Calcolatore Nucleo e Immagine di Applicazione Lineare

Inserisci la matrice associata all’applicazione lineare per calcolare nucleo (ker) e immagine (Im)

Numero di righe (m)

Numero di colonne (n)

Matrice dell’applicazione lineare (m × n)

Guida Completa: Come Calcolare Nucleo e Immagine di un’Applicazione Lineare

Il calcolo del nucleo (ker) e dell’immagine (Im) di un’applicazione lineare è fondamentale in algebra lineare, con applicazioni che spaziano dalla risoluzione di sistemi lineari alla teoria degli spazi vettoriali. Questa guida approfondita ti condurrà attraverso i concetti teorici, i metodi pratici e gli esempi concreti per padroneggiare questi calcoli essenziali.

1. Definizioni Fondamentali

1.1 Applicazione Lineare

Un’applicazione lineare (o trasformazione lineare) tra due spazi vettoriali V e W sullo stesso campo K è una funzione f: V → W che soddisfa le seguenti proprietà per ogni u, v ∈ V e α ∈ K:

f(u + v) = f(u) + f(v) (additività)
f(αu) = αf(u) (omogeneità)

1.2 Nucleo (Ker)

Il nucleo di un’applicazione lineare f: V → W è l’insieme di tutti i vettori in V che vengono mappati nel vettore nullo di W:

ker(f) = {v ∈ V | f(v) = 0_W}

Il nucleo è sempre un sottospazio vettoriale di V e la sua dimensione è chiamata nullità di f.

1.3 Immagine (Im)

L’immagine di un’applicazione lineare f: V → W è l’insieme di tutti i vettori in W che sono immagine di almeno un vettore in V:

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

L’immagine è sempre un sottospazio vettoriale di W e la sua dimensione è chiamata rango di f.

2. Teorema della Dimensione (Teorema del Rango)

Uno dei risultati più importanti in algebra lineare è il Teorema della Dimensione (o Teorema del Rango), che stabilisce una relazione fondamentale tra le dimensioni del nucleo e dell’immagine:

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

Dove:

dim(V) è la dimensione dello spazio di partenza
dim(ker(f)) è la nullità (dimensione del nucleo)
dim(Im(f)) è il rango (dimensione dell’immagine)

3. Metodo Pratico per il Calcolo

3.1 Passaggi per Calcolare il Nucleo

Rappresentazione Matriciale: Scrivi la matrice A associata all’applicazione lineare rispetto a basi fissate.
Sistema Omegeneo: Il nucleo corrisponde alle soluzioni del sistema lineare omogeneo Ax = 0.
Riduzione a Scala: Applica l’algoritmo di Gauss-Jordan per ridurre la matrice a forma a scala.
Soluzione Generale: Esprimi le variabili libere in funzione di parametri per ottenere la forma parametriche delle soluzioni.
Base del Nucleo: I vettori ottenuti dalle soluzioni fondamentali formano una base per ker(f).

3.2 Passaggi per Calcolare l’Immagine

Colonne della Matrice: L’immagine è generata dalle colonne della matrice A.
Colonne Linearmente Indipendenti: Trova un sottoinsieme massimo di colonne linearmente indipendenti.
Base dell’Immagine: Queste colonne formano una base per Im(f).
Dimensione: Il numero di colonne linearmente indipendenti è il rango di A.

4. Esempio Pratico Passo-Passo

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

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

4.1 Calcolo del Nucleo

Sistema Omogeneo: Risolviamo Ax = 0:

1x₁ + 2x₂ + 3x₃ = 0
4x₁ + 5x₂ + 6x₃ = 0

Riduzione a Scala: Applichiamo Gauss-Jordan:

| 1  2  3 | 0 |   →   | 1  2   3 | 0 |
| 4  5  6 | 0 |       | 0 -3 -6 | 0 |

Soluzione: Poniamo x₃ = t (parametro libero). Dalla seconda equazione:

-3x₂ - 6t = 0 ⇒ x₂ = -2t
x₁ + 2(-2t) + 3t = 0 ⇒ x₁ = t

Forma Parametrica: La soluzione generale è:
```
x = t(1, -2, 1)
                
```
Base del Nucleo: Una base per ker(f) è {(1, -2, 1)}. La dimensione (nullità) è 1.

4.2 Calcolo dell’Immagine

Colonne della Matrice: Le colonne di A sono:

c₁ = (1, 4), c₂ = (2, 5), c₃ = (3, 6)

Dipendenza Lineare: Notiamo che c₃ = c₁ + c₂, quindi le colonne sono linearmente dipendenti.
Base dell’Immagine: Una base per Im(f) è {c₁, c₂} = {(1,4), (2,5)}. La dimensione (rango) è 2.

