Algebra Lineal
Algebra Lineal
Algebra Lineal
Tema II
Àlgebra lineal
Coneixements previs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Introducció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.4 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.3 Determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.6 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
i
ii ÍNDEX
3.3.1 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1 Definició . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.5 Ortogonalitat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.8 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.3 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.9 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5 Diagonalització d’endomorfismes 73
Coneixements previs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Introducció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.4 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Capı́tol 3
1
2 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Coneixements previs
Les habilitats de càlcul que cal posseir per a treballar correctament aquesta lliçó són:
Introducció
En cursos anteriors el lector ha utilitzat els conceptes de vector i matriu, però en aquest tema
donarem els conceptes d’espai vectorial, base i dimensió, a fi que pugui entendre de forma
raonable el concepte de canvi de base en un espai vectorial, i com repercuteix aquest canvi de
base en les matrius de les transformacions lineals. És en aquest marc teòric on s’enquadra el
concepte de vector i valor propi i el de matriu diagonalitzable que veurem més endavant.
Moltes magnituds que estudiem en la ciència i en la tècnica vénen avaluades amb un sol número
real; d’aquestes magnituds en diem magnituds escalars. Exemples d’aquestes magnituds són:
la massa, la temperatura, la càrrega elèctrica. Nosaltres emprarem com a escalars els nombres
reals. Per contra, hi ha magnituds que per avaluar-les hem de donar més d’una dada; són els
casos de la velocitat, la força, l’acceleració, les tensions. Per avaluar una força, hem de donar
la seva magnitud, direcció i el sentit en els quals actua. Aquestes magnituds s’acostumen a
representar mitjançant segments orientats que anomenarem vectors.
Ja coneixem de cursos anteriors com se sumen aquests vectors, utilitzant la regla del par-
al.lelogram, i com es multipliquen per escalars.
3.1. ESPAIS VECTORIALS. BASES 3
y+r ay
r
y
y
x ax
t x x+t
Enunciarem ara les propietats mı́nimes que caracteritzen de forma intrı́nseca aquests conjunts
de segments orientats. A tots els conjunts que compleixin aquestes propietats mı́nimes els
anomenarem espais vectorials, i els seus elements vectors, és a dir, que seran vectors els
segments orientats, les velocitats, les forces, etc...
Un espai vectorial és un conjunt E, format per elements que en direm vectors, i que junta-
ment amb un cos de nombres, anomenats escalars, compleixen les següents propietats:
i) Existeix una operació que en direm suma de vectors, que associa a cada parell de vectors
u, v la seva suma u + v i que satisfà:
ii) Existeix una operació, que anomenarem producte d’un escalar per un vector, que a
cada escalar λ i a cada vector u els associa un vector λu i que satisfà:
1.- λ(µu) = (λµ)u per a tots els escalars λ, µ i tots els vectors u de E.
2.- (λ + µ)u = λu + µu per a tots els escalars λ, µ i tots els vectors u de E.
3.- λ(u + v) = λu + λv per a tots els escalars λ i per a tots els vectors u, v de E.
4.- 1 · u = u per a tot vector u de E.
Si els escalars són nombres reals direm que l’espai vectorial és sobre R.
4 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Si els escalars són els nombres complexos, direm que E és un espai vectorial sobre C.
Exemple: Amb la suma i el producte habitual R és un espai vectorial sobre R. Com ja és ben
conegut, la interpretació geomètrica dels nombres reals és una recta.
−2 −1 0 1 2 3
a
- u = (a)
u
Exemple : Parells ordenats de nombres reals. Els vectors del pla es representen per R2 =
R × R = {(a, b) : a ∈ R, b ∈ R}, és a dir, el conjunt de parells ordenats de nombres reals.
Les operacions que fan que aquest conjunt tingui estructura d’espai vectorial són
Gràficament, cada parell (a, b) s’identifica amb el segment orientat del pla que té per coorde-
nades cartesianes les de la seva punta (a, b).
u = (a, b)
b 1
Amb aquesta representació la suma de vectors equival a la suma de segments orientats seguint
la llei del paral.lelogram.
3.1. ESPAIS VECTORIALS. BASES 5
. . . .. u + v = (2, 3)
. Á .
v = (−1, 2)
. . . . . ..
. ..
K ..
e2 .
1 u = (3, 1)
6
-
e1
El producte d’un escalar per un vector equival a la dilatació o contracció de la longitud del
vector, segons que λ sigui més gran o més petit que 1, i a un canvi de sentit, segons si λ és més
gran o més petit que 0.
Per utilitzar vectors amb el programa Maple carregarem la llibreria LinearAlgebra. Fem un
exemple numèric de suma de vectors i producte d’un vector per un escalar
> with(LinearAlgebra):
> u:=Vector([3,1]);
3
u :=
1
> v:=Vector([-1,2]);
−1
v :=
2
> u+v;
2
3
> 2*u;
6
2
6 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
En un espai vectorial, el que tenim són vectors amb els que podem fer sumes i productes per
escalars, aixó és el que anomenarem combinacions lineals, generant aixı́ un altre vector del
mateix espai.
Exemple :
2(1, 0, 0) + 3(0, 1, 0) + 5(0, 0, 1) = (2, 3, 5)
2(1, 1, 1) + (0, 1, 0) − 4(2, 1, 1) = (−6, −1, −2)
Direm que un vector ~v és linealment dependent dels vectors ~v1 , ~v2 , . . . , ~vn si ~v pot ser escrit
com una combinació lineal de ~v1 ,~v2 ,. . . ,~vn , és a dir,
~v = λ1~v1 + λ2~v2 + · · · + λn~vn
per a certs escalars λ1 , λ2 , . . . , λn .
En cas contrari direm que ~v és linealment independent de ~v1 , ~v2 , . . . , ~vn .
Un conjunt de vectors {~u1 , ~u2 , . . . , ~ur } són linealment independents si cap d’ells és combi-
nació lineal dels altres.
a) El vector (10, 7, 6), és combinació lineal dels vectors (1, 1, 1), (0, 1, 0), (2, 1, 1)?
Per resoldre aquest sistema amb el programa Maple, podem fer servir directament l’ordre solve,
introduint les 3 equacions, o l’ordre LinearSolve, entrant la matriu del sistema d’equacions.
> solve(x+2*z=10,x+y+z=7,x+z=6,x,y,z);
{z = 4, y = 1, x = 2}
b) El vector v = (1, 3, 0), és combinació lineal dels vectors u1 = (1, 2, 1), u2 = (1, 1, 1), u3 =
(2, 3, 2)?
o
1 = x + y + 2z
3 = 2x + y + 3z
0 = x + y + 2z
Aquest sistema és incompatible, observem que si es satisfà la primera equació no es pot satisfer
la tercera i per tant, el vector (1, 3, 0) és linealment independent dels vectors (1, 2, 1), (1, 1, 1),
(2, 3, 2).
Observem que també es pot aplicar el mètode de Gauss i llavors obtenim sistemes equivalents
de vectors on finalment es veu fàcilment el rang:
u1 1 2 1 u1 1 2 1
u 1 1 2 1
u2 1 1 1 ∼ 1
u − u 2 0
1 0
∼ u 1 − u2 0 1 0
u3 2 3 2 2u1 − u3 0 1 0
2u1 − u2 − v 0 0 1
v 1 3 0 u1 − v 0 −1 1
> A:=Matrix([[1,2,1],[1,1,1],[2,3,2],[1,3,0]]);
1 2 1
1 1 1
A :=
2 3 2
1 3 0
Observem que això només ens diu que aquests 4 vectors són dependents però no ens dona la
relació entre ells. Ens podria semblar que v és combinació lineal dels vectors {u1 , u2 , u3 }, però
no ho és.
> LinearSolve(B,<1,3,0>);
Error, (in LinearAlgebra:-LA_Main:-LinearSolve) inconsistent system
Anomenarem rang d’un conjunt de vectors al màxim nombre de vectors linealment inde-
pendents que conté.
Exemple : El conjunt de vectors {(1, 2, 1), (1, 1, 1), (2, 3, 2)} és de rang 2, en canvi, el conjunt
{(1, 2, 1), (1, 1, 1), (1, 3, 0)} és de rang 3.
3.1. ESPAIS VECTORIALS. BASES 9
En un espai vectorial podem considerar diferents classes de subconjunts de vectors. Ens in-
teressen aquells subconjunts que compleixin les propietats d’espai vectorial, i els anomenarem
subespais vectorials. En particular, si F és un subespai vectorial, llavors ~0 ∈ F .
. .u
..
1 + u2 ∈
6 F
. ¸ ...
. . ... ...
.. e2 .
i u2I u1 * 1
6
F
¼−u1 6∈ F
u1 + u2 ∈ F
¸
¸ u2
u1
¸
F
®
−u1 ∈ F
(0, 0) ∈ F , totes les combinacions lineals d’elements de F estan en F i es compleixen totes les
propietats, aleshores, F és subespai vectorial.
Exemples:
b) Els vectors (1, 0, 0), (0, 1, 1) generen un subespai de R3 que es F = h(1, 0, 0), (0, 1, 1)i =
{x(1, 0, 0) + y(0, 1, 1), ∀x, y ∈ R} = {(x, y, y) ∈ R3 , ∀x, y ∈ R} i es pot representar com els
vectors que estan sobre el pla y − z = 0.
. .(0, 1, 1)
(1, 1, 1).. . . µ
.
.....
..
) y
(1, 0, 0)
x
c) Els vectors (1, 0, 0), (0, 1, 1), (1, 1, 1) generen el mateix subespai que l’exemple b). Observeu
que el vector (1,1,1) és la suma dels dos anteriors i no ens aporta nous elements a l’espai
h(1, 0, 0), (0, 1, 1)i.
Solament ens ocuparem d’espais vectorials generats per un nombre finit de vectors.
Si tenim un espai vectorial, vistes les definicions anteriors, serà interessant conèixer uns vectors
que generin aquest espai, i que siguin els menys possibles. Per a aconseguir que un conjunt
3.1. ESPAIS VECTORIALS. BASES 11
de generadors d’un espai vectorial sigui mı́nim, haurem d’escollir els que siguin linealment
independents. Aquest conjunt de vectors l’anomenarem base de l’espai vectorial i el nombre
de vectors d’una base direm que és la dimensió de l’espai vectorial.
Una base d’un espai vectorial E és un conjunt ordenat {v1 , . . . , vn } de vectors de E, linealment
independents, tal que tot vector u de E es pot escriure com a combinació lineal de {v1 , . . . , vn }.
