Geometria e Algebra Lineare

In breve

L'algebra lineare nasce da un'idea fisica e geometrica semplicissima: il vettore, una freccia che ha una lunghezza e una direzione. Con i vettori si descrivono forze, velocità, spostamenti — tutto ciò che "ha un verso". Ma la vera potenza arriva quando si scopre che un vettore si può scrivere come una lista di numeri (le sue componenti) e che le operazioni geometriche (sommare frecce, allungarle) diventano operazioni numeriche. Questo capitolo costruisce il ponte tra la geometria (frecce nello spazio) e l'algebra (liste di numeri): somma di vettori, moltiplicazione per uno scalare, prodotto scalare (che misura angoli) e prodotto vettoriale (che dà aree e direzioni perpendicolari). Sono i mattoni di tutto il corso.

🎯 Alla fine di questo capitolo saprai: cos'è un vettore e come si rappresenta con componenti; come si fanno somma e prodotto per uno scalare; cosa misurano il prodotto scalare (angoli, ortogonalità) e il prodotto vettoriale (area, direzione perpendicolare); e cosa significa norma di un vettore.

---

Che cos'è un vettore

Perché conta: il vettore è l'oggetto elementare di tutta l'algebra lineare; capirlo bene in dimensione 2 e 3 rende naturale tutto il resto.

Molte grandezze si descrivono con un solo numero: la temperatura, la massa, il tempo. Si chiamano scalari. Ma altre grandezze hanno bisogno anche di una direzione: una forza spinge verso qualcosa, una velocità va in un verso. Queste sono grandezze vettoriali, e si rappresentano con un vettore: geometricamente, una freccia caratterizzata da tre cose — un modulo (la lunghezza), una direzione (la retta su cui giace) e un verso (da che parte punta).

Il salto decisivo è passare dalla freccia ai numeri. Fissato un sistema di riferimento (assi cartesiani), ogni vettore si scrive come una lista ordinata di numeri, le sue componenti: nel piano $\mathbf{v} = (v_1, v_2)$, nello spazio $\mathbf{v} = (v_1, v_2, v_3)$. Le componenti dicono "di quanto ci si sposta lungo ciascun asse". Un vettore di $\mathbb{R}^n$ è semplicemente una lista di $n$ numeri: $\mathbf{v} = (v_1, v_2, \dots, v_n)$. Da qui in poi "vettore" e "lista di numeri" sono la stessa cosa vista da due lati: geometrico e algebrico.

🔗 Analogia. Un vettore è come un'istruzione di spostamento su una mappa: "3 isolati a est e 2 a nord". Il punto di partenza non conta (l'istruzione è la stessa ovunque parti): contano solo quanto e in che direzione. Le componenti $(3, 2)$ sono esattamente questa istruzione. Due frecce diverse sul foglio, ma con lo stesso "3 a est, 2 a nord", sono lo stesso vettore.

---

Somma e prodotto per uno scalare

Perché conta: queste due operazioni sono il "motore" dell'intera algebra lineare; da esse nasce la nozione di combinazione lineare, onnipresente nel corso.

Con i vettori si fanno due operazioni fondamentali, entrambe con un significato geometrico limpido.

La somma $\mathbf{u} + \mathbf{v}$ si calcola sommando componente per componente: $(u_1, u_2) + (v_1, v_2) = (u_1+v_1,\, u_2+v_2)$. Geometricamente è la regola del parallelogramma (o "testa-coda"): metti la coda di $\mathbf{v}$ sulla punta di $\mathbf{u}$; la freccia che va dalla coda di $\mathbf{u}$ alla punta di $\mathbf{v}$ è la somma. È il risultato di "prima lo spostamento $\mathbf{u}$, poi lo spostamento $\mathbf{v}$".

La moltiplicazione per uno scalare $\lambda \mathbf{v}$ moltiplica ogni componente per il numero $\lambda$: $\lambda(v_1, v_2) = (\lambda v_1,\, \lambda v_2)$. Geometricamente allunga (o accorcia) il vettore del fattore $\lambda$, senza cambiarne la direzione; se $\lambda < 0$, ne inverte il verso. Con $\lambda = 2$ raddoppia, con $\lambda = \tfrac12$ dimezza, con $\lambda = -1$ lo capovolge.

Da queste due operazioni nasce il concetto più importante di tutto il corso: la combinazione lineare. Una combinazione lineare dei vettori $\mathbf{v}_1, \dots, \mathbf{v}_k$ è una scrittura del tipo $\lambda_1 \mathbf{v}_1 + \lambda_2 \mathbf{v}_2 + \dots + \lambda_k \mathbf{v}_k,$ cioè: allunga ciascun vettore per un suo scalare e somma tutto. "Combinare linearmente" significa costruire nuovi vettori a partire da alcuni dati usando solo queste due operazioni. Vedremo che quasi ogni domanda dell'algebra lineare ("questo vettore si può ottenere da quelli?", "questi sono indipendenti?") è una domanda sulle combinazioni lineari.

🧩 Esempio. Siano $\mathbf{u} = (1, 2)$ e $\mathbf{v} = (3, -1)$. Allora $\mathbf{u} + \mathbf{v} = (4, 1)$; $2\mathbf{u} = (2, 4)$; e la combinazione lineare $2\mathbf{u} - \mathbf{v} = (2,4) - (3,-1) = (-1, 5)$. Ogni scelta dei coefficienti dà un vettore diverso: al variare di $\lambda, \mu$, tutte le combinazioni $\lambda \mathbf{u} + \mu \mathbf{v}$ riempiono l'intero piano (perché $\mathbf u$ e $\mathbf v$ non sono paralleli).

---

Norma e prodotto scalare

Perché conta: il prodotto scalare è lo strumento che introduce lunghezze e angoli nell'algebra lineare; senza di esso non potremmo parlare di ortogonalità.

Finora abbiamo sommato e allungato vettori, ma non abbiamo ancora misurato lunghezze e angoli. Lo strumento che li introduce è il prodotto scalare (o prodotto interno). Dati due vettori, il prodotto scalare è un numero (uno scalare, da cui il nome), definito come somma dei prodotti delle componenti: $\mathbf{u} \cdot \mathbf{v} = u_1 v_1 + u_2 v_2 + \dots + u_n v_n.$

Da esso discende la norma (o modulo, la lunghezza) di un vettore: $\|\mathbf{v}\| = \sqrt{\mathbf{v}\cdot\mathbf{v}} = \sqrt{v_1^2 + \dots + v_n^2}$. Nel piano è semplicemente il teorema di Pitagora: la lunghezza della freccia $(v_1, v_2)$ è $\sqrt{v_1^2 + v_2^2}$.

Ma il prodotto scalare fa molto di più: è legato all'angolo $\theta$ tra i due vettori dalla formula $\mathbf{u} \cdot \mathbf{v} = \|\mathbf{u}\|\,\|\mathbf{v}\|\cos\theta.$ Questa formula è potentissima. Ci dice tra l'altro che il segno del prodotto scalare rivela l'angolo: positivo se acuto ($\cos\theta>0$), negativo se ottuso, nullo se retto. Ecco il fatto più usato in assoluto: $\mathbf{u} \cdot \mathbf{v} = 0 \iff \mathbf{u} \perp \mathbf{v}\quad(\text{ortogonali, cioè perpendicolari}).$ L'ortogonalità — cardine di tutta la geometria e di gran parte dell'algebra lineare — si riduce così a un semplice conto: il prodotto scalare è zero.

⚠️ Attenzione. Non confondere prodotto scalare (dà un numero, misura angoli/lunghezze) e prodotto per uno scalare (moltiplica un vettore per un numero, dà un vettore). Nomi simili, oggetti diversissimi. E occhio: il prodotto scalare non è "componente per componente" (quello darebbe un vettore); è la somma di quei prodotti (dà un numero).

---

Il prodotto vettoriale (nello spazio)

Perché conta: dà una direzione perpendicolare a due vettori e misura aree; ricorre in fisica (momento, campo magnetico) e in geometria dello spazio.

Solo nello spazio tridimensionale $\mathbb{R}^3$ esiste una terza operazione, il prodotto vettoriale $\mathbf{u} \times \mathbf{v}$. A differenza del prodotto scalare, il risultato è un vettore, con tre proprietà caratteristiche:

• è perpendicolare a entrambi i vettori $\mathbf{u}$ e $\mathbf{v}$ (esce dal piano che essi individuano);
• il suo verso è dato dalla "regola della mano destra";
• il suo modulo vale $\|\mathbf{u} \times \mathbf{v}\| = \|\mathbf{u}\|\,\|\mathbf{v}\|\sin\theta$, che è esattamente l'area del parallelogramma costruito su $\mathbf{u}$ e $\mathbf{v}$.

Ne segue un criterio utile: $\mathbf{u} \times \mathbf{v} = \mathbf{0}$ se e solo se i due vettori sono paralleli (allineati), perché allora l'area del parallelogramma è nulla. Il prodotto vettoriale è quindi il "gemello" del prodotto scalare: quello si annulla per vettori perpendicolari, questo per vettori paralleli. Insieme, i due prodotti catturano tutta l'informazione geometrica sulla posizione reciproca di due vettori.

---

🗺️ Come si collega il tutto

Questo capitolo costruisce il ponte tra geometria e algebra: un vettore è insieme una freccia (modulo, direzione, verso) e una lista di componenti in $\mathbb{R}^n$. Le due operazioni base — somma e prodotto per uno scalare — generano il concetto-chiave dell'intero corso, la combinazione lineare, che ritroveremo negli spazi vettoriali (cap. 5), nell'indipendenza lineare e nelle basi (cap. 6). Il prodotto scalare introduce lunghezze e angoli, e soprattutto l'ortogonalità ($\mathbf u\cdot\mathbf v=0$), che sarà il cuore del cap. 10 (basi ortonormali, proiezioni). Il prodotto vettoriale dà aree e direzioni perpendicolari, utile nella geometria di rette e piani (cap. 11). Il passo successivo è organizzare più vettori in una tabella di numeri — la matrice (cap. 2) — e scoprire che rappresenta una trasformazione dello spazio.

