calcolatrice matematica

Una calcolatrice matematica esegue operazioni di algebra lineare su array rettangolari di numeri.

Dalla semplice addizione a operazioni complesse come il calcolo di inverse e la riduzione a scala, la nostra calcolatrice online gestisce tutte le operazioni standard sulle matrici con spiegazioni dettagliate passo dopo passo.

• L'addizione/sottrazione richiede dimensioni uguali e agisce elemento per elemento.
• La moltiplicazione richiede che le colonne di A siano uguali alle righe di B.
• Il determinante è uno scalare che indica l'invertibilità.
• L'inversa annulla la moltiplicazione (A × A⁻¹ = I).
• La RREF utilizza l'eliminazione di Gauss-Jordan per risolvere i sistemi lineari.

Una matrice è una tabella rettangolare di numeri disposti in righe e colonne, scritta tra parentesi e dimensionata in base alle sue dimensioni come righe per colonne (ad esempio, una matrice 2×3 ha 2 righe e 3 colonne). Ciascun elemento è identificato dalla sua posizione, A[i][j], che indica il numero alla riga i e colonna j.

Secondo l'Enciclopedia Britannica, le matrici formalizzano i sistemi di equazioni lineari e le trasformazioni lineari in un unico oggetto compatto.

Una matrice quadrata ha un numero uguale di righe e colonne, e la sua diagonale principale va dall'alto a sinistra in basso a destra. La matrice identità I ha 1 su tale diagonale e 0 altrove, svolgendo lo stesso ruolo che il numero 1 ha nella moltiplicazione ordinaria.

Per moltiplicare le matrici A e B, ciascun elemento C[i][j] è il prodotto scalare della riga i di A con la colonna j di B, sommando A[i][k]×B[k][j] lungo k. Questa operazione è definita solo quando il numero di colonne di A è uguale al numero di righe di B, per cui una matrice m×n per una matrice n×p produce un risultato m×p.

Ad esempio, [[1,2],[3,4]] × [[5,6],[7,8]] dà C[1][1] = 1×5 + 2×7 = 19, e completando il procedimento si ottiene [[19,22],[43,50]].

Khan Academy sottolinea che la moltiplicazione tra matrici non è commutativa: A×B raramente è uguale a B×A. Questa regola riga per colonna sta alla base di come si compongono le trasformazioni lineari.

Il determinante di una matrice 2×2 [[a,b],[c,d]] è pari a ad − bc; per [[1,2],[3,4]] questo corrisponde a (1×4) − (2×3) = 4 − 6 = −2.

Per una matrice 3×3 si sviluppa lungo una riga o una colonna usando i cofattori, moltiplicando ciascun elemento per il determinante del minore 2×2 rimasto dopo aver eliminato la sua riga e colonna, alternando i segni.

Wolfram MathWorld definisce il determinante come uno scalare che descrive come un'applicazione lineare scala un'area o un volume con segno. Un determinante pari a zero indica che la matrice è singolare (non invertibile) perché appiattisce lo spazio su una dimensione inferiore. Determinanti di ordine superiore si calcolano in modo efficiente tramite la riduzione per righe.

L'inversa A⁻¹ è la matrice che soddisfa la relazione A × A⁻¹ = I, ed esiste solo quando il determinante è diverso da zero.

Per una matrice 2×2 [[a,b],[c,d]], l'inversa è (1/det) × [[d,−b],[−c,a]]. Considerando [[1,2],[3,4]] con determinante −2, l'inversa è (1/−2) × [[4,−2],[−3,1]] = [[−2,1],[1.5,−0.5]].

Per matrici più grandi, si affianca la matrice identità ad A per formare [A | I] e si applica l'eliminazione di Gauss-Jordan finché il blocco di sinistra diventa I, lasciando A⁻¹ a destra.

Wolfram MathWorld nota che l'inversa risolve direttamente l'equazione Ax = b come x = A⁻¹b, motivo per cui l'invertibilità è centrale nei sistemi lineari.

