Calcolare Immagine Applicazione Lineare

Strumento professionale per calcolare l’immagine (range) di un’applicazione lineare tra spazi vettoriali. Inserisci la matrice associata all’applicazione e ottieni risultati dettagliati con visualizzazione grafica.

Guida Completa al Calcolo dell’Immagine di un’Applicazione Lineare

L’immagine (o range) di un’applicazione lineare è uno dei concetti fondamentali dell’algebra lineare con applicazioni critiche in fisica, ingegneria, informatica e economia. Questa guida professionale vi condurrà attraverso:

• Definizione matematica rigorosa dell’immagine
• Metodi pratici per il calcolo (con esempi)
• Interpretazione geometrica e applicazioni reali
• Errori comuni e come evitarli
• Strumenti computazionali avanzati

1. Fondamenti Teorici

Sia f: V → W un’applicazione lineare tra spazi vettoriali. L’immagine di f, denotata Im(f), è il sottospazio di W definito come:

Im(f) = {w ∈ W | ∃v ∈ V tale che f(v) = w}

Quando V e W sono spazi di dimensione finita con basi fissate, f può essere rappresentata da una matrice A di dimensioni m×n. In questo caso:

1. Im(f) coincide con lo spazio delle colonne di A (column space)
2. dim(Im(f)) = rango(A)
3. Una base per Im(f) si ottiene selezionando le colonne linearmente indipendenti di A

2. Metodo di Calcolo Passo-Passo

Per calcolare praticamente l’immagine:

Algoritmo Standard:

1. Riduzione a scala: Applicare l’eliminazione di Gauss alla matrice A per ottenere la forma a scala per righe (REF)
2. Identificare pivot: Le colonne contenenti i pivot nella REF formano una base per Im(A)
3. Estrazione: Le corrispondenti colonne nella matrice originale A costituiscono la base cercata
4. Verifica: Controllare che i vettori estratti siano effettivamente linearmente indipendenti

Esempio Pratico:

Consideriamo l’applicazione lineare f: ℝ³ → ℝ² rappresentata dalla matrice:

A = | 1  2  3 |
    | 4  5  6 |

Dopo riduzione a scala otteniamo:

REF = | 1  2  3 |
      | 0 -3 -6 |

I pivot si trovano nelle colonne 1 e 2. Quindi una base per Im(f) è:

{ (1,4), (2,5) }

3. Interpretazione Geometrica

L’immagine di un’applicazione lineare ha significative interpretazioni geometriche:

Dimensione Im(f)	Significato Geometrico	Esempio in ℝ³
0	Applicazione nulla (tutto viene mappato nell’origine)	f(x,y,z) = (0,0,0)
1	Immagine è una retta passante per l’origine	f(x,y,z) = (x,0,0)
2	Immagine è un piano passante per l’origine	f(x,y,z) = (x,y,0)
3	Applicazione suriettiva (Im(f) = ℝ³)	f(x,y,z) = (x,2y,3z)

4. Applicazioni Pratiche

Il calcolo dell’immagine trova applicazione in:

Grafica Computerizzata

Trasformazioni 3D (rotazioni, scalature) sono applicazioni lineari. L’immagine determina lo spazio occupato dopo la trasformazione.

Retroazione nei Sistemi

In teoria del controllo, l’immagine della matrice di controllabilità determina se il sistema è completamente controllabile.

Compressione Dati

Algoritmi come PCA (Principal Component Analysis) si basano sulla decomposizione dell’immagine della matrice dei dati.

5. Errori Comuni e Soluzioni

1. Confondere immagine con nucleo:

   Il nucleo (ker) è lo spazio di partenza che viene mappato in 0, mentre l’immagine è lo spazio di arrivo effettivamente “raggiunto”.

2. Dimenticare di verificare l’indipendenza lineare:

   Sempre controllare che i vettori estratti come base siano effettivamente linearmente indipendenti.

3. Ignorare il campo di base:

   I risultati possono variare se si lavora su ℝ, ℂ o ℚ. Ad esempio, su ℚ la matrice [1 √2] ha rango 2, mentre su ℝ ha rango 1.

6. Strumenti Computazionali Avanzati

Per applicazioni professionali si utilizzano:

Strumento	Funzionalità Rilevanti	Comando Esempio
MATLAB	Calcolo del rango, decomposizione SVD, visualizzazione 3D	rank(A) svd(A)
Python (NumPy)	Algebra lineare numerica, calcolo della base	np.linalg.matrix_rank(A)
Wolfram Mathematica	Calcolo simbolico esatto, visualizzazione geometrica	RowReduce[A] ColumnSpace[A]
SageMath	Software open-source per calcoli esatti	A.column_space()

7. Approfondimenti Teorici

Per una comprensione completa, è essenziale studiare:

• Teorema della Dimensione (Nullity-Rank Theorem):

  dim(V) = dim(Ker(f)) + dim(Im(f))

• Decomposizione SVD:

  Ogni matrice A può essere decomposta come A = UΣV*, dove le colonne di U formano una base ortonormale per Im(A).

• Applicazioni Lineari e Matrici:

  La scelta della base influenza la matrice associata, ma non le proprietà intrinseche dell’immagine.

8. Risorse Autorevoli

Per approfondimenti accademici:

1. Materiali del MIT su Algebra Lineare

   Corsi completi con esercizi e soluzioni su spazi vettoriali e applicazioni lineari.

2. Risorse dell’Università della California

   Appunti dettagliati su immagine e nucleo con dimostrazioni complete.

3. NIST Guide to Linear Algebra (PDF)

   Guida governativa USA con applicazioni pratiche in metrologia e scienze.

9. Esercizi Pratici con Soluzioni

Esercizio 1:

Data l’applicazione f: ℝ⁴ → ℝ³ rappresentata dalla matrice:

| 1  0  2  1 |
| 0  1  1  2 |
| 1  1  3  3 |

Domanda: Trovare una base per Im(f) e determinarne la dimensione.

Soluzione:

1. Riduzione a scala per righe porta a:

   | 1  0  2  1 |
   | 0  1  1  2 |
   | 0  0  0  0 |

2. I pivot sono nelle colonne 1 e 2
3. Base per Im(f): {(1,0,1), (0,1,1)}
4. dim(Im(f)) = 2

Esercizio 2 (Avanzato):

Sia f: P₂(ℝ) → ℝ³ l’applicazione lineare definita da f(a + bx + cx²) = (a + b, b + c, a – c).

Domanda: Determinare Im(f) e una sua base.

Soluzione:

1. Rappresentare f rispetto alle basi canoniche:

   | 1  1  0 |
   | 0  1  1 |
   | 1  0 -1 |

2. Riduzione a scala mostra rango 3
3. Quindi Im(f) = ℝ³
4. Qualsiasi base di ℝ³ è base per Im(f), ad esempio la base canonica