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Vettore	Freccia = lista di componenti $(v_1,\dots,v_n)$: modulo, direzione, verso	Scalare (un solo numero, senza direzione)
Combinazione lineare	$\lambda_1\mathbf v_1+\dots+\lambda_k\mathbf v_k$: allunga e somma	(è il concetto centrale del corso)
Prodotto per scalare	$\lambda\mathbf v$: allunga/inverte il vettore → dà un vettore	Prodotto scalare (dà un numero)
Prodotto scalare	$\mathbf u\cdot\mathbf v=\sum u_iv_i$ → numero; misura angoli	Prodotto vettoriale (dà un vettore)
Norma	$\|\mathbf v\|=\sqrt{\mathbf v\cdot\mathbf v}$: la lunghezza (Pitagora)	(è un numero $\geq 0$)
Ortogonalità	$\mathbf u\cdot\mathbf v=0 \iff$ perpendicolari	Parallelismo ($\mathbf u\times\mathbf v=\mathbf 0$)
Prodotto vettoriale	$\mathbf u\times\mathbf v$ (solo in $\mathbb R^3$): perpendicolare, modulo = area	Prodotto scalare (numero, non vettore)

---

📝 Riepilogo

• Un vettore rappresenta una grandezza con direzione (forza, velocità, spostamento): geometricamente una freccia (modulo, direzione, verso), algebricamente una lista di componenti $(v_1,\dots,v_n)$ in $\mathbb{R}^n$. Geometria e algebra sono due facce dello stesso oggetto.
• Le operazioni base sono somma (componente per componente, regola del parallelogramma) e prodotto per uno scalare ($\lambda\mathbf v$: allunga/accorcia/inverte). Da esse nasce la combinazione lineare $\lambda_1\mathbf v_1+\dots+\lambda_k\mathbf v_k$, concetto centrale di tutto il corso.
• Il prodotto scalare $\mathbf u\cdot\mathbf v=\sum u_iv_i$ è un numero: dà la norma $\|\mathbf v\|=\sqrt{\mathbf v\cdot\mathbf v}$ (Pitagora) e l'angolo ($\mathbf u\cdot\mathbf v=\|\mathbf u\|\|\mathbf v\|\cos\theta$). Fatto chiave: $\mathbf u\cdot\mathbf v=0\iff$ ortogonali.
• Il prodotto vettoriale $\mathbf u\times\mathbf v$ (solo in $\mathbb R^3$) dà un vettore perpendicolare a entrambi, di modulo pari all'area del parallelogramma; si annulla se i vettori sono paralleli. Prossimo passo: le matrici (cap. 2).

In breve

Una matrice è una tabella rettangolare di numeri. Detta così sembra un semplice contenitore, ma è molto di più: una matrice è il modo in cui si scrive una trasformazione dello spazio (una rotazione, una dilatazione, una proiezione) e insieme il modo in cui si impacchettano i coefficienti di un sistema di equazioni lineari. Questi due volti — matrice come trasformazione e matrice come tabella di coefficienti — attraversano tutto il corso. In questo capitolo impariamo a maneggiare le matrici: come si sommano, si moltiplicano per uno scalare e — operazione cruciale e sorprendente — come si moltiplicano tra loro. Il prodotto tra matrici, con la sua regola "riga per colonna", è il cuore pulsante dell'algebra lineare.

🎯 Alla fine di questo capitolo saprai: cos'è una matrice e la sua terminologia (righe, colonne, tipi); come si fanno somma, prodotto per scalare e trasposta; come funziona il prodotto righe-per-colonne e perché non è commutativo; il ruolo della matrice identità.

---

Che cos'è una matrice

Perché conta: la matrice è lo strumento di calcolo centrale del corso; ogni sistema lineare e ogni applicazione lineare si scrive con una matrice.

Una matrice $A$ è una tabella rettangolare di numeri disposti in $m$ righe e $n$ colonne; si dice allora di tipo (o dimensione) $m \times n$. Il numero nella riga $i$ e colonna $j$ si indica $a_{ij}$ (prima l'indice di riga, poi quello di colonna). Per esempio, $A = \begin{pmatrix} 2 & 0 & -1 \\ 3 & 1 & 4 \end{pmatrix}$ è una matrice $2 \times 3$ (2 righe, 3 colonne), e $a_{23} = 4$ (riga 2, colonna 3).

Alcuni tipi hanno nomi propri: una matrice quadrata ha lo stesso numero di righe e colonne ($n \times n$); un vettore colonna è una matrice $n \times 1$ (una sola colonna) e un vettore riga una $1 \times n$. La diagonale principale di una matrice quadrata è la sequenza degli elementi $a_{11}, a_{22}, \dots, a_{nn}$ (dall'angolo in alto a sinistra in giù). Una matrice diagonale ha tutti gli elementi nulli fuori dalla diagonale; una triangolare ha tutti zeri sotto (o sopra) la diagonale.

Perché tutto questo apparato? Perché una matrice è un doppio oggetto: (1) una collezione ordinata di vettori (le sue righe o le sue colonne), e (2), come vedremo, la "ricetta" di una trasformazione che manda vettori in vettori. Tenere a mente questi due significati rende ogni operazione naturale invece che meccanica.

🔗 Analogia. Una matrice è come un foglio di calcolo (una tabella con righe e colonne di numeri). Ma è un foglio "attivo": non solo conserva dati, ma agisce — moltiplicandolo per un vettore, lo trasforma. Come una macchina fotografica che prende una scena (il vettore in ingresso) e ne produce una versione modificata (ruotata, ingrandita, deformata).

---

Somma, prodotto per scalare, trasposta

Perché conta: sono le operazioni elementari; semplici, ma con la trasposta che ricorre in ortogonalità e matrici simmetriche.

Le operazioni "facili" sulle matrici funzionano componente per componente, come per i vettori:

• Somma $A + B$: si sommano gli elementi corrispondenti, $(A+B)_{ij} = a_{ij} + b_{ij}$. Richiede che $A$ e $B$ abbiano lo stesso tipo (stesse righe e colonne): non si sommano tabelle di forma diversa.
• Prodotto per uno scalare $\lambda A$: si moltiplica ogni elemento per $\lambda$.

Una terza operazione, all'apparenza banale ma importantissima, è la trasposta $A^T$: si ottiene scambiando righe e colonne (la riga $i$ diventa la colonna $i$). Se $A$ è $m\times n$, allora $A^T$ è $n\times m$, e $(A^T)_{ij} = a_{ji}$. Per esempio, la trasposta della $A$ vista sopra ($2\times3$) è una matrice $3\times2$. La trasposta introduce un concetto che ritroveremo spesso: una matrice quadrata si dice simmetrica se $A^T = A$ (è "specchiata" rispetto alla diagonale, cioè $a_{ij}=a_{ji}$). Le matrici simmetriche hanno proprietà eccezionali (cap. 9-10).

---

Il prodotto tra matrici

Perché conta: è l'operazione centrale dell'algebra lineare; corrisponde alla composizione di trasformazioni e non si comporta come la moltiplicazione tra numeri.

Ed eccoci all'operazione cruciale: il prodotto di due matrici $A \cdot B$. Non si fa "elemento per elemento" (sarebbe inutile); si fa con la regola riga per colonna: l'elemento di posto $(i,j)$ del prodotto è il prodotto scalare della riga $i$ di $A$ con la colonna $j$ di $B$: $(AB)_{ij} = a_{i1}b_{1j} + a_{i2}b_{2j} + \dots + a_{in}b_{nj} = \sum_{k=1}^{n} a_{ik}b_{kj}.$

Da questa regola nasce un vincolo fondamentale sulle dimensioni: si moltiplica $A$ (di tipo $m\times n$) per $B$ (di tipo $n\times p$) solo se il numero di colonne di $A$ è uguale al numero di righe di $B$ (le "$n$" devono combaciare, perché riga e colonna devono avere la stessa lunghezza per farne il prodotto scalare). Il risultato $AB$ è di tipo $m\times p$. In sintesi: $(m\times \underline{n})\cdot(\underline{n}\times p) = (m\times p)$.

Perché una regola così strana? Perché corrisponde alla composizione di trasformazioni: se $B$ trasforma lo spazio in un modo e $A$ in un altro, la matrice $AB$ è la trasformazione "prima $B$, poi $A$" (una dopo l'altra). Il prodotto riga-per-colonna è precisamente ciò che fa combaciare i conti quando si applicano due trasformazioni in sequenza. Tornerà chiaro nel cap. 7.

🧩 Esempio. Moltiplichiamo $A = \begin{pmatrix} 1 & 2 \\ 0 & 3 \end{pmatrix}$ per $B = \begin{pmatrix} 4 & 1 \\ 5 & 0 \end{pmatrix}$ (entrambe $2\times2$). L'elemento $(1,1)$ è riga 1 di $A$ per colonna 1 di $B$: $1\cdot4 + 2\cdot5 = 14$. L'elemento $(1,2)$: $1\cdot1+2\cdot0 = 1$. L'elemento $(2,1)$: $0\cdot4+3\cdot5=15$. L'elemento $(2,2)$: $0\cdot1+3\cdot0=0$. Dunque $AB = \begin{pmatrix} 14 & 1 \\ 15 & 0 \end{pmatrix}.$

---

Non commutatività e matrice identità

Perché conta: la non commutatività è la differenza più importante tra matrici e numeri; l'identità è l'elemento neutro, base della nozione di inversa.

Il prodotto tra matrici ha una proprietà che rompe l'intuizione costruita sui numeri: non è commutativo. In generale $AB \neq BA.$ L'ordine conta! Spesso addirittura uno dei due prodotti esiste e l'altro no (per le dimensioni), o danno matrici di tipo diverso. Anche quando entrambi esistono e hanno lo stesso tipo, i risultati sono di norma diversi. Questo ha senso pensando alle trasformazioni: "ruota poi rifletti" dà un risultato diverso da "rifletti poi ruota". È una delle prime cose a cui abituarsi: con le matrici l'ordine dei fattori non si può scambiare.

Esiste però un elemento speciale che si comporta da "1": la matrice identità $I$, la matrice quadrata con tutti 1 sulla diagonale e 0 altrove: $I = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}\ (\text{caso } 3\times3).$ L'identità è l'elemento neutro del prodotto: $AI = IA = A$ per ogni matrice $A$ (di dimensioni compatibili). Come trasformazione, $I$ è la trasformazione che "non fa nulla" (lascia ogni vettore dov'è). Il suo ruolo è centrale perché permette di definire la matrice inversa (cap. 3): $A^{-1}$ sarà la matrice che, moltiplicata per $A$, dà $I$ — cioè "annulla" l'effetto di $A$, esattamente come $\tfrac1a \cdot a = 1$ per i numeri.

