Matrices It Slides
-
Upload
eliotsbowe -
Category
Documents
-
view
225 -
download
0
description
Transcript of Matrices It Slides
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 1/70
Matrici
Basilio Bona
DAUIN-Politecnico di Torino
2007 – 2008
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 1 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 2/70
Definizione
Definizione
La matrice e un insieme di N numeri reali o complessi organizzata in mrighe e n colonne, con m × n = N
A = a11 a12 · · · a1n
a21 a22
· · · a2n
· · · · · · · · · · · ·am1 am2 · · · amn
≡ aij i = 1, . . . ,m j = 1, . . . ,n
Una matrice viene sempre indicata con lettera maiuscola in grassetto, ades. A
Per indicarne le dimensioni si usa una delle seguenti notazioni
Am×n Am×n A ∈ Fm×n A ∈ Fm×n
dove F = R per elementi reali e F = C per elementi complessi
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 2 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 3/70
Matrice trasposta
Data una matrice Am×n si definisce matrice trasposta la matrice ottenutascambiando le righe con le colonne
ATn×m =
a11 a21
· · · am1
a12 a22 · · · am2...
... . . .
...a1n a2n · · · amn
Vale la proprieta che (AT)T = A
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 3 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 4/70
Matrice quadrata
Una matrice si dice quadrata se m = nUna matrice quadrata n
×n si dice triangolare superiore se a
ij = 0 per i > j
An×n =
a11 a12 · · · a1n
0 a22 · · · a2n...
... . . .
...
0 0 · · · ann
Se una matrice quadrata e triangolare superiore, la sua trasposta etriangolare inferiore e viceversa
ATn×n =
a11 0 · · · 0a12 a22 · · · 0
... ...
. . . ...
a1n a2n · · · ann
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 4 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 5/70
Matrice simmetrica
Una matrice reale quadrata si dice simmetrica se A = AT, ossia
A − AT = O
In una matrice reale simmetrica vi sono al piu n(n + 1)
2
elementi
indipendentiSe una matrice K ha elementi complessi k ij = aij + jb ij , (dove j =
√ −1) siindica con K la matrice coniugata, che ha elementi k ij = aij − jb ij Data una matrice complessa K, si definisce matrice aggiunta K∗ la matrice
trasposta coniugata, K∗ = K
T
= KT
Una matrice complessa si dice autoaggiunta o hermitiana se K = K∗.Alcuni testi indicano questa matrice con K† oppure con KH
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 5 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 6/70
Matrice diagonale
Una matrice quadrata si dice diagonale se aij = 0 per i = j
An×n = diag(ai ) =
a1 0 · · · 0
0 a2 · · · 0... ...
. . . ...
0 0 · · · an
Una matrice diagonale e sempre simmetrica
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 6 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 7/70
Matrice antisimmetrica
Matrice antisimmetrica
Una matrice quadrata A si dice antisimmetrica se
A + AT = 0 → A = −AT
Dati i vincoli imposti da questa relazione, la matrice antisimmetrica ha laseguente struttura
An×n =
0 a12 · · · a1n
−a12 0 · · · a2n...
... . . .
...
−a1n −a2n · · · 0
In una matrice antisimmetrica vi sono al piu n(n − 1)
2 elementi
indipendenti e non nulli. Vedremo in seguito alcune importanti proprieta
delle matrici antisimmetriche 3× 3.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 7 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 8/70
Matrice a blocchi
E possibile una rappresentazione a blocchi
A =
A11 · · · A1n
· · · Aij · · ·Am1 · · · Amn
dove i blocchi Aij sono di dimensioni opportuneDate le matrici
A1 =A11 · · · A1n
O Aij
· · ·O O Amn ; A2 =A11 O O
· · · Aij O
Am1 · · · Amn ; A3 =A11 O O
O Aij O
O O AmnA1 e triangolare (superiore) a blocchi, A2 e triangolare (inferiore) ablocchi; infine A3 e diagonale a blocchi
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 8 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 9/70
Operazioni su matrici
Le matrici formano un’algebra, cioe uno spazio vettoriale con l’aggiuntadell’operatore prodotto . Le principali operazioni sono: prodotto per
scalare, somma, prodotto di matrici
Prodotto per scalare
α A = α a11 a12 · · · a1n
a21 a22
· · · a2n
... ... . . . ...am1 am2 · · · amn
= α a11 α a12 · · · α a1n
α a21 α a22
· · · α a2n
... ... . . . ...α am1 α am2 · · · α amn
Somma
A + B =
a11 + b 11 a12 + b 12 · · · a1n + b 1na21 + b 21 a22 + b 22 · · · a2n + b 2n
... ...
. . . ...
