Introduzione all'algebra lineare

📚 Riepilogo del contenuto

Un manuale completo che offre un'introduzione moderna all'algebra lineare, coprendo vettori, matrici, equazioni lineari, spazi vettoriali, ortogonalità, determinanti ed autovalori, con un focus sia sulla teoria che sulle applicazioni.

Padroneggia le basi e le applicazioni dell'algebra lineare attraverso il quadro intuitivo e rigoroso di Gilbert Strang.

Autore: Gilbert Strang

Ringraziamenti: Massachusetts Institute of Technology; Wellesley-Cambridge Press

🎯 Obiettivi didattici

1. Calcolare combinazioni lineari, prodotti scalari, lunghezze dei vettori e angoli tra vettori.
2. Descrivere le configurazioni geometriche (rette, piani o volumi) formate da insiemi di vettori.
3. Risolvere equazioni lineari usando prodotti matrice-vettore e interpretare il ruolo delle matrici inverse e singolari.
4. Distinguere tra la rappresentazione per righe (intersezione di piani) e quella per colonne (combinazioni lineari di vettori) di un sistema.
5. Eseguire l'eliminazione gaussiana per trasformare un sistema in forma triangolare superiore (U) e risolverlo tramite sostituzione retroattiva.
6. Formalizzare i passaggi dell'eliminazione usando matrici elementari (E_{ij}) e permutazioni (P_{ij}).
7. Identificare se un sottoinsieme di vettori soddisfa i requisiti per essere un sottospazio.
8. Eseguire la riduzione per righe per raggiungere la forma a scala ridotta (R) e identificare rango, colonne pivot e variabili libere.
9. Costruire la matrice dello spazio nullo N a partire dalle soluzioni speciali e descrivere la soluzione completa dei sistemi lineari.
10. Identificare e dimostrare l'ortogonalità dei quattro sottospazi fondamentali e determinare i complementi ortogonali.

🔹 Lezione 1: Fondamenti di vettori e combinazioni lineari

Panoramica: Questa lezione copre i pilastri fondamentali dell'algebra lineare: operazioni sui vettori e le loro interpretazioni geometriche. Si passa dalle basi delle combinazioni lineari e dei prodotti scalari alla struttura algebrica delle matrici, delle equazioni lineari (Ax = b) e ai concetti critici di indipendenza vettoriale e invertibilità matriciale. Gli studenti impareranno a navigare tra calcoli algebrici e la realtà geometrica dei vettori in \mathbb{R}^3.

Risultati apprendimento:

• Calcolare combinazioni lineari, prodotti scalari, lunghezze dei vettori e angoli tra vettori.
• Descrivere le configurazioni geometriche (rette, piani o volumi) formate da insiemi di vettori.
• Risolvere equazioni lineari usando prodotti matrice-vettore e interpretare il ruolo delle matrici inverse e singolari.

🔹 Lezione 2: Sistemi di equazioni lineari e fattorizzazione matriciale

Panoramica: Questa lezione affronta il passaggio dall'interpretazione geometrica dei sistemi lineari alla loro risoluzione computazionale tramite algebra matriciale. Dettaglia i meccanismi dell'eliminazione gaussiana, la formalizzazione delle operazioni di riga tramite matrici elementari e l'esito di questi processi nella fattorizzazione matriciale fondamentale (LU, PA=LU, LDL^T). Il materiale collega la linearità teorica all'implementazione pratica, inclusi costi computazionali e esecuzione specifica di software.

Risultati apprendimento:

• Distinguere tra la rappresentazione per righe (intersezione di piani) e quella per colonne (combinazioni lineari di vettori) di un sistema.
• Eseguire l'eliminazione gaussiana per trasformare un sistema in forma triangolare superiore (U) e risolverlo tramite sostituzione retroattiva.
• Formalizzare i passaggi dell'eliminazione usando matrici elementari (E_{ij}) e permutazioni (P_{ij}).