⚠️ Attenzione. Con le matrici cadono due regole valide per i numeri. Primo: $AB \neq BA$ (non commutatività). Secondo: $AB = 0$ non implica che $A=0$ o $B=0$ (esistono matrici non nulle il cui prodotto è la matrice nulla!). Non si può quindi "semplificare" liberamente come coi numeri. Il prodotto è invece associativo: $(AB)C = A(BC)$, e questo vale sempre.

---

🗺️ Come si collega il tutto

La matrice ha due volti che percorrono tutto il corso: tabella di coefficienti di un sistema lineare (cap. 4) e "ricetta" di una trasformazione dello spazio (cap. 7). Le operazioni facili (somma, prodotto per scalare, trasposta) si fanno componente per componente; la trasposta introduce le matrici simmetriche ($A^T=A$), protagoniste dei cap. 9-10. Il prodotto righe-per-colonne è l'operazione centrale: corrisponde alla composizione di trasformazioni, e la sua non commutatività ($AB\neq BA$) è la caratteristica più tipica. La matrice identità $I$ è l'elemento neutro e apre la strada alla matrice inversa (cap. 3), che a sua volta serve a risolvere i sistemi lineari. Il passo successivo è misurare una matrice quadrata con un solo numero — il determinante — che dirà se è invertibile.

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Matrice $m\times n$	Tabella di numeri: $m$ righe, $n$ colonne	Vettore (matrice con una sola riga/colonna)
Trasposta $A^T$	Scambia righe e colonne	Inversa $A^{-1}$ (annulla $A$, cosa diversa)
Simmetrica	$A^T=A$: specchiata sulla diagonale	Diagonale (zeri fuori dalla diagonale)
Prodotto $AB$	Riga di $A$ · colonna di $B$; serve $\#\text{col}A=\#\text{righe}B$	Prodotto per scalare (moltiplica ogni elemento)
Non commutatività	In generale $AB\neq BA$: l'ordine conta	(per i numeri invece $ab=ba$)
Identità $I$	1 sulla diagonale, 0 altrove; $AI=IA=A$	Matrice nulla (tutti 0, elemento neutro della somma)

---

📝 Riepilogo

• Una matrice $m\times n$ è una tabella di numeri ($m$ righe, $n$ colonne); l'elemento $a_{ij}$ sta in riga $i$, colonna $j$. Casi speciali: quadrata ($n\times n$), diagonale, triangolare, vettore riga/colonna. Doppio significato: tabella di coefficienti e trasformazione dello spazio.
• Operazioni "facili" (componente per componente): somma $A+B$ (solo stesso tipo), prodotto per scalare $\lambda A$, trasposta $A^T$ (scambia righe↔colonne). Una matrice è simmetrica se $A^T=A$.
• Il prodotto $AB$ segue la regola riga per colonna ($(AB)_{ij}=\sum_k a_{ik}b_{kj}$); si può fare solo se le colonne di $A$ = righe di $B$, e $(m\times n)(n\times p)=(m\times p)$. Corrisponde alla composizione di trasformazioni.
• Il prodotto è associativo ma non commutativo ($AB\neq BA$) e $AB=0$ non implica $A=0$ o $B=0$. La matrice identità $I$ (1 sulla diagonale) è l'elemento neutro ($AI=IA=A$) e apre la via alla matrice inversa (cap. 3). Prossimo passo: il determinante.

In breve

Il determinante è un numero che si associa a ogni matrice quadrata e ne riassume una proprietà geometrica profonda: quanto la trasformazione descritta dalla matrice dilata (o comprime) i volumi. Ma il suo uso più immediato è un test: il determinante ci dice, con un solo conto, se una matrice è invertibile — cioè se la sua trasformazione si può "annullare" tornando indietro. Questo capitolo definisce il determinante (per matrici $2\times2$, $3\times3$ e in generale), ne spiega il significato geometrico come area/volume, e introduce la matrice inversa $A^{-1}$, il "reciproco" di una matrice, che esiste esattamente quando il determinante è diverso da zero.

🎯 Alla fine di questo capitolo saprai: cos'è il determinante e come si calcola ($2\times2$, $3\times3$, Laplace); il suo significato geometrico (fattore di dilatazione di area/volume); il criterio $\det A \neq 0 \iff A$ invertibile; cos'è la matrice inversa $A^{-1}$ e a cosa serve.

---

Il determinante e il suo significato

Perché conta: il determinante è l'indicatore che collega calcolo e geometria; da esso dipendono invertibilità, indipendenza lineare e molto altro.

A ogni matrice quadrata $A$ si associa un numero, il determinante $\det A$ (scritto anche $|A|$). Per le matrici piccole c'è una formula esplicita.

Per una matrice $2\times2$: $\det\begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc.$

Per una matrice $3\times3$ c'è la regola di Sarrus (prodotti delle diagonali "discendenti" meno prodotti delle "ascendenti"): $\det\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} = aei + bfg + cdh - ceg - bdi - afh.$

Al di là delle formule, ciò che conta è il significato. Il determinante misura quanto la trasformazione associata alla matrice dilata le aree (in 2D) o i volumi (in 3D). Prendi il quadrato unitario di area 1: applicando la matrice $A$, diventa un parallelogramma la cui area è esattamente $|\det A|$. Se $\det A = 3$, la trasformazione triplica le aree; se $\det A = \tfrac12$, le dimezza. Il segno del determinante indica se la trasformazione conserva o inverte l'orientazione (come uno specchio che scambia destra e sinistra).

Il caso più importante è $\det A = 0$. Significa che la trasformazione schiaccia lo spazio in una dimensione inferiore (il quadrato viene "appiattito" su un segmento, area zero). Quando questo accade, l'informazione va persa in modo irreversibile: non si può più "tornare indietro". Ecco perché — come vedremo — $\det A = 0$ è esattamente la condizione di non invertibilità.

🔗 Analogia. Il determinante è come il fattore di scala di una fotocopiatrice. Impostata al 200% (det = 4 in area, cioè $2\times2$) ingrandisce; al 50% rimpicciolisce. Ma se la fotocopiatrice "schiaccia" l'immagine fino a ridurla a una linea (det = 0), hai perso il documento: da una linea non puoi ricostruire la pagina. Un determinante nullo è una fotocopia irrimediabilmente rovinata.

---

Calcolo per matrici grandi: sviluppo di Laplace

Perché conta: per matrici oltre il $3\times3$ serve un metodo sistematico; lo sviluppo di Laplace lo fornisce e chiarisce la struttura ricorsiva del determinante.

Per matrici $n\times n$ con $n \geq 4$ non c'è una formula "a diagonali"; si usa lo sviluppo di Laplace (per righe o colonne), che riduce il calcolo a determinanti più piccoli. L'idea: si sceglie una riga (o colonna) e si sommano, con segni alternati, i prodotti di ciascun elemento per il determinante della sottomatrice ottenuta cancellando la sua riga e la sua colonna (il suo minore complementare). I segni seguono lo schema a scacchiera $(-1)^{i+j}$: $\det A = \sum_{j} (-1)^{i+j}\, a_{ij}\, M_{ij}\quad(\text{sviluppo lungo la riga } i),$ dove $M_{ij}$ è il minore complementare. È un procedimento ricorsivo: un $4\times4$ si riduce a quattro $3\times3$, ciascuno a tre $2\times2$.

Un consiglio pratico decisivo: conviene sviluppare lungo la riga o colonna con più zeri, perché gli elementi nulli annullano interi termini e riducono i conti. Utile anche sapere che il determinante di una matrice triangolare (tutti zeri sotto o sopra la diagonale) è semplicemente il prodotto degli elementi diagonali — un caso in cui il conto è immediato. Questo suggerisce una strategia (cap. 4): ridurre una matrice a forma triangolare per calcolarne facilmente il determinante.

---

La matrice inversa

Perché conta: l'inversa è ciò che permette di "annullare" una trasformazione e di risolvere sistemi lineari; il determinante ne governa l'esistenza.

Per i numeri, ogni $a \neq 0$ ha un reciproco $a^{-1} = 1/a$ tale che $a \cdot a^{-1} = 1$. L'analogo per le matrici è la matrice inversa. Data una matrice quadrata $A$, la sua inversa $A^{-1}$ (quando esiste) è l'unica matrice tale che $A \, A^{-1} = A^{-1} A = I,$ dove $I$ è l'identità. Geometricamente, $A^{-1}$ è la trasformazione che annulla l'effetto di $A$: se $A$ ruota di 30°, $A^{-1}$ ruota di $-30°$ e riporta tutto al punto di partenza.

Ma non tutte le matrici hanno un'inversa. Una matrice si dice invertibile (o non singolare) se ammette inversa, singolare se non la ammette. Ed ecco il legame fondamentale con il determinante — uno dei teoremi cardine del corso: $A \text{ è invertibile} \iff \det A \neq 0.$ La ragione è quella geometrica vista sopra: se $\det A = 0$, la trasformazione schiaccia lo spazio e perde informazione, quindi non è "reversibile"; se $\det A \neq 0$, nessuna informazione va persa e si può tornare indietro. Per una matrice $2\times2$ c'è una formula esplicita: $A^{-1} = \frac{1}{\det A}\begin{pmatrix} d & -b \\ -c & a \end{pmatrix},\qquad A=\begin{pmatrix} a & b \\ c & d \end{pmatrix},$ in cui si vede a occhio nudo il ruolo del determinante: se $\det A = ad-bc = 0$ la formula esplode (divisione per zero) — l'inversa non esiste.

🧩 Esempio. Sia $A = \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix}$. Il determinante è $\det A = 2\cdot1 - 1\cdot1 = 1 \neq 0$: la matrice è invertibile. Applicando la formula: $A^{-1} = \frac{1}{1}\begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix} = \begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix}$. Verifica: $A A^{-1} = \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix}\begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = I$. ✓

⚠️ Attenzione. Non esiste la "divisione tra matrici"! Al posto di $B/A$ si scrive $B A^{-1}$ oppure $A^{-1}B$ — e i due sono in generale diversi (non commutatività, cap. 2), quindi bisogna stare attenti da che lato si moltiplica. Inoltre l'inversa esiste solo per matrici quadrate e solo se $\det \neq 0$: prima di invertire, controlla sempre il determinante.

