratica reale attraverso il
segno degli autovalori di una matrice a essa associata.

Proposizione 4.36. La forma quadratica reale Q(x) = tXAX è definita positiva (negativa)
se e soltanto se tutti gli autovalori della matrice simmetrica reale A sono strettamente positivi
(negativi).

Dimostrazione. Sia R la forma canonica di Q legata agli autovalori (cfr. formula 4.2 del
Teorema 4.31). Si ha Q(x) = R(y) = λ1 y12 + λ2 y22 + · · · + λn yn2 . Supponiamo che tutti gli
autovalori λi siano positivi abbiamo:

∀y ∈ V, R(y) = Q(x) ≥ 0 e Q(x) = 0 ⇔ R(y) = 0 ⇔ y = 0

ma X = P Y e quindi y = 0 ⇔ x = 0 (P è una matrice invertibile e quindi rappresenta

un’applicazione iniettiva, vale a dire con nucleo nullo). Quindi ∀x ∈ V, Q(x) ≥ 0 e Q(x) =
0 ⇔ x = 0, dunque Q è definita positiva. Viceversa supponiamo che Q sia definita positiva e
che per assurdo si abbia λ1 ≤ 0. Prendiamo y = (1, 0, . . . , 0) : si ha X = P Y e quindi x 6= 0
da cui Q(x) = λ1 ≤ 0, cioè Q non è definita positiva,assurdo. La dimostrazione nel caso in
cui Q sia definita negativa è analoga e si lascia per esercizio.

Proposizione 4.37. La forma quadratica reale Q(x) = tXAX è semidefinita positiva (nega-
tiva) se e solo se tutti gli autovalori della matrice simmetrica reale A sono non negativi (non
positivi) e almeno un autovalore è nullo.

Proposizione 4.38. La forma quadratica reale Q(x) = tXAX è non definita se e solo se la
matrice simmetrica reale A ha autovalori di segno contrario.

Le proposizioni precedenti sono conseguenza immediata delle definizioni di forma quadratica

semidefinita e non definita e della formula 4.2 del Teorema 4.31. Pertanto si dimostrano in
maniera analoga alla Proposizione 4.36. Le dimostrazioni sono lasciate per esericzio.
Dal Teorema di Sylvester si deduce che i segni dei coefficienti di tutte le forme canoniche
coincidono con i segni degli autovalori. Tali segni si possono trovare agevolmente a partire dal
polinomio caratteristico di una matrice associata alla forma quadratica, utilizzando il

65
Teorema 4.39. (Regola di Cartesio) Sia f (x) = a0 + a1 x + · · · + an xn un polinomio reale
con tutte le radici reali. Allora le radici positive di f sono tante quanti sono i cambiamenti di
segno della successione a0 , a1 , . . . , an .

Possiamo applicare questa regola al polinomio caratteristico della matrice (simmetrica) associa-
ta a una forma quadratica perché esso ha tutte le radici reali.

Esempi 4.40.

[1] Il polinomio f (x) = 8 + 2x − 5x2 + x3 ha le due radici reli positive 2 e 4. D’altra parte nella
successione dei coefficienti (8, 2, −5, 1) ci sono due cambiamenti di segno.

[2] Il polinomio f (x) = (x + 1)(x − 2)(x − 4)(x − 5)x3 ha radici 0, −1, 2, 4, 5 e le radici positive
sono tre. D’altra parte f (x) = −40x3 − 12x4 + 27x5 − 10x6 + x7 e si vede che ci sono tre
cambiamenti di segno nei coefficienti di f.

Quindi per studiare il segno di una forma quadratica reale Q definita in Rn si procede in
questo modo:

1) Si trova la matrice A associata a Q e se ne calcola il polinomio caratteristico P (λ).

2) Si scrive P (λ) = λs P 0 (λ), con P 0 (0) 6= 0.
3) Si contano le variazioni di segno del polinomio P 0 (λ). Se queste variazioni sono p allora
P 0 (λ) ha p radici positive. In conclusione P (λ) ha:

s radici nulle;
p radici positive;
n − (p + s) radici negative.

Esempio 4.41. Determinare il segno della forma quadratica reale

Q(x) = 2x21 + x22 − 4x1 x2 − 4x2 x3 .

La matrice di Q e il relativo polinomio caratteristico sono

 
2 −2 0
−2 1 −2
0 −2 0

P (λ) = (2 − λ)(−λ + λ2 − 4) + 4λ = −2λ + 2λ2 − 8 + λ2 − λ3 + 4λ + 4λ = −λ3 + 3λ2 + 6λ − 8

Vi sono due cambiamenti di segno e 0 non è una radice. Quindi la forma quadratica è non
definita.

66
4.6 Altro metodo di riduzione a forma camonica
Si può agevolmente ridurre a forma canonica una forma quadratica reale con una tecnica che si
basa sul metodo di riduzione delle matrici. Nel corso di Geometria e Algebra Lineare I si sono
introdotti la definizione di matrice ridotta per righe (o per colonne) e il metodo di riduzione
di una matrice a forma ridotta per calcolarne il rango. Le operazioni elementari da applicare
a una matrice per ridurla si possono interpretare in termini di prodotto tra matrici.
Sia allora A una matrice in M (n, R) cui vogliamo applicare il procedimento per riduzione,
supponimao per il momento per colonne. Sostituiamo alla sua i−esima colonna Ci la colonna

Ci0 = Ci + aCj

dove a ∈ R è uno scalare. Una facile verifica dimostra che la matrice A0 ottenuta tramite
questa operazione coincide con il prodotto

A0 = A · E(j, i; a)

dove E(j, i; a) è la matrice che ha tutti 1 sulla diagonale principale, a al posto j, i e zero in
tutte le altre entrate. La matrice E(j, i; a) altri non è che la matrice identità su cui è stata
eseguita la stessa operazione di colonna

Ci0 = Ci + aCj .

Quindi per ridurre la matrice A per colonne effettueremo una serie di operazioni elementari
che corrisponderanno a moltiplicare A (a destra) per un certo numero di matrici E(j, i; a). Nel
caso in cui si voglia ridurre A per righe bisognerà effettuare la moltiplicazione per le matrici
tE(j, i; a) = E(i, j; a) a sinistra.

Anche nel caso in cui si voglia ridurre una forma quadratica in forma canonica si può applicare
un procedimento analogo a una sua matrice A associata, cercando una matrice invertibile P
tale che tP AP sia diagonale.
Come abbiamo appena osservato, la matrice B ottenuta da una data matrice A con l’operazione
di colonna
Ci 7−→ Ci + aCj
coincide con la matrice prodotto AE(j, i; a) dove E(j, i; a) è la matrice che si ottiene dalla
matrice identità sulla quale è stata eseguita la medesima operazione di colonna.
Analogamente la matrice B ottenuta da una data matrice A con l’operazione di riga

Ri 7−→ Ri + aRj

coincide con la matrice prodotto tE(j, i; a)A = E(i, j; a)A. La matrice E(i, j; a) è la matrice
che si ottiene dalla matrice identità sulla quale è stata eseguita la medesima operazione di riga.

67
Ciò premesso si eseguano contemporaneamente sulla matrice A eguali operazioni per le righe e
per le colonne fino a ottenere una matrice diagonale D, avendo l’avvertenza di fare in modo che
il nuovo elemento aii sia non nullo. Siano E1 , . . . , Em le matrici corrispondenti alle operazioni
di colonna effettuate su A. Le matrici A e D risultano allora legate dalla relazione

D = tEm . . . tE2 tE1 AE1 E2 . . . Em = t(E1 E2 . . . Em )AE1 E2 . . . Em .

Posto P = E1 E2 . . . Em , si osserva che tale matrice P si può ottenere dalla matrice identità I
sulla quale si siano eseguite, nell’ordine, le operazioni di colonna considerate.
Esempio 4.42. Si riduca a forma canonica la seguente forma quadratica:

Q(x) = 4x1 x2 + x22 − 2x1 x3 + 4x2 x3 .

 
0 2 −1
Sulla matrice A= 2 1 2  , associata alla forma quadratica Q, si operi come descritto:
−1 2 0
     
0 2 −1 1 0 −1 2 0 −1
2 1 2 R1 → R1 − R3  2 1 2  C1 → C1 − C3  0 1 2 
−1 2 0 −1 2 0 −1 2 0

     
2 0 −1 2 0 −1 2 0 0
 0 1 2  R3 → R3 + 1/2R1 0 1 2  C3 → C3 + 1/2C1 0 1 2 
−1 2 0 0 2 −1/2 0 2 −1/2
     
2 0 0 2 0 0 2 0 0
0 1 2  R3 → R3 − 2R2 0 1 2  C3 → C3 − 2C2 0 1 0 
0 2 −1/2 0 0 −9/2 0 0 −9/2

Una forma canonica di Q(x) è allora: Q(x) : 2y12 + y22 − 9/2y32 e la matrice del relativo
cambiamento di base è P dove
   
1 0 0 C1 → C1 − C3 1 0 1/2
0 1 0 C3 → C3 + 1/2C1  0 1 −2  = P.
0 0 1 C3 → C3 − 2C2 −1 0 1/2

Riduciamo ora Q a forma canonica mediante gli autovalori. Svolgendo i calcoli si ha che gli
autovalori di A sono λ1 = 1, λ2 = 3, λ3 = −3. Quindi la forma canonica in questo caso è

Q(x) : y12 + 3y22 − 3y32 .

La matrice ortogonale che dà il cambiamento di base e cioè quella che ha per colonne una base
ortonormale di autovettori, è

68
  √ √ 
−1/ 2 1/2 1/ √3
P 0 =  0√ 1 −1/√ 3 .
1/ 2 1/2 1/ 3

4.7 Riduzione simultanea a forma canonica

Siano Q, Q0 due forme quadratiche su uno spazio vettoriale V di dimensione n con Q definita
positiva e siano A, A0 due matrici simmetriche che le rappresentano. Si ha la seguente
Proposizione 4.43. Esiste una base di V rispetto alla quale entrambe le forme Q, Q0 si
esprimono in forma canonica.

Non diamo la dimostrazione di questa proposizione. Diciamo solo che quello che si dimostra
sono i seguenti risultati:
i) la matrice A−1 A0 ha autovalori reali ed è diagonalizzabile;
ii) se B = {v1 , . . . , vn } è una base di autovettori di A−1 A0 , allora sia A che A0 si esprimono
in forma canonica rispetto a B, cioè se P è la matrice che ha per colonne i vettori di B, si ha
t
P AP = D, t
P A0 P = D0

Inoltre, con una opportuna normalizzazione B 0 dei vettori di B, denotando con Q la matrice
che ha per colonne i vettori di B 0 , si ha
t
QAQ = I, t
QA0 Q = diag(λ1 , . . . , λn )

dove (λ1 , . . . , λn ) sono gli autovalori di A−1 A0 . Quindi la base B, è una base di autovettori di
A−1 A0 .
Osserviamo però che per trovare tale base non è necessario invertire A. Infatti gli autovalori ed
autovettori di A−1 A0 sono ottenibili tramite le equazioni:

det(A0 − λA) = 0

A0 X = λi AX.

Questo tipo di risultato si rivela particolarmente utile nello studio di problemi di equilibrio e
stabilità di sistemi meccanici. Più precisamente lo si utilizza per la linearizzazione di particolari
tipi di equazioni di Lagrange.

Esercizi risolti
[1] Nello spazio vettoriale R3 , riferito alla base canonica {v1 , v2 , v3 }, si consideri la forma
bilineare simmetrica ϕ definita da:

69
 28
ϕ(x, y) = 2x1 y1 + 3x2 y2 + x3 y3 − x1 y2 − x2 y1 − 2x1 y3 − 2x3 y1 + 4x2 y3 + 4x3 y2 ,
5
per ogni x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) ∈ R3 e sia Q la forma quadratica associata.

i) Scrivere la matrice della forma bilineare simmetrica ϕ rispetto alla base canonica e cal-
colare il suo rango.

ii) Determinare ker ϕ.

iii) Provare che B = ((1, 1, 1), (2, −1, 2), (1, 3, −3)) è una base di R3 e determinare la matrice
di ϕ rispetto a B.

iv) Determinare una forma canonica della forma quadratica Q e la sua segnatura.

R. i) La matrice della forma bilineare ϕ rispetto alla base canonica di R3 è:

2 −1 −2
 

A = −1 3 4

28

−2 4
5
Dato che
2 −1
det A = 0 e 6= 0,
−1 3

il rango di ϕ è 2.
ii) Si ha ker ϕ = {x ∈ R3 : ϕ(x, y) = 0, ∀y ∈ R3 }. Le componenti del vettore x ∈ ker ϕ sono
le soluzioni del sistema:


 ϕ(x, v1 ) = 2x1 − x2 − 2x3 = 0

ϕ(x, v2 ) = −x1 + 3x2 + 4x3 = 0
ϕ(x, v3 ) = −2x1 + 4x2 + 28 x3 = 0,


5

che si possono determinare, ad esempio, attraverso i seguenti passi di riduzione sulla matrice
A:
2 −1 −2
 
2 −1 −2 2 −1 −2
   
R2 → R2 + 1/2R1  5 5
A = −1 3 4 0 3  R3 → R3 − 6/5R2 

0 3
 
28

R3 → R3 + R1  2 2
18

−2 4 0 3 0 0 0.
5 5
Dal sistema equivalente: (
2x1 − x2 − 2x3 = 0
5x2 + 6x3 = 0,

70
si ottengono le soluzioni x1 = 2λ, x2 = −6λ, x3 = 5λ. Pertanto ker ϕ = L((2, −6, 5)).
 
1 2 1
iii) Posto P = 2 −1 2  si ha det P = 12 6= 0 e perciò i vettori di B formano una base
1 3 −3,
3
di R . La matrice di ϕ rispetto alla nuova base è
  2 −1 −2    
1 2 1 1 2 1 63 36 −29
5
A0 = tP AP = 2 −1 2  0 3  1 −1 3  = 1/5  36 27 2 .
 
1 3 −3 2 1 2 −3 −29 2 67
0 0 0

Si ha Q(x) = 2x21 + 3x22 + 28/5x23 − 2x1 x2 − 4x1 x3 + 8x2 x3 .

Usando il metodo del completamento dei quadrati o di Gauss, si può scrivere:
Q(x) = 1/2(2x1 −x2 −2x3 )2 +5/2x22 +18/5x23 +6x2 x3 = 1/2(2x1 −x2 −2x3 )2 +2/5(5/2x2 +2x3 )2 .
Di conseguenza mediante il cambiamento di variabili

0
x1 = 2x1 − x2 − 2x3

x02 = 5/2x2 + 3x3

 0
x3 = x3 ,

si ottiene la forma canonica Q(x) = (1/2)2x02 02

1 + (2/5)x2 .
La forma Q è pertanto degenere, semidefinita positiva e di segnatura 2.
[2] Nello spazio R3 , riferito alla base canonica B = {v1 , v2 , v3 }, sia ϕ la forma bilineare
simmetrica definita da:
ϕ(x, y) = x1 y1 + 3x2 y2 + 6x2 y2 + 56x3 y3 − 2(x1 y2 + x2 y1 ) + 7(x1 y3 + x3 y1 ) − 18(x2 y3 + x3 y2 ,
dove x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) ∈ R3 .

i) Scrivere la matrice di ϕ rispetto alla base B.

ii) Provare che i vettori v10 = v1 , v20 = 2v1 + v2 , v30 = −3v1 + 2v2 + v3 formano una base
di R3 .
iii) Scrivere la matrice di ϕ rispetto alla base B = (v10 , v20 , v30 ).
iv) Scrivere le espressioni polinomiali della forma quadratica Q associata a ϕ rispetto alle
basi B e B 0 .

R. i) La matrice della forma bilineare ϕ rispetto alla base B è

 
1 −2 7
−2 6 −18
7 −18 56

71
  
1 2 −3
ii) Posto P = 0 1 2  si ha det P = 1 6= 0 e perciò i vettori considerati formano una
0 0 1,
base di R3 .
iii)La matrice di passaggio dalla base B alla base B 0 è P. Denotando con
   
x1 y1
X = x2  , Y =  y2 
x3 y3 ,

le matrici colonna dei vettori x, y, si ha:

ϕ(x, y) = tXAY. (4.3)

Indicando con X 0 e Y 0 le matrici colonna delle componenti dei vettori x e y rispetto alla base
B 0 , si ha X = P X 0 , Y = P Y 0 e la formula 4.3 diventa

ϕ(x, y) = tX 0tP AP Y 0 , (4.4)

quindi la matrice di ϕ rispetto alla base B 0 è

 
1 0 0
A0 = tP AP = 0 2 0  .
0 0 −1

iv) Rispetto alla base B, la forma quadratica Q associata a ϕ è

Q(x) = x21 + 6x22 + 56x23 − 4x1 x2 + 14x1 x3 − 36x23 .

Tenendo conto della formula 4.4 la forma quadratica Q, rispetto alla base B 0 , si scrive:

Q(x) = x02 02 02
1 + 2x2 − x3 .

[3] In R3 consideriamo le forme quadratiche rappresentate dalle matrici

   
7 −2 1 2 0 1
A = −2 10 −2 A0 = 0 3 0 
1 −2 7, 1 0 2.

Dimostrare che esiste una base rispetto alla quale entrambe si scrivono in forma canonica e
trovare tale base.

R. La matrice A ha come polinomio caratteristico

x3 − 24x2 + 180x − 432

72
che ha tre cambiamenti di segno e quindi tre radici positive. La forma quadratica rappresentata
da A è definita positiva: posso applicare la Proposizione 4.43 e dire che esiste una base in cui
sia A che A0 si scrivono in forma canonica. Sappiamo che tale base è la base degli autovettori
della matrice A−1 A0 . Possiamo trovare gli autovalori di tale matrice risolvendo l’equazione:

det(A0 − λA) = −48λ3 + 44λ2 − 12λ + 1 = 0

che ha come soluzioni

λ1 = 1/2, λ2 = 1/4, λ3 = 1/6.

Gli autovettori invece si trovano utilizzando l’equazione

A0 X = λAX

che dà come risultati

v1 = (1, 1, 1), v2 = (1, −2, 1), v3 = (1, 0, −1).

Scrivendo  
1 1 1
P = 1 −2 0 
1 1 −1

si ha che tP AP = diag(18, 72, 12) e tP A0 P = diag(9, 18, 2).

Scrivendo  √ √ √ 
1/√18 1/ √72 1/ 12
Q = 1/√18 −2/√ 72 0√ 
1/ 18 1/ 72 −1/ 12
si ha
t
QAQ = I, QA0 Q = diag(1/2, 1/4, 1/6).
t

73
74
Capitolo 5

Isometrie e similitudini

Sia V uno spazio vettoriale euclideo di dimensione finita e sia “·”il prodotto scalare di V .

5.1 Isometrie
La definizione seguente estende (in modo naturale) a dimensioni superiori il concetto elementare
di isometria nel piano e nello spazio e cioè di trasformazione che conserva le distanze tra i punti.

Definizione 5.1. Un isomorfismo f di V prende il nome di isometria se:

kf (x)k = kxk, ∀x ∈ V.

Esempi

[1] Ogni rotazione Rθ (in senso antiorario) di angolo θ del piano vettoriale E2 è un’isometria.
Fissando la base canonica (e1 , e2 ) si vede che che la matrice associata a Rθ è:
 
cos θ − sin θ
.
sin θ cos θ

[2] L’identità: i : V −→ V , definita da i(x) = x, ∀x ∈ V , è un’isometria.

[3] L’applicazione −i : V −→ V definita da −i(x) = −x, ∀x ∈ V , è un’isometria.

Alcune tra le principali proprietà delle isometrie sono riassunte nel seguente:

75
Teorema 5.2. Sia V uno spazio vettoriale euclideo di dimensione n.

1) Ogni endomorfismo f : V −→ V tale che kf (x)k = kxk, ∀x ∈ V , è un’isometria.

2) Se f è un’isometria allora:

f (x) · f (y) = x · y, ∀x, y ∈ V.

3) La composizione di due isometrie è un’isometria.

4) L’inversa di un’isometria è un’isometria.

5) f è un’isometria di V se e solo se le immagini dei vettori di una base ortonormale di V

formano una base ortonormale di V .

6) Gli autovalori di un’isometria sono ±1

7) f è un’isometria di V se e solo se la matrice associata ad f , rispetto ad una base ortonormale

di V , è una matrice ortogonale.

Dimostrazione. 1) È sufficiente provare che ker f = {o}. Infatti se x ∈ ker f si ha f (x) = o;

d’altra parte kf (x)k = kok = 0 = kxk, quindi x = o.

2) Segue dal fatto che:

kf (x + y)k2 = kf (x) + f (y)k2 = kf (x)k2 + 2f (x) · f (y) + kf (y)k2 = kx + yk2

e:

kx + yk2 = kxk2 + 2x · y + kyk2 .

3) Se f e g sono isometrie, allora k(f ◦ g)(x)k = kf (g(x))k = kf (x)k = kxk, ∀x ∈ V .

4) Sia f un’isometria. Si ha: kf (f −1 (x))k = ki(x)k, ma kf (f −1 (x))k = kf −1 (x)k = kxk, ∀x ∈

V , da cui la tesi, (i è l’identità in V ).

5) Se f è un’isometria e B = (e1 , e2 , . . . , en ) una base ortonormale, allora

f (ei ) · f (ej ) = ei · ej = δij

perché f conserva la norma dei vettori e i loro prodotti [Link] B 0 = (f (e1 ), f (e2 ), . . . , f (en ))
è una base ortonormale. Viceversa, siano B = (e1 , e2 , . . . , en ) e B 0 = (f (e1 ), f (e2 ), . . . , f (en ))

76
due basi ortonormali. Dato x = x1 e1 + x2 e2 + · · · + xn en ∈ V , allora kxk2 = x21 + x22 + · · · + x2n ,
d’altra parte f (x) = x1 f (e1 ) + x2 f (e2 ) + · · · + xn f (en ), quindi kf (x)k = kxk. Si osservi che
il calcolo della norma dei vettori x e f (x) ha assunto l’espressione suddetta in quanto riferito
a due basi ortonormali.

6) Sia λ un autovalore di f , quindi f (x) = λx, allora: kf (x)k2 = kλxk2 = λ2 kxk2 = kxk2 da
cui la tesi.

7) Sia A la matrice associata ad f , rispetto ad una base ortonormale di V , e siano X 0 = AX

le equazioni di f . Poiché, per ogni x ∈ V , kf (x)k2 = kxk2 e ricordando che kxk2 = t XX si
ha t X 0 X 0 = t (AX)(AX) = tX tAAX = t XX , da cui segue la tesi. Si osservi che kxk2 = t XX
solo se X è la matrice colonna delle componenti di x rispetto ad una base ortonormale.

Si può generalizzare la definizione precedente al caso di isomorfismi tra due spazi vettoriali
euclidei.

Definizione 5.3. Dati due spazi vettoriali euclidei V e W, di dimensione finita, un isomorfismo
f : V −→ W si dice isometria se “conserva ”la norma dei vettori
kf (x)kW = kxkV , ∀x ∈ V.

I due spazi si dicono in questo caso isometrici.

Da ora in poi denoteremo con “·”il prodotto scalare sia di V che di W e con “k k”sia la norma
di V che quella di W.

Anche in questo caso si dimostra in maniera del tutto analoga alla n.2) che un’isometria
conserva i prodotti scalari. Inoltre vale una proprietà analoga alla n.5) e cioè

Teorema 5.4. Dati due spazi euclidei di dimensione finita V, W, un’applicazione lineare f :
V −→ W è un’isometria se e solo se le immagini dei vettori di una base ortonormale di V
formano una base ortonormale di W .

Dimostrazione. Se f : V −→ W è un’isometria e B = (e1 , . . . , en ) è una base ortonormale

di V, allora
f (ei ) · f (ej ) = ei · ej = δij
perché f conserva la norma e il prodotto scalare. Questo significa che (f (e1 ), . . . , f (en )) è una
base ortonormale di W.
Viceversa, se le immagini dei vettori di B formano una base ortonormale B 0 , posso dire in-
nanzitutto che f è un isomorfismo. La dimostrazione che f è un isometria è analoga alla
n.5).

77
Corollario 5.5. Due spazi euclidei V, W sono isometrici se e solo se dim V = dim W.

Dimostrazione. Un verso è ovvio. Viceversa, se dim V = dim W, basta fissare una base
ortonormale B di V e una B 0 di W e definire f come l’applicazione che manda B in B 0 : f è
un’isometria.

Corollario 5.6. Uno spazio euclideo di dimensione n è isometrico a Rn con il prodotto scalare
standard.

Osservazioni

i) Dalla definizione di isometria e da 2) segue che le isometrie conservano gli angoli tra i vettori.

ii) Si osservi che se un isomorfismo conserva gli angoli tra vettori allora non è necessariamente
un’isometria: vedremo più avanti che le similitudini sono un esempio di questo fatto.

iii) Si osservi che se un isomorfismo ha autovalori pari a ±1 non è detto che sia un’isometria,
per esempio si consideri l’isomorfismo f di R2 definito dalla matrice
 
1 1
A= ,
0 1
√
se prendiamo x = (0, 1), si ha kxk = 1 6= kf (x)k = 2.
Esercizio. Si consideri in R2 la struttura euclidea determinata dal prodotto scalare

(x1 , x2 ) · (x2 , y2 ) = x1 y1 + 4x2 y2

Verificare che l’isomorfismo di R2 associato alla matrice:

 √ 
3
1
 2
A=

√ 
− 14 23

è un’isometria di R2 . Per quale motivo A 6∈ O(2)?

R. Le equazioni di f sono:  √
 x01 =
 3
2 x1 + x2
√
 x0 = − 1 x +
 3
2 4 1 2 x2 .

È sufficiente verificare che:

78
kf (x)k2 = (x01 )2 + 4(x02 )2 = x21 + 4x22 = kxk2 , ∀x = (x1 , x2 ) ∈ R2 .

La matrice A non è ortogonale perché non è associata ad una base ortonormale (rispetto al
prodotto scalare introdotto), infatti A è associata alla base ((1, 0), (0, 1)), ma k(0, 1)k = 2.

Da 3) e da 4) segue che l’insieme delle isometrie di uno spazio euclideo V è un gruppo

rispetto alla composizione di funzioni, denotato con Isom(V ). Nel caso di V = R2 questo
gruppo infinito possiede svariati sottogruppi finiti noti. Un esempio sono i gruppi diedrali Dn
che possiamo pensare come gruppi di isometrie dell’n−agono regolare. Questi gruppi hanno
inoltre tra i loro sottogruppi quelli costituiti dalle sole rotazioni e che sono isomorfi ai gruppi
Z/nZ. In realtà si può dimostrare che ogni sottogruppo finito e non banale di Isom(R2 ) è
isomorfo a Z/nZ, per qualche n ≥ 3, oppure a uno dei diedrali Dn con n ≥ 2.

5.2 Similitudini
Nella geometria elementare si studiano anche proprietà che non dipendono dalle distanze o
dalle grandezze delle figure, ma solo dalla loro forma e dalle loro proporzioni: le proprietà di
similitudine. Queste proprietà vengono mantenute, oltre che dalle isometrie, anche da quelle
trasformazioni che ”ingrandiscono” o ”restringono” una figura senza cambiarne, appunto, la
forma e le proporzioni. Tali trasformazioni sono dette omotetie. La composizione di un certo
numero di omotetie e di isometrie dà luogo a una similitudine.

Definizione 5.7. Sia f : V −→ V un isomorfismo dello spazio euclideo V . f prende il nome

di similitudine di rapporto a se:

kf (x)k = akxk, x ∈ V,

da cui si deduce che a deve essere un numero reale positivo non nullo.

Osservazione Ogni isometria è una similitudine di rapporto 1.

Il seguente teorema, di cui non si riporta la dimostrazione, in quanto si tratta di un semplice

esercizio, riassume alcune tra le principali proprietà delle similitudini.

Teorema 5.8. Sia V uno spazio vettoriale euclideo di dimensione n.

1) Se f è una similitudine allora f conserva gli angoli tra i vettori.

2) Se f è una similitudine di rapporto a allora gli autovalori di f sono: ±a.

3) La matrice associata ad una similitudine di rapporto a, rispetto ad una base ortonormale

di V , è aA con A ∈ O(n).

79
5.3 Le isometrie del piano
Le isometrie del piano E2 sono date, rispetto alla base canonica, dalle matrici ortogonali O(2),
le quali si suddividono in matrici ortogonali speciali , cioè quelle con determinante 1, denotate
con SO(2), e quelle non speciali con determinante uguale a −1. Gli elementi di SO(2) sono
della forma
 
cos θ − sin θ
Rθ = , θ ∈ R.
sin θ cos θ

Per dimostrarlo basta considerare una matrice generica in R2,2 :

 
a b
c d

e imporre che sia ortogonale speciale, vale a dire che abbia determinante uno e che le sue
colonne formino una base ortonormale in E2 :



 ad − bc = 1

ab + cd = 0


 a2 + c2 = 1
b2 + d2 = 1


Le matrici di SO(2) rappresentano le rotazioni (in senso antiorario) di angolo θ. Infatti, se

scriviamo un vettore colonna X ∈ E2 in coordinate polari t X = (r, α), allora in coordinate
cartesiane si ha  
r cos α
X= .
r sin α
Le formule di addizione per il seno e coseno provano che
 
r cos(α + θ)
Rθ X =
r sin(α + θ)

e quindi in coordinate polari Rθ X = (r, α + θ), cioè RX è ottenuto da X mediante una

rotazione di angolo θ.
Possiamo osservare che SO(2) è un sottogruppo di O(2). Se calcoliamo le classi laterali di
SO(2) troviamo oltre a SO(2) stesso, solo un’altra classe laterale e cioè l’insieme delle matrici
non speciali. Quindi SO(2) ha indice due, ciò implica che è normale (cfr. Esercizio n.11 del
Capitolo 1 - Gruppi).
Gli elementi di O(2) − SO(2) si possono ottenere osservando che se A, B ∈ O(2) − SO(2) allora
AB ∈ SO(2) perché
det(AB) = det(A) det(B) = 1.

80
Fissiamo allora una matrice B ∈ O(2) − SO(2) : ogni elemento A ∈ O(2) − SO(2) può essere
scritto come
A = (AB)B −1 , con AB ∈ SO(2).

Da ciò segue che ogni matrice di O(2) − SO(2) si può scrivere come prodotto di una matrice
fissata di O(2) − SO(2) e di una in SO(2).
Scegliendo ad esempio  
1 0
B=
0 −1

che rappresenta la riflessione lungo l’asse delle x, e che verifica B = B −1 , si vede che tutti gli
elementi di O(2) − SO(2) sono della forma
   
1 0 cos θ sin θ
Aθ = R θ = , θ ∈ R.
0 −1 sinθ −cosθ

In particolare  
1 0
A0 = .
0 −1
Si vede con un semplice calcolo che le matrici Aθ hanno come autovalori λ = ±1 con rela-
tivi autospazi di dimensione uno tra loro ortogonali. Quindi la matrice Aθ rappresenta una
riflessione lungo una rette per l’origine che ha per direzione l’autospazio relativo all’autovalore
λ = 1.
Ricapitolando, gli elementi di SO(2) sono rotazioni di centro l’origine , mentre gli elementi di
O(2) − SO(2) sono riflessioni lungo rette per l’origine.

81
82
Capitolo 6

Operatori unitari

La definizione di operatore unitario intende estendere al caso degli spazi Hermitiani il concetto
di isometria. Ricordiamo che una matrice quadrata A di ordine n a coefficienti complessi si
dice unitaria se verifica tĀA = I, dove con tĀ indichiamo la matrice trasposta coniugata di A.

6.1
Definizione 6.1. Sia V uno spazio Hermitiano di dimensione finita. Un isomorfismo di V
prende il nome di operatore unitario se

kf (x)k = kxk, ∀x ∈ V.

Alcune tra le principali proprietà degli operatori unitari sono riassunte nel seguente:
Teorema 6.2. Sia V uno spazio vettoriale Hermitiano di dimensione n.

1) Ogni endomorfismo f : V −→ V tale che kf (x)k = kxk, ∀x ∈ V , è un’operatore unitario.

2) Se f è un operatore unitario allora:

f (x) · f (y) = x · y, ∀x, y ∈ V.

3) La composizione di due operatori unitari è un’operatore unitario.

4) L’inversa di un operatore unitario è un operatore unitario.

5) f è un’operatore unitario di V se e solo se le immagini dei vettori di una base unitaria di

V formano una base unitaria di V .

6) Gli autovalori di un operatore unitario hanno modulo 1.

83
7) f è un operatore unitario di V se e solo se la matrice associata ad f , rispetto ad una base
unitaria di V , è una matrice unitaria.
La dimostrazione del Teorema è analoga, anche se un pò più laboriosa, a quella del Teorema
5.2

Anche nel caso hemitiano si può generalizzare la definizione precedente al caso di isomorfismi
tra due spazi vettoriali hermitiani.

Definizione 6.3. Dati due spazi vettoriali hermitiani V e W, di dimensione finita, un isomor-
fismo f : V −→ W si dice operatore unitario se “conserva ”la norma dei vettori

kf (x)kW = kxkV , ∀x ∈ V.

Di nuovo, analogamente al caso reale, valgono i seguenti risultati

Teorema 6.4. Dati due spazi hermitiani di dimensione finita V, W, un’applicazione lineare
f : V −→ W è un operatore unitario se e solo se le immagini dei vettori di una base unitaria
di V formano una base unitaria di W .

Corollario 6.5. Dati due spazi hermitiani V, W esiste un operatore unitario f : V −→ W se

e solo se dim V = dim W.

Corollario 6.6. Dato uno spazio hermitiano V di dimensione n esiste un operatore unitario
da V a Cn con il prodotto hermitiano standard.

84
Capitolo 7

Endomorfismi autoaggiunti

Il problema della diagonalizzazione di una matrice quadrata ad elementi reali o complessi, trova
soluzione nelle classi delle matrici reali simmetriche e delle matrici Hermitiane. Si perviene al
risultato attraverso proprietà di particolari endomorfismi detti endomorfismi autoaggiunti ai
quali le predette matrici sono associate, relativamente a basi ortonormali o unitarie, rispetti-
vamente. Ricordiamo che una matrice quadrata complessa A si dice simmetrica se tA = A, si
dice hermitiana se t A = A. In tutto il capitolo V sarà uno spazio vettoriale di dimensione
finita con prodotto scalare, euclideo nel caso reale, hermitiano nel caso complesso. Indicheremo
con ” · ” il prodotto sclare di V.

7.1 Definizione e proprietà.

Definizione 7.1. Sia V uno spazio Hermitiano (o euclideo) e f ∈ End(V ). L’operatore f si
dice autoaggiunto se:
f (x) · y = x · f (y), ∀x, y ∈ V,

Esempio. Se V = R2 con la struttura standard di spazio euclideo, l’endomorfismo

f : R2 −→ R2 , f (x, y) = (y, x + 2y), ∀(x, y) ∈ R2

è autoaggiunto. Infatti:

f (x, y) · (x0 , y 0 ) = (y, x + 2y).(x0 , y) = yx0 + xy 0 + 2yy 0 ;

(x, y) · f (x0 , y 0 ) = (x, y) · (y 0 , x0 + 2y 0 ) = xy 0 + yx0 + 2yy 0 .

85
Teorema 7.2. Se V è uno spazio vettoriale Hermitiano ed f è un endomorfismo autoaggiunto,
allora tutti gli autovalori di f sono reali.

Dimostrazione. Sia λ un autovalore di f e x un autovettore corrispondente, allora f (x) =

λx. Poichè f è autoaggiunto, in particolare si ha: f (x)·x = x·f (x). Quindi: (λx)·x = x·(λx),
ossia: λkxk2 = λ̄|xk2 , con x 6= o, dunque: λ = λ̄.
Teorema 7.3. Se λ1 e λ2 sono due autovalori distinti di un endomorfismo autoaggiunto, allora
i relativi autospazi Vλ1 e Vλ2 sono ortogonali.

Dimostrazione. ∀x ∈ Vλ1 e ∀y ∈ Vλ2 si ha:

f (x) · y = (λ1 x) · y = λ1 (x · y) = x · f (y) = x · (λ2 y) = λ̄2 (x · y) = λ2 (x · y).

Segue che (λ1 − λ2 )(x · y) = 0, ma λ1 6= λ2 , perciò x · y = 0.

7.2 Matrici di endomorfismi autoaggiunti e Teorema di diago-

nalizzazione
Teorema 7.4. Sia f un endomorfismo di uno spazio vettoriale Hermitiano di dimensione n e
sia B una base unitaria di V . Allora f è autoaggiunto se e solo se la matrice A = M B,B (f ) ∈
Cn,n è Hermitiana.