5. Interpretazione Geometrica

Il nucleo e l’immagine hanno importanti interpretazioni geometriche:

Nucleo: Rappresenta lo spazio dei vettori che vengono “annullati” dalla trasformazione. Geometricamente, è il sottospazio che viene collassato nell’origine.
Immagine: Rappresenta lo spazio dei vettori che sono effettivamente “raggiunti” dalla trasformazione. Geometricamente, è lo spazio in cui viene “proiettato” il dominio.

6. Applicazioni Pratiche

Campo di Applicazione	Utilizzo di Nucleo/Immagine	Esempio Concreto
Grafica Computerizzata	Trasformazioni 3D (rotazioni, scalature)	Calcolo dei punti invarianti sotto una trasformazione
Elaborazione Segnali	Filtri lineari e convoluzioni	Determinazione delle frequenze annullate da un filtro
Machine Learning	Riduzione dimensionalità (PCA)	Identificazione delle direzioni di variazione nulla
Fisica Quantistica	Operatori lineari su spazi di Hilbert	Stati quantistici annichilati da un operatore

7. Errori Comuni e Come Evitarli

Confondere righe e colonne: Ricorda che le colonne della matrice generano l’immagine, mentre le soluzioni di Ax=0 danno il nucleo.
Dimenticare il teorema del rango: Sempre verificare che dim(V) = nullità + rango.
Parametri liberi: Nel calcolo del nucleo, assicurati di identificare correttamente le variabili libere (quelle senza pivot).
Base canonica: Se non specificato, assumi che la matrice sia scritta rispetto alle basi canoniche.
Campo dei numeri: Attenzione alle operazioni in campi finiti (es. ℤ₅) dove l’aritmetica è diversa.

8. Confronto tra Metodi di Calcolo

Metodo	Vantaggi	Svantaggi	Complessità Computazionale
Gauss-Jordan	Diretto, visualizza chiaramente pivot	Sensibile agli errori di arrotondamento	O(n³)
Decomposizione SVD	Numericamente stabile, rivela struttura	Più complesso da implementare	O(n³)
Eliminazione Gaussiana	Efficiente per matrici sparse	Meno intuitivo per il nucleo	O(n³)
Metodo dei Minori	Utile per rango	Poco pratico per matrici grandi	O(n!)

9. Approfondimenti Teorici

9.1 Isomorfismo tra Quoziente e Immagine

Un risultato profondo dell’algebra lineare è che lo spazio quoziente V/ker(f) è isomorfo all’immagine Im(f). Questo è formalizzato dal Primo Teorema di Isomorfismo:

V/ker(f) ≅ Im(f)

Questo isomorfismo preserva la struttura lineare e spiega perché la dimensione del quoziente è uguale alla dimensione dell’immagine.

9.2 Applicazioni Lineari e Matrici

Ogni applicazione lineare f: V → W tra spazi vettoriali di dimensione finita può essere rappresentata da una matrice A una volta fissate le basi per V e W. Le proprietà del nucleo e dell’immagine sono quindi completamente determinate da questa matrice:

Il nucleo corrisponde allo spazio nullo di A
L’immagine corrisponde allo spazio delle colonne di A
Il rango di A è la dimensione dell’immagine
La nullità di A è la dimensione del nucleo

10. Risorse Esterne Autorevoli

Per approfondire questi concetti, consultare le seguenti risorse accademiche:

MIT OpenCourseWare – Linear Algebra: Corso completo con video lezioni e esercizi sul nucleo e immagine.
UC Davis – Linear Algebra Notes (PDF): Trattazione dettagliata con esempi sul teorema del rango.
NIST – Guide to Available Mathematical Software: Sezione 6.2 su decomposizioni matrici per calcoli numerici (pag. 6-12).

11. Esercizi Pratici con Soluzioni

Esercizio 1

Data l’applicazione lineare f: ℝ² → ℝ² definita da f(x,y) = (x + y, x – y):

Trova la matrice associata a f rispetto alla base canonica
Calcola una base per il nucleo di f
Determina una base per l’immagine di f
Verifica il teorema della dimensione

Soluzione:

Matrice:
```
| 1  1 |
```
Nucleo: solo (0,0) → base { } (dimensione 0)
Immagine: ℝ² → base {(1,1), (1,-1)} (dimensione 2)
2 (dim dominio) = 0 (nullità) + 2 (rango) ✓

Esercizio 2

Sia f: ℝ³ → ℝ³ definita da f(x,y,z) = (x + y + z, x + y, x + z):

Scrivi la matrice associata
Trova una base per ker(f)
Trova una base per Im(f)
Calcola nullità e rango