---

🗺️ Come si collega il tutto

Il determinante è il numero che condensa la geometria di una matrice quadrata: misura il fattore di dilatazione di area/volume della sua trasformazione (cap. 7). Il caso $\det A = 0$ segnala che lo spazio viene schiacciato: è la condizione di non invertibilità e, come vedremo, di dipendenza lineare delle colonne (cap. 6) e di esistenza di autovalore nullo (cap. 8). La matrice inversa $A^{-1}$ annulla la trasformazione e permette di risolvere i sistemi $A\mathbf x=\mathbf b$ scrivendo $\mathbf x=A^{-1}\mathbf b$ (cap. 4). Il criterio $\det A\neq0\iff$ invertibile lega calcolo e geometria ed è uno dei perni dell'intero corso. Il passo successivo è usare questi strumenti per risolvere in modo sistematico i sistemi lineari (cap. 4), col metodo di Gauss.

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Determinante $\det A$	Numero (solo per matrici quadrate): fattore di dilatazione area/volume	Traccia (somma degli elementi diagonali)
$\det A = 0$	Trasformazione che schiaccia lo spazio → non invertibile	$\det A\neq0$ (invertibile, "reversibile")
Sviluppo di Laplace	Calcolo ricorsivo per righe/colonne con segni $(-1)^{i+j}$	Sarrus (solo per $3\times3$)
Matrice inversa $A^{-1}$	$AA^{-1}=I$: annulla la trasformazione	Trasposta $A^T$ (scambia righe/colonne)
Invertibile / singolare	Ha / non ha inversa; invertibile $\iff\det\neq0$	(singolare = det nullo = non invertibile)

---

📝 Riepilogo

• Il determinante $\det A$ è un numero associato a una matrice quadrata. Formule: $2\times2$ → $ad-bc$; $3\times3$ → regola di Sarrus; caso generale → sviluppo di Laplace (ricorsivo, per righe/colonne, segni $(-1)^{i+j}$, meglio dove ci sono più zeri). Per una matrice triangolare è il prodotto degli elementi diagonali.
• Significato geometrico: $|\det A|$ è il fattore di dilatazione di aree (2D) / volumi (3D) della trasformazione; il segno indica se l'orientazione è conservata o invertita. $\det A=0$ significa che lo spazio viene schiacciato (informazione persa).
• La matrice inversa $A^{-1}$ soddisfa $AA^{-1}=A^{-1}A=I$: è la trasformazione che annulla $A$. Criterio fondamentale: $A$ è invertibile $\iff \det A\neq0$ (altrimenti è singolare). Formula $2\times2$: A^{-1}=\frac{1}{\det A}\begin{psmallmatrix} d & -b \\ -c & a\end{psmallmatrix}.
• Non esiste "divisione tra matrici": si usa $A^{-1}$, facendo attenzione al lato (non commutatività). L'inversa serve a risolvere $A\mathbf x=\mathbf b$ come $\mathbf x=A^{-1}\mathbf b$. Prossimo passo: i sistemi lineari e il metodo di Gauss (cap. 4).

In breve

Un sistema lineare è un insieme di equazioni di primo grado in più incognite: il problema più antico e più applicativo di tutta la matematica (bilanciare reazioni chimiche, dimensionare strutture, risolvere circuiti). L'algebra lineare gli dà una forma compatta e potente: ogni sistema si scrive come $A\mathbf{x} = \mathbf{b}$, con $A$ matrice dei coefficienti, $\mathbf{x}$ vettore delle incognite, $\mathbf{b}$ vettore dei termini noti. Questo capitolo mostra il metodo universale per risolverli — l'eliminazione di Gauss — e il teorema che dice quando un sistema ha soluzione e quante ne ha: il teorema di Rouché-Capelli, basato sul concetto di rango.

🎯 Alla fine di questo capitolo saprai: scrivere un sistema in forma matriciale $A\mathbf x=\mathbf b$; risolverlo con l'eliminazione di Gauss (operazioni elementari, forma a scalini); il concetto di rango; il teorema di Rouché-Capelli (esistenza e numero delle soluzioni); la differenza tra sistema determinato, indeterminato, impossibile.

---

Sistemi lineari in forma matriciale

Perché conta: la scrittura $A\mathbf x=\mathbf b$ unifica tutti i sistemi lineari in un unico oggetto e collega il problema a matrici, determinanti e inverse.

Un sistema lineare di $m$ equazioni in $n$ incognite ha la forma $\begin{cases} a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n = b_1 \\ \ \vdots \\ a_{m1}x_1 + a_{m2}x_2 + \dots + a_{mn}x_n = b_m \end{cases}$ "Lineare" significa che le incognite compaiono solo al primo grado (nessun $x^2$, nessun prodotto $x_1 x_2$, nessun seno o esponenziale). Questa restrizione, apparentemente limitante, è ciò che rende il problema completamente risolubile.

Il colpo di genio dell'algebra lineare è impacchettare tutto in forma matriciale: $A\mathbf{x} = \mathbf{b},$ dove $A$ è la matrice dei coefficienti ($m\times n$, tutti gli $a_{ij}$), $\mathbf{x}$ il vettore colonna delle incognite, $\mathbf{b}$ il vettore colonna dei termini noti. Grazie alla regola del prodotto riga-per-colonna (cap. 2), il prodotto $A\mathbf x$ ricostruisce esattamente i primi membri delle equazioni. Un sistema con $\mathbf b = \mathbf 0$ si dice omogeneo (ha sempre almeno la soluzione banale $\mathbf x = \mathbf 0$).

Questa forma apre subito una strada: se $A$ è quadrata e invertibile ($\det A\neq 0$), si può moltiplicare a sinistra per $A^{-1}$ ottenendo $\mathbf{x} = A^{-1}\mathbf{b}$ — soluzione unica, bell'e pronta. Ma questo è solo il caso più fortunato; in generale servono strumenti più flessibili, perché $A$ può non essere quadrata o avere determinante nullo.

🔗 Analogia. Un sistema lineare è come una ricetta con vincoli: "il totale di zucchero deve essere 200g, quello di farina 500g...". Ogni equazione è un vincolo; le incognite sono le quantità di ciascun ingrediente. Risolvere il sistema è trovare le dosi che rispettano tutti i vincoli contemporaneamente. A volte c'è un'unica ricetta possibile, a volte infinite, a volte nessuna: esattamente i tre casi che studieremo.

---

L'eliminazione di Gauss

Perché conta: è l'algoritmo universale per risolvere qualsiasi sistema lineare, semplice, meccanico e sempre funzionante.

Il metodo generale per risolvere un sistema è l'eliminazione di Gauss. L'idea: trasformare il sistema in uno equivalente (con le stesse soluzioni) ma più semplice, "a scalini", che si risolve a vista. Gli strumenti sono le operazioni elementari sulle righe, che non cambiano le soluzioni:

1. scambiare due righe (equazioni);
2. moltiplicare una riga per un numero $\neq 0$;
3. sommare a una riga un multiplo di un'altra.

L'ultima è la mossa-chiave: sommando a un'equazione un opportuno multiplo di un'altra si può azzerare un coefficiente, cioè eliminare un'incognita da quell'equazione. Ripetendo, si porta la matrice (dei coefficienti + termini noti, detta matrice completa) in forma a scalini (triangolare): la prima equazione con tutte le incognite, la seconda con una in meno, e così via, fino a un'ultima equazione con una sola incognita.

A quel punto si procede a sostituzione all'indietro (back-substitution): l'ultima equazione dà subito l'ultima incognita; sostituendola nella penultima si trova la penultima; e così a ritroso fino alla prima. Il metodo è meccanico (sempre gli stessi passi), universale (funziona per qualsiasi sistema, anche non quadrato) e completo (rivela da solo se le soluzioni sono una, infinite o nessuna).

🧩 Esempio. Sistema $\begin{cases} x + y = 3 \\ 2x + 3y = 8 \end{cases}$. Eliminiamo $x$ dalla seconda: alla riga 2 sottraiamo $2\times$ la riga 1, ottenendo $(2-2)x + (3-2)y = 8-6$, cioè $y = 2$. Sostituzione all'indietro nella prima: $x + 2 = 3 \Rightarrow x = 1$. Soluzione unica: $(x,y) = (1, 2)$.

---

Il rango di una matrice

Perché conta: il rango è il numero che quantifica "quanta informazione indipendente" contiene una matrice; è la chiave del teorema di esistenza delle soluzioni.

Applicando Gauss, alcune righe possono annullarsi completamente (diventare "$0 = 0$"): erano equazioni ridondanti, conseguenza delle altre, che non aggiungevano informazione. Questo porta a un concetto centrale: il rango di una matrice, indicato $\operatorname{rg}(A)$ (o $\operatorname{rk}(A)$), è il numero di righe non nulle che restano dopo la riduzione a scalini — cioè il numero di equazioni realmente indipendenti.

In modo equivalente (e più profondo, come si vedrà nel cap. 6), il rango è il numero massimo di righe — o di colonne — linearmente indipendenti. È una misura di "quanta informazione non ridondante" c'è nella matrice. Il rango non può superare né il numero di righe né quello di colonne: $\operatorname{rg}(A) \leq \min(m, n)$. Per una matrice quadrata $n\times n$, il rango è massimo ($=n$) esattamente quando $\det A \neq 0$: rango pieno e invertibilità sono la stessa cosa.

Il rango si calcola proprio con Gauss (conta gli scalini) e si può anche legare ai determinanti: è la dimensione della più grande sottomatrice quadrata con determinante non nullo. Ma l'idea da tenere è semplice: il rango conta le equazioni che "contano davvero".

---

Il teorema di Rouché-Capelli

Perché conta: è il teorema che decide, prima ancora di risolvere, se un sistema ha soluzioni e quante; sintetizza tutta la teoria in una condizione sul rango.

