Amoros Eq

`
Algebra
lineal
Enginyeria Qumica
Jaume Amoros
UPC
Barcelona
2002/10/11
Index
0.1
0.2
Programa . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
7
1 Matrius i sistemes lineals

9
1.1 Matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Sistemes dequacions lineals . . . . . . . . . . . . . . . . . . . 13
2 Espais vectorials
2.1 Definicio i propietats . .
2.1.1 Components dun
2.2 Subespais vectorials . . .
2.2.1 Sumes directes .
2.3 Rang de matrius . . . .
. . . .
vector.
. . . .
. . . .
. . . .
. . . . . .
Canvis de
. . . . . .
. . . . . .
. . . . . .
3 Aplicacions lineals
3.1 Definicio i elements caracterstics .
3.2 Canvis de base . . . . . . . . . . .
3.3 Mono, epi i isomorfismes . . . . . .
3.4 Imatges i antiimatges de subespais
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
base
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
15
15
27
31
36
37
.
.
.
.
45
45
54
58
62
4 Determinants
71
4.1 Matrius elementals . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2 Propietats del determinant . . . . . . . . . . . . . . . . . . . . 75
5 Diagonalitzaci
o
5.1 Endomorfismes . . . . . . . . . . . . . . . . . . .
5.2 Subespais invariants, valors i vectors propis . . . .
5.3 CayleyHamilton i forma de Jordan . . . . . . . .
5.3.1 Polinomis evaluats en matrius . . . . . . .
5.3.2 Forma de Jordan dendomorfismes del pla
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
81
81
84
99
99
107
INDEX
4
6 Geometria del pla i de lespai
6.1 Varietats lineals . . . . . . . . . . . . . .
6.1.1 El pla . . . . . . . . . . . . . . .
6.1.2 Lespai . . . . . . . . . . . . . . .
6.1.3 Canvis de referència . . . . . . .
6.2 El producte escalar euclidià . . . . . . .
6.2.1 Producte escalar, distància i angle
6.2.2 Subespais ortogonals, projeccions
`
6.3 Arees,
volums, producte vectorial . . . .
6.3.1 Determinants, àrees i volums . . .
6.3.2 El producte vectorial . . . . . . .
.
.
.
.
.
.
.
.
.
.
111
. 111
. 112
. 112
. 114
. 118
. 118
. 122
. 129
. 129
. 136
A Nombres complexes
A.1 Definicio i operacions . . . . . . . . . . . . . . . . . . . . . .
A.2 Formes rectangular i exponencial . . . . . . . . . . . . . . .
A.3 Arrels de nombres complexes . . . . . . . . . . . . . . . . . .
141
. 141
. 142
. 147
B Polinomis
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
149
Introducci
o
`
Aquestes notes recullen el contingut bàsic de lassignatura dAlgebra
lineal
de primer dEnginyeria Qumica de la ETSEIB, tal com simparteix des del
curs 2000-1. Es facilita a traves de la pagina web
http://www-ma1.upc.es/amoros
a mesura que es escrita, a fi de proporcionar un guio del curs als alumnes.
Debut al seu caràcter de versio inicial son poc detallades. Per a seguir
lassignatura es recomanable complementarles amb (o reemplacarles per)
qualsevol dels llibres de la bibliografia, i sobretot resoldre una llista llarga de
problemes.
Tambe debut a que son la versio inicial, aquestes notes apareixen amb
errors tipogràfics, ortogràfics i potser tambe en els càlculs que hi surten.
Sisplau aviseume de qualsevol daquests errors que hi trobeu i no feu correr
aquests apunts fora de làmbit de lassignatura.
Agraments: A mes de les citades a la bibliografia, una altra font important
`
daquests apunts ha estat un curs dAlgebra
lineal preparat per Cristina
Blancafort. Jose Tomas Lazaro, Josep Maria Mondelo, Joaquim Ortega
Cerdà i Javier Vindel han asesorat a lautor en els aspectes informàtics de la
preparacio de les notes.
Jaume Amoros
jaume.amoros@upc.es
0.1
Programa
Tema 0: Nombres complexos i polinomis.

- C, operacions, conjugacio.
- Forma exponencial. Potències i arrels.
- Polinomis. Zeros i factors lineals, divisio per Ruffini. Teorema fona`
mental de lAlgebra.
5
INDEX
6
Tema 1: Matrius i sistemes lineals.
- Matrius: definicio i operacions.
- Sistemes lineals: solucio per eliminacio gaussiana.
- Rang duna matriu. Teorema de RoucheFrobenius.
- Sistemes lineals matricials. Càlcul dinverses pel mètode de Gauss

Jordan.
Tema 2: Espais vectorials
- Espais vectorials. Bases, dimensio, coordenades. Canvis de base.
- Subespais vectorials. Suma i interseccio.
- Rang de matrius.
Tema 3: Aplicacions lineals
- Definicio. Matriu, canvis de base. Endomorfismes.
- Nucli, imatge, isomorfismes. Antiimatges.
- Sumes directes, projeccions. Espai quocient. Teorema disomorfisme.
Tema 4: Determinants
- Descomposicio en matrius elementals. Determinant com a volum orientat.
- Càlcul per transformacions elementals i per desenvolupament per fila/columna.
- Determinant dun endomorfisme.
Tema 5: Diagonalitzaci
o
- Subespais invariants. Valors i vectors propis. Polinomi caracterstic.
- Diagonalitzacio. Teorema de CayleyHamilton.
- Forma de Jordan de matrius 2 2.
0.2. BIBLIOGRAFIA
Tema 6: Geometria del pla i de lespai.

- Rectes y plans, parametritzacio i ecuacions implcites. Posicio, interseccions.
- El producte escalar euclidià en Rn . Distàncies, angles. Ortogonalitat,
projeccio ortogonal.
`
- Arees,
volums, determinants 2 2 i 3 3. Producte vectorial.
Tema 7: Formes quadr`
atiques i productes escalars
- Formes bilineals i quadràtiques. Index. Producte escalar. Criteri de
Sylvester.
- Ortogonalitat. Aplicacions ortogonals. Desplacaments en R2 , R3 . Reflexions en Rn .
- Ortogonalitzacio duna base. Descomposicio QR.
- Aplicacions adjuntes, autoadjuntes i matrius simètriques. El teorema
espectral.
0.2
Bibliografia
Pel que fa a teoria i exemples addicionals, recomanem:
- E. Hernandez, Algebra
y Geometra. AddisonWesley, 1994.
- S. Lipschutz, Algebra
lineal 2a Ed. McGrawHill, 1992.
`
- F. Puerta, Algebra
lineal I i II. Col. Aula ETSEIB. Edicions UPC,
1995.
`
Hi han molts altres llibres sobre Algebra
lineal i Geometria a les biblioteques i llibreries. En general estan be.
LETSEIB publica tambe colleccions dexamens i problemes resolts.
INDEX
Captol 1
Matrius i sistemes lineals
1.1
Matrius
Definici
o 1.1. Una matriu es una taula rectangular de nombres.
Els nombres que la formen son anomenats els coeficients de la matriu.
Al ser la taula rectangular, per a identificar cada coeficient necessitem dos
ndexs: el de fila i el de columna. Seguint una convencio molt com
u en
Matemàtiques i Fsica, indicarem la fila de la matriu on es troba el coeficient
per un superndex, i la columna per un subndex. Aix, el coeficient aij es
troba a la fila i i a la columna j de la matriu. Mes gràficament, els coeficients
duna matriu de 3 files i 4 columnes son:
a11 a12 a13 a14
A = a21 a22 a23 a24

a31 a32 a33 a34
Notaci
o 1.2. Direm que una matriu es de mida m n si te m files i n
columnes, i denotarem
Mmn (R)
el conjunt de les matrius m n amb coeficients reals. Altres possibles coeficients son els nombres complexes (vegeu lapèndix A), els enters (Z =
{0, 1, 1, 2, 2, . . . }), . . .
Linteres de les matrius no prove tant de la seva estructura, forca simple,
com de les operacions que suporten:
(i) la suma de matrius,
(ii) la multiplicacio (o producte) per un escalar,
9
CAPITOL 1. MATRIUS I SISTEMES LINEALS
10
(iii) la multiplicacio (o producte) de matrius,

(iv) la transposicio.
Procedim a definir aquestes operacions, i a indicar les propietats que
tenen. Aquestes propietats es poden demostrar totes a partir de la definicio
de les operacions i de les propietats de la suma i el producte de nombres, però
com la llista es llarga i les demostracions senzilles ens limitarem a enunciar
les propietats gairebe sempre. Treballarem amb coeficients reals en la resta
de la seccio, però tot el que hi apareix es cert prenent coeficients en qualsevol
cos commutatiu.
La suma de matrius:
- Està definida nomes per matrius de la mateixa mida m n, que es
tambe la mida de la suma.
- Es sumen els coeficients que ocupen el mateix lloc.
- Exemple:
1 3
2 1
3 2
0
2
+ 3 1 = 1 1
11 32
0 5
11 13
2
Les propietats de la suma de matrius son: Per A, B, C matrius qualsevols
de la mateixa mida m n:
(i) Prop. associativa: (A + B) + C = A + (B + C)
(ii) Prop. commutativa: A + B = B + A
(iii) Element neutre: A + 0 = A, on 0 denota la matriu m n amb tots els
coeficients iguals a zero.
(iv) Element oposat: per qualsevol A existeix una matriu A, amb coeficients els de A canviats de signe, tal que A + (A) = 0.
La multiplicacio per escalar:
- Està definida per un nombre i una matriu de mida m n qualsevol,
que es tambe la mida de la matriu multiplicada.
- Es multipliquen tots els coeficients de la matriu pel nombre.
1.1. MATRIUS
11
- Exemple:
!
3 11
15 55
5
=
1 23
5 10
3
Les propietats de la multiplicacio per escalar son: Per A matriu, , R

qualsevols:
(i) Prop. associativa: ( A) = ( ) A
(ii) Element unitat: 1 A = A
Les propietats de la suma i la multiplicacio per escalar son:
(i) Prop. distributiva respecte de la suma de matrius: (A + B) =
A + B.
(ii) Prop. distributiva respecte de la suma descalars: ( + ) A = A +
A.
La multiplicacio de matrius: Comencem definint un cas particular, la
multiplicacio dun vector columna per una matriu.
- Podem multiplicar una matriu de mida m n (m files, n columnes),
per un vector columna de longitud n.
- El resultat es un vector columna de longitud m.
- Cal multiplicar cada fila pel vector columna terme a terme i sumar,
com en un producte escalar, i sumar els productes.
- Exemple:
5
!
!
2
2 1 0 3
2 5 + (1) 2 + 0 3 + 3 (4)
4
=
= 105
1 3 12 10 3
1 5 + 3 2 + 12 3 + (10) (4)
2
4
!
- Si multipliquem una matriu per un vector columna de la mida equivocada ens nadonarem perquè no podem aparellar els coeficients de cada
fila de la matriu amb els del vector, ens sobraran o faltaran termes.
La multiplicacio de matrius, cas general:
- Podem multiplicar una matriu de mida m n per una matriu de mida
n p, es a dir, nomes cal que les files de la primera matriu tinguin la
mateixa longitud que les columnes de la segona.
12
- El resultat es una matriu de mida mp (el nombre de files de la primera

i de columnes de la segona).
- Cal multiplicar la primera matriu per cada columna de la segona com
en el cas de matriu per vector columna, i aix obtenim les columnes de
la matriu producte.
- La fòrmula es: si A te coeficients aij , i B te coeficients bkl , la matriu
producte C = A B te coeficients
cij = ai1 b1j + ai2 b2j + + ain bnj
- Exemple:
5
1
2 1 0 3
0
2
=
1
1 3 2 10
3 1
4 7
!
2 5 + (1) 2 + 0 3 + 3 (4) 2 1 + (1) 0 + 0 (1) + 3 7

1 5 + 3 2 + 21 3 + (10) (4) 1 1 + 3 0 + 12 (1) + (10) 7
=
4
105
2
23
139
2
Propietats de la multplicacio de matrius:

(i) Propietat associativa: (A B) C = A (B C) (pregunta: quines han
de ser les mides de les matrius A, B, C?).
(ii) La multiplicacio de matrius no es commutativa: per exemple, per les
matrius
!
1 1 0
2 1 0
A=
B = 1 2 3
1 4 3
2 1 1
el producte A B està definit, però el producte B A no ho està per
problemes de mida. Fins i tot quan tots dos productes ho estan poden
ser diferents, per exemple:
!
1 2
1 0
5 2
=
0 1
2 1
2 1
1 0
1 2
5 2
=
2 1
0 1
2 1
(iii) Matriu identitat: si denotem Idl la matriu quadrada de mida l l que

te tots els coeficients de la diagonal iguals a 1 i els de fora de la diagonal
iguals a zero, tenim que per A de mida mn: Idm A = A, AIdn = A.
1.2. SISTEMES DEQUACIONS LINEALS
13
Exercici 1. Busqueu dues matrius A, B tals que els dos productes A B i

B A estiguin definits, però no tinguin la mateixa mida.
Les propietats de la multiplicacio de matrius respecte de la suma i del
producte per escalar son:
(i) Propietat distributiva respecte de la suma, pels dos costats: A (B +
C) = (A B) + (A C), (D + E) F = (D F ) + (E F ).
(ii) Propietat commutativa respecte de la multiplicacio per escalars: A (
B) = (A B).
La transposicio de matrius:
- Està definida per matrius de qualsevol mida.
- Si A es de mida m n, la seva transposada At es de mida n m.
- Consisteix en reescriure la matriu de manera que les files es converteixin
en columnes i viceversa, es a dir, si B = At la relacio entre els coeficients
es bij = aji .
- Exemple:
A=
2 1 0
,
1 4 3
2 1
t
A = 1 4
0 3
Les propietats de la transposicio de matrius respecte de les operacions

son (atencio a la darrera!):
(i) Transposar dues vegades retorna la matriu original: (At )t = A.
(ii) La transposicio de la suma es la suma de transposades: (A + B)t =
At + B t .
(iii) La transposicio del producte per un escalar es el producte de lescalar
per la matriu transposada: ( A)t = At .
(iv) La transposicio dun producte de matrius es el producte de les matrius
transposades en ordre invers: (A B)t = B t At .
1.2
Sistemes dequacions lineals
Els apunts de sistemes dequacions lineals apareixeran en unes setmanes.
14
Captol 2
Espais vectorials
2.1
Definici
o i propietats
Un espai vectorial es un conjunt on podem fer combinacions lineals: hi ha

dhaver una suma de vectors, un producte per escalar, i aquests han de complir
una llista de propietats llarga però bastant raonable. Les combinacions lineals
(a vegades dites superposicions en Fsica) son combinacions daquestes dues
operacions bàsiques.
Definici
o 2.1. Un espai vectorial sobre R es un conjunt E que te dues operacions
(i) la suma + de vectors, ~u + ~v E definit per ~u, ~v E qualsevols,
(ii) el producte per escalar, ~v E definit per R, ~v E qualsevols,
tals que compleixen les seg
uents propietats:
- Propietat associativa de la suma: (~u + ~v ) + w
~ = ~u + (~v + w)
~ per
~u, ~v , w
~ E qualsevols.
- Existència delement neutre per la suma: hi ha un vector zero ~0 E
tal que ~v + ~0 = ~v per tot ~v E.
- Existència delement oposat per la suma: tot vector ~v E te un vector
oposat ~v E tal que ~v + (~v ) = ~0.
- Propietat commutativa de la suma: ~u + ~v = ~v + ~u per ~u, ~v E qualsevols.
- Propietat associativa del producte: (~v ) = ()~v per , R, ~v
E qualsevols.
15
CAPITOL 2. ESPAIS VECTORIALS
16
- Existència delement neutre pel producte: 1 ~v = ~v per tot ~v E.