Sigui {v1 , v2 , . . . , vn } una base de l’espai vectorial E. Les coordenades del vector u respecte
la base {v1 , v2 , . . . , vn } són els escalars (x1 , x2 , . . . , xn ), tal que
u = x1 v1 + x2 v2 + · · · + xn vn .
El vector ~u s’acostuma a escriure en la base {v1 , v2 , . . . , vn } com u = (x1 , x2 , . . . , xn ).
Fixada la base {v1 , v2 , . . . , vn } de l’espai vectorial E, les components d’un vector són úniques,
i un cop fixada la base identifiquem u amb les seves coordenades.
Exemple : En R3 , els vectors (1, 0, 0), (0, 1, 0), (0, 0, 1) formen una base. Normalment es
considera com la base que anomenarem natural.
En alguns àmbits, especialment a la fı́sica s’anomenen i, j, k.
k
6
-
i j
ª
La següent proposició és fonamental per a treure profit del concepte de base.
Tot espai vectorial E té bases, i totes les bases tenen el mateix nombre de vectors.
12 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Si els vectors de E, v1 , v2 , . . . , vk són linealment independents, però no formen base, afegint uns
vectors convenients vk+1 , . . . , vn , es pot formar una base de E, {v1 , v2 , . . . , vk , vk+1 , . . . , vn }.
La dimensió d’un espai vectorial E és el nombre de vectors que formen una base qualsevol.
Escriurem dim E per indicar la dimensió de E. Observem que:
a) Una base d’un espai vectorial E, té el màxim nombre possible de vectors linealment
independents, és a dir, que en un espai vectorial de dimensió n, un conjunt de vectors
amb més de n vectors són linealment dependents.
Si tenim n vectors linealment independents, automàticament són generadors i, per tant,
formen una base.
b) Una base d’un espai vectorial E té el mı́nim nombre possible de generadors de E, és a
dir, que en un espai vectorial de dimensió n, un conjunt de menys de n vectors no pot
generar E i per tant tampoc pot ser-ne una base.
Si tenim n vectors generadors de E, automàticament són linealment independents i, per
tant, formen una base.
Exemple : Siguin v1 = (1, −2, 3, 2), v2 = (−3, −4, 3, −4), v3 = (2, 1, 0, 3) vectors de R4 .
Són linealment independents? en cas que no siguin linealment independents, suprimiu un vector
que sigui linealment dependent dels altres. Afegiu els vectors que faci falta fins a completar
una base de R4 .
Per facilitar els càlculs, col.loquem els tres vectors horitzontalment i ordenadament de la forma:
v1 1 −2 3 2
v2 −3 −4 3 −4
v3 2 1 0 3
3.1.4 Exercicis
1. Estudieu si els següents vectors R2 són independents. En el cas en que siguin dependents,
doneu la relació de dependéncia.
a) u1 = (1, 2) i u2 = (−2, 1)
b) v1 = (2, −2) i v2 = (−5, 5)
c) w1 = (5, −1), w2 = (−2, 3) i w3 = (1, 5)
a) F =< u1 , u2 >
b) G =< v1 , v2 >
c) H =< w1 , w2 , w3 >
2. Estudieu si els següents vectors R3 són independents. En el cas en que siguin dependents,
doneu la relació de dependència.
a) F =< u1 , u2 , u3 >
b) G =< v1 , v2 , v3 >
c) H =< w1 , w2 , w3 , w4 >
6. Dels subconjunts següents, digueu quins són subespais i doneu la dimensió i una base dels
que ho siguin:
8. A R4 es donen els vectors u1 = (1, 1, 2, 1), u2 = (1, −1, 0, 1), u3 = (0, 0, −1, 1), u4 =
(1, 2, 2, 0) i v = (1, 1, 1, 1).
9. Comproveu que els vectors de R3 : u1 = (−1, 1, 1), u2 = (1, −1, 1) i u3 = (1, 1, −1) són
linealment independents i doneu les coordenades del vector v = (2, −3, −1) a la base
{u1 , u2 , u3 }.
10. Trobeu una base del subespai a R3 generat pels vectors u1 = (1, 2, 3), u2 = (2, 0, 1),
u3 = (3, −2, −1) i u4 = (1, −2, −2), i completeu aquesta base fins a una base de R3 .
11. Esbrineu si el subespai generat per (1, 2, 1) i (2, 3, 2) és o no el mateix que generen (1, 1, 0)
i (3, 8, 5).
12. Suposem que els vectors u, v, w són linealment independents. Demostreu que els vectors
{u + v, v + w, w + u} també són independents.
3.2. MATRIUS I DETERMINANTS 15
Les matrius són una eina molt útil en diferents camps d’aplicació de l’àlgebra lineal tals com la
fı́sica, l’economia, el càlcul d’estructures, etc.. Una matriu és un conjunt de nombres col.locats
en files i columnes.
a11 a12 . . . a1n
a21 a22 . . . a2n
A= Matriu m × n
. .
.
am1 am2 . . . amn
Anomenem rang d’una matriu al màxim nombre de files o columnes linealment independents.
Per estudiar el rang d’un conjunt de vectors és útil col.locar els vectors en forma de matriu i
buscar el rang de la matriu.
a) Suma
Donades dues matrius del mateix ordre, A = (aij ) i B = (bij ), anomenem matriu suma de
A i B a la matriu que s’obté de la suma de cada terme de A amb el corresponent terme
de B:
A + B = (aij ) + (bij ) = (aij + bij )
Propietats de la suma:
i) Commutativa:
A+B =B+A
ii) Associativa:
A + (B + C) = (A + B) + C
iii) Element neutre:
A+0=0+A=A
iv) Elements simètrics:
A + (−A) = (−A) + A = 0
k(A + B) = kA + kB
(k + h)A = kA + hA
(k · h)A = k(h · A)
c) Producte de matrius
Donades les matrius A = (aij )m×n i B = (bij )n×p , anomenarem matriu producte de A per
B a la matriu C = (cik )m×p tal que
a11 a12 ... a1n b11 b12 ... b1p c11 c12 ... c1p
a21 a22 ... a2n b21 b22 ... b2p c21 c22 ... c2p
· =
... ... ... ... ... ... ... ... ... ... ... ...
am1 am2 ... amn bn1 bn2 ... bnp cm1 cm2 ... cmp
m files, n columnes n files, p columnes m files, p columnes
Cada element de la matriu producte resulta de sumar els productes dels elements d’una
fila de la primera matriu per els elements corresponents d’una columna de la segona
matriu. m
X
cik = aij bjk = aij bij + ... + am bmj
j=1
Exigeix doncs que el nombre de columnes de la primera matriu coincideixi amb el nombre
de files de la segona.
La multiplicació de matrius no és commutativa. El producte de les matrius A per B i B
per A no són en general iguals.
Propietats: del producte de matrius:
i) Associativa:
(AB)C = A(BC)
ii) Distributiva a l’esquerra:
A(B + C) = AB + AC
iii) Distributiva a la dreta:
(A + B)C = AC + BC
iv) Producte per un escalar (k):
am1
c) Matriu quadrada: és aquella matriu que té igual nombre de files que de columnes. Si
aquest nombre es n, la matriu s’anomena d’ordre n.
Els elements aij amb i = j formen la diagonal d’una matriu quadrada.
En el producte de matrius quadrades d’ordre n hi ha divisors de zero, per exemple
1 1 1 1
0 1 0 1
0 0 1 0
0 0 0 1
d) Matriu triangular: és una matriu quadrada que té nuls els elements que estan a un mateix
costat de la diagonal principal, tant per la part superior com la inferior.
1 1 1 1
0 1 0 1
0 0 1 0 (Triangular inferior)
0 0 0 1
e) Matriu diagonal: és una matriu quadrada que té nuls els elements que estan a ambdós
costats de la diagonal principal.És a dir, aij = 0 ∀ i 6= j
1 0 0 0
0 2 0 0
0 0 2 0
0 0 0 1
f) Matriu identitat: és una matriu diagonal que té tots els elements de la diagonal principal
igual a 1.
1 0 0
I= 0 1 0
0 0 1
18 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
g) Matriu nul.la: és una matriu que té tots els elements iguals a 0. És a dir, aij = 0, ∀i, j
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
h) Matriu trasposta: la matriu trasposta At d’una matriu donada A, s’obté al convertir totes
les files de A en columnes i les columnes en files.
Si A = (aij )m×n aleshores At = (aji )m×n
Propietat:
(A · B)t = B t · At
1 1 1 1 1 0 0 0
0 1 0 1 1 1 0 0
A=
0
At =
0 1 0 1 0 1 0
0 0 0 1 1 1 0 1
i) Matriu Simètrica: És una matriu quadrada que coincideix amb la seva trasposta A = At
1 2 3
A = At = 2 0 5
3 5 6
j) Matriu Antisimètrica: És una matriu quadrada que coincideix amb la oposada de la seva
trasposta A = −At .
3.2.3 Determinants
Clàssicament els determinants s’utilitzaven per resoldre sistemes d’equacions lineals. Actual-
ment, si el sistema té més de 3 equacions, aquest mètode ja no es considera pràctic. No
obstant, per discutir sistemes d’equacions dependents d’un paràmetre, per al càlcul dels valors
propis d’un endomorfisme, per calcular el volum determinat per 3 vectors o per la interpretació
com a factor d’escala entre volums, pensem que és necessari fer aquı́ una introducció sobre els
determinants.
a) S’anomena menor complementari de l’element aij , que denotarem per Mij , al de-
terminant de la matriu quadrada d’ordre n − 1 que resulta de suprimir la fila i-èsima i la
columna j-èsima de A.
b) L’adjunt de l’element aij és el seu menor complementari afectat pel signe (−1)i+j .
L’adjunt de aij s’indica per Aij , és a dir, Aij = (−1)i+j Mij .
det(a) = a
És a dir, el determinant és la suma del producte del cada element de la primera fila pel seu
adjunt.
= a11 A11 + a12 A12 = a11 det(a22 ) − a12 det(a21 ) = a11 a22 − a21 a12
20 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
La primera fila, en aquesta definició, juga un paper especial. Però, de fet, veurem ara que pot
ser substituı̈da per qualsevol fila o columna.
Per a calcular el determinant d’una matriu amb el programa Maple ho farem de la següent
manera:
> B:=<<1| 2 | 1>, <1 | 1 | 1>, <3 |2 | 1>>;
1 2 1
B := 1 1 1
3 2 1
> Determinant(B);
Donada una matriu quadrada A d’ordre n i fixada la fila r-èsima (o columna t-èsima), el
determinant d’aquesta matriu és igual a la suma dels productes dels elements d’aquesta fila (o
columna) pels seus adjunts respectius.
n
X n
X
det A = arj Arj = ait Ait , per a tot r, t = 1, ..., n
j=1 i=1
Aquest resultat ens diu que el rang d’una matriu és el mateix calculat per files que per columnes.
det A = det At .