Quando ha soluzione un sistema $A\mathbf x = \mathbf b$? La risposta completa è il teorema di Rouché-Capelli. Servono due matrici: la matrice dei coefficienti $A$ e la matrice completa $[A\,|\,\mathbf b]$ (la stessa $A$ con in più la colonna dei termini noti). Il teorema dice:

Il sistema $A\mathbf x=\mathbf b$ ha soluzioni se e solo se $\operatorname{rg}(A) = \operatorname{rg}([A\,|\,\mathbf b])$ (i due ranghi coincidono).

E in caso affermativo, il numero di soluzioni dipende dal confronto con $n$ (numero di incognite). Riassumendo i tre casi possibili:

• $\operatorname{rg}(A) \neq \operatorname{rg}([A|\mathbf b])$ → sistema impossibile (nessuna soluzione): compare un'equazione contraddittoria del tipo "$0 = k$" con $k\neq0$;
• $\operatorname{rg}(A) = \operatorname{rg}([A|\mathbf b]) = n$ (= numero di incognite) → sistema determinato: una sola soluzione;
• $\operatorname{rg}(A) = \operatorname{rg}([A|\mathbf b]) < n$ → sistema indeterminato: infinite soluzioni, dipendenti da $n - \operatorname{rg}(A)$ parametri liberi (i "gradi di libertà").

Questo teorema è potentissimo perché permette di classificare un sistema (quante soluzioni ha) prima di risolverlo, semplicemente confrontando due ranghi. E dà un'immagine geometrica chiara: le soluzioni di un sistema sono l'intersezione di tanti iperpiani (uno per equazione); possono incontrarsi in un punto (unica), lungo una retta/piano (infinite) o non incontrarsi affatto (impossibile).

⚠️ Attenzione. Il caso "infinite soluzioni" non significa "qualsiasi valore va bene": le soluzioni formano un insieme ben preciso, descritto da parametri (es. una retta nello spazio). E attenzione al sistema omogeneo ($\mathbf b=\mathbf 0$): non è mai impossibile (ha sempre $\mathbf x=\mathbf 0$), ma ha soluzioni non banali — cioè infinite — se e solo se $\operatorname{rg}(A) < n$ (in particolare, per $A$ quadrata, se $\det A = 0$). Questo fatto tornerà centrale negli autovettori (cap. 8).

---

🗺️ Come si collega il tutto

Il sistema lineare, scritto $A\mathbf x=\mathbf b$, riunisce tutti gli strumenti visti finora: la matrice dei coefficienti (cap. 2), il determinante per il caso quadrato invertibile ($\mathbf x=A^{-1}\mathbf b$, cap. 3). L'eliminazione di Gauss con le operazioni elementari è l'algoritmo universale di soluzione e definisce il rango (numero di equazioni indipendenti). Il teorema di Rouché-Capelli decide esistenza e numero di soluzioni confrontando i ranghi di $A$ e della completa. Il concetto di rango come "righe/colonne indipendenti" prepara direttamente l'idea di indipendenza lineare e dimensione negli spazi vettoriali (cap. 5-6); i sistemi omogenei con soluzioni non banali saranno la porta d'ingresso agli autovettori (cap. 8). Il passo successivo è astrarre: dalle liste di numeri di $\mathbb R^n$ alla struttura generale di spazio vettoriale (cap. 5).

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Sistema $A\mathbf x=\mathbf b$	Equazioni di 1° grado in forma matriciale	Equazione non lineare (con $x^2$, prodotti…)
Omogeneo	$\mathbf b=\mathbf 0$: ha sempre la soluzione banale $\mathbf 0$	Non omogeneo (può essere impossibile)
Eliminazione di Gauss	Operazioni elementari → forma a scalini → sostituzione all'indietro	(è un metodo, non una formula)
Rango $\operatorname{rg}(A)$	N° di equazioni/righe realmente indipendenti (scalini)	N° di incognite $n$ (il confronto decide il tipo)
Rouché-Capelli	Soluzioni $\iff \operatorname{rg}A=\operatorname{rg}[A	\mathbf b]$
Determinato/indeterminato/impossibile	1 / ∞ / 0 soluzioni	(dipendono dai ranghi e da $n$)

---

📝 Riepilogo

• Un sistema lineare ($m$ equazioni di 1° grado, $n$ incognite) si scrive in forma matriciale $A\mathbf x=\mathbf b$: $A$ coefficienti, $\mathbf x$ incognite, $\mathbf b$ termini noti. Se $A$ è quadrata e invertibile, $\mathbf x=A^{-1}\mathbf b$ (soluzione unica). Se $\mathbf b=\mathbf 0$ è omogeneo (ha sempre $\mathbf x=\mathbf 0$).
• L'eliminazione di Gauss risolve qualsiasi sistema: con le operazioni elementari (scambio, moltiplicazione, somma di righe) si porta la matrice completa a forma a scalini (triangolare), poi si risolve per sostituzione all'indietro. Metodo meccanico e universale.
• Il rango $\operatorname{rg}(A)$ è il numero di righe non nulle dopo la riduzione = numero di equazioni/righe (o colonne) indipendenti. Per $A$ quadrata: rango massimo $\iff \det A\neq0 \iff$ invertibile.
• Rouché-Capelli: il sistema ha soluzioni $\iff \operatorname{rg}(A)=\operatorname{rg}([A|\mathbf b])$. Tre casi: ranghi diversi → impossibile; ranghi uguali $=n$ → determinato (1 soluzione); ranghi uguali $<n$ → indeterminato ($\infty$ soluzioni, $n-\operatorname{rg}A$ parametri). Prossimo passo: gli spazi vettoriali (cap. 5).

In breve

Fin qui i vettori erano frecce o liste di numeri in $\mathbb{R}^n$. Ma il salto concettuale che dà all'algebra lineare la sua straordinaria potenza è l'astrazione: uno spazio vettoriale è qualsiasi insieme in cui si possano sommare gli elementi e moltiplicarli per uno scalare, rispettando poche regole naturali. Con questa definizione, scoprono di essere "vettori" oggetti che non hanno nulla di una freccia: i polinomi, le matrici, le funzioni. Tutti obbediscono alle stesse leggi, e quindi tutti i teoremi dimostrati per i vettori valgono automaticamente anche per loro. Questo capitolo introduce la definizione astratta di spazio vettoriale, i sottospazi e i concetti che preparano la nozione di dimensione: combinazione lineare, generatori, indipendenza lineare.

🎯 Alla fine di questo capitolo saprai: la definizione astratta di spazio vettoriale e perché è così potente; cos'è un sottospazio e come riconoscerlo; il significato di combinazione lineare, span (insieme generato), generatori; e la nozione cruciale di indipendenza lineare.

---

L'idea di spazio vettoriale

Perché conta: l'astrazione permette di trattare con un'unica teoria oggetti diversissimi (vettori, polinomi, matrici, funzioni); è ciò che rende l'algebra lineare universale.

Cosa hanno in comune le frecce nel piano, i polinomi e le matrici? Che con tutti si possono fare due operazioni: sommarli tra loro e moltiplicarli per un numero (uno scalare), ottenendo sempre un oggetto dello stesso tipo. Due polinomi sommati danno un polinomio; una matrice moltiplicata per 3 dà una matrice. L'algebra lineare astrae proprio questa struttura comune.

Uno spazio vettoriale $V$ (su $\mathbb{R}$) è un insieme di oggetti — chiamati vettori, qualunque cosa siano — dotato di due operazioni, somma e prodotto per uno scalare, che soddisfano alcune regole naturali: la somma è commutativa e associativa, esiste un vettore nullo $\mathbf 0$ (elemento neutro), ogni vettore ha un opposto, e il prodotto per scalari si distribuisce bene rispetto alle somme ($\lambda(\mathbf u+\mathbf v)=\lambda\mathbf u+\lambda\mathbf v$, ecc.). Non serve memorizzare l'elenco degli assiomi: l'idea è che siano le stesse proprietà che valgono per le frecce del cap. 1.

La forza di questa definizione è che, una volta verificato che un certo insieme è uno spazio vettoriale, tutti i teoremi dell'algebra lineare valgono automaticamente per esso. Esempi di spazi vettoriali oltre a $\mathbb{R}^n$: i polinomi di grado $\leq n$ (si sommano, si moltiplicano per scalari); le matrici $m\times n$; le funzioni continue su un intervallo. Tutti "spazi di vettori", benché nessuno sia fatto di frecce.

🔗 Analogia. "Spazio vettoriale" è come la parola "veicolo": astrae ciò che accomuna automobili, biciclette, navi e aerei (trasportano, si muovono, hanno una direzione), ignorando le differenze. Chi dimostra un teorema sui "veicoli" (es. "consumano energia per spostarsi") lo dimostra in un colpo solo per tutti. Allo stesso modo, un teorema sugli "spazi vettoriali" vale simultaneamente per frecce, polinomi, matrici e funzioni.

---

Sottospazi

Perché conta: i sottospazi sono gli "spazi dentro lo spazio"; riconoscerli è essenziale per descrivere soluzioni di sistemi, nuclei e immagini di applicazioni.

Dentro uno spazio vettoriale vivono spesso spazi più piccoli, che sono a loro volta spazi vettoriali: i sottospazi. Un sottospazio $W$ di $V$ è un sottoinsieme che è "chiuso" rispetto alle due operazioni, cioè: sommando due elementi di $W$ resti in $W$, e moltiplicando un elemento di $W$ per uno scalare resti in $W$. In formule, $W$ è sottospazio se: (1) contiene il vettore nullo $\mathbf 0$; (2) $\mathbf u, \mathbf v \in W \Rightarrow \mathbf u + \mathbf v \in W$; (3) $\mathbf u \in W, \lambda \in \mathbb{R} \Rightarrow \lambda\mathbf u \in W$.

L'intuizione geometrica in $\mathbb{R}^3$ è limpida: i sottospazi sono le rette e i piani passanti per l'origine (più l'origine da sola e tutto $\mathbb R^3$). Una retta non passante per l'origine non è un sottospazio: non contiene $\mathbf 0$, e sommando due suoi punti si esce dalla retta. La condizione "passa per l'origine" è esattamente la traduzione geometrica della chiusura rispetto alle operazioni.