L'eliminazione di Gauss risolve i sistemi lineari applicando tre operazioni elementari sulle righe finché la matrice raggiunge la forma a scala:

• scambiare di posto due righe
• moltiplicare una riga per una costante diversa da zero
• aggiungere a una riga un multiplo di un'altra

Continuando finché ogni pivot è 1 ed è l'unico elemento non zero nella sua colonna si ottiene la forma a scala ridotta per righe (RREF), l'obiettivo dell'eliminazione di Gauss-Jordan.

Khan Academy spiega che la RREF rende immediatamente leggibile l'insieme delle soluzioni di un sistema. Poiché queste operazioni non alterano mai tale insieme, la RREF è il metodo generale più affidabile per risolvere equazioni, calcolare il rango e invertire matrici, oltre a essere numericamente stabile se combinata con il pivot parziale.

Il rango di una matrice è il numero di righe linearmente indipendenti, che equivale al numero di colonne linearmente indipendenti e al conteggio delle posizioni dei pivot nella sua RREF.

Secondo Wolfram MathWorld, il rango misura la dimensione dello spazio generato dalle righe o dalle colonne della matrice.

Una matrice quadrata n×n è invertibile esattamente quando ha rango pieno n; qualsiasi rango inferiore segnala una matrice singolare e un determinante pari a zero. Il rango rivela inoltre quante equazioni in un sistema contengono informazioni genuinamente nuove rispetto a quelle che sono solo combinazioni ridondanti di altre.

Nella scienza dei dati, un rango basso indica che le colonne sono altamente correlate, un principio che è alla base di tecniche come l'analisi delle componenti principali e la compressione delle matrici.

Le matrici alimentano una gamma straordinaria di tecnologie.

Nella computer grafica e nei videogiochi, le matrici di trasformazione ruotano, scalano e proiettano scene 3D su uno schermo 2D; moltiplicare queste matrici unisce diverse trasformazioni in una sola.

Nel machine learning, i pesi delle reti neurali sono matrici e l'addestramento si basa su enormi moltiplicazioni di matrici accelerate dalle GPU.

Una singola relazione di moto come distanza = velocità × tempo è abbastanza semplice da essere gestita con una calcolatrice online, ma l'Enciclopedia Britannica nota che le matrici prendono il sopravvento non appena molte grandezze si collegano tra loro in fisica ed economia, come nei circuiti elettrici e nei modelli economici input-output.

Gli ingegneri le usano per l'analisi strutturale e i metodi agli elementi finiti, mentre gli statistici utilizzano le matrici di covarianza per descrivere le relazioni tra le variabili.

L'algoritmo originale PageRank di Google ha persino formulato l'intero web come un enorme problema di autovalori per matrici.

Un autovettore di una matrice quadrata A è un vettore non nullo v la cui direzione non cambia quando viene moltiplicato per A, cosicché A·v = λ·v, dove lo scalare λ è il corrispondente autovalore.

Wolfram MathWorld descrive gli autovalori come le radici del polinomio caratteristico det(A − λI) = 0.

Geometricamente, gli autovettori segnano gli assi lungo i quali una trasformazione lineare si limita a stirare o comprimere lo spazio del fattore λ, senza ruotare quella direzione.

Gli autovalori sono alla base dell'analisi di stabilità, dei modi di vibrazione in ingegneria, dei livelli energetici quantistici e della riduzione della dimensionalità come l'analisi delle componenti principali. Il prodotto di tutti gli autovalori è uguale al determinante, e la loro somma è uguale alla traccia (la somma degli elementi sulla diagonale).

• L'errore più frequente è dare per scontato che la moltiplicazione tra matrici sia commutativa — A×B di solito non è uguale a B×A, e invertire l'ordine produce un risultato diverso o non definito.
• Un altro errore è tentare di moltiplicare matrici le cui dimensioni interne non coincidono; il conteggio delle colonne di A deve essere uguale a quello delle righe di B.
• Gli studenti spesso provano a invertire una matrice con un determinante pari a zero, il che è impossibile poiché tale matrice è singolare.
• Quando si traspone un prodotto, bisogna ricordare che l'ordine si inverte: (AB)ᵀ = BᵀAᵀ.
• Durante la riduzione per righe, dimenticarsi di applicare un'operazione a ogni elemento della riga, o dividere per un pivot pari a zero, compromette il risultato.
• Infine, confondere gli indici di riga e colonna quando si legge A[i][j] porta silenziosamente a risposte errate.