Dimostrazione. Indicati con: A la matrice dell’endomorfismo, X, Y, AX, AY le matrici

colonne delle componenti, rispettivamente, dei vettori x, y, f (x), f (y) nella base B , l’espressione:
x · f (y) = f (x) · y

si può scrivere nella seguente forma matriciale equivalente:

t
X (AY ) = t(AX)Y

oppure:
t
X A Y = tX tA Y ,

la quale, essendo valida per ogni x, y ∈ V , fornisce A = tA. Quindi la matrice A è Hermitiana.
Il viceversa del teorema si prova procedendo “a rovescio” nel calcolo.

Dato che le matrici simmetriche reali sono Hermitiane, in modo analogo si prova il seguente

86
Teorema 7.5. Sia f un endomorfismo di uno spazio vettoriale euclideo V di dimensione n e
B una base ortonormale di V , f è autoggiunto se e solo se la matrice A = M B,B (f ) ∈ Rn,n è
simmetrica reale.

Teorema 7.6. Se A ∈ Cn,n è una matrice Hermitiana, tutte le radici della sua equazione
caratteristica sono reali.

Dimostrazione. È immediata conseguenza dei Teoremi 7.2 e 7.4.

Analogamente segue il

Teorema 7.7. Se A ∈ Rn,n è una matrice simmetrica reale, tutte le radici dell’equazione
caratteristica di A sono reali. In particolare A ha n autovalori reali, se contati ciascuno con
la relativa molteplicità.

Se W è un sottospazio di uno spazio vettoriale V e f è un endomorfismo di V, ricordiamo

che W è un sottospazio invariante rispetto a f se f (W ) ⊆ W.

Teorema 7.8. Se f è un endomorfismo autoaggiunto di uno spazio vettoriale V Hermitiano

(o euclideo) e W è un sottospazio vettoriale di V invariante rispetto a f , allora anche il
complemento ortogonale W ⊥ è invariante rispetto a f .

Dimostrazione. Per ogni x ∈ W ⊥ e per ogni y ∈ W si ha: f (x) · y = x · f (y) = 0, poichè W

è invariante per ipotesi. Quindi f (x) è ortogonale a tutti gli elementi di W e perciò appartiene
a W⊥ .
Ora abbiamo tutti gli strumenti necessari per dimostrare il fondamentale

Teorema 7.9. Sia f un endomorfismo autoaggiunto di uno spazio vettoriale Hermitiano (o

euclideo) V di dimensione n. Esiste una base unitaria (o ortonormale) di V formata da
autovettori di f .

Dimostrazione. Sia

W = Vλ1 ⊕ Vλ2 ⊕ · · · ⊕ Vλm , m ≤ n,

dove λi , i = 1, . . . , m, sono gli autovalori distinti di f . Per definizione W ⊆ V . Si vuole

provare che W = V . Se, per assurdo, W = 6 V , allora V = W ⊕ W ⊥ con W ⊥ 6= {o}. La
restrizione f 0 di f a W ⊥ , cosı̀ definita: f 0 (w) = f (w), ∀w ∈ W ⊥ , ha immagine contenuta
in W ⊥ :
f 0 : W ⊥ −→ W ⊥ ,

87
infatti f (W) ⊆ W perché W è somma diretta di autospazi e f (W ⊥ ) ⊆ W ⊥ per il Teorema
7.8. Inoltre f 0 è ancora un endomorfismo autoaggiunto (essere autoaggiunto è una proprietà di
tipo universale). L’applicazione f 0 ammette almeno un autovalore (essendo questi tutti reali),
ciò implica l’esistenza di un autovettore x 6= o di f 0 in W ⊥ . Però x è anche autovettore di f
e come tale deve appartenere a W , da cui l’assurdo. Allora W = V .
Riassumendo, il teorema precedente afferma che se f è un endomorfismo autoaggiunto su uno
spazio vettoriale V hermitiano (o euclideo), allora è semplice e quindi:

i) V = Vλ1 ⊕ Vλ2 ⊕ · · · ⊕ Vλm , m ≤ n,

dove λi , i = 1, . . . , m, sono gli autovalori distinti di f .

ii) Se λi 6= λj allora Vλi ⊥ Vλj , (Teorema 7.3).

Quindi per diagonalizzare una matrice hermitiana (simmetrica) tramite una base unitaria
(ortonormale) si procede cosı̀:

1) Si trova una base per ciascun autospazio e la si normalizza con il metodo di Gram–Schmidt.

2) L’unione delle basi cosı̀ ottenute è una base unitaria (ortonormale) formata da autovettori
di f .

Come immediata conseguenza dei Teoremi precedenti si ha:

Teorema 7.10. Sia A ∈ Cn,n una matrice Hermitiana, allora esiste una matrice unitaria P
tale che:
D = P −1 AP = t P AP

sia una matrice diagonale.

Teorema 7.11. Sia A ∈ Rn,n una matrice simmetrica, allora esiste una matrice ortogonale P
tale che:
D = P −1 AP = t P AP

sia diagonale.

Ricapitolando:

- La matrice D è una matrice reale sia nel caso Hermitiano sia nel caso reale.

- Ogni matrice Hermitiana (o reale simmetrica) è diagonalizzabile mediante una matrice unitaria
(o ortogonale).

88
Esempio Sia f l’endomorfismo di R3 associato alla matrice:
 
2 1 0
A =  1 1 −1 
0 −1 2

rispetto alla base canonica di R3 . Dimostrare che f è autoaggiunto e trovare una base ortonor-
male di R3 formata da autovettori di f . Inoltre, diagonalizzare la matrice A mediante una
matrice ortogonale.

R. f è autoaggiunto perchè la matrice di f è reale simmetrica e la base canonica è ortonormale,

rispetto al prodotto scalare standard di R3 .
Per trovare una base ortonormale di R3 che diagonalizzi A si devono determinare gli autospazi
di f . Si ottiene:

autovalori: λ1 = 0, λ2 = 2, λ3 = 3;

autospazi: Vλ1 = L(v1 = (−1, 2, 1)), Vλ2 = L(v2 = (1, 0, 1)), Vλ3 = L(v3 = (1, 1, −1)).

La base ortonormale richiesta si ottiene, semplicemente, considerando i versori di v1 , v2 , v3

(perchè?), quindi la matrice ortogonale che diagonalizza A è:

− √16 √1 √1
 
2 3
 
 
P =
 √2 0 √1 
 6 3 

 
√1 √1 − √13
6 2

da cui:  
0 0 0
t
P AP = D =  0 2 0  .
0 0 3

89
7.3 Operatori aggiunti
Gli operatori autoaggiunti sono in realtà un caso particolare di operatori aggiunti. Vediamone
brevemente la definizione.

Definizione 7.12. Sia V uno spazio vettoriale euclideo o hermitiano e sia f un operatore di
V. Un operatore g di V si dice aggiunto di f se per ogni x ∈ V si ha

f (x) · y = x · g(y).

Vediamo come si arriva alla definizione di operatore aggiunto. Supponiamo per il momento che
V sia uno spazio euclideo. Sia f un operatore di V. Tramite f possiamo definire una forma
bilineare ϕ su V in questo modo

ϕ(x, y) = A(x) · y.

Viceversa si ha il seguente

Teorema 7.13. Sia V uno spazio vettoriale euclideo di dimensione finita e sia ϕ una forma
bilineare su V. Allora esistono e sono unici due operatori f, g di V tali che

ϕ(x, y) = f (x) · y = x · g(y)

L’operatore g viene detto aggiunto di f. L’operatore f si dirà autoaggiunto se g = f.

Nel caso complesso bisogna effettuare qualche piccola modifica dovuta al fatto che il prodotto
è hermitiano e non euclideo e che quindi non possiamo definire una forma bilineare associata a
un operatore f come nel caso reale. Si ottiene comunque un risultato analogo e cioè che esiste
ed è unico un operatore g tale che

f (x) · y = x · g(y).

90
Capitolo 8

Gruppi di matrici

Riepilogo dei gruppi di matrici studiati nel corso.

8.1 Caso reale

[1] GL(n, R) = {A ∈ Rn,n / det A 6= 0}:

è il gruppo lineare generale reale, comprende tutte le matrici reali, di ordine n, non singolari.
Si tratta, quindi, delle matrici che legano i cambiamenti di base in Rn o in uno spazio vettoriale
reale di dimensione n.

Caso particolare:

GL(1, R) = R \ {0}.

[2] SL(n, R) = {A ∈ GL(n, R)/ det A = 1}:

è il gruppo lineare speciale, si tratta di un sottogruppo di GL(n, R). Possiamo anche vederlo
come il sottogruppo di GL(n, R) costituito dalle trasformazioni lineari che conservano il vol-
ume. Infatti nel caso delle applicazioni lineari il determinante Jacobiano è semplicemente il
determinante della matrice dell’applicazione.

Caso particolare:

SL(1, R) = {1}.

[3] O(n) = O(n, R) = {A ∈ GL(n, R)/ tAA = I}:

91
è il gruppo ortogonale; è un sottogruppo di GL(n, R) che comprende tutte le matrici ortogonali.
Si tratta, quindi, delle matrici che legano il cambiamento di base tra basi ortonormali di Rn o di
uno spazio vettoriale euclideo di dimensione n. Le righe e le colonne di una matrice ortogonale
sono le componenti di basi ortonormali di Rn , rispetto al prodotto scalare standard. Inoltre,
O(n) è il gruppo delle matrici associate alle isometrie (cfr. Capitolo 5) ed è, anche, il gruppo
delle matrici che conservano i prodotti scalari (vale a dire le forme quadratiche di segnatura
(n, 0)). Se A ∈ O(n) allora det A = ±1.

Caso particolare:

O(1) = {−1, 1} = S 0 , ossia la sfera di R di raggio 1.

[4] SO(n) = O(n) ∩ SL(n, R) = {A ∈ O(n)/ det A = 1}.

Casi particolari:

SO(1) = {1};
  
cos θ − sin θ
SO(2) = /θ ∈R .
sin θ cos θ

[5] O(p, q) = {A ∈ GL(n, R) / tAJp,q A = Jp,q }

dove:  
1 0 ... ... ... ... 0

 0 1 0 ... ... ... 0 


 0 0 1 0 ... ... 0 

 0 0 ... ... ... ... 0 
Jp,q = 

 0 0 ... −1 0 ... 0 


 0 0 ... ... −1 ... 0 

 0 0 ... ... ... −1 0 
0 0 ... ... ... . . . −1

il numero 1 è ripetuto p volte e il numero −1: q volte, p + q = n.

Questo gruppo riveste un’importanza particolare perché è dato dalle matrici che conservano
le forme quadratiche di segnatura (p, q). Si verifica facilmente che se A ∈ O(p, q), allora
det A = ±1. Si osserva anche che O(p, q) è isomorfo a O(q, p).

Casi particolari:

i) O(n) = O(n, 0) = O(0, n), segue dalla definizione.

iii) O(3, 1) è il gruppo di Lorentz.

92
[6] SO(p, q) = O(p, q) ∩ SL(n, R).
  
cosh θ sinh θ
iii) SO(1, 1) = ,θ ∈ R .
sinh θ cosh θ

Questo risultato segue considerando la generica matrice

 
a b
c d

e risolvendo il sistema ottenuto ponendo

     
a c 1 0 a b 1 0
= .
b d 0 −1 c d 0 −1

8.2 Caso complesso

[1] GL(n, C) = {A ∈ Cn,n / det A 6= 0}:

è il gruppo lineare generale complesso, comprende tutte le matrici complesse, di ordine n, non
singolari. Si tratta, quindi, delle matrici che legano i cambiamenti di base in Cn o in uno spazio
vettoriale complesso di dimensione n.

Caso particolare:

GL(1, C) = C \ {0}.

[2] SL(n, C) = {A ∈ GL(n, C)/ det A = 1}:

è il gruppo lineare speciale, si tratta di un sottogruppo di GL(n, C).

Caso particolare:

SL(1, C) = {1} = SL(1, R).

[3] U (n) = {A ∈ GL(n, C)/A∗ A = I}, (A∗ = t A),

è il gruppo unitario. È un sottogruppo di GL(n, C) che comprende tutte le matrici unitarie. Si

tratta, quindi, delle matrici che legano il cambiamento di base tra basi unitarie di Cn o di uno
spazio vettoriale Hermitiano di dimensione n. Le righe e le colonne di una matrice unitaria
sono le componenti di basi unitarie di Cn , rispetto al prodotto Hermitiano standard. Inoltre,
U (n) è il gruppo delle matrici associate agli operatori unitari (cfr. Capitolo 6). Se A ∈ U (n)
allora | det A| = 1.

93
Caso particolare:

U (1) = {z ∈ C/|z| = 1}.

U (1) è quindi isomorfo alla circonferenza

S 1 = {(x, y) ∈ R2 : x2 + y 2 = 1}.

(Basta porre z = x + iy). Inoltre, pensando alla rappresentazione geometrica di C sul piano
di Argand–Gauss, segue che ad ogni z ∈ U (1) si può associare l’angolo θ che esso forma con
l’asse x. É facile provare che può essere introdotto un isomorfismo di gruppi tra U (1) e SO(2),
(usare la formula di De Moivre).

Per il caso n = 2 invece, consideriamo la generica matrice di U (2):

 
z1 z2
P =
z3 z4

per cui vale    

−1 −1 z4 −z2 t z1 z3
P = det(P ) = P =
−z3 z1 z2 z4

da cui, ponendo λ = det P,

(
z4 = λz̄1
z3 = −λz 2

Quindi si ha
  
z1 z2
U (2) = /λ ∈ C, z1 , z2 ∈ C tali che |z1 |2 + |z2 |2 = 1 .
λz 2 −λz 1

[4] SU (n) = U (n) ∩ SL(n, C) = {A ∈ U (n)/ det A = 1},

è il gruppo unitario speciale, contentente tutte le matrici unitarie con determinante pari a 1.

Casi particolari:

SU (1) = {1};
  
z1 z2
SU (2) = |2
/z1 , z2 ∈ C tali che |z1 + |z2 |2 =1 .
−z 2 z 1

94
Un semplice esercizio mostra che SU (2) è isomorfo alla sfera:

S 3 = {(x1 , x2 , x3 , x4 ) ∈ R4 /x21 + x22 + x23 + x24 = 1}.

(si ponga z1 = x1 + ix2 e z2 = x3 + ix4 ).

Vale il sorprendente:

Teorema 8.1. S 0 , S 1 e S 3 sono le uniche sfere isomorfe a gruppi di matrici.

La dimostrazione segue dalla teoria dei gruppi di Lie e dalla coomologia dei medesimi (cfr.
qualsiasi testo classico sull’argomento).

95
96
Capitolo 9

Addenda

Al Capitolo 4 aggiungere a pag.58 prima degli Esercizi il seguente paragrafo:

9.0.1 Piani iperbolici

Diamo la seguente

Definizione. Uno spazio vettoriale reale V di dimensione due con ϕ forma bilineare sim-
metrica non degenere si dice piano iperbolico se esiste una base di V su cui ϕ assuma la forma
ϕ(x1 , x2 ) = 2x1 x2 .
Su un piano iperbolico quindi la matrice associata alla forma è
 
0 1
.
1 0

Si dimostra la seguente
Proposizione. Sia V un R−spazio vettoriale con ϕ forma bilineare simmetrica non degenere.
Se esiste un vettore isotropo non nullo v ∈ V, allora esiste un sottospazio W di V che contiene
V e che è un piano iperbolico con la restrizione di ϕ. Se V ha dimensione finita, allora è somma
ortogonale di un numero finito di piani iperbolici ed eventualmente di un sottospazio su cui la
restrizione di ϕ è definita (priva cioè di vettori isotropi).

Dimostrazione. Dimostriamo solo la prima affermazione. Dato che ϕ è non degenere esiste
un vettore w tale che ϕ(v, w) 6= 0. Inotre esistono degli scalari h, k tali che il vettore w0 =
hv + kw goda delle seguenti proprietà:

ϕ(w0 , w0 ) = 2hk ϕ(v, w) + k 2 ϕ(w, w) = 0

ϕ(v, w0 ) = k ϕ(w) = 1

97
Il sottospazio W generato da v e w0 è allora un piano iperbolico contenente v .

Da aggiungere alle fotocopie sul Gruppo di Lorenz.

9.0.2 Componenti del gruppo di Lorenz

Consideriamo il Gruppo di Lorenz O(3, 1) che lascia invariante la forma quadratica dello spazio
di Minkowski
Q(x) = x21 + x22 + x23 − x24 .

Ricordiamo che l’insieme dei vettori di tipo tempo è dato da

T = {v ∈ R4 : Q(v) < 0}.

Questo insieme è unione disgiunta di due coni convessi. La scelta di uno dei due coni, chi-
amiamolo T + , corrisponde alla scelta di un orientamento temporale. Osserviamo che una
trasformazione di Lorenz α soddisfa α(T ) ⊂ T , ma non è detto che conservi l’orientamento
temporale. Indichiamo con O(3, 1+ ) quelle trasformazioni di Lorenz α tali che α(T + ) = T +
e con O(3, 1− ) quelle che invertono l’orientamento temporale.
Analogamente una trasformazione di Lorenz può o meno mantenere l’orientamento spaziale.
Indichiamo con O(3+ , 1) le matrici che conservano l’orientamento spaziale e con O(3− , 1) quelle
che lo cambiano.
Il gruppo O(3, 1) si può dividere allora in quattro componenti disgiunte

O(3, 1) = O(3+ , 1+ ) ∪ O(3+ , 1− ) ∪ O(3− , 1+ ) ∪ O(3− , 1− ).

La componente O(3+ , 1+ ) è in realtà un sottogruppo di O(3, 1) che si indica con SO(3, 1, ).

Questo sottogruppo ovviamente contiene l’identità e contiene
anche il gruppo ortogonale spe-
P 0
ciale SO(3), perché contiene le matrici del tipo 0 1 dove P ∈ SO(3).
Tra le trasformazioni notevoli di SO(3, 1) ci
sono quelle date da matrici della forma I02 H0

dove A è una matrice della forma cos ht sin ht

sin ht cos ht e cioè una delle matrici di ”rotazione iperbolica”
di O(1, 1) che abbiamo analizzato precedentemente. Ricordando la definizione di funzione
iperbolica, possiamo scrivere la matrice H nel modo seguente:
 
1 1 v
H = √
1 − v2 v 1

Le trasformazioni di questo tipo si chiamano boost o trasformazioni irrotazionali e rappresentano

una trasformazione tra due sistemi di riferimento che si muovono l’uno rispetto all’altro con
velocità relativa v parallelamente all’asse x3 .

98
 Università di Torino

QUADERNI DIDATTICI
del

Dipartimento di Matematica

E. Abbena, G. M. Gianella

Esercizi di Geometria
e Algebra Lineare II
A.A. 2000/2001

Quaderno # 9 - Settembre 2001

............... ................
.... ......... ........ ......... ......
..... ..... .... ........ .... ..... .....
... .......... ..... ............. ...
.... ... .
.................................................................................
... .......... ..... ... .. .... .. ...
... ... .... ...... .................. ...
... ............. ..... .. ... ...
................................... ........
Gli esercizi proposti in questa raccolta sono stati assegnati come temi d’esame dei corsi di Geometria tenuti negli
ultimi anni presso il Corso di Laurea in Fisica dell’Università di Torino.
La suddivisione in capitoli rispetta l’andamento del programma del nuovo Corso di Geometria e Algebra Lineare
II, (A.A. 2000/2001) per la Laurea in Fisica (di primo livello).
Negli ultimi capitoli sono riportate alcune soluzioni e qualche svolgimento ottenuto per lo più usando il pacchetto
di calcolo simbolico Mathematica, versione 4.0.

Si ringraziano i Proff. P.M. Gandini, S. Garbiero e A. Zucco per aver permesso l’inserimento in questa raccolta
degli esercizi da loro assegnati e svolti negli anni in cui essi tenevano l’insegnamento del Corso di Geometria
presso il Corso di Laurea in Fisica.
Grazie di cuore a Simon M. Salamon per i suoi preziosi consigli.

iii
iv
Indice

1 Sottospazi vettoriali 1

2 Applicazioni lineari 16

3 Spazi vettoriali euclidei ed hermitiani 42

4 Forme quadratiche 46

5 Soluzioni - Sottospazi vettoriali 50

6 Soluzioni - Applicazioni lineari 65

7 Soluzioni - Spazi vettoriali euclidei ed hermitiani 110

8 Soluzioni - Forme quadratiche 116

v
Capitolo 1

Sottospazi vettoriali

In tutti gli esercizi di questo capitolo si sono adottate notazioni standard, in particolare si è indicato con:

- —n lo spazio vettoriale delle n-uple di numeri reali, di dimensione n, riferito alla base canonica
e 1 
1, 0, . . . , 0,
e2 
0, 1, 0, . . . , 0, . . . , e n 
0, 0, . . . , 1;

- ¬n lo spazio vettoriale delle n-uple di numeri complessi, di dimensione n, riferito alla base canonica
e 1 

1, 0, . . . , 0, e 2 
0, 1, 0, . . . , 0, . . . , e n 
0, 0, . . . , 1;

- —m,n lo spazio vettoriale delle matrici di tipo
m, n, ad elementi reali, riferito alla base canonica:

 1 0 ... 0   0 1 ... 0   0 0 ... 0 

     
 . . . . .. ... ...  
, . . . . .. ... ...  , . . . ,  .
 0
. . . .. ... ... 
 0 0 ... 0  0 0 ... 0  0 ... 1

- —n,n lo spazio vettoriale delle matrici quadrate di ordine n, ad elementi reali, riferito alla base canonica standard
(il caso particolare della precedente);

- ¬n,n lo spazio vettoriale delle matrici quadrate di ordine n, ad elementi complessi, riferito alla base canonica
standard (come la precedente);

- S
—n,n  lo spazio vettoriale delle matrici simmetriche di ordine n ad elementi reali rispetto alla base canonica:

 1 0 . . . 0   0 1 . . . 0   0 0 . . . 1 
 . . . 0   1 . . . 0   . . . 0 
 
0 0 0 0 0
   
 ... ... . . . . . .  ,  . . . . . . . . . . . .  , . . . ,  ... ... . . . . . .  ,
     
 ... ... . . . . . .   . . . . . . . . . . . .   ... ... . . . . . . 
     
 0 0 ... 0  0 0 ... 0  1 0 ... 0

 0 0 . . . 0   0 0 . . . 0   0 0 . . . 0 
 . . . 0   0 . . . 0   0 . . . 0 
 0 1
  0
 
0

 . . . . . .  , . . . ,  . . . . . . . . . . . .  ,  . . . . . . . . . . . . 
 ... ...
    
 ... ... . . . . . .   0 ... 0 1   . . . . . . . . . . . . 
     
 0 0 ... 0  0 ... 1 0  0 0 ... 1

1
2 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

- A
—n,n  lo spazio vettoriale delle matrici antisimmetriche di ordine n ad elementi reali rispetto alla base canonica:
 0 1 0 . . . 0   0 0 1 ... 0   0 0 ... 0 0 
 . . . 0     0 
 1 0 0
 
0 0 0 ... 0   0 0 ... 0
 . . . . . .  ,   , . . . ,  
. . . . . . 
 
... ... ... 1 0 0 ... 0  ... ... ...
  
 ... ... ... . . . . . .   ... ... ... ... ...   0 0 ... 0 1 
     
 0 0 0 ... 0  0 0 ... ... 0  0 0 ... 1 0

- —n x lo spazio vettoriale dei polinomi in x, a coefficienti reali, di grado minore o uguale a n, riferito alla base
canonica
1, x, x 2, . . . , xn .

- tr
A indica la traccia della matrice A  — n,n , vale a dire la somma degli elementi della diagonale principale.

[1] In —3 sono dati i vettori u 1 
1, 1, 2, u2 
2, 1, 3, u3 
3, 0, h; dire per quali valori di h  — i vettori
u1 , u2 , u3 sono linearmente indipendenti.

[2] In —4 sono dati i vettori u 1 
1, 1, 0, 1, u 2 
2, 1, 1, 0, u 3 
3, 0, 1, 1, u 4 
0, 1, 1, 0; trovare una
base del sottospazio di —4 , generato dai vettori u 1 , u2 , u3 , u4 .
Verificato che i vettori u 1 , u2 , u4 sono linearmente indipendenti, determinare per quali valori di t  — il vettore
v 
1, 1, 2t 8, t  1  L
u 1 , u2 , u4 .
Per i valori di t trovati, determinare le componenti di v rispetto ai vettori u 1 , u2 , u4 .

[3] Dati i vettori: u 
1, 3, 2, v 
2, 1, 1 in — 3 , verificare che V  L
u, v ha dimensione 2. Trovare
per quali valori di t  —, il vettore w 
t, 0, 1 appartiene allo spazio V e, per tali valori, determinare le sue
componenti rispetto ai vettori u e v .

[4] Siano W1 il sottospazio di —3 generato dai vettori: u 1 
1, 1, 1, u2 
2, 1, 1, W2 il sottospazio di —3
generato dai vettori: v 1 
1, 2, 1, v2 
1, 1, 2. Trovare W 1  W2 , dim
W1  W2  ed una sua base.

[5] Nello spazio vettoriale — 4 si considerino i sottospazi: W 1  L
a, b, c, dove:

a 
2, 0, 1, 0, b 
1, 1, 0, 1, c 
0, 3, 1, 1; W 2  L
e, f , g, dove e 
1, 1, 5, 4,
f 
0, 3, 2, 1, g 
2, 7, 16, 5.
i) Verificato che l’insieme B 
a, b, c è una base di W 1 , stabilire per quale valore di h  — il vettore v 

5, h, 1, h appartiene a W 1 e, per tale valore, decomporlo rispetto alla base B.
ii) Trovare un sottospazio W 3 di —4 tale che W3  W2  —4 .

[6] In —4 , scrivere le equazioni di due iperpiani vettoriali, diversi, ma entrambi supplementari della retta vettoriale
H  L

2, 0, 4, 3.

[7] Sono dati, in — 4 , i sottospazi vettoriali:

H  
x, y, z, t  —4 / x  2y  2t  0,
K  L

1, 2, 0, 1,
2, 4, 1, 1,
0, 0, 1, 1,
1, 2, 4, 5,
1, 1, 0, 5.

i) Determinare la dimensione e una base sia di H sia di K.

ii) Determinare la dimensione e una base sia di H  K sia di H  K.
iii) Il vettore x 
1, 2, 3, 4 appartiene a H  K? In caso affermativo decomporlo nella somma di un vettore di H
e di un vettore di K, in tutti i modi possibili (a meno di un cambiamento di variabile libera).

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 3

[8] i) In —3 x , considerati i polinomi:

p1
x  x
h  1x2
p2
x  h  x
p3
x  1 x3
p4
x  4x, h  —,

determinare i valori di h per cui
p 1
x, p2
x, p3
x, p4
x è una base di R 3 x .
ii) Fissato uno dei valori determinato nel punto precedente, trovare le componenti di q
x  1  x  x 2  x3 rispetto
a tale base.

[9] In —2,2 si considerino i sottoinsiemi:

x1 x2
S 
  / x2  x 3 
x3 x4

delle matrici simmetriche e:

x1 x2
T 
  / x1  x 4  0 
x3 x4

delle matrici a traccia nulla. Si dimostri che S e T sono sottospazi vettoriali di — 2,2 ; si determinino le loro
dimensioni ed una base per ciascuno di essi.

[10] Dire se i seguenti sottoinsiemi di — 2,2 :

x y
H 
  / 2x y z  x  3y 2t  0 ,
z t

x y
K 
  / x y  2  t  0
z t

sono sottospazi vettoriali. In caso affermativo determinarne una base e la dimensione.

[11] Nello spazio vettoriale — 4 sono dati i sottospazi:

H  
x1 , x2 , x3 , x4   —4 / 2x1 x2  x3  x1  x2 x4  0,

K  L

0, 0, 1, 1,
1, 1, 0, 0.

i) Calcolare la dimensione e una base di H.

ii) Calcolare la dimensione e una base di H  K. Si tratta di una somma diretta?

[12] i) Verificare che le matrici:

1 2 1 0 0 2 4 1
A1    , A2   2  , A3   2 1  , A4   2 3 
1 0 1

1 0
costituiscono una base di — 2,2 e determinare le componenti della matrice A   0 1  rispetto a tale base.

Quaderni Didattici del Dipartimento di Matematica

4 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

ii) Dati i sottospazi vettoriali di —2,2 :

x1 x2
A 
  / x1  2x2  0 ,
x3 x4

x1 x2
B 
  / x1  x4  x2  2x3  0 ,
x3 x4

determinare una base e la dimensione di A e di B. Determinare una base e la dimensione di A  B e di A  B.

[13] Sono dati in — 4 i sottospazi vettoriali:

H  
x, y, z, t  —4 / x 2z  2y  0,
K  L

0, 2, 1, 1,
1, 2, 1, 1,
1, 2, 3, 1,
1, 2, 7, 1.

i) Determinare la dimensione e una base sia di H sia di K.

ii) Determinare la dimensione e una base di H  K.

[14] In —5 i sottospazi:

A  
x1 , x2 , x3 , x4 , x5   —5 / x1  x2  x3  0,
B  L

1, 2, 1, 2, 1,
0, 1, 1, 1, 1,
1, 0, 1, 0, 1,
2, 3, 1, 3, 1

sono supplementari?

[15] In —4 si considerino i vettori:

a 
1, 1, 1, 0, b 
0, 1, 1, 1, c 
1, 1, 0, 0.

i) Verificare che a, b, c sono linearmente indipendenti.

ii) Determinare un vettore d in modo che a, b, c, d siano linearmente indipendenti.
iii) Dire se il sottospazio H  
x, y, z, t  —4 / y  z  t  0 è contenuto in K  L
a, b, c.

[16] In —3 si consideri il sottospazio vettoriale:

W  
x, y, z  —3 / x  y  z  x  hy 
2 hz  x h2 y 
3h 4z  0.

i) Al variare di h  —, determinare la dimensione e una base di W.

ii) Al variare di h  —, determinare un sottospazio supplementare di W in — 3 .

[17] In S
—3,3  completare l’insieme libero:


  1 0 3   0 1 2   0 0 0 
     
I  0 0 2  ,  1 1 0  ,  0 5 2 
 3 2 0
   2 0 0   0 2 

  6 

fino ad ottenere una base.

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 5

[18] Data la matrice:

6 9
A ,
4 6

i) provare che i sottoinsiemi:

F  X  —2,2 / AX  XA, G  X  —2,2 / AX  XA

sono sottospazi vettoriali e trovare una base per ciascuno di essi.

ii) Determinare una base per i sottospazi vettoriali F  G e F  G.
iii) Data la matrice:
0 h 2
C  , h  —,
0 h 3

stabilire per quale valore di h la matrice C appartiene al sottospazio vettoriale F  G.

Assegnato ad h tale valore, trovare due matrici C 1  F e C2  G in modo tale che C  C1  C2 .

[19] In —4 si consideri il sottoinsieme:

W1  
x1 , x2 , x3 , x4   —4 / x1  2x3  x4  x3 x4  0.

i) Verificare che W1 è un sottospazio vettoriale di — 4 e determinarne una base e la dimensione.

Si considerino, inoltre, i sottospazi:

W2  L
a, b, c, dove a 
1, 0, 2, 0, b 
0, 1, 1, 1, c 
3, 2, 8, 2,

W3  L
e, f , g, dove e 
0, 1, 2, 1, f 
2, 1, 3, 1, g 
1, 2, 4, 2.

ii) Si determinino una base e la dimensione di W 2 e di W3 .

iii) Si determinino una base e la dimensione di W 1 
W2  W3 .

[20] Si considerino gli insiemi:


  1 0 0  

  
H  a 1 0  , a, b, c  —
 b c 1 
 

 


  a 0 0  

  
K  b c 0  , a, b, c, d, e, f  —  .
 d
  

 e f 

H e K sono sottospazi vettoriali di — 3,3 ? In caso affermativo se ne determini una base e la dimensione.

[21] Si considerino gli insiemi:

H  p
x  —3 x / p
x  ax  bx2  x3 , a, b  —

K  p
x  —3 x / p
x  ax  bx2  cx3 , a, b, c  —.

H e K sono sottospazi vettoriali di — 3 x ? In caso affermativo se ne determini una base e la dimensione.

Quaderni Didattici del Dipartimento di Matematica

6 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[22] I sottospazi:

H  L
a 
1, 2, 0, 0, b 
0, 1, 3, 0, c 
2, 1, 0, 0, d 
5, 4, 0, 0,

K  
x, y, z, t  —4 / 2x  3y z  x z  0

sono supplementari in — 4 ?

[23] I sottospazi:

H  L
a 
1, i, 0, 0, b 
0, 2  i, 0, 0, c 
3, 1, 1, 0, d 
3  i, 2, 1, 0,

K  
x, y, z, t  ¬4 / ix  y 3z  y  4iz  0

sono supplementari in ¬ 4 ?

[24] In —4 si considerino i sottospazi vettoriali:

W1  
x1 , x2 , x3 , x4   —4 / x1  2x2  3x3  x4  0,

W2  
x1 , x2 , x3 , x4   —4 / x1  x2  x1  x3  x1 x2  x3  0

provare che W 1  W2  —4 .

[25] Nello spazio vettoriale — 4 x si considerino i sottospazi:

H  L
x  x2 , x2  x3 , x3  x4 , 2x  5x2 3x4 ,

K  p
x  —4 x / p
x è divisibile per x 2 x 2.

Si determinino una base e la dimensione di H  K e di H  K.

Dato il polinomio q
x  2  2x  4x 4 , si verifichi che q
x  H  K e si decomponga q
x nella somma di un
polinomio di H e di un polinomio di K. Tale decomposizione è unica?

[26] Nello spazio vettoriale — 4 x si considerino i sottospazi:

W1  L
1 x2  5x3 , x  2x2  3x3  x4 , 2 x 4x2  7x3 x4 ,

W2  L
x3 x4 , x2 x3 ,
W3  L
x4 .

Provare che W 1  W2  W3  —4 x .

[27] In —5 , determinare una base e la dimensione dell’intersezione e della somma dei due sottospazi seguenti:

W1  
x1 , x2 , x3 , x4 , x5   —5 / 2x1 x2 x3  x4 3x5  0,

W2  
x1 , x2 , x3 , x4 , x5   —5 / 2x1 x2  x3  4x4  4x5  0.

[28] In —5 , determinare una base e la dimensione dell’intersezione e della somma dei due seguenti sottospazi:

W1  
x1 , x2 , x3 , x4 , x5   —5 / x1  3x2  2x3 3x4 3x5  0,

W2  
x1 , x2 , x3 , x4 , x5   —5 / 13x1 26x2  6x3 9x4 9x5  0.

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 7

[29] In ¬ 4 , determinare un sottospazio supplementare di:

W  
x1 , x2 , x3 , x4   ¬4 / x1  ix2 
2  ix3 
1 ix2  ix4  0 .

[30] In —4 x si consideri il sottospazio vettoriale W dei polinomi aventi il numero 3 come radice.
i) Si decomponga W nella somma diretta di due sottospazi W 1 e W2 .
ii) Si scriva il polinomio 3 5x  5x 2 10x3  3x4 di W come somma di un polinomio di W 1 e di un polinomio
di W2 .

[31] In —4 x si consideri l’insieme W 1 dei polinomi divisibili per p
x  3x  x 2 .

i) Si verifichi che W1 è un sottospazio vettoriale di — 4 x , se ne determini la dimensione e una base.
ii) Sia W2  L
p1
x, p2
x, p3
x, p4
x dove p1
x  6x2 5x3  x4 , p2
x  12  x  x2 , p3
x  36 3x 
3x2 5x3  x4 , p4
x  12 x  11x2 10x3  2x4 . Si determini una base e la dimensione di W 2 .
iii) Si determini W1  W2 .
iv) Si determini un sottospazio W 3 di —4 x tale che W1  W3  —4 x .

[32] In —5 si consideri l’insieme:

W1  
x1 , x2 , x3 , x4 , x5   —5 / 2x1  x2  x3  0.

i) Si verifichi che W1 è un sottospazio vettoriale di — 5 , se ne determini una base e la dimensione.

ii) Sia W2  L
a, b, c, d dove:

a 
0, 3, 1, 2, 0, b 
0, 0, 2, 1, 1, c 
0, 6, 10, 10, 6, d 
0, 3, 7, 1, 3,

se ne determini una base e la dimensione.

iii) Si provi che W 1  W2  —5 .
iv) Si determini un sottospazio W 3 di —5 tale che dim
W1  W3   1 e dim W3  3.

[33] In —3 x si considerino i polinomi:

p1
x  3 x  x2 , p2
x  x x2  2x3 , p3
x  2 x2  x3 , p4
x  x 2x2  3x3 .

Si verifichi che l’insieme B 
p 1
x, p2
x, p3
x, p4
x è una base di —3 x e si esprima il polinomio p
x  x x 2
nella base B.

[34] In —2,2 si considerino le matrici:

1 2 0 3 1 1 3 2
A1    , A2   1  , A3   0  , A4   1 1  .
1 0 2 1

2 1
Si verifichi che l’insieme B 
A 1 , A2 , A3 , A4  è una base di —2,2 e si esprima la matrice A   1 2
 nella
base B.