3.2. MATRIUS I DETERMINANTS 21
Com a conseqüència de l’observació 3.2.3, totes les proposicions que enunciem a continuació
continuen essent vàlides canviant columnes per files.
1. Si multipliquem tots els elements d’una columna per un nombre real, el determinant
queda multiplicat per aquest nombre,
det(A1 , A2 , . . . , cAj , . . . , An ) = c · det(A1 , A2 , . . . , Aj , . . . , An ) .
4. Si els elements d’una columna poden descompondre’s en suma de dos, aleshores el deter-
minant pot descompondre’s en suma de dos.
det A = det(A1 , A2 , . . . , A′i + A′′i , . . . , An ) =
= det(A1 , A2 , . . . , A′i , . . . , An ) + det(A1 , A2 , . . . , A′′i , . . . , An )
5. Si a una columna se li suma una combinació lineal de les restants, el determinant no varia,
à n
!
X
det A1 + λi Ai , A2 , . . . , An = det(A1 , A2 , . . . , An )
i=2
6. Si una columna és combinació lineal de les restants, el determinant és zero,
à n !
X
det λi Ai , A2 , . . . , An = 0
i=2
El rang d’una matriu és el nombre màxim de vectors (files o columnes) linealment independents
que es pot extreure de la matriu. Si tenim en compte l’estudi de la dependència lineal de vectors,
a partir dels determinants, podem definir el rang d’una matriu, com l’ordre màxim dels seus
menors no nuls.
Amb aquest resultat podem calcular el rang d’una matriu o d’un conjunt de vectors utilitzant
determinants. Si una matriu té un menor d’ordre r no nul, per tal que el seu rang sigui r només
cal que s’anul.lin els menors d’ordre r + 1 obtinguts afegint una fila i una columna de la matriu
al menor d’ordre r no nul.
Una matriu quadrada A, d’ordre n, direm que és regular si existeix una matriu quadrada,
indicada per A−1 que anomenarem matriu inversa de A, que compleix:
A · A−1 = A−1 · A = I
on I és la identitat d’ordre n. Determinant d’una matriu regular i de la seva inversa:
A és regular =⇒ det A 6= 0
1
i, a més a més, det A−1 = .
det A
Si A és regular, aleshores A · A−1 = I, d’on det A · det A−1 = 1 i, per tant, det A 6= 0 i
det A−1 = 1/ det A.
3.2. MATRIUS I DETERMINANTS 23
si det A 6= 0, aleshores
T
A11 A12 . . . A1n
−1 1 A21 A22 . . . A2n
A = .. .. ..
det A ..
.
. . .
An1 An2 . . . Ann
és la matriu inversa de A.
Per tant, la matriu inversa de A és la matriu dels adjunts de la transposada de A, dividida pel
det A.
det(A) = −9
2 1 3
At = 1 −1 1
−2 2 1
la matriu d’adjunts és:
−3 −3 0
5 8 −6
4 1 −3
per tant:
−3 −3 0
1
A−1 = 5 8 −6
−9
4 1 −3
Fem el mateix exemple per calcular una matriu inversa amb el programa Maple:
> A1:=<<2 | 1 | -2>, <1 | -1 | 2>, <3 | 1 | 1>>;
24 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
2 1 −2
A1 := 1 −1 2
3 1 1
> A1^(-1);
1 1
3 3
0
5
− 9 − 89 2
3
− 49 − 19 1
3
3.2.6 Exercicis
2. Demostreu, sense efectuar els desenvolupaments, que el primer dels determinants és nul i
que el segon és múltiple de 13.
¯ ¯ ¯ ¯
¯ 4 3 43 ¯ ¯ 4 2 7 ¯
¯ ¯ ¯ ¯
a) ¯¯ 5 1 51 ¯¯. b) ¯¯ 1 9 3 ¯¯.
¯ 2 7 27 ¯ ¯ 5 6 2 ¯
¯ ¯
¯ 2 x 3 ¯¯
¯
3. Resoleu l’equació següent: ¯¯ 5 7 12 ¯¯ = 0.
¯ 3 −1 2x ¯
3.3. CANVI DE BASE EN UN ESPAI VECTORIAL 25
Cada una de les possibles bases d’un espai vectorial, constitueix un sistema de referència re-
specte al qual cada vector ve representat per les seves coordenades.
És a dir, que a un mateix vector li corresponen coordenades diferents, segons la base escollida.
En aquest apartat, estudiarem la relació que hi ha entre les components del mateix vector, però
referit aquest vector, a dues bases diferents.
....u.
.¸ ...
..... ...
... .
...
.....
.
.....
.. e
... 2
v2I 6 µ v1
-
e1
¾
v1 = e1 + e2
v2 = −e1 + e2
És a dir, el mateix vector u té coordenades (2, 4) en la base {e1 , e2 } i (3, 1) en la base {v1 , v2 }.
Sigui E un espai vectorial, {e1 , e2 , . . . , en } una base de E i u un vector de E que té coorde-
nades (x1 , x2 , . . . , xn ) en aquesta base. Si tenim una altra base de E formada pels vectors
26 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
volem veure com es relacionen les coordenades de u a la base {v1 , v2 , . . . , vn } amb les coordenades
(x1 , x2 , . . . , xn ). Si u = y1 v1 + y2 v2 + · · · + yn vn , podem substituir v1 , v2 , . . . , vn per les seves
expressions a la base {e1 , e2 , . . . , en }; fent-ho aixı́ tenim
Per tant
x1 = a11 y1 + a12 y2 + · · · + a1n yn
x2 = a21 y1 + a22 y2 + · · · + a2n yn
..
.
x = a y + a y + ··· + a y
n n1 1 n2 2 nn n
Són les fórmules mitjançant les quals es relacionen les coordenades de u en ambdues bases.
Com que la matriu de canvi de base té per columnes les components d’uns vectors que són
linealment independents, la matriu és invertible i, per tant, Y = C −1 X, que és el canvi invers.
3.3. CANVI DE BASE EN UN ESPAI VECTORIAL 27
El canvi que ens demanen és l’invers, és a dir, el que té per matriu
0 1 −2
C −1 = 3/4 −1 3/2
1/4 −1/2 1
Per tant
0 1 −2 −1 −1
3/4 −1 3/2 7 = −7/4
1/4 −1/2 1 4 1/4
7 1
u = −v1 − v2 + v3 .
4 4
> U:=<-1, 7, 4>;V1:=<2, 3, 1>;V2:=<-4, 0, -2>;V3:=<4, 12, 6>;
−1
U := 7
4
2
V 1 := 3
1
−4
V 2 := 0
−2
4
V 3 := 12
6
28 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
> C1:=Matrix([V1,V2,V3]);
2 −4 4
C1 := 3 0 12
1 −2 6
> C1^(-1).U;
−1
7
−4
1
4
Donat un espai vectorial E qualsevol, i una base de E, a tot vector u de E li podem fer
correspondre les seves coordenades en aquesta base; aixı́, doncs, donada una base tenim una
identificació de E amb Rn .
3.3.1 Exercicis
1. Observant la figura, escriviu la matriu de canvi de base, de la base {i, j} a la {u, v}.
Calculeu les coordenades del vector w = 3i + 5j en la base {u, v}.
~j
~v
6
K
*
~u
30o-
~i
2. Donats els vectors de R3 : v1 = (2, 2, 1), v2 = (−1, 0, 1) i v3 = (1, 2, 3), escriviu la matriu
de canvi de la base usual a {v1 , v2 , v3 }.
a) Calculeu les coordenades a la base usual del vector de coordenades (2, 1, 3) a la base
{v1 , v2 , v3 }.
b) Calculeu les coordenades a la base {v1 , v2 , v3 } del vector (−3, 2, 1).
4. Doneu la fórmula del canvi de coordenades quan es passa, a R2 , de la base {(1, 2), (0, 1)}
a la base {(−1, 0), (−1, −1)}.
30 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
c
a
ab
4 + c2 = (a + b)2
2
a2 + b2 = c2
Estudiarem ara els conceptes de norma o mòdul d’un vector, d’angle format per dos vectors,
i de projecció ortogonal d’un vector sobre un altre. La funció matemàtica que ens permetrà
introduir aquests conceptes de forma estructurada i senzilla és el producte escalar.
En un espai vectorial es defineix el concepte de paral.lelisme, però si, a més a més, tenim un
producte escalar, llavors també té sentit parlar de perpendicularitat i distància, complint-se els
axiomes de la Geometria Euclidiana. Això justifica que a aquests espais els anomenem espais
vectorials Euclidians.
Finalment, a partir del producte escalar i dels determinants, definirem el producte vectorial a
R3 , concepte de gran utilització, per exemple, en l’estudi del moment d’una força.
3.4.1 Definició
Un espai vectorial direm que és euclidià quan està dotat d’un producte escalar. Donarem
primer la definició de producte escalar.
Donat un espai vectorial E sobre R, anomenem producte escalar en E una aplicació del
producte cartesià E × E en R, és a dir, que a cada parell de vectors assigna un nombre real,
3.4. ESPAI VECTORIAL EUCLIDIÀ 31
E×E → R
(u, v) → u · v
i) a) u · (v1 + v2 ) = u · v1 + u · v2
b) (u1 + u2 ) · v = u1 · v + u2 · v
c) (λu) · v = λ(u · v) = u · (λv)
Partint d’aquesta propietat es diu que l’aplicació és una forma bilineal.
ii) u · v = v · u
Es diu que és una forma simètrica.
Resumint, un producte escalar és una forma bilineal simètrica definida positiva.
Siguin u i v dos vectors d’Rn que en la base natural tenen coordenades (x1 , x2 , . . . , xn ) i
(y1 , y2 , . . . , yn ) respectivament, llavors:
u · v = x1 y1 + x2 y2 + . . . + xn yn
Donat un espai vectorial euclidià (E, ·) sobre R, es defineix la norma d’un vector, u ∈ E,
com p
|| u ||= + (u · u)
Exemple: Norma d’un vector a Rn
A Rn , amb el producte escalar que hem vist a l’exemple ??, la norma d’un vector és la seva
longitud. Observem que per n = 2, si u = (x1 , x2 ), llavors
p q
|| u ||= + (u · u) = x21 + x22
32 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
u
1
x2
x1
n
X
v= yj e j
j=1
Donat un espai vectorial E i fixada una base, l’expressió del producte escalar queda unı́vocament
determinada coneixent els productes escalars dels elements de la base:
ei · ej per a i = 1, . . . , n, j = 1, . . . , n.