- Propietat distributiva respecte de la suma de vectors: (~u + ~v ) =
~u + ~v per R, ~u, ~v E qualsevols.
- Propietat distributiva respecte de la suma descalars: ( + ) ~v =
~v + ~v per , R, ~v E qualsevols.
Els elements de E sanomenen vectors.
Notacio 2.2. Als nombres que multipliquen als vectors sels anomena escalars, aquesta notacio es dorigen fsic.
Quan treballem amb variables i convingui distingir quines son escalars i
quines vectors, escriurem els escalars amb lletres gregues (, , , , , . . . ) i
els vectors amb lletres llatines, a vegades amb un superindex (~u, ~v , ~e, . . . ).
Hem definit els espais vectorials reals, on els escalars son els nombres
reals. Aquesta definicio es pot repetir prenent com a escalars el cos C dels
nombres complexes, el cos Q dels racionals, o qualsevol altre cos k. Parlarem
aleshores de kespais vectorials. Tot aquest captol es vàlid per qualsevol cos
descalars.
Els espais vectorials son ubicus en les Matemàtiques. Donem uns quants
exemples sense comprovar que les operacions compleixen les propietats de
la definicio 2.1 (la comprovacio es fàcil usant que els nombres reals tenen
aquestes propietats).
Exemple 2.3. El pla, lespai, . . . , Rn .
(i) El conjunt de vectors es E = Rn = {(x1 , x2 , . . . , xn ) | x1 , . . . , xn R},
on n pot ser 1, 2, 3, . . . .
(ii) La suma es la suma component a component
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
(iii) El producte per escalar es el producte component a component
(x1 , . . . , xn ) = (x1 , . . . , xn )
Exemple 2.4. Els espais de matrius
(i) El conjunt de vectors es E = Mmn (R).
(ii) La suma es la suma de matrius.
I PROPIETATS
2.1. DEFINICIO
17
(iii) El producte per escalar es el dun escalar per una matriu.

Exemple 2.5. Les equacions lineals en les variables x1 , . . . , xn .
(i) El conjunt de vectors es E = {1 x1 +2 x2 + +n xn = 1 , . . . n ,
R}.
(ii) La suma es (exemple)
(7x1 + 2x2 5x3 = 8)
+ (x1 4x2 + 9x3 = 6)
(8x1 2x2 + 4x3 = 14)
(iii) El producte per escalar es (exemple)
6 (2x1 x2 + 3x3 = 10) = (12x1 6x2 + 18x3 = 60)
Exemple 2.6. Els polinomis reals.
(i) El conjunt de vectors es R[x] = {p(x) = a0 +a1 x+ +an xn | a0 , . . . , an
R}.
(ii) La suma es la suma de polinomis (exemple)
(1 x + x2 ) + (3 + 5x) = 4 + 4x + x2
(iii) El producte per escalar es el de polinomis (exemple)
2 (3 x + x4 ) = 6 2x + 2x4
Exemple 2.7. Funcions reals.
(i) El conjunt de vectors es C 0 ([, ]) = {f : [, ] R contnues}
(podem canviar [, ] per qualsevol domini: R, . . . El punt clau es
que la suma de funcions contnues torna a serho, i el producte per un
escalar tambe)
(ii) La suma es la de funcions
(f + g)(x) = f (x) + g(x)
(iii) El producte per escalar es el de funcions
( f )(x) = f (x)
18
Exemple 2.8. Successions de nombres reals.

(i) El conjunt de vectors es E = {(x1 , x2 , . . . , xn , . . . ) | xi R per a tot i}.
(ii) La suma es la suma terme a terme
(x1 , . . . , xn , . . . ) + (y1 , . . . , yn , . . . ) = (x1 + y1 , . . . , xn + yn , . . . )
(iii) El producte per escalar es la multiplicacio de tots els termes
(x1 , . . . , xn , . . . ) = (x1 , . . . , xn , . . . )
Exemple 2.9. Solucions dun sistema lineal homogeni Ax = 0.
(i) El conjunt de vectors es
x1
0

E = x = . . . | Ax = . . . ,
xn
0
on A es una matriu m n fixada.
(ii) La suma es la de vectors de Rn (exemple 2.3).
(iii) El producte per escalar es el de Rn .
En aquest exemple cal comprovar un parell de detalls que son òbvis en
els anteriors:
- La suma de dues solucions del sistema Ax = 0 es tambe solucio.
A(x + y) = Ax + Ay = 0 + 0 = 0
- El producte dun escalar per una solucio del sistema Ax = 0 torna a
ser solucio.
A(x) = (Ax) = 0 = 0
En canvi, si el sistema dequacions lineals no es homogeni la suma de dues
solucions o el producte per escalar deixen de serho.
Veurem mes endavant que aquests exemples son subespais vectorials de
n
R .
Exemple 2.10. Solucions de lequacio diferencial y 00 + y = 0.
(i) El conjunt de vectors es E = {y : R R | y 00 + y = 0}.
I PROPIETATS
2.1. DEFINICIO
19
(ii) La suma es la suma de funcions (exemple 2.7)

(iii) El producte per escalar es el de funcions.
Com en lexemple anterior, sha de comprovar que la suma de dues solucions
de lequacio o el producte duna per una constant real torna a serho.
Exercici 2. Proveu a partir de la definicio despai vectorial que 0 ~v = ~0 per
tot vector ~v E.
Definici
o 2.11. Diem que uns vectors v1 , v2 , . . . , vn , E son linealment
dependents si algun dells es combinacio lineal dels altres.
Si cap dells es combinacio lineal dels altres diem que son linealment
independents
Notaci
o 2.12. Linealment independents es sol abreujar com l.i., i linealment
dependents com l.d..
Observacio 2.13. La nostra definicio no te sentit per a conjunts dun sol
vector. Diem aleshores que v es l.i. quan v 6= ~0, i l.d. quan v = ~0.
Exercici 3. Comproveu que dos vectors son linealment dependents si i nomes
si algun dells es m
ultiple de laltre.
Exemple 2.14. Portem a forma esglaonada el seg
uent sistema dequacions:
2x y + 3z = 4
2x y + 3z = 4
2x y + 3z = 4
y + 8z = 5
y + 8z = 5
y + 8z = 5
4x + y + 30z = 23
3y + 24z = 15
0=0
Les operacions desglaonament mostren que la tercera fila del sistema original
es combinacio lineal de les dues primeres:
2 (2x y + 3z = 4) + 3 (y + 8z = 5) = (4x + y + 30z = 23)
Debut a això per a resoldre el sistema nhi ha prou amb resoldre les dues
primeres equacions. Aquestes son linealment independents perque cap delles
es m
ultiple de laltra, no podem prescindirne de cap per resoldre el sistema.
La caracterizacio mes pràctica de la independència lineal de vectors sol
ser la seg
uent:
Proposici
o 2.15. Un conjunt de vectors v1 , v2 , . . . vn E es linealment independent si i nomes si la u
nica manera de tenir ~0 com a combinaci
o lineal
1 v1 + 2 v2 + + n vn = ~0
es fer 1 = 2 = = n = 0.
20
Exemple 2.16. Siguin u1 = (2, 5, 1), u2 = (3, 1, 4), u3 = (1, 6, 3) R3 .

Per a comprovar si son linealment dependents o independents discutim el
sistema dequacions de la proposicio 2.15:
1 u1 +2 u2 +3 u3 = (21 +32 3 , 51 2 +63 , 1 +42 33 ) = (0, 0, 0)
Discutint el sistema en forma de matriu ampliada tenim
2 3 1 0
1 4 5 0

5 1 6 0 0 5 5 0

1 4
5 0
0 0 0 0
El sistema es compatible indeterminat, per tant la solucio 1 = 2 = 3 = 0
no es u
nica i els vectors son linealment dependents. Calculant solucions
trobem que u1 u2 u3 = ~0, pel que podem despejar qualsevol dels tres
vectors com a combinacio lineal dels altres dos.
En aquest exemple observem que si un conjunt de vectors es l.i. o l.d.
depen nomes del rang de la matriu que formen. Estudiem això a la seccio
2.3.
Exemple 2.17. Vegem que el conjunt de les potències de x {1, x, x2 , . . . , xn , . . . }
es linealment independent en R[x].
Si una de les potències xn fos combinacio lineal de les altres, tindrem
una igualtat de polinomis
xn = 0 + 1 x + + n1 xn1 + n+1 xn+1 + + N xN
Ara be, dos polinomis son iguals quan tenen els mateixos termes en cada grau
i el polinomi de la dreta no te terme de grau n. Per tant cap xn es combinacio
lineal dels altres i les potències de x son linealment independents.
Exercici 4. En lespai vectorial de lexemple 2.10, comproveu que sin(x), cos(x)
son linealment independents.
Definici
o 2.18. Un sistema de generadors es un conjunt de vectors v1 , v2 , . . . ,
E tals que tot vector v E es combinacio lineal
v = 1 v 1 + + n v n
per alguns escalars 1 , . . . , n R.
I PROPIETATS
2.1. DEFINICIO
21
Exemple 2.19. Comprovem que els vectors u1 = (2, 3), u2 = (1, 5) son un
sistema de generadors de R2 :
En efecte, per a posar un vector qualsevol (x, y) R2 com a combinacio
lineal 1 u1 + 2 u2 = (x, y) cal resoldre el sistema
!
2 1 x
2 1 x

3 5 y
0 27 y 32 x
Tenim rang A = rang (A|b) = 2 per qualsevol (x, y), per tant el sistema
sempre te solucio. Tornem a observar que la propietat de ser generadors
depen del rang de la matriu formada pels vectors (seccio 2.3).
En ajuntar les dues definicions anteriors obtenim la de base:
Definici
o 2.20. Una base dun espai vectorial E es un conjunt de vectors
que son linealment independents i generen E.
Exemple 2.21. La base canònica de Rn : Comprovem que per tot n 1 els
vectors e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), en = (0, . . . , 0, 1) son una base.
Sistema de generadors: Per qualsevol vector v = (1 , . . . , n ) Rn tenim
v = 1 e1 + 2 e2 + + n en .
Independència lineal: El sistema de la proposicio 2.15
1 e1 + + n en = (1 , 2 , . . . , n ) = (0, . . . , 0)
te solucio u
nica 1 = = n = 0.
Exemple 2.22. La base canònica 1, x, x2 , x3 , . . . de R[x]. Observeu que es
infinita.
Sistema de generadors: Per definicio tot polinomi es de la forma p(x) =
0 1 + 1 x + + n xn amb 0 , . . . , n R.
Independència lineal: vista a lexemple 2.17.
Una base dun espai vectorial ens proporciona informacio completa sobre
aquest espai. Per exemple, si coneixem una propietat per una base de E i
aquesta propietat es mante per combinacions lineals, aleshores la coneixem
per tot E (vegis exemple 2.1).
El seg
uent teorema te un enunciat forca abstracte i la demostracio llarga,
però es fonamental per la teoria despais vectorials i tambe per la seva aplicacio.
Teorema 2.23. (Teorema de Steinitz) Sigui E un espai vectorial, i {v1 , v2 , . . . , vn , . . . }
una base seva. Si u1 , u2 , . . . , um E es un conjunt de vectors linealment independents, podem substitur m vectors de la base vi1 , . . . , vim per u1 , . . . , um
de manera que el conjunt resultant es tambe base de E.
22
Demostracio. La idea de la demostracio es anar introdunt un a un els vectors

l.i. u1 , . . . , um en la base, de manera que en cada insercio eliminem un vector
vi , i no un dels uj que acabem dinsertar, i en cada pas obtinguem una base
nova. La demostracio es doncs per induccio en el nombre m de vectors l.i. a
introdur.
Farem la prova nomes en el cas en que la dimensio de E es finita (dim E =
n), però el lector pot comprovar que en el cas dim E = es pot aprofitar la
mateixa prova complicant els subndexs dels vectors.
Primer vector: Com {v1 , . . . , vn } es una base, podem posar u1 com a combinacio lineal
u1 = 1 v1 + + n vn
(2.1)
Que el conjunt u1 , . . . , um sigui l.i. implica en particular que u1 6= ~0, pel

que sabem que algun coeficient i es diferent de zero. Si reordenem els
vectors duna base continua sentho, ja que ser sistema de generadors i l.i.
no depenen de lordre en que estiguin els vectors. Per això reordenem la base
si conve per assegurarnos que 1 6= 0 en (2.1).
Substitum ara v1 per u1 , i comprovem que els vectors {u1 , v2 , v3 , . . . vn }
continuen sent una base de E.
Comprobar que generen E es senzill: de la igualtat (2.1), com 1 6= 0
despejem
v1 =
1
2
n
u1 v 2
vn .
1
1
1
(2.2)
Ara, com v1 , . . . vn son base, per qualsevol vector w E tenim una combinacio lineal
w = 1 v 1 + + n v n ,
en la que podem substitur v1 pel seu valor en (2.2) i obtenim
1
1 2
1 n
w = u 1 + 2
v 2 + + n
vn ,
1
1
1

pel que els vectors u1 , v2 , . . . , vn generen E.

Provem ara la independència lineal de u1 , v2 , . . . , vn discutint el sistema
1 u1 + 2 v2 + + n vn = ~0
Substitunt u1 pel seu valor en (2.1) arribem a
1 1 v1 + (2 + 1 2 )v2 + + (n + 1 n )vn = ~0
I PROPIETATS
2.1. DEFINICIO
23
Els vectors v1 , . . . , vn son l.i. per ser base, per tant en la darrera igualtat el
coeficient de cada vector v1 , . . . , vn ha de ser 0. Com 1 6= 0, del coeficient
de v1 dedum que 1 = 0. Substitunt aquest valor en els coeficients de
v2 , . . . , vn tenim les igualtats 2 = 0, . . . , n = 0. Per la prop. 2.15 totes
aquestes anulacions volen dir que els vectors u1 , v2 , . . . , vn son l.i.
Hip`
otesi dinduccio: Suposem ara que, despres de reordenar la base v1 , . . . , vn
quan ha calgut, hem comprovat que els vectors u1 , . . . , uk1 , vk , . . . , vn formen
una base de E.
Comprovem ara que, reordenant de nou vk , . . . , vn si conve, podem substituir el vector vk per uk i tenir de nou una base.
El proces es el mateix que el del primer vector, amb el detall afegit que
hem de vigilar de no eliminar un dels vectors ui ja introduts al insertar uk .
Escribim aquest vector com a combinacio lineal de la base u1 , . . . , uk1 , vk , . . . , vn :
uk = 1 u1 + + k1 uk1 + k vk + + n vn
(2.3)
No pot ser que k = k+1 = = n = 0, ja que aleshores tindrem uk

com a combinacio lineal de u1 , . . . , uk1 , i això no pot ser perque els vectors
u1 , . . . , um son l.i. Per tant el coeficient dalgun dels vectors vk , . . . , vn es no
nul, i reordenantlos si cal podem assegurar que k 6= 0.
Comprovem ara que un cop tenim k 6= 0 els vectors u1 , . . . , uk1 , uk , vk+1 . . . vn
son una base de E:
Com u1 , . . . , uk1 , vk , . . . , vn ja eren base de E, donat un vector qualsevol
w E el podem posar com
w = 1 u1 + + k1 uk1 + k vk + + n vn
per alguns escalars 1 , . . . , n . Despejant vk de (2.3) i substituntlo aqu
obtenim w com a combinacio lineal

1
k1
1
n
uk1 + uk
vn + k+1 vk+1 + + n vn
w = 1 u 1 + + k u 1
k
k
k
k

1
muk
n
= 1 k
u1 + +
u k + + n k
vn
k
k
k
Aix qualsevol vector de E es combinacio lineal de u1 , . . . , uk , vk+1 , . . . , vn .
Probem ara la independència lineal del nou conjunt de vectors. Cal discutir el sistema
1 u1 + + k uk + k+1 vk+1 + + n vn = ~0
Com en el cas del primer vector u1 , substitum uk pel seu valor en (2.3) i
agrupem termes:
(1 + k 1 ) u1 + + k k vk + + (n + k n ) vn = ~0
24
Els vectors u1 , . . . , uk1 , vk , . . . , vn ja eren base. Per tant tots els seus coeficients en la darrera igualtat son 0. Del de vk dedum que k = 0, ja
que k 6= 0. Si substitum k pel seu valor en els demes coeficients, al
igualarlos a 0 ens queda 1 = = k1 = k+1 = = n = 0, pel que
u1 , . . . , uk , vk+1 , . . . , vn son l.i., i tambe base.
Amb això hem completat la prova del teorema per induccio: en efecte,
al probar el cas del primer vector u1 hem demostrat la hipòtesi dinduccio
per k = 2. La demostracio de la insercio de uk que hem fet despres val per
qualsevol k, per tant ens diu en particular que si la hipòtesi dinduccio es
certa per k = 2, podem insertar u2 en la base. Amb això establim que la
hipòtesi dinduccio es certa per k = 3, i de nou pel raonament dinsercio
de uk en aquest cas podem insertar u3 ... El proces continua fins arribar a
qualsevol valor finit de m.
En el seg
uent exemple fem la substitucio del teorema de Steinitz seguint
la demostracio per a ilustrarla. En lexemple 2.64 farem la substitucio de
manera mes efectiva.
Exemple 2.24. Els vectors u1 = (0, 1, 1), u2 = (3, 0, 2) R3 son l.i. perque
no son lun m
ultiple de laltre. Comprovem que podem substituir dos vectors
de la base canònica per ells:
En base canònica tenim u1 = e2 +e3 . Això permet despejar e2 o e3 . Triem
e2 , aix tenim
e2 = u1 + e3
Els vectors e1 , u1 , e3 son un sistema de generadors de R3 perque e1 , e2 , e3 es
poden obtenir a partir dells i generen tot lespai. Si tenim una igualtat
1 e1 + 2 u1 + 3 e3 = ~0
substitunt u1 per la seva expressio original e2 + e3 tenim
1 e1 + 2 e2 + (2 + 3 )e3 = ~0
Com e1 , e2 , e3 eren l.i. això implica que 1 = 2 = 0 i per tant tambe 3 = 0.
Per tant e1 , u1 , e3 son l.i., i son de nou base de R3 .
Ara posem u2 com a combinacio lineal de la nova base e1 , u1 , e3 . Surt
u2 = 3e1 + 2e3
Daqu podem despejar e1 o e3 perqè apareixen amb un coeficient diferent de
zero (en aquest punt sempre apareix algun dels ei originals amb coeficient
I PROPIETATS
2.1. DEFINICIO
25
no zero, del contrari els u1 , . . . , um originals serien l. dependents). Triem e3 .