Quaderni Didattici del Dipartimento di Matematica

8 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[35] i) Date le seguenti matrici dello spazio vettoriale A
— 3,3 :

 0 1 2   0 0 2 
   
A   1 0 0  , B   0 0 1 
 2 0 0   2 1 0 
 

si completi l’insieme A, B in modo da ottenere una base B  di A
—3,3 .

ii) Si determinino le componenti della matrice:
 0 1 2 
 
C   1 0 3 
 2 3 0 


rispetto alla base B .

[36] Siano U e V due sottospazi vettoriali di dimensione 2 di — 3 .

i) Provare che U  V  o.
ii) Determinare tutte le possibili dimensioni di U  V e costruire un esempio in ciascuno dei casi.

1 2 2 1 4 1
[37] i) Verificare che B   2 1
, 1 3 , 1 5
 è una base di S
—2,2 .
4 11
ii) Trovare le componenti della matrice A   11 7
 rispetto alla base B.

[38] i) In —5 x si consideri l’insieme A dei polinomi aventi radici: 1, 2, 3. Si verifichi che A è un sottospazio
vettoriale di —5 x , se ne calcoli una base e la dimensione.
ii) Si determini un sottospazio vettoriale B supplementare ad A.
iii) Si decomponga il polinomio p
x  x 2  3x3 nella somma di un polinomio di A e di un polinomio di B. Tale
decomposizione è unica?
iv) Si determini una base e la dimensione dei seguenti sottospazi di — 5 x :
C  L
1  x  x2 , x3  x5 , 2  2x  2x2 3x3 3x5 , x2  3x3 x4 
D  L
2  x x3 , x4 x5 , x  x2  x3 x4 .

v) È vero che C  D  —5 x ?
vi) Si determini una base e la dimensione di A 
C  D.

[39] In ¬ 2,2 determinare un sottospazio supplementare B di:

1 i 1 0
A  L   ,  2 2i  .
0 0

1 1
Data la matrice X   3 4
 , decomporre X nella somma di una matrice X 1  A e di una matrice X2  B.

[40] i) Si verifichi che:


  0 x1 x2 x3  

 
 x1
 0 x4 x5 
 / x  x  x  2x  x  x


B
   1 x6  0 
 ,
 x2
2 3 2 4 5
 x4 0 x6  

 
 x3 x5 x6 0 

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 9

è un sottospazio vettoriale di A
— 4,4 , se ne calcoli una base e la dimensione.

ii) Si determini una base e la dimensione dei seguenti sottospazi di A
— 4,4 :

 0 1 2 3   0 0 1 2   0 1 1 2   0 2 1 1 
 1   0   1   2 
C  L   ,   ,   ,  
0 2 3 0 0 1 0 2 3 0 0 2
 2 2 0 1   1 0 0 7   1 2 0 1   1 0 0 12 
       
 3 3 1 0  2 1 7 0  2 3 1 0  1 2 12 0

 0 0 2 1   0 0 1 2 
 0   0 
D  L   ,   .
0 0 1 0 0 0
 2 0 0 0   1 0 0 1 
   
 1 1 0 0  2 0 1 0

iii) È vero che B  C  A
—4,4  ?

iv) Si determini una base e la dimensione di D 
B  C.
v) Si determini un sottospazio vettoriale E supplementare a D.
vi) Si decomponga la matrice:
 0 1 1 1 
 1 0 
A   
2 1
 1 2 0 1 
 
 1 1 1 0

nella somma di una matrice di E e di una matrice di D.

vii) A è invertibile? Se sı̀, si determini A 1 .

[41] In ¬ 2,2 determinare un sottospazio supplementare B di:

2 i
A  L   .
3i 0

1 1
Data la matrice X   3 4
 , decomporre X nella somma di una matrice X 1  A e di una matrice X2  B.

0 1
[42] Si consideri la matrice A   0 2   —2,2 .
i) Determinare una base per il sottospazio W  — 2,2 generato da A, tA, A  tA.
ii) Dimostrare che il sottoinsieme:
a b
U 
  , a, b  —
0 2b

è un sottospazio di — 2,2 e determinarne una base.

iii) Determinare una base per i sottospazi W  U e W  U.

[43] i) In S
—3,3  si consideri l’insieme:


  x x2 x3  

 1  
A  x2 x4 x5  / x1  2x4 x6  2x6 x2  x3  3x5  0
 x
  

 3 x5 x6 

Quaderni Didattici del Dipartimento di Matematica

10 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

e si verifichi che A è un sottospazio vettoriale, se ne calcoli una base e la dimensione.

ii) Si determini un sottospazio vettoriale B supplementare a A.
iii) Si decomponga la matrice:
 0 1 2 
 
A   1 3 1 
 2 1 5 


nella somma di una matrice di A e di una matrice di B.

iv) A è invertibile? Se sı̀, si determini A 1 .
v) Si determini una base e la dimensione dei seguenti sottospazi di S
— 3,3 :

 1 2 1   0 2 1   1 0 1   1 2 2 
       
C  L  2 1 3  ,  2 1 3  ,  0 0 1  ,  2 3 4  ,
 1   
3 0  1 3 2  1 1 0   2  4 2 

 0 1 1   1 1 0   2 0 1 
     
D  L  1 0 1  ,  1 0 1  ,  0 0 1  .
 1 1 0   0  
1 2  1 1 0 
 

vi) È vero che A  C  S
—3,3  ?

vii) Si determini una base e la dimensione di D 
A  C.

a b
[44] Dato U 
 0 a  , a, b  — , sottospazio vettoriale di — 2,2 ,
i) si determini un altro sottospazio V tale che U  V  — 2,2 .
1 2
ii) Data la matrice A    , si decomponga A nella somma di una matrice A 1  U e di una matrice
3 0
A2  V.

[45] In —4 si consideri il sottospazio vettoriale:

W  L

1, 3, 0, 1,
2, 5, 1, 2,
1, 2, 1, 0.

i) Si verifichi che W è un iperpiano vettoriale di — 4 e se ne determini la sua equazione.

ii) Si determinino due sottospazi vettoriali di — 4 , diversi, entrambi supplementari di W.

[46] In —5 si considerino i sottospazi:

U  L

1, 3, 2, 2, 3,
1, 4, 3, 4, 2,
2, 3, 1, 2, 9,

V  L

1, 3, 0, 2, 1,
1, 5, 6, 6, 3,
2, 5, 3, 2, 1,

determinare una base U  V e una base di U  V.

[47] Si provi che i seguenti sottospazi di — 4 :

U  L

1, 2, 1, 3,
2, 4, 1, 2,
3, 6, 3, 7

V  L

1, 2, 4, 11,
2, 4, 5, 14

sono uguali.

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 11

[48] i) Determinare l’insieme C di tutte le matrici di — 3,3 che commutano (rispetto al prodotto) con la matrice:

 0 1 0 
 
A   0 0 1  .
 0 0 0 


ii) Verificare che C è un sottospazio vettoriale di — 3,3 , determinarne una base e la sua dimensione.
iii) Determinare due sottospazi diversi, entrambi supplementari di C in — 3,3 .

[49] In —5 x si consideri l’insieme B  
1, 1  x, 1  x2 , 1  x3 , 1  x4 , 1  x5 .

i) Verificare che B  è una base di —5 x , usando due metodi diversi.
ii) Determinare le componenti del polinomio p
x  1 x x 2  x3 x4  x5 , rispetto alla base B , usando due
metodi diversi.

[50] In ¬ 5 si determini un sottospazio supplementare di:

H  
x1 , x2 , x3 , x4 , x5   ¬5 / 2x2 
3 ix4  ix1  2x5  0.

Quante sono le risposte possibili? Perchè?

[51] Sono dati i seguenti sottospazi vettoriali di — 5 :

W1  L

1, 1, 0, 1, 1,
1, 2, 2, 1, 2,
0, 1, 2, 0, 1,
1, 3, 4, 1, 3

W2  
x1 , x2 , x3 , x4 , x5   —5 / x1 x4  2x5  x2  x3  0,

i) provare che — 5  W1  W2 .
ii) Decomporre il vettore a 
0, 2, 0, 0, 0 nella somma di un vettore a 1  W1 e di un vettore a 2  W2 .

[52] Si considerino i sottospazi vettoriali di — 4 :

W1  L

1, 1, 0, 2,
0, 2, 1, 3,
2, 0, 1, 7,
3, 5 1, 3,

W2  
x1 , x2 , x3 , x4   —4 / x1  x2 2x3  3x3 x4  0.

i) Trovare una base per ciascuno dei sottospazi W 1 , W2 , W1  W2 , W1  W2 .

ii) Verificare che il vettore a 
0, 2, 1, 3 appartiene a W 1  W2 determinando esplicitamente due vettori
a1  W1 e a2  W2 tali che a  a1  a2 .

[53] Si considerino i seguenti sottospazi vettoriali di — 2,2 :

1 3
W1 
X  —2,2 / AX  XA, dove A   0  ,
1

W2  X  —2,2 / tr
X  0.

i) Determinare una base per i sottospazi W 1 , W2 , W1  W2 e W1  W2 .

ii) Trovare un sottospazio vettoriale W 3 che sia supplementare a W 1 .

Quaderni Didattici del Dipartimento di Matematica

12 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[54] Si determinino almeno due sottospazi vettoriali diversi ma entrambi supplementari di:

W  
x1 , x2 , x3   —3 / 3x1 x3  x2  5x3  0.

[55] In S
R 3,3  completare l’insieme libero:


  1 2 0   1 0 0   0 1 1 
     
I  2 0 0  ,  0 1 0  ,  1 0 0 
 0 0 0
   0 0 1   1 0 

  0 

fino ad ottenere una base.

[56] Dati i sottospazi vettoriali di — 5 :

W1  L

1, 0, 2, 0, 1,
0, 1, 0, 1, 0,
0, 1, 1, 1, 3,
1, 0, 1, 0, 2,

W2  
x1 , x2 , x3 , x4 , x5   —5 / x1  3x3 x5  x2 2x3  x4  x5  0,

i) determinare una base per ciascuno dei sottospazi vettoriali W 1 , W2 , W1  W2 , W1  W2 ;

ii) stabilire per quali valori di h  — il vettore
1, 2, h, 2, 1 appartiene a W 1 .

[57] In —5 sono dati i seguenti sottoinsiemi:

W1  L

2, 1, 1, 0, 2,
1, 1, 0, 0, 2,
0, 2, 0, 1, 1,

W2  
x1 , x2 , x3 , x4 , x5   —5 / x1 x2 x3 x4  x1 x5  x4  0.

i) Provare che W 2 è un sottospazio vettoriale di — 5 .

ii) Determinare la dimensione e una base per W 1 e W2 rispettivamente.
iii) Trovare W 1  W2 e W1  W2 .

[58] Completare il seguente insieme:


  1 1 1   0 2 0   1 0 0 
     

  1 2 0  ,  2 1 1  ,  0 1 0 
 1

0 0   0 1 0   0 0 0 

 

in modo da ottenere una base di S
— 3,3 .

[59] Discutere, al variare di h  —, le soluzioni della seguente equazione vettoriale di — 4 :

x1 a1  x2 a2  x3 a3  b,

dove:
a1 
2, 1, 0, 4, a 2 
3, 2, 4, h, a 3 
5, 3, h, 1, b 
14, 8, h, 1.

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 13

[60] In —3 sono dati i vettori: a 1 
1, 1, 0, a2 
0, 1, 1, b 
2, 3, 1. Considerata l’equazione vettoriale:

x1 a1  x2 a2  x3 a3  b,

determinare, se possibile, un vettore a 3 
x, y, z nei seguenti casi:

i) l’equazione vettoriale non ammette soluzioni;
ii) l’equazione vettoriale ammette una sola soluzione;
iii) l’equazione vettoriale ammette infinite soluzioni.
In ii) e iii) (se possibile) determinare le soluzioni dell’equazione vettoriale considerata.

[61] Dati i seguenti vettori di — 4 :

a1 
1, 1, 1, 1, a 2 
1, 1, 1, 1, a 3 
1, 1, 1, 1, b 
8, 2, 0, 10,

si risolva, se è possibile, l’equazione vettoriale:

a1 x1  a2 x2  a3 x3  b.

[62] Dati i seguenti vettori di — 4 :

a1 
1, 0, 1, 1, a 2 
1, 1, 0, 3, a 3 
1, 1, 1, 4, b 
2, 0, 2, 3,

si risolva, se è possibile, l’equazione vettoriale:

a1 x1  a2 x2  a3 x3  b.

[63] Determinare, al variare dei parametri reali h e k le soluzioni dell’equazione vettoriale:

ax  by  cz  d

dove:
a 
h, k, h 2k, b 
1, 2, h k, c 
2, 4, k 4, d 
1, 2, 4 h.

[64] Al variare dei parametri reali h e k, determinare, quando esiste, una matrice X tale che:

XA  B

dove:
 1 2   3 1 
   
A    ,
0 1
 B   1 2  .
 3 5   k 0 
 
 0 h

Quaderni Didattici del Dipartimento di Matematica

14 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[65] Al variare dei parametri reali h e k, determinare, quando esiste, una matrice X tale che:

XA  B

dove:
 0 1 1 
 2 
B    .
1 2 3 1 0
A , 
1 h 2h  3 0 k 

 0 0 k

[66] Si considerino le seguenti matrici:

 5 1 0   2 1 
   
A   3 0 1  , B   2 0  ,
 4 1 3   h k 
 

stabilire per quali valori di h, k  — l’equazione matriciale AX  B è compatibile e determinare, quando è

possibile, le soluzioni di tale equazione.

[67] Al variare del parametro Λ  —, discutere e risolvere, quando è possibile, l’equazione matriciale AX  B,
dove:
 Λ 1 1   Λ 1 
   
A   0 2 1  , B   0 1  .
 0 1 Λ   Λ2 0 
 

[68] Al variare del parametro Λ  —, discutere e risolvere, quando è possibile, l’equazione matriciale AX  B,
dove:
 Λ 1   Λ 1 
   
A   1 2  , B   0 0  .
 1 Λ   Λ2 0 
 

[69] Stabilire per quali valori di h e k in — le seguenti equazioni matriciali:

AX  B, X  A  B,

dove:
 3 1   1 1 1 
   
A   1 2  , B   0 1 3  ,
 2 h   0 k hk 
 
sono compatibili. Determinare, quando è possibile, le loro soluzioni.

[70] Date le matrici:

 2 1   3 1 k 
   
A   h 2  , B   2 0 3 
 1 0  4 k 1 
 
determinare, al variare di h, k  —, le soluzioni dell’equazione matriciale AX  B.

Università di Torino
 Capitolo 1 – Sottospazi vettoriali 15

[71] Al variare di Λ, Μ  —, discutere e risolvere, quando possibile, l’equazione matriciale:

AX  B

dove:
 1 2 1 3   2 1 
   
A   0 3 1 5  , B   0 1  .
 1 Λ 0 8  Μ 3 0 
 

[72] Date le matrici:

 1 1 2 3   1 1 
   
A   1 0 5 6  , B   5 3  ,
 3 h 1 0   k 1 
 

determinare, al variare di h, k  —, le soluzioni dell’equazione AX  B.

[73] Risolvere la seguente equazione matriciale: AX  B, dove:

 1 1   0 1 
   
A   2 k  , B   1 1  , h, k  —.
 1 h   0 k 
 

Quaderni Didattici del Dipartimento di Matematica

Capitolo 2

Applicazioni lineari

In tutti gli esercizi di questo capitolo si sono adottate notazioni standard, in particolare si è indicato con:

- —n lo spazio vettoriale delle n-uple di numeri reali, di dimensione n, riferito alla base canonica
e 1 
1, 0, . . . , 0,
e2 
0, 1, 0, . . . , 0, . . . , e n 
0, 0, . . . , 1;

- ¬n lo spazio vettoriale delle n-uple di numeri complessi, di dimensione n, riferito alla base canonica
e 1 

1, 0, . . . , 0, e 2 
0, 1, 0, . . . , 0, . . . , e n 
0, 0, . . . , 1;

- —m,n lo spazio vettoriale delle matrici di tipo
m, n, ad elementi reali, riferito alla base canonica:

 1 0 ... 0   0 1 ... 0   0 0 ... 0 

     
 . . . . .. ... ...  
, . . . . .. ... ...  , . . . ,  .
 0
. . . .. ... ... 
 0 0 ... 0  0 0 ... 0  0 ... 1

- —n,n lo spazio vettoriale delle matrici quadrate di ordine n, ad elementi reali, riferito alla base canonica standard
(il caso particolare della precedente);

- ¬n,n lo spazio vettoriale delle matrici quadrate di ordine n, ad elementi complessi, riferito alla base canonica
standard (come la precedente);

- S
—n,n  lo spazio vettoriale delle matrici simmetriche di ordine n ad elementi reali rispetto alla base canonica:

 1 0 . . . 0   0 1 . . . 0   0 0 . . . 1 
 . . . 0   1 . . . 0   . . . 0 
 
0 0 0 0 0
   
 ... ... . . . . . .  ,  . . . . . . . . . . . .  , . . . ,  ... ... . . . . . .  ,
     
 ... ... . . . . . .   . . . . . . . . . . . .   ... ... . . . . . . 
     
 0 0 ... 0  0 0 ... 0  1 0 ... 0

 0 0 . . . 0   0 0 . . . 0   0 0 . . . 0 
 . . . 0   0 . . . 0   0 . . . 0 
 0 1
  0
 
0

 . . . . . .  , . . . ,  . . . . . . . . . . . .  ,  . . . . . . . . . . . . 
 ... ...
    
 ... ... . . . . . .   0 ... 0 1   . . . . . . . . . . . . 
     
 0 0 ... 0  0 ... 1 0  0 0 ... 1

16
 Capitolo 2 – Applicazioni lineari 17

- A
—n,n  lo spazio vettoriale delle matrici antisimmetriche di ordine n ad elementi reali rispetto alla base canonica:

 0 1 0 . . . 0   0 0 1 ... 0   0 0 ... 0 0 

 . . . 0     0 
 1 0 0
 
0 0 0 ... 0   0 0 ... 0
 . . . . . .  ,   , . . . ,  
. . . . . . 
 ... ... ...
 
1 0 0 ... 0   ... ... ...

 ... ... ... . . . . . .   ... ... ... ... ...   0 0 ... 0 1 
     
 0 0 0 ... 0  0 0 ... ... 0  0 0 ... 1 0

- —n x lo spazio vettoriale dei polinomi in x, a coefficienti reali, di grado minore o uguale a n, riferito alla base
canonica
1, x, x 2, . . . , xn ;

- V3 lo spazio vettoriale reale, di dimensione 3, dei vettori ordinari, riferito alla base ortonormale positiva B 

i, j, k. In quest’ambito: “”indica il prodotto vettoriale o esterno e “ ”il prodotto scalare;

- tA indica la trasposta della matrice A  — m,n o A  ¬m,n ;

- tr
A indica la traccia della matrice A  — n,n , vale a dire la somma degli elementi della diagonale principale.

[1] Sia f ! ¬3 " ¬3 l’endomorfismo la cui matrice, rispetto alla base canonica, è:

 1 i 1 
 
A   i h2 i  .
 i 1 2 


Determinare ker f e im f , al variare di h  ¬.

[2] Nello spazio vettoriale — 3 , riferito alla base canonica B 
e 1 , e2 , e3 , si consideri l’endomorfismo f dato da:

f
e1   2e1 e2 ,
f
e2   e1  e3 ,
f
e3   e1  e2 e3 .

Trovare una base di ker f .

[3] È data l’applicazione lineare f ! — 4 " —3 , la cui matrice, rispetto alla base canonica, è:

 1 0 1 1 
 
A   2 1 1 3  .
 1 1 0 2 


Trovare una base di ker f e una base di im f .

[4] Sia f l’endomorfismo di — 4 , la cui matrice, rispetto alla base canonica, è:

 2 1 0 1 
 
A    .
0 1 0 1
 1 0 1 0 
 
 2 1 0 0

Calcolare dim ker f e dim im f .

Quaderni Didattici del Dipartimento di Matematica

18 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[5] In V3 , si consideri un vettore u 
u 1 , u2 , u3  
0, 0, 0. Determinare il nucleo e l’immagine degli omomor-
fismi:
f1 ! V3 " —, f1
x  u x,
f2 ! V3 " V3 , f2
x  u  x.

[6] Sia f l’endomorfismo di — 3 che, rispetto alla base canonica, è associato alla matrice:

 2 1 1 
 
A   1 2 1  , h  —,
 1 1 h 


trovato il valore di h per cui f non è suriettiva:

i) determinare im f ;
ii) determinare per quali valori di k  — il vettore
1, k 2 k, k  im f ;
iii) trovare un vettore di — 3 privo di controimmagini;
iv) determinare ker f ;
v) verificare che ker f  im f  o;
vi) esistono dei vettori x  — 3 tali che f
x 
3, 2, 2?
vii) Trovare i vettori v  — 3 tali che f
v  f
u, dove u 
1, 2, 1.

[7] In —3 , riferito alla base canonica B 
e 1 , e2 , e3 , si consideri l’endomorfismo f dato da:

f
e1  f
e2  f
e3   o,

2 f
e1  f
e2   3e1  2e2 e3 ,
f
e1   f
e2   3e1 e2  2e3 .

i) f è iniettivo? f è suriettivo?
ii) Trovare ker f e im f .
iii) Determinare t  — tale che u 
t  1, 2t, 1  im f .
iv) Per il valore di t ottenuto, calcolare le componenti del vettore u rispetto alla base di im f .
v) Trovare un vettore x non appartenente a im f .
vi) ker f e im f sono in somma diretta?
vii) Determinare le controimmagini del vettore y 
3, 4, 1.

[8] In —3 , riferito alla base canonica B 
e 1 , e2 , e3 , si consideri l’endomorfismo f dato da:

f
2e1  e3   3e1  6e2 3e3 ,

e1  e2 2e3 e 3e1 e2 2e3  ker f .

i) Trovare la matrice di f rispetto alla base B.

ii) Trovare ker f , im f e le rispettive basi.
iii) Verificare che ker f  im f  o.

[9] È dato l’endomorfismo f di — 3 la cui matrice, rispetto alla base canonica di — 3 , è:

 4 2 2 
 
A   4 a2  1 a  1  , a  —.
 8 4 a2  3 


Università di Torino
 Capitolo 2 – Applicazioni lineari 19

i) Per quali valori di a f è iniettivo?

ii) Per i restanti valori di a determinare ker f e la sua dimensione.
iii) Posto a  1, trovare le controimmagini del vettore
1, 2, 0.
Posto a  1:
iv) dire se esiste una base di — 3 che contenga una base di ker f .
v) ker f e im f sono in somma diretta?
vi) Esiste g  End
—3  tale che ker g  im f e img  ker f ?
vii) Per quali valori di h, k, l  — il vettore
h, k, l ammette controimmagini?

[10] Data la matrice:

 1 x 2 
 
A   2 y 3  , x, y, z, t  —,
 1 z t 


associata ad un endomorfismo f di — 3 , rispetto alla base canonica B 
e 1 , e2 , e3 , è possibile completare A

sapendo che:
f
e1  e2  e3   2
e1  e2 ,
ker f  o?

[11] In —4 sono dati i vettori v 1 
1, 2, 0, 1, v 2 
1, 0, 1, 0, v 3 
1, 0, 0, 2.

i) Verificare che v1 , v2 , v3 sono linearmente indipendenti.
ii) Dire se esiste un endomorfismo f di — 4 tale che:

f
v1   v1 ,
f
v2   2v1  v2 ,
f
v3   v2  v3 ,
f
v1  v2  v3  
2, 2, 1, 1,
f
v1  v2  v3  
2, 6, 0, 1.

[12] In —4 sono dati i vettori: u 1 
1, 2, 0, 4, u 2 
1, 1, 1, 0, u 3 
0, 0, 1, 2.

i) Verificare che u1 , u2 , u3 sono linearmente indipendenti e trovare una base che li contiene.
ii) Dire se esiste un’applicazione lineare f non nulla di — 4 in —3 tale che:

f
u1   o, f
u2   o, f
u3   o.

[13] Sono assegnati l’endomorfismo f di — 3 individuato, rispetto alla base canonica B 
e 1 , e2 , e3 , dalla
matrice:
 1 0 2 
 
A   0 1 1 
 2 1 5 


ed i vettori u 
1, 2, k, v 
1, 0, 2, w 
0, 1, 0.

i) Provare che per nessun valore di k  — u  ker f .
ii) Determinare per quali valori di k i vettori u, v, w formano una base C di — 3 .

Quaderni Didattici del Dipartimento di Matematica

20 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

iii) Posto k  1, determinare le componenti dei vettori della base B rispetto alla base C.
iv) Posto k  0 e considerati i sottospazi vettoriali: U  L
u, v, w e V  L
f
e 1 , f
e2 , e3 , trovare
un’isomorfismo g ! U " V.
v) Scrivere la matrice associata a g rispetto alla base B.

[14] Sia f l’endomorfismo di — 3 definito da:

f
x, y, z 
2x  2y, x  z, x  3y 2z.

i) Dire se f è suriettivo. In caso negativo, determinare un vettore privo di controimmagine.

ii) Dire se f è iniettivo. In caso negativo, determinare due vettori che abbiano la stessa immagine.
iii) Sia E  L
a, b, dove a 
1, 0, 1, b 
0, 1, 1. Dire se il vettore w 
4, 3, 2 appartiene a f
E.

[15] Sia f ! —4 " —3 l’applicazione lineare la cui matrice, rispetto alle basi canoniche, è:
3
 1 2 0 
 2 
 
A   t t 0 0  , t  —.
 
 

 1 1 1 1

i) Calcolare ker f e im f al variare di t  —.

ii) Posto t  0, esiste k  — tale che il vettore
k  3, k, 1, 2k  ker f ?
iii) Determinare una base di — 4 contenente una base di ker f .
iv) Determinare le controimmagini del vettore
1, 0, 1.

[16] In —4 sono dati i vettori a 
1, 0, 1, 2, b 
2, 3, 2, 1, c 
1, 3, 1, 1, d 
1, 3, 1, 5.
i) Trovare una base per il sottospazio vettoriale F  L
a, b, c, d.
ii) Scrivere la matrice, rispetto alla base canonica B 
e 1 , e2 , e3 , e4  di —4 , dell’endomorfismo f di — 4 tale che:

f
e1   a, f
e2   b, f
e3   c, f
a  2a.

[17] In —3 , rispetto alla base canonica B, sono dati i vettori v 1 
1, 2, 0, v2 
1, 0, 1, v3 
1, 0, 2.
i) Verificare che tali vettori sono linearmente indipendenti e formano una base C di — 3 .
ii) Scrivere la matrice, rispetto alla base C, dell’endomorfismo f di — 3 tale che:

f
v1   v1  v2 ,
f
v2   2v1 v2 ,
f
v3   v2  v3 .

iii) Scrivere la matrice di f rispetto alla base B.

[18] Sia f l’applicazione lineare da — 3 in —2,2 cosı̀ definita:

3y z 2z
f
x, y, z   .
x y y

Università di Torino
 Capitolo 2 – Applicazioni lineari 21

i) Trovare una base di im f .

ii) Dire se f è iniettiva.
iii) Trovare i vettori v di — 3 tali che f
v  3 f
1, 2, 1.

1 2
iv) Dire se la matrice  3 4  ammette controimmagine.

[19] In —4 , rispetto alla base canonica B 
e 1 , e2 , e3 , e4 , si consideri il sottospazio V  L
u, v, w, dove:

u 
2, 0, 1, 1, v 
0, 1, 3, 1, w 
0, 1, 0, 1.

i) Provare che C 
u, v, w è una base di V.

ii) Trovare una base di — 4 contenente C.
Sia f l’applicazione lineare di V in — 4 tale che:

f
u  u  2w,
f
v  e1  2e2  7e3  3e4 ,
f
w   v .

iii) Scrivere M C,B
f .

iv) L’applicazione lineare f è iniettiva?

[20] Sia f ! —3 " —2,2 l’applicazione lineare cosı̀ definita:

a ab
f
a, b, c   abc 0
.

i) Scrivere la matrice associata ad f rispetto alle basi canoniche di — 3 e di —2,2 .

ii) Determinare im f .

[21] Si consideri l’applicazione lineare f ! — 5 " —3 cosı̀ definita:

f
x1 , x2 , x3 , x4 , x5  
x1  x3 , 2x1  x2 x4  x5 , 3x2 x3  x4  2x5 .

i) Trovare ker f e dire se f è suriettiva.

ii) Dato V  L
u, v, w, dove u 
1, 1, 0, 0, 0, v 
0, 1, 0, 1, 1, w 
0, 0, 3, 0, 0, determinare la dimensione
dell’immagine di V.
iii) Verificare che, #a  —5 e #s, t  —, il vettore b  a  s
1, 3, 1, 0, 5  t
0, 3, 0, 1, 4 è controimmagine di
f
a.

[22] i) Dire se la funzione che ad ogni matrice di — 3,3 associa il suo determinante è un’applicazione lineare di
—3,3 in —.
ii) Dire se la funzione di — 3,3 in — che ad ogni matrice associa la sua traccia è un’applicazione lineare. In caso
positivo, stabilire se è suriettiva e determinare il suo nucleo.

Quaderni Didattici del Dipartimento di Matematica

22 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[23] Si consideri l’endomorfismo f di R 2,2 associato alla matrice:

 1 0 h 0 
 
A    ,
0 1 0 h
 h  —.
 3 0 h 2 0 

 0 3 0 h 2

i) Determinare una base per ker f e una base per im f , al variare di h in R.

ii) Posto h  1, determinare una base di autovettori per ciascun autospazio e stabilire se f è semplice.
iii) Posto h  1, trovare una base per f 1
G, dove G è il sottospazio vettoriale definito da:

x1 x2
G 
  / 4x1  x2 x3  3x2 3x3 4x4  0 .
x3 x4

[24] Data la funzione:

f ! —2,2 " —2,2

cosı̀ definita:
x x x1  17x2  10x3  9x4 x2
f  x1 x2    11x2  8x3  6x4 13x2 8x3 6x4
,
3 4

i) si verifichi che f è un’applicazione lineare e si determini la matrice A associata ad f .

ii) Si determini una base di ker f e una base di im f .
iii) Si determinino f
H, dove:
x x
H 
 1 2  / 4x1  2x3 x4  0 ,
x3 x4

e f 1

K, dove:
x1 x2
K 
  / x1  x 4  x 3  0  .
x3 x4

iv) Si calcolino gli autovalori di f e una base per ciascun autospazio.

v) f è semplice? Se la risposta è affermativa, si scriva una matrice diagonale A  a cui f è associata e si determini
la matrice B di un cambiamento di base tale che A   B 1 AB.

[25] Sia V il sottoinsieme di — 2,2 formato dalle matrici aventi traccia nulla.
i) Verificare che V è un sottospazio vettoriale di — 2,2 e che B 
A1 , A2 , A3 , dove:
0 1 0 0 1 0
A1    , A2   1 0  , A3   0 ,
0 0 1

è una base di V.
ii) Trovare, rispetto alla base B, la matrice dell’endomorfismo f di V tale che:
h 1 1
f
A1  A2    ,
2h h1

0 1
f
2A2  A3    ,
3 0

3 h 2
f
A1 A2  A3    .
h 3 h 3

Università di Torino
 Capitolo 2 – Applicazioni lineari 23

iii) Stabilire per quali valori di h  — f è, rispettivamente:

a) un isomorfismo,
b) diagonalizzabile.

[26] i) Si provi che esiste un unico endomorfismo f di S
— 2,2  tale che:

1 0 1 2
f  0 1  2 3
,

0 1 h 0
f  1 1    0 2 h  , h  —,

2 0 2 1
f  0 1
 1 0
.

ii) Determinare, per ogni valore di h  —, una base per gli autospazi di f e stabilire per quali valori di h  — f è
diagonalizzabile.
iii) Posto h  0, trovare una base per il sottospazio vettoriale f 1
G, dove:

x1 x2
G 
   S
—2,2  / x1  x2 x3  2x2  x3  0 .
x2 x3

[27] i) Sia V uno spazio vettoriale reale di dimensione 3, riferito ad una base B 
v 1 , v2 , v3 ; si determini la
matrice associata all’applicazione lineare f ! V " V tale che:

ker f  L

0, 1, 1,

f
3, 1, 1 
9, 0, 0, f
1, 1, 1 
3, 2, 4.

ii) f è semplice?

[28] Si considerino le matrici associate, rispetto alla base canonica, alle applicazioni lineari f ! — 3 " —3 tali
che:
ker f  
x1 , x2 , x3   —3 / x1  x2  x3  0,
f
H  H dove H  
x1 , x2 , x3   —3 / x3  0.

Determinare quali tra queste matrici sono diagonalizzabili, quindi individuare una base di autovettori di — 3 .

[29] In V3 è data la funzione f ! V3 " V3 , cosı̀ definita:

f
x  i  x  2j  x k  x.

i) Provare che f è lineare.

ii) Determinare una base per ker f e una base per im f .
iii) f è semplice?

Quaderni Didattici del Dipartimento di Matematica

24 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[30] In V3 è data la funzione f ! V3 " V3 , cosı̀ definita:

f
x 
i  j  x  2
j xi
k xj.

i) Provare che f è lineare.

ii) Determinare una base per ker f e una base per im f .
iii) f è semplice?

[31] Si considerino gli spazi vettoriali — 2 , —3 , —4 riferiti alle rispettive basi canoniche B, B  , B . Date le
applicazioni lineari:
 1 1 2
f ! —3 " —2 , A  M B ,B
f    ,
1 2 3
 3 4 3 0
g ! —4 " —2 , B  M B ,B
g   ,
5 9 4 1

determinare, se esiste, un’applicazione lineare h ! — 4 " —3 tale che f
h  g.

[32] Si considerino gli spazi vettoriali — 2 , —3 , —4 riferiti alle rispettive basi canoniche B, B  , B . Date le
applicazioni lineari:
 1 0 
 
f ! —2 " —3 , A  M B,B
f    1 2  ,


 0 1 

 1 2 1 0 
 
g ! —4 " —3 , B  M B ,B
g   8 11 0  ,
 
1
 0 3 5 0 

determinare, se esiste, un’applicazione lineare h ! — 4 " —2 tale che f
h  g.

[33] Si consideri la funzione:

1
f ! —2,2 $ —2,2 , f
A 
A  tA, A  —2,2 .
2

i) Verificare che f è un’applicazione lineare.

ii) Scrivere la matrice associata ad f rispetto alla base canonica di — 2,2 .
iii) Determinare una base per ker f e una base per im f .
iv) f è semplice? In caso affermativo, determinare una base di — 2,2 di autovettori e la matrice a cui f è associata,
rispetto a tale base.

[34] Verificare che le seguenti matrici:

 2 14 7 
 
A   0 2 2 
 0 6 5 

e:
 1 0 0 
 
A   0 2 0 
 0 0 2 

sono associate allo stesso endomorfismo f ! — 3 " —3 . Se A è riferita alla base canonica di — 3 , determinare la
base a cui è riferita la matrice A  .

Università di Torino
 Capitolo 2 – Applicazioni lineari 25

[35] Si consideri l’applicazione lineare f ! — 4 " —4 tale che:

a) l’autospazio relativo all’autovalore 1 è:

H  
x1 , x2 , x3 , x4 / x1  x2 x3 2x4  0.

b) L’autospazio relativo all’autovalore 1 è:

K  
x1 , x2 , x3 , x4 / x1 2x2  x2  x3  x4  0.

c) Il nucleo è dato da:

ker f  
x1 , x2 , x3 , x4 / x2  x3  x4  0.

i)) Determinare la matrice A associata ad f , rispetto alla base canonica di — 4 .

ii) f è semplice? In caso affermativo, scrivere una matrice diagonale A  simile ad A e una matrice B tale che
A  B 1 AB.

[36] In V3 sono dati i vettori a  i  2j, b  j  k, c  i  j  k .

i) Determinare la matrice associata (rispetto alla base B 
i, j, k) all’applicazione lineare f ! V 3 $ V3 tale che:

f
a  i  a  j  b, f
b  2
a bb, f
c  o.

ii) Determinare una base e la dimensione di ker f e di im f .

iii) Determinare una base e la dimensione di f
H dove H  L
i  j, i j e di f 1
K, dove K  L
i k.
iv) f è semplice?
v) Si scelga un autovalore di f e si determini un sottospazio supplementare dell’autospazio ad esso relativo.

[37] Si consideri l’applicazione lineare f ! — 2,2 " —2,2 cosı̀ definita:

2 0 2h 2 1 2 h 2h
f  1 1  1 1
, f  0 1
 4 1
,

0 1 0 h6 1 2 h 2h  2
f  3 1
 1 1
, f  1 2
 5 2
 , h  —.

i) Scrivere la matrice associata ad f rispetto alla base canonica di — 2,2 .

ii) Al variare di h  —, determinare una base e la dimensione di ker f e una base e la dimensione di im f .
iii) Per quali valori di h esiste f 1 ? Determinare, in questi casi, la matrice associata ad f 1 .
iv) Per quali valori di h f è semplice?