am1 + b m1 am2 + b m2
· · · amn + b mn
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 9 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 10/70
Somma
Proprieta della sommaValgono le seguenti proprieta:
A + O = A
A + B = B + A
(A + B) + C = A + (B + C)
(A + B)T = AT + BT
L’elemento neutro o nullo O prende il nome di matrice nulla. L’operazione
differenza viene definita con l’ausilio dello scalare α = −1:
A− B = A + (−1)B.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 10 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 11/70
Prodotto
Prodotto di matrici
L’operazione si effettua con la regola “riga per colonna”: il genericoelemento c ij della matrice prodotto Cm×p = Am×n · Bn×p vale
c ij =n
∑k =1
aik b kj
La proprieta di bilinearita del prodotto di matrici e garantita, in quanto siverifica immediatamente che, dato uno scalare generico α , vale la seguente
identita:α (A · B) = (α A) · B = A · (α B)
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 11 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 12/70
Prodotto
Proprieta del prodottoA · B · C = (A · B) · C = A · (B · C)A · (B + C) = A · B + A · C
(A + B) · C = A · C + B · C
(A·
B)T = BT
·AT
In generale:
il prodotto di matrici non e commutativo: A · B = B · A, salvo in casiparticolari;
A · B = A · C non implica B = C, salvo in casi particolari;A · B = O non implica che sia A = O oppure B = O, salvo in casiparticolari.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 12 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 13/70
Matrice identita
Esiste un elemento neutro rispetto al prodotto, che prende il nome dimatrice identita e viene indicata con In oppure semplicemente I quandonon ci sono ambiguita sulla dimensione; data una matrice rettangolareAm×n si ha
Am×n = ImAm×n = Am×nIn
Matrice identita
I = 1 0 · · · 00
· · · · · · 0
... ... . . . ...0 0 · · · 1
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 13 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 14/70
Matrice idempotente
Data una matrice quadrata A ∈Rn×n, la potenza k -esima di matrice vale
Ak =k
∏ℓ=1
A
Una matrice si dice idempotente se
A2 = A.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 14 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 15/70
Traccia
TracciaLa traccia di una matrice quadrata An×n e la somma dei suoi elementidiagonali
tr (A) =n
∑k
=1
akk
La traccia di una matrice soddisfa le seguenti proprieta
tr (α A +β B) = α tr (A) +β tr (B)tr (AB) = tr (BA)
tr (A) = tr (AT)tr (A) = tr (T−1AT) per T non singolare (vedi oltre)
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 15 / 70
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 16/70
Minore
Si definisce minore di ordine p di una matrice Am×n il determinante D p diuna sottomatrice quadrata ottenuta selezionando p righe e p colonnequalsiasi di Am×n
La definizione formale di determinante verra data tra pocoEsistono tanti minori quante sono le scelte possibili di p su m righe e p sun colonneSi definiscono minori principali di ordine k di una matrice Am×n ideterminanti D k , con k = 1, · · · ,min{m,n}, ottenuti selezionando le prime
k righe e k colonne della matrice Am×n
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 16 / 70
E i
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 17/70
Esempio
Sia data la matrice 3 × 3
A =
1 −3 57 2 4
−1 3 2
Calcoliamo un generico minore D 1, ad esempio quello ottenuto cancellando
una riga e una colonna, e – in particolare – la seconda riga e la terzacolonna. Quindi la matrice di cui dobbiamo calcolare i determinante risultala seguente
A23 = 1 −3
−1 3
da cui possiamo calcolare il determinante
D 1 = det(A23) = 3 × 1− (−3×−1) = 0
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 17 / 70
Mi l f
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 18/70
Minore complementare - cofattore
Data la matrice A ∈ Rn×n
, indichiamo con A(ij )
∈ R(n
−1)
×(n
−1)
la matriceottenuta cancellando la i -esima riga e la j -esima colonna di A.Si definisce minore complementare D rc di un generico elemento arc di unamatrice quadrata An×n il determinante della matrice ottenuta cancellandola r -esima riga e la c -esima colonna, ossia det A(rc )
D rc = det A(rc ).
Si definisce complemento algebrico o cofattore (in inglese cofactor ) di unelemento arc di una matrice quadrata An
×n il prodotto
Arc = (−1)r +c D rc
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 18 / 70
D t i t
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 19/70
Determinante
Una volta definito il cofattore si puo finalmente definire il determinante di
AFissata una qualsiasi riga i , si ha la definizione “per riga”:
det(A) =n
∑k =1
aik (−1)i +k det(A(ik )) =n
∑k =1
aik Aik
oppure, fissata una qualsiasi colonna j , si ha la definizione “per colonna”:
det(A) =n
∑k =1
akj (−1)k + j det(A(kj )) =n
∑k =1
akj Akj
Poiche queste definizioni sono ricorsive e coinvolgono i determinanti diminori via via sempre piu piccoli, occorre definire il determinante dellamatrice 1 × 1, che vale semplicemente det(aij ) = aij .
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 19 / 70
P i t` d l d t i t
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 20/70
Proprieta del determinante
Il determinante ha le seguenti proprieta:
det(A·
B) = det(A)det(B)
det(AT) = det(A)
det(k A) = k n det(A)
se si effettua un numero s di scambi tra righe o tra colonne dellamatrice A ottenendo la matrice As , si ha det(As ) = (
−1)s det(A)
se la matrice A ha due righe o due colonne uguali o proporzionali, siha det(A) = 0
se la matrice A ha una riga o una colonna ottenibile da unacombinazione lineare di altre righe o colonne, si ha det(A) = 0
se la matrice A e triangolare superiore o inferiore, si hadet(A) = ∏
ni =1 aii
se la matrice A e triangolare a blocchi, con p blocchi Aii sulladiagonale, si ha det(A) = ∏
p i =1 det Aii
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 20 / 70
Mat ice singola e e ango
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 21/70
Matrice singolare e rango
Una matrice A si dice singolare se det(A) = 0.