Fem doncs
3
e3 = e1 + u2
2
i ara podem comprovar que e1 , u1 , u2 generen R3 i son l.i. exactament igual
que ho acabem de fer per e1 , u1 , e3 .
Una consequència immediata del teorema de Steinitz es:
Corollari 2.25. Si un espai vectorial E te una base amb n vectors, totes
les bases de E tenen el mateix nombre n de vectors.
Demostracio. Si hi habes dues bases amb diferent nombre de vectors, prenent la que en te mes com a conjunt de vectors l.i. en el teorema de Steinitz
arribem a contradiccio, ja que en aquest cas ens assegura que podem reemplacar un a un part dels vectors de la base mes petita per tots els de la mes
gran.
Es pot veure de manera anàlega que si E te una base infinita no en pot
tenir cap de finita, la diferència amb el cas finit es nomes una q
uestio dndexs.
Això permet definir:
Definici
o 2.26. La dimensio dun espai vectorial es el nombre de vectors
que tenen les seves bases.
Veiem dels exemples anteriors que dim Rn = n, dim R[x] = . Aix
aquesta definicio de dimensio coincideix amb la intutiva del pla i de lespai.
Exemple 2.27. Lespai E = M23 (R) te una base can`
onica
1
E11 =
0
0
E12 =
1
0
0
0
0
0
0
E21 =
0!
0
0
0
E22 =
0
0
1
0
0
1
0
0
E31 =
0!
0
0
0
E32 =
0
0
0
0
0
0
1
0!
0
1
Com en el cas dels polinomis, podem posar tota matriu A = (aij ) E com
P
P
A = 2i=1 3j=1 aij Eji , per tant les matrius Eji generen E.
Tambe es comprova immediatament que
2 X
3
X
i=1 j=1
aij Eji
0 0 0
=
= a11 = = a23 = 0
0 0 0
Per tant les matrius formen una base i dim E = 6.

De la mateixa manera podem comprovar que les matrius Eji amb un 1 en
el coeficient (i, j) i els demes 0 son base de Mmn (R) per m, n qualsevols.
Per tant aquests espais tenen dimensio mn.
26

Finalment, algunes altres conseq
uències interessants del teorema de Steinitz:
Corollari 2.28. Sigui E un espai vectorial de dimensi

o n.
(i) Tot conjunt de vectors linealment independents u1 , . . . , um pot ampliar
se fins una base u1 , . . . , um , vm+1 , . . . , vn .
(ii) Tot sistema de generadors u1 , . . . , uN conte algun subconjunt de vectors
que es base.
(iii) Si n vectors son linealment independents, s
on base.
(iv) Si n vectors generen E, s
on base.
Demostracio. (i) Prendre una base v1 , . . . , vn de E i aplicar el teorema de
Steinitz a aquesta base i els vectors l.i. u1 , . . . , um .
(ii) Aquesta part no necessita el teorema de Steinitz. Si u1 , . . . , uN son l.i. a
mes de generadors aleshores son base. Si no son l.i., aleshores algun dells es
combinacio lineal dels altres. Els reordenem per a que sigui l
ultim
uN = 1 u1 + . . . N 1 uN 1
(2.4)
Aleshores els vectors u1 , . . . , uN 1 son tambe sistema de generadors de E: en

efecte, com u1 , . . . , uN eren sistema de generadors podem escriure tot v E
com a combinacio lineal
v = 1 u 1 + + N u N
(2.5)
Substitunt uN segons (2.4) en (2.5) obtenim el vector qualsevol v com a

combinacio lineal de u1 , . . . , uN 1 .
Repetim aquest proces deliminacio mentre els generadors que quedin no
siguin l.i. Com el nombre de vectors es finit hem dacabar, els vectors que
queden son l.i. i generadors.
(iii) Per (i) un conjunt de vectors l.i. es pot ampliar fins tenir una base. Però
les bases de E tenen n = dim E elements, pel que no podem afegir vectors
al nostre conjunt i ha de ser directament una base.
(iv) Per (ii) un sistema de generadors ha de contenir una base. Però les bases
de E tenen n = dim E elements, pel que no podem treure vectors al nostre
conjunt i ha de ser directament una base.
Per a exemples daquest corol.lari ens remetem a la seccio 2.3.
I PROPIETATS
2.1. DEFINICIO
27
Exercici 5. Sigui E = {succesions {xn }n1 tals que xn+2 = xn+1 +xn per tot n
1}. Les successions amb aquesta propietat van ser introdudes per Fibonacci
( 1170 1250), que estudiava el cas concret
1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, . . .
(2.6)
(i) Comproveu que E es un subespai vectorial de lespai de successions

reals (veure seccio 2.2).
(ii) Calculeu la dimensio de E i trobeu una base.
(iii) Busqueu les successions de E que son aritmètiques (xn = cn per c R
fixat) o geomètriques (xn = rn per r R fixat). Podem formar una
base de E amb aquestes successions?
(iv) Doneu una fòrmula pel terme nèssim de la successio (2.6), i per qualsevol successio de E a partir dels seus dos primers termes x1 , x2 .
2.1.1
Components dun vector. Canvis de base
`
Per a definir les coordenades en Algebra
lineal necessitem la seg
uent propietat:
Proposici
o 2.29. Sigui E un espai vectorial, i e1 , . . . , en una base seva. Per
a tot vector v E existeixen uns u
nics nombres 1 , . . . , n R tals que
v = 1 e1 + 2 e2 + + n en
Demostracio. Lexistència dels 1 , . . . , n es deu a que e1 , . . . , en es sistema
de generadors de E.
La unicitat de la solucio prove de que els vectors e1 , . . . , en son linealment
independents: en efecte, si tenim dues expressions per v
v = 1 e1 + 2 e2 + + n en = 1 e1 + + n en
agrupant termes a un costat tenim
(1 1 )e1 + (2 2 )e2 + + (n n )en = ~0
Com els vectors e1 , . . . , en son linealment independents cal que i i = 0
per i = 1, 2, . . . , n, es a dir 1 = 1 , 2 = 2 , . . . , n = n i lexpressio de v
com a combinacio lineal de la base es u
nica.
28
Definici
o 2.30. Sigui E un espai vectorial i e1 , . . . , en una base seva. Les
components (o coordenades) dun vector v E son la nepla (1 , . . . , n )
Rn tal que
v = 1 e1 + 2 e2 + + n en
Veiem de la definicio que un cop fixada la base les components dun vector
son u
niques, però si variem la base aquestes components variaran.
Exemple 2.31. En R2 , un vector (x, y) te components (x, y) en la base canònica
e1 = (1, 0), e2 = (0, 1) (per això lanomenem canònica). Busquem ara les
components daquest vector qualsevol v = (x, y) en la base u1 = (2, 3), u2 =
(1, 4). Cal trobar (1 , 2 ) tals que
1 u1 + 2 u2 = (21 + 2 , 31 + 42 ) = (x, y)
Per tant cal resoldre el sistema lineal
!
2 1 x
2 0 x 25 (y 32 x)
1 0 45 x 15 y
2 1 x

3
5
3
5
y 2x
3 4 y
0 2 y 2 x
0 2
0 1 35 x + 25 y
a dir, en base u1 , u2 el vector v e components ( 4 x 1 y, 3 x + 2 y).

Es
5
5
5
5
Des dun punt de vista de minimitzar lesforc ens podem demanar si cal
estudiar el problema dels canvis de base. Els espais Rn , de polinomis o de
matrius que hem vist fins ara tenen cadascun una base can`
onica (natural,
distingida), que a mes es la mes pràctica per fer càlculs. Però en els subespais
vectorials, que estudiarem a partir de la seg
uent seccio, no hi sol haver una
base canònica. I quan estudiem aplicacions lineals necessitarem bases de
lespai amb propietats especials. En lexemple 2.1 tambe es necessita un
canvi a una base no canònica.
El problema del canvi de base resulta ser una q
uestio de càlcul i inversio
de matrius, com ja sha vist en lexemple 2.31.
Proposici
o 2.32. Sigui E un espai vectorial, i {u1 , . . . , un }, {w1 , . . . , wn }
dues bases seves. Per a un vector v E qualsevol, la relaci
o entre les components de v (1 , . . . , n ) en base u1 , . . . , un i (1 , . . . , n ) en base w1 , . . . , wn
ve donada pel producte de matrius
1
1
.
.
u
. =C . ,
w .
.
n
n
on la matriu Cwu te en la columna ièssima les components del vector ui en
la base w1 , . . . , wn .
I PROPIETATS
2.1. DEFINICIO
29
Definici
o 2.33. La matriu de canvi de base duna base u1 , . . . , un a una altra
w1 , . . . , wn es la matriu Cwu de la proposicio 2.32.
La matriu de canvi de base Cwu te doncs la propietat de que al multiplicar
les components dun vector en la base inicial u dona les seves components en
la base final w. Si coneixem les components de cada vector de la base inicial
en la base final, tenim les columnes de la matriu de canvi. Els altres mètodes
de càlcul son el directe de lexemple 2.31, o el de la seg
uent proposicio:
Proposici
o 2.34. Sigui E un espai vectorial i {u1 , . . . , un }, {w1 , . . . , wn }, {e1 , . . . , en }
tres bases de E. Aleshores les matrius de canvi de base compleixen les
seg
uents relacions entre elles:
(i) Cuw = (Cwu )1 .
(ii) Cwu = Cwe Ceu .
Exemple 2.35. En lexemple 2.31 veiem que si un vector v R2 te components (x, y) en base canònica, en base u1 , u2 te components
4
5
35
La matriu
Cue
4
5
51 y
15 y
2
5
x
y
es la de canvi de base e1 , e2 a base u1 , u2 .

2
35
5
Per contra, si un vector v te components (, ) en base u1 , u2 les seves
components en base canònica son
u1 + u2 = (2, 3) + (1, 4) = (2 + , 3 + 4)
La matriu de canvi de base u1 , u2 a la canònica es doncs
!
2 1
Ceu =
3 4
Aquesta matriu te per columnes les components de u1 , u2 en base e1 , e2 , i es

inversa de lanterior.
Exemple 2.36. En R2 [x] prenem les tres bases e1 = 1, e2 = x, e3 = x2 , u1 =
x2 , u2 = x, u3 = 1, w1 = 1, w2 = (x 1), w3 = (x 1)2 . Calculem les matrius
de canvi de base entre aquestes tres bases.
Canvi de e1 , e2 , e3 a u1 , u2 , u3 : Cal expressar els vectors de la primera base
en termes de la segona:
e1 = u3 ,
e2 = u2 ,
e3 = u1
30
La matriu de canvi de base Cue que busquem te per columnes les components
de e1 , e2 , e3 en la base u1 , u2 , u3 :
0 0 1
Cue =
0 1 0
1 0 0
Canvi de w1 , w2 , w3 a e1 , e2 , e3 :
w1 = e1 ,
w3 = x2 2x + 1 = e1 2e2 + e3
w2 = x 1 = e1 + e2 ,
Per tant la matriu de canvi de base es
1 1 1
Cew =
0 1 2
0 0
1
el producte
Canvi de w1 , w2 , w3 a u1 , u2 , u3 : Es
0 0
1
Cuw = Cue Cew = 0 1 2

1 1 1
En aquest exemple podem comprovar la rao per lordre en que es multipliquen
els canvis de base: la columna de components del vector apareix per la dreta
i cal aplicarli els canvis de base succesius de dreta a esquerra. Si tenim
p(x) = 3(x 1)2 + 2(x 1) + 8 = 3x2 4x + 9 = 9 4x + 3x2 la transformacio
de les seves components es
3
9
0 0 1
8
1 1 1
0 0 1
0 1 0 0 1 2 2 = 0 1 0 4 = 4
9
3
1 0 0
3
0 0
1
1 0 0
En efecte, la primera multiplicacio per la dreta ha passat p(x) a base e1 , e2 , e3 ,
la segona daquesta base a u1 , u2 , u3 .
Invertint les matrius Cue , Cew i multiplicantles podem obtenir tots els
demes canvis de base:
0 0 1
Ceu = (Cue )1
=
0 1 0
1 0 0
Cwe = (Cew )1
Cwu = (Cuw )1
1 1 1
= 0 1 2
0 0 1
1 1 1
e u
= Cw Ce = 2 1 0
1 0 0
2.2. SUBESPAIS VECTORIALS
2.2
31
Subespais vectorials
Definici
o 2.37. Un subespai vectorial dun espai vectorial E es un subconjunt F E tal que amb la suma de vectors i el producte per escalar de E es
tambe espai vectorial.
Per escurcar, direm simplement subespai als subespais vectorials.
A la pràctica, el que sha de comprovar per a veure si F E es un
subespai es que la suma i el producte per escalar estiguin definits sense sortir
de F , es a dir,
- que per tots u, v F es te tambe u + v F ,
- que per tots u F , R, es te u F .
Aquestes dues propietats equivalen a que podem fer combinacions lineals dins
de F , es a dir,
per tots u, v F, , R, u + v F
No cal comprovar si la suma i el producte compleixen les propietats de la
definicio despai vectorial perquè si les compleixen en tot E en particular les
verifiquen a F .
Alguns exemples:
Exemple 2.38. Els exemples trivials: tot espai vectorial E te subespais E,{~0}.
Exemple 2.39. Podem pensar R2 com un subespai de R3 via la inclusio F =
immediat comprovar que les combinacions lineals de
{(x, y, 0) R3 }. Es
vectors de F continuen pertanyenthi.
Exemple 2.40. Les solucions dun sistema lineal homogeni Ax = ~0 (exemple
2.9), on A es una matriu m n fixada son un exemple de subespai vectorial
de Rn . Un exemple mes concret:
(
3x y + z = 0
2x 2y + 7z = 0
(Q
uestio: que es aquest subespai?)
Veurem a la seccio 2.3 que tots els subespais de Rn son daquesta forma.
El sistema lineal homogeni Ax = ~0 es un sistema dequacions del subespai.
Notaci
o 2.41. Denotarem el subespai F de solucions dun sistema lineal homogeni per
F = {Ax = 0}
32
A mes de per equacions, laltra presentacio habitual dels subespais es per

sistemes de generadors:
Definici
o 2.42. Siguin v1 , v2 , . . . , vm E uns vectors qualsevols. El subespai generat per v1 , . . . , vm es el conjunt de vectors de E que son combinacio
lineal de v1 , . . . , vm . Ho denotem
[v1 , . . . , vm ] = {v E tals que v = 1 v1 + + m vm }
No costa gaire justificar aquesta definicio:
Lema 2.43. [v1 , . . . , vm ] es un subespai vectorial de E.
Demostracio. Si tenim dos vectors u, w [v1 , . . . , vm ], per definicio vol dir
que u = 1 v1 + + m vm i w = 1 v1 + + m vm per certs 1 , . . . , m R.
Aleshores u+w = (1 +1 )v1 + +(m +m )vm , i u = 1 v1 + +m vm .
a dir, u + w, w son tambe de [v1 , . . . , vm ].
Es
Una altra propietat immediata dels subespais es
Proposici
o 2.44. Sigui E un espai vectorial de dimensi
o finita, i F E
un subespai. Aleshores dim F dim E, i nomes hi ha igualtat de dimensions
si F = E.
Demostracio. Sigui v1 , . . . , vm una base de F . Com son vectors l.i., podem
prendre una base u1 , . . . , un de E, i pel teorema de Steinitz (T. 2.23) tenim
que v1 , . . . , vm mes n m dels vectors e1 , . . . formen una nova base de E.
Com aquesta nova base ha de tenir n = dim E elements, dedum que m n
i que si m = n els vectors v1 , . . . , vm son base de F i de E.
Exemple 2.45. La dimensio dun subespai F Rn donat per un sistema
dequacions Ax = ~0 es n rang A. Aquest es el nombre de paràmetres del
que depenen les solucions.
Exercici 6. Comproveu que els subespais de R2 son exactament {0, 0}, R2 i
les rectes que passen per lorigen (0, 0). Quins son els subespais de R3 ?
Els subespais dun espai vectorial E son subconjunts que tornen a ser
espais vectorials. Les operacions habituals amb subconjunts son la interseccio
i la unio. Amb espais vectorials podem fer la primera:
Proposici
o 2.46. La intersecci
o F G de dos subespais vectorials F, G es
tambe un subespai vectorial.
Però no podem fer directament unions:
33
G
u+v
u
Exemple 2.47. La unio dels dos subespais de R2 F = {x + y = 0}, G =