3.4. ESPAI VECTORIAL EUCLIDIÀ 33
Sigui {e1 , . . . , en } una base d’un espai vectorial, E. Podem definir la matriu
e1 · e1 e1 · e2 . . . e1 · en g11 g12 . . . g1n
e2 · e1 e2 · e2 . . . e2 · en g21 g22 . . . g2n
G= .. = ..
. .
en · e1 en · e2 . . . en · en gn1 gn2 . . . gnn
el producte escalar usual. Llavors, la matriu d’aquest producte escalar en aquesta base és
G = I.
Donats dos vectors u i v i les seves expressions a la base {e1 , . . . , en } de E, podem associar-los
una matriu:
x1 y1
x2 y2
u=X= .. i v=Y = ..
. .
xn yn
g11 g12 . . . g1n y1
t
g21 g22 . . . g2n y2
u · v = X GY = (x1 , . . . , xn ) · .. · .. .
. .
gn1 gn2 . . . gnn yn
34 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Aplicant la definició, les components de la matriu del producte escalar en la base {e′1 , e′2 , e′3 }
són
′
g11 = e′1 · e′1 = (3, 0, −5) · (3, 0, −5) = 34
′ ′
g12 = g21 = e′1 · e′2 = (3, 0, −5) · (1, 1, 1) = −2
′
g13 = g31 = e′1 · e′3 = (3, 0, −5) · (2, −3, 2) = −4
′
′
g22 = e′2 · e′2 = (1, 1, 1) · (1, 1, 1) = 3
′ ′
g23 = g32 = e′2 · e′3 = (1, 1, 1) · (2, −3, 2) = 1
′
g33 = e′3 · e′3 = (2, −3, 2) · (2, −3, 2) = 17
Per tant,
34 −2 −4
G′ = −2 3 1
−4 1 17
Si tenim la matriu G’ del producte escalar en la nova base, i volem fer el producte escalar dels
vectors V1=(2,3,1) i V2=(-4,0,-2), de components en la base {e1 , e2 , e3 },
> V1:=<<2 | 2 | 1>>;
G:=<<34 | -2 | -4>, <-2 | 3 | 1>, <-4 | 1 | 17>>;
V2:=<<-4>, <0>, <-2>>;
h i
V 1 := 2 2 1
3.4. ESPAI VECTORIAL EUCLIDIÀ 35
34 −2 −4
G := −2 3 1
−4 1 17
−4
V 2 := 0
−2
> V1.G.V2;
[−262]
3.4.5 Ortogonalitat
Amb el producte escalar de dos vectors definim el cosinus de l’angle que formen. Diem que
dos vectors són perpendiculars quan aquest angle és de 90o graus, en aquest cas el cosinus és
0. Per això anomenem ortogonals als vectors que donen producte escalar 0.
Donats dos vectors u, v ∈ (E ·), no nuls, definim el cosinus de l’angle que formen, θ, com
u·v
cos θ =
kuk kvk
I aixı́ definim:
b) Un conjunt de vectors direm que són ortogonals si són ortogonals dos a dos.
c) Un conjunt de vectors direm que és un conjunt de vectors ortonormals si són ortog-
onals i de norma 1.
d) Una base ortonormal és una base formada per vectors ortonormals.
36 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Donat un espai euclidià de dimensió 3, tres vectors {e1 , e2 , e3 }, ortogonals entre ells i de mòdul
1, formen un conjunt de vectors linealment independents i per tant formen una base ortonormal.
Referida a aquesta base la mètrica pren la forma de la matriu identitat
e1 · e1 0 0 1 0 0
G= 0 e2 · e2 0 = 0 1 0
0 0 e3 · e3 0 0 1
u = x 1 e1 + x2 e2 + x 3 e3
v = y1 e1 + y2 e2 + y3 e3 ,
pren la forma:
1 0 0 y1
u · v = (x1 x2 x3 ) 0 1 0 y2 = x1 y1 + x2 y2 + x3 y3
0 0 1 y3
Es pot demostrar el següent resultat: la matriu del producte escalar en una base ortonormal és
la matriu identitat. En tot espai vectorial euclidià hi ha bases ortonormals.
F ⊥ = {u ∈ E | u · v = 0 per a tot v ∈ F }
Dues bases d’un espai vectorial tenen la mateixa orientació, si el determinant de la corre-
sponent matriu de canvi de base és positiu. La base natural de Rn es considera orientada
positivament.
Exemple: Orientació
A la recta real, espai vectorial de dimensió 1, es considera que l’orientació positiva és la dels
reals positius. La matriu de canvi de base a R, és una matriu d’un únic element, és a dir, un
escalar, i el canvi de base és un canvi d’escala. Si el factor de canvi d’escala és positiu, es manté
la mateixa orientació; si és negatiu canvia l’orientació
3.4. ESPAI VECTORIAL EUCLIDIÀ 37
u = x 1 e1 + x 2 e2 + · · · + x n en
x1 = u · e1 , x2 = u · e2 , . . . , xn = u · en .
Sigui la base
³ √ √ ´ ³ √ √ ´
v1 = 1/ 2, 1/ 2, 0 v2 = 1/ 2, −1/ 2, 0 v3 = (0, 0, 1).
Per a demostrar que la base {v1 , v2 , v3 } és ortonormal, hem de calcular la norma (mòdul o
longitud) dels vectors:
k v1 k= 1 k v2 k= 1 k v3 k= 1
v 1 · v2 = 0 v1 · v3 = 0 v2 · v3 = 0
5
x1 = u · v 1 = √
2
−1
x2 = u · v 2 = √
2
x3 = u · v 3 = 5
Observació 1. La matriu C de canvi de base entre dues bases ortonormals té per columnes
vectors, que són ortonormals i, per tant, si multipliquem C t · C estem multiplicant vectors
ortonormals entre ells, i la matriu que resulta d’aquest producte és la matriu identitat.
38 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Si C és la matriu de canvi entre dues bases ortonormals, es compleix que C t · C = I i, per tant,
que C t = C −1 .
R3 × R3 −→ R3 ¯ ¯
¯ e1 e2 e3 ¯
¯ ¯
(u, v) −→ u ∧ v = ¯¯ x1 x2 x3 ¯¯ =
¯ y1 y2 y3 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ x2 x3 ¯ ¯ x x
e1 − ¯¯ 1 3 ¯ e2 + ¯ x1 x2 ¯ e3
¯ ¯ ¯
=¯¯ ¯
y2 y3 ¯ y1 y3 ¯ ¯ y1 y2 ¯
i) u ∧ u = 0.
ii) u ∧ v = −v ∧ u.
i) (u1 + u2 ) ∧ v = u1 ∧ v + u2 ∧ v,
3.4. ESPAI VECTORIAL EUCLIDIÀ 39
ii) u ∧ (v1 + v2 ) = u ∧ v1 + u ∧ v2 ,
iii) (λu) ∧ v = λ(u ∧ v) = u ∧ (λv).
iii) k u ∧ v k=k u k k v k sin α, essent α l’angle que formen u i v.
iv u ∧ v = ~0 si, i només si, u i v són linealment dependents.
Donats tres vectors u, v, w, es defineix el producte mixt {u, v, w} d’aquests tres vectors de
la manera següent:
{u, v, w} = u · (v ∧ w) .
Demostració.
{u, v, w} =
µ¯ ¯ ¯ ¯ ¯ ¯ ¶
¯ y2 y3 ¯
¯ e 1 − ¯ y 1 y3
¯ ¯ ¯ y1 y2 ¯
= (x1 e1 + x2 e2 + x3 e3 ) · ¯¯ ¯ e2 + ¯
¯ z1 z2 ¯ e3 =
¯
z2 z3 ¯ ¯ z1 z3 ¯
¯ ¯
¯
¯ y y ¯
¯ ¯
¯ y y ¯
¯ ¯
¯ y y ¯ ¯
¯ ¯ x1 x2 x3 ¯¯
= x1 ¯¯ 2 3 ¯¯ − x2 ¯¯ 1 3 ¯¯ + x3 ¯¯ 1 2 ¯¯ = ¯¯ y1 y2 y3 ¯¯ .
z2 z3 z1 z3 z1 z 2 ¯ z 1 z2 z3 ¯
El producte vectorial u∧v és doncs un altre vector de direcció perpendicular a ambdós, de sentit
tal que u, v, u ∧ v sigui una base orientada positivament i de mòdul k u ∧ v k=k u k k v k sin α,
essent α l’angle que formen u i v.
El producte mixt de tres vectors {a, b, c}, en valor absolut, és el volum del paral.lelepı́pede les
arestes concurrents del qual són aquests tres vectors.
6
~u ∧ v
~v
:
ku∧v k
α
q
~u
és la projecció de a sobre el subespai hb, ci⊥ i, per tant, és l’altura del paral.lelepı́pede.
Observació 2. Siguin u1 , u2 , u3 tres vectors linealment independents de R3 i A una matriu
regular. A · u1 , A · u2 , A · u3 són tres vectors, linealment independents, transformats dels
anteriors. Aleshores:
3.4.8 Exercicis
1. Si a = (1, 2, −1), b = (0, 0, 1) i c = (2, 3, −1), calculeu, fent servir el producte escalar
usual de R3 , els valors següents:
a) a · (b + 2c).
b) (a − b) · (a + c).
c) a · a.
d) (2a + 3b) · 4c.
2. Considerem els següents vectors d’R2 : u = (1, 3) i v = (4, 2). Calculeu la projecció
ortogonal de u sobre v i el vector projecció. Feu un dibuix aproximat de u, de v i del
vector projecció.
4. Trobeu la projecció del vector u = (1, 2, 3) sobre el subespai engendrat per e1 = (1, 0, 1)
i e2 = (0, 1, 0).
7. Calculeu (1, 2, 3) ∧ (2, 1, 1), (0, 0, −1) ∧ (1, 1, 0) i (2, 3, 4) ∧ (4, 5, 8).
9. Feu aquest exercici amb el programa Maple. Calculeu la superfı́cie i el volum del tetràedre
de vèrtexs: A(1, 2, 3), B(2, 5, 2), C(1, 3, 5) i D(5, 7, 9).
42 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Apèndix
> with(LinearAlgebra):
Exemple amb el programa Maple d’utilització del producte escalar i el producte vectorial.
Trobeu la projecció del vector u=(1,2,3) sobre el subespai F engendrat per els vectors
v1=(1,0,1) i v2=(0,1,0).
Primer mètode:
sigui el vector w el vector buscat, és a dir, el vector projecció de u sobre el subespai F, per
tant w ha de ser combinació lineal de v1 i v2.
