Calcolare L’Immagine Di Un Vettore Tramite Un’Applicazione Lineare

Inserisci il vettore e la matrice dell’applicazione lineare per calcolare la sua immagine

Guida Completa: Calcolare l’Immagine di un Vettore tramite un’Applicazione Lineare

In algebra lineare, il concetto di immagine di un vettore tramite un’applicazione lineare è fondamentale per comprendere come le trasformazioni lineari agiscono sugli spazi vettoriali. Questa guida approfondita vi condurrà attraverso i principi teorici, le applicazioni pratiche e gli esempi concreti per padroneggiare questo argomento essenziale.

1. Fondamenti Teorici

1.1 Definizione di Applicazione Lineare

Un’applicazione lineare (o trasformazione lineare) tra due spazi vettoriali V e W sullo stesso campo K è una funzione T: V → W che soddisfa le seguenti proprietà per ogni u, v ∈ V e c ∈ K:

1. Additività: T(u + v) = T(u) + T(v)
2. Omogeneità: T(cu) = cT(u)

1.2 Rappresentazione Matriciale

Ogni applicazione lineare tra spazi vettoriali di dimensione finita può essere rappresentata da una matrice. Se A è la matrice associata all’applicazione lineare T rispetto a basi fissate, allora per un vettore v ∈ V, la sua immagine T(v) è data dal prodotto:

T(v) = A · v

2. Procedura per il Calcolo

2.1 Passaggi Fondamentali

1. Identificare la matrice: Determinare la matrice A che rappresenta l’applicazione lineare rispetto alle basi scelte.
2. Rappresentare il vettore: Esprimere il vettore v come vettore colonna rispetto alla base del dominio.
3. Eseguire il prodotto: Moltiplicare la matrice A per il vettore colonna v.
4. Interpretare il risultato: Il vettore risultato è l’immagine di v tramite T.

2.2 Esempio Pratico

Consideriamo un’applicazione lineare T: ℝ² → ℝ³ rappresentata dalla matrice:

1	-2
0	3
2	1

E il vettore v = [2, -1]. L’immagine di v tramite T si calcola come:

T(v) = A · v =

1	-2
0	3
2	1

·

2

-1

=

4

-3

3

3. Proprietà e Teoremi Rilevanti

3.1 Nucleo e Immagine

Ogni applicazione lineare T: V → W ha associati due importanti sottospazi:

• Nucleo (Ker(T)): L’insieme dei vettori in V che vengono mandati nel vettore nullo di W.
• Immagine (Im(T)): L’insieme di tutti i vettori in W che sono immagine di qualche vettore in V.

Il Teorema della Dimensione (o Teorema del Rango) afferma che:

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

3.2 Iniettività e Suriettività

Proprietà	Definizione	Condizione Matriciale	Dimensione Nucleo
Iniettiva	Vettori distinti hanno immagini distinte	Colonne linearmente indipendenti	dim(Ker(T)) = 0
Suriettiva	Ogni vettore in W è immagine di qualche vettore in V	Rango = dim(W)	dim(Ker(T)) = dim(V) – dim(W)
Biunivoca	Both iniettiva e suriettiva	Matrice quadrata con det ≠ 0	dim(Ker(T)) = 0

4. Applicazioni Pratiche

4.1 Grafica Computerizzata

Le applicazioni lineari sono alla base delle trasformazioni geometriche in grafica 3D:

• Traslazioni (se estese a coordinate omogenee)
• Rotazioni (matrici ortogonali)
• Scalature (matrici diagonali)
• Proiezioni (matrici singolari)

4.2 Elaborazione delle Immagini

Filtri come la sfocatura o il rilevamento dei bordi si basano su:

• Convoluzione con matrici (kernel)
• Decomposizione in valori singolari (SVD)
• Trasformate lineari (Fourier, Wavelet)

5. Errori Comuni e Come Evitarli

5.1 Dimensionalità Incompatibile

Il prodotto tra una matrice m×n e un vettore è definito solo se il vettore ha n componenti. Il risultato sarà un vettore con m componenti.

5.2 Confondere Righe e Colonne

In molte convenzioni, i vettori vengono trattati come colonne (vettori n×1). Moltiplicare una matrice per un vettore riga (1×n) richiede di invertire l’ordine:

v·A invece di A·v

5.3 Trascurare la Base

La matrice associata a un’applicazione lineare dipende dalle basi scelte per il dominio e il codominio. Cambiando base, la matrice cambia secondo la relazione:

A’ = P⁻¹AP

dove P è la matrice di cambiamento di base.