Si definisce rango (o caratteristica) della matrice Am×n il numeroρ(Am×n) definito come il massimo intero p per cui esiste almeno unminore D p non nulloValgono le seguenti proprieta:
ρ(A)
≤min
{m,n
}se ρ(A) = min{m,n}, la matrice A si dice a rango pieno
se ρ(A) < min{m,n}, la matrice non ha rango pieno e si dice checade di rango
ρ(A
·B)
≤min
{ρ(A),ρ(B)
}ρ(A) = ρ(AT)
ρ(A · AT) = ρ(AT · A) = ρ(A)
se An×n e det A < n la matrice non ha rango pieno
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 21 / 70
Matrice invertibile
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 22/70
Matrice invertibile
Data una matrice quadrata A ∈Rn×n si dice invertibile o non singolare seesiste la matrice inversa A−1
n
×n tale che
AA−1 = A−1A = In
La matrice e invertibile se e solo se ρ(A) = n, ossia e di rango pieno; cioequivale ad avere det(A) = 0.L’inversa si ottiene come:
A−1 = 1
det(A)Adj(A)
Valgono le seguenti proprieta: (A−1)−1 = A; (AT)−1 = (A−1)T.La matrice inversa, quando esiste, permette risolvere l’equazione matriciale
seguentey = Ax
in funzione dell’incognita x, come
x = A−1y.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 22 / 70
Matrice ortonormale
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 23/70
Matrice ortonormale
Si definisce matrice ortonormale la matrice quadrata per cui A−1 = AT.Per queste matrici vale quindi l’identita
ATA = AAT = I
Date due matrici quadrate di pari dimensioni A e B, vale la seguenteidentita
(AB)−1 = B−1A−1
Esiste un importante risultato, chiamato Lemma d’inversione , chestabilisce quanto segue: se A e C sono matrici quadrate invertibili e B e D
sono matrici di dimensioni opportune, allora
(A + BCD)−1
= A−1
− A−1
B(DA−1
B + C−1
)−1
DA−1
La matrice (DA−1B + C−1) deve essere anch’essa invertibile. Il lemma diinversione e utile per calcolare l’inversa di una somma di matrici A1 + A2,quando A2 e decomponibile nel prodotto BCD, in cui la matrice C e
facilmente invertibile, ad esempio diagonale o triangolare.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 23 / 70
Derivata di matrice
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 24/70
Derivata di matrice
Se la matrice quadrata A(t ) e composta da elementi aij (t ) tutti derivabili
nel tempo t , allora la derivata della matrice valed
dt A(t ) = A(t ) =
d
dt aij (t )
= [aij (t )]
Se la matrice quadrata A(t ) ha rango ρ(A(t )) = n per ogni valore deltempo t , allora la derivata della sua inversa vale
d
dt A(t )−1 = −A−1(t ) A(t )A(t )−1
Ricordiamo che, poiche l’inversione di matrice non e un operatore lineare,risulta in generale
dA(t )
dt
−1
= d
dt
A(t )−1
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 24 / 70
Decomposizione in simmetrica e antisimmetrica
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 25/70
Decomposizione in simmetrica e antisimmetrica
Data una matrice reale di dimensioni qualsiasi A ∈ Rm×n, risultanosimmetriche entrambe le matrici seguenti
ATA ∈ Rn×n
AAT ∈Rm×m
Data una matrice quadrata A, e sempre possibile decomporla in unasomma di due matrici, come segue:
A = As + Aa
dove
As = 12
(A + AT) matrice simmetrica
Aa = 1
2(A − AT) matrice antisimmetrica
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 25 / 70
Trasformazione di similarita
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 26/70
Trasformazione di similarita
Trasformazioni di similarita
Data una matrice quadrata A ∈Rn×n e una matrice quadrata nonsingolare T
∈Rn
×n, la matrice B
∈Rn
×n ottenuta come
B = T−1AT oppure B = TAT−1
si dice similare ad A e la trasformazione T si dice di similarita.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 26 / 70
Autovalori e autovettori
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 27/70
Autovalori e autovettori
Se si trova una matrice U per cui la matrice A sia similare alla matricediagonale Λ = diag(λ i )
A = UΛU−1
postmoltiplicando per U si puo scrivere
AU = UΛ
e se indichiamo con ui la i -esima colonna di U, ossia
U =
u1 u2 · · · un
avremo
Aui = λ i ui
Questa relazione e la ben nota formula che lega autovalori e autovettori;quindi possiamo dire che le costanti λ i sono gli autovalori di A e i vettoriui sono gli autovettori di A, in generale non normalizzati.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 27 / 70
Autovalori e autovettori
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 28/70
Autovalori e autovettori
Data una matrice quadrata An×n, si chiamano autovalori della matrice (ininglese eigenvalues ) le soluzioni λ i (reali o complesse) dell’equazione caratteristica
det(λ I − A) = 0
det(λ I − A) e un polinomio in λ , detto polinomio caratteristico .Se gli autovalori sono tutti distinti, si chiamano autovettori (in ingleseeigenvectors ) i vettori ui che soddisfano l’identita
Aui = λ i ui
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 28 / 70
Autovettori generalizzati
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 29/70
Autovettori generalizzati
Se gli autovalori non sono tutti distinti, si ottengono autovettori generalizzati , la cui determinazione va oltre gli scopi di questi appunti.Da un punto di vista geometrico, gli autovettori rappresentano quelleparticolari “direzioni” nello spazio Rn (dominio della trasformazione linearerappresentata da A), che si trasformano in se stesse; sono quindi le
direzioni invarianti rispetto alla trasformazione A, mentre gli autovaloriforniscono le rispettive costanti di “scalamento” lungo queste direzioni.L’insieme degli autovalori di una matrice A sara indicato con Λ(A) oppurecon {λ i (A)}; l’insieme degli autovettori di A sara indicato con {ui (A)}. Ingenerale, poiche gli autovettori sono rappresentazioni di direzioni invarianti
rispetto alla trasformazione data, essi sono definiti a meno di unacostante, ossia possono o meno essere normalizzati; tuttavia e convenzionetacita che essi abbiano norma unitaria, salvo quando altrimenti dichiarato.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 29 / 70
Autovalori
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 30/70
Autovalori
Proprieta degli autovaloriData una matrice A e i suoi autovalori {λ i (A)}, vale
{λ i (A + c I)} = {(λ i (A) + c )}
Data una matrice A e i suoi autovalori {λ i (A)}, vale
{λ i (c A)
}=
{(c λ i (A)
}Data una matrice triangolare (superiore o inferiore)
a11 a12 · · · a1n
0 a22
· · · a2n
... ... . . . ...0 0 · · · ann
, a11 0 · · · 0a21 a22
· · · 0
... ... . . . ...an1 an2 · · · ann
i suoi autovalori sono gli elementi sulla diagonale {λ i (A)} = {aii }; lo
stesso vale per una matrice diagonale.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 30 / 70
Invarianza degli autovalori
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 31/70
a a a deg auto a o
Data una matrice An×n e i suoi autovalori {λ i (A)}, vale
det(A) =n
∏i =1
λ i
e
tr (A) =
n
∑i =1λ i
Data una qualunque trasformazione invertibile, rappresentata dalla matriceT, gli autovalori di A sono invarianti alle trasformazioni di similarita
B = T−1
AT
ossia{λ i (B)} = {λ i (A)}
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 31 / 70
Matrice modale
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 32/70
Se costruiamo una matrice M ordinando per colonne gli autovettorinormalizzati ui (A)
M = u1 · · · un
allora la trasformazione di similarita rispetto a M fornisce una matricediagonale
Λ =λ 1 0
· · · 0
0 λ 2 · · · 0...