🔹 Lezione 3: Spazi vettoriali e i quattro sottospazi fondamentali

Panoramica: Questa lezione esplora il fondamento strutturale dell'algebra lineare, concentrandosi sulla definizione e sui requisiti degli spazi vettoriali e dei sottospazi. Gli studenti impareranno a risolvere l'equazione Ax=0 utilizzando la forma a scala ridotta (R) per identificare variabili pivot e variabili libere, che conducono alle "soluzioni speciali" che formano una base dello spazio nullo. La lezione si conclude con il Teorema Fondamentale dell'Algebra Lineare, che collega dimensioni e proprietà dei quattro sottospazi fondamentali: spazio colonna, spazio riga, spazio nullo e spazio nullo sinistro.

Risultati apprendimento:

• Identificare se un sottoinsieme di vettori soddisfa i requisiti per essere un sottospazio.
• Eseguire la riduzione per righe per raggiungere la forma a scala ridotta (R) e identificare rango, colonne pivot e variabili libere.
• Costruire la matrice dello spazio nullo N a partire dalle soluzioni speciali e descrivere la soluzione completa dei sistemi lineari.

🔹 Lezione 4: Ortogonalità e approssimazioni ai minimi quadrati

Panoramica: Questa lezione esplora il rapporto fondamentale tra i quattro sottospazi fondamentali attraverso la lente dell'ortogonalità. Gli studenti impareranno a proiettare vettori su rette e sottospazi usando matrici di proiezione, a risolvere sistemi sovradeterminati tramite approssimazioni ai minimi quadrati (adattamento di rette e parabole) e a utilizzare basi ortogonali e l'ortogonalizzazione di Gram-Schmidt per semplificare problemi complessi di algebra lineare in fattorizzazioni A = QR.

Risultati apprendimento:

• Identificare e dimostrare l'ortogonalità dei quattro sottospazi fondamentali e determinare i complementi ortogonali.
• Costruire matrici di proiezione P e calcolare proiezioni di vettori su rette e sottospazi di dimensione superiore.
• Applicare le equazioni normali (A^T A \hat{x} = A^T b) per trovare la retta o la parabola di miglior adattamento a un insieme di punti dati.

🔹 Lezione 5: Proprietà e applicazioni dei determinanti

Panoramica: Questa lezione esplora le proprietà algebriche e geometriche dei determinanti, passando dalla definizione basata sui pivot alla "Grande Formula" che coinvolge permutazioni e cofattori. Gli studenti applicheranno questi concetti per risolvere sistemi lineari con la regola di Cramer, calcolare matrici inverse e determinare aree e volumi sia nell'algebra lineare che nel calcolo multivariato (Jacobiani).

Risultati apprendimento:

• Calcolare determinanti usando proprietà (regola del prodotto, trasposizione), formule basate sui pivot e sviluppo per cofattori.
• Applicare la regola di Cramer e la formula dei cofattori per trovare soluzioni e inverse matriciali.
• Interpretare geometricamente i determinanti come aree di triangoli/parallelogrammi e volumi di parallelepipedi, estendendoli a prodotti tripli e Jacobiani.

🔹 Lezione 6: Autovalori, autovettori e SVD

Panoramica: Questa lezione esplora la trasformazione delle matrici nelle loro forme più semplici per risolvere problemi complessi nei sistemi lineari e nelle equazioni dinamiche. Gli studenti impareranno a decomporre matrici usando autovalori/autovettori (A = S\Lambda S^{-1}) per matrici quadrate e la Decomposizione ai Valori Singolari (A = U\Sigma V^T) per qualsiasi matrice, fornendo la base per risolvere equazioni differenziali, testare minimi locali e compressione di immagini.

Risultati apprendimento:

• Risolvere l'equazione degli autovalori Ax = \lambda x e relazionare \lambda con traccia e determinante della matrice.
• Diagonalizzare matrici per calcolare potenze e risolvere sistemi di equazioni differenziali lineari.
• Identificare e testare matrici definite positive e calcolare fattorizzazioni di Cholesky.