I sottospazi sono ovunque nel corso: l'insieme delle soluzioni di un sistema omogeneo $A\mathbf x = \mathbf 0$ è sempre un sottospazio (cap. 4); il nucleo e l'immagine di un'applicazione lineare (cap. 7) sono sottospazi. Riconoscere che un certo insieme è un sottospazio significa poter applicare a esso tutta la teoria (basi, dimensione, ecc.).

---

Combinazioni lineari, span, generatori

Perché conta: lo span descrive "tutto ciò che si può costruire" da alcuni vettori; è il modo in cui si generano i sottospazi e si arriva alle basi.

Riprendiamo il concetto-chiave del cap. 1: la combinazione lineare. Dati dei vettori $\mathbf v_1, \dots, \mathbf v_k$ di uno spazio $V$, una loro combinazione lineare è $\lambda_1\mathbf v_1 + \dots + \lambda_k\mathbf v_k$ (allunga ciascuno e somma). Ora facciamo variare tutti i coefficienti $\lambda_i$ in tutti i modi possibili: l'insieme di tutte le combinazioni lineari ottenibili si chiama span (o sottospazio generato), scritto $\operatorname{Span}(\mathbf v_1, \dots, \mathbf v_k)$.

Lo span è sempre un sottospazio (il più piccolo che contiene quei vettori). Geometricamente: lo span di un vettore non nullo è la retta per l'origine su cui giace; lo span di due vettori non paralleli è il piano per l'origine che essi individuano. Aggiungendo vettori, lo span cresce (o resta uguale, se il nuovo vettore era già combinazione dei precedenti).

Diciamo che $\mathbf v_1, \dots, \mathbf v_k$ sono un insieme di generatori di uno spazio $V$ se $\operatorname{Span}(\mathbf v_1, \dots, \mathbf v_k) = V$, cioè se ogni vettore di $V$ si può scrivere come loro combinazione lineare. I generatori sono un "kit di montaggio" con cui costruire tutto lo spazio. Per esempio, i tre vettori $\mathbf e_1 = (1,0,0)$, $\mathbf e_2 = (0,1,0)$, $\mathbf e_3 = (0,0,1)$ generano tutto $\mathbb{R}^3$: ogni $(x,y,z) = x\mathbf e_1 + y\mathbf e_2 + z\mathbf e_3$.

---

Indipendenza lineare

Perché conta: l'indipendenza lineare distingue i vettori "essenziali" da quelli ridondanti; è la seconda metà (con i generatori) del concetto di base.

Un insieme di generatori può contenere vettori superflui: se uno di essi è già combinazione lineare degli altri, lo si può togliere senza ridurre lo span (non aggiungeva nulla di nuovo). Il concetto che cattura questa idea è l'indipendenza lineare, forse la nozione più importante del capitolo.

I vettori $\mathbf v_1, \dots, \mathbf v_k$ si dicono linearmente indipendenti se nessuno di essi è combinazione lineare degli altri — cioè se ciascuno porta informazione "nuova", una direzione non ottenibile dagli altri. La definizione formale è elegante: sono indipendenti se l'unica combinazione lineare che dà il vettore nullo è quella con tutti i coefficienti nulli: $\lambda_1\mathbf v_1 + \dots + \lambda_k\mathbf v_k = \mathbf 0 \quad\Longrightarrow\quad \lambda_1 = \dots = \lambda_k = 0.$ Se invece esiste una combinazione non banale (con qualche $\lambda_i \neq 0$) che dà $\mathbf 0$, i vettori sono linearmente dipendenti: almeno uno è "di troppo", esprimibile tramite gli altri.

Geometricamente: due vettori sono dipendenti se paralleli (uno è multiplo dell'altro); tre vettori sono dipendenti se complanari (stanno tutti su uno stesso piano). Come si verifica in pratica? Si impone $\lambda_1\mathbf v_1 + \dots + \lambda_k\mathbf v_k = \mathbf 0$, che è un sistema omogeneo nelle incognite $\lambda_i$: i vettori sono indipendenti se e solo se il sistema ha solo la soluzione banale — cioè (cap. 4) se il rango della matrice che ha quei vettori come colonne è massimo (pari al loro numero). Per $n$ vettori in $\mathbb R^n$, sono indipendenti $\iff$ il determinante della matrice che li affianca è $\neq 0$.

🧩 Esempio. I vettori $(1,2)$ e $(2,4)$ in $\mathbb{R}^2$ sono dipendenti: il secondo è $2$ volte il primo (paralleli); infatti $2\cdot(1,2) - 1\cdot(2,4) = \mathbf 0$ è una combinazione non banale nulla. Invece $(1,0)$ e $(0,1)$ sono indipendenti: $\lambda_1(1,0)+\lambda_2(0,1) = (\lambda_1,\lambda_2) = (0,0)$ costringe $\lambda_1=\lambda_2=0$. Non a caso, il determinante \det\begin{psmallmatrix}1&2\\2&4\end{psmallmatrix}=0 (dipendenti), mentre \det\begin{psmallmatrix}1&0\\0&1\end{psmallmatrix}=1\neq0 (indipendenti).

---

🗺️ Come si collega il tutto

Lo spazio vettoriale astrae la struttura "somma + prodotto per scalare" vista sulle frecce (cap. 1), estendendola a polinomi, matrici, funzioni: un'unica teoria per oggetti diversissimi. I sottospazi (rette/piani per l'origine, soluzioni di sistemi omogenei, nuclei e immagini del cap. 7) sono gli spazi "interni". Riprendendo la combinazione lineare, lo span descrive tutto ciò che si può generare, e i generatori sono il kit che costruisce l'intero spazio. L'indipendenza lineare — verificabile con un sistema omogeneo o un determinante (cap. 3-4) — distingue i vettori essenziali da quelli ridondanti. Mettendo insieme "generatori" e "indipendenti" si ottiene il concetto di base e il numero magico della dimensione: è il cap. 6, cuore della teoria.

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Spazio vettoriale	Insieme con somma e prodotto per scalare (regole del cap. 1)	(i "vettori" possono essere polinomi, matrici, funzioni)
Sottospazio	Sottoinsieme chiuso rispetto alle operazioni (contiene $\mathbf 0$)	Sottoinsieme qualsiasi (una retta fuori dall'origine non lo è)
Span	Insieme di tutte le combinazioni lineari di certi vettori	Un singolo vettore (lo span è un intero sottospazio)
Generatori	Vettori il cui span è tutto $V$: costruiscono ogni elemento	Base (generatori indipendenti, cap. 6)
Indipendenti	Nessuno è combinazione degli altri; $\sum\lambda_i\mathbf v_i=\mathbf 0\Rightarrow$ tutti $\lambda_i=0$	Dipendenti (esiste combinazione non banale nulla)

---

📝 Riepilogo

• Uno spazio vettoriale è un insieme con due operazioni (somma e prodotto per scalare) che rispettano le regole naturali del cap. 1 (vettore nullo, opposti, distributività…). La potenza sta nell'astrazione: sono spazi vettoriali anche i polinomi, le matrici, le funzioni, e ogni teorema vale per tutti insieme.
• Un sottospazio è un sottoinsieme chiuso rispetto alle operazioni (e contiene $\mathbf 0$): in $\mathbb R^3$ sono rette/piani per l'origine. Le soluzioni di un sistema omogeneo, nucleo e immagine (cap. 7) sono sottospazi.
• La combinazione lineare $\sum\lambda_i\mathbf v_i$ genera, al variare dei coefficienti, lo span (sottospazio generato). Dei vettori sono generatori di $V$ se il loro span è tutto $V$ (ogni vettore è loro combinazione).
• I vettori sono linearmente indipendenti se nessuno è combinazione degli altri, cioè se $\sum\lambda_i\mathbf v_i=\mathbf 0$ forza tutti i $\lambda_i=0$; altrimenti dipendenti (paralleli, complanari…). Si verifica con un sistema omogeneo / determinante. Unendo generatori + indipendenza si ottiene la base (cap. 6).

In breve

Se i generatori costruiscono tutto lo spazio (ma possono avere vettori superflui) e l'indipendenza lineare garantisce che non ce ne siano di superflui (ma potrebbero non bastare a generare tutto), la base è la sintesi perfetta: un insieme di vettori che è insieme generatore e indipendente, cioè il "minimo indispensabile" per costruire ogni vettore in un unico modo. Il fatto sorprendente è che tutte le basi di uno stesso spazio hanno lo stesso numero di vettori: questo numero è la dimensione, l'invariante fondamentale che dice "quanto è grande" uno spazio. Questo capitolo definisce base e dimensione, mostra le coordinate rispetto a una base, e chiude il cerchio con il rango e il teorema della dimensione.

🎯 Alla fine di questo capitolo saprai: cos'è una base e perché ogni vettore ha coordinate uniche; il concetto di dimensione (numero invariante di elementi di una base); la base canonica di $\mathbb R^n$; il significato del rango come dimensione dello spazio generato; il teorema di nullità più rango.

---

Che cos'è una base

Perché conta: la base è il sistema di riferimento di uno spazio vettoriale; permette di dare coordinate a ogni vettore e di ridurre lo spazio a numeri.

Abbiamo due qualità desiderabili per un insieme di vettori: generare tutto lo spazio (non manca nulla) ed essere indipendenti (non c'è nulla di superfluo). Un insieme che possiede entrambe le proprietà è una base:

Una base di uno spazio vettoriale $V$ è un insieme di vettori che sono linearmente indipendenti e generano $V$.

È il "kit di montaggio perfetto": abbastanza vettori da costruire tutto, ma nessuno di troppo. La proprietà che rende la base così preziosa è l'unicità delle coordinate: se $\{\mathbf b_1, \dots, \mathbf b_n\}$ è una base, allora ogni vettore $\mathbf v$ dello spazio si scrive in uno e un solo modo come loro combinazione lineare: $\mathbf v = c_1\mathbf b_1 + c_2\mathbf b_2 + \dots + c_n\mathbf b_n.$ I coefficienti $(c_1, \dots, c_n)$ — univocamente determinati — sono le coordinate di $\mathbf v$ rispetto a quella base. La generazione garantisce che almeno una scrittura esista; l'indipendenza garantisce che ce ne sia al massimo una: insieme, danno l'unicità.

Questo è ciò che permette di ridurre l'algebra lineare astratta a conti con numeri: scelta una base, ogni vettore diventa una lista di coordinate, e ogni operazione diventa un calcolo. La base è, in sostanza, un sistema di riferimento.