{x y = 0} no es un subespai.
El problema es que F es una recta, G es una altra recta, però si prenem
vectors no nuls u F, v G la suma u + v no es de F ni de G.
La solucio a aquest problema es simple: enlloc de la unio F G, prendrem
el subespai que genera:
Definici
o 2.48. La suma de dos subespais F, G es el subespai F +G generat
per tots els vectors de F G.
Una altra caracteritzacio pràctica es:
Lema 2.49. La suma F + G de dos subespais F, G E es el conjunt de
vectors de E que es poden posar com suma de un vector de F mes un vector
de G.
Els dos problemes habituals amb interseccions i sumes de subespais vectorials son: calcularles i simplement discutir la seva dimensio.
La interseccio de subespais es calcula mitjancant les seves equacions: en
efecte, si la condicio que ha de complir un vector x per a ser de F es ser
solucio dun sistema Ax = 0 i per a ser de G es ser solucio dun altre sistema
Bx = 0, aleshores x es de F i de G alhora quan es solucio de les equacions
dels dos sistemes.
En canvi la suma es sol haver de calcular amb sistemes de generadors:
Lema 2.50. Si F = [u1 , . . . , um ] i G = [v1 , . . . , vd ] s
on dos subespais de E,
aleshores F + G = [u1 , . . . , um , v1 , . . . , vd ].
34
Demostracio. Els vectors u1 , . . . , um , v1 , . . . , vd son tots de F + G, per tant

tenim una inclusio [u1 , . . . , vd ] F + G.
Daltra banda, si w F + G aleshores tenim una igualtat w = u + v
amb u F = [u1 , . . . , um ] [u1 , . . . , um , v1 , . . . , vd ] i v G = [v1 , . . . , vd ]
[u1 , . . . , vd ]. Per tant F + G [u1 , . . . , vd ], i com tenim inclusio en les dues
direccions els dos conjunts son el mateix.
Pel que fa a la dimensio de F G, F + G, ens trobem amb que aquestes
no estan determinades per dim F, dim G. La u
nica relacio entre aquestes
dimensions es la fòrmula de Grassman:
Teorema 2.51. (fòrmula de Grassman) Si F, G E s
on subespais de dimensio finita aleshores
dim F + dim G = dim F + G + dim F G
La fòrmula de Grassman es una manifestacio de lanalogia entre la interseccio i suma de subespais i la interseccio i unio de conjunts. En efecte, si
A, B son dos subconjunts finits dun conjunt mes gran, i denotem per # el
cardinal dun conjunt tenim
#A + #B = #(A B) + #(A B)
Dit duna altra manera: si 20 estudiants juguen a futbol i 6 fan altres esports,
quants fan futbol o altres esports? 26 menys els que fan les dues coses.
Demostracio. Siguin m = dim F i k = dim G. Prenem una base v1 , . . . , vl de
F G. Com aquests vectors son de F i linealment independents, pel teorema
de Steinitz (t. 2.23), podem ampliar aquesta base fins tenir una base de F
de la forma u1 , . . . , uml , v1 , . . . , vl . De la mateixa manera podem ampliar la
base de F G a una base de G v1 , . . . , vl , w1 , . . . , wkl .
Comprovem ara que la reunio daquestes bases u1 , . . . , uml , v1 , . . . , vl , w1 , . . . , wkl
es una base de la suma F + G:
Els vectors escollits generen F + G perquè hem reunit una base de F i
una base de G (lema 2.50). Comprovem que son linealment independents: si
tenim una equacio
1 u1 + + ml uml + 1 v1 + + l vl + 1 w1 + + kl wkl = ~0
podem despejar
~z = 1 u1 + + kl ukl = 1 v1 kl wkl
35
El vector ~z pertany a F per la seva expressio de la dreta i a G per la de

lesquerra, per tant es de F G. Ara be, com v1 , . . . , vl es base de F G
tenim una expressio ~z = 1 v1 + + l vl .
Com u1 , . . . , uml , v1 . . . , vl es base de F lexpressio de ~v com a combinacio
lineal daquests vectors existeix i es u
nica. Ara be, fins aqu hem vist que
~v = 1 u1 + + ml uml = 1 v1 + + l vl
Cal doncs que 1 = = l = 0. Aix ~v = 0, 1 v1 + + l vl + 1 w1 + +
kl wl = 0, i com v1 , . . . , wkl eren base de G cal que 1 = = kl = 0.
Les dimensions dim F G = l, dim F + G = m + k l compleixen doncs
la fòrmula de Grassman.
Exercici 7. Busqueu la fòrmula de Grassman per 3 subespais (Despista:
Compte, que no es el mateix que comptar els elements la unio de tres subconjunts!)
Figura 2.1: Despiste per lexercici 2.2

imExemple 2.52. Siguin F = [(1, 3, 1)], G = [(2, 1, 1), (1, 1, 0)] R3 . Es
mediat veure que el generador de F i els de G son l.i. (exercici 2.1), per tant
son base dels subespais, F es una recta i G un pla per lorigen.
La suma dels dos subespais es F + G = [(1, 3, 1), (2, 1, 1), (1, 1, 0)]. Podem comprovar que aquests tres vectors son l.i. (veure seccio 2.3), aix per
dimensio (prop. 2.44) tenim que F + G = R3 .
Aplicant la fòrmula de Grassman calculem
dim F G = dim F + dim G dim(F + G) = 1 + 2 3 = 0
pel que dedum que F G = {0} sense calcularla explcitament.
36
Exemple 2.53. Siguin F = {x 2y + z = 0}, G = {2x + y + z = 0}. Aquests

subespais son solucio dun sistema lineal homogeni de rang 1, per tant tenen
dimensio dos (prop. ??).
Els vectors de F G han de complir les dues equacions, es a dir que son
les solucions del sistema
(
x 2y + z = 0
2x + y + z = 0
Aquest sistema te solucio x = 53 z, y = 15 z, z R paràmetre. Per tant F G
es la recta [( 35 , 15 , 1)] = [(3, 1, 5)].
Aplicant la fòrmula de Grassman veiem que dim F + G = 3. Per tant
F + G = R3 .
2.2.1
Sumes directes
Definici
o 2.54. La suma de dos subespais vectorials F, G es directa quan
F G = {0}.
Denotem la suma directa com F G.
`
Obviament,
per la fòrmula de Grassman tenim que
dim F G = dim F + dim G
Les sumes directes tenen altres propietats agradables:
Proposici
o 2.55. Si la suma de F i G es directa:
(i) La reunio duna base de F i una base de G es una base de F G.
(ii) Tot vector w F G te una descomposici
ou
nica com a suma w = u+v
amb u F, v G.
Demostracio. (i) Si u1 , . . . , uk es una base de F , i v1 , . . . , vd es una base de
G, com tot vector de F G es suma dun de F mes un de G la reunio
u1 , . . . , uk , v1 , . . . , vd genera la suma (per això no cal que la suma sigui directa!).
Tenim doncs un sistema de generadors de F G format per tants vectors
com la dimensio del subespai, per tant son una base (Cor. 2.28).
(ii) Sabem que si w F G podem posarlo com suma dun vector de F i
un de G (lema 2.49). Si tenim dues daquestes descomposicions
w = u + v = u0 + v 0
u, u0 F ,
agrupant termes ens queda

u u0 = v v 0
v, v 0 G
2.3. RANG DE MATRIUS
37
Ara be, u u0 F , v v 0 G, aix que u u0 = v v 0 F G = {0}, per

tant u = u0 , v = v 0 .
Definici
o 2.56. Les components en F i G dun vector w F G son respectivament els vectors u F , v G tals que w = u + v.
Un cas notable de suma directa es el dels subespais complementaris: son
subespais F, G tals que la seva suma es directa i es lespai total. Les components dels vectors en els subespais complementaris donen les projeccions.
Tractarem aquest tema en el captol 3.
Exemple 2.57. Hem vist a lexemple 2.52 que els dos subespais F = [(1, 3, 1)], G =
[(2, 1, 1), (1, 1, 0)] R3 tenen interseccio {0} i suma R3 . Per tant la seva
suma es directa, i son complementaris.
Busquem les components del vector v = (3, 1, 8) en F, G. Comencem
triant una base de F G = R3 formada reunint una base de F i una de G.
Podem triar u1 = (1, 3, 1), u2 = (2, 1, 1), u3 = (1, 1, 0).
Busquem les components de v en la base adaptada u1 , u2 , u3 . Son la
solucio del sistema

1 2 1 3

3 1 1 1

1 1 0 8
Aquesta solucio es x = 22
, y = 18
, z = 43
. Per tant v = 22
u +( 18
u 43
u ),
5
5
5
5 1
5 2
5 3
i agrupant termes del mateix subespai tenim que la component de v en F es
22
u = ( 22
, 66 , 22 ) i la component de v en G es 18
u 43
u.
5 1
5 5 5
5 2
5 3
Geomètricament, trobar les components del vector v en els subespais
complementaris F, G correspon a projectar v sobre cada subespai seguint la
direccio parallela a laltre.
2.3
Rang de matrius
Aquesta seccio tracta sobre mètodes efectius de càlcul en els espais Rn per
trobar dimensions, bases, sistemes dequacions de subespais . . .
Aquests mètodes serveixen en qualsevol espai vectorial de dimensio finita,
ja que un cop triem una base i treballem amb les components dels vectors en
aquesta base un espai E es isomorf a Rdim E .
Definici
o 2.58. Les transformacions elementals en un conjunt de vectors
{v1 , . . . , vm } dun espai vectorial E son les seg
uents tres operacions:
38
F
w
u
(i) intercanviar dos vectors de lloc

{. . . vi . . . vj . . . } {. . . vj . . . vi . . . }
(ii) multiplicar un vector per un escalar 6= 0
{. . . vi . . . } {. . . vi . . . }
(iii) sumar a un vector un m
ultiple R dun altre
{. . . vi . . . vj . . . } {. . . vi . . . vj + vi . . . }
Lema 2.59. Si fem una transformaci
o elemental a un conjunt de vectors, el
subespai que generen el conjunt inicial i el final es el mateix.
Demostracio. Sigui F = [v1 , . . . , vm ] i F 0 el subespai generat pels vectors
transformats.
Per la seva definicio, amb cadascuna de les tres menes de transformacio
elemental els vectors resultants son combinacio lineal dels originals v1 , . . . , vm .
Per tant F 0 F .
A mes, els vectors originals son combinacio lineal dels transformats. Això
es evident per transformacions de tipus (i) i (ii) (on usem que 6= 0). Per
les de tipus (iii) tambe es senzill:
vj = (vj + vi ) vi
Per tant novament F F 0 , i els dos subespais han de ser el mateix.
39
Proposici
o 2.60. Les files diferents de zero duna matriu esglaonada s
on
linealment independents.
Demostracio. Denotem v1 , . . . , vm les files diferents de zero en una matriu
esglaonada. La condicio desglaonament es que aquests vectors siguin de la
forma
v1 = (0 . . . a1k1 . . . )
v2 = (0 . . . 0 a2k2 . . . )
...
vm = (0 . . . . . . 0 amkm . . . )
amb a1k1 , . . . , amkm 6= 0, i k1 < k2 < < km . Estudiem ara el sistema
1 v1 + 2 v2 + + m vm = (0, . . . , 0)
En la component k1 dels vectors tenim nomes 1 a1k1 = 0, ja que els vectors
v2 , . . . , vm tenen zero a aquesta component. Com a1k1 6= 0 cal que 1 = 0.
Un cop sabem que 1 = 0 podem repetir el raonament amb 2 i la component
k2 per veure que 2 = 0, i aix succesivament amb 3 , . . . , m
El lema 2.59 implica que quan fem transformacions elementals per files
a una matriu no canviem el subespai vectorial generat per les seves files. Si
ajuntem això amb la darrera proposicio tenim:
Proposici
o 2.61. El rang duna matriu es la dimensi
o del subespai que
generen les seves files.
La proposicio 2.61 es la definicio mes convenient de rang, ja que evita el
problema de la nounicitat de la forma esglaonada duna matriu. Això si,
necessita les idees despai vectorial i de subespai.
Exemple 2.62. Esglaonem la seg
uent matriu A:
2
1 3
2 4
1
0 5 3
4
2 13
1
2 1 3
0 5 4
1
1 0 5 3
5
0 0 7
1
2
0
2
1 0
3
0
1
5
0
0
3
4
7
7
1
2
0
2
3 0
3
0
1
5
0
0
3
4
7
0
1
2
3
0
Dedum que rang A = 3. A mes, si denotem F el subespai generat per les files
de A, la forma esglaonada final ens dona la base de F u1 = (2, 1, 3, 1), u2 =
(0, 5, 4, 2), u3 = (0, 0, 7, 3). Aquesta base es esglaonada, això serà convenient
per càlculs ulteriors.
40
Exemple 2.63. Sigui G = [3x2 x 1, x3 2x + 1, 4x3 6x2 6x + 6] R3 [x].

Volem calcular la dimensio de F i obtenir una base. Triem la base canònica
x3 , x2 , x, 1, escribim els generadors de G com a files duna matriu i la portem
a forma esglaonada:
0 3 1 1
1 0 2 1
1 0 2 1
1 0 2 1
1 0 2 1 0 3 1 1 0 3 1 1 0 3 1 1
4 6 6 6
4 6 6 6
0 6 2
2
0 0 0
0
La matriu te rang 2, per tant dim G = 2. A mes, una base de F es x3 2x +
1, 3x2 x 1.
Exemple 2.64. Fem ara la substitucio del teorema de Steinitz (t. 2.23) de
manera efectiva:
Els vectors u1 = (1, 3, 1, 4), u2 = (2, 6, 3, 5) R4 son linealment independents, per tant hem de poder substitur dos vectors de la base canònica
per ells. Per a comencar els posem en fila en una matriu i els esglaonem:
!
1
3 1 4
1 3 1 4
2 6 3 5
0 0 1 13
Ara veiem a ull que si intercalem e2 = (0, 1, 0, 0) entre la primera i la segona

files, i posem e4 = (0, 0, 0, 1) com a quarta fila, tindrem una matriu triangular
1
0
0
0
3 1 4
1 0 0
0 1 13
0 0 1
de rang màxim. Per tant aquestes files son base de R4 , i com la primera i
tercera generen el mateix subespai que u1 , u2 arribem a la conclusio de que
u1 , e2 , u2 , e4 son base de R4 .
Observem de pas que el subespai [e2 , e4 ] es un complementari de [u1 , u2 ].
Aquesta caracteritzacio del rang dona un mètode per a trobar el sistema
dequacions dun subespai de Rn (i de pas per demostrar que tots els subespais
tenen sistema dequacions):
Lema 2.65. Sigui F = Rn un subespai generat per vectors v1 , . . . , vm .
Aleshores, un vector x = (x1 , . . . , xn ) pertany a F si i nomes si el rang
de la
e per files v1 , . . . , vm i el rang de la matriu ampliada
! matriu A que t
A
son iguals.
x
41
!
A
Indicaci
o de la prova: Com
es A amb una fila extra, el subespai que
x
generen les seves files es F + [x]. Ara, o be x es de F i aleshores dimensions
i rangs son iguals, o be x no es de F , i aleshores la dimensio de la suma i el
rang creixen en 1 respecte als de F ,A.
Exemple 2.66. Calculem un sistema dequacions pel subespai G de lexemple
2.63. Ampliem la matriu de la seva base esglaonada amb una fila de variables,
i tornem a esglaonar:
1 0 2 1
1 0
2
1
1 0
2
1
1
1 0 3
1
1
0 3 1 1 0 3
a b c
d
0 b c + 2a d a
0 0 c + 2a + 31 b d a + 13 b
La condicio que han de complir a, b, c, d per a que el rang de la matriu ampliada sigui 2 es que els termes que queden a la tercera fila siguin zero. Per
tant les equacions per G son:
1
G = {ax3 + bx2 + cx + d R3 [x] | 2a + b + c = 0,
3
1
a + b + d = 0}
3
Ara mirarem que els passa a les columnes duna matriu quan fem transformacions elementals per files:
Lema 2.67. Sigui A una matriu m n amb columnes c1 , . . . , cn Rm .
Aleshores:
(i) Si invercanviem les files i i j de A, les noves columnes c01 , . . . , c0n s
on les
components dels vectors c1 , . . . , cn respectivament en la base e1 . . . ej . . . ei . . . em .
(ii) Si multipliquem la fila i per un escalar 6= 0, les noves columnes
c01 , . . . , c0n son les components dels vectors c1 , . . . , cn respectivament en
la base e1 , . . . , 1 ei , . . . , em .
(iii) Si a la fila j li sumem fila i, les noves columnes c01 , . . . , c0n s
on les
components dels vectors c1 , . . . , cn respectivament en la base e1 , . . . , ei
ej , . . . , ej , . . . , em .
Indicaci
o de la prova: Nomes cal escriure per cada transformacio elemental les combinacions lineals indicades per ci , c0i en les bases corresponents i
comprovar que son iguals.
Aix un cop hem fet transformacions elementals per files a una matriu
no podem interpretar les columnes com vectors de Rm expressats en base
canònica. Ara be, els canvis de base cambien les components dels vectors i
les equacions dels subespais, però no la seva dimensio. Per tant:
42
Proposici
o 2.68. Si fem una transformaci
o elemental per files a una matriu, la dimensio del subespai generat per les columnes no varia.
Això te conseq
uencies que ens interessen:
Proposici
o 2.69. El rang duna matriu es la dimensi
o del subespai vectorial
que generen les seves columnes.
Indicacio de la prova: Portem la matriu A a forma esglaonada mitjancant
transformacions elementals per files. Al fer això alterem les columnes de
la matriu, però la dimensio del subespai que generen no varia. La matriu
esglaonada queda de la forma
0 ...
0 a1k1
0 a2k2
..
.
0
..
.
a3k3 . . .
..
.
0
..
.
..
Les columnes c1 , . . . , cn de la matriu esglaonada nomes tenen les d = rang A