[38] Determinare, se esiste, un’opportuna applicazione lineare g tale che:

g
f  h

dove f ! —4 " —3 è cosı̀ definita:


 x1

 x1  x2  x3  x4

 

 x2  x2 x3  3x4

 x3
  2x1  2x2 x3 x4

Quaderni Didattici del Dipartimento di Matematica

26 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

e h ! —4 " —2 è definita da:


x  x  2x 3x

x1  x1  x 2 x 3 2x .
2 1 2 3 4

[39] Si consideri la matrice:

 3 0 0 
 
A   0 i 0   ¬3,3 .
 0 0 i 


Determinare esplicitamente una matrice A   ¬3,3 simile ad A. Si giustifichi la risposta.

[40] i) Determinare un’applicazione lineare f ! — 3 " —4 tale che:

im f  L

1, 2, 0, 4,
2, 0, 1, 3.

ii) Determinare un’applicazione lineare f ! — 3 " —4 tale che:

ker f  L

1, 0, 1.

iii) Determinare tutte le applicazioni lineari f ! — 4 " —3 iniettive.

[41] Si consideri la matrice:

 4 1 1 
 
C   2 5 2   — .
3,3
 1 1 2 


i) Determinare il suo polinomio caratteristico.

ii) Calcolare gli autovalori dell’endomorfismo f ! — 3 " —3 associato a C .
iii) La matrice C è diagonalizzabile? Se sı̀, si determini una matrice P tale che P 1CP sia una matrice diagonale.

[42] Sia:
x1 x2
T 
   —2,2 , x1 , x2 , x3  —
0 x3

il sottospazio vettoriale di — 2,2 delle matrici triangolari superiori. Si consideri l’endomorfismo f ! T " T tale
che:
1 2 8 10
f  0 ,
0 1 10

0 1 6 8
f  0 1
 0 10
,

1 2 5 7
f  0 0  0 6
.

i) f è ben definito?

Università di Torino
 Capitolo 2 – Applicazioni lineari 27

ii) Scrivere la matrice A associata ad f rispetto alla base canonica di T .

iii) Determinare una base e la dimensione di ker f e di im f .

x1 x2
iv) Dato H 
   T / x1  3x2  0 , determinare una base e la dimensione di f
H e di f 1
H.
0 x3

v) f è semplice?

vi) In caso affermativo si scriva una matrice A  diagonale simile ad A e la base di T a cui A  è riferita.

[43] Sia f ! —3 " —3 l’endomorfismo associato alla matrice:

 1 2 1 
 
A   0 1 3  .
 2 5 5


Si determinino una base e la dimensione di f
H e di f 1

H dove H  L

1, 0, 1,
1, 0, 1.

[44] Scrivere tutte le applicazioni lineari f ! — 3 " —3 tali che:

i) ker f  L

1, 1, 0,
0, 1, 1,
ii) im f  L

0, 0, 1.

[45] Sia f ! V3 " V3 la funzione cosı̀ definita:

f
x  a  x 
b a
b  x, x  V3 ,

dove a  i j  k, b  i  k .
i) Verificare che f è un’applicazione lineare.
ii) Scrivere la matrice associata ad f rispetto alla base B 
i, j, k.
iii) Determinare una base per ker f e una base per im f .
iv) Determinare f
W dove W  x  V3 / x a  0 e f 1
U dove U  x  V3 / x  b  o.
v) Verificare che C 
i  j, i j  k, 2k è una base di V3 e scrivere la matrice A  associata ad f rispetto alla base
C.
vi) f è semplice?

[46] In uno spazio vettoriale V di dimensione 2, rispetto alla base B 
v 1 , v2 , si considerino gli endomorfismi
f e g individuati dalle matrici:
1 2 3 1
A  M B,B
f     , B  M B,B
g   1 1  .
1 0

i) Si determinino le componenti del vettore
f
g
v 1  v2 .

ii) Si scrivano le componenti dei vettori x di V tali che:
f
x  g
x

e dei vettori y di V tali che:

f
g
y 
g
f 
y.

Quaderni Didattici del Dipartimento di Matematica

28 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[47] Sia data l’applicazione lineare f ! — 3 " —3 cosı̀ definita:

f
x, y, z 
x  y, 2y z, 2x 4y  3z,
x, y, z  — 3 .

Determinare un’applicazione lineare g ! — 3 " —3 tale che im f  img e ker f  ker g  o.

[48] i) L’applicazione lineare f ! — 3 " —3 associata alla matrice:

 1 1 0 
 
A   1 1 0 
 2 1 3 


è semplice?
ii) Se si considera, invece, A come elemento di ¬ 3,3 , A è diagonalizzabile? Se la risposta è affermativa, determinare
una base di autovettori di ¬ 3 .

[49] Sia f ! —3 " —3 l’applicazione lineare associata alla matrice:

 1 0 0 
 
A   14 8 2  .
 42 21 5 


i) Si provi che f è semplice, si determini una base di autovettori di — 3 e la matrice associata ad f rispetto a tale
base.
ii) Si determini almeno un sottospazio W di — 3 , di dimensione 2, tale che f
W  W.

[50] In —2,2 si consideri la funzione:

f ! —2,2 " —2,2 / f
A  tA, A  —2,2 .

i) Verificare che f è un’applicazione lineare.

ii) Scrivere la matrice associata ad f rispetto alla base canonica di — 2,2 .
iii) f è invertibile? In caso positivo, determinare una matrice associata a f 1 .
iv) f è semplice? In caso positivo, scrivere una matrice diagonale simile ad f e determinare una base rispetto alla
quale tale matrice è data.

[51] Si consideri l’endomorfismo:

f ! —2,2 " —2,2 , A
" A 2 tA, A  —2,2 .

i) Trovare una base per i sottospazi f
W e f 1

W, dove W   A  —2,2 / tr
A  0 .
ii) Stabilire se f è semplice. In caso affermativo, trovare una base di — 2,2 formata da autovettori e scrivere la
matrice di f rispetto a tale base.

Università di Torino
 Capitolo 2 – Applicazioni lineari 29

[52] Siano S
—2,2  lo spazio vettoriale delle matrici simmetriche di ordine 2 a coefficienti reali e
B 
e1 , e2 , e3 , e4  la base canonica di — 4 . Si consideri l’applicazione lineare f ! — 4 " S
—2,2  tale che:

1 2 1 1
f
e1    , f
e2   ,
2 3 1 0

1 0 1 1
f
e3    , f
e4   , k  —.
0 1 1 k

Trovare, per ogni k  —, una base sia per ker f sia per im f .

[53] Sia f l’endomorfismo di — 3 di matrice, rispetto alla base canonica di — 3 ,

 1 0 2 
 
A   1 2 2  .
 1 1 1 


i) Stabilire se f è semplice.
ii) Trovare, se esiste, il valore di h  — in modo tale che il vettore u 
2, h, 1 sia un autovettore di f .

[54] i) Verificare che esiste un’unica applicazione lineare f ! — 4 " S
—2,2 , tale che:

2 1 0 2
f
1, 0, 1, 0   1 3
, f
0, 1, 0, 1   2 2 ,

1 1 1 3
f
0, 0, 0, 1   1 2
, f
1, 0, 0, 1   3 2 .

ii) Trovare una base per ker f ed im f (precisare le basi scelte per scrivere la matrice di f ).
iii) Determinare una base per il sottospazio vettoriale f 1
W, dove:

y1 y2
W 
   —2,2 / y1  2y3  y2  y3  0 .
y2 y3

[55] i) In V3 , fissato il vettore u  i j  k , verificare che la funzione:

f ! V3 " V3 , x
" f
x 
u xu 3x,

è un endomorfismo di V3 .
ii) Trovare una base per ker f e im f .
iii) Stabilire se f è semplice e, in caso affermativo, trovare una base di V 3 formata da autovettori. Scrivere la
matrice di f rispetto a tale base, precisando la relativa matrice di passaggio.

[56] Si consideri l’endomorfismo:

f ! —2,2 " —2,2 , X
" f
X  AX XA,

Quaderni Didattici del Dipartimento di Matematica

30 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

dove:
1 h
A  , h  —.
1 1

i) Determinare, per ogni h  —, una base di ker f .

ii) Stabilire per quali valori di h  — f è semplice.
iii) Posto h  3, trovare una base di — 2,2 formata da autovettori di f .
iv) Posto h  0, determinare una base per il sottospazio vettoriale im f  W, dove:
x1 x2
W 
   —2,2 / 2x1  x3  2x2 3x3  2x4  0 .
x3 x4

[57] Sia f ! —5 " —3 un’applicazione lineare la cui matrice, rispetto alle basi canoniche, è:
 1 0 1 2 3 
 
A   2 1 0 1 2  .
 3 1 1 3 5 


i) Determinare una base per ker f e im f .

ii) Stabilire per quali valori di h  — il vettore
2, h, h 2 appartiene a im f .
iii) Rappresentare mediante equazioni il sottospazio vettoriale f
W dove:
W  
x1 , x2 , x3 , x4 , x5   —5 / x1 x3  2x1 x2  x4 x5  0.

[58] In V3 si considerino i vettori a 
1, 1, 0 e b 
0, 1, 1. Sia f ! V 3 " V3 la funzione cosı̀ definita:
x ab
f
x  x   a  b, x  V3 .
 a  b 2

i) Provare che f è un’applicazione lineare e precisare il suo significato geometrico.

ii) Scrivere la matrice associata ad f rispetto alla base B 
i, j, k.
iii) Dopo aver verificato che B  
a, b, a  b è una base di V3 , scrivere la matrice associata ad f rispetto alla
base B .
iv) Determinare ker f e im f . Stabilire se f è semplice e, in caso affermativo, trovare una base di V 3 formata da
autovettori di f . (Questo punto non richiede calcoli se le risposte vengono adeguatamente giustificate).

[59] Si consideri l’endomorfismo f di S
— 2,2  tale che:

1 0 1 0 0 1 0 2
f  0 0    0 h , f  1 0    2 1 ,

1 0 1h 0
f  0 1  0 1h
.

i) Stabilire per quali valori di h  —, f è semplice.

ii) Posto h  1, trovare una base per il sottospazio vettoriale f
W, dove:
a b
W 
   S
—2,2  / a b  c  0 .
b c

Università di Torino
 Capitolo 2 – Applicazioni lineari 31

[60] Si consideri il seguente endomorfismo di — 2,2 :

1 0
f ! —2,2 " —2,2 , X
" B 1 XB, dove B   h 1
.

i) Trovare per quali valori di h  — f è un isomorfismo.

ii) Stabilire per quali valori di h  — f è semplice.
iii) Posto h  1, trovare una base di — 2,2 formata da autovettori di f .

[61] Sia f l’endomorfismo di — 3 che verifica le seguenti condizioni:

a) ker f  
x1 , x2 , x3   —3 / x1  x3  x2  x3  0;
b) f

1, 0, 1 
1, 2, 3;
c)
1, 1, 0 è un autovettore di f relativo all’autovalore 1.
i) Trovare la matrice di f rispetto alla base canonica di — 3 .
ii) Stabilire se f è semplice e, in caso positivo, trovare una base di — 3 formata da autovettori.

[62] Si consideri il seguente endomorfismo di — 2,2 :

1 2
f ! —2,2 " —2,2 , X
" XB, dove B   h 6
.

i) Determinare ker f e im f , per ogni valore di h  —.

ii) Scelto l’unico valore di h per cui f non è un isomorfismo, stabilire se f è semplice.
iii) Trovare una base per f
W, dove:

W  X  —2,2 / tX  X,

(usare il valore di h determinato nel punto ii).

[63] Si considerino le seguenti matrici ad elementi reali:

 2 0 0   1 0 0 
   
A   0 1 0  , B   1 2 0  .
 1 0 1   1 1 1 
 

i) Stabilire se tali matrici sono diagonalizzabili. In ciascun caso affermativo, determinare una matrice diagonale
simile alla data, precisando la relativa matrice di passaggio.
ii) Dire se A e B sono matrici associate ad uno stesso endomorfismo f ! — 3 " —3 , rispetto a basi diverse
(giustificare la risposta).

[64] i) Provare che esiste un’unico endomorfismo f ! — 3 " —3 tale che:

f
2, 1, 0 
h, 2, 0, f
1, 0, 1 
0, 1, h, f
1, 0, 1 
0, 1, h.

ii) Stabilire per quali valori di h  — l’endomorfismo f è semplice.

Quaderni Didattici del Dipartimento di Matematica

32 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[65] Negli spazi vettoriali — 3 e —4 si considerino, rispettivamente, i vettori:

u1 
1, 3, 2, u2 
1, 1, 1, u3 
1, 0, 2,

v1 
1, 0, 1, 0, v 2 
1, 1, 0, 2, v 3 
1, 2, 1, 0, v 4 
2, 0, 1, 2.

i) Verificare, giustificando la risposta, che le condizioni:

f
u1   v1 v3 , f
u2   v2  v4 , f
u3   v2 v4

permettono di definire un’unica applicazione lineare f ! — 3 " —4 .

ii) Determinare ker f e im f e stabilire se f è un monomorfismo o un epimorfismo.
iii) Trovare una base per im f  W, dove:

W  
x1 , x2 , x3 , x4   —4 / x1  x2 2x3  x4  0.

[66] Dato l’endomorfismo:

f ! —2,2 " —2,2

tale che f
A  tA, A  —2,2 :

i) scrivere la matrice associata ad f rispetto alla base canonica di — 2,2 ;
ii) determinare ker f e im f ;
iii) determinare f
S e f
A, dove S è il sottospazio vettoriale delle matrici simmetriche e A è il sottospazio
vettoriale delle matrici antisimmetriche;
iv) determinare gli autospazi di f ;
v) f è semplice? (Giustificare la risposta).

[67] Si consideri la funzione f ! — 3 " —3 tale che:

f
0, 1, 2 
8, 2  2k, 16

f
2, 0, 1 
1, 2 k, 2
f
1, 3, 1 
4, 7 k, 8.

i) Al variare del parametro k in campo reale, verificare che le relazioni precedenti definiscono un’applicazione
lineare.
ii) Per ogni valore di k  —, calcolare la dimensione e una base di ker f e di im f .
iii) Posto k  3, verificare che f è semplice, scrivere una matrice diagonale ad essa associata e una base di — 3
rispetto alla quale questa matrice è data.

[68] In —2,2 si considerino i sottoinsiemi:

x1 x2
S 
   —2,2 / x2  x3 
x3 x4

delle matrici simmetriche, e:

x1 x2
T 
   —2,2 / x1  x4  0
x3 x4

Università di Torino
 Capitolo 2 – Applicazioni lineari 33

delle matrici a traccia nulla.

i) Si dimostri che S e T sono sottospazi vettoriali di — 2,2 , si determinino le loro dimensioni e una base per
ciascuno.
ii) Data l’applicazione lineare:
f !S"T
cosı̀ definita:
x x 2x 2x 2x1  4x2  2x3
f  x1 x2    2x2 2x3 2x2  2x3
,
2 3 1 2

calcolare la dimensioni e una base sia di ker f sia di im f .

iii) Determinare f
H dove:
x x
H 
 1 2   S/ x1  x2  x3  0
x2 x3

e f 1

K dove:
 
x1 x2
K 
 
x3

x1
  T / x1  3x3  0 .

iv) Detta A la matrice associata a f rispetto ad una base di S e ad una base di T , si stabilisca se A è diagonalizz-
abile e, in caso affermativo, si determini una matrice diagonale A  simile ad A.

[69] Considerata l’applicazione lineare:

f ! —3 " —4

tale che:
f
x1 , x2 , x3  
x1  x2 , 2x1  x2  x3 , x1  x3 , x2 x3 ,

si determini f 1

H, dove H è il sottospazio vettoriale di — 4 dato da:

H  
y1 , y2 , y3 , y4   —4 / y1  y2  0.

[70] i) Stabilire per quali valori del parametro h  — l’endomorfismo:

f ! —3 " —3

definito da:
f
x, y, z 
2hx y  hz, x  z, hz

è semplice.
ii) Ripetere lo stesso esercizio considerando:
f ! ¬3 " ¬3

con la stessa definizione precedente ma con h  ¬.

Quaderni Didattici del Dipartimento di Matematica

34 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[71] Nello spazio vettoriale — 4 , rispetto alla base canonica, sono dati i vettori u 
1, 0, 1, 1, v 
0, 0, 2, 1
e w 
2, 0, 4, 1.
i) Provare che L
u, v  L
v, w.
ii) Stabilire se esiste un endomorfismo di — 4 tale che u e v sono autovettori di autovalore 2 e w è autovettore di
autovalore 3. Giustificare la risposta.
iii) Si consideri l’applicazione lineare f ! — 4 " —4 tale che:

f
x1 , x2 , x3 , x4  
x1  x2 u 
2x3 x4  v .

Scrivere la matrice associata ad f rispetto alla base canonica di — 4 e determinare la dimensione del nucleo di f .

[72] Sia f ! —3 " —4 l’applicazione lineare di equazioni:



 x1  x1  x2  x3

 
 x2  x2  x3

 

 x3  2x1  x2  x3
 
 x4  x1  2x2  2x3 .

i) Determinare la dimensione e una base sia di ker f sia di im f .

ii) Determinare la dimensione e una base di f
H dove:

H  
x1 , x2 , x3   —3 / x1  2x2  0.

iii) Determinare la dimensione e una base di f 1

K, dove:

K  
x1 , x2 , x3 , x4   —4 / x1  2x2  0.

[73] Sia f ! —3 " —3 l’applicazione lineare cosı̀ definita:

f
x, y, z 
x  y  6z, y, 2z.

i) f è invertibile? In caso affermativo determinare le equazioni di f 1 .

ii) Calcolare dimensioni e basi dei sottospazi vettoriali f
H e f 1
H, dove:

H  
x, y, z  —3 / x  y  0.

iii) f è semplice? Giustificare accuratamente la risposta.

[74] Sia f ! —2 " —3 l’omomorfismo cosı̀ definito:

f
x, y 
ax  y, x  ay, x y, a  —.

i) Scrivere la matrice rappresentativa di f rispetto alle basi canoniche di — 2 e di —3 .

ii) Per quali valori di a, f è un monomorfismo?
iii) Posto a  1, determinare ker f e im f .

Università di Torino
 Capitolo 2 – Applicazioni lineari 35

[75] Calcolare gli autovalori della matrice:

 0 2  i 0 
 
A   2 i 0 1  .
 0 1 0 


Stabilire se A è diagonalizzabile e, in caso affermativo, determinare una base di autovettori.

[76] Sia f l’endomorfismo di — 3 associato, rispetto alla base canonica di — 3 , alla matrice:

 3 2 1 
 
A   3 2 h1  , h  —.
 6 4 2


i) Determinare ker f e im f , al variare di h  —.

ii) Trovare il valore di h per il quale la matrice A ha un autovalore uguale a 3.
iii) Posto h  2, provare che h è diagonalizzabile, trovare una matrice diagonale D e il cambiamento di base che
la realizza.

[77] Data l’applicazione lineare f ! — 3 " —3 definita, relativamente alla base canonica di — 3 , dalla matrice:

 0 h h 
 
A   1 h2 h 1  , h  —,
 h 1 0 h 1 


i) trovare il valore di h per cui ker f abbia dimensione 2 e determinarne una base;
ii) posto h  1, determinare autovalori e autovettori di f ;
iii) f è semplice?

[78] Sia f ! —3 " —3 l’endomorfismo di equazioni:




x1  x2 x3

 

 x2  x1  x3

 x3  x1 x2 2x3 .


i) Determinare una base e la dimensione sia di ker f sia di im f .

ii) Determinare una base e la dimensione di f
H e di f 1
H, dove:

H  
x1 , x2 , x3   —3 / 2x1 x2  0.

iii) Dire se f è semplice, giustificando la risposta e, in caso affermativo, individuare una base di autovettori di — 3 .

[79] Sia f ! —3 " —3 la funzione cosı̀ definita:

f
e2 e3   e2 e3
f
e1 e2  e3   o
f
e1 e2   e1  e2 ,

Quaderni Didattici del Dipartimento di Matematica

36 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

con B 
e1 , e2 , e3  base canonica di —3 .

i) Analizzando le relazioni precedenti dire, giustificando le risposte, se f cosı̀ definita sia un’applicazione lineare
e, in caso positivo, se f sia diagonalizzabile.
ii) Determinare la matrice associata ad f rispetto alla base canonica B di — 3 .
iii) Calcolare basi e dimensioni di ker f e di im f .
iv) Determinare analiticamente gli autovalori e gli autovettori di f .

[80] Si consideri la funzione:

f ! R2 x " —2 x

tale che:
f
a0  a1 x  a2 x2  
2a0 9a1  3a2  
a0  4a1 a2 x 
a0  3a1 x2 .

i) Si verifichi che f è un’applicazione lineare.

ii) Si determini una base di ker f e una base di im f .
iii) Si descriva f
H, dove H è il sottospazio dei polinomi di R 2 x con radice 2.
iv) Si determinino gli autovalori di f e una base per ciascun autospazio.
v) f è semplice? In caso affermativo, si scriva una matrice diagonale a cui f è associata e la base rispetto alla
quale tale matrice è data.

[81] Si consideri l’omomorfismo:

f ! —2,2 " —3 x

tale che:
a b
A 
" f
A  2a b d
3b  2c dx 
4a  7b  6c 5dx 2 
3a  c 2dx3 .
c d

i) Trovare una base per ker f e una base per im f .

ii) La matrice associata ad f , rispetto alle basi canoniche di — 2,2 di —3 x è diagonalizzabile?
iii) Verificare che:
G  p
x  —3 x / p
x è divisibile per q
x  x

è un sottospazio vettoriale di — 3 x e determinare una base per f 1

G.

[82] i) Scrivere la matrice, rispetto alla base canonica, dell’endomorfismo f di — 3 x sapendo che:

f
1  x x 3   x  x2 x3 , f
2  x2   h  3x hx2 , h—

p
x  x3 è un autovettore di f

f
x x3   F , dove F  q
x  a 1  a2 x  a3 x2  a4 x3  —3 x / a3  4a4  0

2  x3  ker f .

ii) Trovare, per ogni valore di h  —, una base per ker f e una base per im f .
iii) Stabilire per quali valori del parametro h  — l’endomorfismo f è diagonalizzabile.

Università di Torino
 Capitolo 2 – Applicazioni lineari 37

[83] Sia f ! —1 x " —2 x tale che:

f
a  bx  a 
a  bx 
a 2bx 2 , a, b  —,

i) f è un’applicazione lineare?
ii) Scrivere la matrice A associata ad f rispetto alle basi canoniche di — 1 x e —2 x .
iii) Determinare, se esiste, un’applicazione lineare g ! — 2 x " —1 x tale che f
g  3i, dove i è l’identità di
—2 x .

[84] Sia f ! —2 x " —1 x tale che:

f
a  bx  cx2   a  b  c 
2a 3bx, a, b, c  —,

i) f è un’applicazione lineare?
ii) Scrivere la matrice A associata ad f rispetto alle basi canoniche di — 2 x e —1 x .
iii) Determinare, se esiste, un’applicazione lineare g ! — 1 x " —2 x tale che f
g  4i, dove i è l’identità di
—1 x .

[85] Sia:
 1 1i i 
 
A   2 i 0 0   ¬ ,
3,3
 2 0 1 


determinare la matrice B  A  tĀ, dove Ā è la matrice ottenuta da A considerando i complessi coniugati dei suoi
elementi. Verificare che B è diagonalizzabile.

[86] Si consideri l’endomorfismo f di — 2 x cosı̀ definito:

f
2  3x 4x2   2 4x  3kx2 ,
f
1 2x  3x2   1  3x 2kx2 ,
f
5 4x  x2   5  x 4kx2 , k  —.

i) Scrivere la matrice A, associata ad f rispetto alla base canonica B 
1, x, x 2 .

ii) Determinare im f e ker f , al variare del parametro k in campo reale.
1
iii) Stabilire per quali valori di k f è invertibile e, in questi casi, scrivere la matrice associata a f , rispetto alla
base B.
iv) Determinare, al variare di k, una base e la dimensione di f
H, dove:

H  p
x  —2 x / p
x  x
a0  a1 x, a0 , a1  —

e di f 1

K, dove:
K  p
x  —2 x / p
t  a0
x 2
x 3, a0  —.

v) Per quali valori di k esiste un endomorfismo g di — 2 x tale che g
f  3i, (i indica l’identità in — 2 x )?
Determinare, quando è possibile, la matrice associata a g, rispetto alla base B.
vi) Per quali valori di k f è semplice? In questi casi, scrivere una matrice diagonale A  associata ad f e la base
rispetto alla quale questa matrice è data.

Quaderni Didattici del Dipartimento di Matematica

38 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[87] Si determinino il nucleo e l’immagine dell’applicazione lineare:

f ! —3 x " —2,2

tale che:
4 12 2 6
f
3  x  x2    , f
x  x2  x3    ,
3 2 2 1

5 15 8 24
f
2 2x2  x3    , f
4 2x  x2    .
5 0 0 3

Verificare, inoltre, che f è ben definita.

[88] Si consideri l’operatore di derivazione:

d ! —5 x " —5 x

che associa ad ogni polinomio la sua derivata prima.

i) Giustificare che d è un endomorfismo di — 5 x .
ii) Determinare tutti gli autovalori di d e i relativi autospazi.
iii) Decidere se d è semplice e, in caso affermativo, scrivere una matrice diagonale ad esso associata.

[89] In —3 x , si consideri il sottospazio vettoriale:

W1  L
1  x, x  x2 .

i) Determinare un sottospazio W 2 tale che:

W1  W2  —3 x .

ii) E’ noto che ogni polinomio p
x  — 3 x si può scrivere in modo unico come:

p
x  p1
x  p2
x, p1
x  W1 , p2
x  W2 .

Data la funzione:
f ! —3 x " —3 x , p
x
" p1
x p2
x,

verificare che f è un’applicazione lineare.

iii) Determinare la matrice A associata ad f rispetto alla base canonica B 
1, x, x 2 , x3  di —3 x .
iv) Determinare ker f e im f .
v) Calcolare f
W1  e f 1
W1 .
vi) f è semplice?

[90] Si consideri l’applicazione lineare:

f ! —2 x " —2 x

Università di Torino
 Capitolo 2 – Applicazioni lineari 39

cosı̀ definita:
f
a1  a2 x  a3 x2   2a1 
12a1  8a2  12a3 x 
8a1 4a2 6a3 x2 .

i) Determinare ker f e im f .
ii) Calcolare f
W e f 1
W dove W è il sottospazio vettoriale di — 2 x dei polinomi aventi 3 come radice.
iii) f è semplice? In caso affermativo, determinare una base di — 2 x che diagonalizzi f .

[91] Data l’applicazione lineare f ! — 2 x " —3 x tale che:

f
a0  a1 x  a2 x2   a0  3a2 
3a1 6a2 x 
a0 3a2 x2 
2a0  a1  ha2 x3 , h  —,

i) determinare, per ogni h  —, una base per ker f e im f .

ii) Scelto h in modo tale che dim ker f  1, trovare una base per i sottospazi vettoriali f
W 1  e f 1

W2 , dove:

W1  p
x  a0  a1 x  a2 x2  —2 x / 3a0  4a1  a2  0,

W2  q
x  —3 x / q
x ha radice 0.

[92] Si consideri l’applicazione lineare:

f ! —2 x " —3 x
cosı̀ definita:
f
a1  a2 x  a3 x2  
a2  a3  
a1  a3 x 
a1  a2 x2 
a1  a2  a3 x3 .

i) Determinare ker f e im f .
ii) Individuare la dimensione e una base di f
H, dove H è il sottospazio vettoriale di — 2 x dei polinomi aventi
2 come radice.
iii) Individuare la dimensione e una base di f 1
K, dove K è il sottospazio vettoriale di — 3 x dei polinomi aventi
3 come radice.

[93] Sia f ! —2,2 " —3 x l’applicazione lineare definita da:

a b
f  c d   a 
b  cx2  dx3 ,

i) trovare la matrice A associata ad f rispetto alle basi canoniche di — 2,2 e di —3 x .

iii) Determinare basi e dimensioni di ker f e im f .
iv) f è semplice? In caso positivo, scrivere una matrice diagonale D associata ad f e la matrice di passaggio da A
a D.

[94] Per ciascuna delle seguenti coppie di matrici verificare che sono simultaneamente diagonalizzabili e deter-
minare le loro forme diagonali. Trovare, inoltre, una base comune di autovettori.

 2 0 0   1 0 0 
   
i) A   0 2 0  , B   2 3 0  ;
 1 0 3   2 0 3 
 

Quaderni Didattici del Dipartimento di Matematica

40 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 3 2 2   2 1 1 
   
ii) A   0 2 0  , B   0 0 0  ;
 0 1 1   0 1 1 
 

 66 190 68   30 96 32 
   
iii) A   4 13 4  , B   2 8 2  ;
 53 148 55   25 75 27 
 

 1 0 2 0   2 0 8 0 

   3 24 3 
iv) A    , B  
24 1 48 6 12
 ;
 0 0 2 0   0 0 2 0 
  
 8 0 16 1  16 0 32 2

 16 16 4 16   9 12 3 12 
 0   3 
v) A    , B    .
0 0 0 3 1 3
 48 48 12 48   12 12 4 12 
   
 0 0 0 0  9 12 3 12

[95] In —3 determinare la base duale di ciascuna delle seguenti basi:

i) v1 
1, 1, 3, v2 
0, 1, 1, v3 
0, 3, 1;

ii) v1 
1, 2, 3, v2 
1, 1, 1, v3 
2, 2, 7;

[96] Si considerino le due funzioni seguenti:

1 2
f1
p
x  p
xdx, f 2
p
x  p
xdx, p
x  —1 x .
0 0

i) Verificare che
f 1 , f2  è una base dello spazio vettoriale duale — 1 x % .

ii) Determinare la base duale di
f 1 , f2 .

[97] Si considerino le tre funzioni seguenti:

1
f1
p
x  p
xdx, f 2
p
x  p
1, f 3
p
x  p
0, p
x  —2 x .
0

i) Verificare che
f 1 , f2 , f3  è una base dello spazio vettoriale duale — 2 x % .

ii) Determinare la base duale di
f 1 , f2 , f3 .

[98] In —3 si considerino le basi:

B1 

1, 1, 1,
0, 2, 3,
1, 0, 3, B 2 

4, 3, 1,
0, 1, 2,
1, 0, 1.

i) Determinare la matrice P del cambiamento di base da B 1 a B2 .

% %
ii) Calcolare le basi duali B 1 e B2 .
% %
ii) Determinare la matrice Q del cambiamento di base da B 1 a B2 .

Università di Torino
 Capitolo 2 – Applicazioni lineari 41

[99] In
—2 % si consideri la forma lineare f
x, y  3x y. Sia F ! — 3 " —2 l’applicazione lineare associata
alla matrice:
1 1 0
A 
0 1 1

determinare la funzione tF
f .

[100] In — 4 si considerino i sottospazi vettoriali:

H  
x1 , x2 , x3 , x4   —4 / x1  2x2  3x3  0,

K  L
a 
1, 1, 2, 0, b 
0, 0, 1, 2, c 
3, 3, 5, 2, d 
2, 2, 1, 10.

i) Determinare H  K e H  K.
ii) Scrivere le equazioni di una forma lineare f ! — 4 " — tale che ker f  H.

Quaderni Didattici del Dipartimento di Matematica

Capitolo 3

Spazi vettoriali euclidei ed hermitiani

In tutti gli esercizi di questo capitolo, salvo esplicita dichiarazione, si sono adottate notazioni standard, in partico-
lare si è indicato con:

- —n lo spazio vettoriale euclideo delle n-uple di numeri reali, di dimensione n, dotato del prodotto scalare
standard, che rende ortonormale la base canonica
e 1 
1, 0, . . . , 0, e 2 
0, 1, 0, . . . , 0, . . . , e n 
0, 0, . . . , 1

- ¬n lo spazio vettoriale hermitiano delle n-uple di numeri complessi, di dimensione complessa n, dotato del
prodotto scalare complesso standard, che rende unitaria la base canonica
e 1 
1, 0, . . . , 0, e 2 
0, 1, 0, . . . , 0, . . . ,
en 
0, 0, . . . , 1

- V3 lo spazio vettoriale euclideo reale, di dimensione 3, dei vettori ordinari, riferito alla base ortonormale positiva
B 
i, j, k. In quest’ambito: “”indica il prodotto vettoriale o esterno e “ ”il prodotto scalare.

[1] i) Dato il sottospazio vettoriale F  
x 1 , x2 , x3   —3 / x1  x3  x2  0  di —3 , trovare una base per F & e
verificare che —3  F  F & .
ii) Se u è un generico vettore di — 3 , si ponga u  u1  u2 , dove u1  F e u2  F & . Provare che l’endomorfismo:

f ! —3 " —3 , u
" f
u  u1 u2 , u  —3

è un’isometria di — 3 .
iii) Trovare la matrice, rispetto alla base ortonormale canonica di — 3 , di f e stabilire se f è un’isometria diretta o
inversa.

[2] i) Trovare una base per F & , sottospazio ortogonale a:

F  
x1 , x2 , x3   —3 / x1 x2  x3  x2  x3  0 .

ii) Se u è un generico vettore di — 3 , si ponga u  u1  u2 , dove u1  F e u2  F & . Provare che l’endomorfismo:

f ! —3 " —3 , u
" f
u  u1  u2 , u  —3

è un’isometria di — 3 e scrivere la sua matrice rispetto alla base canonica di — 3 .

iii) Calcolare f 1
a f 1
b e  f
b, dove a 
3, 1, 0 e b 
1, 1, 1.

42
 Capitolo 3 – Spazi vettoriali euclidei ed hermitiani 43

[3] Nello spazio vettoriale euclideo ordinario V 3 , è dato il piano vettoriale:

V  L
a1  i  j, a2  i j  k.

i) Si determini il complemento ortogonale V & di V.

ii) Si scrivano tutti i vettori v di V3 tali che il volume del tetraedro generato da a 1 , a2 , v sia 2. L’insieme dei
vettori v cosı̀ individuato è un sottospazio vettoriale di V 3 ?
iii) Dato il vettore a  i  j k si calcolino le proiezioni ortogonali di a su V e su V & .

[4] Si consideri il sottospazio vettoriale H di ¬ 4 cosı̀ definito:

H  
x1 , x2 , x3 , x4   ¬4 / x1  ix2  x3  2x3 ix4  x1  x3  0.

Rispetto al prodotto hermitiano standard di ¬ 4 , si determini una base unitaria del complemento ortogonale H & di
H.

[5] In V3 , dati i vettori:

a  i  j k, b  i  j, c  j k,

i) si verifichi che C 
a, b, c è una base di V3 .

ii) A partire da C, utilizzando il procedimento di ortogonalizzazione di Gram–Schmidt, si determini una base
ortonormale C  
a , b , c .
iii) Si consideri l’applicazione f ! V3 " V3 cosı̀ definita:

f
i  a , f
j  b , f
k  c

e si verifichi che si tratta di un’applicazione lineare.

iv) Si scriva la matrice A associata ad f rispetto alla base B 
i, j, k e si verifichi che A  O
3. Si giustifichi
teoricamente questo fatto.

[6] Si considerino i seguenti insiemi:

U  
x, y, z  —3 / x  y 2z  0, 2x y z  0,
V  
x, y, z  —3 / x  y z  0,
A   f  End
—3  / f
1, 2, 1  U, f
3, 1, 2  U & , f

1, 1, 2  V& ,

dove U& e V& sono i complementi ortogonali di U e di V in — 3 .

i) Si verifichi che A è un sottospazio vettoriale di End
— 3 .
ii) Si determini la dimensione di A.

[7] Nello spazio vettoriale euclideo — 4 si verifichi che i due vettori:

a1 
1, 2, 1, 3, a 2 
2, 1, 3, 1

sono ortogonali. Si completi l’insieme a 1 , a2  fino ad ottenere una base ortogonale di — 4 .

Quaderni Didattici del Dipartimento di Matematica

44 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[8] Si consideri la seguente matrice simmetrica:

1 4i
A .
4i 3

i) Osservare che gli autovalori di A non sono reali.

ii) Questo risultato è in contrasto con la teoria studiata per le matrici simmetriche? Giustificare bene la risposta
data.

[9] Dato:
1 3
W 
X  —2,2 / AX  XA, dove A   0 ,
1

sottospazio vettoriale di — 2,2 , determinare il suo complemento ortogonale (rispetto al prodotto scalare X Y 
tr
tXY , X, Y  —2,2 ).

[10] i) In ¬ 4 si consideri il sottospazio vettoriale:

H  
x1 , x2 , x3 , x4   ¬4 / 2x1  ix3  0

e se ne determini una base unitaria.

ii) Si individuino le equazioni che definiscono un sottospazio K supplementare di H in ¬ 4 e il complemento
ortogonale H & di H in ¬4 .