🔗 Analogia. Una base è come le coordinate GPS (latitudine, longitudine): due numeri di riferimento con cui ogni punto della Terra ha un indirizzo unico. Cambiare base è come passare a un altro sistema di coordinate (es. UTM): lo stesso luogo, numeri diversi. Le direzioni "nord" ed "est" sono i vettori di base; ogni spostamento si scompone in modo unico lungo di esse.

---

La base canonica e la dimensione

Perché conta: la dimensione è l'invariante che misura "la taglia" di uno spazio; il fatto che tutte le basi abbiano lo stesso numero di elementi è un teorema profondo e onnipresente.

In $\mathbb{R}^n$ c'è una base privilegiata, la base canonica: i vettori $\mathbf e_1 = (1,0,\dots,0)$, $\mathbf e_2 = (0,1,0,\dots,0)$, ..., $\mathbf e_n = (0,\dots,0,1)$, ciascuno con un 1 in una posizione e 0 altrove. Rispetto a essa, le coordinate di un vettore sono semplicemente le sue componenti: comodissima. Ma non è l'unica base: infinite altre scelte di $n$ vettori indipendenti vanno bene.

Ed ecco il teorema centrale: tutte le basi di uno stesso spazio vettoriale hanno lo stesso numero di vettori. Questo numero, indipendente dalla base scelta, si chiama dimensione dello spazio, $\dim V$. È l'invariante fondamentale che misura "quanti gradi di libertà" ha lo spazio, quante direzioni indipendenti contiene:

• $\dim \mathbb{R}^n = n$ (la base canonica ha $n$ vettori);
• una retta per l'origine ha dimensione 1, un piano dimensione 2;
• lo spazio dei polinomi di grado $\leq n$ ha dimensione $n+1$ (base $1, x, x^2, \dots, x^n$);
• lo spazio delle matrici $m\times n$ ha dimensione $m\cdot n$.

La dimensione dà anche criteri pratici potentissimi. In uno spazio di dimensione $n$: qualsiasi insieme di più di $n$ vettori è necessariamente dipendente (non c'è "spazio" per tanti vettori indipendenti); qualsiasi insieme di meno di $n$ vettori non può generare lo spazio. E soprattutto: $n$ vettori indipendenti in uno spazio di dimensione $n$ formano automaticamente una base (non serve verificare anche la generazione — c'è "gratis"). Questo dimezza il lavoro in innumerevoli esercizi.

---

Rango, righe e colonne

Perché conta: il rango, già incontrato coi sistemi, si rivela ora come una dimensione; unifica sistemi lineari, indipendenza e applicazioni lineari.

Torniamo al rango di una matrice (cap. 4), ora con occhi nuovi. Le colonne di una matrice $A$ ($m\times n$) sono $n$ vettori di $\mathbb{R}^m$: il loro span è un sottospazio, lo spazio delle colonne. Analogamente le righe generano lo spazio delle righe. Il fatto notevole — non ovvio — è che questi due spazi hanno sempre la stessa dimensione, e tale dimensione è esattamente il rango: $\operatorname{rg}(A) = \dim(\text{spazio delle colonne}) = \dim(\text{spazio delle righe}).$

Così il rango si rivela per quello che è davvero: il numero massimo di righe (o colonne) linearmente indipendenti, cioè la dimensione dello spazio che generano. Questo unifica tutto ciò che abbiamo visto: il rango conta le equazioni indipendenti (cap. 4), misura l'indipendenza dei vettori (cap. 5), e — vedremo — dà la dimensione dell'immagine di un'applicazione (cap. 7). Un unico numero, tre volti.

Per una matrice quadrata $n\times n$, le condizioni "rango $= n$", "colonne indipendenti", "$\det \neq 0$", "invertibile", "il sistema $A\mathbf x=\mathbf b$ ha soluzione unica" sono tutte equivalenti: dicono la stessa cosa da angolazioni diverse. È il "teorema fondamentale" implicito che tiene insieme l'intero corso.

---

Il teorema della dimensione (nullità + rango)

Perché conta: lega la dimensione dello spazio di partenza a quelle di nucleo e immagine; è uno dei risultati più usati, ponte verso le applicazioni lineari.

Chiudiamo con un teorema che anticipa il cap. 7 ma si formula già qui, perché è pura questione di dimensioni. Data una matrice $A$ di tipo $m\times n$ (che manda vettori di $\mathbb R^n$ in vettori di $\mathbb R^m$), consideriamo due sottospazi:

• il nucleo (kernel): l'insieme delle soluzioni del sistema omogeneo $A\mathbf x = \mathbf 0$; la sua dimensione si chiama nullità;
• l'immagine: lo spazio delle colonne, cioè tutti i $\mathbf b$ raggiungibili come $A\mathbf x$; la sua dimensione è il rango.

Il teorema della dimensione (o teorema di nullità più rango, rank-nullity) afferma: $\dim(\text{nucleo}) + \dim(\text{immagine}) = n \qquad\Longleftrightarrow\qquad \text{nullità} + \text{rango} = n,$ dove $n$ è il numero di colonne (la dimensione dello spazio di partenza). L'interpretazione è bellissima: le $n$ dimensioni di partenza si ripartiscono tra ciò che viene "schiacciato a zero" (il nucleo) e ciò che "sopravvive" nell'immagine. Più cose la trasformazione appiattisce (nucleo grande), meno ne restano in uscita (immagine piccola), e viceversa. È una legge di conservazione: le dimensioni non si creano né si distruggono, si distribuiscono.

🧩 Esempio. Sia $A$ una matrice $3\times3$ con $\operatorname{rg}(A) = 2$. Allora l'immagine ha dimensione 2 (un piano in $\mathbb R^3$) e, per il teorema, la nullità è $3 - 2 = 1$: il nucleo è una retta. Il sistema omogeneo $A\mathbf x=\mathbf 0$ ha quindi infinite soluzioni dipendenti da 1 parametro (una retta di soluzioni), coerente con Rouché-Capelli. Un solo teorema collega rango, nucleo e struttura delle soluzioni.

⚠️ Attenzione. Non confondere le due dimensioni in gioco: il rango vive nello spazio di arrivo (dimensione dell'immagine), la nullità nello spazio di partenza (dimensione del nucleo). La somma fa il numero di colonne ($n$, dimensione di partenza), non il numero di righe. Sbagliare quale dimensione usare è l'errore più comune.

---

🗺️ Come si collega il tutto

La base unisce le due qualità del cap. 5 — generare ed essere indipendenti — dando a ogni vettore coordinate uniche: è il sistema di riferimento dello spazio. Il numero (invariante) di vettori di una base è la dimensione, che misura i gradi di libertà ($\dim\mathbb R^n=n$) e fornisce criteri rapidi (in dim $n$: $n$ indipendenti $\Rightarrow$ base). Il rango si rivela come dimensione dello spazio di righe/colonne, unificando sistemi lineari (cap. 4), indipendenza (cap. 5) e — col teorema nullità + rango — nucleo e immagine delle applicazioni lineari (cap. 7). Per matrici quadrate, "rango pieno = det ≠ 0 = invertibile = soluzione unica" sono la stessa cosa. Il passo successivo è studiare le trasformazioni che mandano uno spazio in un altro rispettando la struttura lineare: le applicazioni lineari (cap. 7).

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Base	Insieme generatore e indipendente: coordinate uniche per ogni vettore	Generatori (possono avere vettori superflui)
Coordinate	I coefficienti (unici) di $\mathbf v$ rispetto a una base	Componenti (coordinate nella base canonica)
Dimensione $\dim V$	N° (invariante) di vettori di una base = gradi di libertà	Rango (dimensione di un sottospazio specifico)
Base canonica	$\mathbf e_1,\dots,\mathbf e_n$ di $\mathbb R^n$ (un 1, resto 0)	(è una base, non l'unica)
Rango	$\dim$ dello spazio di righe = di colonne = immagine	Nullità (dim del nucleo)
Nullità + rango = n	Le dim di partenza si dividono tra nucleo e immagine	($n$ = n° colonne, non righe)

---

📝 Riepilogo

• Una base è un insieme generatore e linearmente indipendente: il minimo per costruire tutto. La sua proprietà cardine è l'unicità delle coordinate — ogni vettore si scrive in un solo modo come combinazione dei vettori di base. La base è il sistema di riferimento dello spazio.
• Tutte le basi di uno spazio hanno lo stesso numero di vettori: la dimensione $\dim V$ (invariante). $\dim\mathbb R^n=n$; polinomi grado $\leq n$ → $n+1$; matrici $m\times n$ → $mn$. In dimensione $n$: $>n$ vettori sono sempre dipendenti; $n$ vettori indipendenti sono automaticamente una base.
• Il rango di una matrice è la dimensione dello spazio delle colonne (= delle righe) = n° massimo di righe/colonne indipendenti. Per matrici quadrate: rango pieno $\iff \det\neq0 \iff$ invertibile $\iff$ soluzione unica (tutte equivalenti).
• Teorema della dimensione: nullità + rango = n (n° colonne). Le dimensioni di partenza si ripartiscono tra nucleo (dim = nullità, ciò che va a zero) e immagine (dim = rango, ciò che sopravvive). Prossimo passo: le applicazioni lineari (cap. 7).

In breve

Fin qui abbiamo studiato spazi vettoriali e i loro elementi. Ora studiamo le funzioni tra spazi vettoriali — ma non funzioni qualsiasi: quelle che rispettano la struttura lineare, cioè trasformano somme in somme e multipli in multipli. Sono le applicazioni lineari (o trasformazioni lineari), e sono l'oggetto più importante di tutto il corso, perché rappresentano tutte le trasformazioni "geometricamente regolari" dello spazio: rotazioni, dilatazioni, proiezioni, riflessioni. Il fatto centrale è che ogni applicazione lineare si rappresenta con una matrice: ecco finalmente svelato il secondo volto della matrice (cap. 2). Studieremo il nucleo e l'immagine di un'applicazione, che dicono cosa "schiaccia" e cosa "raggiunge".

🎯 Alla fine di questo capitolo saprai: cos'è un'applicazione lineare e le due proprietà che la definiscono; perché ogni applicazione lineare è una matrice; cosa sono nucleo e immagine e cosa dicono su iniettività/suriettività; come la composizione corrisponde al prodotto di matrici.