... . . .
...0 0 · · · λ n
= M−1AM
La matrice M prende il nome di matrice modale .
Se la matrice A e simmetrica, i suoi autovalori sono tutti reali e si hal’identita
Λ = MTAM
In questo caso la matrice M e ortonormale.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 32 / 70
Decomposizione ai valori singolari
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 33/70
p g
Data una matrice A ∈ Rm×n qualsiasi, di rango r = ρ(A) ≤ s con
s = min{m,n}, essa si puo fattorizzare secondo la
Decomposizione ai Valori Singolari (Singular value decomposition)
nel modo seguente:
A = UΣVT =s
∑i =1
σ i ui vTi (1)
elementi caratterizzanti della decomposizione sono:
σ i
ui
vi
come vedremo ora
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 33 / 70
Decomposizione ai valori singolari
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 34/70
p g
σ i (A) ≥ 0 sono detti valori singolari e coincidono con le radiciquadrate non negative degli autovalori della matrice simmetrica ATA:
{σ i (A)} = { λ i (ATA)} σ i ≥ 0
ordinati in ordine decrescente
σ 1 ≥ σ 2 ≥ · · ·≥ σ s ≥ 0
se r < s vi sono r valori singolari positivi; i restanti sono nulli
σ 1 ≥ σ 2 ≥ · · ·≥ σ r > 0; σ r +1 = · · · = σ s = 0
U e una matrice (m × m) ortonormale
U =
u1 u2 · · · um
contenente per colonne gli autovettori ui della matrice AAT
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 34 / 70
Decomposizione ai valori singolari
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 35/70
p g
V e una matrice (n × n) ortonormale
V =
v1 v2 · · · vn
contenente per colonne gli autovettori vi della matrice ATA
Σ e una matrice (m × n) con la seguente struttura
se m < n Σ =
Σs O
se m = n Σ = Σs
se m > n Σ = Σs
O .
La matrice Σs = diag(σ i ) e diagonale di dimensioni s × s e contienesulla diagonale i valori singolari:
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 35 / 70
Decomposizione ai valori singolari
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 36/70
Alternativamente, possiamo decomporre la matrice A nel modo seguente,che e del tutto analogo a quello descritto in (1), ma mette in evidenza i
soli valori singolari positivi:
A =
P P
U
Σr O
O O
Σ
QT
QT
VT
= PΣr QT (2)
dove
P e una matrice ortonormale m × r , P e una matrice ortonormalem
×(m
−r );
Q e una matrice ortonormale n × r , QT e una matrice ortonormalen × (n − r );
Σr e una matrice diagonale r × r che contiene sulla diagonale i valorisingolari positivi σ i , i = 1, · · · , r .
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 36 / 70
Decomposizione ai valori singolari e rango
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 37/70
Il rango r della matrice A e pari al numero r ≤ s di valori singolari nonnulli.
Data una matrice A ∈ Rm
×n
qualsiasi, le due matrici AT
A e AAT
sonosimmetriche, hanno gli stessi valori singolari positivi e differiscono soltantoper il numero di valori singolari nulli.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 37 / 70
Matrici come rappresentazione di operatori lineari
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 38/70
Dati due spazi vettoriali X ⊆
Rn e Y ⊆
Rm, aventi rispettivamentedimensioni n e m, e dati due generici vettori x ∈X e y ∈ Y , la piugenerica trasformazione lineare tra gli spazi si puo rappresentare attraversol’operatore matriciale A ∈ Rm×n, come segue:
y = Ax; x ∈R
n
; y ∈R
m.
Quindi una matrice puo essere sempre interpretata come un operatore cheprende un vettore dello spazio di “partenza” X e lo trasforma in unvettore dello spazio di “arrivo” Y .