k
1
2
3
primeres components diferents de zero, per tant generen un subespai G amb

dim G rang A. Ara be, si ens fixem en les columnes k1 , k2 , . . . , km en que
comencen les files no nulles de la matriu esglaonada, veiem que la matriu
formada per les seves transposades
ctkm
ct
B = km1
...
ct1
es esglaonada amb totes les files diferents de zero. Per tant el subespai G
generat per les columnes c1 , . . . , cn te dimensio d = rang A.
Una aplicacio immediata daquesta igualtat es:
43
Corollari 2.70.
rang A = rang At
Aix per exemple el rang duna matriu mai es mes gran que el seu nombre
de files o de columnes. Una altra aplicacio daquest corollari es que podem
transposar totes les definicions i enunciats de la seccio i deduir lefecte de
les transformacions elementals per columnes en les matrius.
La rao que ens ha portat a estudiar lefecte de les transformacions elementals en les files i columnes duna matriu es que, excepte per resoldre un
sistema dequacions lineals, al fer càlculs efectius per buscar bases de subespais, sistemes dequacions, . . . es pot triar entre posar els vectors com a files
o com a columnes. Un cop colocats els vectors, si el nostre problema no es
resoldre un sistema lineal podem triar tambe entre fer transformacions elementals per files o per columnes. Els enunciats i exemples daquesta seccio
mostren que per calcular rangs, dimensions o sistemes dequacions podem
triar qualsevol de les quatre possibles combinacions vectortransformacio,
mentre que si volem calcular vectors explcits de Rn es mes pràctic posar els
vectors i transformar la matriu de la mateixa manera (tot per files o tot per
columnes).
44
Captol 3
Aplicacions lineals
3.1
Definici
o i elements caracterstics
Un espai vectorial es un conjunt on podem fer combinacions lineals. De la

mateixa manera, una aplicacio lineal es una aplicacio entre espais vectorials
que conserva les combinacions lineals.
Definici
o 3.1. Una aplicacio lineal entre espais vectorials reals E, F es una
aplicacio f : E F tal que per u, v E i R qualsevols compleix que
f (u + v) = f (u) + f (v)
i
f (u) = f (u)
Observacio 3.2. Com en el cas dels subespais vectorials, no costa gaire comprovar que una aplicacio f : E F es lineal si i nomes si f (u + v) =
f (u) + f (v) per u, v E, , R qualsevols.
Aquesta caracteritzacio es pot fer per combinacions lineals de dos vectors
o de n 2: f : E F es lineal si i nomes si per u1 , . . . , uk E i 1 , . . . , k
R qualsevols
f (1 u1 + + k uk ) = 1 f (u1 ) + + k f (uk )
Exemple 3.3. Multiplicacio per una matriu. Aquest es lexemple principal
daplicacio lineal: sigui una matriu A Mmn (R) fixada. Escrivint els vectors de Rn , Rm en columna, definim amb la matriu una aplicacio
fA : Rn Rm
x 7 Ax
45
CAPITOL 3. APLICACIONS LINEALS
46
Comprovem que aquesta aplicacio es lineal: per x, y Rn i R qualsevols

es te
fA (x + y) = A(x + y) = Ax + Ay = fA (x) + fA (y)
fA (x) = A(x) = Ax = fA (x)
Per tant fA es lineal. Diem que A es la matriu de laplicacio en les bases
canòniques de Rn , Rm .
!
6 1 4
. Això defineix una aplicacio
Un cas concret: triem A =
0 2 2
lineal
fA : R3 R2

!
! x
x
6 1 4
6x y + 4z

y 7
y =
2y + 2z
0 2 2
z
z
Observem que les columnes de la matriu A son les imatges dels vectors de la
base:
f (1, 0, 0) = (6, 0) ,
f (0, 1, 0) = (1, 2) ,
f (0, 0, 1) = (4, 2)
Aquesta propietat es compleix sempre, tornarem a ella.

Exemple 3.4. Evaluacio en un punt. Fixem un punt de la recta real a R, i
amb ell definim una aplicacio que envia cada polinomi al seu valor en a:
eva : R[x] R
p(x) 7 p(a)
Aquesta aplicacio es lineal: en efecte, per p(x), q(x) R[x], i , R
qualsevols es te
eva (p(x) + q(x)) = p(a) + q(a) = eva (p(x)) + eva (q(x))
Exemple 3.5. El coeficient bm de la sèrie de Fourier. Sigui C 0 ([, ], R)
lespai vectorial de les funcions contnues de [, ] en R. Per tot nombre
natural m 1 definim una aplicacio bm : C 0 ([, ], R) R per
1 Z
f (x) cos(mx)dx
bm (f ) =
2
I ELEMENTS CARACTERISTICS
3.1. DEFINICIO
47
Aquesta aplicacio es lineal, ja que per f, g funcions contnues i , R

qualsevols es te
1 Z
(f (x) + g(x)) cos(mx)dx
2
1 Z
1 Z
=
f (x) cos(mx)dx +
g(x) cos(mx)dx
2
2
= bm (f ) + bm (g)
bm (f + g) =
Exemple 3.6. La composicio daplicacions lineals es lineal. Recordem que

per dues aplicacions qualsevols f : E F , g : F G podem definir la
composicio g f : E G per g f (x) = g(f (x)). Comprovem que si f, g
son lineals la seva composicio torna a serho: Siguin u, v E i , R
qualsevols. Com f es lineal es te
g f (u + v) = g(f (u + v)) = g(f (u) + f (v))
i com g tambe es lineal
g(f (u) + f (v)) = g(f (u)) + g(f (v)) = g(f (u)) + g(f (v))
Per tant la composicio g f es lineal.
Exercici 8. Comproveu que laplicacio
C 2 (R, R) C 0 (R, R)
y(x) 7 y 00 + y
es lineal.
Exemple 3.7. Les translacions no s
on lineals. Sigui un vector v Rn , amb
v 6= 0. La translacio per v es una aplicacio que usarem al fer canvis dorigen
en les referències afins de lespai (subseccio 6.1.3):
Tv : Rn Rn
x 7 x + v
Aquesta aplicacio no es lineal: per exemple constatem que
Tv (x + y) = x + y + v
Tv (x) + Tv (y) = (x + v) + (y + v) = x + y + 2v
Aix, si v 6= 0 es te que Tv (x + y) 6= Tv (x) + Tv (y) per tots els x, y. Amb que
la desigualtat falli per un sol parell x, y laplicacio ja no es lineal.
48
La propietat de conservar combinacions lineals caracteritza immediatament les aplicacions lineals entre espais vectorials:
Lema 3.8. Siguin E, F espais vectorials, u1 , u2 , . . . un sistema de generadors de E, i f, g : E F dues aplicacions lineals tals que f (ui ) = g(ui ) per
tots els vectors ui del sistema. Aleshores f = g.
Demostracio. Tot vector u E es combinacio lineal de vectors del sistema
de generadors u1 , . . . . Com f, g son lineals tenim
g(u) = g(1 u1 + 2 u2 + . . . ) = 1 g(u1 ) + 2 g(u2 ) + . . .
= 1 f (u1 ) + 2 f (u2 ) + = f (1 u1 + 2 u2 + . . . ) = f (u)
Les aplicacions f, g coincideixen en tots els vectors u del domini, son per tant
iguals.
En particular,
Corollari 3.9. Una aplicaci
o lineal queda determinada pels seus valors sobre una base de lespai de sortida.
La demostracio del lema 3.8 mostra com calcular la imatge de qualsevol
vector per una aplicacio lineal a partir de les imatges duna base de sortida.
Com en el cas dels canvis de base, hi ha una manera mes compacta de fer
aquest càlcul usant matrius.
Definici
o 3.10. Siguin E, F espais vectorials de dimensio finita, e1 , . . . , en
una base de E, u1 , . . . , um una base de F , i f : E F una aplicacio lineal.
La matriu de f en les bases e1 , . . . , en , u1 , . . . , um es la matriu A que te per
columnes els vectors f (e1 ), . . . , f (en ) expressats en base u1 , . . . , um .
Notaci
o 3.11. Quan sigui important recordar en quines bases de E, F treballem, denotarem la matriu de f com
Mue (f )
Quan no hi hagi confusio possible, usarem lletres com A, B, . . . .
Proposici
o 3.12. Amb les notacions de la definici
o anterior, si un vector x E te components (1 , . . . , n ) en base e1 , . . . , en , les components
(1 , . . . , m ) de f (x) en base u1 , . . . , um s
on
1
1
.
.
. = A .
.
.
m
3.1. DEFINICIO
49
Demostracio. Recordem que el significat de les components de x es que x =

1 e1 + + n en . Per linealitat de f tenim
f (x) = f (1 e1 + + n en ) = 1 f (e1 ) + + n f (en )
Aix, si les imatges de la base de sortida e1 , . . . , en son
f (e1 ) = a11 u1 + a21 u2 + + am
1 um
1
2
f (e2 ) = a2 u1 + a2 u2 + + am
2 um
...
f (e2 ) = a1n u1 + a2n u2 + + am
n um
la imatge f (x) en base u1 , . . . , um es
f (x) = 1 (a11 u1 + a21 u2 + + am
1 um )
1
2
m
+ 2 (a2 u1 + a2 u2 + + a2 um )
+ ...
+ n (a1n u1 + a2n u2 + + am
n um )
1
1
1
= (a1 1 + a2 2 + + an n )u1
+ (a21 1 + a22 2 + + a2n n )u2
+ ...
m
m
+ (am
1 1 + a2 2 + + an n )um
Si fem ara el producte de matrius de lenunciat de la proposicio obtenim
a11
2
a1
.
.
.
a12
a22
...
...
..
.
am
am
...
1
2
1
a11 1 + a12 2 + + a1n n
a1n
.. a2 + a2 + + a2
a2n
1
.
2 2
n n
=
.
..
..
.
m
m
m
m
a1 1 + a2 2 + + an n
an
n
Observem per tant que el producte de la matriu de laplicacio per la columna

de les components de x en la base de sortida dona les components de la imatge
f (x) en la base darribada.
Observacio 3.13. La matriu de laplicacio lineal depen de les bases que escollim en els espais de sortida i darribada. En la seccio 3.2 estudiarem com
varia al canviar de base.
Exemple 3.14. Laplicacio derivacio
D : R2 [x] R1 [x]
p(x) 7 p0 (x)
50
es lineal, ja que per polinomis p(x), q(x) i R qualsevols es te (p(x) + q(x))0 =

p0 (x) + q 0 (x), (p(x))0 = p0 (x).
Triem ara bases e1 = 1, e2 = x, e3 = x2 de R2 [x], i u1 = 1, u2 = x de
R1 [x], i busquem la matriu de la derivacio D en elles.
En primer lloc calculem les imatges de la base de sortida i les expressem
en la base darribada:
D(e1 ) = (1)0 = 0 = 0u1 + 0u2
D(e2 ) = (x)0 = 1 = 1u1 + 0u2
D(e3 ) = (x2 )0 = 2x= 0u1 + 2u2
La matriu de D en aquestes bases te per columnes les components de les
imatges en la base darribada:
!
0 1 0
A=
0 0 2
Podem comprovar que aquesta matriu realment calcula D. Un polinomi

qualsevol p(x) = a0 + a1 x + a2 x2 te components (a0 , a1 , a2 ) en la base de
sortida escollida e1 , e2 , e3 . Les components de la seva imatge en la base
darribada u1 , u2 haurien de ser
!
a
0 1 0 0
a1
a1 =
0 0 2
2a2
a2
!
Les components (a1 , 2a2 ) corresponen al polinomi a1 + 2a2 x R1 [x], que

efectivament es la derivada de p(x).
Exemple 3.15. Laplicacio f : R3 R3 donada per f (x, y, z) = (x + y +
2z, x z, 2x + 3y + z) es lineal, com pot comprovarse fàcilment. Triem la
base canònica de R3 com a base de sortida i darribada. Tenim f (1, 0, 0) =
(1, 1, 2), f (0, 1, 0) = (1, 0, 3), f (0, 0, 1) = (2, 1, 1). Per tant en base canònica
de sortida i darribada f te matriu
1 1 2
A = 1 0 1
2 3 1

x

Novament, es pot comprovar fàcilment que f (x, y, z) = A y .
z
3.1. DEFINICIO
51
Amb la matriu de laplicacio lineal podem provar tambe un resultat

recproc al corollari 3.9:
Proposici
o 3.16. Siguin E, F espais vectorials de dimensi
o finita, e1 , . . . , en
una base de E, i w1 , . . . , wn F vectors qualsevols. Aleshores existeix una
aplicaci
o lineal f : E F tal que f (e1 ) = u1 , . . . , f (en ) = wn , i a mes es
u
nica.
Demostracio. Triem una base u1 , . . . , um , i definim una matriu A que tingui
per columnes els vectors w1 , . . . , wn expressats en la base u1 , . . . , um .
Definim ara una aplicacio f : E F amb aquesta matriu: per un vector
x E que tingui components (x1 , . .. , x
n ) en base e1 , . . . , en la seva imatge
x1
.
es el vector w que te components A