[11] Nello spazio vettoriale euclideo — 3 sono dati i vettori:

v1 
3, 0, 4, v2 
1, 2, 0, v3 
2, 2, 4, v4 
4, 2, 4

e sia W  L
v1 , v2 , v3 , v4 .
i) Trovare una base ortonormale B di W.
ii) Completare B fino ad ottenere una base ortonormale D di — 3 .
iii) Determinare la matrice del cambiamento di base dalla base canonica C di — 3 alla base D e viceversa.

[12] Dato il sottospazio H  L

1, 1, 3, 1 dello spazio vettoriale euclideo — 4 , trovare una base ortonormale
per il sottospazio H& .

[13] Data la matrice:

 1 2 4 1 
 
A   
2 3 9 1
 1 0 6 5 
 
 2 5 7 5

e indicati con R
A e C
A gli spazi vettoriali generati dalle righe e dalle colonne di A, rispettivamente, si
determinino:
i) base e dimensione di R
A  C
A e di R
A  C
A;
ii) il complemento ortogonale di C
A in — 4 , rispetto al prodotto scalare standard di — 4 .

Università di Torino
 Capitolo 3 – Spazi vettoriali euclidei ed hermitiani 45

[14] Dati i seguenti sottospazi di — 4 :

U  
x, y, z, t  —4 / 2x y  t  z t  0,
V  
x, y, z, t  —4 / x  y  y z  x  t  0,

i) verificare che la somma di U e di V è diretta;

ii) trovare una base ortonormale di U & .

[15] Dato il sottoinsieme:

W  
x, y, z  —3 / x 2y  z  2x y z  0

determinare una base ortonormale di W  W & .

[16] i) In —5 , i sottospazi:

A  
x1 , x2 , x3 , x4 , x5   —5 / x1  x2  x3  0,
B  L

1, 2, 1, 2, 1,
0, 1, 1, 1, 1,
1, 0, 1, 0, 1,
2, 3, 1, 3, 1,

sono supplementari?
ii) Determinare le equazioni del complemento ortogonale di A rispetto al prodotto scalare standard di — 5 e una
sua base ortonormale.

[17] Data la base:

B 
a 
1, 0, 1, b 
0, 1, 1, c 
2, 1, 2

di —3 , determinare una base ortonormale, a partire da B, utilizzando il procedimento di ortonormalizzazione di

Gram–Schmidt.

[18] In V3 è dato il vettore v  i  j k . Determinare una base ortonormale del piano vettoriale ortogonale a v .

[19] Nello spazio euclideo — 4 sono dati i vettori:

v1 
1, 0, 1, 1, v 2 
1, 1, 0, 0, v 3 
0, 0, 1, 1.

i) Verificare che v1 , v2 , v3 formano una base B di W  L
v 1 , v2 , v3 .

ii) Trovare una base ortonormale di W a partire dalla base B.

[20] Determinare una matrice ortogonale in modo tale che la sua prima riga sia data da:

2 2
0, 2 , 2 
.

Quaderni Didattici del Dipartimento di Matematica

Capitolo 4

Forme quadratiche

[1] Sia V uno spazio vettoriale euclideo di dimensione 3, riferito alla base ortonormale canonica
B 
e1 , e2 , e3 . Detto F il piano vettoriale di equazione x 1 2x2  x3  0, (
x1 , x2 , x3  sono le componenti di un
generico vettore x di V , rispetto alla base B), si consideri l’endomorfismo p ! V " V , proiezione ortogonale di
V su F , cosı̀ definito: se u  u1  u2 , dove u1  F e u2  F & , allora p
u  u1 .
i) Verificare che la funzione:

Q ! V " —, u
" Q
u  u p
u, #u  V ,

è una forma quadratica su V e classificarla.

ii) Trovare una base di V rispetto alla quale Q si scriva in forma canonica.

[2] Sia V uno spazio vettoriale reale di dimensione 3, riferito alla base B 
v 1 , v2 , v3 . Si consideri la forma
quadratica:
Q
x  2x1 x2  2x1 x3  2x2 x3 , x  x1 v1  x2 v2  x3 v3  V .

Classificare Q e trovare una base rispetto alla quale Q si scrive in forma canonica.

[3] Sia V uno spazio vettoriale reale di dimensione 4, riferito alla base B 
v 1 , v2 , v3 , v4 . Si consideri la forma
quadratica su V :
4
Q
x  2x21  2x1 x2  2x22  2x23 2x3 x4  2x24 , x xi vi  V .
i1

i) Verificare che Q è un prodotto scalare su V .

ii) Trovare una base ortonormale, rispetto a Q, di V .
iii) Dato il sottospazio vettoriale:


 4 

 
F
 x xi vi  V / x1 2x2  x3  2x1  x2 x4  0 
 ,
 
 i1 

determinare una base per F & , sottospazio ortogonale ad F rispetto a Q, e verificare che V  F  F & .

46
 Capitolo 4 – Forme quadratiche 47

[4] Si consideri la funzione:

' ! —2,2 ( —2,2 " —,
A, B
" tr
At B, A, B  —2,2 ,

dove tr
A denota la traccia della matrice A.

i) Verificare che ' è un prodotto scalare su — 2,2 .
ii) Dato il sottospazio vettoriale F  A  — 2,2 / tr
A  0 , trovare una base per F & , complemento ortogonale,
rispetto a ', di F .
iii) Si consideri una base di — 2,2 del tipo B  B1 ) B2 , dove B1 è una base di F e B 2 è una base di F & . Scrivere
l’espressione di ' rispetto alla base B.

[5] Sia V uno spazio vettoriale reale di dimensione 3, riferito alla base B 
v 1 , v2 , v3 .
i) Trovare la matrice, rispetto alla base B, del prodotto scalare ' definito in modo opportuno sapendo che B  

v1  v2  v3 , v1  v2 , v1  v3  è una base ortonormale (rispetto a ').
ii) Determinare una base per F & , complemento ortogonale (rispetto a ') del piano vettoriale F di equazione
x1  x3  0.
iii) Calcolare la norma del vettore a  v 1  v2 v3 (rispetto a ').

[6] Sia V uno spazio vettoriale reale di dimensione 3, riferito alla base B 
v 1 , v2 , v3 . Data la funzione
' ! V ( V " —:
3 3
'
x, y  2
x1 y1  x2 y2  x3 y3 
x1 y3  x3 y1 , x xi vi , y  y jv j  V ,
i1 j1

i) verificare che
V , ' è uno spazio vettoriale euclideo e trovarne una base ortonormale;
ii) stabilire se l’automorfismo f ! V " V di matrice, rispetto alla base B,

 0 1 1

 2 
M B,B

f    1 0 1
 ,
 0 0 1 
2


è un’isometria di
V , ';
iii) calcolare  f 1 \

a e cos
f
a f
b, dove a  v1 v2  2v3 e b  v1  v3 .

[7] Sia V uno spazio vettoriale reale di dimensione 3, riferito alla base B 
v 1 , v2 , v3 . Data la funzione
' ! V ( V " —:
3 3
'
x, y  3x1 y1  4x2 y2  3x3 y3  x1 y3  x3 y1 , x xi vi , y  y jv j  V ,
i1 j1

i) verificare che
V , ' è uno spazio vettoriale euclideo e trovarne una base ortonormale;
ii) stabilire se l’automorfismo f ! V " V di matrice, rispetto alla base B:

 1 0 1 
 1 
M B,B
f    1 0 2 
,

\
 0 1 
 1 

è un’isometria di
V , ' e calcolare cos
f
a f
b, dove a  3v1  2v2 v3 e b  v1 v3 .

Quaderni Didattici del Dipartimento di Matematica

48 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[8] Sia:
 1 1 1 
 
A   1 1 1 
 1 1 1 

una matrice simmetrica di — 3,3 .
i) Determinare una matrice B tale che t BAB sia una matrice diagonale.
ii) Classificare la forma quadratica * ! — 3 " — associata ad A, rispetto alla base canonica di — 3 .

[9] Classificare e determinare la segnatura della seguente forma quadratica Q ! — 5 " —, che, rispetto alla base
canonica di —5 , è associata alla matrice:
 1 3 4 1 2 
 
 3 0 0 7 1 
A    .

4 0 0 0 0

 1 7 0 2 1 
 
 2 1 0 1 3

[10] i) Verificare che lo spazio vettoriale V 3 , rispetto alla forma quadratica

Q
x  3
x21  x22  x23  2
x1 x2  x2 x3  x1 x3 

è uno spazio vettoriale euclideo, ( x è un vettore di V 3 ,
x1 , x2 , x3  sono le componenti di x rispetto alla base
B 
v1 , v2 , v3 ).
ii) Determinare una base ortonormale di V 3 , rispetto al prodotto scalare cosı̀ introdotto.

[11] Classificare la seguente forma quadratica su — 4 :

Q
x1 , x2 , x3 , x4   x21  4x22  11x23  24x24 2x1 x3 4x1 x4  4x2 x3  16x3 x4 .

[12] Sono date le seguenti matrici:

 1 0 1   x   0 
     
A   2 h1 1  , X   y  , B   1  , h  —.
 h2 2h h  1 1   z   h1 
  

i) Discutere, al variare del parametro h, le soluzioni dell’equazione AX  B.

ii) Posto h  0 nella matrice A, scrivere la forma quadratica associata alla matrice A t A e ridurla a forma canonica.
iii) Posto h  1 nella matrice A, trovare una base ortonormale dello spazio euclideo R
A (spazio vettoriale
generato dalle righe di A).

[13] Determinare la segnatura delle seguenti forme quadratiche definite su — 4 :

2 2 2 2
Q1
x1 , x2 , x3 , x4   2x1  2x1 x2  2x2  2x3  2x3 x4  2x4

2 2 2 2
Q2
x1 , x2 , x3 , x4   2x1 2x1 x2 2x2  2x3 2x3 x4 2x4

2 2
Q3
x1 , x2 , x3 , x4   x1 4x1 x2 2x1 x3  4x3 x4  4x3

2 2 2 2
Q4
x1 , x2 , x3 , x4   3x1 2x1 x2  3x2  4x3  2x3 x4 4x4 .

Università di Torino
 Capitolo 4 – Forme quadratiche 49

[14] Data la forma quadratica Q ! — 3 " — cosı̀ definita:

Q
x, y, z  2x2  y2  5z2  2
xy xz  yz,

la si classifichi e si determini una base rispetto alla quale Q assuma una forma canonica.

[15] Si consideri la forma quadratica Q ! — 3 " — cosı̀ definita:

Q
x1 , x2 , x3   2x21  4x1 x3  x22 x23 .

i) Classificare Q, determinandone la segnatura.

ii) Individuare una base di — 3 , rispetto alla quale Q possa essere scritta in forma canonica.

[16] Classificare la seguente forma quadratica Q ! — 4 " —:

Q
x, y, z, t  x2 8xy  y2  6xz  z2  t 2 ,

ridurla a forma canonica e determinare la matrice del cambiamento di base che la realizza.

[17] Classificare la seguente forma quadratica Q ! — 3 " —:

Q
x, y, z  5x2  2xy  5y3  6xz  6yz  3z2

e ridurla a forma canonica.

[18] Si consideri la seguente forma quadratica su — 4 :

Q
x1 , x2 , x3 , x4   x21  2x22  x23  x24 2x1 x2 2x2 x3 .

i) Classificare Q e scriverla in forma normale.

ii) Scrivere Q in forma canonica e determinare una base ortonormale di — 4 rispetto alla quale Q assume tale
espressione.

[19] Si consideri la seguente forma quadratica su — 4 :

Q
x1 , x2 , x3 , x4   x21  x22  x23  x24 2x2 x3 .

i) Classificare Q e scriverla in forma normale.

ii) Scrivere Q in forma canonica e determinare una base ortonormale di — 4 rispetto alla quale Q assume tale
espressione.

Quaderni Didattici del Dipartimento di Matematica

Capitolo 5

Soluzioni - Sottospazi vettoriali

[1]

m
1, 1, 2, 2, 1, 3, 3, 0, h

SolveDetm

0, h


h  5

h  5.

[2]

m
1, 1, 0, 1, 2, 1, 1, 0, 3, 0, 1, 1, 0, 1, 1, 0

RowReducem
1 1 1


1, 0, 0, ,
0, 1, 0,  ,
0, 0, 1,  ,
0, 0, 0, 0
2 2 2
RowReducem1, m2, m4
1 1 1


1, 0, 0, ,
0, 1, 0,  ,
0, 0, 1,  
2 2 2
SolveDetA
m1, m2, m4, 1, 1, 2t  8, t  1

0


t  2

c
A4/.t 2

1, 1, 4, 3

LinearSolveTransposem1, m2, m4, c

3, 1, 3

u1 , u2 , u4 , t  2,
3, 1, 3.

[3]

u
1, 3, 2 v
2, 1, 1 w
t, 0, 1

RowReduceu, v
1 5


1, 0,  ,
0, 1, 
7 7
Solvew

a u  b v, t, a, b


t  7, a  1, b  3

t  7,
1, 3.

[4] dim
W1  W2   1, W1  W2  L

2, 3, 3.

50
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 51

[5]

m
2, 0, 1, 0, 1, 1, 0, 1, 0, 3, 1, 1, 5, h, 1, h

SolveDetm

0


h  2

a
m4/.h 2

SolveTransposem1, m2, m3.x1, x2, x3

a

x1  2, x2  1, x3  1

i) h  2,
2, 1, 1. ii) Per esempio: W 3  L

0, 1, 5, 0,
0, 0, 2, 0.

[6] Per esempio: x  2y z  t  0, y  z t  0.

[7] i) dim H  2, H  L

2, 1, 0, 0,
0, 0, 2, 0, dim K  3,

K  L

1, 2, 0, 1,
0, 3, 0, 4,
0, 0, 1, 1.

ii) H  K  —4 , dim
H  K  1, H  K  L

6, 3, 26, 0.

3 3 3 3
iii)
1, 2, 3, 4  1  13 w, 2 26
w, 3 w, 4  13
w, 26 w, w, 0 , w  —.

[8]

m
0, 1, h  1, 1, h, 1, 0, 0, 1, 0, 0, 1, 0, 4, 0, 0

SolveDetm

0


h  1,
h  0

LinearSolveTransposem/.h 1, 1, 1, 1, 1

1 5 3 1

 , , , 
2 2 2 4
1 5 3 1
i) h  1, h  0. ii) Per esempio, per h  1: , ,
2 2 2
, 4
.

1 0 0 1 0 0
[9] dim S  3, S  L   ,  1 0  ,  0 1  ;
0 0

1 0 0 1 0 0
dim T  3, T  L   ,  0 0  ,  1 0  .
0 1

[10] K non è un sottospazio vettoriale. dim H  2;

1 0 0 1
H  L  1 , 1 3  .
2 2 2

[11] i) dim H  2, H  L

1, 2, 0, 3,
1, 1, 3, 0.

ii) dim
H  K  4, H  K.

Quaderni Didattici del Dipartimento di Matematica

52 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[12]

m
1, 2, 1, 0, 1, 0, 2, 1, 0, 2, 2, 1, 4, 1, 2, 3

Detm
13

LinearSolveTransposem, 1, 0, 0, 1

10 7 8 4

 , , , 
13 13 13 13
10 7 8 4
i) A  A
13 1
 13 A2  13 A3  13 A4 .

2 1 0 0 0 0
ii) dim A  3, A  L   ,  1 0  ,  0 1  ;
0 0

1 0 0 2
dim B  2, B  L  , 1  ;
0 1 0

2 1 0 0 0 0 1 0
dim
A  B  4, A  B  L  , 1 0 , 0 1 , 0  ;
0 0 1

4 2
dim
A  B  1, A  B  L   .
1 4

[13] i) dim H  2, H  L

2, 0, 1, 0,
0, 0, 0, 1;

dim K  3, K  L

0, 2, 1, 1,
1, 2, 1, 1,
1, 2, 7, 1.

ii) dim
H  K  4, H  K  L

2, 0, 1, 0,
0, 0, 0, 1,
0, 2, 1, 1,
1, 2, 1, 1.

[14] Sı̀.

[15] ii) Per esempio: d 
0, 0, 0, 1. iii) H  K.

[16]

Reducex  y  z

0, x  h y  2  h z

0,
 x  hˆ2 y  3h  4 z

0, x, y, z
h  1&&x  y  zh  2&&x  2 z&&y  z
x  0&&y  0&&z  0&&  2  h  0&&  1  h  0

Se h / 1, 2: W  0;

se h  1: W  L

1, 1, 0,
1, 0, 1;
se h  2, W  L

2, 1, 1.
ii) Se h 
/ 1, 2: —3 ;
se h  1: per esempio L

1, 0, 0;
se h  2: per esempio L

0, 1, 2,
0, 0, 1.

 1 0 3   0 1 2   0 0 0   0 0 1   0 0 0   0 0 0 
           
[17] B   0 0 2  ,  1 1 0  ,  0 5 2  ,  0 0 0  ,  0 0 1  ,  0 0 0  .
 3 2 0   2 0 0   0 2 6   1 0 0   0 1 0   0 0 1 
    

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 53

[18]

A
6, 9, 4, 6 X
x1, x2, x3, x4

SolveA.X

X.A, x1, x2, x3, x4

Solve svars Equations may not give solutions for all solve variables.
9 x3


x1  3 x3  x4, x2   
4
SolveA.X

X.A, x1, x2, x3, x4

Solve svars Equations may not give solutions for all solve variables.
9 x3


x1  x4, x2   3 x4
4
SolveA.X

X.A, A.X

X.A, x1, x2, x3, x4

Solve svars Equations may not give solutions for all solve variables.
3 x4 2 x4


x1  x4, x2  , x3   
2 3
A1
12, 9, 4, 0 A2
1, 0, 0, 1 A3
0, 9, 4, 0
A4
1, 3, 0, 1 c
0, h  2, 0, h  3
d
Solvec

x A1  y A2  z A3  w A4, x, y, z, w, h1

Solve svars Equations may not give solutions for all solve variables.
1 w 1 w

x    , y  2  w, z   , h  5
6 6 6 6
Simplify x/.d1 A1  y/.d2 A2
3 2

w,  1  w , 1  w , 2  w
2 3
Simplify z/.d3 A3  w/.d4 A4
3 1w 2

 w, , 1  w , w
2 3

12 9 1 0 0 9 1 3
i) F  L   ,  0 1  , G  L  4 0  ,  0  .
4 0 1

6 9
ii) F  G  L   ,
4 6

12 9 1 0 2 3
F  G  L  , 0 1 , 0  .
4 0 0

3 3
 w
1  w   w
1  w 
iii) h  5, C1   2 2  , C2   2
2  , w  —.
 3
1  w 2 w  3

1  w w

[19] i) W1  L

0, 1, 0, 0,
3, 0, 1, 1, dimW 1  2.

ii) W2  L

1, 0, 2, 0,
0, 1, 1, 1, dimW 2  2;

W3  L

0, 1, 2, 1,
2, 0, 1, 0,
0, 0, 1, 0, dimW 3  3.

iii) W1 
W2  W3   L

3, 1, 1, 1, dim
W 1 
W2  W3   1.

[20] H non è un sottospazio vettoriale;

 1 0 0   0 0 0   0 0 0   0 0 0   0 0 0   0 0 0 
           
K  L  0 0 0  ,  1 0 0  ,  0 1 0  ,  0 0 0  ,  0 0 0  ,  0 0 0  ,
 0 0 0   0 0 0   0 0 0   1 0 0   0 1 0   0 0 1 
     
dim K  6.

Quaderni Didattici del Dipartimento di Matematica

54 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[21] H non è un sottospazio vettoriale;

K  L

x, x2 , x3 , dim K  3.

[22] No.

[23] No.

[24] W1  
2t3 3t2 t1 , t3 , t2 , t1 , t1 , t2 , t3  — e W2  
0, 0, 0, Λ, Λ  —, da cui segue la tesi.

[25] H  L
2x  5x 2 3x4 , x2  x4 , x3  x4 , dim H  3,

K  L
2 x  x2 , 2x x2  x3 , 2x2 x3  x4 , dim K  3,

H  K  L
2 x  x2 , 2x  5x2 3x4 , x2  x4 , x3  x4 , dim
H  K  4,

H  K  L
2x x2  x3 , 2x2 x3  x4 , dim
H  K  2.

2  2x  4x4 
3  2Λx 
1  Λ  2Μx2 
Λ  Μx3 
4 Μx4 

 2
1  2Λx 
1 Λ 2Μx 2 
Λ Μx3  Μx4 , Λ, Μ  —.

 1 0 1 5 0 
 
 0 1 2 3 1 
 
[26] Il rango della matrice   è 5.
2 1 4 7 1
 0 0 0 1 1 
 
 0 0 1 1 0 
 
 0 0 0 0 1

[27] dim
W 1  W2   2, W1  W2  L

1, 2, 0, 0, 0,
0, 8, 8, 3, 1,

dim
W1  W2   5.

[28] dim
W 1  W2   2, W1  W2  L

0, 0, 3, 2, 0,
0, 0, 3, 0, 2,

dim
W1  W2   5.

[29] L

1, 0, 0, 0,
0, 1, 0, 0.

[30] i) W1  L
3 x, 3x x2 , W2  L
3x2 x3 , 3x3 x4 .

ii) 3 5x  5x2 10x3  3x4 
3 5x  2x2  
3x2 10x3  3x4 .

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 55

[31] i) dim W 1  3, W1  L
3x  x2 , 3x2  x3 , 3x3  x4 .

ii) dim W2  2, W2  L
p1
x, p2
x.

iii) dim
W1  W2   1, W1  W2  L
6x2 5x3  x4 .

iv) W3  L
1, x.

[32] i) dim W 1  3, W1  L

1, 2, 0, 0, 0,
0, 0, 0, 1, 0,
0, 0, 0, 0, 1;

ii) dim W2  2, W2  L
a, b.

iv) W3  L

1, 2, 0, 0, 0,
1, 0, 0, 0, 0,
0, 0, 1, 0, 0.

[33]

m
3, 1, 1, 0, 0, 1, 1, 2, 2, 0, 1, 1, 0, 1, 2, 3

Detm
4

LinearSolveTransposem, 0, 1, 1, 0

3 3 3

 1, , ,  
2 2 2

x x2  p1
x  32 p2
x  32 p3
x 3

p
x.
2 4

[34]

m
1, 2, 1, 0, 0, 3, 1, 2, 1, 1, 0, 1, 3, 2, 1, 1
a
2, 1, 1, 2
LinearSolveTransposem, a

2, 0, 3, 1

2 1
 1 2
  2A1  3A3 A4 .

[35]

a
1, 2, 0 b
0, 2, 1 d
0, 1, 0 c
1, 2, 3

LinearSolveTransposea, b, d, c

1, 3, 6

  0 0 1 
  
i) B  A, B,  0 0 0  .
  1 0 0 
 

 0 0 1 
 
ii) C  A  3B 6  0 0 0  .
 1 0 0 


[36] i) Poiché dim U  dim V  4 > 3  dim — 3 , dalla relazione di Grassmann segue che dim
U  V + 1.

ii) Si possono avere solo i seguenti casi:

Quaderni Didattici del Dipartimento di Matematica

56 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

1. dim
U  V  1 se dim
U  V  3, per esempio: U  L

1, 0, 0,
0, 1, 0,

V  L

0, 1, 0,
0, 0, 1, quindi U  V  L

1, 0, 0,
0, 1, 0,
0, 0, 1.

2. dim
U  V  2 se dim
U  V  2  dim U  dim V, per esempio:

U  V  L

1, 0, 0,
0, 1, 0.

[37]

a1
1, 2, 1 a2
2, 1, 3 a3
4, 1, 5 a
4, 11, 7

Deta1, a2, a3

52

LinearSolveTransposea1, a2, a3, a

4, 2, 1

ii) A 
4, 2, 1 rispetto alla base B.

[38] i) A  L
6 11x  6x 2 x3 , 6x 11x2  6x3 x4 , 6x2 11x3  6x4 x5 , dim A  3.

ii) B  L
x3 , x4 , x5 .

iii) x2  3x3  16
6x2 11x3  6x4 x5   16
29x3 6x4  x5 , la decomposizione è unica.

iv) C  L
1  x  x2 , x2  3x3 x4 , x3  x5 , dim C  3,

D  L
2  x x 3 , x4 x5 , x  x 2  x3 x4 , dim D  3.

v) Sı̀. vi) A 
C  D  A.

3 1
1 0 0 0 1 1 i 1 i 0
[39] L   ,  0 1  .  3  2  2 .
0 0 4 3 3i 0 4 3i

[40]

a
0, 1, 1, 1, 1, 0, 2, 1, 1, 2, 0, 1, 1, 1, 1, 0

Deta
4

MatrixFormInversea
1 1
0  1
2 2
1 1 1 
 0  

2 
1 
2 2 
1 1 

0 
2 2 2 
1 1
1  0
2 2

 0 1 1 0   0 1 0 1   0 0 0 0 
 1   1   
i) B  L   ,   ,   , dim B  3.
0 2 0 0 0 0 0 0 0 1
 1 2 0 0   0 0 0 0   0 0 0 1 
     
 0 0 0 0  1 0 0 0  0 1 1 0

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 57

 0 1 2 3   0 0 1 2   0 1 1 2   0 2 1 1 
 1   0   1   2 
ii) C  L   ,   ,   ,   ,
0 2 3 0 0 1 0 2 3 0 0 2
 2 2 0 1   1 0 0 7   1 2 0 1   1 0 0 12 
       
 3 3 1 0  2 1 7 0  2 3 1 0  1 2 12 0

dim C  3.

 0 0 2 1   0 0 1 2 
 0   0 
D  L   ,   , dim D  2.
0 0 1 0 0 0
 2 0 0 0   1 0 0 1 
   
 1 1 0 0  2 0 1 0

iii) B  C  A
—4,4 , non si tratta di somma diretta.

iv) D  D 
B  C.

 0 1 0 0   0 0 0 1   0 0 0 0   0 0 0 0 
 1   0     
v) E  L   ,   ,   ,   .
0 0 0 0 0 0 0 0 1 0 0 0 0 0
 0 0 0 0   0 0 0 0   0 1 0 0   0 0 0 1 
       
 0 0 0 0  1 0 0 0  0 0 0 0  0 0 1 0

 0 1 1 1   0 1 0 6   0 0 1 5 
   1   0 
vi)         .
1 0 2 1 0 2 0 0 0 1
 1 2 0 1   0 2 0 4   1 0 0 3 
     
 1 1 1 0  6 0 4 0  5 1 3 0

1 1
 0 1 
 2 2 
 
 1 1 1 
 2 0 2 

 2
vii) det A  4, A 1
   .

 1 1 
 1
2 
 2 2
0
 
 1 1

 1 2 2
0

0 1 0 0 0 0 2 i 0 i 2
[41] B  L   ,  1 0  ,  0 1  . X  1
2  3i   12  6 3i .
0 0 0 8

1 0 0 1
[42] i) W  L
A,t A. ii) U  L   ,  0 2  .
0 0

1 0 0 1 0 0 0 1
iii) U  V  L   ,  0 2  ,  1 2  , U  V  L  0 2  .
0 0

Quaderni Didattici del Dipartimento di Matematica

58 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[43]

a
0, 1, 2, 1, 3, 1, 2, 1, 5

Deta
13

MatrixFormInversea
14 3 5

13 13 13 
3 4 2 
 

13 13 13 

5

2 1 
13 13 13

 2 0 0   1 2 0   0 0 3 
     
i) A  L  0 1 0  ,  2 0 0  ,  0 0 1  , dim A  3.
 0 0 0   0 0 1   3 1 0 
  

 1 0 0   0 0 1   0 0 0 
     
ii) B  L  0 0 0  ,  0 0 0  ,  0 0 0  .
 0 0 0
  1 0 0  0 0 1

 0 1 2  
11
1 3   11
0 5 
   2   2 
iii)  1 3 1    1 3 1    0 0 0  .
 2 1 5   1   9 
  3 1 2  5 0 2

 14 3 5

 13 13 13 
 
 3 2 
iv) A 1
  13 4
13 
.
 13

 
 5 2 1 
 13 13 13

 1 2 1   0 2 1   1 0 1 
     
v) C  L  2 1 3  ,  2 1 3  ,  0 0 1  ; dim C  3.
 1  
3 0  1 3 2  1 1 0   


 0 1 1   1 1 0   2 0 1 
     
D  L  1 0 1  ,  1 0 1  ,  0 0 1  ; dim D  3.
 1 1 0   0  
1 2  1 1 0 
 

vi) Sı̀, vii) D  D 
A  C.

0 0 0 0
[44] i) V  L   ,  0 1  .
1 0

1 2 0 0
ii) A1    , A2   3 .
0 1 1

[45] i) 3x 1 x2 x3  0.
ii) Per esempio: L

1, 0, 0, 0, L

0, 1, 0, 0.

[46] U  V  L

1, 3, 2, 2, 3,
0, 1, 1, 2, 1,
0, 0, 1, 0, 1; U  V  L

1, 4, 3, 4, 2.

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 59

[47] U  V  L

1, 2, 1, 3,
0, 0, 3, 8.

[48]

X
x1, x2, x3, x4, x5, x6, x7, x8, x9

A
0, 1, 0, 0, 0, 1, 0, 0, 0
ReduceA.X

X.A, x1, x2, x3, x4, x5, x6, x7, x8, x9
x1  x5&&x2  x6&&x4  0&&x7  0&&x8  0&&x9  x5

 x1 x2 x3 
 
i)  0 x1 x2  , x1 , x2 , x3  —.
 0 0 x1 


 1 0 0   0 1 0   0 0 1 
     
ii)  0 1 0  ,  0 0 1  ,  0 0 0  .
 0 0 1
  0 0 0  0 0 0
iii) Per esempio:

 0 0 0   0 0 0   0 0 0   0 1 0   0 0 0   0 0 0 
           
L  0 0 0  ,  1 0 0  ,  0 0 0  ,  0 0 0  ,  0 1 0  ,  0 0 0  ,
 1 0 0   0 0 0   0 1 0   0 0 0   0 0 0   0 0 1 
     

 0 0 0   0 0 0   0 0 0   0 0 0   1 0 0   0 0 0 
           
L  0 0 0  ,  1 0 0  ,  0 0 0  ,  0 0 1  ,  0 0 0  ,  0 1 0  .
 1 0 0   0 0 0   0 1 0   0 0 0   0 0 0   0 0 0 
     
[49]

m
1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0,

1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1
Detm
1

RowReducem


1, 0, 0, 0, 0, 0,
0, 1, 0, 0, 0, 0,
0, 0, 1, 0, 0, 0,

0, 0, 0, 1, 0, 0,
0, 0, 0, 0, 1, 0,
0, 0, 0, 0, 0, 1
LinearSolveTransposem, 1, 1, 1, 1, 1, 1

2, 1, 1, 1, 1, 1

ii) p
x 
2, 1, 1, 1, 1, 1, rispetto alla base B  .

[50] L

0, 0, 0, 1, 0,
0, 0, 0, 0, 1, ci sono infinite risposte che dipendono da due parametri perché
dim H  3.

[51] ii)
0, 2, 0, 0, 0 
1, 0, 2, 1, 0 
1, 2, 2, 1, 0.

[52] i) W1  L

1, 1, 0, 2,
0, 2, 1, 3, W 2  L

2, 0, 1, 3,
1, 1, 0, 0,

W1  W2  L

1, 1, 0, 2,
0, 2, 1, 3,
0, 0, 0, 1, W 1  W2  L

0, 2, 1, 3.
ii) a1  3
1, 1, 0, 2, a 2 
3, 1, 1, 3.

1 0 0 3 1 0 0 1 0 0
[53] i) W1  L  , 0  , W2  L  0  ,  0 0  ,  1 0  ,
0 1 2 1

Quaderni Didattici del Dipartimento di Matematica

60 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

5 6
W1  W2  L   , W1  W2  —2,2 .
0 1
0 0 0 0
ii) Per esempio: W3  L   ,  0 1  .
1 0

[54] L

0, 1, 0,
1, 0, 0, L

0, 1, 0,
0, 0, 1.

 1 2 0   1 0 0   0 1 1   0 1 0   0 0 0   0 0 0 
           
[55] B   2 0 0  ,  0 1 0  ,  1 0 0  ,  1 0 0  ,  0 1 0  ,  0 0 1  .
 0 0 0   0 0 1   1 0 0   0 0 0   0 0 0   0 1 0 
     

[56]

a1
1, 0, 2, 0, 1 a2
0, 1, 0, 1, 0

a3
0, 0, 1, 0, 3 x
1, 2, h, 2, 1
Solvex

x1 a1  x2 a2  x3 a3, h


h  2

i) W1  L

1, 0, 2, 0, 1,
0, 1, 0, 1, 0,
0, 0, 1, 0, 3,

W2  L

1, 0, 0, 2, 1,
0, 1, 0, 0, 0,
0, 0, 1, 1, 1;

W1  W2  L

2, 1, 3, 1, W 1  W2  —5 .

ii) h  2.

[57] i) W2 è un sottospazio vettoriale di — 5 perché i suoi elementi sono soluzioni di un sistema lineare omogeneo;
si può direttamente dimostrare che W 2 è chiuso rispetto alla somma e al prodotto per numeri reali.

ii) dim W1  3,

2, 1, 1, 0, 2,
1, 1, 0, 0, 2,
0, 2, 0, 1, 1 è una base di W 1 .

dim W2  2, W2  L

1, 1, 0, 0, 1,
0, 1, 1, 0, 0.

iii) dim
W1  W2   4, W1  W2  L

1, 1, 0, 0, 1,
0, 2, 0, 0, 3,
0, 0, 2, 0, 3,
0, 0, 0, 1, 2;

dim
W1  W2   1, W1  W2  L

2, 1, 1, 0, 2.


  1 0 0   0 0 0   0 0 0 
     

[58] Per esempio: 
  0 0 0  ,  0 1 0  ,  0 0 1  .
 0 0 0   0 0 0   0 1 0  
   

[59]

a1
2, 1, 0, 4 a2
3, 2, 4, h

a3
5, 3, h, 1 b
14, 8, h, 1
Reducex1 a1  x2 a2  x3 a3

b, x1, x2, x3
h  2&&x1  1&&x2  1&&x3  3
25 7 11
h  14&&x1  &&x2   &&x3 
9 9 9

Se h /  2, 14: non esistono soluzioni; se h  2 o h  14: esiste una sola soluzione.

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 61

[60]

a1
1, 1, 0 a2
0, 1, 1 a3
x, y, z b
2, 3, 1

Reducex1 a1  x2 a2  x3 a3

b, x1, x2, x3

x  y  z&&x1  2  x3 y  x3 z&&x2  1  x3 z
x1  2&&x2  1&&x3  0&&x  y  z  0

i) #x, y, z  —: l’equazione vettoriale ha sempre soluzioni;

ii) #x, y, z  —/ x  y  z: esiste una sola soluzione;
iii) #x, y, z  —/ x  y  z: esistono infinite soluzioni dipendenti da un’incognita libera.

[61]

m
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1

SolveTransposem.x1, x2, x3

8, 2, 0, 10, x1, x2, x3

x1  4, x2  5, x3  1

x1  4, x2  5, x3  1.
[62]

m
1, 0, 1, 1, 1, 1, 0, 3, 1, 1, 1, 4

SolveTransposem.x, x2, x3

2, 0, 2, 3, x1, x2, x3



L’equazione è incompatibile.

[63]

a
h, k, h  2k b
1, 2, h  k

c
2, 4, k  4 d
1, 2, 4  h
Reducea x  b y  c z

d, x, y, z
1
h  1&&k  2&&z  1  x  y 
2
1 1
2 h  k&&y  4  k x &&z  8  3 k x &&2  k  0
4 8
1
k  4  2 h&&x  0&&z  1  y &&  1  h  0
2
x  0&&y  1&&z  1&&  4  2 h  k  0&&2 h  k  0

Se h  1, k  2: esistono infinite soluzioni che dipendono da due incognite libere;

1
se h  2
k, k  2: esistono infinite soluzioni che dipendono da un’incognita libera;

se k  2h 4, h  1: esistono infinite soluzioni che dipendono da un’incognita libera;

se h  1, k  2: esiste una sola soluzione.

[64]

a
1, 2, 0, 1, 3, 5, 0, h b
3, 1, 1, 2, k, 0
x
x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12
ReduceTransposea.Transposex

Transposeb
k  3 x11  x9&&x1  3 1  x3 &&x10  5 x11  h x12  2 x9&&
x2  5  x3  h x4&&x5  1  3 x7&&x6  4  x7  h x8

 3 3a 5  a hd a d 
 
X   1 3b 4  b he b e  , a, b, c, d, e, f , h, k  —.
 k 3c 2k  a h f c f 


Quaderni Didattici del Dipartimento di Matematica

62 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[65]

a
1, 2, 3, 1, h, 2h

b
0, 1, 1, 2, 1, 0, 3, 0, k, 0, 0, k
x
x1, x2, x3, x4, x5, x6
ReduceTransposea.Transposex

Transposeb
False

L’equazione matriciale è incompatibile, per ogni h, k  —.