Percio qualunque trasformazione lineare ha (almeno) una matrice che larappresenta e, di converso, qualunque matrice e la rappresentazione di unaqualche trasformazione lineare.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 38 / 70
Spazio immagine e spazio nullo
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 39/70
Si definisce spazio immagine (in inglese range ) della trasformazione A ilsottospazio di Y definito dalla seguente proprieta:
R (A) = {y | y = Ax, x ∈X }; R (A) ⊆ Y
Si definisce spazio nullo (in inglese kernel o null-space ) dellatrasformazione A il sottospazio di X definito dalla seguente proprieta:
N (A) = {x | 0 = Ax, x ∈X }; N (A) ⊆X
Lo spazio nullo rappresenta percio tutti quei vettori di X che vengonotrasformati nel vettore nullo (l’origine) di Y .
Le dimensioni dello spazio immagine e dello spazio nullo si chiamano,rispettivamente, rango ρ(A) (che abbiamo gia definito precedentemente enullita ν (A):
ρ(A) = dim( R (A)); ν (A) = dim(N (A)).
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 39 / 70
Relazioni tra spazio immagine e spazio nullo
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 40/70
Se X e Y hanno dimensioni finite, e questo e il nostro caso in quantoX
⊆Rn e Y
⊂Rm, allora valgono le seguenti relazioni:
N (A) = R (AT)⊥
R (A) = N (AT)⊥
N (A)⊥ = R (AT)
R (A)⊥ =
N (A
T
)
dove il simbolo ⊥ indica il complemento ortogonale al (sotto-)spaziocorrispondente. Ricordiamo che {0}⊥ = R.Vale anche la seguente decomposizione ortogonale degli spazi X e Y
X =N (A) ⊕N (A)⊥ = N (A) ⊕ R (AT)
Y = R (A) ⊕ R (A)⊥ = R (A)⊕N (AT)
dove il simbolo ⊕ indica la somma diretta tra due sottospazi.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 40 / 70
Inversa generalizzata
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 41/70
Data una matrice reale qualsiasi A ∈Rm×n, con m = n, la matrice inversa
non risulta definita. Tuttavia, e possibile definire una classe di matrici,dette pseudo-inverse , inverse generalizzate o 1-inverse A−, che soddisfanola seguente relazione:
AA−A = A
Se la matrice A ha rango pieno, ossia ρ(A) = min{
m,n}
, e possibiledefinire due classi di matrici inverse generalizzate particolari
se m < n (ossia ρ(A) = m), l’inversa destra di A e quella matriceAd ∈Rn×m per cui
AAd = Im×m
se n < m (ossia ρ(A) = n), l’inversa sinistra di A e quella matriceAs ∈Rn×m per cui
As A = In×n
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 41 / 70
Matrici pseudo-inverse
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 42/70
Tra le molte inverse destre e sinistre concepibili, due sono particolarmente
importanti:
pseudo-inversa destra (m < n):
A+d = AT(AAT)−1
rappresenta una particolare inversa destra. Si puo dimostrare chequando ρ(A) = m allora (AAT)−1 esiste.
pseudo-inversa sinistra (n < m):
A+s = (A
T
A)−1
AT
rappresenta una particolare inversa sinistra.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 42 / 70
Pseudo-inversa di Moore-Penrose
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 43/70
Si puo dimostrare che quando ρ(A) = n allora (ATA)−1 esiste.
Questa particolare pseudo-inversa sinistra
(ATA)−1AT
prende anche il nome di pseudo-inversa di Moore-Penrose .
In generale, anche se ATA non e invertibile, si puo sempre definire unapseudo-inversa di Moore-Penrose A+ che soddisfa le seguenti relazioni:
AA+A = A
A+AA+ = A+
(AA+)T = AA+
(A+A)T = A+A(3)
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 43 / 70
Pseudo-inversa destra e sinistra
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 44/70
Le due pseudo-inverse A+d e A+
s coincidono con la matrice inversatradizionale A−1 quando A e quadrata e ha rango pieno:
A−1 = A+d = A+
s = A+
La trasformazione lineare associata alla matrice A ∈ Rm×n
y = Ax, (4)
con x ∈Rn e y ∈ Rm, e equivalente ad un sistema di m equazioni lineari inn incognite, i cui coefficienti sono dati dagli elementi di A; questo sistemalineare puo non ammettere soluzioni, ammetterne una sola o ammetterne
un numero infinito.Se vogliamo utilizzare le pseudo-inverse per risolvere il sistema lineare in(4), dobbiamo distinguere due casi, sempre nell’ipotesi che il rango di A
sia pieno:
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 44 / 70
Soluzione di sistemi lineari - 1
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 45/70
Caso m < n: abbiamo piu incognite che equazioni; tra le infinite soluzionipossibili x ∈Rn, scegliamo quella che ha norma x minima, individuata da
x = A+d y = AT(AAT)−1y
Tutte le altre possibili soluzioni di y = Ax si ottengono come
x = x + v = A+
d
y + v
dove v ∈N (A) e un vettore appartenente allo spazio nullo di A, che hadimensioni n − m. Queste possibili soluzioni si possono anche esprimere inuna forma alternativa
x = A+d y + (I − A+
d A)w (5)
dove w ∈ Rn e un vettore n × 1 qualsiasi. La matrice I − A+d A proietta w
nello spazio nullo di A, trasformando w in v ∈N (A); essa prende il nomedi matrice di proiezione .