.. .
xn
Podem comprovar que aquesta aplicacio f es lineal com en lexemple 3.3.
La imatge dun vector bàsic ei es la columna ièssima de la matriu A, que
correspon al vector wi . Per tant laplicacio f compleix les condicions de
lenunciat. A mes es u
nica pel corollari 3.9.
La proposicio 3.16 mostra que un cop fixem bases de sortida i darribada
hi ha una correspondència bijectiva entre les aplicacions lineals de E a F
i les matrius de mida dim E dim F . Aquesta correspondència es de fet
un isomorfisme (exemple 3.3), i encara mes, fa correspondre el producte de
matrius a la composicio daplicacions lineals:
Proposici
o 3.17. Siguin f : E F i g : F G aplicacions lineals,
e1 , . . . , en base de E, u1 , . . . , um base de F , i w1 , . . . , wd base de G. Aleshores
la composicio g f : E G en bases e1 , . . . , en de E i w1 , . . . , wd de G te
matriu
Mwe (g f ) = Mwu (g)Mue (f )
on Mwu (g), Mue (f ) son les matrius de g, f respectivament en les bases escollides.
Demostracio. La matriu Mwe (g f ) es la matriu tal que al multiplicar a les
components dun vector x E en base e1 , . . . , en dona les components de
g(f (x)) en base w1 , . . . , wd . Comprovem que el producte Mwu (g)Mue (f ) te
aquesta propietat: si x te components (1 , . . . , n ), tenim
1
1
1
.
.
.
u
e
u
.
.
Mw (g)Mu (f ) . = Mw (g) . = ..
52
Notem ara que per definicio de la matriu Mue (f ) el vector (1 , . . . , m ) es

la imatge f (x) en base u1 , . . . , um . Tambe per definicio, el producte per la
matriu Mwu (g) envia un vector f (x) de F en base u1 , . . . , um a la seva imatge
g(f (x)) en base w1 , . . . , wd .
Exemple 3.18. Siguin f : R2 R3 , g : R3 R2 les aplicacions lineals que
en base canònica de R2 , R3 tenen matriu
!
2 1
3 2 2
A = 4 0 , B =
2 1 5
3 1
respectivament. Laplicacio g f : R2 R2 te en base canònica de sortida i

darribada la matriu
!
4 1
BA =
23 3
Si les matrius son leina per a calcular aplicacions lineals, els invariants
que permetran classificarles son
Definici
o 3.19. Sigui f : E F una aplicacio lineal.
(i) El nucli de f , denotat Nuc f o ker f , es lantiimatge del vector zero.
Nuc f = {x E | f (x) = 0}
(ii) La imatge de f , denotada Im f , es la seva imatge com a aplicacio.
Im f = {y F | y = f (x) per algun x E}
El nucli i la imatge estan definits per aplicacions qualsevols, siguin lineals
o no. Però si f es lineal tenen propietats especfiques. La primera es:
Lema 3.20. El nucli i la imatge duna aplicaci
o lineal f : E F s
on
subespais vectorials de E i F respectivament.
La demostracio es senzilla i es deixa com a exercici. Tambe ens interessa
el càlcul efectiu de nuclis i imatges:
Proposici
o 3.21. Sigui f : E F una aplicaci
o lineal, e1 , . . . , en una
base de E, u1 , . . . , um una base de F , i A la matriu de f en aquestes bases.
Aleshores:
3.1. DEFINICIO
53
(i) En la base e1 , . . . , en de E, el nucli de f te sistema dequacions
x1
0
.
.
.
.
(x1 , . . . , xn ) | A . = .
ker f =
xn
(ii) En la base u1 , . . . , um de F la imatge de f est`

a generada per les columnes
de la matriu A.
Demostracio.
(i) es la definicio de nucli.
(ii) Les columnes de A son les imatges de la base de sortida f (e1 ), . . . , f (en )
i per tant son de Im f . A mes, si v = f (u) es un vector qualsevol
de la imatge, com tenim una descomposicio u = 1 e1 + + n en
es compleix que v = f (u) = 1 f (e1 ) + + n f (en ). Aix doncs
Im f = [f (e1 ), . . . , f (en )].
Corollari 3.22. Sigui f : E F una aplicaci

o lineal, e1 , . . . , en i u1 , . . . , um
bases de E, F respectivament, i A la matriu de f en aquestes bases. Tenim
aleshores
(i) dim Im f = rang A.
(ii) dim ker f = dim E rang A.
Demostracio. (i) El rang de la matriu A es la dimensio del subespai generat per les seves columnes (prop. 2.69), que es la imatge de f .
(ii) Ho demostrarem al corollari 3.46. Per a evitar arguments circulars, no
ho aplicarem en cap demostracio fins aquell punt.
Aquesta propietat de la dimensio justifica la seg
uent
Definici
o 3.23. El rang duna aplicaci
o lineal f : E F es la dimensio de
la seva imatge.
Exemple 3.24. Sigui f : R3 R3 laplicacio lineal que en la base canònica
e1 , e2 , e3 de sortida i darribada te matriu
1 1 1
11
A=
3 4
2 8 18
54
El nucli daquesta aplicacio es el subespai solucio del sistema lineal
xyz =0
3x + 4y + 11z = 0
2x + 8y + 18z = 0
Discutim el sistema:
1 1 1 0
1 1 1 0
1 1 1 0
11 0 0 7 14 0 0 7 14 0
3 4

2 8 18 0
0 10 20 0
0 0
0 0
Veiem que rang A = 2, dim ker f = 1, dim Im f = 3 2 = 1. Si volem les
equacions implcites del nucli ens podem quedar les dos primeres del sistema
(o tot el sistema, naturalment). Si volem una base del nucli resolvem el
sistema i obtenim
ker f = [(1, 2, 1)]
Com la imatge te dimensio dos, una base està formada per un parell de
columnes de A que siguin l.i., per exemple
Im f = [(1, 3, 2), (1, 4, 8)]
Si volem lequacio implcita de Im f lhem de calcular a partir de la seva base
(o del sistema de generadors format per totes les columnes), per exemple pels
mètodes de la seccio 2.3. El resultat es
Im f = {(x, y, z) | 16x 10y + 7z = 0}
3.2
Canvis de base
Com hem vist a la proposicio 3.12, un cop triem bases per un parell despais
vectorials de dimensio finita E, F tota aplicacio lineal de E en F te una
matriu en aquestes bases, i viceversa. Apart de linteres teòric, aquesta
correspondència entre aplicacions lineals i matrius permet fer càlculs efectius
dimatges, antiimatges, nucli de laplicacio lineal . . . (exemple 3.24).
En canviar la base de lespai de sortida E, la de lespai darribada F o
ambdues alhora, varia la matriu de laplicacio lineal.
Si tot espai vectorial tingues una base canònica com tenen els Rn podrem
intentar evitar aquest problema triant sempre aquesta base per cada espai
vectorial. Això no succeeix en la pràctica, per exemple els subespais F Rn
no tenen base canònica. Per tant el problema dels canvis de base per la
matriu duna aplicacio lineal es inevitable.
3.2. CANVIS DE BASE
55
Daltra banda, el canvi de base a mes de ser un problema es tambe una

oportunitat: per estudiar el comportament duna aplicacio lineal, podem
buscar les bases de manera que la seva matriu sigui mes senzilla possible.
Aquesta es la idea de la descomposici
o pel rang (cor. 3.48) en aplicacions
lineals, i de la diagonalitzacio per endomorfismes (cap. 5). En tots dos casos,
la simplificacio de la matriu es extraordinària.
En primer lloc introdum notacions convenients per a treballar amb matrius en bases diverses:
Notaci
o 3.25. Denotarem com (E, e1 , . . . , en ) la parella dun espai vectorial
E i una base seva e1 , . . . , en .
Si un vector v E te components v = 1 e1 + + n en en la base
e1 , . . . , en el denotarem com el vector (1 , . . . , n ) de (E, e1 , . . . , en ).
Proposici
o lineal, e1 , dots, en i v1 , . . . , vn
dues bases de E, u1 , . . . , um i w1 , . . . , wm dues bases de F . Aleshores les matrius Mue (f ), Mwv (f ) de f en els dos parells de bases cumpleixen la igualtat
Mwv (f ) = Cwu Mue (f )Cev
on Cwu , Cev son les matrius de canvi de base u1 , . . . , um a w1 , . . . , wm en F ,
v1 , . . . , vn a e1 , . . . , en en E respectivament.
Demostracio. La matriu de f en bases v1 , . . . , vn de E, w1 , . . . , wm de F
es caracteritza per la propietat de que al multiplicar les components dun
vector x E en base v1 , . . . , vn produeix les components de la imatge f (x)
en base w1 , . . . , wm . Hem de comprovar que el producte Cwu Mue (f )Cev te
aquesta propietat.
Siguin (1 , . . . , n ) les components de x en base v1 , . . . , vn . Aleshores
tenim
1
1
1
1
.
.

.
u
e
v ..
u
e
u

Cw Mu (f )Ce . = Cw Mu (f )
.. = Cw .. = ..
n
Identifiquem
el vector columna que tenim en cada pas:

1
.
.
es el producte de
. es el vector x expressat en base e1 , . . . , en , ja que
n
les components de x en base v1 , . . . , vn per la matriu de canvi daquesta base
a e1 , . . . , en .
56
1
.
.
es
. es el vector f (x) expressat en la base u1 , . . . , um de F , ja que
m
el producte de x en base e1 , . . . , en per la matriu de laplicacio f en aquestes
bases.

1
.
es el vector f (x) expressat en base w1 , . . . , wm , ja que
Finalment,
..
m
es el producte de f (x) en base u1 , . . . , um per la matriu de canvi daquesta
base a w1 , . . . , wm .
Aix el producte Cwu Mue (f )Cev al multiplicar les components dun vector
de E en base v1 , . . . , vn produeix les components de la seva imatge f (x) en
base w1 , . . . , wm , per tant es la matriu de f en aquestes bases.
Hi han dues maneres de recordar la fòrmula de la proposicio 3.26 sense
haver daprendrela de memòria.
La primera es veure el canvi de base com un proces en cadena: hem de
rebre un vector x, expressat en base v1 , . . . , vn , que ens vindrà per la dreta,
i el resultat final ha de ser la imatge f (x) en base w1 , . . . , wm . La solucio es
passar el vector x per una cadena de muntatge de matrius: primer el posem
en base e1 , . . . , en (producte Cev x, a partir daixò calculem la imatge en base
u1 , . . . , um (producte Mue (f )(Cev x), i finalment hem de canviar la imatge de
base u1 , . . . , um a base w1 , . . . , wm (el producte Cwu (Mue (f )Cev x)).
La segona manera de recordar els canvis de base per aplicacions lineals
es pensar en un diagrama despais vectorials i matrius
(E, v1 , .
. . , vn )
Cev
y
(E, e1 , . . . , en )
v (f )
Mw
Mue (f )
(F, w1x, . . . , wm )
u
C
w
(F, u1 , . . . , um )
en el que les fletxes verticals son les operacions de canvi de base, i les horizontals les de càlcul dimatge. La proposicio 3.26 diu que els dos camins possibles
per passar de (E, v1 , . . . , vn ) a (F, w1 , . . . , wm ) donen el mateix resultat.
Exemple 3.27. Hem vist a lexemple 3.14 que la derivacio D : R2 [x] R1 [x],
D(p(x)) = p0 (x) es una aplicacio lineal, i que la seva matriu en la base de
partida e1 = 1, e2 = x, e3 = x2 i la base darribada u1 = 1, u2 = x es
Mue (D)
0 1 0
=
0 0 2
3.2. CANVIS DE BASE
57
Calculem ara la seva matriu en les bases v1 = x2 , v2 = x, v3 = 1 de R2 [x] i

w1 = x, w2 = 1 de R1 [x] amb la fòrmula de la proposicio 3.26.
El canvi de base de sortida que necessitem es de base v1 , v2 , v3 a e1 , e2 , e3 .
Aquesta matriu Cev te per columnes els vectors de la base inicial expressats
en la base final. Com v1 = e3 , v2 = e2 , v3 = e1 , la matriu es
0 0 1
v
Ce = 0 1 0
1 0 0
El canvi de base darribada requerit es de u1 , u2 a w1 , w2 . Com u1 = w2 , u2 =
w1 la matriu de canvi de base es
Cwu
0 1
=
1 0
Aix la matriu de D en les bases v1 , v2 , v3 i w1 , w2 es

Mwv (D)
Cwu Mue (D)Cev
2 0 0
=
0 1 0
Exemple 3.28. Sigui f : R3 R2 laplicacio que en base canònica de sortida

i darribada te matriu
!
0 2 1
A=
3 1 4
Calcularem la seva matriu en les bases v1 = (1, 1, 0), v2 = (2, 0, 4), v3 =
(3, 7, 1) de R3 , w1 = (2, 1), w2 = (5, 3) de R2 .
En R3 necessitem el canvi de base v1 , v2 , v3 a la base canònica. Aquesta
matriu te per columnes precisament els vectors v1 , v2 , v3 en base canònica
1 2 3
Cev =
1 0 7
0 4 1
En R2 ens cal el canvi de base canònica a base w1 , w2 . Com el que tenim es
w1 , w2 en base canònica, invertim la matriu del canvi de base contrari
Cwe
(Cew )1
!1
2 5
=
1 3
3 5
=
1 2
Ara ja podem aplicar la fòrmula del canvi de base de la proposicio 3.26: la

matriu de f en les noves bases es
B=
Cwe ACev
16 98 69
=
6
40
25
58
Per a que aquesta solucio sigui correcta cal que les columnes de la matriu B
siguin les imatges f (v1 ), f (v2 ), f (v3 ) en base w1 , w2 . El lector pot fer aquesta
comprovacio.
3.3
Mono, epi i isomorfismes
`
La idea disomorfisme es molt important en Algebra
lineal. Que dos espais
siguin isomorfs no vol dir que siguin iguals, però s que tots els càlculs que
es facin en un dells es tenen per laltre espai mitjancant un canvi de base.
Comencem amb notacio:
Definici
o 3.29.
jectiva.
(i) Un monomorfisme es una aplicacio lineal que es in-
(ii) Un epimorfisme es una aplicacio lineal que es exhaustiva.

(iii) Un isomorfisme es una aplicacio lineal que es bijectiva.
Diem que E, F son isomorfs si hi ha algun isomorfisme entre ells.
Les propietats dinjectivitat, exhaustivitat i bijeccio sestudien en totes les
aplicacions i funcions, siguin lineals o no (per exemple en el curs de Càlcul).
En particular, recordem una propietat que ens serà u
til: una aplicaci
o qualsevol f : E F es bijectiva si i nomes si te inversa. La inversa es una
aplicacio f 1 : F E tal que les composicions de f i f 1 son la identitat:
f f 1 = IdF , f 1 f = IdE .
Com en el cas del nucli i la imatge, aquestes idees que es poden estudiar
per qualsevol aplicacio tenen una caracteritzacio senzilla per les aplicacions
lineals:
Proposici
o lineal. Aleshores:
(i) f es un monomorfisme si i nomes si ker f = {0}.
(ii) f es un epimorfisme si i nomes si Im f = F .
(iii) f es un isomorfisme si i nomes si ker f = {0} i Im f = F .
Demostracio. (i) Si f es un monomorfisme vectors diferents de E han de
tenir imatges diferents. Aix, com f (0) = 0, si u 6= 0 f (u) 6= 0, i
ker f = {0}. Recprocament, si ker f = {0} i dos vectors u, v E
tenen la mateixa imatge, de la igualtat f (u) = f (v) dedum
f (u) = f (v) f (u v) = 0 u v ker f = {0}
per tant u = v, i f es un monomorfisme.
3.3. MONO, EPI I ISOMORFISMES
59
(ii) Per definicio f es epimorfisme quan es una aplicacio exhaustiva, es dir

quan la seva imatge Im f es tot lespai darribada F .
(iii) f es isomorfisme quan es monomorfisme i epimorfisme alhora.
`
Com els isomorfismes juguen un paper mes important en problemes dAlgebra
lineal, en donem mes caracteritzacions:
Proposici
o lineal. Aleshores:
(i) f es un isomorfisme si i nomes si te una aplicaci
o lineal inversa f 1 :
F E.
(ii) f es un isomorfisme si i nomes si existeix alguna base de E e1 , . . . , en
tal que les seves imatges f (e1 ), . . . , f (en ) s
on una base de F .
(iii) f es un isomorfisme si i nomes si la imatge de qualsevol base de E es
una base de F .
(iv) Si E, F son de dimensio finita, f es isomorfisme si i nomes si dim E =
dim F i la matriu de f es invertible.
En el cas (iv), a mes, si triem bases e1 , . . . , en de E i u1 , . . . , un de F les
matrius de f i de la seva inversa cumpleixen
Meu (f 1 ) = (Mue (f ))1
Observacio 3.32. En la caracteritzacio (iv) no especifiquem en quines bases
mirem el rang de la matriu de f . No cal especificarles perque per qualsevol
tria el rang de la matriu de f es el mateix: la dimensio de Im f .
Demostracio. (i) Qualsevol aplicacio f : E F es bijectiva si i nomes si te
inversa f 1 : F F , que envia cada v F a l
unic u E tal que f (u) = v.
El que cal comprovar es que si f es lineal, la seva inversa f 1 tambe ho es.
Per v1 , v2 F hi ha u1 , u2 E tals que f (u1 ) = v1 , f (u2 ) = v2 . Com f es
lineal f (u1 +u2 ) = v1 +v2 . Per tant f 1 (v1 +v2 ) = u1 +u2 = f 1 (v1 )+f 1 (v2 ).
De la mateixa manera, per v F i R hi ha u E tal que f (u) = v,
i com f es lineal f (u) = v. Aix f 1 (v) = u = f 1 (v).
(ii) Si hi ha una base e1 , . . . de E tal que v1 = f (e1 ), v2 = f (e2 ), . . .
es base de F , podem definir una aplicacio lineal g : F E triant els seus
valors sobre aquesta base: g(v1 ) = e1 , g(v2 ) = e2 , . . . (prop. 3.16). Com
g(f (ei )) = ei i f (g(vj )) = vj per tots els ei , vj , es te que f g = Id, g f = Id.
Per tant g es la inversa de f , i f es ismorfisme.
60
La implicacio contrària la probem a (iii).