[66]

a
5, 1, 0, 3, 0, 1, 4, 1, 3

b
2, 1, 2, 0, h, k x
x1, x2, x3, x4, x5, x6
Reducea.x

b
h  4&&k  1&&x3  2  5 x1&&
x4  1  5 x2&&x5  2  3 x1&&x6  3 x2

Se h  4 o k  1: non esistono soluzioni;

se h  4 e k  1: l’equazione matriciale ha infinite soluzioni che dipendono da un vettore libero:

 a b 
 
X   2 5a 1 5b  , a, b  —.
 2 3a 3b 


[67]

a
l, 1, 1, 0, 2, 1, 0, 1, l

b
l, 1, 0, 1, l  2, 0 x
x1, x2, x3, x4, x5, x6
Reducea.x

b
2 3  l  l2 2  l
x1  &&x2  &&
l 1  2 l l 1  2 l
2  l l 2 2l 1
x3  &&x4  &&x5  &&x6 
1  2 l 1  2 l 1  2 l 12l

Se Λ  0, 12 : non esistono soluzioni;

 2
Λ2 Λ3 2 Λ 
 Λ
1 2Λ Λ
1 2Λ 
 
 
/ 0, 2 : allora X  
se Λ  1 Λ2 Λ  .

 1 2Λ 1 2Λ

 
 2
Λ2 1 
 1 2Λ 1 2Λ

[68]

a
l, 1, 1, 2, 1, l

b
l, 1, 0, 0, l  2, 0 x
x1, x2, x3, x4
Reducea.x

b
4 2 2 1
l  2&&x1  &&x2   &&x3   &&x4 
5 5 5 5

Se Λ  2: non esistono soluzioni;

 4 
2
 5 
5
se Λ  2: X    .
 2 1 
 5 5

Università di Torino
 Capitolo 5 – Soluzioni - Sottospazi vettoriali 63

[69]

a
3, 1, 1, 2, 2, h b
1, 1, 1, 0, 1, 3, 0, k, h  k
x
x1, x2, x3, x4, x5, x6
Reducea.x

b
2 3
h  4&&k  2&&x1  &&x2  &&
7 7
1 1 2 10
x3  &&x4   &&x5  &&x6 
7 7 7 7

Se h  4 o k  2: l’equazione matriciale AX  B è incompatibile;

2 3 1
se h  4 e k  2: X  17  .
1 2 10
L’equazione X  A  B è priva di significato.

[70]

a
2, 1, h, 2, 1, 0 b
3, 1, k, 2, 0, 3, 4, k, 1
x
x1, x2, x3, x4, x5, x6
Reducea.x

b
h  3&&k  2&&x1  4&&
x2  2&&x3  1&&x4  5&&x5  3&&x6  0

Se h  3 o k  2: l’equazione matriciale è incompatibile;

4 2 1
se h  3 e k  2: X   .
5 3 0

[71]

a
1, 2, 1, 3, 0, 3, 1, 5, 1, l, 0, 8

b
2, 1, 0, 1, m  3, 0
x
x1, x2, x3, x4, x5, x6, x7, x8
Reducea.x

b
l  1&&m  5&&x1  2  x3  8 x7&&
x2  x4  8 x8&&x5  3 x3  5 x7&&x6  1  3 x4  5 x8
m  5  x3  l x3&&x1  2  x3  8 x7&&x2  8 x8&&
x4  0&&x5  3 x3  5 x7&&x6  1  5 x8&&1  l  0

Se Λ  1: l’equazione matriciale ammette infinite soluzioni che dipendono da un vettore libero:

X4 
a, b, a, b  —;

se Λ  1, Μ  5: non esistono soluzioni;

se Λ  1, Μ  5: esistono infinite soluzioni che dipendono da due vettori liberi:

X4 
a, b, X3 
c, d, a, b, c, d  —.

[72]

a
1, 1, 2, 3, 1, 0, 5, 6, 3, h, 1, 0

b
1, 1, 5, 3, k, 1
x
x1, x2, x3, x4, x5, x6, x7, x8
Reducea.x

b
1 1 4
k  3  2 x3  h x3&&x1  3  2 x3  x5 &&x2  1   x6&&
3 3 2h
2 1 1 2
x4   &&x7  6  x3  7 x5 &&x8    4   7 x6
2h 9 9 2h

Se h  2: non esistono soluzioni;

Quaderni Didattici del Dipartimento di Matematica

64 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

se h  2: esistono infinite soluzioni che dipendono da un vettore libero: X 4 
a, b, a, b  —.

[73]

A
1, 1, 2, k, 1, h

B
0, 1, 1, 1, 0, k X
x1, x2, x3, x4
ReduceA.X

B
h  1&&k  1&&x1  1&&x2  2&&x3  1&&x4  3

1 2
Se h  1 e k  1: X   1 3
 ; in tutti gli altri casi non esistono soluzioni.

Università di Torino
Capitolo 6

Soluzioni - Applicazioni lineari

[1]

A
1, I, 1, I, hˆ2, I, I, 1, 2

ReduceA.x, y, z

0, 0, 0, x, y, z

h  &&x   y&&z  0
h  &&x   y&&z  0x  0&&y  0&&z  0&&1  h2  0

Se h  ,i: ker f  o, im f  ¬3 ;

se h  ,i: ker f  L

i, 1, 0, im f  L

1, i, i,
1, i, 2.

[2]

A
2, 1, 1, 1, 0, 1, 1, 1, 1

NullSpaceTransposeA



ker f  o.

[3]

A
1, 0, 1, 1, 2, 1, 1, 3, 1, 1, 0, 2

NullSpaceA


1, 1, 0, 1,
1, 1, 1, 0

ker f  L

1, 1, 0, 1,
1, 1, 1, 0, im f  L

1, 2, 1,
0, 1, 1.

[4]

A
2, 1, 0, 1, 0, 1, 0, 1, 1, 0, 1, 0, 2, 1, 0, 0

DetA
2

dim ker f  0, dim im f  4.

[5] M
f 1    u1 u2 u3 ;

ker f 1  x  V3 / x & u im f1  —;

65
66 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 0 u3 u2 
 
M
f2    u3 0 u1  ;
 u u1 0 
 2

ker f 2  x  V3 / x// u, im f  x  V3 / x & u.

[6]

A
2, 1, 1, 1, 2, 1, 1, 1, h

SolveDetA

O, h
6O


h  
3
n
1, kˆ2  k, k, 1, 2, 1, 1, 1, 2

SolveDetn

0
 


k  1  2,
k  1  2

Det1, 0, 0, 1, 2, 1, 1, 1, 2

3

NullSpaceA/.h 2


1, 1, 1

Det1, 1, 1, 1, 2, 1, 1, 1, 2

9

LinearSolveA/.h 2, 3, 2, 2

LinearSolve nosol Linear equation encountered which has no solution.

LinearSolve

2, 1, 1,
1, 2, 1,
1, 1, 2,
3, 2, 2

Solve A/.h 2 .x, y, z

A/.h 2 .1, 2, 1, x, y, z

Solve svars Equations may not give solutions for all solve variables.


x  2  z, y  1  z

i) h  2, im f  L

1, 2, 1,
1, 1, 2;

ii) k  1 , 2; iii) per esempio:
1, 0, 0;

iv) ker f  L

1, 1, 1;

 1 1 1 

v)  1 2 1   9; vi) no; vii) v 
2  t, 1 t, t, t  —.
 
 1 1 2 

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 67

[7]

a
LinearSolve1, 1, 1, 2, 1, 0, 1, 1, 0,

0, 0, 0, 3, 2, 1, 3, 1, 2


6, 1, 1,
9, 0, 3,
3, 1, 2

MatrixFormA
Transposea
6 9 3  

1 0 1  


1 3 2 
DetA
0

NullSpaceA


1, 1, 1

Solvet  1, 2t, 1

x6, 1, 1  y3, 0, 1, t, x, y

4 8 13


t  , x  , y   
5 5 5
Det1, 0, 0, 6, 1, 1, 3, 0, 1
1

Det1, 1, 1, 6, 1, 1, 3, 0, 1

1

LinearSolveA, 3, 4, 1

LinearSolve nosol Linear equation encountered which has no solution.

LinearSolve

6, 9, 3,
1, 0, 1,
1, 3, 2,
3, 4, 1

 6 9 3 
 
i) A  M
f    1 0 1  , det A  0, quindi f non è ne iniettiva ne suriettiva.
 1 3 2 


ii) ker f  L

1, 1, 1, im f  L

6, 1, 1,
3, 0, 1. iii) t  45 .

iv) u  85 , 13
5
. v) per esempio:
1, 0, 0.

vi) Sı̀. vii) Non esistono.

[8]

A
LinearSolve2, 0, 1, 1, 1, 2, 3, 1, 2,

3, 6, 3, 0, 0, 0, 0, 0, 0


1, 2, 1,
1, 2, 1,
1, 2, 1

MatrixFormTransposeA
1 1 1 

2 2 2 


1 1 1  
Det1, 1, 2, 3, 1, 2, 1, 2, 1
8

 1 1 1 
 
i) M
f    2 2 2  .
 1 1 1 


ii) ker f  L

1, 1, 2,
3, 1, 2, im f  L

1, 2, 1.

Quaderni Didattici del Dipartimento di Matematica

68 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 1 
 2 1 
iii)  1 1 2   8.

 
 3 1 2 

[9]

A
4, 2, 2, 4, aˆ2  1, a  1, 8, 4, aˆ2  3

SolveDetA

0


a  1,
a  1,
a  1,
a  1

NullSpaceA/.a 1


1, 2, 0

NullSpaceA/. a 1


1, 0, 2,
1, 2, 0

SolveA/.a 1 .x, y, z

1, 2, 0, x, y, z



Det1, 0, 2, 1, 2, 0, 1, 1, 2

10

B
1, 1, 1, 0, 2, 1, 2, 0, 1

NullSpaceB


1, 1, 2

Reduce A/.a 1 .x, y, z

h, k, l, x, y, z

1
2 h  l&&2 k  l&&x  l4y4z
8

i) a  ,1.

ii) se a  1: ker f  L

1, 2, 0, im f  L

1, 1, 2,
1, 0, 2;

se a  1: ker f  L

1, 0, 2,
1, 2, 0, im f  L

1, 1, 2.

iii) Non esistono. iv) Sı̀ (teorema del completamento della base). v) Sı̀.

 1 1 1 
 
vi) Per esempio: M
g   0 2 1  .
 2 0 1 

1 
vii) Se l  2h  2k, allora f 1

h, k, l   18 l 1
2
t 2
t , t, t  , l, t, t   —.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 69

[10]

Solve1, 2, 1  x, y, z  2, 3, t

2, 2, 0, x, y, z, t

Solve svars Equations may not give solutions for all solve variables.


x  1, y  3, z  1  t

SolveDet1, 1, 2, 2, 3, 3, 1, 1  t, t

0

t  5

 1 1 2 
 
A   2 3 3  .
 1 4 5 


[11]

v1
1, 2, 0, 1 v2
1, 0, 1, 0 v3
1, 0, 0, 2

RowReducev1, v2, v3

3


1, 0, 0, 2,
0, 1, 0,,
0, 0, 1, 2
2
LinearSolvev1, v2, v3, v1  v2  v3, v1  v2  v3,
v1, 2v1  v2, v2  v3, 2, 2, 1, 1, 2, 6, 0, 1
LinearSolve nosol Linear equation encountered which has no solution.
LinearSolve


1, 2, 0, 1,
1, 0, 1, 0,
1, 0, 0, 2,
1, 2, 1, 3,
1, 2, 1, 3,


1, 2, 0, 1,
3, 4, 1, 2,
2, 0, 1, 2,
2, 2, 1, 1,
2, 6, 0, 1

ii) No.

[12]

u1
1, 2, 0, 4 u2
1, 1, 1, 0 u3
0, 0, 1, 2

RowReduceu1, u2, u3

1, 0, 0, 0,
0, 1, 0, 2,
0, 0, 1, 2

 0 2Λ1 2Λ1 Λ1 
 
ii) M
f    0 2Λ2 2Λ2 Λ2  , Λ1 , Λ2 , Λ3  —.
 0 2Λ 2Λ3 Λ3 
 3

Quaderni Didattici del Dipartimento di Matematica

70 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[13]

A
1, 0, 2, 0, 1, 1, 2, 1, 5

NullSpaceA


2, 1, 1

u
1, 2, k v
1, 0, 2 w
0, 1, 0

SolveDetu, v, w

0


k  2

p
Transposeu/.k 1, v, w

LinearSolvep, 1, 0, 0

2, 1, 4

LinearSolvep, 0, 1, 0

0, 0, 1

LinearSolvep, 0, 0, 1

1, 1, 2

m
LinearSolveu/.k 0, v, w, 1, 0, 2, 0, 1, 1, 0, 0, 1

1 1 3


1, 0, 4,
0, 0, 1,
 , ,  
2 2 2
MatrixFormTransposem
1
1 0 
2 
1 

0 0 

2 
3 
4 1 
2

i) ker f  L

2, 1, 1 da cui segue la tesi. ii) k  2.

iii) e1  2u v  4w , e 2  w , e 3  u  v 2w .

 1 0 0 
 
iv) Per esempio: M C,B
f    0 1 0  .
 2 1 1 

1
 1 0 
 2 
 
 1 
v) M B,B
f    0 0 2 
.
 
 
 3 
 4 1 2

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 71

[14]

A
2, 2, 0, 1, 0, 1, 1, 3, 2

NullSpaceA


1, 1, 1

LinearSolveA, 0, 0, 1

LinearSolve nosol Linear equation encountered which has no solution.

LinearSolve

2, 2, 0,
1, 0, 1,
1, 3, 2,
0, 0, 1

DetA.1, 0, 1, A.0, 1, 1, 4, 3, 2

4



i), ii) f non è ne iniettiva ne suriettiva: ker f  L

1, 1, 1, im f  L

2, 0, 3,
0, 1, 2,

per esempio e3 non ha controimmagine, f
1, 1, 1  o e f
2, 2, 2  o .

iii) No.

[15]

A
1, 2, 3/ 2, 0, t, t, 0, 0, 1, 1, 1, 1

ReduceA.x, y, z, w

0, 0, 0, x, y, z, w

1 1
t  0&&w  2 y  z &&x  4 y  3 z w  0&&x  y&&z  2 y
2 2
Solvea2, 1, 1, 0  b3, 0, 2, 2

k  3, k, 1, 2k



ReduceA.x, y, z, w

1, 0, 1, x, y, z, w

1 1
t  0&&w  4  2 y  z &&x  2  4 y  3 z 
2 2
5 2
w  &&x  y&&z   1  3 y
3 3

i) Se t  0: ker f  L

2, 1, 0, 1,
3, 0, 2, 1, im f  L

1, 0, 1,
2, 0, 1;

se t  0: ker f  L

1, 1, 2, 0, im f  — 3 .

ii) No; iii) se t  0:

2, 1, 0, 1,
3, 0, 2, 1,
0, 0, 1, 0,
0, 0, 0, 1;

se t  0:

1, 1, 2, 0,
0, 1, 0, 0,
0, 0, 1, 0,
0, 0, 0, 1.

3 1
iv) Se t  0: f 1

1, 0, 1  1 2t1 t ,t ,t ,2
2 2 1 2
t1 t
2 2
, t1 , t2  —;

se t  0: f 1

1, 0, 1  t, t, 23 2t, 53 , t  —.

[16]

a
1, 0, 1, 2 b
2, 3, 2, 1 c
1, 3, 1, 1 d
1, 3, 1, 5

RowReducea, b, c, d


1, 0, 1, 2,
0, 1, 0, 1,
0, 0, 0, 0,
0, 0, 0, 0

TransposeLinearSolve
1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, a, a, b, c, 2a
3 3


1, 2, 1, 0,
0, 3, 3,  ,
1, 2, 1, 0,
2, 1, 1, 
2 2

Quaderni Didattici del Dipartimento di Matematica

72 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

i) F  L
a, b.

 1 2 1 0 
 3 
 0 3 3 2  .
ii) M B,B
f   
 1 2 1 0 
 3 
 2 1 1 2

[17]

v1
1, 2, 0 v2
1, 0, 1 v3
1, 0, 2

RowReducev1, v2, v3

1, 0, 0,
0, 1, 0,
0, 0, 1

Transposev1, v2, v3.1, 2, 0, 1, 1, 1, 0, 0, 1.

InverseTransposev1, v2, v3


0, 1, 1,
8, 3, 4,
5, 3, 4



 1 2 0 
 
ii) M C,C
f    1 1 1  .
 0 0 1 


 0 1 1 
 
iii) M B,B
f    8 3 4  .
 5 3 4 


[18]

A
0, 3, 1, 0, 0, 2, 1, 1, 0, 0, 1, 0

NullSpaceA



SolveA.x, y, z

3A.1, 2, 1, x, y, z

x  3, y  6, z  3

SolveA.x, y, z

1, 2, 3, 4, x, y, z



0 0 3 0 1 2
i) im f  L  , 1 1 , 0  .
1 0 0

ii) Sı̀; iii) v 
3, 6, 3. iv) No.

[19]

u
2, 0, 1, 1 v
0, 1, 3, 1 w
0, 1, 0, 1

RowReduceu, v, w
1


1, 0, 0, ,
0, 1, 0, 1,
0, 0, 1, 0
2
u  2w

2, 2, 1, 3

NullSpace2, 1, 0, 2, 2, 1, 1, 7, 3, 3, 3, 1



ii) Per esempio:
u, v, w,
0, 0, 0, 1.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 73

 2 1 0 
 
iii) M
f     .
C,B 2 2 1
 1 7 3  iv) Sı̀.
 
 3 3 1

 1 0 0 
 
[20] i) M
f     .
1 1 0
 1 1 1 
 
 0 0 0

1 1 0 1 0 0
ii) im f  L   ,  1 0  ,  1 0  .
1 0

[21]

A
1, 0, 1, 0, 0, 2, 1, 0, 1, 1, 0, 3, 1, 1, 2

NullSpaceA


1, 3, 1, 0, 5,
4, 3, 4, 5, 0

RowReduceA.1, 1, 0, 0, 0, A.0, 1, 0, 1, 1, A.0, 0, 3, 0, 0

1, 0, 0,
0, 1, 0,
0, 0, 1

b
x1, x2, x3, x4, x5  s 1, 3, 1, 0, 5  t 0, 3, 0, 1, 4

SimplifyA.b

A.x1, x2, x3, x4, x5

True

i) ker f  L

1, 3, 1, 0, 5,
4, 3, 4, 5, 0, im f  — 3 . ii) f
V  —3 .

[22] i) No. ii) Sı̀, è suriettiva, quindi il nucleo ha dimensione 8 ed è costituito da tutte le matrici aventi traccia
nulla.

[23]

A
1, 0, h, 0, 0, 1, 0, h, 3, 0, h  2, 0, 0, 3, 0, h  2

ReduceA.x1, x2, x3, x4

0, 0, 0, 0, x1, x2, x3, x4
h  1&&x1  x3&&x2  x4
x1  0&&x2  0&&x3  0&&x4  0&&1  h  0
B
A/. h 1

EigensystemB


2, 2, 0, 0,

0, 1, 0, 3,
1, 0, 3, 0,
0, 1, 0, 1,
1, 0, 1, 0

Solve4x1  x2  x3

0, 3x2  3x3  4x4

0, x1, x2, x3, x4

Solve svars Equations may not give solutions for all solve variables.
x4 4 x4


x1   , x2  x3  
3 3
ReduceB . x1, x2, x3, x4

t/ 3, 4t/ 3  z, z, t, x1, x2, x3, x4
1 1
x1  t  3 x3 &&x2  t  3 x4 &&z  t
3 3

i) Se h  1: ker f  o, im f  —2,2 ,

1 0 0 1 1 0 0 1
se h  1: ker f  L   ,  0 1  , im f  L  3 0  ,  0 3  .
1 0

Quaderni Didattici del Dipartimento di Matematica

74 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

ii) Λ1  2, mΛ1  2, VΛ1  im f Λ2  0, mΛ2  2, VΛ2  ker f ; f è semplice.

1 0 0 1 1 1
iii) f 1

G  L  , 0 1 , 0  .
1 0 0

[24]

A
1, 17, 10, 9, 0, 1, 0, 0, 0, 11, 8, 6, 0, 13, 8, 6

NullSpaceA


6, 0, 3, 4

A.1, 0, 0, 4

37, 0, 24, 24

A.0, 0, 1, 2

28, 0, 20, 20

ReduceA.x1, x2, x3, x4

t1, t2, 0, t1, x1, x2, x3, x4
1 t1 1
2 t2  t1&&x1  5 t1  12 x4 &&x2   &&x3  11 t1  12 x4
8 2 16
EigensystemA


0, 1, 1, 2,


6, 0, 3, 4,
0, 1, 1, 3,
1, 0, 0, 0,
1, 0, 1, 1

 1 17 10 9 
 
i) A    .
0 1 0 0
 0 11 8 6 
 
 0 13 8 6

6 0 1 0 17 1 10 0
ii) ker f  L   , im f  L  0 0  ,  11 , 8  .
3 4 13 8

37 0 17 1 7 0
iii) f
H  L   ,  11 , 5  ,
24 24 13 5

10 8 6 0
f 1
K  L   ,  3 4  .
11 0

iv) Λ1  0, mΛ1  1 Λ2  1, mΛ2  2, Λ3  2, mΛ3  1.

 0 0 0 0   6 0 1 1 
   
v) f è semplice, A  
 0 1 0 0  , B   0 1 0 0  .
 0 0 1 0   3 1 0 1 
   
 0 0 0 2  4 3 0 1

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 75

[25]

LinearSolve1, 1, 0, 0, 2, 1, 1, 1, 1,

1, 2  h, h  1, 1, 3, 0, 2, h  3, 3  h


0, h, h,
1, 2, 1,
1, 1, 2

MatrixFormc
Transpose%
0 1 1 

h 2 1 


h 1 2 
SolveDetc

0


h  0

b
Eigenvaluesc
1  1 

1, 3  9  8 h, 3  9  8 h
2 2
FlattenTablebi

bj, i, 3, j, 3

MapSolve, %

Solve i fun Inverse functions are being used by Solve, so some solutions may not be
found

Solve i fun Inverse functions are being used by Solve, so some solutions may not be
found



,

h  1,
,

h  1,
9 9


,

h   ,
,

h   ,


8 8
Eigensystemc/.h 1


1, 1, 2,

1, 0, 1,
1, 1, 0,
1, 1, 1

Eigensystemc/.h 9/ 8
3 3 4


1, , ,

0, 1, 1,
 , 1, 1,
0, 0, 0
2 2 3

 0 1 1 
 
ii) M B,B
f    h 2 1  , h  —; iii) a) h  0; b) h > 9
.
 h 1 2
8


[26]

a
1, 0, 1, 0, 1, 1, 2, 0, 1

b
1, 2, 3, h, 0, 2  h, 2, 1, 0
LinearSolvea, b


1, 1, 1,
h, 1, h,
0, 1, 2

MatrixFormm
Transpose%
1 h 0  

1 1 1 


1 h 2 
Eigensystemm
h 1


1, 1, 2,

1, 0, 1,
0, 0, 0,
 , , 1
1h 1h
Eigensystemm/.h 1


1, 1, 2,

1, 0, 1,
0, 0, 0,
1, 1, 0

Eigensystemm/.h 0


1, 1, 2,

1, 0, 1,
0, 1, 0,
0, 1, 1

Reduce m/.h 0 .x1, x2, x3

3t, t, 2t, x1, x2, x3
3t t
x1  3 t&&x2   &&x3 
2 2

Quaderni Didattici del Dipartimento di Matematica

76 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 1 h 0 
 
i) M
f    1 1 1  , h  —.
 1 h 2 

ii) Se h  0: f è semplice, se h  0: f non è semplice.

6 3
iii) f 1

G  L   .
3 1

[27]

m1
0, 1, 1, 3, 1, 1, 1, 1, 1

m2
0, 0, 0, 9, 0, 0, 3, 2, 4
LinearSolvem1, m2


3, 0, 0,
0, 1, 2,
0, 1, 2

MatrixForma
Transpose%
3 0 0  

0 1 1  


0 2 2 
Eigensystema


0, 3, 3,

0, 1, 1,
0, 1, 2,
1, 0, 0

 3 0 0 
 
M B,B
f    0 1 1  . ii) Sı̀.
 0 2 2 


[28]

m
a, a, a, b, b, b, 0, 0, 0

Eigensystemm
a


0, 0, a  b,

1, 0, 1,
1, 1, 0,
, 1, 0
b

 a a a 
 
A  M
f    b b b  , a, b  —;
 0 0 0 

A è diagonalizzabile se a  b  0, oppure se a  b  0. Nel primo caso una base di autovettori è data da:


1, 0, 1,
1, 1, 0,
a, b, 0.

[29]

i
1, 0, 0 j
0, 1, 0 k
0, 0, 1 x
x1, x2, x3

Crossi, x  Cross2j, x  Crossk, x

x2  2 x3, x1  x3, 2 x1  x2

m
0, 1, 2, 1, 0, 1, 2, 1, 0

NullSpacem


1, 2, 1

Eigensystemm
 


0,  6,  6,
1  1 


1, 2, 1,
     2 6,   2   6, 1,
5
 5
1 1

    2 6,    2   6, 1
5 5

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 77

i) La linearità segue dalle proprietà del prodotto vettoriale.

 0 1 2 
 
ii) M
f    1 0 1  ;
 2 1 0


ker f  L
i 2j  k, im f  L
j  2k, i  k. iii) No.

[30]

i
1, 0, 0 j
0, 1, 0 k
0, 0, 1 x
x1, x2, x3

Cross i  j , x  2 j.x i  k.x j

2 x2  x3, 2 x3, x1  x2

m
0, 2, 1, 0, 0, 2, 1, 1, 0

NullSpacem



Eigensystemm
1  1 


1,       15,    15,

3, 2, 1,
2  2 
3   15 4 3   15 4

  ,  , 1,
  ,  , 1
  15   15   15   15

i) La linearità segue dalle proprietà del prodotto scalare e vettoriale.

 0 2 1 
 
ii) M
f    0 0 2  .
 1 1 0 

ker f  o, im f  V3 . iii) No.

[31]

a
1, 1, 2, 1, 2, 3 b
3, 4, 3, 0, 5, 9, 4, 1
x
x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12
Reducea.x

b
x1  1  x9&&x10  5  x6&&x11  1  x7&&x12  1  x8&&
x2  6  x6&&x3  1  x7&&x4  2  x8&&x5  2  x9

 Λ1 1 Λ2  1 Λ3  2 Λ4  1 
 
  Λ1  2

,B
MB Λ2  5 Λ3 1 Λ4  1  , Λ1 Λ2 , Λ3 , Λ4  —.
 Λ1 Λ2 Λ3 Λ4 


[32]

a
1, 0, 1, 2, 0, 1

b
1, 2, 1, 0, 1, 8, 11, 0, 0, 3, 5, 0
LinearSolvea, b


1, 2, 1, 0,
0, 3, 5, 0

 1 2 1 0
MB ,B

h   .
0 3 5 0

Quaderni Didattici del Dipartimento di Matematica

78 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[33]

x
x1, x2, x3, x4

1/ 2 x  Transposex
x2  x3 x2  x3



x1, ,
, x4
2 2
a
1, 0, 0, 0, 0, 1/ 2, 1/ 2, 0, 0, 1/ 2, 1/ 2, 0, 0, 0, 0, 1

NullSpacea


0, 1, 1, 0

Eigensystema


0, 1, 1, 1,

0, 1, 1, 0,
0, 0, 0, 1,
0, 1, 1, 0,
1, 0, 0, 0

i) La linearità segue dalle proprietà della matrice trasposta.

 1 0 0 0 
 
 
 
 0 1 1
0 
 2 2 
ii) M
f     .
 
 0 1 1
0 
 2 2 
 
 
 0 0 0 1

0 1 1 0 0 1 0 0
iii) ker f  L   , im f  L  0 0  ,  1 0  ,  0 1  .
1 0

 1 0 0 0 
 
iv) A    ,
0 1 0 0 1 0 0 1 0 0 0 1
 B    ,  1 0  ,  0 1  ,  1 0  .
 0 0 1 0  0 0

 0 0 0 0

[34]

a
2, 14, 7, 0, 2, 2, 0, 6, 5

Eigensystema


1, 2, 2,

7, 2, 3,
0, 1, 2,
1, 0, 0

 7 0 1 
 
A  P 1 AP, P   2 1 0  .
 3 2 0 


[35]

a
1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0

b
0, 0, 2, 1, 2, 1, 1, 0, 0, 1, 1, 0, 1, 0, 0, 0
MatrixFormb.a .Inverseb
0 1 1 2

0 0 1 2 


0 1 0 2  

0 0 0 1 

 0 1 1 2 
 
i) A    .
0 0 1 2
 0 1 0 2 
 
 0 0 0 1

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 79

 1 0 0 0   0 0 2 1 
   
ii) A  
 0 1 0 0  , B   2 1 1 0  , A  BA B 1 .
 0 0 1 0   0 1 1 0 
   
 0 0 0 0  1 0 0 0

[36]

a
1, 2, 0 b
0, 1, 1 c
1, 1, 1 i
1, 0, 0 j
0, 1, 0

LinearSolvea, b, c, Crossi, a  Crossj, b, 2 a. b b, 0, 0, 0

1 1


0, 4, 4,
, 2, 3,
 , 2, 1
2 2
NullSpaceA
Transpose%


1, 1, 1

A.1, 1, 0
1

, 2, 1
2
A.1, 1, 0
1

 , 6, 7
2
ReduceA.x1, x2, x3

l, 0, l, x1, x2, x3
l  0&&x1  x3&&x2  x3

EigensystemA
1


1, 0, 4,

, 0, 1,
1, 1, 1,
0, 1, 1
2
1 1
 0 
 2 2 
 
i) M
f    4 2 2  .
 
 

 4 3 1

ii) im f  L 4j 4k, 12 i  2j  3k , ker f  L
i  j  k.

iii) f
H  L 12 i 2j k, 1
2
i 6j 7k , f 1

K  ker f .

iv) Sı̀; v) Λ1  0, ker f  L
j, k  V3 .

Quaderni Didattici del Dipartimento di Matematica

80 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[37]

m1
2, 0, 1, 1, 1, 2, 0, 1, 0, 1, 3, 1, 1, 2, 1, 2
m2
2h, 2, 1, 1,
h, 2h, 4, 1, 0, h  6, 1, 1, h, 2h  2, 5, 2
MatrixFormM
TransposeLinearSolvem1, m2
h 0 0 0

0 h 2 0  


0 2 1 0  

0 0 0 1 
ReduceM.x, y, z, t

0, 0, 0, 0, x, y, z, t
h  4&&t  0&&x  0&&z  2 yh  0&&t  0&&y  0&&z  0
t  0&&x  0&&y  0&&z  0&&4  h  0
SolveDetM

0


h  4,
h  0

MatrixFormSimplifyInverseM
1
0 0 0
h

0 
1 2
0  

4h 4h 

2 h 

0 0 
4h 4h
0 0 0 1
b
EigenvaluesM
1  1 

 1, h, 1  h  17  2 h  h2 , 1  h  17  2 h  h2 
2 2
FlattenTablebi

bj, i, 4, j, 4

MapSolve, %



,

h  1,

h  1,
,

h  1,

,

h  1,


h  2,

h  1,

h  1,

,

h  1  4 ,
h  1  4 ,

,

h  2,

h  1  4 ,
h  1  4 ,


EigensystemM/.h 1


1, 1, 1, 3,


0, 0, 0, 1,
0, 1, 1, 0,
1, 0, 0, 0,
0, 1, 1, 0
EigensystemM/.h 2


3, 1, 2, 2,


0, 2, 1, 0,
0, 0, 0, 1,
0, 1, 2, 0,
1, 0, 0, 0

 h 0 0 0 
 
i) M
f     ,
0 h 2 0
 h  —.
 0 2 1 0 

 0 0 0 1

ii) Se h  0, h  4: ker f  o, im f  — 2,2 ;

1 0 0 0 0 2 0 0
se h  0: ker f  L   , im f  L  1 0  ,  1 0   0 1  ;
0 0

0 1 1 0 0 0 0 2
se h  4: ker f  L   , im f  L  0 0  ,  0 1   1 0  .
2 0

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 81

1
 0 0 0 
 h 
 
 

 0 1 2
0 
iii) Se h  0, h  4: esiste f 1 , M
f 1     .
4h 4h
 
 
 0 2 h
0 

4h 4h 
 

 0 0 0 1

iv) f è semplice per ogni h  —.

[38]

a
1, 1, 1, 1, 0, 1, 1, 3, 2, 2, 1, 1

b
1, 2, 3, 0, 1, 1, 1, 2
LinearSolveTransposea, Transposeb

LinearSolve nosol Linear equation encountered which has no solution.

LinearSolve

1, 0, 2,
1, 1, 2,
1, 1, 1,
1, 3, 1,


1, 1,
2, 1,
3, 1,
0, 2

Non esiste g.

[39] A  P 1 AP, P  ¬3,3 , det P  0.

 1 2 0   1 1 1 
 2   1 
[40] i) M
f     . ii) M
f     .
0 0 0 1
 0 1 0   2 0 2 
   
 4 3 0  1 0 1

iii) Non ne esistono.

[41]

c
4, 1, 1, 2, 5, 2, 1, 1, 2

CharacteristicPolynomialc, x
45  39 x  11 x2  x3

Eigensystemc


3, 3, 5,

1, 0, 1,
1, 1, 0,
1, 2, 1



i) P
Λ  Λ3  11Λ2 39Λ  45. ii) Λ 1  3, mΛ1  2 Λ2  5, mΛ2  1.

 1 1 1 
 
iii) Sı̀; P   0 1 2  .
 1 0 1 


Quaderni Didattici del Dipartimento di Matematica

82 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[42]

m1
1, 2, 1, 0, 1, 1, 1, 2, 0

m2
8, 10, 10, 6, 8, 10, 5, 7, 6
a
TransposeLinearSolvem1, m2


1, 3, 3,
3, 5, 3,
6, 6, 4

MatrixForma
1 3 3  

3 5 3  


6 6 4 
NullSpacea



a.3, 1, 0

6, 14, 24

Inversea.3, 1, 0

0, 2, 3

Inversea.0, 0, 1
3 3 1

, , 
8 8 4
Eigensystema


2, 2, 4,

1, 0, 1,
1, 1, 0,
1, 1, 2

 1 3 3 
 
ii) A   3 5 3  . iii) ker f  o, im f  T .
 6 6 4 


3 7 3 3 3 3 0 2
iv) f
H  L   ,  0 4  , f 1
H  L  0 2  ,  0 3  .
0 12

v) Sı̀ (la molteplicità degli autovalori coincide con la dimensione degli autospazi);

 2 0 0 
  1 1 1 0 1 1
vi) A   0 2 0  , B   , 0  ,  0 2  .
 0 0 4 
0 0 1


[43]

a
1, 2, 1, 0, 1, 3, 2, 5, 5

a.1, 0, 1

2, 3, 7

a.1, 0, 1

0, 3, 3

Reducea .x, y, z

l  m, 0, l  m, x, y, z

l  3 m&&x  2 m  5 z&&y  3 z

f
H  L

2, 3, 7,
0, 1, 1, f 1

H  L

5, 3, 1,
1, 0, 0.

 0 0 0 
 
[44] M
f    0 0 0  , Λ  —, Λ  0.
 Λ Λ Λ


Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 83

[45]

x
x1, x2, x3 a
1, 1, 1 b
1, 0, 1

SimplifyCrossa, x  b.a Crossb, x

3 x2  x3, 3 x1  x3 , x1  3 x2

a
0, 3, 1, 3, 0, 3, 1, 3, 0

NullSpacea


3, 1, 3

a.1, 0, 1

1, 6, 1

a.1, 1, 0

3, 3, 4

Reducea.x

l b, x
x3
l  0&&x1  x3&&x2  
3
p
1, 1, 0, 1, 1, 0, 0, 1, 2

MatrixFormInversep.a.p
0 1 4 

3 1 2 



1 
7 3
 
2 2
Eigensystema
 


0,  19,  19,
1  3 


3, 1, 3,
  9   19,     19, 1,
10
 10
1 3

  9   19,      19, 1
10 10

i) La linearità di f segue dalle proprietà del prodotto vettoriale.

 0 3 1 
 
ii) A  M B,B
f    3 0 3  .
 1 3 0 


iii) ker f  L
3i j  3k, im f  L
3j  k, i  k.

iv) f
W  L
i  6j  k, 3i  3j  4k, f 1

U  ker f .

 1 1 0   0 1 4 
   
v) P   1 1 0  , A  P 1 AP   3 1 2  . vi) No.
 0 1 2   7 3 
  2 2
1

Quaderni Didattici del Dipartimento di Matematica

84 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[46]

a
1, 2, 1, 0 b
3, 1, 1, 1

a.b .1, 1

4, 4

Solvea.x, y

b.x, y, x, y

Solve svars Equations may not give solutions for all solve variables.
y


x  
2
Solve a.b .x, y

b.a .x, y, x, y

Solve svars Equations may not give solutions for all solve variables.


x  y

i)
f
g
v1  v2   4v1  4v2 . ii) x 
Λ, 2Λ, Λ  —, y 
t, t, t  —.