> v1:=<1 | 0 | 1>;v2:=<0 | 1 | 0>;u:=<1 | 2 | 3>;
v1 := [1, 0, 1]
v2 := [0, 1, 0]
u := [1, 2, 3]
> w:=x*v1+y*v2;
w := [x, y, x]
w1 := [1 − x, 2 − y, 3 − x]
43
44 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
> solve({DotProduct(w1,v1)=0,DotProduct(w1,v2)=0},{x,y});
{x = 2, y = 2}
Segon mètode:
> u3:=CrossProduct(v1,v2);
u3 := [−1, 0, 1]
> u1:=1/(2)^(1/2)*u3;
1√ 1√
· ¸
u1 := − 2, 0, 2
2 2
> wo:=DotProduct(u,u1)*u1;
wo := [−1, 0, 1]
> w:=u-wo;
w := [2, 2, 2]
Capı́tol 4
45
46 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
Les operacions bàsiques que estructuren un conjunt com a espai vectorial són, com hem vist,
l’addició de vectors i el producte per nombres. És lògic pensar que les transformacions interes-
sants entre espais vectorials són les que respecten la seva estructura, en el sentit que conserven
les operacions.
Un exemple quotidià d’aplicació lineal és la relació quantitat-preu: si tenim dos productes, un
a p euros per unitat i l’altre a q euros per unitat i comprem x unitats del primer i y unitats
del segon, el preu total és P = px + qy. Això ho podem escriure com la següent aplicació lineal
que transforma la parella ordenada de quantitats (x, y) en el preu P :
P : R2 −→ R
(x, y) −→ P (x, y) = px + qy
També a fı́sica tenim exemples com la llei de Hooke: els sòlids, en general, es deformen al ser
sotmesos a una força, essent aquesta deformació proporcional a la força que l’origina: si a una
deformació d’1 centı́metre li correspon una força de k dines, tenim que per a x centı́metres, la
força és F = kx. Podem donar una aplicació que transforma deformacions en forces.
F : R −→ R
x −→ F (x) = kx
En aquesta secció definirem aplicació lineal i podrem comprovar que efectivament aquests dos
exemples ho són. L’objectiu és estudiar les principals propietats de les transformacions lineals
i veure la relació amb les matrius i amb els sistemes d’equacions lineals. De moment podem fer
una observació: les úniques operacions a què estan sotmeses les variables són suma i producte
per escalars.
A les transformacions entre espais vectorials que conserven la suma i el producte per escalars
les anomenarem transformacions lineals. Podem pensar que són generalitzacions de les funcions
reals de variable real de la forma:
f : R −→ R
x −→ f (x) = mx
4.1. DEFINICIÓ I CARACTERITZACIÓ 47
f (x2 )
f (x1 )
−2x1
x1 x2 x1 + x2
Direm que és lineal si, i només si, compleix les següents propietats:
Les funcions reals d’una variable “més simples” són les lineals. Les funcions vectorials lineals
de diverses variables són de la forma:
f: Rn −→ Rm
(x1 , . . . , xn ) −→ (y1 , . . . , ym )
combinacions lineals de x1 , x2 , . . . , xn .
48 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
D’ara endavant, per a veure si una aplicació és lineal, gairebé sempre, utilitzarem la proposició
anterior.
Observem que:
f (0 − 1, 2) + f (1, 1, 0) = (−2, −3) + (3, 1) = (1, −2) = f (1, 0, 2)
Busquem
f (1, 1, 1) = (1 + 2, 1 − 1) = (3, 0)
f (3, 3, 3) = (3 + 6, 3 − 3) = (9, 0) = 3f (1, 1, 1)
i observem que:
g(0, −1, 2) + g(1, 1, 0) = (1, 1) + (1, 2) = (2, 3) 6= g(1, 0, 2)
i que:
g(1, 1, 1) = (1, 3)
g(3, 3, 3) = (1, 15) 6= 3(1, 3) = 3g(1, 1, 1)
4.1. DEFINICIÓ I CARACTERITZACIÓ 49
L’aplicació f és lineal, compleix el que hem dit, només fem productes per escalars i sumes de
les variables, és a dir, combinacions lineals de les coordenades del vector u.
L’aplicació g no és lineal, hi tenim termes independents i monomis de grau 2 que són els que
fan que no es compleixi la definició.
a) f : R3 −→ R2 on f (x, y, z) = (4x2 + y, y − z)
Tenim x2 i per tant l’aplicació no és lineal.
b) g : R2 −→ R3 on g(x, y) = (y + 1, 2x − y, x)
En y + 1 tenim un terme independent, de grau 0, i per tant tampoc és lineal.
c) h : R3 −→ R3 on h(x, y, z) = (2z + x, 0, −x + 3y)
L’aplicació h és sumes de monomis de grau 1 sense terme independent, per tan, és lineal.
a) f (0) = 0
b) f (α1 u1 + · · · + αr ur ) = α1 f (u1 ) + · · · αr f (ur ) per a qualssevol vectors u1 , · · · , ur de Rn .
Tota aplicació lineal f : Rn −→ Rm queda determinada per les imatges dels vectors d’una base
de Rn .
natural:
f (1, 0, 0, 0) = (1, 0, −1)
f (0, 1, 0, 0) = (2, 1, −1)
f (0, 0, 1, 0) = (0, 1, −1)
f (0, 0, 0, 1) = (5, 3, −2)
ara escrivim el vector u = (1, −2, 0, −1) com a combinació lineal dels vectors de la base canònica
(1, −2, 0, −1) = 1 (1, 0, 0, 0)+ (-2) (0, 1, 0, 0)+ 0 (0, 0, 1, 0)+ (-1) (0, 0, 0, 1)
i utilitzant això busquem
f (1, −2, 0, −1) = 1 f (1, 0, 0, 0)+ (-2) f (0, 1, 0, 0)+ 0 f (0, 0, 1, 0)+ (-1) f (0, 0, 0, 1) = 1(1, 0, −1)+
(−2)(2, 1, −1)+0(0, 1, −1)+(−1)(5, 3, −2) = (1−4+0−5, 0−2+0−3, −1+2+0+2) = (−8, −5, 3)
En el següent apartat veurem una altra forma d’escriure les transformacions lineals.
Exemple: la transformació:
Observem que:
µ ¶ x µ ¶
1 2 0 y = x + 2y
f (x, y, z) =
0 1 −1 y−z
z
La matriu és:
µ ¶
1 2 0
0 1 −1
Veurem ara que tota aplicació lineal f : Rn −→ Rm , fixades bases de Rn i Rm , ve donada per
una matriu, i que tota matriu representa una aplicació lineal.
4.2. MATRIU D’UNA APLICACIÓ LINEAL 51
anomenarem matriu de f en les bases {e1 , . . . , en } i {e′1 , . . . , e′m } a la matriu que té per
columnes les coordenades dels vectors f (e1 ), . . . , f (en ) en la base {e′1 , . . . , e′m }.
És a dir:
a11 a12 . . . a1n
a21 a22 . . . a2n
A= ..
.
am1 am2 . . . amn
d) rg f = rg A
52 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
4.3 Exercicis
1. Demostreu que l’aplicació f : R2 −→ R2 , definida per f (x, y) = (0, x − y), és un endo-
morfisme de l’espai vectorial R2 i trobeu Nuc f .
a) f : R3 −→ R3 f (x, y, z) = (x + y + z, 2x + y, x).
b) g : R3 −→ R3 g(x, y, z) = (x2 − y 2 , z, 0).
c) h : R −→ R3 h(t) = (t, 2t, −t).
d) j : R3 −→ R4 j(x, y, z) = (x + 2y, 0, x − y − z, y).
f (x, y) = (2x, x + y, x − y)
(a) Demostreu que és una aplicació lineal i trobeu les imatges dels vectors (1, −1), (2, 3),
i (4, 1); a més a més, esbrineu si aquestes imatges són o no són vectors linealment
independents.
(b) Trobeu el rang de l’aplicació i la matriu que hi té associada.
(c) Obteniu els que tenen imatge nul-la.
El problema invers al de trobar la imatge d’un vector per una aplicació lineal és trobar la
antiimatge d’un vector per una aplicació lineal, és a dir, si f : Rn −→ Rm és una aplicació
lineal i b ∈ Rm , el problema és ara trobar f −1 (b), els vectors de Rn que tenen per imatge b.
Un sistema d’equacions lineals està format per equacions de primer grau en cada una de les
incògnites, i totes les igualtats s’han de satisfer alhora.
Un sistema m × n està format per m equacions lineals amb n incògnites i, després d’efectuar
les operacions que calgui, es pot expressar:
Resoldre un sistema d’equacions és trobar, si existeixen, els valors de les incògnites que veri-
fiquen simultàniament totes les equacions.
En l’estudi dels sistemes d’equacions s’utilitza, com instrument, el càlcul matricial, on interve-
4.4. SISTEMES D’EQUACIONS LINEALS 55
A·x=b
a11 a12 ... a1n x1 b1
a21 a22 ... a2n x2 b2
· =
... ... ... ... ... ...
am1 am2 ... amn xn bm
Teorema de Rouché-Frobenius:
a11 a12 ... a1n a11 a12 ... a1n b1
a21 a22 ... a2n a21 a22 ... a2n b2
A′ =
A= ...
... ... ... ... ... ... ... ...
am1 am2 ... amn am1 am2 ... amn bm
Direm que un sistema és homogeni si és del tipus Ax = 0. Tots els sistemes homogenis
són compatibles ja que zero n’és una solució trivial: A · 0 = 0. Per tenir una solució no trivial,
diferent de zero, han de ser indeterminats, és a dir, el rang A < n on n és membre d’incògnites.
a) Per tal que el sistema sigui compatible determinat (una solució), la matriu ha de tenir
inversa i, per això ha de tenir igual nombre de files que de columnes, és a dir que sigui
quadrada i, el determinant ha de ser diferent de 0 aleshores,
1
A−1 = · adjAt
detA
A·X =b
(A−1 · A) · X = A−1 · b ⇒ X = A−1 · b
b) Per tal que el sistema sigui indeterminat la matriu A estarà formada per m files i n
columnes n > m, i suposem que B és una submatriu quadrada d’ordre m, amb detB 6= 0.
A·X =b
Aleshores tenim
rangA = m = rangB
i el sistema el podem escriure
B · XB + N · Xn = b
B −1 · [B · XB + N · Xn−m = b]
XB + B −1 · N Xn−m = B −1 · b
XB = B −1 · b − B −1 · N · Xn−m
A · X=b
(At · A) · X = At · B
4.4. SISTEMES D’EQUACIONS LINEALS 57
Per discutir un sistema d’equacions lineals, determinem els rangs de la matriu de coefi-
cients i de l’amplada i apliquem el teorema de Rouché.