(iii) Ja hem vist a (ii) que si f envia alguna base de E a una base de
F laplicacio f es un isomorfisme. El que falta per completar la proba de
(ii),(iii) es mostrar que si f es un isomorfisme qualsevol base de E va a parar
a una base de F .
Sigui e1 , e2 , . . . una base de E. Comprovem que les seves imatges f (e1 ), f (e2 ), . . .
son base de F .
En primer lloc generen tot F : per qualsevol v F com Im f = F hi
ha u E tal que f (u) = v. Com e1 , . . . es base de E podem posar u
com una combinacio lineal u = 1 e1 + + n en , i aleshores v = f (u) =
1 f (e1 ) + + n f (en ).
Comprovem ara que f (e1 ), f (e2 ), . . . son linealment independents: si tenim
una combinacio lineal 1 f (e1 ) + + n f (en ) = 0, per linealitat de f
f (1 e1 + + n en ) = 0
Com f a mes es injectiva, cal que 1 e1 + + n en = 0. Però e1 , . . . era una
base de E, per tant 1 = 2 = = n = 0, i les imatges f (e1 ), f (e2 ), . . .
son l.i. en F .
(iv) Si f : E F es un isomorfisme, com les imatges de una base
e1 , . . . , en de E formen una base de F es te dim E = dim F . A mes, el rang
de f (de la matriu de f en bases qualsevols) es la dimensio de Im f . Com
f (e1 ), . . . , f (en ) es base de F , Im f = F i la seva dimensio es la màxima
possible dim F . Recordem ara que una matriu n n es invertible si i nomes
si te rang màxim n.
Recprocament, si tenim una aplicacio f : E F on dim E = dim F i la
matriu de f en bases qualsevols Mue (f ) es invertible, equivalentment te rang
màxim dim F , això vol dir que el subespai generat per les imatges de la base
de sortida f (e1 ), . . . , f (en ) es F (prop. 2.69). Per tant f (e1 ), . . . , f (en ) es
base (Cor. 2.28), i f es un isomorfisme per (ii).
Finalment, comparem les matrius de f, f 1 en aquest cas de dimensio
finita: Amb bases qualsevols e1 , . . . , en de E i u1 , . . . , un de F , per la proposicio
3.17 es te
Muu (f f 1 ) = Mue (f )Meu (f 1 ) ,
Mee (f 1 f ) = Meu (f 1 )Mue (f )
Com f, f 1 son inversos les seves composicions son la identitat, i tenen matriu identitat en qualsevol base. Per tant les matrius Mue (f ), Meu (f 1 ) son
inverses.
Exemple 3.33. Sigui E un espai vectorial qualsevol de dimensio n. Qualsevol
base seva v1 , . . . , vn defineix una aplicacio que envia un vector x E a les
3.3. MONO, EPI I ISOMORFISMES
61
seves components en aquesta base:

c : E Rn
x = 1 v1 + + n vn 7 (1 , . . . , n )
molt fàcil comprovar que aquesta aplicacio es lineal. Vegem que es un
Es
isomorfisme perque cumpleix les condicions de la proposicio 3.30:
(i) c te nucli zero, ja que c(x) = (0, . . . , 0) vol dir que x = 0v1 + + 0vn =
~0.
(ii) La imatge de c es tot Rn , ja que per qualsevol (1 , . . . , n ) Rn es te
que c(1 v1 + + n vn ) = (1 , . . . , n ).
Una consequència daquest isomorfisme es que en qualsevol espai vectorial de
dimensio finita, un cop triem una base tots els càlculs amb els seus vectors
es converteixen en càlculs en un Rn .
Exemple 3.34. Rm [x] es isomorf a Rm+1 . Aquest es un cas particular de
lexemple 3.33. Al triar una base de potències de x tot polinomi sidentifica
amb el vector dels seus coeficients.
Exemple 3.35. Lespai vectorial de matrius Mmn (R) es isomorf a Rmn . Aquest
es un altre cas particular de lexemple 3.33. Amb la base canònica tota matriu
m n es pot identificar amb el vector m n de les seves components.
Exemple 3.36. Sigui Hom (E, F ) el conjunt de les aplicacions lineals de E en
F.
Aquest conjunt es un espai vectorial, amb suma (f + g) : E F donada
per x 7 f (x) + g(x) i producte per escalar (f ) : E F donat per x 7
f (x).
Si fixem bases e1 , . . . , en de E i u1 , . . . , um de F , tenim laplicacio que
envia cada aplicacio lineal a la seva matriu
Mue : Hom (E, F ) Mmn (R)
f 7 Mue (f )
Es fàcil comprovar que aquesta aplicacio es lineal, es a dir, que sempre es te
Mue (f + g) = Mue (f ) + Mue (g) i Mue (f ) = Mue (f ) (recordeu que les columnes
de la matriu de laplicacio lineal son les imatges de la base de sortida).
La proposicio 3.16 diu que aquesta aplicacio es bijectiva, per tant es un
isomorfisme.
Una altra propietat interessant dels isomorfismes es:
62
Lema 3.37. La composicio de dos isomorfismes es un altre isomorfisme.

Demostracio. Siguin f : E F i g : F G dos isomorfismes. sabem per la
proposicio 3.31 que si prenem una base e1 , e2 , . . . de E la seva imatge per f
f (e1 ), f (e2 ), . . . es una base de F . Per la mateixa rao, com f (e1 ), f (e2 ), . . .
es base de F i g es un isomorfisme, les imatges g(f (e1 )), g(f (e2 )), . . . son una
base de G. Per tant la composicio g f envia una base de E a una base de
G i es un isomorfisme.
Exercici 9. Demostrar el lema 3.37 per espais de dimensio finita, usant les
matrius de les aplicacions.
Corollari 3.38. Dos espais vectorials s
on isomorfs si i nomes si tenen la
mateixa dimensio.
3.4
Imatges i antiimatges de subespais
En les aplicacions sovint interessa coneixer la imatge o lantiimatge no dun

sol vector, sino de tot un subespai. En aquesta seccio veurem com calcular
aquestes imatges i antiimatges a partir de la matriu de laplicacio lineal, i
algunes de les seves propietats.
Com a aplicacions daquests càlculs demostrarem el teorema disomorfisme i alguns resultats relacionats: la dimensio del nucli (per fi!), el teorema
de RoucheFrobenius i la descomposicio pel rang.
Per a comencar, recordem que per qualsevol aplicacio f : E F , sigui
lineal o no, si tenim subconjunts G E i H F :
(i) la imatge de G es f (G) = {v F | v = f (u),
u G}.
(ii) lantiimatge de H es f 1 (H) = {u E | f (u) H}.

Com de costum, si f es lineal i G, H subespais vectorials, les imatges i antiimatges tornen a serho. Comprovem això i indiquem directament com
calcularlos:
Lema 3.39. Sigui f : E F una aplicaci
o lineal, i G = [u1 , . . . , uk ] un
subespai vectorial de E. Aleshores la imatge de G es el subespai vectorial
f (G) = [f (u1 ), . . . , f (uk )].
Demostracio. Tot vector de G es de la forma u = 1 u1 + + k uk , per
tant totes les imatges dun vector u G son combinacions lineals f (u) =
3.4. IMATGES I ANTIIMATGES DE SUBESPAIS
63
1 f (u1 ) + + k f (uk ) amb 1 , . . . , k R. Recprocament, per qualsevol

combinacio lineal de les imatges dels generadors es te
1 f (u1 ) + + k f (uk ) = f (1 u1 + + k uk )
per tant f (G) = [f (u1 ), . . . , f (uk )], i es un subespai.
o lineal, e1 , . . . , en una base de
E, u1 , . . . , um una base de F , i H F unsubespai vectorial
la
que
en
y
1
.
base u1 , . . . , um te sistema dequacions H = (y1 , . . . , ym ) | B . = 0 .
ym
1
Aleshores lantiimatge f (H) es un subespai vectorial de E, i en base e1 , . . . , en
te equacions
x1
0
.
.
e
(x1 , . . . , xn ) | BMu (f ) .. = ..
f 1 (H) =
xn
on Mue (f ) es la matriu de f en les bases escollides.
x1
y1
.
.
n
m

Demostracio. Denotem x, y els vectors columna
.. R , .. R
xn
ym
respectivament.
Per ser By = 0 el sistema dequacions de H en la base u1 , . . . , um , si un
vector v F te components y en aquesta base aleshores
v H By = 0
(3.1)
Si un vector u E te components x en base e1 , . . . , en , la seva imatge f (u) te

en base u1 , . . . , um components Mue (f )x. Per tant, aplicant la caracteritzacio
(3.1) trobem que
v = f (u) H BMue (f )x = 0
Això significa que lantiimatge f 1 (H) es el conjunt de vectors u tals que
les seves components en base e1 , . . . , en son solucio del sistema homogeni
(BMue (f ))x = 0. Dit duna altra manera, que f 1 (H) es un subespai i te
aquestes equacions en base e1 , . . . , en .
64
Exemple 3.41. Sigui f : R3 R4 laplicacio lineal que en base canònica de

sortida i darribada te matriu
3 2 1
0 1 3
A=
8 4
6
1 2
0
Calculem en primer lloc la imatge del subespai G = [(1, 2, 2), (1, 3, 1)]: està
generat per les imatges
2
1
0

f (1, 3, 1) = A 3 =
10
1
5
5
1
4

f (1, 2, 2) = A 2 = ,
28
2
5

Per tant f (G) = [(5, 4, 28, 5), (2, 0, 10, 5)].

Busquem ara lantiimatge del subespai H R4 que te equacions {x
4y + 3z + t = 0 , 3x y + 8t = 0}. El sistema dequacions de H reescrit
matricialment es

! x
!
1 4 3 1
0
y
=
3 1 0 8 z
0
t
Les equacions de f 1 (H) son
3 2 1
!
x
1 4 3 1 0 1 3
0

y =
3 1 0 8 8 4
0
6
z
1 2
0
!
ja que aquesta es la condici

o que ha de cumplir un vector (x, y, z) de R3 per

x

a que la seva imatge A y pertanyi a H. Multiplicant les matrius trobem
z
que les equacions de f 1 (H) son

!
x
28 20 5
0
y =
17 23 6
0
z
!
Com les imatges i antiimatges de subespais tornen a serho, les restriccions a ells duna aplicacio lineal son de nou aplicacions lineals:
65
Definici
o 3.42. Sigui f : E F una aplicacio lineal, i G E un subespai.
La restriccio de f a G es laplicacio lineal fG : G F que envia cada vector
de G a la seva imatge per f .
Observacio 3.43. La restriccio duna aplicacio lineal a un subespai es un canvi
despai de sortida. Tambe podem canviar lespai darribada per un subespai
H F sempre que Im f H, ja que com H conte les imatges podem
aprofitar la definicio original de laplicacio f . Quan es fa un canvi despai
darribada no es sol indicar en la notacio, i es mante el mateix nom de
laplicacio lineal a menys que la confusio despai darribada comporti algun
perill.
o lineal, G E un subespai
vectorial, i fG : G F la restricci
o de f a G. Aleshores
ker fG = ker f G
Demostracio. La prova es escriure les definicions dels dos nuclis i poca cosa
mes: si u ker fG , això vol dir que u G i que fG (u) = f (u) = 0. Per tant
tambe es te que u ker f G.
Recprocament, si u ker f G això vol dir que u G i que fG (u) =
f (u) = 0, per tant u ker fG .
Tot i ser tant senzill, el lema 3.44 es la base del teorema definitiu sobre
lestructura de les aplicacions lineals. Aquest teorema te un enunciat mes
natural en termes de lespai quocient, però en aquest curs no estudiem aquests
espais, aix que presentem un enunciat equivalent:
Teorema 3.45. (Teorema disomorfisme) Sigui f : E F una aplicaci
o
lineal, i G E un subespai complementari del nucli ker f . Aleshores, la
restriccio
fG : G Im f
es un isomorfisme.
Demostracio. Com ker f i G son complementaris, la seva interseccio es ker f
G = {0}, i pel lema 3.44 la restriccio fG es injectiva.
Comprovem ara que la restriccio fG es exhaustiva. Lespai darribada es
la imatge de laplicacio original Im f , aix que el que sha de comprovar es
que al restringir el domini de tot E al subespai G la imatge no canvia.
De nou per ser ker f i G complementaris, tenim que ker f G = E. Aix,
per qualsevol u E tenim una descomposicio u = v+w amb v ker f, w G.
Aplicant f tenim f (u) = f (v) + f (w) = f (w), ja que f (v) = 0. Per tant
66
tot vector de F que sigui imatge dalgun vector u E es tambe imatge de

w G, i la imatge de la restriccio fG es tot Im f .
Aix la restriccio fG : G Im f te nucli zero i imatge tot lespai darribada, pel que es un isomorfisme (prop. 3.30).
Si hom es mira be la demostracio del teorema disomorfisme en la nostra
versio, tambe serveix per demostrar un altre enunciat molt proper:
Corollari 3.46. Sigui f : E F una aplicaci
o lineal entre espais de dimensio finita. Aleshores
dim ker f = dim E rang f
Demostracio. Per lisomorfisme del teorema 3.45, tenim rang f = dim G,
on G es un complementari del nucli. Aix dim ker f = dim E dim G =
dim E rang f .
Una altra aplicacio del teorema disomorfisme 3.45 es el resultat fonamental de la teoria de sistemes lineals, que apareix per segona vegada en aquestes
notes:
Teorema 3.47. (de RoucheFrobenius) Sigui
(A | b)
un sistema dequacions lineals en n inc`
ognites. Aleshores:
(i) El sistema es compatible si i nomes si rang A = rang (A | b).
(ii) Si rang A = rang (A | b) = r, la soluci
o del sistema depen de n r
paràmetres.
Demostracio. La observacio clau es que, si considerem la matriu A de coeficients del sistema com la matriu en bases canòniques duna aplicacio lineal
fA : Rn Rm
x1
.
x=
.. 7 Ax
xn
aleshores
on exactament les antiimatges del vector
les solucions del sistema s
cb1
.
b = ..
e solucio si i nomes
de termes independents. Per tant, el sistema t
bm
67
si b Im fA , i com aquest espai està generat per les columnes de A, la

condicio es cumpleix si i nomes si el rang de la matriu ampliada (A |b) es el
mateix que el de A.
Pel que fa al nombre de paràmetres quan la solucio existeix: hem vist a la
prop. ?? que si calculem una solucio particular x0 de Ax = b, aleshores tota
solucio del sistema es de la forma x = x0 + y, on y es una solucio del sistema
homogeni associat Ay = 0, es a dir que les solucions del sistema Ax = b son
els vectors del conjunt
x0 + ker fA = {x0 + y | y ker fA }
Si el rang de A i del sistema Ax = b es r, la dimensio de ker fA es n r
pel corollari 3.46. Daqui dedum que la solucio general de Ax = b es de la
forma
x = x0 + 1 y1 + + ynr
on y1 , . . . ynr formen una base de ker fA , i 1 , . . . , nr son escalars qualsevols.
Abans denunciarlo hem afirmat que el teorema disomorfisme determina
per complet com son les aplicacions lineals. Expliquem això amb mes detall:
Corollari 3.48. (Descomposicio pel rang) Sigui f : E F una aplicaci
o
lineal entre espais de dimensio finita, i d = rang f . Aleshores existeixen bases
e1 , . . . , en de E i u1 , . . . , um de F tals que
f (e1 ) = u1 , f (e2 ) = u2 , . . . , f (ed ) = ud ,
f (ed+1 ) = 0, . . . , f (en ) = 0
dir, en aquestes bases la matriu de f es
Es
0 ...
0 . . .
.
e
Mu (f ) =
1
..
0
..
Demostracio. Trobarem aquestes bases amb el teorema disomorfisme: com

rang f = dim Im f = d, sabem que dim ker f = dim E d = n d (corollari
3.22). Triem ara una base e1 , . . . , en de E de manera que els darrers vectors
ed+1 , . . . , en siguin una base de ker f .
Els primers vectors e1 , . . . , ed de la base de E que hem triat son base
dun subespai G complementari de ker f . Pel teorema disomorfisme 3.45
68
la restriccio fG : G Im f es un isomorfisme. Per tant, les imatges u1 =

f (e1 ), . . . , ud = f (ed ) de la base de G son una base de Im f (prop. 3.31).
Com els vectors u1 , . . . , ud son base de Im f son l.i., i podem ampliarlos
per tenir una base u1 , . . . , ud , ud+1 , . . . , um de tot F . Amb aquestes bases es
compleix lenunciat.
Aix, la descomposicio pel rang ens diu que per qualsevol aplicacio lineal
existeixen bases de sortida i arribada de manera que la matriu de laplicacio
te nomes uns quants uns a la diagonal. Aquesta es la matriu mes senzilla que
pot tenir una aplicacio lineal si deixem variar les bases de sortida i darribada.
Una altra interpretacio de la descomposicio pel rang es que si dues aplicacions lineals tenen el mateix rang les podem portar a tenir la mateixa matriu
triant adequadament les bases de sortida i darribada. La condicio de tenir
el mateix rang es evidentment necessària, ja que el rang de laplicacio es el
de la matriu en qualsevols bases que usem.
Aquestes q
uestions de quina es la matriu mes senzilla que pot tenir una
aplicacio si triem be les bases i de quan podem fer que dues aplicacions
lineals tinguin la mateixa matriu tornarem a estudiarles en el captol 5 pels
endomorfismes. En aquest altre cas, al haber de treballar amb la mateixa
base de sortida i darribada la solucio que sobte no es tan senzilla.
Exemple 3.49. Sigui f : R3 R4 laplicacio lineal que en bases canòniques
de sortida i darribada te matriu
1 1 2
8 4 4
A=
7 6 1
5 0 5
Busquem la descomposicio pel rang.

