Le equazioni matriciali di primo grado sono la forma più semplice e lineare di equazioni matriciali. L’algebra matriciale impone metodi di soluzione specifici a causa della non-commutatività della moltiplicazione.
INDICE
1. Il Caso Elementare: $\mathbf{A}\mathbf{X} = \mathbf{C}$
Questo è l’analogo matriciale di un sistema di equazioni lineari scalari.
➡️ Soluzione per Inversione
Se $\mathbf{A}$ è quadrata ($n \times n$) e invertibile, la soluzione è unica e si ottiene moltiplicando per l’inversa $\mathbf{A}^{-1}$ a sinistra: $\mathbf{X} = \mathbf{A}^{-1}\mathbf{C}$.
$$\mathbf{A}\mathbf{X} = \mathbf{C} \implies \mathbf{X} = \mathbf{A}^{-1}\mathbf{C}$$
Esempio Numerico
Sia data l’equazione $\mathbf{A}\mathbf{X} = \mathbf{C}$ con matrici $2 \times 2$:
$$\mathbf{A} = \begin{pmatrix} 3 & 1 \\ 5 & 2 \end{pmatrix}, \quad \mathbf{C} = \begin{pmatrix} 5 & 1 \\ 8 & 3 \end{pmatrix}$$
- Calcolo dell’Inversa di $\mathbf{A}$:
$$\mathbf{A}^{-1} = \begin{pmatrix} 2 & -1 \\ -5 & 3 \end{pmatrix}$$ - Calcolo di $\mathbf{X}$:
$$\mathbf{X} = \mathbf{A}^{-1}\mathbf{C} = \begin{pmatrix} 2 & -1 \\ -5 & 3 \end{pmatrix} \begin{pmatrix} 5 & 1 \\ 8 & 3 \end{pmatrix} = \begin{pmatrix} 2 & -1 \\ -1 & 4 \end{pmatrix}$$
2. Il Caso Più Complesso: L’Equazione di Sylvester
L’equazione di Sylvester è la forma più generale delle equazioni lineari matriciali.
➡️ Forma Standard
$$\mathbf{A}\mathbf{X} + \mathbf{X}\mathbf{B} = \mathbf{C}$$
🛠️ Metodo di Soluzione: Vettorizzazione e Prodotto di Kronecker
Si converte il problema $n \times m$ in un sistema lineare scalare $\mathbf{Z}\mathbf{x} = \mathbf{c}$, usando il prodotto di Kronecker ($\otimes$):
$$(\mathbf{I}_m \otimes \mathbf{A} + \mathbf{B}^T \otimes \mathbf{I}_n) \text{vec}(\mathbf{X}) = \text{vec}(\mathbf{C})$$
Condizione di Soluzione Unica: Una soluzione $\mathbf{X}$ unica esiste se gli autovalori di $\mathbf{A}$ sono disgiunti dagli autovalori di $-\mathbf{B}$.
Esempio Numerico Dettagliato ($2 \times 2$)
Sia $\mathbf{A}, \mathbf{B}, \mathbf{C}$ matrici $2 \times 2$:
$$\mathbf{A} = \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix}, \quad \mathbf{B} = \begin{pmatrix} 2 & 1 \\ 0 & 4 \end{pmatrix}, \quad \mathbf{C} = \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}$$
A) Costruzione della Matrice $\mathbf{Z}$ ($4 \times 4$)
Si sommano i due prodotti di Kronecker: $\mathbf{Z} = (\mathbf{I}_2 \otimes \mathbf{A}) + (\mathbf{B}^T \otimes \mathbf{I}_2)$.
$$\mathbf{I}_2 \otimes \mathbf{A} = \begin{pmatrix} 1 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 3 \end{pmatrix}, \quad \mathbf{B}^T \otimes \mathbf{I}_2 = \begin{pmatrix} 2 & 0 & 0 & 0 \\ 0 & 2 & 0 & 0 \\ 1 & 0 & 4 & 0 \\ 0 & 1 & 0 & 4 \end{pmatrix}$$
$$\mathbf{Z} = \begin{pmatrix} 1+2 & 0 & 0 & 0 \\ 0 & 3+2 & 0 & 0 \\ 0+1 & 0 & 1+4 & 0 \\ 0 & 0+1 & 0 & 3+4 \end{pmatrix} = \begin{pmatrix} 3 & 0 & 0 & 0 \\ 0 & 5 & 0 & 0 \\ 1 & 0 & 5 & 0 \\ 0 & 1 & 0 & 7 \end{pmatrix}$$
B) Soluzione e Riconversione
Il sistema è $\mathbf{Z}\mathbf{x} = \mathbf{c}$, con $\mathbf{c} = \text{vec}(\mathbf{C}) = \begin{pmatrix} 1 \\ 0 \\ 0 \\ 0 \end{pmatrix}$.
- Risolvendo per $\mathbf{x}$: $x_{11} = 1/3, x_{21} = 0, x_{12} = -1/15, x_{22} = 0$.