 1 1 0 
 
[47] M
f    0 2 1  , ker f  L

1, 1, 2, im f  L

1, 0, 2,
1, 2, 4,
 2 4 3 


 1 1 0 
 
per esempio: M
g   0 2 0  , ker g  L

0, 0, 1, img  im f .
 2 4 0 


[48]

a
1, 1, 0, 1, 1, 0, 2, 1, 3

Eigensystema


3, 1  , 1  ,


0, 0, 1,
7  6 , 6  7 , 5,
7  6 , 6  7 , 5

i) No. ii) Sı̀; B 

0, 0, 1,
7 6i, 6 7i, 5,
7  6i, 6  7i, 5.

[49]

a
1, 0, 0, 14, 8, 2, 42, 21, 5

Eigensystema


1, 1, 2,

1, 0, 7,
1, 2, 0,
0, 1, 3

 1 0 0 
 
i) M B ,B
f    0 1 0
 
 , B 

1, 0, 7,
1, 2, 0,
0, 1, 3.
 0 0 2 


ii) W  VΛ1  L

1, 0, 7,
1, 2, 0.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 85

[50]

a
1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1

Inversea


1, 0, 0, 0,
0, 0, 1, 0,
0, 1, 0, 0,
0, 0, 0, 1

NullSpacea



Eigensystema


1, 1, 1, 1,

0, 1, 1, 0,
0, 0, 0, 1,
0, 1, 1, 0,
1, 0, 0, 0

i) La linearità di f segue dalle proprietà della matrice trasposta.

 1 0 0 0 
 
ii) M
f     .
0 0 1 0
 iii) M
f 1
  M
f .
 0 1 0 0 

 0 0 0 1

 1 0 0 0 
 
B    .
 0 1 0 0
iv) f è semplice;
 0 0 1 0 
 
 0 0 0 1

1 0 0 1 0 0 0 1
B    ,  1 0  ,  0 1  ,  1 0  .
0 0

[51]

a
x1, x2, x3, x4

MatrixForma  2Transposea
x1 x2  2 x3
 
2 x2  x3 x4
A
1, 0, 0, 0, 0, 1, 2, 0, 0, 2, 1, 0, 0, 0, 0, 1

A.1, 0, 0, 1

1, 0, 0, 1

ReduceA.x1, x2, x3, x4

t1, t2, t3, t1, x1, x2, x3, x4
1 1
x1  t1&&x2  t2  2 t3 &&x3  2 t2  t3 &&x4  t1
3 3
EigensystemA


1, 1, 1, 3,


0, 0, 0, 1,
0, 1, 1, 0,
1, 0, 0, 0,
0, 1, 1, 0

 1 0 0 0 
 0 
M
f     ;
1 2 0
 0 2 1 0 
 
 0 0 0 1

i) f
W  W, f 1

W  W.

 1 0 0 0 
 0 
ii) f è semplice, D    è riferita alla base:
1 0 0
 0 0 1 0 
 
 0 0 0 3

Quaderni Didattici del Dipartimento di Matematica

86 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

0 0 0 1 1 0 0 1
B   , 1 0 , 0 0 , 1  .
0 1 0

[52]

m
1, 1, 1, 1, 2, 1, 0, 1, 3, 0, 1, k

Reducem.x1, x2, x3, x4

0, 0, 0, x1, x2, x3, x4
k  2&&x2  2 x1  x4&&x3  3 x1  2 x4
x2  2 x1&&x3  3 x1&&x4  0&&  2  k  0

 1 1 1 1 
 
M
f    2 1 0 1  , k  —;
 3 0 1 k 


se k  2: im f  S
—2,2 , ker f  L

1, 2, 3, 0;

1 1 1 0
se k  2: im f  L   ,  0 1  , ker f  L

2, 1, 0, 3,
1, 0, 1, 2.
1 0

[53]

a
1, 0, 2, 1, 2, 2, 1, 1, 1

Eigensystema


1, 1, 2,

1, 1, 1,
1, 1, 0,
2, 1, 1

i) Sı̀. ii) h  1.

[54]

a
1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1

b
2, 1, 3, 0, 2, 2, 1, 1, 2, 1, 3, 2
m
TransposeLinearSolvea, b


2, 1, 0, 1,
2, 3, 3, 1,
0, 4, 3, 2

NullSpacem


1, 2, 0, 4,
3, 6, 8, 0

Solvem.x1, x2, x3, x4

2t, t, t, x1, x2, x3, x4

Solve svars Equations may not give solutions for all solve variables.
7 t 3 x3 x4 t 3 x3 x4


x1     , x2    
8 8 4 4 4 2

i) Esiste una sola f perché i vettori:
1, 0, 1, 0,
0, 1, 0, 1,
0, 0, 0, 1,
1, 0, 0, 1 costituiscono una base di — 4 .

 2 1 0 1 
 
M B,B
f    2


 , dove B è la base canonica di — e B è la base canonica di S
— .
4 2,2
3 3 1
 0 4 3 2


0 1 1 1
ii) ker f  L

3, 6, 8, 0,
1, 2, 0, 4, im f  L  , 1  .
1 1 2

iii) f 1

W  ker f  L

7, 2, 0, 0.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 87

[55]

x
x1, x2, x3 u
1, 1, 1

u.x u  3x

2 x1  x2  x3, x1  2 x2  x3, x1  x2  2 x3

m
2, 1, 1, 1, 2, 1, 1, 1, 2

NullSpacem


1, 1, 1

Eigensystemm


3, 3, 0,

1, 0, 1,
1, 1, 0,
1, 1, 1

i) La linearità di f segue dalle proprietà del prodotto scalare.

 2 1 1 
 
M B,B
f    1 2 1  ;
 1 1 2 


ii) ker f  L
i j  k, im f  L
2i  j k, i  2j  k.

 3 0 0   1 1 1 
   
iii) D   0 3 0  , P   0 1 1  .
 0 0 0   1 0 1
 

[56]

a
1, h, 1, 1 x
x1, x2, x3, x4

b
a.x  x.a


x2  h x3, h x1  2 x2  h x4,
x1  2 x3  x4, x2  h x3

Reduceb

0, 0, 0, 0, x1, x2, x3, x4

x1  2 x3  x4&&x2  h x3

m
0, 1, h, 0, h, 2, 0, h, 1, 0, 2, 1, 0, 1, h, 0

c
Eigenvaluesm
 

0, 0, 2 1  h, 2 1  h

FlattenTableci

cj, i, 4, j, 4

MapSolve, %



,

,

h  1,

h  1,

,

,


h  1,

h  1,

h  1,

h  1,

,


h  1,

h  1,

h  1,

h  1,


Eigensystemm/.h 1


0, 0, 0, 0,

1, 0, 0, 1,
2, 1, 1, 0,
0, 0, 0, 0,
0, 0, 0, 0

Eigensystemm/.h 3


4, 0, 0, 4,


1, 1, 1, 1,
1, 0, 0, 1,
2, 3, 1, 0,
3, 9, 1, 3

 0 1 h 0 
 h 
i) M
f     ,
2 0 h
 h  —.
 1 0 2 1 

 0 1 h 0

Quaderni Didattici del Dipartimento di Matematica

88 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

1 0 2 h
ker f  L   ,  1 0  , h  —. ii) h > 1.
0 1

1 1 1 0 2 3 3 9
iii) B    ,  0 1  ,  1 0  ,  1 3  .
1 1

1 2
iv) im f  W  L   .
2 1

[57]

A
1, 0, 1, 2, 3, 2, 1, 0, 1, 2, 3, 1, 1, 3, 5

NullSpaceA


3, 4, 0, 0, 1,
2, 3, 0, 1, 0,
1, 2, 1, 0, 0

m
0, 1, 1, 1, 0, 1, 2, h, hˆ2

SolveDetm

0


h  2,
h  1

i) ker f  L

3, 4, 0, 0, 1,
2, 3, 0, 1, 0,
1, 2, 1, 0, 0, im f  L

0, 1, 1,
1, 0, 1.

ii) h  2, h  1. iii) f
W  
x 1 , x2 , x3   —3 / x1 x2  x3  0.

[58]

a
1, 1, 0 b
0, 1, 1 X
x, y, z

SimplifyX  [Link]a, b / Crossa, b.Crossa, b Crossa, b

1 1 1

2xyz , x  2 y  z , xy2z 
3 3 3
m
2/ 3, 1/ 3, 1/ 3, 1/ 3, 2/ 3, 1/ 3, 1/ 3, 1/ 3, 2/ 3

NullSpacem


1, 1, 1

Eigensystemm


0, 1, 1,

1, 1, 1,
1, 0, 1,
1, 1, 0

i) f associa ad ogni vettore x  V3 la sua proiezione ortogonale sul piano vettoriale individuato da a e da b .

2 1 1
 
 3 3 3 
   1 0 0 
 1   
ii) M B,B
f    1 2
3 
iii) M B ,B
  0 1 0  .
 3 3
  0 0 0 
  
 1 1 2 
 3 3 3

iv) ker f  L
i  j k, im f  L
2i j  k, i 2j k.

f è semplice, B 
i j  k, i  k, i  j.
I risultati conseguiti nel punto iv) si possono ottenere tenendo conto del significato geometrico di f ; infatti gli
autospazi di f sono, rispettivamente, generati dai vettori paralleli e ortogonali a a  b .

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 89

[59]

B
LinearSolve1, 0, 0, 0, 1, 0, 1, 0, 1,

1, 0, h, 0, 2, 1, 1  h, 0, 1  h
A
TransposeB


1, 0, h,
0, 2, 0,
h, 1, 1

b
EigenvaluesA

2, 1  h, 1  h

FlattenTablebi

bj, i, 3, j, 3

MapSolve, %



,

h  1,

h  1,

h  1,


,

h  0,

h  1,

h  0,


EigensystemA/.h 1


0, 2, 2,

1, 0, 1,
1, 0, 1,
0, 0, 0

EigensystemA/.h 1


0, 2, 2,

1, 0, 1,
1, 0, 1,
0, 0, 0

EigensystemA/.h 0


1, 1, 2,

0, 0, 1,
1, 0, 0,
0, 1, 1

A/.h 1 .1, 0, 1

0, 0, 0

A/.h 1 .0, 1, 1

1, 2, 2

 1 0 h 
 
i) M
f    0 2 0  , h  —;
 h 1 1 


1 2
f è semplice per h /  1, 1; ii) f
W  L   .
2 2

[60]

X
x1, x2, x3, x4 B
1, 0, h, 1

SimplifyInverseB.X.B


x1  h x2, x2,
h2 x2  x3  h x1  x4 , h x2  x4

A
1, h, 0, 0, 0, 1, 0, 0, h, hˆ2, 1, h, 0, h, 0, 1

SolveDetA

0



EigensystemA


1, 1, 1, 1,
2 2


 1, , 0, 1,
0, 0, 1, 0,
1, 0, 0, 1,
, 0, 1, 0
h h
EigensystemA/.h 0


1, 1, 1, 1,

0, 0, 1, 0,
0, 1, 0, 0,
0, 0, 0, 1,
1, 0, 0, 0

EigensystemA/.h 1


1, 1, 1, 1,


1, 2, 0, 1,
0, 0, 1, 0,
1, 0, 0, 1,
2, 0, 1, 0

Quaderni Didattici del Dipartimento di Matematica

90 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 1 h 0 0 
 
i) M
f     ,
0 1 0 0
 h  —:
 h h2 1 h 

 0 h 0 1

f è un isomorfismo per ogni h  —.

ii) f è semplice per ogni h  —.

1 2 0 0 1 0 2 0
iii) B    ,  1 0  ,  0 1  ,  1 0  .
0 1

[61]

a
1, 1, 1, 1, 0, 1, 1, 1, 0

b
0, 0, 0, 1, 2, 3, 1, 1, 0
LinearSolvea, b


0, 1, 1,
1, 0, 1,
1, 1, 2

MatrixFormA
Transpose%
0 1 1  

1 0 1  


1 1 2  
EigensystemA


1, 1, 0,

1, 0, 1,
1, 1, 0,
1, 1, 1

 0 1 1 
 
i) A   1 0 1  .
 1 1 2 

ii) f è semplice, B 

1, 1, 1,
1, 1, 0,
1, 0, 1.

[62]

X
x1, x2, x3, x4 B
1, 2, h, 6

X.B


x1  h x2, 2 x1  6 x2,
x3  h x4, 2 x3  6 x4

A
1, h, 0, 0, 2, 6, 0, 0, 0, 0, 1, h, 0, 0, 2, 6

ReduceA.x1, x2, x3, x4

0, 0, 0, 0

h  3&&x1  3 x2&&x3  3 x4
x1  0&&x2  0&&x3  0&&x4  0&&  3  h  0
A/.h 3 .0, 1, 1, 0

3, 6, 1, 2

EigensystemA/.h 3


7, 7, 0, 0,


0, 0, 1, 2,
1, 2, 0, 0,
0, 0, 3, 1,
3, 1, 0, 0

 1 h 0 0 
 2 
i) M
f     ,
6 0 0
 h  —;
 0 0 1 h 

 0 0 2 6

se h  3: f è un isomorfismo,

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 91

3 1 0 0 1 2 0 0
se h  3: ker f  L   ,  3 1  , im f  L   0  ,  1 2  .
0 0 0

3 6
ii) h  3: f è semplice. iii) f
W  L   .
1 2

[63]

A
2, 0, 0, 0, 1, 0, 1, 0, 1

B
1, 0, 0, 1, 2, 0, 1, 1, 1
EigensystemA


1, 1, 2,

0, 0, 1,
0, 1, 0,
1, 0, 1

EigensystemB


1, 1, 2,

0, 0, 1,
1, 1, 0,
0, 1, 1

 2 0 0   1 0 0 
   
i) A  C 1 AC, A   0 1 0  , C   0 1 0  ;
 0 0 1   1 0 1 
 

 2 0 0   0 1 0 
   
B  D 1 BD, B   0 1 0  , D   1 1 0  .
 0 0 1   1 0 1 
 

ii) A e B sono associate allo stesso endomorfismo perché A   B , quindi:

B 
CD 1  1 A
CD 1 .

[64]

a
2, 1, 0, 1, 0, 1, 1, 0, 1

b
h, 2, 0, 0, 1, h, 0, 1, h
LinearSolvea, b


0, 1, 0,
h, 0, 0,
0, 0, h

MatrixFormA
Transpose%
0 h 0  

1 0 0  


0 0 h 
EigensystemA
   


 h, h, h,

 h, 1, 0,
h, 1, 0,
0, 0, 1

i) Esiste una sola f perché i vettori
2, 1, 0,
1, 0, 1,
1, 0, 1 costituiscono una base di — 3 .

 0 h 0 
 
ii) M
f    1 0 0  ; f è semplice se h > 0.
 0 0 h 


Quaderni Didattici del Dipartimento di Matematica

92 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[65]

u1
1, 3, 2 u2
1, 1, 1 u3
1, 0, 2 v1
1, 0, 1, 0

v2
1, 1, 0, 2 v3
1, 2, 1, 0 v4
2, 0, 1, 2
LinearSolveu1, u2, u3, v1  v3, v2  v4, v2  v4
7 8 1 1 4


 1, 1,  ,  ,
1, 1, , 0,
 1, 1,  , 
9 3 3 9 3
MatrixFormA
Transpose%
1 1 1
1 1 1  
7 1 1 

  
9 3 9 
8 4 
 0
3 3
NullSpaceA



i)
u1 , u2 , u3  è una base di —3 .

 1 1 1 

 
 
 1 1 1 
 

ii) M
f     , h  —; f è un monomorfismo.
 7 1 1 
 9 3 9 

 
 8 4 
 3
0 3

iii) im f  W  L

3, 5, 1, 0.

 1 0 0 0 
 
[66] i) M
f     ; ii) ker f  o, im f  —2,2 ;
0 0 1 0
 0 1 0 0 
 
 0 0 0 1

iii) f
S  S, f
A  A; iv) S, A; v) sı̀ perché S  A  — 2,2 .

[67]

a
0, 1, 2, 2, 0, 1, 1, 3, 1

b
8, 2  2k, 16, 1, 2  k, 2, 4, 7  k, 8
LinearSolvea, b


1, 1, 2,
2, 2, 4,
3, k, 6

MatrixFormA
Transpose%
1 2 3 

1 2 k  


2 4 6 
ReduceA.x1, x2, x3

0, 0, 0
x1  2 x2&&x3  0k  3&&x1  2 x2  3 x3&&x3  0

EigensystemA/.k 3


0, 0, 5,

3, 0, 1,
2, 1, 0,
1, 1, 2

i) f è lineare (#k  —) perché

0, 1, 2,
2, 0, 1,
1, 3, 1 è una base di — 3 .

 1 2 3 
 
ii) A  M
f    1 2 k  , k  —;
 2 4 6 


Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 93

se k  3: ker f  L

2, 1, 0, im f  L

1, 1, 2,
3, k, 6;

se k  3: ker f  L

2, 1, 0,
3, 0, 1, im f  L

1, 1, 2.

 0 0 0 
 
iii) A   0 0 0  , B 

2, 1, 0,
3, 0, 1,
1, 1, 2.
 0 0 5


[68]

A
0, 2, 2, 2, 4, 2, 2, 2, 0

NullSpaceA


1, 1, 1

A.1, 0, 1

2, 0, 2

A.1, 1, 0

2, 2, 0

ReduceA.x1, x2, x3

3t1, t2, t1, x1, x2, x3

1 1
t2  2 t1&&x1  t1  2 x2 &&x3  3 t1  2 x2
2 2
EigensystemA


0, 2, 2,

1, 1, 1,
1, 0, 1,
1, 1, 0

1 0 0 1 0 0
i) Base di S: B    ,  1 0  ,  0 1  ,
0 0

1 0 0 1 0 0
base di T : B    ,  0 0  ,  1 0  .
0 1

 0 2 2 
 
ii) A  M B,B
f    2


 2
4 2  ,
 2 0

1 1 0 1 1 1
ker f  L   , im f  L  1 0  ,  0  .
1 1 1

1 1 1 0
iii) f
H  L  , 1  ,
0 1 1

1 1 4 3
f 1
K  L  , 3  .
1 1 0

 2 0 0 
 
iv) A   0 2 0  .
 0 0 0 


[69]

A
1, 1, 0, 2, 1, 1, 1, 0, 1, 0, 1, 1

ReduceA.x1, x2, x3

t1, t1, t2, t3, x1, x2, x3
t2  2 t1&&t3  3 t1&&x1  2 t1  x3&&x2  3 t1  x3

Quaderni Didattici del Dipartimento di Matematica

94 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 1 1 0 
 
M
f     ;
2 1 1
 1 0 1 
 
 0 1 1

f 1
H  L

2, 3, 0,
1, 1, 1.

[70]

A
2h, 1, h, 1, 0, 1, 0, 0, h

b
EigenvaluesA
 

h, h  1  h2 , h  1  h2 

FlattenTablebi

bj, i, 3, j, 3

MapSolve, %
  



,

h    ,

h   ,

h    ,

,
3 3 3



h  1,
h  1,

h   ,

h  1,
h  1,


3
EigensystemA/.h 1


1, 1, 1,

1, 1, 0,
0, 0, 0,
0, 1, 1

EigensystemA/.h 1


1, 1, 1,

0, 1, 1,
1, 1, 0,
0, 0, 0

EigensystemA/.h I/ Sqrt3
    


 ,  ,  3,

 , 1, 0,
0, 0, 0,
  3, 1, 0
3 3 3
EigensystemA/.h > I/ Sqrt3
    


  ,   ,  3,

  , 1, 0,
0, 0, 0,
 3, 1, 0
3 3 3

 2h 1 h 
 
i) M
f    1 0 1  , h  —; f è semplice se -h- > 1.
 0 0 h 


3
ii) f è semplice se h  ,1, e h  , 3 i.

[71]

u
1, 0, 1, 1 v
0, 0, 2, 1 w
2, 0, 4, 1

RowReducev, w, u
1 1


1, 0, 0, ,
0, 0, 1,  ,
0, 0, 0, 0
2 2
RowReduceu, v, w
1 1


1, 0, 0, ,
0, 0, 1,  ,
0, 0, 0, 0
2 2
A
1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 4, 2, 1, 1, 2, 1

NullSpaceA


0, 0, 1, 2,
1, 1, 0, 0

i) u  L
v, w, w  L
u, v.

ii) No perché w  L
u, v  VΛ2 , quindi w deve essere autovettore di autovalore 2.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 95

 1 1 0 0 
 0 
iii) M
f     , dim ker f  2.
0 0 0
 1 1 4 2 
 
 1 1 2 1

[72]

A
1, 1, 1, 0, 1, 1, 2, 1, 1, 1, 2, 2

NullSpaceA


0, 1, 1

A.2, 1, 0

1, 1, 3, 0

ReduceA.y1, y2, y3

2x2, x2, x3, x4, y1, y2, y3
x3  5 x2&&x4  x2&&y1  3 x2&&y2  x2  y3

 1 1 1 
 
i) M
f    
0 1 1
 2 1 1 
 
 1 2 2

ker f  L

0, 1, 1, im f  L

1, 0, 2, 1,
1, 1, 1, 2.

ii) f
H  L

1, 1, 1, 2,
1, 1, 3, 0.

iii) f 1

K  L

0, 1, 1,
3, 1, 0.

[73]

A
1, 1, 6, 0, 1, 0, 0, 0, 2

MatrixFormB
InverseA
1 1 3 

0 1 0 

1 

0 0
2 
A.1, 1, 0

2, 1, 0

B.1, 1, 0

0, 1, 0

EigensystemA


1, 1, 2,

1, 0, 0,
0, 0, 0,
2, 0, 1


 x  x y  3z

 y  y
i) Equazioni di f 1
:


 z  1 z .
 2

ii) f
H  L

2, 1, 0,
6, 0, 2, f 1

H  L
0, 1, 0, 3, 0, 12 .

iii) f non è semplice.

Quaderni Didattici del Dipartimento di Matematica

96 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[74]

A
a, 1, 1, a, 1, 1

ReduceA.x1, x2

0, 0, 0, x1, x2

a  1&&x1  x2x1  0&&x2  0&&1  a  0

NullSpaceA/.a 1


1, 1

 a 1 
 
i) M
f    1 a  , a  —. ii) a  1.
 1 1 


iii) ker f  L

1, 1, im f  L

1, 1, 1.

[75]

A
0, 2  I, 0, 2  I, 0, 1, 0, 1, 0

EigensystemA
   


0,  6, 6,

2  , 0, 5,
2  ,  6, 1,
2  , 6, 1

A è diagonalizzabile: autovalori: Λ 1  6, Λ2  0, Λ3  6;

base di autovettori: B 

2  i, 6, 1,
2 i, 0, 5,
2  i, 6, 1.

[76]

A
3, 2, 1, 3, 2, h  1, 6, 4, 2

ReduceA.x1, x2, x3

0, 0, 0, x1, x2, x3

1 2 x2
h  2&&x1  2 x2  x3 x1   &&x3  0&&2  h  0
3 3
EigenvaluesA
1  1 

0, 3  41  16 h, 3  41  16 h
2 2
Solve%3

3


h  2

EigensystemA/.h 2


0, 0, 3,

1, 0, 3,
2, 3, 0,
1, 1, 2

i) Se h  2: ker f  L

1, 0, 3,
2, 3, 0, im f  L

1, 1, 2,

se h  2: ker f  L

2, 3, 0, im f  L

1, 1, 2,
1, h  1, 2. ii) h  2.

 0 0 0   1 2 1 
   
iii) D   0 0 0  , P   0 3 1  .
 0 0 3   3 0 2 
 

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 97

[77]

A
0, h, h, 1, hˆ2  h, 1, h  1, 0, h  1

ReduceA.x1, x2, x3

0, 0, 0, x1, x2, x3

h  0&&x1  x3h  0&&x1  x2&&x3  x2
h  1&&x1  x2&&x3  x2
x1  0&&x2  0&&x3  0&&  1  h  0&&h  0
EigensystemA/.h 1


1, 0, 1,

1, 1, 0,
1, 1, 1,
1, 1, 0

i) h  0, ker f  L

1, 0, 1,
0, 1, 0.

ii) Λ1  1, VΛ1  L

1, 1, 0; Λ2  0, VΛ2  L

1, 1, 1; Λ3  1, VΛ3  L

1, 1, 0.

iii) f è semplice.

[78]

A
0, 1, 1, 1, 0, 1, 1, 1, 2

NullSpaceA


1, 1, 1

A.1, 2, 0

2, 1, 1

ReduceA.x1, x2, x3

a, 2a, b, x1, x2, x3

b  a&&x1  2 a  x3&&x2  a  x3

EigensystemA


1, 1, 0,

1, 0, 1,
1, 1, 0,
1, 1, 1

 0 1 1 
 
i) M
f    1 0 1  ;
 1 1 2 


ker f  L

1, 1, 1, im f  L

0, 1, 1,
1, 0, 1.

ii) f
H  L

2, 1, 1,
1, 1, 2 f 1

H  L

1, 1, 1,
2, 1, 0.

iii) f è semplice, B 

1, 1, 1,
1, 0, 1,
1, 1, 0.

[79]

a
0, 1, 1, 1, 1, 1, 1, 1, 0

b
0, 1, 1, 0, 0, 0, 1, 1, 0
LinearSolvea, b


0, 1, 1,
1, 2, 1,
1, 3, 2

MatrixFormA
Transpose%
0 1 1  

1 2 3  


1 1 2 
NullSpaceA


1, 1, 1

EigensystemA


1, 0, 1,

1, 1, 0,
1, 1, 1,
0, 1, 1

Quaderni Didattici del Dipartimento di Matematica

98 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

i) f è un’applicazione lineare perché è definita mediante l’immagine dei vettori di una base di — 3 , inoltre, dalla
definizione, è chiaro che ammette tre autovalori distinti:
1, 0, 1, quindi è semplice.

 0 1 1 
 
ii) M B,B
f    1 2 3  .
 1 1 2


iii) ker f  L

1, 1, 1, im f  L

0, 1, 1,
1, 2, 1.

[80]

A
2, 9, 3, 1, 4, 1, 1, 3, 0

NullSpaceA


3, 1, 1

A.2, 1, 0

5, 2, 1

A.0, 2, 1

21, 9, 6

EigensystemA


0, 1, 1,

3, 1, 1,
1, 0, 1,
3, 1, 0

 2 9 3 
 
ii) M
f    1 4 1  ;
 1 3 0 


ker f  L
3  x  x2 , im f  L
2  x  x2 , 3 x.

iii) H  L
2  x, 2x  x2 , f
H  L
5  2x  x2 , 7 3x 2x2 .

iv) Λ1  0, mΛ1  1, VΛ1  ker f Λ2  1, mΛ2  2, VΛ2  L
1  x2 , 3  x.

 0 0 0 
 
v) D   0 1 0  , B 
3  x  x2 , 1  x2 , 3  x.
 0 0 1 


[81]

A
2, 1, 0, 1, 0, 3, 2, 1, 4, 7, 6, 5, 3, 0, 1, 2

NullSpaceA


2, 1, 0, 3,
1, 2, 3, 0

EigensystemA


0, 0, 0, 3,


2, 1, 0, 3,
1, 2, 3, 0,
0, 0, 0, 0,
1, 5, 17, 4
ReduceA.x1, x2, x3, x4

0, a, b, c, x1, x2, x3, x4
1 1
b  3 a&&2 c  a&&x1  a  2 x3  4 x4 &&x2  a  2 x3  x4
6 3

 2 1 0 1 
 
i) M
f     ;
0 3 2 1
 4 7 6 5 
 
 3 0 1 2

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 99

2 1 1 2
ker f  L  , 3  , im f  L
2  4x2  3x3 , 1 3x  7x2 .
0 3 0

1 2 1 2 2 1
ii) No; iii) f 1

G  L  , 3  ,  0 3  .
0 0 0

[82]

a
1, 1, 0, 1, 2, 0, 1, 0,

0, 0, 0, 1, 0, 1, 0, 1, 2, 0, 0, 1

b
0, 1, 1, 1, h, 3, h, 0, 0, 0, 0, l,

a1, a2, 4a4, a4, 0, 0, 0, 0 X
x1, x2, x3, x4,
x5, x6, x7, x8, x9, x10, x11, x12, x13, x14, x15, x16
Reducea.X

b
1 3
a1  0&&a2  1&&a4   &&l   &&
4 2
3
x1  0&&x10  3&&x11  h&&x12  &&x13  0&&
2
3
x14  0&&x15  0&&x16   &&x2  0&&x3  0&&
2
3 7
x4   &&x5  0&&x6  1&&x7  1&&x8   &&x9  h
4 4
LinearSolvea, b/.a1 0, a2 1, a4 1/ 4, l 3/ 2
3 7 3 3


0, 0, 0,  ,
0, 1, 1,  ,
h, 3, h, ,
0, 0, 0,  
4 4 2 2
MatrixFormA
Transpose%
0 0 h 0
0 1 3 0 


0 1 h 0 

3 7 3 3 

  
4 4 2 2
SolveDetA

0




B
EigenvaluesA
3 1  1 

 , 0, 1  h  13  2 h  h2 , 1  h  13  2 h  h2 
2 2 2
FlattenTableBi

Bj, i, 4, j, 4

MapSolve, %
3 3



,
,

h  ,
,
,

,

h  3,
,

h  ,
10   10


h  3,

,

h  1  2  3,
h  1  2  3,
 

,
,

h  1  2  3,
h  1  2  3,





,

h  1,

h  1,

h  1,


,

h  1,

h  1,

h  1,


EigensystemA/.h 3/ 10
3 3 11


 ,  , 0, ,
2 2 5
111 407 814


0, 0, 0, 1,
0, 0, 0, 0,
2, 0, 0, 1,
 , , , 1
655 131 655
EigensystemA/.h 3
3


 , 0, 0, 4,
2
66 88 88


0, 0, 0, 1,
2, 0, 0, 1,
0, 0, 0, 0,
 , , , 1
5 5 5
EigensystemA/.h 1
3 2 4 4


 2,  , 0, 2,

, ,  , 1,
2 29 29 29
14 28 28

0, 0, 0, 1,
2, 0, 0, 1,
 ,  ,  , 1
33 11 33

Quaderni Didattici del Dipartimento di Matematica

100 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 0 0 h 0 

 
 
 0 1 3 0 
 
i) M
f     , h  —.
 
 0 1 h 0 
 
 
 3 7 3 3 
 4 4 2 2

ii) f è un isomorfismo per ogni h  —.

3
iii) f è semplice se h /  3, 10 .

[83]

A
1, 0, 1, 1, 1, 2

LinearSolveA, 3IdentityMatrix3

LinearSolve nosol Linear equation encountered which has no solution.

LinearSolve

1, 0,
1, 1,
1, 2,

3, 0, 0,
0, 3, 0,
0, 0, 3

 1 0 
 
ii) A   1 1  . iii) Non esiste g.
 1 2 


[84]

A
1, 1, 1, 2, 3, 0 X
x1, x2, x3, x4, x5, x6

ReduceA.X

4IdentityMatrix2
3 x3 1 1 1
x1  &&x2  4  3 x4 &&x5  8  5 x3 &&x6  4  5 x4
2 2 2 2

1 1 1
ii) A   .
2 3 0

3
 x
2 3
2  32 x4 
 
 
 
iii) M
g   x3 x4  , x3 , x4  —.
 
 
 5 5 
 4 x
2 3
2 2 x4

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 101

[85]

A
1, 1  I, I, 2  I, 0, 0, 2, 0, 1

MatrixFormB
A  TransposeConjugateA
2 1  2  2   


1  2  0 0 



2 0 2 
EigenvaluesB
4 34 1  1/3

  37  3  4215 ,
3 3 37  3  42151/3 3

4 17 1   3 1   1/3
  1   3 37  3  4215 ,
3 3 37  3  42151/3 6

4 17 1   3 1   1/3
  1   3 37  3  4215 
3 3 37  3  42151/3 6

Si verifica che B è una matrice hermitiana, quindi diagonalizzabile.

[86]

a
2, 3, 4, 1, 2, 3, 5, 4, 1

b
2, 4, 3k, 1, 3, 2k, 5, 1, 4k
LinearSolvea, b


1, 0, 0,
0, 0, k,
0, 1, 0

MatrixFormA
Transpose%
1 0 0  

0 0 1  


0 k 0 
ReduceA.x, y, z

0, 0, 0, x, y, z
k  0&&x  0&&z  0x  0&&y  0&&z  0

InverseA
1


1, 0, 0,
0, 0, ,
0, 1, 0
k
ReduceA.x, y, z

6t, 5t, t, x, y, z
t
k  0&&t  0&&x  0&&z  0x  6 t&&y  &&z  5 t&&k  0
k
LinearSolveA, 3IdentityMatrix3
3


3, 0, 0,
0, 0,,
0, 3, 0
k
MatrixForm%
3 0 0 
3 

0 0 

k 
0 3 0 
EigensystemA
  1 1


1,  k, k,

1, 0, 0,
0,   , 1,
0,  , 1
k k
EigensystemA/.k 0


0, 0, 1,

0, 1, 0,
0, 0, 0,
1, 0, 0

 1 0 0 
 
i) A   0 0 1  , k  —.
 0 k 0


ii) Se k  0: ker f  L
x, im f  L
1, x;

se k  0: ker f  o, im f  —2 x .

Quaderni Didattici del Dipartimento di Matematica

102 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 1 0 0 
 
 
 1 
iii) k  0: A 1
  0 0 k 
.
 
 

 0 1 0

iv) H  L
x, x2 , f
H  L
x, kx2 ;

se k  0: dim f
H  1, se k  0: dim f
H  2;

se k  0: f 1

K  ker f , se k  0: f 1

K  L 6  1k x 5x2 .

 3 0 0 
 
 
 3 
v) Esiste g solo se k  0: M
g   0 0 k 
.
 
 

 0 3 0

 1 0 0 
 
vi) f è semplice solo se k  0, A    0 k 0  ,

 0 0 k

1
base di autovettori: 1, x  x2 , 1 x  x2 .
k k

[87]

a
3, 1, 1, 0, 0, 1, 1, 1, 2, 0, 2, 1, 4, 2, 1, 0
b
4, 12, 3, 2, 2, 6, 2, 1, 5, 15, 5, 0, 8, 24, 0, 3
LinearSolvea, b


1, 3, 0, 1,
1, 3, 1, 0,
2, 6, 2, 1,
1, 3, 1, 0

MatrixFormm
Transpose%
1 1 2 1

3 3 6 3 


0 1 2 1 

1 0 1 0 
NullSpacem


0, 1, 0, 1

 1 1 2 1 
 
M
f     .
3 3 6 3
 0 1 2 1 
 
 1 0 1 0

1 3 1 3 2 6
ker f  L
x  x3 , im f  L  , 1 0 , 2  .
0 1 1

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 103

[88]

A
0, 1, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 3, 0, 0,

0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 5, 0, 0, 0, 0, 0, 0
EigensystemA


0, 0, 0, 0, 0, 0,


1, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0,

0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0

i) La linearità di d segue dalle proprietà di derivazione.

 0 1 0 0 0 0 
 
 0 0 2 0 0 0 
 
ii) M
d    .
0 0 0 3 0 0
 0 0 0 0 4 0 
 
 0 0 0 0 0 5 
 
 0 0 0 0 0 0

iii) Λ1  0, mΛ1  6, VΛ1  L
1; quindi d non è semplice.

[89]

a
1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1

p
1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1

a
p.a .Inversep


1, 0, 0, 0,
0, 1, 0, 0,
2, 2, 1, 0,
0, 0, 0, 1

NullSpacea



Eigensystema


1, 1, 1, 1,

0, 0, 0, 1,
0, 0, 1, 0,
1, 0, 1, 0,
1, 1, 0, 0

i) W2  L
x2 , x3 , C 
1  x, x  x2 , x2 , x3 .

 1 0 0 0   1 0 0 0 
   
iii) A  M C,C
f   
0 1 0 0  , A  M B,B
f    0 1 0 0  .
 0 0 1 0   2 2 1 0 
   
 0 0 0 1  0 0 0 1

iv) ker f  o, im f  —3 x . iv) f
W1   f 1
W1   W1 . vi) Sı̀.

Quaderni Didattici del Dipartimento di Matematica

104 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[90]

A
2, 0, 0, 12, 8, 12, 8, 4, 6

NullSpaceA


0, 3, 2

A.3, 1, 0

6, 44, 28

A.0, 3, 1

0, 12, 6

ReduceA.x1, x2, x3

3a, a  3b, b, x1, x2, x3

3b 1
7 a  b&&x1   &&x2  19 b  42 x3
14 28
EigensystemA


0, 2, 2,

0, 3, 2,
1, 0, 1,
1, 2, 0

i) ker f  L
3x  2x2 , im f  L
1 6x  4x2 , 2x x2 .

ii) f
W  L
3  22x 14x 2 , 2x  x2 , f 1

W  L
6 19x, 3x  2x 2 .

iii) Sı̀, B 
3x  2x2 , 1  x2 , 1  2x.