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 45 / 70
Soluzione di sistemi lineari - 2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 46/70
caso n < m: abbiamo piu equazioni che incognite; allora non esistonosoluzioni esatte alla y = Ax, ma solo soluzioni approssimate, con un errore
e = y − Ax = 0. Tra queste possibili soluzioni approssimate si sceglieconvenzionalmente quella che minimizza la norma dell’errore, ossia
x = arg minx∈Rn
y − Ax
La soluzione risulta essere
x = A+s y = (ATA)−1ATy
e geometricamente consiste nella proiezione ortogonale di y sulcomplemento ortogonale di N (A), ovvero sul sottospazio
N (A)⊥ = R (AT).L’errore di approssimazione, detto anche errore di proiezione , vale
e = (I − AA+s )y (6)
e la sua norma e minima, come detto sopra.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 46 / 70
Soluzione di sistemi lineari - 3
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 47/70
La somiglianza tra la matrice di proiezione I − A+d A in (5) e la matrice che
fornisce l’errore di proiezione I − AA+s in (6) non e casuale e verra
approfondita quando tratteremo le matrici di proiezione.Per calcolare le inverse generalizzate, si puo utilizzare la decomposizione ai
valori singolari che abbiamo introdotto sopra.In particolare, ricordando la (2), la pseudo-inversa vale
A+ = V
Σ−1
r O
O O
UT = QΣ−1
r PT.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 47 / 70
Proiezioni e matrici di proiezione
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 48/70
Il concetto geometrico di proiezione di un segmento su un piano puo
venire esteso e generalizzato agli elementi di uno spazio vettoriale. Taleconcetto e utile a risolvere un gran numero di problemi, tra cui i problemidi approssimazione, di stima, di predizione e di filtraggio di segnali.Dato uno spazio vettoriale reale V(Rn) di dimensioni n, dotato di prodottoscalare, ed un suo sottospazio W(Rk ) di dimensioni k
≤n, e possibile
definire l’operatore proiezione dei vettori v ∈ V sul sottospazio W.L’operatore proiezione e definito dalla matrice quadrata di proiezioneP ∈ Rn×n, le cui colonne sono le proiezioni degli elementi della base di Vin W. Una matrice e di proiezione se e solo se P2 = P ossia se essa eidempotente .La proiezione puo essere ortogonale , oppure non ortogonale; nel primocaso la matrice P e simmetrica, nel secondo caso no. Se P e una matricedi proiezione, anche I − P lo e.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 48 / 70
Matrici di proiezione
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 49/70
Classici esempi di matrici di proiezione ortogonale sono le matrici associatealla pseudo-inversa sinistra
P1 = AA+s e P2 = I − AA+
s
e alla pseudo-inversa destra
P3 = A+d
A e P4 = I − A+d
A
(vedi le slide sulle inverse generalizzate).Dal punto di vista geometrico, P1 proietta ogni vettore v
∈V nel spazio
immagine R (A), mentre P2 proietta v nel suo complemento ortogonale R (A)⊥ = N (AT).
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 49 / 70
Norma di matrice - 1
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 50/70
Analogamente a quanto avviene per un vettore, e possibile fornire una“misura” della matrice ossia indicarne la “grandezza”, definendo la normadella matrice.Poiche una matrice rappresenta una trasformazione lineare tra vettori, lanorma misura quando grande sia questa trasformazione, ma deve in
qualche modo “normalizzare” il risultato perche questo non sia influenzatodalla “grandezza” del vettore che viene trasformato; cio viene fattodefinendo la norma nel modo seguente:
A
:= sup
x
Axx
= supx=1
Ax.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 50 / 70
Norma di matrice - 2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 51/70
Data una matrice quadrata A ∈Rn
×n
, la sua norma deve soddisfare iseguenti assiomi generali (detti assiomi della norma):
1 A > 0 per ogni A = O, A = 0 se e solo se A = O;
2 A + B ≤ A+ B (diseguaglianza triangolare);
3
α A = |α |A per ogni scalare α e ogni A;4 AB ≤ AB.
Data A ∈Rn×n e i suoi autovalori {λ i (A)}, vale la seguente diseguaglianza
1A−1 ≤ |λ i | ≤
A ∀
i = 1, . . . ,n
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 51 / 70
Norme di matrice - 1
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 52/70
Elenchiamo le norme di matrice piu comunemente adottate, considerando
solo matrici reali.Norma spettrale :
A2 =
max
i {λ i (ATA)}
Norma di Frobenius :
AF = ∑i ∑ j
a2ij =
tr ATA
Massimo valore singolare:
Aσ =
maxi
{σ i (A)}
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 52 / 70
Norme di matrice - 2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 53/70
Norma 1 o max-norma:
A1 = max j
n
∑i =1
|aij |
Norma ∞:
A∞ = maxi
n
∑ j =1
|aij |
In generale A2 = Aσ e A2
2 ≤ A1 A∞
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 53 / 70
Matrici antisimmetriche - 1
L h l ll d d ll d l
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 54/70
Le matrici antisimmetriche sono utili nello studio della cinematica delcorpo rigido, oltre che per definire il prodotto esterno in uno spazio
tridimensionale, come abbiamo visto precedentemente.Una matrice S si dice antisimmetrica quando soddisfa la seguenteproprieta:
S + ST = O ossia S = −ST (7)
Una matrice antisimmetrica ha percio sulla diagonale principale elementi
tutti nulli, mentre gli elementi fuori dalla diagonale soddisfano la relaziones ij = −s ji , come nel seguente esempio di matrice 4 × 4
S = 0 1 −3 −1
−1 0 4 5
3 −4 0 −81 −5 8 0
Ne segue che una matrice antisimmetrica e definita da soli
n(n − 1)
2elementi.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 54 / 70
Matrici antisimmetriche - 2
( )
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 55/70
Per n = 3 risulta n(n − 1)