Ja que det A = −64, podem afirmar que el rang de A és 3 i la matriu ampliada, al no
poder superar aquest rang, també resulta de rang 3. Com que coincideix amb el nombre
d’incògnites, el sistema és compatible determinat.
Per a resoldre’l, podem aplicar:
Si calculem la inversa de A, obtenim:
25 1 9
x 64 16 64
−6 −3
y = 29 5 13 · 21 = 1
64 16 64
9 1 −7
z 64 16 64
−14 2
La solució del sistema és:
x −3
y = 1
z 2
4.4.3 Exercicis
x +y =0 x +y +z = 3
c) x +z = 0 d) x −y +z = 2 .
x +2y +3z = 0 2x +4y +2z = 5
x +z = 0
e) y +z = 0
x +2y +3z = 0
Consisteix en transformar la matriu de coeficients del sistema lineal en una matriu triangular
superior realitzant combinacions lineals adequades de les equacions del sistema. Donat el
sistema lineal A · X = b, escrit de la forma següent:
b) La matriu ampliada A′ , formada per la matriu A més la columna dels termes independents:
a11 a12 a13 b1
A′ = a21 a22 a23 b2
a31 a32 a33 b3
El mètode de Gauss treballa només amb els coeficients i els termes independents, és a dir,
treballa només amb la matriu ampliada A′ Cada fila d’aquesta matriu correspon a una equació
4.5. MÈTODES NUMÈRICS DE RESOLUCIÓ DE SISTEMES LINEALS DETERMINATS59
del sistema. S’han de realitzar un seguit d’operacions per obtenir una matriu esglaonada que
ens permeti resoldre el sistema proposat. Exemple:
¯
x + 2y − z = 1 1 2 −1 ¯¯ 1
3x − 2y − z = 5 ⇒ 3 −2 −1 ¯¯ 5
−4x + 2y + 6z = −11 −4 2 6 ¯ −11
a) Operem amb les files de la matriu. La primera fila es manté fixa, multipliquem la primera
fila per 3 i la restem amb la segona fila. Seguidament multipliquem la primera fila per 4
i la sumem amb la tercera, quedant:
¯
1 2 −1 ¯¯ 1
0 −8 2 ¯ 2
¯
0 10 2 ¯ −7
b) Per aconseguir que la triangular menor sigui 0 operem amb la segona i la tercera fila,
multipliquem la segona fila per 5/4 i la sumem a la tercera, quedant:
¯
1 2 −1 ¯¯ 1
0 −8 2 ¯ 2
9
¯ 9
0 0 2
¯ −
2
i) Donada la matriu quadrada A, sempre existeix una matriu de permutació P tal que
P A = LU , on L és triangular inferior i U triangular superior.
iii) Si A és no singular, P és la identitat si i només si els successius menors principals de A
són diferents a 0.
60 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
1.- A = L · U
a11 a12 ... a1n l11 0 0 ... 0 1 u12 u13 ... u1n
a21 a22 ... a2n l21 l22 0 ... 0 0 1 u23 ... u2n
a31 a32 ... a3n = l31 l32 l33 ... 0 · 0 0 1 ... u3n =
... ... ... ... ... ... ... ... 0 ... ... ... ... ...
an1 an2 ... ann ln1 ln2 ln3 ... lnn 0 0 0 ... 1
l11 l11 u12 l11 u13 ... l11 uun
l21 l21 u12 + l22 l21 u13 + l22 u23 ... l21 u1n + l22 u2n
l31 l31 u12 + l32 l31 u13 + l32 u23 + l33 ... l31 u1n + l32 u2n + l33 u3 n
... ... ... ... ...
ln1 ln1 u12 + ln2 ln1 u13 + ln2 u23 + l33 ... ln1 un1 + ln2 un2 + ln3 un3 + ... + lnn unn
Identificant coeficients:
li,1 = ai,1 (i = 1 fins n)
a
ui,j = l11ij (j = 2 fins n)
2.- (L · U ) · x = b
l11 0 0 ... 0 1 u12 u13 ... u1n x1 b1
l21 l22 0 ... 0 0 1 u23 ... u2n x2 b2
l31 l32 l33 ... 0 · 0 0 1 ... u3n · x3 = b3
... ... ... ... 0 ... ... ... ... ... ... ...
ln1 ln2 ln3 ... lnn 0 0 0 ... 1 xn bn
on U · x = h i L · h = b
3.- Resolució del sistema:
El sistema serà de Crout si la diagonal de la matriu U està formada per uns.
A = L · U on la diagonal U = (1, 1, ..., 1)
D = diag(U ) = diag(u11 , u22 , ..., unn )
D−1 = diag(1/u11 , 1/u22 , ..., 1/unn )
A = L · D · D−1 · U on L · D = L i D−1 · U = U → A = L · U
e) L · D = L
f) D−1 · U = U
1 0 0 1 2 −1 1 2 −1
0 −8 0 · 0 −8 2 = 0 1 − 1
4
0 0 92 0 0 9
2
0 0 1
A=L·U
Per tant,
A=L·U
Deduı̈m a partir de l’anterior:
→ U ·x = h
A·x =b → L·U ·x =b Primer obtenim els valors de la matriu
ց L·h = b
h, que són els termes independents de la matriu u, i els substituı̈m a l’equació de
U · x = h, on obtenim les incògnites.
1 0 0 h1 1 h1 1
3 1 0 · h2 = 5 → h2 = 2
−4 54 1 h3 −11 h3 − 92
1 2 −1 x 1 x 1
0 −8 2 · y = 2 → y = − 1
2
9
0 0 2
z − 92 z −1
62 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
A = (L · D) · (D−1 · U ) = A = L · D−1 · U
At = (U t · D−1 ) · (D · Lt ) = U t · D−1 · L
At = (D−1 · U t ) · (Lt · D)
D’aquestes equacions s’extreu:
L · D−1 · U = U t · D−1 · L
L = Ut
u = Lt A = L · U = L · Lt = L · D · Lt si a més a més la matriu és definida positiva podem
1 1 1 1
M = L · D 2 , M t = D 2 · Lt on D = D 2 · D 2
Si tots els elements de la diagonal són positius (definida positiva)→ A = M · M t
Si
a11 a12 . . . a1n
a21 a22 . . . a2n
A= ..
.
an1 an2 . . . ann
és la matriu de f en la base {e1 , . . . , en }, vol dir que
Si
b11 b12 . . . b1n
b21 b22 . . . b2n
B= ..
.
bn1 bn2 . . . bnn
4.6. CANVI DE BASE PER A UN ENDOMORFISME 63
Sigui C la matriu de canvi de base de {u1 , . . . , un } a {e1 , . . . , en }. La utilitzarem per fer dos
canvis de coordenades. Ho podem representar en el següent diagrama:
A
Rn −→ Rn
{e1 ,...,en } {e1 ,...,en }
C ↑ ↓ C −1
B
Rn −→ Rn
{u1 ,...,un } {u1 ,...,un }
Si tenim les coordenades d’un vector en la base {u1 , . . . , un }, la matriu C ens permet trobar les
coordenades del mateix vector en la base {e1 , . . . , en }.
Rn v = x1 e1 + . . . + xn en
C ↑ ↑
R n v = y 1 u1 + . . . + y n un
y1 x1
C · ... = ..
.
yn xn
Rn w = x′1 e1 + . . . + x′n en
C −1 ↓ ↓
Rn w = y1′ u1 + . . . + yn′ un
x′1 y1′
C −1 · ... = ..
.
x′n yn′
Les matrius A i B són les matrius de l’aplicació lineal f en les bases {e1 , . . . , en } i {u1 , . . . , un }
respectivament.
64 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
B = C −1 AC.
Sabem que, per calcular la matriu d’una aplicació lineal P , s’ha de calcular les imatges per P
dels vectors d’una base del espai vectorial. En aquest cas les imatges per P dels vectors de
la base natural de R3 , es un problema geomètric complicat. El mètode que utilitzarem, serà
buscar una base en la que calcular les seves imatges per P , sigui molt fàcil, i després utilitzar
els resultats del apartat anterior per passar la matriu obtinguda a la base natural de R3 .
La base de R3 que escollirem estarà formada per els vectors v1 , perpendicular al pla x+y+z = 0,
el vector v2 que pertany al pla x + y + z = 0, i per tant és perpendicular a v1 , i el vector v3 ,
perpendicular a v1 i a v2 i per tant pertany al pla x + y + z = 0. Aquest tres vectors compleixen
que P (v1 ) = 0, ja que per ser perpendicular la seva projecció és 0, P (v2 ) = v2 = 0·v1 +1·v2 +0·v3 ,
P (v3 ) = v3 = 0 · v1 + 0 · v2 + 1 · v3 , ja que al ser els vectors v2 i v3 , del pla la seva projecció sobre
el pla són ells mateixos, per tant la matriu de P en aquesta base serà:
> P(v1):=<0, 0, 0>;P(v2):=<0, 1, 0>;P(v3):=<0, 0, 1>;
0
P (v1 ) := 0
0
4.6. CANVI DE BASE PER A UN ENDOMORFISME 65
0
P (v2) := 1
0
0
P (v3) := 0
1
> B:=Matrix([P(v1),P(v2),P(v3)]);
0 0 0
B := 0 1 0
0 0 1
Sabem que el vector v1 , perpendicular al pla x + y + z = 0, és el vector que té per components
els coeficients de l’equació del pla, per tant
> v1:=<1, 1, 1>;
1
v1 := 1
1
v2 és un vector que compleix l’equació del pla, per tant és:
> v2:=<1,-1, 0>;
1
v2 := −1
0
La matriu C de canvi de base que ens passa de la base formada pels vectors v1 , v2 , v3 a la base
natural de R3 , és la matriu que té per columnes les components dels vectors v1 , v2 , v3 escrites
a la base natural de R3 , és a dir:
> C:=Matrix([v1,v2,v3]);
1 1 1
C := 1 −1 1
1 0 −2
> Projecv:=A.v;
−2
P rojecv := 0
2
Si f és una aplicació lineal entre espais de dimensió n, f és isomorfisme si, i només si, det f 6= 0,
ja que f isomorfisme ⇐⇒ rg f = n ⇐⇒ la matriu A de f té rang n ⇐⇒ A és regular
⇐⇒ det A 6= 0.
68 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
És a dir, la imatge de tot vector és λ cops ell mateix. Per tant, a qualsevol base d’Rn , la
matriu de l’endomorfisme és sempre:
λ 0 ... 0
0 λ ... 0
..
.
0 0 ... λ
Les homotècies conserven angles però no distàncies, les distàncies es multipliquen per la
raó d’homotècia, λ.
