Applicazioni lineari

Un’applicazione lineare (o trasformazione lineare, o omomorfismo di spazi vettoriali) è una funzione tra due spazi vettoriali che rispetta la struttura lineare, cioè conserva la somma di vettori e la moltiplicazione per uno scalare. Fissate le basi canoniche, ogni applicazione lineare corrisponde in modo biunivoco a una matrice : lo studio geometrico delle trasformazioni si traduce così interamente nell’algebra delle matrici.

Definizione e prime proprietà

Siano e due spazi vettoriali reali. Una funzione

si dice applicazione lineare se soddisfa le due proprietà di linearità:

  1. Additività: per ogni ;
  2. Omogeneità: per ogni e per ogni scalare .

Le due condizioni si riassumono in un’unica condizione equivalente (principio di sovrapposizione): per ogni e per ogni coppia di scalari ,

Conseguenze immediate della definizione

  • Condizione necessaria sul vettore nullo: ponendo si ottiene sempre: Se una funzione non manda l’origine nell’origine (), non è sicuramente lineare!
  • Conservazione delle combinazioni lineari: per induzione, .

Funzioni lineari vs funzioni affini

In analisi elementare si chiama spesso «funzione lineare» l’equazione della retta . In algebra lineare, invece, definita da è un’applicazione lineare se e solo se (, retta passante per l’origine). Quando , si ha e la funzione si chiama applicazione affine (ottenuta componendo un’applicazione lineare con una traslazione).
Più in generale, è lineare se e solo se ciascuna delle sue componenti è un polinomio omogeneo di primo grado nelle variabili (senza termini noti costanti, senza potenze , prodotti , radici o funzioni trascendenti).

Rappresentazione matriciale di un’applicazione lineare

Sia un’applicazione lineare. Ogni vettore si scrive come combinazione lineare dei versori della base canonica di :

Applicando e sfruttando la linearità otteniamo:

Questa combinazione lineare delle colonne con pesi non è altro che il prodotto righe per colonne , dove è la matrice che ha per colonne le immagini dei versori canonici!

Teorema di rappresentazione matriciale

Ogni applicazione lineare si scrive in modo unico nella forma
dove la matrice associata (rispetto alle basi canoniche) ha dimensione e la sua colonna -esima è il vettore colonna :

Una matrice descrive l'azione di un'applicazione lineare sui versori di base

Composizione di applicazioni lineari e isomorfismi

Composizione e prodotto tra matrici

Perché il prodotto tra matrici è stato definito proprio con la regola «righe per colonne»? Perché corrisponde esattamente alla composizione di applicazioni lineari!
Siano con matrice associata e con matrice associata . Allora l’applicazione composta

è ancora un’applicazione lineare e la sua matrice associata è il prodotto matriciale delle due matrici:

Applicazione lineare inversa e isomorfismi

Un’applicazione lineare biiettiva (iniettiva e suriettiva) si chiama isomorfismo (o automorfismo di ).
Un’applicazione lineare può essere biiettiva solo se la dimensione di partenza coincide con quella di arrivo (), ossia quando la matrice associata è quadrata, e vale:

In tal caso, la funzione inversa è anch’essa un’applicazione lineare e la sua matrice associata è la matrice inversa :

Trasformazioni geometriche lineari nel piano

Nel piano cartesiano , ogni matrice descrive una trasformazione geometrica che lascia fissa l’origine e trasforma rette in rette (e parallelogrammi in parallelogrammi, moltiplicandone l’area per ). Per scrivere la matrice di una qualsiasi trasformazione geometrica basta osservare dove vanno a finire i due versori canonici e :

Trasformazione geometrica in Immagini di e Matrice associata $A = \bigl(L(\mathbf{e}_1) ;\big
Rotazione antioraria di angolo attorno all’origine (), (, ortogonale)
Riflessione rispetto all’asse (), ()
Riflessione rispetto all’asse (), ()
Riflessione rispetto alla bisettrice (), ()
Omotetia / Dilatazione anisotropa di fattori , ()
Taglio (Shear) orizzontale di fattore , ()
Proiezione ortogonale sull’asse , (, non invertibile)

Nucleo (), Immagine () e Teorema Rango-Nullità

Sia un’applicazione lineare con matrice associata ().

1. Nucleo ()

Il nucleo (o kernel) di è il sottospazio vettoriale del dominio formato da tutti i vettori che vengono trasformati nel vettore nullo :

Calcolare significa quindi risolvere il sistema lineare omogeneo . Il numero di parametri liberi da cui dipendono le soluzioni è la dimensione del nucleo (, detta anche nullità di ).

2. Immagine ()

L’immagine di è il sottospazio vettoriale del codominio costituito da tutti i vettori che sono immagine di almeno un :

dove sono le colonne della matrice . La dimensione dell’immagine coincide quindi con il numero massimo di colonne linearmente indipendenti di , cioè con il rango della matrice :

Per estrarre una base di , basta prendere le colonne della matrice originale corrispondenti alle colonne in cui compaiono i pivot nella riduzione di Gauss di .

3. Teorema della dimensione (o Rango-Nullità) e criteri di iniettività/suriettività

Teorema della dimensione (Rango-Nullità)

Per ogni applicazione lineare con matrice associata , la somma della dimensione del nucleo e della dimensione dell’immagine è uguale alla dimensione dello spazio di partenza :

Dal teorema rango-nullità discendono i criteri operativi immediati per iniettività e suriettività:

  • Criterio di iniettività: è iniettiva (rango uguale al numero di colonne / dimensione di partenza; richiede necessariamente ).
  • Criterio di suriettività: è suriettiva (rango uguale al numero di righe / dimensione di arrivo; richiede necessariamente ).