2 = 3, per cui la matrice antisimmetrica ha tanti
elementi indipendenti quante sono le componenti di un generico vettoretridimensionale v; la matrice viene allora ad essere in relazione biunivocacon un vettore ed e indicata come S(v).Nel seguito studieremo le proprieta delle matrici antisimmetriche pern = 3, in quanto sono di fondamentale importanza per definire la
cinematica delle rotazioni di corpi rigidi in spazi tridimensionali.Se v =
v 1 v 2 v 3
Te un vettore qualsiasi, possiamo definire S(v) come
l’operatore che trasforma v in una matrice antisimmetrica:
S(v) = 0 −v 3 v 2
v 3 0 −v 1−v 2 v 1 0 (8)
e viceversa, data una matrice antisimmetrica qualsiasi, e sempre possibileestrarre da essa un vettore v.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 55 / 70
Matrici antisimmetriche - 3
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 56/70
La matrice S(v) si indica semplicemente con S quando non si vuoleevidenziare la dipendenza dal vettore v. La proprieta di antisimmetriacomporta la seguente identita:
ST(v) = −S(v) = S(−v) (9)
Le matrici antisimmetriche soddisfano la proprieta di linearita; dati due
scalari λ i ∈R, vale la proprieta
S(λ 1u +λ 2v) = λ 1S(u) +λ 2S(v) (10)
Inoltre, dati due vettori qualsiasi v e u, si ha la seguente importante
proprieta:S(u)v = u × v = −v × u = S(−v)u = ST(v)u (11)
e quindi S(u) puo essere interpretata come l’operatore (u×) e viceversa.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 56 / 70
Matrici antisimmetriche - 4
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 57/70
Da questa proprieta e dalla anti-commutativita del prodotto esterno segueche
S(u)v = ST(v)u (12)
Infatti
S(u)v = u × v = −v × u = S(−v)u = −S(v)u = ST(v)u
E semplice verificare che la matrice S(u)S(u) = S2(u) e simmetrica everifica la relazione
S2
(u) = uuT
−u2
I (13)
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 57 / 70
Autovalori e autovettori di matrici antisimmetriche
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 58/70
Data la matrice antisimmetrica S(v) i suoi autovalori sono immaginari onulli:
λ 1 = 0, λ 2,3 = ± jvL’autovettore relativo all’autovalore λ 1 = 0 vale v; gli altri due sonocomplessi coniugati.
L’insieme delle matrici antisimmetriche forma uno spazio vettoriale.Inoltre, date due matrici antisimmetriche S1 e S2, si definiscecommutatore l’operatore seguente
[S1,S2] := S1S2
−S2S1
che risulta anch’esso antisimmetrico
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 58 / 70
Matrici ortogonali
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 59/70
Viene chiamata ortogonale una generica matrice quadrata U ∈ Rn per cuivale la seguente proprieta
UTU =
α 1 0 · · · 0
0 α 2 · · · 0... ...
. . . ...
0 0 · · · α n
con α ii
= 0.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 59 / 70
Matrici ortonormali - 1
Una generica matrice quadrata U ∈ Rn e detta invece ortonormale quando
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 60/70
Una generica matrice quadrata U ∈ R e detta invece ortonormale quandole costanti α ii sono tutte unitarie. In questo caso valgono le seguenti
proprieta:l’inversa di U coincide con la trasposta
UUT = UTU = I (14)
ovveroU−1 = UT (15)
Le colonne di U sono tra loro ortogonali e a norma unitaria, comepure le righe.
U
= 1;
Il determinante di U ha modulo unitario:
|det(U)| = 1 (16)
percio esso puo valere +1 oppure −1.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 60 / 70
Matrici ortonormali - 2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 61/70
Il prodotto scalare e invariante a trasformazioni ortonormali, ossia
(Ux) · (Uy) = (Ux)T(Uy) = xTUTUy = xTIy = xTy = x · y (17)
Se U e una matrice ortonormale,1 di dimensioni opportune, allora
AU = UA = A.Limitandoci al caso di matrici U3×3, solo 3 dei 9 elementi checompongono la matrice sono indipendenti, in quanto le condizioni diortonormalita tra le righe o tra le colonne definiscono 6 vincoli.
1La regola vale anche nel caso piu generale in cui U sia una matrice unitaria, definita
da U∗U = I.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 61 / 70
Matrici ortonormali - 3
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 62/70
Le matrici ortonormali U3×3 sono la rappresentazione di una particolareclasse di trasformazioni geometriche applicabili a corpi rigidi nello spazio
Euclideo; infatti la relazione (17) assicura che il prodotto scalare tra duegenerici vettori si conservi anche tra i rispettivi vettori trasformati.Tuttavia occorre distinguere tra le trasformazioni per cui det U = +1, daquelle per cui det U = −1.Quando det(U) = +1, la matrice U rappresenta una rotazione propria,fisicamente ammissibile e realizzabile, mentre quando det(U) = −1, U
rappresenta una roto-riflessione ovvero una rotazione impropria, che non efisicamente realizzabile su corpi rigidi.Inoltre esiste un’importante differenza tra le rotazioni e le roto-riflessioni:
le prime formano un gruppo commutativo continuo ; intuitivamente questoequivale a dire che esiste una rotazione infinitesima. Le seconde invecenon formano un gruppo continuo; le riflessioni non possiedono la “qualita”di poter essere infinitesime.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 62 / 70
Matrici ortonormali - 4
2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 63/70
Se U e una matrice ortonormale, vale la proprieta distributiva2 rispetto alprodotto esterno:
U(x × y) = (Ux)× (Uy) (18)
Per ogni matrice di rotazione propria U e ogni vettore x si dimostra che
US(x)UTy = Ux × (UTy) = (Ux) × (UUTy)
= (Ux) × y = S(Ux)y
(19)
dove S(x) e la matrice antisimmetrica associata a x; si ricavano pertantole relazioni seguenti:
US(x)UT
= S(Ux)US(x) = S(Ux)U
(20)
che saranno utilizzate nello studio delle matrici d’inerzia.