Si apliquem una homotècia de raó λ = 0.5 als punts A(2, 2), B(3, 1), C(5, 2) i D(4, 3)
obtenim:
µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
0.5 0 2 1 0.5 0 3 1.5
= ; = ;
0 0.5 2 1 0 0.5 1 0.5
µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
0.5 0 5 2.5 0.5 0 4 2
= ; = ;
0 0.5 2 1 0 0.5 3 1.5
2.5
1.5
0.5
0 1 2 3 4 5
4.8. EXEMPLES D’APLICACIONS LINEALS 69
• Girs
Els girs són aplicacions lineals que conserven angles i distàncies.
1. Gir d’angle α a R2
A R2 tenim els girs respecte l’origen de coordenades.
En la base canònica, un gir d’angle α té matriu
µ ¶
cos α − sin α
sin α cos α
ja que
6e~2
M
f (e~2 ) α
f (1, 0) = (cos α, sin α)
1 f (e~1 ) f (0, 1) = (− sin α, cos α).
α-
e~1 x
observem que en aquest cas és el mateix que fer l’homotècia seguida del gir
µ ¶µ ¶ µ ¶
cos α − sin α λ 0 λ cos α −λ sin α
=
sin α cos α 0 λ λ sin α λ cos α
2. Girs a R3
A R3 tenim els girs respecte a una recta.
Considerem girs respecte als eixos de coordenades.
Prenent la base canònica obtenim:
70 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
f (e~3 ) .......
... 6 f (~e1 ) = ~e1 , és un vector fix.
...M ω e~3
... f (~e2 ) = (0, cos ω, sin ω)
... f (e~3 ) = (0, − sin ω, cos ω)
... ................1
..... f (e~2 )
... ω- ...
............. . .
e~2 y
ª e~1 = f (e~1 )
x
1 0 0
0 cos ω − sin ω
0 sin ω cos ω
z
6
.. .....
f (e~3 ) ...
... e~3
...M ϕ f (~e1 ) = (cos ϕ, 0, − sin ϕ)
... f (~e2 ) = ~e2 , és un vector fix.
...
... f (e~3 ) = (sin ϕ, 0, cos ϕ)
... . -
... ...
... ... e~2 = f (e~2 ) y
...
e~1.. .
...
.
. ϕ ..... ...
ª.. ...
x ... ...
.......
.®.
f (e~1 )
4.9. EXERCICIS 71
z
6
~e3 = f (~e3 )
..
.................................f...(~
.1
e)
.....2
f (~e1 ) = (cos κ, sin κ, 0)
.. . f (~e2 ) = (− sin κ, cos κ, 0)
. ..
.. . .. . f (~e3 ) = ~e3 , és un vector fix
.. . κ .. - y
... ~e2
.
... .
κ ...
~e1
.®.................W..
x f (~e1 )
4.9 Exercicis
1. Es dóna la base {e1 , e2 } de l’espai vectorial R2 i es defineix l’aplicació lineal de R2 en ell
mateix mitjançant f (e1 ) = (1, 1), f (e2 ) = (2, 3).
Obteniu l’aplicació inversa i trobeu-ne la matriu associada.
2. es considera l’endomorfisme f : R3 −→ R3 donat per
f (x, y, z) = (x − y + z, x + y + 2z, 2x + y + 3z)
a) Escriviu la matriu de f a la base usual de R3 .
b) Proveu que els vectors v1 = (2, 1, −1), v2 = (1, 0, 1) i v3 = (0, 1, 1) formen una base
de R3 .
c) Escriviu la matriu del canvi de base a R3 i les coordenades del vector u = (3, 2, 1) a
la base {v1 , v2 , v3 }.
d) Escriviu la matriu de f a la base {v1 , v2 , v3 }.
3. Si a la base usual de R3 l’endomorfisme f té la matriu
1 0 0
2 −1 0
1 1 1
72 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
Sabent que u1 = (3, 4, 3), u2 = (2, 3, 1), u3 = (7, 9, 5), trobeu la matriu de f a la base
natural (=base usual) de R3 .
Diagonalització d’endomorfismes
73
74 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
5.1. VECTORS PROPIS (VEPS) I VALORS PROPIS (VAPS) 75
Coneixements previs
Els conceptes que cal posseir per treballar correctament aquesta lliçó són: l’espai vectorial,
l’aplicació lineal i la geometria afı́ i euclidiana.
Introducció
Suposem que tenim una base de E, {~v1 , ~v2 , . . . , ~vn }, sobre la qual l’endomorfisme f actua de la
manera següent:
Les expressions coordenades dels vectors f (~v1 ), . . . , f (~vn ) a la base {~v1 , ~v2 , . . . , ~vn } són, respec-
tivament, (λ1 , 0, . . . , 0), (0, λ2 , 0, . . . , 0), . . . , (0, 0, . . . , λn ) i, per tant, la matriu associada a f en
aquesta base serà la matriu diagonal
λ1 0 . . . 0
0 λ2 . . . 0
. . .
0 0 . . . λn
Ens interessa esbrinar sota quines condicions podem trobar una base com aquesta.
Els vectors que ens interessa trobar per saber si una matriu és diagonalitzable els anomenarem
vectors propis. Direm que un vector ~v ∈ E, ~v 6= ~0, és un vector propi (vep) o autovector
de l’endomorfisme f quan compleixi que f (~v ) = λ~v per a un cert λ ∈ R que s’anomena valor
propi (vap) o autovalor de l’endomorfisme f corresponent al vector propi ~v .
Donat un vector propi ~v de f , existeix un únic valor propi associat, és a dir, existeix un únic
λ ∈ R tal que f (~v ) = λ~v . És condició necessària i suficient perquè λ ∈ R sigui un valor propi
de f que el determinant |f − λI| = 0:
76 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
λ és un valor propi de f si existeix un vector ~v 6= ~0 tal que f (~v ) = λ~v ; és a dir, f (~v ) − λ(~v ) =
(f − λI)(~v ) = ~0 és un sistema d’equacions lineals homogeni, que té una solució òbvia ~v = ~0. Si
ha de tenir una solució ~v 6= ~0, ha de ser un sistema compatible (sempre ho és) i indeterminat.
Per tant, una o més equacions han de ser combinació lineal de les altres, i el rang (A − λI)
ha de ser menor que el nombre d’incògnites i, com a conseqüència, det(A − λI) = 0. A partir
d’aquesta equació es podran trobar els valors propis λ.
Els valors propis de l’endomorfisme f són les arrels reals de l’equació |A − XI| = 0.
Si ~v1 i ~v2 són dos vectors propis corresponents al mateix valor propi λ, tota combinació lineal
w
~ = x1~v1 + x2~v2 de ~v1 i ~v2 és un vector propi de f de valor propi λ:
f (w)
~ = f (x1~v1 + x2~v2 ) = x1 f (~v1 ) + x2 f (~v2 ) = λx1~v1 + λx2~v2 = λ(x1~v1 + x2~v2 ) = λw
~
Observem que es dedueix que els vectors propis d’un mateix valor propi, λ, formen un subespai
vectorial
Eλ = {~v ∈ E | f (~v ) = λ~v }
que l’anomenarem subespai propi de λ.
Exemple: Homotècies
Veiem que si la matriu d’un endomorfisme de R3 , respecte a una base és diagonal, i amb els
tres valors de la diagonal iguals a λ, llavors la matriu de l’endomorfisme és diagonal respecte a
qualsevol base. En aquest cas, direm que és una matriu escalar λ.
λw
~ λ~v
± µ
w
~ ~v 1
± µ λ~u
1
~u
ja que el producte d’una matriu escalar per una altra matriu és commutatiu.
5.1. VECTORS PROPIS (VEPS) I VALORS PROPIS (VAPS) 77
Si B és la matriu de f en una altra base i C la matriu de canvi, es compleix que B = C −1 AC.
Utilitzant aquest resultat es pot escriure
i, per tant,
|B − XI| = |C −1 (A − XI)C| = |C −1 | |A − XI| |C| = |A − XI|
Amb aquesta proposició veiem que el determinant |f − XI| està intrı́nsecament associat a f i,
per tant, té sentit la següent definició.
Sigui f : R2 −→ R2 , la matriu del qual és A = (aij ) en una certa base. En aquest cas es té
¯ ¯
¯ a − x a12
|f − XI| = ¯¯ 11
¯
¯ = x2 − (a11 + a22 )x + (a11 a22 − a12 a21 ) =
a21 a22 − x ¯
¯ ¯
2
¯ a11 a12 ¯
= x − (a11 + a22 )x + ¯¯ ¯.
a21 a22 ¯
Els coeficients del polinomi anterior, és a dir, la traça (suma dels elements de la diagonal
principal) i el determinant de A són invariants per canvis de base.
Sigui ara f : R3 −→ R3 la matriu del qual és A = (aij ) en una certa base. En aquest cas es té
¯ ¯
¯ a11 − x a12 a13 ¯
¯ ¯
|f − XI| = ¯¯ a21 a22 − x a23 ¯ = −x3 + (a11 + a22 + a33 )x2 −
¯
¯ a31 a32 a33 − x ¯
¯ ¯
µ¯ ¯ ¯ ¯ ¯ ¯¶ ¯ a11 a12 a13 ¯
¯ a a12 ¯¯ ¯¯ a11 a13 ¯ ¯ a22 a23 ¯
− ¯¯ 11
¯ ¯ ¯ ¯ ¯
+ + x + ¯ a21 a22 a23 ¯
a21 a22 ¯ ¯ a31 a33 ¯ ¯ a32 a33 ¯ ¯
¯ a31 a32 a33
¯
¯
per tant, la traça, la suma dels menors principals d’ordre dos i el determinant de A són invariants
per canvis de base.
Per resumir el que s’ha exposat, direm que, donat l’endomorfisme f : E −→ E, per calcular
els seus valors propis és suficient trobar les arrels reals λ1 , λ2 , . . . , λp de l’equació caracterı́stica
|f − XI| = 0 i saber que, per a cada valor propi λi , els seus vectors propis associats són els
vectors solucions del sistema (A − λI)~v = 0. A més a més, segons això, resulta natural la
definició que donarem en el següent apartat.
78 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
Ara estem interessats en caracteritzar els endomorfismes diagonalitzables; és a dir, en trobar
una condició necessària i suficient perquè existeixin bases de l’espai vectorial formades per
vectors propis de l’endomorfisme.