Indipendenza lineare e basi di un sottospazio

Un insieme di vettori in uno spazio vettoriale si dice:

  • linearmente indipendente se l’unica combinazione lineare che dà il vettore nullo è quella con tutti i coefficienti nulli:
  • linearmente dipendente se esistono scalari non tutti nulli tali che (equivalentemente, almeno uno dei vettori è combinazione lineare degli altri).

In pratica, disposti come colonne (o righe) di una matrice , essi sono linearmente indipendenti se e solo se (in particolare, vettori in sono linearmente indipendenti e formano una base di se e solo se la matrice quadrata da essi formata ha ).

Una base di un sottospazio è un insieme di vettori di che sono contemporaneamente generatori di e linearmente indipendenti. Il numero di vettori che compongono una qualsiasi base di si chiama dimensione di ().

Esempi guidati

Esempio 1: Studio completo di matrice associata, nucleo, immagine, iniettività e suriettività

Sia data l’applicazione definita da:

Scriviamo la matrice associata , determiniamo dimensione e una base di e di , e stabiliamo se è iniettiva o suriettiva.

Passaggi:

  1. Matrice associata : calcoliamo le immagini dei versori canonici , , e disponiamole per colonna:
  2. Rango e base dell’Immagine : riduciamo a scala con Gauss (, , , e poi scambiamo ): I pivot sono e cadono nella prima e nella seconda colonna. Pertanto , e una base di è data dalle prime due colonne della matrice originale :

    Poiché , non è suriettiva.
  3. Nucleo : per il teorema rango-nullità sappiamo già che , quindi non è iniettiva. Risolviamo il sistema omogeneo :

    Ponendo la variabile libera , otteniamo:

Esempio 2: Composizione di una rotazione e di una riflessione in

Determiniamo la matrice associata e la legge analitica della trasformazione lineare che consiste nell’applicare prima una rotazione antioraria di attorno all’origine e poi la riflessione rispetto all’asse .

Passaggi:

  1. La matrice della rotazione antioraria di (dove ) è:
  2. La matrice della riflessione rispetto all’asse è .
  3. Poiché agisce prima e dopo , la matrice di è il prodotto (con a sinistra!):

    La legge analitica è quindi .

Esempio 3: Ricostruzione di un’applicazione lineare dalle immagini di una base non canonica

Determiniamo l’applicazione lineare sapendo che:

Passaggi:

  1. Per scrivere la matrice associata dobbiamo trovare e . Esprimiamo i versori canonici ed attraverso e :
    • sommando: ;
    • sottraendo: .
  2. Per linearità di :

  3. Affiancando e per colonna otteniamo:

Errori frequenti

  • Inserire le immagini per riga anziché per colonna nella matrice associata: nella convenzione con vettori colonna, è sempre la colonna -esima di .
  • Invertire l’ordine del prodotto matriciale nella composizione: la matrice di («prima , poi ») è , non .
  • Prendere le colonne della matrice ridotta a scala come base di : le operazioni di riga alterano lo spazio generato dalle colonne! Le posizioni dei pivot nella matrice a scala servono a individuare quali colonne della matrice di partenza sono linearmente indipendenti e formano una base di .
  • Confondere la dimensione nel teorema rango-nullità: in , è sempre la dimensione del dominio di partenza (numero di colonne di ), mai la dimensione del codominio .

Esercizi di prova

  1. (Base - Riconoscimento di applicazioni lineari) Stabilisci quali delle seguenti funzioni da a sono applicazioni lineari e, per quelle lineari, scrivi la matrice associata :
    (a) ;
    (b) ;
    (c) .

  2. (Base - Indipendenza lineare e base di ) Stabilisci se i tre vettori , e sono linearmente indipendenti e se formano una base di . In caso affermativo, trova le coordinate del vettore rispetto a tale base.

  3. (Intermedio - Studio di nucleo e immagine) Sia data l’applicazione lineare definita da:
    Determina la matrice associata , la dimensione e una base di e di , e stabilisci se appartiene a .

  4. (Intermedio - Composizione e inversa di applicazioni lineari) Date definite da e :
    (a) determina le matrici , , e la legge di ;
    (b) verifica che è un isomorfismo e scrivi la legge esplicita dell’applicazione inversa .

  5. (Intermedio - Rotazioni nel piano) Determina le coordinate del punto ottenuto ruotando in senso antiorario di un angolo attorno all’origine il punto , e scrivi la matrice della rotazione inversa .

  6. (Esame - Discussione di un’applicazione lineare dipendente da parametro) Sia data definita da:
    (a) Determina per quali valori di l’applicazione è un isomorfismo (biiettiva).
    (b) Per , determina , e una base di .

Provenienza del materiale

Sintesi ragionata ed estesa della lezione C1MAT1U3L3_Applicazioni_lineari.pdf e degli Appunti_di_Fine_Unità_3.pdf (Corso di Matematica 1, CdL in Sicurezza Informatica / SecAI - Università degli Studi di Milano), con composizione di applicazioni lineari, trasformazioni geometriche nel piano e teorema rango-nullità.