\($A = \begin{bmatrix}1 & 0 & 5 \\ 2 & -1 & 0 \\ 7 & -2 & 0\end{bmatrix}\)$ Dovrebbe risultare 15
import numpy
mat = numpy.array([[1,0,5], [2, -1, 0], [7,-2,0]])
round(numpy.linalg.det(mat))
15
import numpy
mat = numpy.array([[1,0,5], [2, -1, 0], [7,-2,0]])
numpy.linalg.matrix_rank(mat)
3
\($A = \begin{bmatrix}1 & 0 & 1 \\ 2 & -1 & 3 \\ 1 & 4 & 2\end{bmatrix}\)$
import numpy
mat = numpy.array([[1,0,1], [2, -1, 3], [1, 4, 2]])
numpy.linalg.matrix_rank(mat)
[[ 2.8, -0.8, -0.2], [ 0.2, -0.2, 0.2], [-1.8, 0.8, 0.2]]
\($A^{-1} = \begin{bmatrix}2.8 & -0.8 & -0.2 \\ 0.2 & -0.2 & 0.2 \\ -1.8 & 0.8 & 0.2\end{bmatrix}\)$
usare
from fractions import Fraction
Fraction(0.01).limit_denominator(100000)
per convertire in frazioni su campo \(\mathbb{N}\) i decimali
\($A^{-1} = \begin{bmatrix}\frac{14}{5} & -\frac{4}{5} & -\frac{1}{5} \\ \frac{1}{5} & -\frac{1}{5} & \frac{1}{5} \\ -\frac{9}{5} & \frac{4}{5} & \frac{1}{5}\end{bmatrix}\)$
Data l'applicazione lineare \(F: V-> W\) e le rispettive basi degli spazi vettoriali \(\beta_V\) e \(\beta_W\). Si indica con:
\($A_F^{\beta_V,\beta_W}\)$
Per costruire la matrice associta all'applicazione lineare:
Se si prendono in considerazione le basi canoniche è sufficiente disporre in colonna le immagini risultanti dell'applicazione lineare.