Els vectors propis corresponents a valors propis diferents són linealment independents:
Vegem que de
a~u + b~v = ~0; a, b ∈ R (5.1)
es dedueix que a = b = 0. En efecte, aplicant f a l’equació (2.1) s’obté
i multiplicant l’equació (2.1) per λ i restant membre a membre el resultat de l’equació (2.2) es
té (λ − µ)b~v = ~0, de la qual cosa es dedueix que b = 0 ja que, segons les hipòtesis, ha de ser
λ 6= µ i ~v 6= ~0. Anàlogament, es dedueix que a = 0.
En efecte, si prenem un vector propi corresponent a cada valor propi, obtindrem n vectors
propis que, seran linealment independents i, per tant, constituiran una base.
2.- L’ordre de multiplicitat mi de cada valor propi λi coincideix amb els graus de llibertat de
les solucions de l’equació (f − λi I)~v = ~0.
5.2. ENDOMORFISMES DIAGONALITZABLES 79
Demostració: Suposem que es compleixen les condicions (1) i (2). Només s’haurà de prendre
una base de cada solució de les equacions (f − λi)~v = ~0 per obtenir una base de E formada per
vectors propis perquè:
la condició (2) ens diu que cada subespai propi
per tant, els n vectors obtinguts d’aquesta manera són linealment independents.
Suposem que en E existeix una base {~v1 , ~v2 , . . . , ~vn } de vectors propis en la qual la matriu de
f pren la forma diagonal
λ1 (δ1
..
. 0
λ1
D=
. .
.
λp (δp
. ..
0
λp
1.- Evidentment, el polinomi caracterı́stic es descompon completament en R
p
X
|D − XI| = (λ1 − x)δ1 · · · · · (λp − x)δp ; δi = n .
i=1
2.-
0 (δ1
..
.
0
λ2 − λ1 (δ2
...
D=
λ2 − λ1
...
λp − λ1 (δp
...
λp − λ1
aleshores, el rang(f − λ1 I) = n − δ1 . Per tant, els graus de llibertat de les solucions de l’equació
(f − λi )~v = ~0 són δ1 .
Anàlogament es demostrarien els casos corresponents a la resta de vectors propis.
80 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
no és diagonalitzable ja que |A − XI| = (1 − x)2 (2 − x) = 0 té les arrels 1 doble i 2, mentre
que si busquem les solucions del sistema (A − I)(~v ) = ~0 obtenim
0 0 0 x 0 ½
1 0 0 y = 0 ⇐⇒ x = 0
x+y+z =0
1 1 1 z 0
E1 = {(x, y, z) = (0, λ, −λ) , ∀ λ ∈ R} = [(0, 1, −1)] té solament 1 grau de llibertat que no
coincideix amb l’ordre de multiplicitat del vap corresponent.
Els valors propis són les solucions de λ2 (2 − λ) = 0; 0 doble i 2. En conseqüència, és condició
necessària i suficient perquè sigui diagonalitzable que els graus de llibertat de (A − 0I)(~v ) = ~0
sigui 2 i els de (A − 2I) sigui 1.
1 −1 2 x 0 x − y + 2z = 0
3 −3 6 y = 0 ⇐⇒ 3x − 3y + 6z = 0
2 −2 4 z 0 2x − 2y + 4z = 0
5.2. ENDOMORFISMES DIAGONALITZABLES 81
−1 −1 2 x 0 −x − y − 2z = 0
3 −5 6 y = 0 ⇐⇒ 3x − 5y + 6z = 0
2 −2 2 z 0 2x − 2y + 2z = 0
−1 −1 2 0 −1 −1 2 0 −1 −1 2 0
3 −5 6 0 ∼ 0 −8 12 0 ∼ 0 −8 12 0
2 −2 2 0 0 −4 6 0 0 0 0 0
El sistema inicial és equivalent al sistema
−x − y + 2z = 0 =⇒ x = 12 z
−8y + 12z = 0 =⇒ y = 32 z.
En conseqüència, el subespai de vectors propis de valor propi 2 és:
{(x, y, z) ∈ ¢R3 tal que
E2 = ©¡ x = 12 z i y = 32 z} =
1
λ, 32 λ, λ ∀ λ ∈ R3 = [(1, 3, 2)]
ª
= 2
A la base de vectors propis {~v1 , ~v2 , ~v3 }, la matriu de f prendrà la forma diagonal
0 0 0
B= 0 0 0 .
0 0 2
Sigui σ un endomorfisme d’un espai vectorial euclidià. Direm que és simètric si la seva matriu
escrita en una base ortonormal és simètrica, és a dir, A = At .
En un endomorfisme simètric, vectors propis corresponents a valors propis diferents són ortog-
onals:
D’altra banda,
σ(~u) · ~v = λ~u · ~v = λ(~u · ~v )
la qual cosa implica que λ(~u · ~v ) = µ(~u · ~v ) i, per tant, (λ − µ)(~u · ~v ) = ~0. Com que λ − µ 6= 0
cal que ~u · ~v = 0, que equival a ~u⊥~v .
5.4 Exercicis
1. Digueu si el vector (2, 3) és un vector propi de l’endomorfisme de R2 , la matriu del qual
és µ ¶
−2 2
.
3 −1
És diagonalitzable aquest endomorfisme?
2. Trobeu els valors i vectors propis de l’endomorfisme de R3 , la matriu del qual és
−2 −1 −2
1 0 0 .
0 1 2
És diagonalitzable aquest endomorfisme?
3. Es considera l’endomorfisme de R3 , la matriu del qual en una certa base {~e1 , ~e2 , ~e3 } és
2 6 24
−4 −8 −24
1 1 2
Es demana que:
a) Proveu que els vectors ~v1 = 4~e1 − 4~e2 + ~e3 i ~v2 = 4~e2 − ~e3 són vectors propis de f i
que trobeu els seus valors propis.
b) Trobeu un altre vector propi (anomenem-lo ~v3 ) de f sabent que el seu valor propi és
−4.
c) Expresseu la matriu de f a la base (~v1 , ~v2 , ~v3 ).
4. Proveu que l’endomorfisme de R4 , la matriu del qual a la base usual és
−1 −2 3 2
0 1 0 1
−2 −2 4 2
0 0 0 2
és diagonalitzable. Trobeu-ne la forma diagonal i una base en la qual diagonalitzi.
5. Estudieu la diagonalització de les matrius següents:
4 6 0 1 −3 3 0 0 1 µ ¶
1 1
(a) −3 −5 0 (b) 3 −5 3 (c) 0 1 0 (d)
0 1
−3 −6 −5 6 −6 4 1 0 0
1 −1 −1 1 1 0 −4 −6 −2
(e) 1 3 1 (f) 0 1 1 (g) 2 4 2
−1 −1 1 0 0 2 −2 −3 −1
0 1 0 0
0 0 1 0 1 1 1 µ ¶ 1 0 0
2 −1
(h)
(i) 0 1 1
(j) (k) 2 0 −1
0 0 0 1 1 0
0 0 1 3 1 0
1 0 0 0
84 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
6. Quins valors de x fan que l’endomorfisme de R2 , la matriu del qual a la base usual és
µ ¶
cos x sin x
sin x − cos x
tingui algun valor propi?
7. Quines matrius de la forma
1 a b
0 2 c
0 0 1
són diagonalitzables?
8. Proveu que existeix un únic valor de a per al qual l’endomorfisme de R2 de matriu
µ ¶
1 1
a2 1
no és diagonalitzable. Trobeu una base en què diagonalitzi per al cas a = 2.
9. Proveu que si dos endomorfismes f i g diagonalitzen en una mateixa base, aleshores,
commuten: f ◦ g = g ◦ f .
10. Diagonalitzeu l’endomorfisme simètric de R2 la matriu del qual en la base canònica és
µ ¶
−1 −2
−2 2
i trobeu una base de vectors propis.
11. Trobeu una base ortonormal de veps per als endomorfismes que, en la base natural, tenen
la matriu
µ ¶ 2 −5 0
4 −3
A= , B = −5 −1 3 .
−3 −4
0 3 −6
12. Sigui
−2 −2 1
A = −2 1 −2
1 −2 −2
la matriu d’un endomorfisme simètric f en la base canònica de R3 . Trobeu una base
ortonormal {~vi } on f tingui matriu diagonal. Escriviu la matriu de pas de la base canònica
a {~vi }.
13. Sigui
0 −2 2
A = −2 3 −4
2 −4 3
la matriu d’un endomorfisme simètric f en la base canònica de R3 . Trobeu una base
ortonormal {~vi } on f tingui matriu diagonal. Escriviu la matriu diagonal en aquesta
base.
Apèndix
> with(LinearAlgebra):
P := x3 − a x2 − x + a
> factor(P);
−(x − 1) (x + 1) (−x + a)
85
86 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
> Eigenvectors(A);
a+2 −1
−1 −
a
3a + 4 4
2a + 3 −3
−1 ,
−1 −
3a + 4 4
1
1 1 1
Si a es diferent de 1 o de -1, aleshores la matriu a es diagonalitzable, per tenir els tres valors
propis diferents. Si a és igual a 1.
> A1:=subs(a=1,A);
−2 9 6
A1 := −5 16 10
7 −21 −13
> Eigenvectors(A1);
−3
2 3
1
7
0 1 −5
1 ,
7
−1
1 0 1
En aquest cas 1 és un valor propi doble, però hi ha dos vectors propis linealment
independents, per tant la matriu A1 diagonalitza.
En el cas de a = -1
> A2:=subs(a=-1,A);
−4 7 4
A2 := −7 14 8
9 −19 −11
5.4. EXERCICIS 87
> Eigenvectors(A2);
−1
−1 0
−1
4
−1 0 −3
−1 ,
4
1
1 0 1
En aquest cas -1 és un valor propi doble, però solament té un vector propi associat, per tant
en aquest cas la matriu no diagonalitza.
Índex alfabètic
determinant, 21 rang
d’un endomorfisme, 67 d’un conjunt de vectors, 8, 16
propietats, 22, 23 d’una aplicació lineal, 50
dimensió, 12 d’una matriu, 16, 23
endomorfisme sistema
diagonalitzable, 78 d’equacions lineals, 54
simètric, 82 homogeni, 56
escalar, 3 subespai
espai vectorial, 3, 6, 9, 10 de vectors propis, 76
euclidià, 32 ortogonal, 37
espais vectorials, 3 vectorial, 9
generat, 10
forma bilineal, 32
valor propi (vap), 75
generadors, 10–12 vector, 3
linealment coordenades, 11, 26
dependent, 12 delpla, 4
independent, 11, 12 normalitzat, 33
producte per escalars, 3
magnituds escalars, 2 propi (vep), 75
matriu, 16 suma, 3
associada al producte escalar, 34 unitari, 33
89
90 ÍNDEX ALFABÈTIC
vectors
linealment dependents, 6
linealment independents, 6
ortogonals, 36
ortonormals, 36
versor, 33