6. Approfondimenti e Risorse

6.1 Libri Consigliati

• “Linear Algebra Done Right” – Sheldon Axler (3rd Edition)
• “Introduction to Linear Algebra” – Gilbert Strang (5th Edition)
• “Algebra Lineare e Geometria” – Marco Abate e Chiara De Fabritiis

6.2 Risorse Online Autorevoli

Per approfondire gli aspetti teorici e pratici delle applicazioni lineari, consultare:

• Materiali del Prof. Gilbert Strang (MIT) – Lezioni video e appunti sulle applicazioni lineari
• Linear Algebra Toolkit (UC Davis) – Strumento interattivo per visualizzare trasformazioni lineari
• NIST Guide to Linear Algebra (PDF) – Guida ufficiale del National Institute of Standards and Technology

7. Esercizi Pratici con Soluzioni

7.1 Esercizio 1: Verifica di Linearità

Domanda: Verificare se l’applicazione T: ℝ² → ℝ² definita da T(x,y) = (x + y, x – 2y) è lineare.

Soluzione:

1. Verifichiamo l’additività:

   T((x₁,y₁) + (x₂,y₂)) = T(x₁+x₂, y₁+y₂) = ((x₁+x₂)+(y₁+y₂), (x₁+x₂)-2(y₁+y₂))

   T(x₁,y₁) + T(x₂,y₂) = (x₁+y₁, x₁-2y₁) + (x₂+y₂, x₂-2y₂) = (x₁+x₂+y₁+y₂, x₁+x₂-2y₁-2y₂)

   I risultati coincidono, quindi l’additività è verificata.

2. Verifichiamo l’omogeneità:

   T(c(x,y)) = T(cx, cy) = (cx + cy, cx – 2cy) = c(x + y, x – 2y) = cT(x,y)

   Anche l’omogeneità è verificata.

Conclusione: T è un’applicazione lineare.

7.2 Esercizio 2: Calcolo dell’Immagine

Domanda: Data l’applicazione lineare T: ℝ³ → ℝ² con matrice:

1	0	-1
2	1	0

calcolare T(1, -2, 3).

Soluzione:

T(1, -2, 3) = A · v =

1	0	-1
2	1	0

·

1

-2

3

=

1·1 + 0·(-2) + (-1)·3

2·1 + 1·(-2) + 0·3

=

-2

0

8. Confronto tra Metodi di Calcolo

Metodo	Vantaggi	Svantaggi	Tempo Computazionale	Precisione
Calcolo Manuale	Comprensione profonda del processo	Lento per matrici grandi	O(n³)	Alta (nessun errore di arrotondamento)
Software (MATLAB, Python)	Velocità per matrici grandi	Dipendenza da strumenti esterni	O(n².373) con Coppersmith-Winograd	Media (errori di floating-point)
Calcolatrici Online	Accessibilità immediata	Limitazioni dimensionali	Variabile (dipende dal server)	Bassa (interfacce spesso approssimate)
Algoritmi Ottimizzati (BLAS)	Prestazioni elevate	Complessità di implementazione	O(n²) per casi ottimali	Alta (gestione avanzata degli errori)

9. Visualizzazione delle Trasformazioni Lineari

La visualizzazione è cruciale per comprendere l’effetto delle applicazioni lineari. Strumenti come:

• GeoGebra: Per trasformazioni in ℝ² e ℝ³
• 3Blue1Brown’s Linear Algebra Series: Animazioni intuitive
• Wolfram Alpha: Calcoli simbolici e grafici

permettano di vedere come i vettori della base canonica vengono trasformati, aiutando a intuire l’azione della matrice su tutto lo spazio.

10. Applicazioni Avanzate

10.1 Machine Learning

Le applicazioni lineari sono alla base di:

• Reti Neurali: Ogni layer fully-connected è una trasformazione lineare seguita da una non-linearità
• PCA (Principal Component Analysis): Proiezione lineare per riduzione dimensionalità
• Regressione Lineare: Modello y = Xβ + ε

10.2 Fisica Quantistica

Gli operatori lineari descrivono:

• Evoluzione temporale (equazione di Schrödinger)
• Osservabili (operatori hermitiani)
• Trasformazioni di simmetria

La meccanica quantistica si formula nello spazio di Hilbert, uno spazio vettoriale (infinito-dimensionale) con prodotto interno.