---

Che cos'è un'applicazione lineare

Perché conta: le applicazioni lineari sono le trasformazioni "compatibili" con la struttura vettoriale; catturano rotazioni, proiezioni, dilatazioni e stanno al centro di ogni applicazione.

Una funzione $f: V \to W$ tra due spazi vettoriali si dice applicazione lineare (o trasformazione lineare) se rispetta le due operazioni degli spazi vettoriali, cioè soddisfa due condizioni: $f(\mathbf u + \mathbf v) = f(\mathbf u) + f(\mathbf v) \qquad\text{e}\qquad f(\lambda\mathbf v) = \lambda f(\mathbf v).$ La prima dice che "trasformare la somma è come sommare le trasformate"; la seconda che "trasformare un multiplo è come moltiplicare la trasformata". In una formula sola: $f(\lambda\mathbf u + \mu\mathbf v) = \lambda f(\mathbf u) + \mu f(\mathbf v)$ — l'applicazione commuta con le combinazioni lineari. Una conseguenza immediata: ogni applicazione lineare manda il vettore nullo nel vettore nullo, $f(\mathbf 0) = \mathbf 0$ (l'origine resta ferma).

Geometricamente, sono lineari tutte le trasformazioni che mandano l'origine in sé e trasformano rette in rette (senza "piegarle"): rotazioni attorno all'origine, dilatazioni/contrazioni, riflessioni, proiezioni su una retta o un piano, scorrimenti (shear). Non sono lineari, invece, le traslazioni (spostano l'origine: $f(\mathbf 0)\neq\mathbf 0$) né qualsiasi trasformazione "curva". La linearità è precisamente la condizione che rende una trasformazione "regolare" e trattabile con le matrici.

🔗 Analogia. Un'applicazione lineare è come una fotocopiatrice con lente: può ingrandire, ruotare, specchiare o schiacciare l'immagine, ma non può "incurvarla" né spostare l'origine del foglio. Se fotocopi due disegni sovrapposti, il risultato è la sovrapposizione delle due fotocopie (rispetto della somma): la macchina tratta ogni parte in modo coerente, senza deformazioni capricciose.

---

Ogni applicazione lineare è una matrice

Perché conta: è il teorema che collega il mondo astratto (funzioni) al mondo del calcolo (matrici); spiega perché studiamo le matrici.

Ecco il risultato che dà senso a tutto il corso e svela il secondo volto della matrice. Ogni applicazione lineare $f: \mathbb{R}^n \to \mathbb{R}^m$ è rappresentata da un'unica matrice $A$ (di tipo $m\times n$), nel senso che $f(\mathbf x) = A\mathbf x \quad\text{per ogni } \mathbf x.$ Come si costruisce questa matrice? Con un'idea semplice e potente: le colonne di $A$ sono le immagini dei vettori della base canonica. Cioè la $j$-esima colonna di $A$ è $f(\mathbf e_j)$. Perché funziona? Perché ogni vettore $\mathbf x = x_1\mathbf e_1 + \dots + x_n\mathbf e_n$ è combinazione lineare della base, e per linearità $f(\mathbf x) = x_1 f(\mathbf e_1) + \dots + x_n f(\mathbf e_n)$: basta dunque sapere dove finiscono i vettori di base per sapere dove finisce tutto. Una trasformazione di infiniti vettori è completamente determinata da $n$ soli dati (le immagini della base).

Questo chiarisce definitivamente perché nel cap. 2 dicevamo che una matrice "è una trasformazione": moltiplicare per $A$ è applicare $f$. Le due nozioni — matrice e applicazione lineare — sono la stessa cosa vista da due lati. E questo dà anche il significato profondo del prodotto di matrici: se $f$ ha matrice $A$ e $g$ ha matrice $B$, l'applicazione composta $f \circ g$ ("prima $g$, poi $f$") ha matrice $A B$. La regola riga-per-colonna del cap. 2 è esattamente ciò che serve perché i conti tornino nella composizione: comporre trasformazioni = moltiplicare matrici.

🧩 Esempio. La rotazione di 90° in senso antiorario nel piano manda $\mathbf e_1 = (1,0)$ in $(0,1)$ e $\mathbf e_2 = (0,1)$ in $(-1,0)$. Mettendo queste immagini come colonne, la matrice della rotazione è $R = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}$. Verifica su un vettore qualsiasi: R\begin{psmallmatrix}2\\3\end{psmallmatrix} = \begin{psmallmatrix}-3\\2\end{psmallmatrix}, che è appunto $(2,3)$ ruotato di 90°. ✓

---

Nucleo e immagine

Perché conta: nucleo e immagine descrivono cosa la trasformazione "perde" e cosa "raggiunge"; determinano iniettività e suriettività e si legano al teorema della dimensione.

A ogni applicazione lineare si associano due sottospazi che ne raccontano il comportamento.

Il nucleo (kernel), $\ker f$, è l'insieme dei vettori che vengono mandati nel vettore nullo: $\ker f = \{\mathbf x : f(\mathbf x) = \mathbf 0\}$. È ciò che la trasformazione "schiaccia a zero", l'informazione che va perduta. Coincide con le soluzioni del sistema omogeneo $A\mathbf x = \mathbf 0$ (cap. 4) ed è un sottospazio dello spazio di partenza. Fatto chiave: $f$ è iniettiva (input diversi → output diversi, nessuna informazione persa) se e solo se il nucleo è ridotto al solo $\mathbf 0$ ($\ker f = \{\mathbf 0\}$). Un nucleo più grande di $\{\mathbf 0\}$ significa che più vettori collassano nello stesso punto: iniettività persa.

L'immagine, $\operatorname{Im} f$, è l'insieme di tutti i valori effettivamente raggiunti: $\operatorname{Im} f = \{f(\mathbf x) : \mathbf x \in V\}$. Coincide con lo spazio delle colonne di $A$ (le colonne sono $f(\mathbf e_j)$, e il loro span è tutto ciò che si raggiunge) ed è un sottospazio dello spazio di arrivo. La sua dimensione è il rango (cap. 6). Fatto chiave: $f$ è suriettiva (raggiunge tutto lo spazio d'arrivo) se e solo se l'immagine coincide con esso, cioè se il rango è massimo.

Questi due sottospazi sono legati dal teorema della dimensione (cap. 6): $\dim(\ker f) + \dim(\operatorname{Im} f) = n$, cioè nullità + rango = dimensione di partenza. Un'unica legge governa iniettività, suriettività e "quanto" la trasformazione schiaccia.

⚠️ Attenzione. Nucleo e immagine vivono in spazi diversi: il nucleo è nello spazio di partenza (i vettori che entrano e vengono azzerati), l'immagine nello spazio di arrivo (i valori che escono). Un'applicazione $f:\mathbb R^n\to\mathbb R^m$ è biiettiva (invertibile) solo se $n=m$ e la matrice è invertibile ($\det\neq0$): allora nucleo banale e immagine piena coincidono.

---

🗺️ Come si collega il tutto

L'applicazione lineare è la funzione tra spazi vettoriali che rispetta somma e prodotto per scalare (cap. 5): cattura rotazioni, proiezioni, dilatazioni — tutte le trasformazioni "regolari". Il teorema centrale ("ogni applicazione lineare è una matrice", con colonne $=f(\mathbf e_j)$) chiude il cerchio col cap. 2: matrice e trasformazione sono la stessa cosa, e il prodotto di matrici è la composizione di applicazioni. Il nucleo (ciò che si azzera, → iniettività) e l'immagine (ciò che si raggiunge, → suriettività, dim = rango) si legano col teorema nullità + rango (cap. 6) e coi sistemi omogenei (cap. 4). Il passo successivo è la domanda più feconda su una trasformazione: esistono direzioni privilegiate che essa lascia invariate (a meno di allungamento)? Sono gli autovettori (cap. 8).

---

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Applicazione lineare	$f(\mathbf u+\mathbf v)=f(\mathbf u)+f(\mathbf v)$, $f(\lambda\mathbf v)=\lambda f(\mathbf v)$	Traslazione (sposta l'origine, non è lineare)
Matrice di $f$	Colonne = immagini della base $f(\mathbf e_j)$; $f(\mathbf x)=A\mathbf x$	(ogni applicazione lineare ne ha una sola)
Nucleo $\ker f$	Vettori mandati in $\mathbf 0$; nello spazio di partenza	Immagine (nello spazio di arrivo)
Immagine $\operatorname{Im}f$	Valori raggiunti = span colonne; $\dim=$ rango	Nucleo (ciò che si azzera)
Iniettiva	$\iff \ker f=\{\mathbf 0\}$ (niente collassa)	Suriettiva ($\iff$ immagine piena)
Composizione $f\circ g$	Matrice $AB$: "prima $g$, poi $f$"	(l'ordine conta: $AB\neq BA$)

---

📝 Riepilogo

• Un'applicazione lineare $f:V\to W$ rispetta le operazioni: $f(\mathbf u+\mathbf v)=f(\mathbf u)+f(\mathbf v)$ e $f(\lambda\mathbf v)=\lambda f(\mathbf v)$ (quindi $f(\mathbf 0)=\mathbf 0$). Geometricamente: rotazioni, dilatazioni, riflessioni, proiezioni (non le traslazioni). Commuta con le combinazioni lineari.
• Ogni applicazione lineare è una matrice: $f(\mathbf x)=A\mathbf x$, con le colonne di $A$ = immagini della base canonica $f(\mathbf e_j)$. Basta sapere dove va la base per conoscere tutta $f$. La composizione $f\circ g$ ha matrice $AB$ (comporre = moltiplicare).
• Il nucleo $\ker f=\{\mathbf x: f(\mathbf x)=\mathbf 0\}$ (spazio di partenza) è ciò che viene azzerato: $f$ iniettiva $\iff \ker f=\{\mathbf 0\}$. L'immagine $\operatorname{Im}f$ (spazio di arrivo) è ciò che si raggiunge (= span colonne, $\dim=$ rango): $f$ suriettiva $\iff$ immagine piena.
• Vale nullità + rango = $n$ (dim di partenza). Un'applicazione è biiettiva/invertibile solo se quadrata con $\det\neq0$. Prossimo passo: le direzioni invarianti, gli autovettori (cap. 8).