[91]

A
1, 0, 3, 0, 3, 6, 1, 0, 3, 2, 1, h

ReduceA.x1, x2, x3

0, 0, 0, 0, x1, x2, x3

h  4&&x1  3 x3&&x2  2 x3x1  0&&x2  0&&x3  0&&  4  h  0

a
A/.h 4

a.1, 0, 3

8, 18, 8, 10

a.0, 1, 4

12, 27, 12, 15

Reducea .x1, x2, x3

0, l, m, n, x1, x2, x3

l  3 n&&m  0&&x1  3 x3&&x2  n  2 x3

i) Se h  4: ker f  L
3  2x  x 3 , im f  L
1 x2  2x3 , 3x  x3 ;

se h  4: ker f  o, im f  L
1 x 2  2x3 , 3x  x3 , 3 6x 3x2  hx3 .

ii) f
W1   L
4  9x  4x2 5x3 , f
W2   L
3  2x  x2 , x.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 105

[92]

A
0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1

NullSpaceA



A.2, 1, 0

1, 2, 1, 1

A.0, 2, 1

1, 1, 2, 1

ReduceA.x1, x2, x3

3a, a  3b, b  3c, c, x1, x2, x3
1 1
2 b  2 a  5 c&&x1  3 a  c&&x2 8 a  13 c &&x3  2 a  13 c
2 2

i) ker f  o, im f  L
x  x2  x3 , 1  x2  x3 , 1  x  x3 .

ii) f
H  L
1 2x x2 x3 , 1  x 2x2 x3 , f 1

K  L
3 4x  x2 , 2 13x  13x 2 .

[93]

A
1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1

NullSpaceA


0, 1, 1, 0

EigensystemA


0, 1, 1, 1,

0, 1, 1, 0,
0, 0, 0, 1,
0, 0, 1, 0,
1, 0, 0, 0

1 0 0 1 0 0 0 0
i) B    ,  0 0  ,  1 0  ,  0 1  , B 
1, x, x2, x3 .
0 0

 1 0 0 0 
 
ii) A  M
f     .
B,B  0 0 0 0
 0 1 1 0 
 
 0 0 0 1

iii) ker f  L

0, 1, 1, 0 im f  L

1, 0, 0, 0,
0, 0, 1, 0,
0, 0, 0, 1.

 0 0 0 0   0 0 0 1 
   
iv) Sı̀, D  
0 1 0 0  , P   1 0 0 0  .
 0 0 1 0   1 0 1 0 
   
 0 0 0 1  0 1 0 0

[94] i)

A
2, 0, 0, 0, 2, 0, 1, 0, 3

B
1, 0, 0, 2, 3, 0, 2, 0, 3
A.B  B.A


0, 0, 0,
0, 0, 0,
0, 0, 0

EigensystemA


2, 2, 3,

1, 0, 1,
0, 1, 0,
0, 0, 1

EigensystemB


1, 3, 3,

1, 1, 1,
0, 0, 1,
0, 1, 0

Quaderni Didattici del Dipartimento di Matematica

106 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

B 

1, 1, 1,
0, 1, 0,
0, 0, 1.

ii)

A
3, 2, 2, 0, 2, 0, 0, 1, 1

B
2, 1, 1, 0, 0, 0, 0, 1, 1
A.B  B.A


0, 0, 0,
0, 0, 0,
0, 0, 0

EigensystemA


1, 2, 3,

1, 0, 1,
0, 1, 1,
1, 0, 0

EigensystemB


2, 1, 0,

1, 0, 0,
1, 0, 1,
0, 1, 1

B 

1, 0, 1,
0, 1, 1,
1, 0, 0.

iii)

A
66, 190, 68, 4, 13, 4, 53, 148, 55

B
30, 96, 32, 2, 8, 2, 25, 75, 27
A.B  B.A


0, 0, 0,
0, 0, 0,
0, 0, 0

EigensystemA


1, 1, 2,

32, 2, 25,
14, 1, 11,
1, 0, 1

EigensystemB


1, 2, 2,

32, 2, 25,
1, 0, 1,
3, 1, 0

B.14, 1, 11

28, 2, 22

B 

32, 2, 25,
14, 1, 11,
1, 0, 1.

iv)

A
1, 0, 2, 0, 24, 1, 48, 6, 0, 0, 2, 0, 8, 0, 16, 1
B
2, 0, 8, 0, 12, 3, 24, 3, 0, 0, 2, 0, 16, 0, 32, 2
A.B  B.A


0, 0, 0, 0,
0, 0, 0, 0,
0, 0, 0, 0,
0, 0, 0, 0

EigensystemA


1, 1, 1, 2,

0, 3, 0, 1,
1, 0, 0, 4,
0, 1, 0, 0,
2, 0, 1, 0

EigensystemB


2, 2, 2, 3,

1, 0, 0, 4,
0, 3, 0, 1,
2, 0, 1, 0,
0, 1, 0, 0

B 

1, 0, 0, 4,
0, 1, 0, 0,
2, 0, 1, 0,
0, 3, 0, 1.

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 107

v)

A
16, 16, 4, 16, 0, 0, 0, 0, 48, 48, 12, 48, 0, 0, 0, 0

B
9, 12, 3, 12, 3, 3, 1, 3, 12, 12, 4, 12, 9, 12, 3, 12
A.B  B.A


0, 0, 0, 0,
0, 0, 0, 0,
0, 0, 0, 0,
0, 0, 0, 0

EigensystemA


0, 0, 0, 4,

1, 0, 0, 1,
1, 0, 4, 0,
1, 1, 0, 0,
1, 0, 3, 0

EigensystemB


0, 0, 1, 3,

0, 1, 0, 1,
1, 0, 3, 0,
0, 1, 4, 0,
1, 0, 0, 1

A.0, 1, 4, 0

0, 0, 0, 0

A.0, 1, 0, 1

0, 0, 0, 0

B 

0, 1, 4, 0,
1, 0, 0, 1,
0, 1, 0, 1,
1, 0, 3, 0.

[95]

A
1, 1, 3, 0, 1, 1, 0, 3, 1

P
InverseA
1 1 3 1


1, 2, 1,
0, , ,
0, ,  
4 4 4 4
MatrixFormTransposeP
1 0 0
1 3 

2 
4 
1 
4 
1
1  
4 4
B
1, 2, 3, 1, 1, 1, 2, 2, 7

Q
InverseB
8 1 1 2 2 1


 1, , ,
 1, , ,
0,  , 
5 5 5 5 5 5
MatrixFormTransposeQ
1 1 0
8 1 2 


 
5 

1 
5 5 
1 2

5 5 5

i) f1  x, f2  2x  14 y  34 z, f3  x  14 y 1
4
z.

ii) f1  x y, f2  85 x  15 y 2
5
z, f3  15 x  25 y  15 z.

[96] i) f 1 , f2 sono forme lineari linearmente indipendenti (la verifica segue dalla loro definizione e dalle proprietà
del calcolo integrale).

ii) Se p
x  a  bx, allora: f 1
p
x  a  b2 , f2
p
x  2a  2b; quindi la base duale è data da p 1
x 
2 2x, p2
x  12  x.

Quaderni Didattici del Dipartimento di Matematica

108 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[97]

A
1, 1/ 2, 1/ 3, 0, 1, 2, 1, 0, 0

MatrixFormInverseA
0 0 1
1 

 3 
3 

3 
2 
3 3
 
2 4 2

i) f1 , f2 , f3 sono forme lineari linearmente indipendenti.

ii) Se p
x  a  bx  cx2 , allora: f 1
p
x  a  b2  3c , f2
p
x  b  2c, f 3
p
x  a.

3 2 1
La base duale è data da: p 1
x  3x 2
x , p2
x  2
x  34 x2 , p3
x  1 3x  32 x2 .

[98]

A
1, 0, 1, 1, 2, 0, 1, 3, 3

B
4, 0, 1, 3, 1, 0, 1, 2, 1
P
LinearSolveA, B
31 1 4 5 4 2 3 1 3


,  , ,
 , ,  ,
 , , 
7 7 7 7 7 7 7 7 7
MatrixFormP
31 1 4

7 
2 
7 7
5 4 

  

7 7 7 

3 1 3 

7 7 7
X
InverseTransposeA
6 3 1 3 2 3 2 1 2


,  , ,
, ,  ,
 , , 
7 7 7 7 7 7 7 7 7
Y
InverseTransposeB
1 1 5 2 1 8 1 1 4


,  , ,
, ,  ,
 , , 
9 3 9 9 3 9 9 3 9
Q
LinearSolveX, Y
2 1 1 1 5 4 2 2 17


, , ,
, ,  ,
 , , 
9 3 9 9 3 9 9 3 9
InverseTransposeP
2 1 1 1 5 4 2 2 17


, , ,
, ,  ,
 , , 
9 3 9 9 3 9 9 3 9
MatrixFormQ
2 1 1
9 3 9 

1 5 4 

 

9 3 9 


2 2 17 
9 3 9

 31 1 4

 7 7 7 
 
 2 
i) P   57 4
7 
.
 7

 
 3 1 3 
 7 7 7

%
ii) B1  67 x  37 y 2
7
z, 3
7
x  27 y  17 z, 17 x 3
7
y  27 z ;

%
B2  19 x  29 y 1
9
z, 1
3
x  13 y  13 z, 59 x 8
9
y  49 z .

Università di Torino
 Capitolo 6 – Soluzioni - Applicazioni lineari 109

2 1 1
 
 9 3 9 
 
 4 
iii) Q  tP 1
  1 5
9 
.
 9 3

 
 2 2 7 
 9 3 9

[99]

A
1, 1, 0, 0, 1, 1

TransposeA.3, 1

3, 2, 1
t
F
f   3x  2y z.

[100] i) H  L

2, 1, 0, 0,
3, 0, 1, 0,
0, 0, 0, 1, K  L
a, b,

H  K  —4 , H  K  L

1, 1, 1, 6.

ii) f  Λx1  2Λx2  3Λx3 , Λ  0.

Quaderni Didattici del Dipartimento di Matematica

Capitolo 7

Soluzioni - Spazi vettoriali euclidei ed

hermitiani

[1]

A
1, 0, 0, 0, 1, 0, 0, 0, 1

P
1, 1, 0, 0, 0, 1, 1, 1, 0
MatrixFormA
P.A .InverseP
0 0 1 

0 1 0 


1 0 0 
DetA
1

i) F  L
a1 
1, 0, 1, F &  L
a2 
1, 0, 1, a3 
0, 1, 0.

ii) Segue dalla definizione di isometria e dal fatto che u 1  F e u2  F & .

 1 0 0   0 0 1 
   
A  M B ,B
f    0 A  M B,B
f    0
 
iii) Sia B 
a1 , a2 , a3 , 1 0  , 1 0  ;
 0 0 1   1 0 0 
 
det A  1, quindi f è un’isometria diretta.

[2]

P
2, 1, 0, 1, 0, 1, 1, 2, 1

A
1, 0, 0, 0, 1, 0, 0, 0, 1
MatrixFormA
P.A .InverseP
1 2 2
 
3 
1 
3 3
2 2 

 

3 3 3  
2 1 2 
3 3 3
TransposeA.A


1, 0, 0,
0, 1, 0,
0, 0, 1

i) F  L
a1 
2, 1, 1, F &  L
a2 
1, 0, 2, a3 
0, 1, 1.

ii) Segue dalla definizione di isometria e dal fatto che u 1  F e u2  F & .

110
 Capitolo 7 – Soluzioni - Spazi vettoriali euclidei ed hermitiani 111

 13 2 2

 3 3 
 1 0 0   
   1 
A  M B ,B
f    0 1 0  , A  M B,B
f    23
 
Sia B 
a1 , a2 , a3 , 2
3 
.
 0 0 1   3

  
 2 1 2 
 3 3 3

iii) f e f 1
sono isometrie quindi: f 1

a f 1

b  a b  2,  f
b  b  3.

[3] i) V&  L
a3  i j 2k.

ii) v 
12  x2  2x3 i  x2 j  x3 k, x2 , x3  V3 ; l’insieme di tali vettori non costituisce un sottospazio vettoriale
di V3 .

iii) a  13
2i  4j k  13
i j 2k.

[4]

<< LinearAlgebra‘Orthogonalization‘

m
0, 1, 0, 0, 1, 0, 1, 0, 2I, 0, 0, 1

GramSchmidtm, InnerProduct #1 . Conjugate#2& 
1 1   1


0, 1, 0, 0,
 , 0,  , 0,
 , 0,   ,  
2 2 3 3 3

1
H  L
0, 1, 0, 0, , 0, 1 , 0 , i
, 0, i
, 1 .
2 2 3 3 3

[5]

a
1, 1, 1 b
1, 1, 0 c
0, 1, 1

RowReducea, b, c


1, 0, 0,
0, 1, 0,
0, 0, 1

<< LinearAlgebra‘Orthogonalization‘

A
GramSchmidta, b, c

1 1 1 1 1 2 1 1


 ,  ,   ,
 ,  , ,
  ,  , 0
3 3 3 6 6 3 2 2
TransposeA.A


1, 0, 0,
0, 1, 0,
0, 0, 1

ii) C  a  1
, 1 , 1
3
, b   1 , 1 , 2
 , c  1
, 1 ,0 .
3 3 6 6 3 2 2

1 1 1
 
 3 6 2 
 
 
 1 1 1 
iv) A   2  ;
 3 6

 
 
 1 2
0 
 3 3

A  O
3 perché le sue colonne sono le componenti di una base ortonormale di V 3 .

Quaderni Didattici del Dipartimento di Matematica

112 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[6]

A
NullSpace1, 1, 2, 2, 1, 1

1, 1, 1

NullSpaceA


1, 0, 1,
1, 1, 0

B
NullSpace1, 1, 1


1, 0, 1,
1, 1, 0

NullSpaceB


1, 1, 1

RowReduce1, 2, 1, 3, 1, 2, 1, 1, 2

1, 0, 0,
0, 1, 0,
0, 0, 1

LinearSolve1, 2, 1, 3, 1, 2, 1, 1, 2,

a 1, 1, 1, b1, 0, 1  c1, 1, 0, d1, 1, 1
1 cd bd


b  c  d , , ,
2 2 2
1 1 1

4abcd , 4acd , 4 a  b  d ,
6 6 6
1 1 1

2 a  b  c  5 d , 2 a  c  5 d , 2 a  b  5 d 
6 6 6
MatrixFormTranspose%
1 1 1
b  c  d 4abcd 2 a  b  c  5 d
2 6 6 

cd 1 1 

4acd 2 a  c  5 d 

2 6 6 

bd 1 1 
4abd 2 a  b  5 d
2 6 6

i) U  L
v1 
1, 1, 1, U&  L
v2 
1, 0, 1, v3 
1, 1, 0;

V  L

1, 0, 1,
1, 1, 0, V &  L
v4 
1, 1, 1;

A   f  End
—3  / f
1, 2, 1  av1 , f
3, 1, 2  bv 2  cv3 , f
1, 1, 2  d v 4 , a, b, c, d  —, dim A  4.

[7]

<< LinearAlgebra‘Orthogonalization‘

a1
1, 2, 1, 3 a2
2, 1, 3, 1

a1.a2
0

GramSchmidta1, a2, 0, 0, 1, 0, 0, 0, 0, 1, Normalized False

1 1 1 1 1 1


1, 2, 1, 3,
2, 1, 3, 1,
, , , 0,
 , , 0, 
3 3 3 3 3 3

a1 , a2 , 1 1 1
, , ,0
3 3 3
, 1 1
, , 0, 13
3 3
.

[8]

A
1, 4I, 4I, 3

EigenvaluesA
 

2   15, 2   15

ii) Si dimostra che gli autovalori di una matrice simmetrica reale e quelli di una matrice hermitiana sono reali. Il
teorema è falso (come afferma il controesempio considerato) nel caso di matrici simmetriche complesse.

Università di Torino
 Capitolo 7 – Soluzioni - Spazi vettoriali euclidei ed hermitiani 113

[9]

A
1, 3, 0, 1 X
x1, x2, x3, x4

SolveA.X

X.A

Solve svars Equations may not give solutions for all solve variables.
2 x2


x3  0, x1   x4
3
a
TrTransposeX.2, 3, 0, 0

b
TrTransposeX

Solvea

0, b

0

Solve svars Equations may not give solutions for all solve variables.
2 x4


x1  x4, x2  
3

2 3 1 0 3 2 0 0
W  L   ,  0 1  , W&  L   ,  1 0  .
0 0 0 3

[10]

<< LinearAlgebra‘Orthogonalization‘

m
I, 0, 2, 0, 0, 1, 0, 0, 0, 0, 0, 1

GramSchmidtm, InnerProduct #1 . Conjugate#2& 
 2


  , 0,  , 0,
0, 1, 0, 0,
0, 0, 0, 1
5 5

i
i) H  L , 0, 2 , 0 ,
0, 1, 0, 0,
0, 0, 0, 1 .
5 5

ii) Per esempio: K  
x1 , x2 , x3 , x4   —4 / x1  x2  x3 x4  0;

H&  
x1 , x2 , x3 , x4   —4 / x1  x2  x4  0.

[11]

m
3, 0, 4, 1, 2, 0, 2, 2, 4, 4, 2, 4

b
RowReducem
4 2


1, 0, ,
0, 1,  ,
0, 0, 0,
0, 0, 0
3 3
<< LinearAlgebra‘Orthogonalization‘

GramSchmidtb1, b2
3 4 8 5 6


, 0, ,
 ,  ,   
5 5 5 29 29 5 29
A
GramSchmidt%1, %2, 0, 0, 1
3 4 8 5 6 4 2 3


, 0, ,
 ,  ,   ,
  ,  ,  
5 5 5 29 29 5 29 29 29 29
MatrixFormTransposeA
3 8 4
 
5 5 29 29 
5 2 

  

0 
29 29 
4 6 3 
  
5 5 29 29
[Link]A


1, 0, 0,
0, 1, 0,
0, 0, 1

3
i) B  5
, 0, 45 , 8
, 5
, 6
.
5 29 29 5 29

Quaderni Didattici del Dipartimento di Matematica

114 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

3
ii) C  5
, 0, 45 , 8
, 5
, 6
, 4
, 2
, 3
.
5 29 29 5 29 29 29 29

 3 8 4 
 5 5 29 29 
 
 
 
iii) A  
5 2
0
29 
è la matrice del cambiamento di base da C a D;

29

 
 4 6 5 
 5 5 29 29

t
AA 1
è la matrice del cambiamento di base da D a C.


3 11
[12]  1 , 1 , 0, 0, ,  3
, 3
, 2
11
, 0 ,  1
, 1 , , .
2 2 22 22 2 33 2 33 2 11 2 3

[13] i) La somma R
A  C
A è diretta, quindi la loro intersezione è o;

ii) C
A&  L

3, 2, 1, 0,
4, 1, 0, 1.

[14]

<< LinearAlgebra‘Orthogonalization‘

GramSchmidt2, 1, 0, 1, 2, 1, 1

 , 0 
 
2 1 1 2 1 6 5


,   , 0,  ,
, , ,   
3 6 6 33 66 11 66
  
ii) U&  L  23 , 1
, 0, 1  ,  2
33
, 1
, 6
11
, 5
.
6 6 66 66

[15]

<< LinearAlgebra‘Orthogonalization‘

GramSchmidt1, 1, 1, 1, 1, 0, 1, 0, 1

1 1 1 1 1 1 1 2


 ,  ,  ,
  ,  , 0,
  ,   , 
3 3 3 2 2 6 6 3

 1 , 1 , 1 , 1
, 1 ,0 , 1
, 1
, 2
3
.
3 3 3 2 2 6 6

[16] i) Sı̀;

ii) A&  
x1 , x2 , x3 , x4 , x5   —5 / x1 x2  x4  x5  0  L 1

, 1 , 0, 0, 0 ,
0, 0, 1, 0, 0 .
2 2

[17]

<< LinearAlgebra‘Orthogonalization‘

GramSchmidt1, 0, 1, 0, 1, 1, 2, 1, 2


1 1 1 2 1 1 1 1


 , 0,  ,
  , ,  ,
 ,  ,   
2 2 6 3 6 3 3 3

 1 , 0, 1 , 1
, 2 1
3
, , 1
, 1 , 1
.
2 2 6 6 3 3 3

Università di Torino
 Capitolo 7 – Soluzioni - Spazi vettoriali euclidei ed hermitiani 115

[18]

<< LinearAlgebra‘Orthogonalization‘

GramSchmidt1, 1, 0, 1, 0, 1


1 1 1 1 2


  ,  , 0,
 ,  , 
2 2 6 6 3

1
 , 1 ,0 , 1 , 1 , 2
3 .
2 2 6 6

[19]

<< LinearAlgebra‘Orthogonalization‘

m
1, 0, 1, 1, 1, 1, 0, 0, 0, 0, 1, 1

RowReducem


1, 0, 0, 2,
0, 1, 0, 2,
0, 0, 1, 1

GramSchmidtm
1 1 1


 , 0,  ,   ,
3 3 3
2 3 1 1 1 1

 , ,   ,  ,
0, 0,  ,  
15 5 15 15 2 2

ii)  1 , 0, 1 , 1
, 2 , 3
5
, 1
, 1
, 0, 0, 1 , 1 .
3 3 3 15 15 15 2 2

[20]

<< LinearAlgebra‘Orthogonalization‘

MatrixForm
GramSchmidt0, Sqrt2/ 2, Sqrt2/ 2, 1, 0, 0, 0, 0, 1
1 1
0  
2 2 




1 0 0 

1 1 
0   
2 2

 0 2 2 
 2 2 
 
 
Per esempio: A   1 0 0  .
 
 
 2 2 
 0 2 2

Quaderni Didattici del Dipartimento di Matematica

Capitolo 8

Soluzioni - Forme quadratiche

[1]

<< LinearAlgebra‘Orthogonalization‘

1, 0, 1, 1, 2, 1

GramSchmidt2, 1, 0, 

2 1 1 2 5 1 2 1


 ,  , 0,
  , , ,
 ,  ,  
5 5 30 15 6 6 3 6

i) Il fatto che Q sia una forma quadratica segue dalle proprietà del prodotto scalare e delle applicazioni lineari;
dalla definizione si ha che la segnatura è
2, 0.
  
ii) Una base richiesta è B   2 , 1 , 0 ,  1
, 2
15
, 5
6
, 1 , 2 1
3
, .
5 5 30 6 6

[2]

A
0, 1, 1, 1, 0, 1, 1, 1, 0

B
EigensystemA


1, 1, 2,

1, 0, 1,
1, 1, 0,
1, 1, 1

<< LinearAlgebra‘Orthogonalization‘

GramSchmidtB2 
1 1 1 2 1 1 1 1


  , 0,  ,
  , ,   ,
 ,  ,  
2 2 6 3 6 3 3 3

Segnatura:
1, 2; base ortonormale:


1
B , 0, 1 , 1
, 2
3
, 1
, 1
, 1 , 1 .
2 2 6 6 3 3 3

116
 Capitolo 8 – Soluzioni- Forme quadratiche 117

[3]

<< LinearAlgebra‘Orthogonalization‘

A
2, 1, 0, 0, 1, 2, 0, 0, 0, 0, 2, 1, 0, 0, 1, 2

B
EigensystemA


1, 1, 3, 3,

0, 0, 1, 1,
1, 1, 0, 0,
0, 0, 1, 1,
1, 1, 0, 0

GramSchmidtB2, InnerProduct
2 #1 1 #21  2 #1 2 #22  2 #1 3 #23
2 #1 4 #24  2 #1 1 #22  2 #1 3 #24& 
1 1 1 1


0, 0,  ,  ,
  ,  , 0, 0,
2 2 2 2
1 1

0, 0,   , 0,
 , 0, 0, 0
2 2
X
x1, x2, x3, x4

SolveX. [Link]1, 0, 1, 2

0,

[Link]0, 1, 2, 1

0, x1, x2, x3, x4
Solve svars Equations may not give solutions for all solve variables.
11 x3 10 x4 10 x3 5 x4


x1   , x2    
3 3 3 3
Det1, 0, 1, 2, 0, 1, 2, 1,
11/ 3, 10/ 3, 1, 0, 10/ 3, 5/ 3, 0, 1
124
3

i) Segnatura:
4, 0.

ii) B  0, 0, 1 , 1 , 1
, 1 , 0, 0 , 0, 0, 1
,0 , 1
, 0, 0, 0 .
2 2 2 2 2 2

iii) F  L

1, 0, 1, 2,
0, 1, 2, 1, F &  L 11

3
, 10
3
, 1, 0 , 10 5
, , 0, 1
3 3
.

[4]

P
1, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1

MatrixFormTransposeP.P
2 0 0 0

0 1 0 0  


0 0 1 0  

0 0 0 2 

x1 x2 y y
i) Se A    , B   y1 y2  , allora: '
A, B  4i1 xi yi .
x3 x4 3 4

1 0 0 1 0 0 1 0
ii) F  L   ,  0 0  ,  1 0  , F &  L  0 1  .
0 1

 2 0 0 0 
 
iii) La matrice richiesta è:   .
0 1 0 0
 0 0 1 0 
 
 0 0 0 2

Quaderni Didattici del Dipartimento di Matematica

118 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

[5]

Reducea11  2 a12  2 a13  2a23  a22  a33

1,

a11  a22  2a12

1,
a11  a33  2 a13

1,
a11  2 a12  a22  a13  a23

0,
 a11  a12  a23  a33

0,
 a11  a13  a12  a23

0, a11, a12, a13, a22, a23, a33
a11  3&&a12  4&&a13  2&&a22  6&&a23  3&&a33  2

A
3, 4, 2, 4, 6, 3, 2, 3, 2 X
x1, x2, x3

Solve[Link]1, 0, 1

0,
[Link]0, 1, 0

0, x1, x2, x3
Solve svars Equations may not give solutions for all solve variables.
3 x3 3 x3


x1  , x2  
2 2
Sqrt1, 1, 1.[Link]1, 1, 1


5

 3 4 2 
 
i) A   4 6 3  ;
 2 3 2

3 3
ii) F &  L , ,1
2 2
.

iii) a  5.

[6]

<< LinearAlgebra‘Orthogonalization‘

A
2, 0, 1, 0, 2, 0, 1, 0, 2

B
EigensystemA


1, 2, 3,

1, 0, 1,
0, 1, 0,
1, 0, 1

GramSchmidtB2,
InnerProduct 2 #1 1 #21  2 #1 2 #22
2 #1 3 #23  #1 1 #23  #1 3 #21& 
1 1 1 1 1


 , 0,  ,
0,  , 0,
  , 0,  
2 2 2 6 6

1
i) B  , 0, 1 , 0, 1 , 0 , 1
, 0, 1 .
2 2 2 6 6

\
ii) f è un’isometria.

iii)  f 1
a  a  2 2, cos
f
a f
b  cos
ab  4 .
3

Università di Torino
 Capitolo 8 – Soluzioni- Forme quadratiche 119

[7]

<< LinearAlgebra‘Orthogonalization‘

A
3, 0, 1, 0, 4, 0, 1, 0, 3

B
EigensystemA


2, 4, 4,

1, 0, 1,
1, 0, 1,
0, 1, 0

GramSchmidtB2,
InnerProduct 3 #1 1 #21  4 #1 2 #22
3 #1 3 #23  #1 1 #23  #1 3 #21& 
1 1 1 1 1


 , 0, ,
 , 0,  ,
0, , 0
2 2 2 2 2 2 2

\
1
i) B  2
, 0, 12 , 1
, 0, 1 , 0, 12 , 0 .
2 2 2 2

ii) f non è un’isometria; cos
f
a f
b  8 .

5 3

[8]

A
1, 1, 1, 1, 1, 1, 1, 1, 1

EigensystemA


0, 0, 3,

1, 0, 1,
1, 1, 0,
1, 1, 1

 1 1 1 
 
i) B   0 1 1  .
 1 0 1 

ii) Segnatura:
1, 0.

[9]

A
1, 3, 4, 1, 2, 3, 0, 0, 7, 1,

4, 0, 0, 0, 0, 1, 7, 0, 2, 1, 2, 1, 0, 1, 3
CharacteristicPolynomialA, x
2160  649 x  366 x2  70 x3  6 x4  x5

Segnatura:
3, 2.

[10]

A
3, 1, 1, 1, 3, 1, 1, 1, 3

B
EigensystemA


1, 4, 4,

1, 1, 1,
1, 0, 1,
1, 1, 0

<< LinearAlgebra‘Orthogonalization‘

RootReduceGramSchmidtB2, InnerProduct
3 #1 1 #21  3 #1 2 #22  3 #1 3 #23
2 #1 1 #22  2 #1 2 #23  2 #1 1 #23& 

1 1 1 7 2 1


 ,  ,  ,
  ,  ,   ,
3 3 3  2 30 15 2 30
193 2 79

  , 11 ,  
2 32430 16215 2 32430

i) Segnatura:
3, 0.

Quaderni Didattici del Dipartimento di Matematica

120 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

 
ii) B   1 , 1 , 1 , 7
, 2
15
, 1
, 193
, 11 2
16215
, 79
.
3 3 3 2 30 2 30 2 32430 2 32430

[11]

A
1, 0, 1, 2, 0, 4, 2, 0, 1, 2, 11, 8, 2, 0, 8, 24 S

CharacteristicPolynomialA, x
576  984 x  370 x2  40 x3  x4

Si tratta di un prodotto scalare.

[12]

A
1, 0, 1, 2, h  1, 1, hˆ2  2h, h  1, 1

X
x, y, z B
0, 1, h  1
ReduceA.X

B, x, y, z
1
h  0&&y  1  x&&z  xx  &&
2  h
3h 1
y  &&z  &&h  0&&1  h  0&&2  h  0
1h 2h 2h
A1
A/.h 0

MatrixFormc
TransposeA1.A1
5 2 3  

2 2 0  


3 0 3 
Eigenvaluesc
 

0, 5 7, 5  7

A2
A/.h 1

<< LinearAlgebra‘Orthogonalization‘

GramSchmidtA2 
1 1 1 2 2 1 2 1 2


 , 0,  ,
 , ,   ,
 , , 
2 2 3 2 3 3 2 3 3 3

i) Se h  0: x  t, y  1 t, z  t, t  —;

se h  2 e se h  1: non esistono soluzioni;

1 3h 1
se h /  2, 1, 0: x  2 h
,y 
1h
2h , z  2h .

 
ii) Q
x  5x1  4x1 x2  6x1 x3  2x2  3x3 Q
x 
5
2 2 2
7
x2 2 
5  7
x3 2 .

iii) R
A  L  1 , 0, 1 ,  1 , 232 , 1

, 2 1 2
, ,
3 3 3 .
2 2 3 3 3 2

Università di Torino
 Capitolo 8 – Soluzioni- Forme quadratiche 121

[13]

A1
2, 1, 0, 0, 1, 2, 0, 0, 0, 0, 2, 1, 0, 0, 1, 2

EigenvaluesA1

1, 1, 3, 3

A2
2, 1, 0, 0, 1, 2, 0, 0, 0, 0, 2, 1, 0, 0, 1, 2

EigenvaluesA2
   

 5,  5, 5, 5

A3
1, 2, 1, 0, 2, 0, 0, 0, 1, 0, 4, 2, 0, 0, 2, 0

B
EigenvaluesA3
 
   
5 13 1 51 5 13 5 13 1 51 5 13

   ,    ,
4 4 2 2 2 4 4 2 2 2
   
5 13 1 51 5 13 5 13 1 51 5 13
   ,    
4 4 2 2 2 4 4 2 2 2
<< Algebra‘AlgebraicInequalities‘

SemialgebraicComponentsB1 > 0

SemialgebraicComponents
False

SemialgebraicComponentsB2 > 0

SemialgebraicComponents
True

SemialgebraicComponentsB3 > 0

SemialgebraicComponents
False

SemialgebraicComponentsB4 > 0

SemialgebraicComponents
True

A4
3, 1, 0, 0, 1, 3, 0, 0, 0, 0, 4, 1, 0, 0, 1, 4

EigenvaluesA4
 

2, 4,  17, 17

Segnatura di Q1 :
4, 0;

segnatura di Q2 :
2, 2;
segnatura di Q3 :
2, 2;
segnatura di Q4 :
3, 1.

[14]

<< LinearAlgebra‘Orthogonalization‘

A
2, 1, 1, 1, 1, 1, 1, 1, 5

B
FullSimplifyEigensystemA
 


0, 4  2, 4  2,
   


2, 3, 1,
4  3 2, 3  2 2, 1,
4  3 2, 3  2 2, 1

FullSimplifyGramSchmidtB2

2 3 1


,   ,  ,
7 14 14  
1  5 3 13 9

5  3 2,   ,   ,
14 28 14 2 28 14 2
  
1  5 3 13 9

 5  3 2,   ,   
14 28 14 2 28 14 2

Quaderni Didattici del Dipartimento di Matematica

122 E. Abbena, G.M. Gianella – Esercizi di Geometria e Algebra Lineare II

Segnatura:
2, 0; base ortonormale:

 
   1  
9 
B   27 , 3
, 1
 ,  5

5  3 2, 28  3
, 13 ,
14 14 14 14 2 28 14 2 
 
 
  1 

5 5
3 2, 28 3
, 13  9  .
 14 14 2 28 14 2


[15]

<< LinearAlgebra‘Orthogonalization‘

A
2, 0, 2, 0, 1, 0, 2, 0, 1

B
EigensystemA


2, 1, 3,

1, 0, 2,
0, 1, 0,
2, 0, 1

GramSchmidtB2
1 2 2 1


  , 0,  ,
0, 1, 0,
 , 0,  
5 5 5 5

i) Segnatura:
2, 1.

  
ii) Forma canonica: Q
x  2
x 1 2 
x2 2  3
x3 2 ;

1
base ortonormale: B  , 0, 2 ,
0, 1, 0, 2
, 0, 1 .
5 5 5 5

[16]

<< LinearAlgebra‘Orthogonalization‘

A
1, 4, 3, 0, 4, 1, 0, 0, 3, 0, 1, 0, 0, 0, 0, 1

B
EigensystemA


4, 1, 1, 6,


5, 4, 3, 0,
0, 0, 0, 1,
0, 3, 4, 0,
5, 4, 3, 0
GramSchmidtB2

1 2 2 3


  ,  ,  , 0,
0, 0, 0, 1,
2 5 5 2 
3 4 1 2 2 3

0, , , 0,
 ,  ,  , 0
5 5 2 5 5 2

   
Forma canonica: Q
x  4
x 1 2 
x2 2 
x3 2  6
x2 2 ;

base ortonormale:

1 2 2 2 2
B   , 5
, 3 , 0 ,
0, 0, 0, 1, 0, 35 , 45 , 0 ,  1 , 5
, 3 , 0.
2 5 2 2 5 2

[17]

<< LinearAlgebra‘Orthogonalization‘

A
5, 1, 3, 1, 5, 3, 3, 3, 3

EigenvaluesA

0, 4, 9
 
Segnatura:
2, 0; forma canonica: Q
x  4
x 2 2  9
x3 2 .

Università di Torino
 Capitolo 8 – Soluzioni- Forme quadratiche 123

[18]

<< LinearAlgebra‘Orthogonalization‘

A
1, 1, 0, 0, 1, 2, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1

B
EigensystemA


0, 1, 1, 3,

1, 1, 1, 0,
0, 0, 0, 1,
1, 0, 1, 0,
1, 2, 1, 0

GramSchmidtB2
1 1 1


 ,  ,  , 0,
0, 0, 0, 1,
3 3 3 
1 1 1 2 1

  , 0,  , 0,
 ,  ,  , 0
2 2 6 3 6

  
i) Segnatura:
3, 0; forma normale: Q
x 
x 1 2 
x2 2 
x3 2 .
  
ii) Forma canonica: Q
x 
x 2 2 
x3 2  3
x4 2 ;

base ortonormale:

B   1 , 1 , 1 , 0 ,
0, 0, 0, 1, 1
, 0, 1 , 0 , 1 , 2 1
3
, , 0.
3 3 3 2 2 6 6

[19]

<< LinearAlgebra‘Orthogonalization‘

A
1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 1

B
EigensystemA


0, 1, 1, 2,

0, 1, 1, 0,
0, 0, 0, 1,
1, 0, 0, 0,
0, 1, 1, 0

GramSchmidtB2
1 1 1 1


0,  ,  , 0,
0, 0, 0, 1,
1, 0, 0, 0,
0,   ,  , 0
2 2 2 2
  
i) Segnatura:
3, 0; forma normale: Q
x 
x 1 2 
x2 2 
x3 2 .
  
ii) Forma canonica: Q
x 
x 2 2 
x3 2  2
x4 2 ;

base ortonormale: B  0, 1 , 1 , 0 ,
0, 0, 0, 1,
1, 0, 0, 0, 0, 1

, 1 ,0 .
2 2 2 2

Quaderni Didattici del Dipartimento di Matematica