2 Questa proprieta non e generalmente vera, salvo appunto quando U e ortonormale.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 63 / 70
Forme bilineari e forme quadratiche
Si d fi i f bili i ll i A Rm×n l i bil
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 64/70
Si definisce forma bilineare associata alla matrice A ∈ Rm×n la variabilescalare
b (x,y) := xTAy = yTATx
Si definisce forma quadratica associata alla matrice quadrata A ∈ Rn×n lavariabile scalare
q (x) := xTAx = xTATx
Qualsiasi forma quadratica associata ad una matrice antisimmetrica S(y) eidenticamente nulla, ossia
xTS(y)x ≡ 0 ∀x (21)
La dimostrazione di questa proprieta e semplice: definendow = S(y)x = y × x, avremo xTS(y)x = xTw, ma essendo per definizione w
ortogonale sia a y sia a x, il prodotto scalare xTw sara sempre nullo, equindi pure la forma quadratica al primo termine della (21).
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 64 / 70
Matrici definite positive - 1
Ricordando la decomposizione di una generica matrice A in una parte
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 65/70
co da do a deco pos o e d u a ge e ca at ce u a pa tesimmetrica As e in una antisimmetrica Aa, si conclude che la formaquadratica dipende solo dalla parte simmetrica della matrice:
q (x) = xTAx = xT(As + Aa)x = xTAsx
Una matrice quadrata A si dice definita positiva se la forma quadraticaassociata xTAx soddisfa le condizioni
xTAx > 0 ∀x = 0xTAx = 0 x = 0
Una matrice quadrata A si dice semidefinita positiva se la formaquadratica associata xTAx soddisfa la condizione
xTAx ≥ 0 ∀x
Una matrice quadrata A si dice definita negativa se −A e definita positiva;analogamente una matrice quadrata A si dice semidefinita negativa se −A
e semidefinita positiva.Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 65 / 70
Matrici definite positive - 2
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 66/70
Spesso, per indicare queste matrici si usano le notazioni seguenti:matrice definita positiva: A ≻ 0matrice semidefinita positiva: A 0matrice definita negativa: A ≺ 0
matrice semidefinita negativa: A 0
Condizione necessaria, ma non sufficiente, affinche una matrice quadrataA sia definita positiva e che gli elementi sulla diagonale siano strettamentepositivi.
Condizione necessaria e sufficiente affinche una matrice quadrata A siadefinita positiva e che tutti gli autovalori siano strettamente positivi.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 66 / 70
Criterio di Sylvester
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 67/70
Il criterio di Sylvester afferma che condizione necessaria e sufficienteaffinche la matrice quadrata A sia definita positiva e che tutti i suoi minori principali siano strettamente positivi.Una matrice definita positiva ha rango pieno ed e sempre invertibile.
Inoltre la forma quadratica xT
Ax soddisfa la relazione seguente
λ min(A)x2 ≤ xTAx ≤ λ max(A)x2
dove λ min(A) e λ max(A) sono, rispettivamente, l’autovalore minimo e
massimo di A.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 67 / 70
Matrice semidefinita e rango
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 68/70
Una matrice An×n semidefinita positiva ha rango ρ(A) = r < n, ovvero
possiede r autovalori strettamente positivi e n − r autovalori nulli.La forma quadratica si annulla per ogni x ∈N (A).Data una matrice reale di dimensioni qualsiasi Am×n, abbiamo visto chesia ATA, sia AAT sono simmetriche; inoltre sappiamo cheρ(ATA) = ρ(AAT) = ρ(A).Si puo dimostrare che esse hanno sempre autovalori reali non negativi, equindi sono definite o semi-definite positive: in particolare, se la matriceAm×n ha rango pieno,
se m < n, ATA 0 e AAT ≻ 0,
se m = n, ATA ≻ 0 e AAT ≻ 0,se m > n, ATA ≻ 0 e AAT 0.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 68 / 70
Gradiente
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 69/70
Data la forma bilineare b (x,y) = xTAy, si definiscono gradienti le seguenti
espressioni:
gradiente rispetto a x: gradx b (x,y) :=
∂ b (x,y)
∂ x
T
= Ay
gradiente rispetto a y: grady
b (x,y) := ∂ b (x,y)
∂ y T
= ATx
Data la forma quadratica q (x) = xTAx, si definisce gradiente rispetto a x
la seguente espressione:
gradx q (x) :=∂ q (x)
∂ x
T
= 2Ax.
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 69 / 70
Derivata di matrice
7/21/2019 Matrices It Slides
http://slidepdf.com/reader/full/matrices-it-slides 70/70
Se la matrice A ha elementi funzione di una variabile x , si puo definire laderivata di matrice rispetto a x
d
dx A(x ) =
daij dx
Se la variabile x e il tempo t , si scrive
d
dt A(t ) ≡ A(t ) =
daij (t )
dt
≡
aij
Se la matrice A e funzione del tempo attraverso la variabile x (t ), allora
d
dt A(x (t )) ≡ A(x (t )) =
∂ aij (x )
∂ x
dx (t )
dt
≡∂ aij (x )
∂ x
x (t )
Basilio Bona (DAUIN-Politecnico di Torino) Matrici 2007 – 2008 70 / 70