Corso sulle matrici

Lezione 1 • Trasposizione di Matrici

Illustra l'operazione di trasposizione e le sue proprietà algebriche. La trasposizione ricorre nelle decomposizioni, nel metodo dei minimi quadrati e nelle matrici di covarianza.

Lezione 2 • Notazione e Terminologia delle Matrici

Introduce la notazione standard per righe, colonne ed elementi. Stabilisce il vocabolario utilizzato in tutti i capitoli successivi.

Lezione 3 • Aritmetica di Base sulle Matrici

Insegna addizione, sottrazione e moltiplicazione per scalare con le regole di conformabilità. Queste operazioni sono prerequisiti per i prodotti tra matrici e le trasformazioni.

Lezione 1 • Proprietà dei Prodotti tra Matrici

Esamina l'associatività, la distributività e il comportamento dell'elemento neutro. La comprensione di queste proprietà consente la manipolazione algebrica delle espressioni matriciali.

Lezione 2 • Prodotti Speciali tra Matrici

Tratta i prodotti esterni, i prodotti di Hadamard e i prodotti di Kronecker. Ogni tipo di prodotto compare in domini applicativi distinti trattati in seguito.

Lezione 3 • Regole della Moltiplicazione tra Matrici

Deriva la regola riga-per-colonna e i requisiti dimensionali per prodotti validi. L'applicazione corretta previene gli errori computazionali più comuni.

Lezione 1 • Calcolo dei Determinanti

Presenta lo sviluppo di Laplace e i metodi di riduzione per righe per il calcolo dei determinanti. Un calcolo accurato è essenziale per i test di invertibilità e la regola di Cramer.

Lezione 2 • Calcolo dell'Inversa di una Matrice

Insegna i metodi basati sulla matrice aggiunta e sulla riduzione per righe per trovare le inverse. Il calcolo dell'inversa consente la soluzione diretta di equazioni e trasformazioni lineari.

Lezione 3 • Matrici Singolari e Invertibili

Definisce la singolarità attraverso i criteri del determinante e del rango. Distinguere le matrici invertibili da quelle singolari è fondamentale per risolvere i sistemi lineari.

Lezione 4 • Regola di Cramer e Applicazioni

Applica i determinanti per risolvere piccoli sistemi lineari mediante la regola di Cramer. Collega la teoria dei determinanti a flussi di lavoro pratici per la risoluzione di equazioni.

Lezione 1 • Eliminazione di Gauss-Jordan e RREF

Estende l'eliminazione alla forma a scalini ridotta per una lettura diretta della soluzione. La RREF rivela anche il rango e le variabili libere nei sistemi sottodeterminati.

Lezione 2 • Rappresentazione Matriciale dei Sistemi Lineari

Converte i sistemi di equazioni in forma di matrice aumentata. Questa rappresentazione è il punto di partenza per tutti i metodi algoritmici di soluzione.

Lezione 3 • Eliminazione di Gauss

Applica le operazioni elementari di riga per raggiungere la forma a scalini. L'eliminazione di Gauss è l'algoritmo fondamentale per risolvere i sistemi lineari.

Lezione 4 • Decomposizione LU per Sistemi Lineari

Fattorizza una matrice in componenti triangolari inferiore e superiore per una soluzione efficiente. La decomposizione LU riduce il calcolo ripetuto quando si risolvono termini noti multipli.

Lezione 1 • Equazione Caratteristica e Autovalori

Deriva gli autovalori dal polinomio caratteristico di una matrice quadrata. Gli autovalori quantificano il comportamento di scala lungo direzioni invarianti.

Lezione 2 • Matrici Simmetriche e Teorema Spettrale

Dimostra che le matrici simmetriche hanno autovalori reali e autovettori ortogonali. Il teorema spettrale è alla base dell'analisi delle componenti principali e delle forme quadratiche.

Lezione 3 • Calcolo degli autovettori

Trova gli autovettori risolvendo lo spazio nullo delle matrici traslate. Gli autovettori definiscono gli assi invarianti di una trasformazione lineare.

Lezione 4 • Diagonalizzazione delle Matrici

Costruisce la forma diagonale usando le matrici degli autovettori quando le condizioni sono soddisfatte. La diagonalizzazione semplifica il calcolo delle potenze e degli esponenziali di matrice.

Lezione 1 • Trasformazioni Lineari e Loro Matrici

Definisce le applicazioni lineari e deriva le loro rappresentazioni matriciali standard. Ogni matrice codifica una trasformazione lineare tra spazi vettoriali.

Lezione 2 • Assiomi degli Spazi Vettoriali ed Esempi

Definisce gli spazi vettoriali attraverso gli assiomi di chiusura, identità e inverso. Riconoscere gli spazi vettoriali validi è un prerequisito per l'analisi dei sottospazi e delle basi.

Lezione 3 • Sistemi di Coordinate e Cambiamento di Base

Esprime i vettori in basi diverse usando le matrici di transizione. Il cambiamento di base è essenziale per la diagonalizzazione e il calcolo efficiente.

Lezione 4 • Sottospazi, Span e Base

Identifica i sottospazi e costruisce insiemi generatori e basi minimali. La scelta della base determina le rappresentazioni delle coordinate usate nelle trasformazioni.

Lezione 1 • Scegliere e Applicare le Decomposizioni

Fornisce un quadro decisionale per selezionare le decomposizioni in base alle proprietà della matrice e agli obiettivi. I criteri pratici di selezione prevengono calcoli inefficienti o instabili.

Lezione 2 • Decomposizione QR

Fattorizza una matrice in componenti ortogonali e triangolari superiori tramite Gram-Schmidt. La decomposizione QR è la spina dorsale dei risolutori ai minimi quadrati e degli algoritmi per autovalori.

Lezione 3 • Decomposizioni di Schur e Jordan

Presenta la triangolarizzazione di Schur e la forma normale di Jordan per matrici non diagonalizzabili. Queste forme gestiscono le matrici difettive che resistono alla diagonalizzazione standard.

Lezione 4 • Decomposizione di Cholesky

Fattorizza le matrici simmetriche definite positive in forma triangolare. Cholesky è due volte più efficiente della LU per i sistemi definiti positivi nell'ottimizzazione.

Lezione 1 • Minimi Quadrati e Regressione

Risolve i sistemi sovradeterminati tramite equazioni normali e pseudoinversa. I minimi quadrati sono il nucleo matematico della regressione lineare e dell'adattamento dei dati.

Lezione 2 • Forme Quadratiche e Ottimizzazione

Analizza le funzioni obiettivo quadratiche usando rappresentazioni matriciali e autovalori. L'analisi delle forme quadratiche determina le condizioni di convessità e ottimalità.

Lezione 3 • Metodi Matriciali nell'Analisi delle Reti

Codifica i grafi come matrici di adiacenza e laplaciane ed estrae proprietà strutturali. La teoria spettrale dei grafi collega gli autovalori alla connettività e al clustering.

Lezione 4 • Risolutori Iterativi e Convergenza

Introduce i metodi di Jacobi, Gauss-Seidel e del gradiente coniugato per grandi sistemi sparsi. I metodi iterativi scalano laddove le decomposizioni dirette diventano computazionalmente proibitive.