Capitolo 7 - Tutorati UNIPV
Transcript
Capitolo 7 - Tutorati UNIPV
Capitolo 7 Struttura metrica in Rn Marco Robutti Facoltà di ingegneria Università degli studi di Pavia Tutorato di geometria e algebra lineare Anno accademico 2014-2015 Marco Robutti Capitolo 7 Definizione (Prodotto scalare standard) x1 y1 x2 y2 n Dati due vettori X = .. e Y = .. in R , chiamiamo . . xn yn prodotto scalare standard dei vettori X e Y il seguente numero reale: hX , Y i = x1 y1 + x2 y2 + · · · + xn yn = X T Y . Marco Robutti Capitolo 7 Definizione (Norma di un vettore) La norma di un vettore X ∈ Rn è il seguente numero reale non negativo: kX k = q hX , X i = q x12 + x22 + · · · + xn2 ; un vettore X ∈ Rn è detto versore se kX k = 1. Se X ∈ Rn , allora Y = 1 kX k X è sicuramente un versore. La distanza tra due vettori X , Y ∈ Rn è il numero positivo: d (X , Y ) = kX − Y k. Due vettori X , Y ∈ Rn sono ortogonali se e solo se il loro prodotto scalare è nullo: Marco Robutti Capitolo 7 Definizione (Angolo convesso tra due vettori) L’angolo convesso tra due vettori è definito e può essere ricavato dalla seguente relazione: cos θ = hX , Y i kX k · kY k Marco Robutti Capitolo 7 Definizione (Sistema ortogonale e sistema ortonormale) Un insieme di vettori non nulli {Y1 , . . . , Yk } , k ≥ 2 , è detto un sistema ortogonale se i vettori sono a due a due ortogonali, cioè: hYi , Yj i = 0, ∀i 6= j; Un insieme di vettori non nulli {Y1 , . . . , Yk } , k ≥ 2 , è detto un sistema ortonormale se è formato da versori a due a due ortogonali, cioè: hYi , Yj i = 0, ∀i 6= j e Marco Robutti hYi , Yi i = 1, Capitolo 7 ∀i = 1, . . . , k. Definizione (Trovare le coordinate di un vettore in una base ortogonale) Sia B = {Y1 , Y2 , . . . , Yh } una base ortogonale di un sottospazio V di Rn . Allora ∀Y ∈ V , Y ammette la seguente scrittura: X = Xh hY , Y2 i hY , Yh i hY , Y1 i Y1 + Y2 + · · · + Yh = ci Yi , hY1 , Y1 i hY2 , Y2 i hYh , Yh i i=1 dove i coefficienti ci sono detti coefficienti di Fourier. hY ,Yi i Il vettore hY Yi è detto vettore proiezione ortogonale del i ,Yi i vettore X su Span (Yi ), per ogni i = 1, . . . , h. Quindi Y è la somma delle sue proiezioni ortogonali rispettivamente lungo ciascun vettore Yi della base, i = 1, . . . , h. NB. Tutto ciò vale solo perché B è orgonale! Marco Robutti Capitolo 7 Definizione (Trovare le coordinate di un vettore in una base ortonormale) Sia B = {Y1 , Y2 , . . . , Yh } una base ortonormale di un sottospazio V di Rn . Allora ∀Y ∈ V , Y ammette la seguente scrittura: X = hY , Y1 i Y1 + hY , Y2 i Y2 + · · · + hY , Yh i Yh . Marco Robutti Capitolo 7 Algoritmo di ortogonalizzazione di Gram-Schmidt Dato un insieme di vettori linearmente indipendenti {Y1 , . . . , Yh } posso rendere tale insieme di vettori un insieme ortogonale {X1 , . . . , Xh } ottenendo i vari vettori Xi nel modo seguente: X1 = Y1 , X2 = Y2 − X3 = Y3 − hY2 , X1 i X1 , hX1 , X1 i hY3 , X2 i hY3 , X1 i X2 , − X1 , hX2 , X2 i hX1 , X1 i .. . Xh = Yh − hYh , Xh−1 i hYh , X1 i Xh−1 − · · · − X1 , hXh−1 , Xh−1 i hX1 , X1 i Marco Robutti Capitolo 7 Algoritmo di ortogonalizzazione di Gram-Schmidt ovvero il vettore Xi del nuovo insieme ortogonale si ottiene sottraendo dal vettore Yi dell’insieme di vettori iniziale le sue proiezioni ortononali lungo X1 , . . . , Xi−1 . Marco Robutti Capitolo 7 Definizione (Matrice ortogonale) Una matrice Q ∈ GL (n, R) è detta ortogonale se e solo se: QQ T = Q T Q = In , cioè: Q T = Q −1 . NB: Le colonne della matrice formano una base ortonormale di Rn ; NB1: det (Q) = ±1 (C.N.N.S) Marco Robutti Capitolo 7 Definizione (Complemento ortogonale di un insieme) Sia S ⊂ Rn un sottoinsieme non vuoto. Chiamiamo insieme ortogonale di S l’insieme dei vettori di Rn che sono ortogonali a tutti i vettori di S. In simboli: S ⊥ = {Y ∈ Rn | Y ⊥ X , ∀X ∈ S} = {Y ∈ Rn | hY , X i = 0, ∀X ∈ S} , tale insieme viene detto complemento ortogonale di S in quanto risulta: Rn = V ⊕ V ⊥ . Marco Robutti Capitolo 7 Osservazione (Una nota importante...) Ogni vettore X ∈ Rn può essere decomposto in una parte X 0 ∈ V e X 00 ∈ V ⊥ cosı̀ che: X = X 0 + X 00 ; Da qui possiamo ricavare che le proiezioni ortogonali del vettore X su V e V ⊥ sono date da: X 0 = X − X 00 , X 00 = X − X 0 , cioè conoscendo la proiezione ortogonale di un vettore su V , posso ottenere la proiezione di quel vettore su V ⊥ e viceversa. Marco Robutti Capitolo 7 Algoritmo - Trovare le equazioni cartesiane del complemento ortogonale di un insieme Dato l’insieme V e una sua base BV = {X1 , . . . , Xn }, fissato un x1 x2 n ⊥ generico vettore X = .. ∈ R , le equazioni cartesiane di V . xn sono date da: V⊥ : hX1 , X i hX2 , X i =0 =0 .. . =0 =0 hXn , X i Marco Robutti Capitolo 7 Teorema (Teorema spettrale) Sia A ∈ MR (n) una matrice simmetrica di ordine n. Allora esiste una base ortonormale di Rn formata da autovettori di A. Marco Robutti Capitolo 7 Algoritmo - Trovare una base ortonormale costituita da autovettori La soluzione di questo problema è contenuta nella dimostrazione del teorema spettrale: 1) Si determinano gli autovalori di A, α1 , α2 , . . . , αh . 2) Per ciascun autovalore αi si determina una base qualsiasi Dαi del corrispondente autospazio. 3) Con l’algoritmo di Gram-Schmidt si ortogonalizza la base Dαi ottenendo una base ortogonale Bαi di Vαi . Marco Robutti Capitolo 7 Algoritmo - Trovare una base ortonormale costituita da autovettori 4) Si uniscono tutti questi sistemi di vettori ottenendo una base ortogonale di Rn composta da autovettori di A (infatti gli autospazi di una matrice reale simmetrica sono in somma diretta tra loro e quindi l’unione delle loro basi da una base per Rn ...). 5) Infine, se si cerca una base ortonormale, è sufficiente normalizzare i vettori cosı̀ ottenuti. Marco Robutti Capitolo 7