🔹 Lezione 7: Trasformazioni lineari e cambiamento di base

Panoramica: Questa lezione esplora lo spostamento fondamentale dal vedere le matrici come array statici di dati al vederle come operatori dinamici chiamati trasformazioni lineari. Definiremo le regole di linearità, esamineremo come le trasformazioni mappino figure specifiche (come la "casa") nel piano e impareremo a rappresentare operazioni del calcolo (derivate e integrali) come matrici. Infine, concluderemo con decomposizioni avanzate—compresa la pseudoinversa e la decomposizione polare—che ampliano la nostra capacità di invertire e fattorizzare trasformazioni anche quando gli inversi standard non esistono.

Risultati apprendimento:

• Definire e identificare trasformazioni lineari usando i principi di addizione e moltiplicazione per scalari.
• Costruire la matrice A per una trasformazione lineare T mappando i vettori di base.
• Effettuare cambiamenti di base per segnali (wavelets e Fourier) e generalizzare l'inversione matriciale usando la pseudoinversa A^+.

🔹 Lezione 8: Algebra lineare nell'ingegneria e nella statistica

Panoramica: Questa lezione esplora l'applicazione pratica dell'algebra lineare in campi diversi come ingegneria strutturale, teoria dei grafi, processi stocastici, ottimizzazione, elaborazione del segnale e scienza dei dati. Gli studenti impareranno come il quadro fondamentale A^TCA governi i sistemi fisici, come gli autovalori prevedano tendenze demografiche a lungo termine e come funzioni ortogonali estendano i concetti degli spazi vettoriali all'analisi funzionale e alla statistica.

Risultati apprendimento:

• Modellare sistemi fisici di molle e masse usando la matrice di rigidità K = A^TCA.
• Analizzare la connessione di grafi usando matrici di incidenza e verificare la formula di Eulero per reti.
• Calcolare vettori di stato stazionario per matrici di Markov e applicare il teorema di Perron-Frobenius a modelli demografici ed economici.

🔹 Lezione 9: Algebra lineare numerica e metodi iterativi

Panoramica: Questa lezione esplora l'implementazione pratica dell'algebra lineare sui computer, concentrando l'attenzione sul passaggio dall'esattezza teorica alla stabilità numerica e all'efficienza. Gli studenti impareranno a mitigare gli errori di arrotondamento tramite pivot parziali, a ottimizzare calcoli usando conti di operazioni per matrici sparse e a banda, e a valutare la sensibilità del sistema usando numeri di condizionamento. Inoltre, la lezione copre tecniche iterative per risolvere sistemi su larga scala e metodi per approssimare autovalori.

Risultati apprendimento:

• Analizzare l'impatto degli errori di arrotondamento e applicare il pivot parziale per garantire stabilità numerica nell'eliminazione gaussiana.
• Valutare l'efficienza computazionale degli algoritmi calcolando i conti di operazioni per matrici complete, a banda e sparse.
• Misurare la sensibilità dei sistemi lineari usando norme e numeri di condizionamento, identificando specificamente casi mal condizionati come la matrice di Hilbert.

🔹 Lezione 10: Vettori complessi e matrici unitarie

Panoramica: Questa lezione affronta il passaggio dai numeri reali ai numeri complessi, concentrandosi sulle loro operazioni aritmetiche, rappresentazione geometrica nel piano complesso e forme polari. Conclude con lo studio delle strutture matriciali specifiche dei numeri complessi—matrici hermitiane e unitarie—che sono i corrispondenti complessi delle matrici simmetriche e ortogonali.

Risultati apprendimento:

• Eseguire operazioni aritmetiche e trovare il coniugato/modulo di numeri complessi.
• Mappare numeri complessi sul piano complesso e convertire tra forma rettangolare (a + bi) e forma polare (re^{i\theta}).
• Applicare la formula di Eulero per semplificare prodotti e potenze di numeri complessi.