- Riconversione in $\mathbf{X}$:
$$\mathbf{X} = \begin{pmatrix} x_{11} & x_{12} \\ x_{21} & x_{22} \end{pmatrix} = \begin{pmatrix} 1/3 & -1/15 \\ 0 & 0 \end{pmatrix}$$
3. L’Equazione di Lyapunov
L’equazione di Lyapunov è un caso speciale e cruciale dell’equazione di Sylvester, ottenuta ponendo $\mathbf{B} = \mathbf{A}^T$. È fondamentale nell’analisi della stabilità dei sistemi dinamici lineari continui.
➡️ Forma Standard
$$\mathbf{A}\mathbf{X} + \mathbf{X}\mathbf{A}^T = \mathbf{C}$$
Dove $\mathbf{X}$ è la matrice di Lyapunov (l’incognita), spesso richiesta simmetrica e definita positiva.
💡 Condizione di Stabilità
Una soluzione $\mathbf{X}$ definita positiva esiste se e solo se tutti gli autovalori di $\mathbf{A}$ hanno parte reale strettamente negativa. Questa è la condizione necessaria e sufficiente per l’asintotica stabilità del sistema.
Esempio Concreto: Test di Stabilità
Vogliamo trovare $\mathbf{X}$ per dimostrare che $\mathbf{A}$ è stabile, ponendo $\mathbf{C} = -\mathbf{I}$.
$$\mathbf{A} = \begin{pmatrix} -1 & 0 \\ 1 & -2 \end{pmatrix}, \quad \mathbf{C} = \begin{pmatrix} -1 & 0 \\ 0 & -1 \end{pmatrix}$$
Sia $\mathbf{X} = \begin{pmatrix} x_{1} & x_{2} \\ x_{2} & x_{3} \end{pmatrix}$ (simmetrica).
1. Sviluppo e Somma (Lato Sinistro)
Sviluppando $\mathbf{A}\mathbf{X} + \mathbf{X}\mathbf{A}^T$:
$$\mathbf{A}\mathbf{X} + \mathbf{X}\mathbf{A}^T = \begin{pmatrix} -x_{1} & -x_{2} \\ x_{1}-2x_{2} & x_{2}-2x_{3} \end{pmatrix} + \begin{pmatrix} -x_{1} & x_{1}-2x_{2} \\ -x_{2} & x_{2}-2x_{3} \end{pmatrix} = \begin{pmatrix} -2x_{1} & x_{1}-3x_{2} \\ x_{1}-3x_{2} & 2x_{2}-4x_{3} \end{pmatrix}$$
2. Formazione del Sistema
Uguagliando a $\mathbf{C}$:
$$\begin{pmatrix} -2x_{1} & x_{1}-3x_{2} \\ x_{1}-3x_{2} & 2x_{2}-4x_{3} \end{pmatrix} = \begin{pmatrix} -1 & 0 \\ 0 & -1 \end{pmatrix}$$
Si risolve il sistema:
- $-2x_{1} = -1 \implies x_{1} = 1/2$
- $x_{1}-3x_{2} = 0 \implies x_{2} = 1/6$
- $2x_{2}-4x_{3} = -1 \implies x_{3} = 1/3$
3. Soluzione Finale $\mathbf{X}$ e Verifica di Stabilità
La matrice di Lyapunov è:
$$\mathbf{X} = \begin{pmatrix} 1/2 & 1/6 \\ 1/6 & 1/3 \end{pmatrix}$$
Verifica Definità Positiva: $\det(\mathbf{X}) = 5/36 > 0$. Poiché $\mathbf{X}$ è definita positiva, la matrice di stato $\mathbf{A}$ è asintoticamente stabile.
Conclusioni e Prospettive Future
Abbiamo esplorato in dettaglio le equazioni matriciali di primo grado, dimostrando come, anche nel caso lineare, l’applicazione dell’algebra matriciale (inversione, prodotto di Kronecker) sia essenziale per giungere a una soluzione. Le forme elementari come $\mathbf{A}\mathbf{X} = \mathbf{C}$ e la più complessa equazione di Sylvester ($\mathbf{A}\mathbf{X} + \mathbf{X}\mathbf{B} = \mathbf{C}$) sono risolvibili con metodi diretti.
Tuttavia, il mondo delle equazioni matriciali si complica notevolmente quando si passa a gradi superiori, introducendo una non-linearità che rende i metodi diretti inefficaci e fa emergere la possibilità di soluzioni multiple. Questi problemi richiedono l’uso di tecniche avanzate come il Metodo di Linearizzazione (GME).
L’equazione quadratica (secondo grado) è rappresentata da:
$$\mathbf{A} \mathbf{X}^2 + \mathbf{B} \mathbf{X} + \mathbf{C} = \mathbf{0}$$
Mentre la forma cubica (terzo grado) è data da:
$$\mathbf{A} \mathbf{X}^3 + \mathbf{B} \mathbf{X}^2 + \mathbf{C} \mathbf{X} + \mathbf{D} = \mathbf{0}$$
IMPARA L’ALGEBRA LINEARE
Impara l’algebra lineare con un percorso strutturato e facile da seguire passo a passo.
Un viaggio che parte dai vettori e dalle matrici, passando per i sitemi lineari giungerai nei meandri degli spazi vettoriali, della diagonalizzazione delle matrici con tappa finale nelle coniche.