En primer lloc calculem el rang de la matriu de laplicacio:
1 1 2
1 1 2
1 1 2
8 4 4
0 12 12
0 12 12
7 6 1
0 13 13
0 0
0
5 0 5
0 5 5
0 0
0
El rang de A (i de laplicacio f ) es 2. Per tant, pel corollari 3.48 existeixen

bases v1 , v2 , v3 de R3 i u1 , u2 , u3 , u4 de R4 tals que en elles f te matriu
1
0
Muv (f ) =
0
0
0
1
0
0
0
0
0
0
69
Busquem aquestes bases tal com ho hem fet a la demostracio del corollari.
En primer lloc busquem una base de ker f aprofitant el càlcul del rang
1 1 2 0
1 1 2 0
0 12 12 0
8 4 4 0
...

0
0 0
7 6 1 0
0

0 0
0 0
5 0 5 0
La solucio del sistema es x = z, y = z, z R paràmetre. Prenent z = 1

tenim una base del nucli, ker f = [(1, 1, 1)], i triem aquest vector com el
darrer de la base de sortida, v3 = (1, 1, 1).
La resta de la base de sortida es la base de qualsevol complementari G de
ker f . Per a trobarne una nomes cal completar la base de ker f fins una base
de lespai de sortida. Veiem a ull que una solucio es v1 = (1, 0, 0), v2 = (0, 1, 0)
ja que la matriu formada per v1 , v2 , v3 te rang 3. A mes, al coincidir la nova
base i la canònica en els dos primers vectors les matrius de canvi de base
es simplifiquen molt. Aquesta solucio no ha estat una coincidència, es molt
com
u que en aquest punt puguem aprofitar els primers vectors de la base
canònica.
Ara cal trobar la base darribada. Com ja hem triat v1 , v2 , cal que u1 =
f (v1 ) = (1, 8, 7, 5), u2 = f (v2 ) = (1, 4, 6, 0). Els vectors u1 , u2 son una base
de Im f pel teorema disomorfisme, i per tant son linealment independents.
Ens falta completar u1 , u2 per tenir una base de lespai darribada. Esglaonem
la matriu que els te per files
!
1 8 7 5
1 8 7 5
1 4 6 0
0 12 13 5
i aix veiem a ull que per a completar una base de R4 podem triar u3 =
(0, 0, 1, 0), u4 = (0, 0, 0, 1). Novament triar els mateixos vectors de la base
canònica simplificarà qualsevol canvi de base que shagi de fer despres. I
com en la base de sortida, poder aprofitar vectors de la base canònica es la
situacio habitual, no una coincidència.
Aix les bases de la descomposicio pel rang de f son:
- A R3 : v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (1, 1, 1).
- A R4 : u1 = (1, 8, 7, 5), u2 = (1, 4, 6, 0), u3 = (0, 0, 1, 0), u4 = (0, 0, 0, 1).
70
Captol 4
Determinants
La definicio natural del determinant es com a funcio det : Mnn (R) R
lineal en totes les files (o columnes) de la matriu, que canvia de signe al
intercanviarne dues i que val 1 en la identitat. Comprovar que aquesta
funcio existeix i te les propietats que ens convenen demana un esforc i la
introduccio del grup simètric.
En aquest curs no dediquem prou temps als determinants per fer aquesta
construccio. La substitum per una altra interpretacio dels determinants que
es tambe natural: el determinant mesura el (hiper)volum dun parallelepped
amb signe. Lamentablement presentarem aquesta construccio incompleta,
sense aclarar el signe ni justificar algunes propietats forca u
tils. Per a una
descripcio completa, el lector pot consultar qualsevol dels llibres de la bibliografia.
4.1
Matrius elementals
Per a resoldre sistemes lineals i calcular rangs hem introdut les transformacions elementals per files duna matriu. Aquestes transformacions eren de
tres menes:
(i) Intercanviar dues files.
(ii) Multiplicar una fila per un escalar 6= 0.
(iii) Sumar a una fila un m
ultiple duna altra.
Hi ha transformacions anàlogues per columnes.
Les transformacions per files es poden interpretar en termes de multiplicacio de matrius. Primer recordem la base canònica dun espai de matrius
71
CAPITOL 4. DETERMINANTS
72
Mmn (R). Està formada per les matrius Eji que tenen un 1 en el coeficient
(i, j) i 0 en tots els altres.
Lema 4.1. Sigui A una matriu n n. Aleshores
(i) Si intercanviem les files i i j de A, la matriu que obtenim es EA, on
E es la matriu n n donada per
E = Id Eii Ejj + Eji + Eij
(ii) Si multipliquem la fila i de A per un 6= 0, la matriu que obtenim es
EA, on E es la matriu n n donada per
E=
..
1
0
..
= Id + ( 1)Eii
(iii) Si sumem a la fila i de A vegades la fila j, la matriu que obtenim es

EA, on E es la matriu n n donada per
E = Id + Eij
Notacio 4.2. Anomenarem les matrius E del lema matrius elementals.
La demostracio daquest lema es nomes fer les multiplicacions EA i comprovar que donen les transformacions elementals esperades en A. Transposant els productes obtenim una descripcio de les transformacions elementals per columnes:
Corollari 4.3. Si apliquem a una matriu n n A una transformaci
o ele0
0
mental per columnes la matriu que obtenim es AE , on E es la transposada
de la corresponent matriu del lema 4.1.
Si prenem una matriu quadrada A de rang màxim i li apliquem transformacions elementals per files i per columnes, cap baix i cap dalt, podem
arribar a la identitat. Aquest càlcul demostraria la seg
uent
Proposici
o 4.4. (i) Si A es una matriu n n de rang n, aleshores admet
una descomposicio
A = E1 . . . Ek
on E1 , . . . , Ek son matrius elementals de les descrites en el lema 4.1.
4.1. MATRIUS ELEMENTALS
73
(ii) Si rang A < n, A admet una descomposici

o
A = E1 . . . Ek B
on B es esglaonada i te el mateix rang que A.
Enlloc de demostrar la proposicio 4.4 ens conformarem amb un exemple
que mostra com fer aquesta descomposicio.
Exemple
4.5.Calcularem la descomposicio en matrius elementals de A =
1 2 1
4 9 0. Primer portem A a la identitat (o a forma esglaonada si no

0
1 2
te rang màxim), apuntant les transformacions elementals que fem:
1 2 1
1 2 1
a
4 9 0 2 fila + 4 1 fila 0 1 4 3a fila+ 2a fila
0
1 2
0
1 2
1 2 1 (1)1a fila 1 2 1
1a
fila+
3a fila
0 1 4 (1)2a fila 0 1 4
2a fila + 4 3a fila
1
0
0 6
3a fila
0 0
1
6
1 2 0
1 0 0
0 1 0 1a fila+ 2 2a fila 0 1 0
0 0 1
0 0 1
Hem llistat per ordre les transformacions elementals per files que fan falta per
transformar A en Id. Si volem transformar Id en A calfer les transformacions
1 0 0
inverses i en lordre contrari, es a dir cal prendre 0 1 0 i aplicarli

0 0 1
per ordre les seg
uents transformacions elementals (indiquem en cada cas la
matriu elemental associada)
1 2 0
a
a
(i) 1 fila 2 2 fila: E1 = 0 1 0
0 0 1
1 0 0
a
a
(ii) 2 fila 4 3 fila: E2 = 0 1 4
0 0 1
1 0 1
(iii) 1a fila 3a fila: E3 = 0 1 0

0 0 1
74
1 0 0
(iv) 6 3a fila: E4 = 0 1 0
0 0 6
1 0 0
a
(v) (1) 2 fila: E5 = 0 1 0
0 0 1
1 0 0
a
(vi) (1) 1 fila: E6 = 0 1 0
0 0 1
1 0 0
(vii) 3a fila 2a fila: E7 =

0 1 0
0 1 1
1 0 0
a
a
(viii) 2 fila 4 1 fila: E8 = 4 1 0
0 0 1
Aix tenim A = E8 E7 E6 E5 E4 E3 E2 E1 . A mes, si es van multiplicant les matrius elementals Ei de dreta a esquerra van apareixent els passos intermitjos
de les transformacions elementals que hem aplicat abans a A
Finalment, citem com transformen els volums les matrius elementals:
Proposici
o 4.6. Sigui E una matriu elemental n n, i P el parallelepped
ndimensional format pels n vectors columna de E. Aleshores, l(hiper)volum
de P es
(i) 1 si E es la matriu elemental de tipus (i) en el lema 4.1.
(ii) || si E es una matriu elemental del tipus (ii) en el lema 4.1.
(iii) 1 si E es una matriu elemental del tipus (iii) en el lema 4.1.
No demostrarem aquesta proposicio ja que caldria entrar en la definicio
de àrees i volums en qualsevol dimensio, però es pot justificar si admetem que
per tota dimensio n el volum ndimensional dun producte de sòlids S1 S2
es el producte dels volums v(S1 ) v(S2 ) (per exemple, en un parallelepped
recte de R3 el volum es el producte de làrea de la base per lalcada). Com
les transformacions elementals nomes afecten a una o dues files, podem descomposar el parallelepped original com a producte de un de dimensio n 1
o n 2 que no varia al multiplicar per E, i un altre de dimensio 1 o 2 al que
podem estudiar la longitud/àrea amb les fòrmules que demostrem al captol
6 per làrea de parallelograms.
4.2. PROPIETATS DEL DETERMINANT
75
Exemple 4.7. En la descomposicio en matrius elementals de la matriu A de

lexemple 4.5 nomes la matriu E4 varia el volum, multiplicantlo per 6. Com
veurem en la seccio seg
uent (t. 4.8), això significa que la matriu A multiplica
el volum dels sòlids per 6.
4.2
Propietats del determinant
Teorema 4.8. El determinant es una funci

o definida sobre les matrius nn
per qualsevol n que compleix les seg
uents propietats:
(i) det(Id) = 1.
(ii) Si intercanviem dues files de A, la nova matriu A0 te determinant
det A0 = det A
(iii) Si multipliquem una fila de A per un escalar R, la nova matriu A0
te determinant
det A0 = det A
(iv) Si sumem a una fila de A un m
ultiple duna altra, la nova matriu A0
te determinant
det A0 = det A
(v) det AB = det A det B.
(vi) det At = det A.
(vii) Siguin Au , Av , Au+v matrius que en la fila ièssima tenen el vector
u, v, u + v Rn respectivament, i totes les demes files iguals. Aleshores
det Au+v = det Au + det Av
a11 . . . a1n
.
..
,
(viii) Si triem una fila ièssima qualsevol de la matriu A =
.
..
an1 . . . ann
aleshores el determinant de A es
det A = (1)i+1 ai1 det Ai1 + (1)i+2 ai2 det Ai2 + + (1)i+n ain det Ain
on cada matriu Aij es ladjunta de lelement aij : es la matriu (n 1)
(n 1) formada al treure a A la fila i i la columna j.
76
(ix) Si P es el parallelepped definit per les columnes de A, el (hiper)volum

de P es
v(P ) = | det A|
Aquesta funcio determinant existeix i es u
nica.
Daquestes propietats definidores del determinant, que deixem sense demostrar, sen poden dedur fàcilment unes quantes mes. Les transformacions
del determinant segons les transformacions elementals per files i el fet que el
determinant no varia al tranposar la matriu impliquen
Corollari 4.9. Si apliquem a una matriu A una transformaci
o elemental
per columnes el seu determinant varia de la mateixa manera que per la transformacio elemental per files corresponent.
Altres conseq
uències encara mes u
tils son:
Corollari 4.10. El determinant duna matriu triangular es el producte dels
elements de la diagonal.
Indicacio de la prova: Com det A = det At , transposant si conve podem fer
que la matriu sigui triangular superior, es a dir de la forma
a11 . . .
2
A = 0 a2
... ...
...
...
Ara podem desenvolupar per la primera columna, despres per la segona, i

aix succesivament fins la darrera columna. En cada cas nomes hi ha un
sumand de la fòrmula del desenvolupament no nul, i apareix com a factor el
terme de la diagonal amb un signe +.
Corollari 4.11. (regla de Sarrus) El determinant duna matriu 3 3 es
a11 a12 a13
2
det a1 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a31 a32 a33
a11 a23 a32 a12 a21 a33 a13 a22 a31

Indicacio de la prova: Desenvolupar la matriu A per qualsevol fila o columna
i reordenar els termes.
77
Corollari 4.12. Una matriu n n A es inversible si i nomes si det A 6= 0.

Demostracio. Si A es inversible, per la multiplicativitat del determinant
tenim
det A det A1 = det(AA1 ) = det Id = 1
Per tant cal que det A 6= 0.
Si A no es inversible per la proposicio 4.4 te una descomposicio A =
E1 . . . Ek B on les Ei son matrius elementals i B es esglaonada i de rang
rang A < n. Com B es esglaonada es tambe triangular, i com te rang menor
que n ha dapareixer algun coeficient 0 al final de la diagonal. Per tant pel
corollari 4.10 det B = 0, i det A = det E1 . . . det Ek det B = 0.
Exemple 4.13. Calculem el seg
uent determinant de la manera mes ràpida:

2
4 0

1 3 1

3
1 2

2 2 5

1 2

0 1

= 2
0 5

0 6

1 2

0 1
(6)
0 0

0 0
1
2
2 0 1

2
1 3 1 2
= 2

3
9
1 2 9

2 2 5 1
1
0
1
2
5
1 2
1 2
0 1
0
1
1

3
3
3
0 1 1
0 1 1
=
= 2(3)
= 2
0 0
0 0 3 9
1 3
6

0 0 11 21
0 0
11 21
3

0 1
1 3
= (6) 1 (1) 1 (12) = 72
1 3
0 12
Hem triangulat la matriu mitjancant transformacions elementals que no alteren el determinant, i treient factor com
u duna fila o columna sempre que
ha estat posible. Un cop la matriu es triangular, el determinant es el producte
dels elements de la diagonal.
Exemple 4.14. Quan sha de calcular el determinant duna matriu que conte
paràmetres triangularla pot ser una mala opcio, perquè introdueix fraccions
racionals que dificulten el càlcul. La opcio alternativa es desenvolupar per
una fila o columna. Calculem aix el determinant de la matriu
2t
3
2
3
4
2t
1
2
2
3
1t
0
3
4
1 3 t
78
Abans de desenvolupar, usarem el coeficient 1 en la posicio (2, 3) per a posar

mes zeros en la seva columna primer i fila despres amb transformacions elementals. No farem càlculs que produeixin polinomis de grau mes gran que
u.

2 t
3
2
3 6 t 1 + 2t
0
1

4
2t
1
2 4
2t
1
2

=

2
3
1t
0 2
3
1t
0

3
4
1 3 t 7
6t
0
5 t

6 t 1 + 2t
0
1

0
2t
1
0

=

3
1 t 2 + 2t
6 + 4t

7
6t
0
5t
Ara podem desenvolupar per qualsevol fila o columna que nomes contingui
dos elements diferents de zero, i el càlcul es reduirà al de dos determinants
3 3, que completarem per la regla de Sarrus. Triem la tercera columna per
fer el desenvolupament.

6 t 1 + 2t

0
1

6 t 1 + 2t
1

0
2t
1
0

3
2 + 2t

= (1)2+3 1 6 + 4t
6 + 4t

3
1 t 2 + 2t

7
6t
5t

7
6t
0
5t

6 t 1 + 2t 1

2t
0
+ (1)3+3 (1 t) 0

7
6 t 5 t
= (1) ((6 t)3(5 t) + (1 + 2t)(2 + 2t)7 + (1)(6 + 4t)(6 t)

(6 t)(2 + 2t)(6 t) (1 + 2t)(6 + 4t)(5 t) (1)3 7)

6 t 1

+ (1 t)(2 t)

7
5 t

= (1) 6t3 19t2 + 89t 121 + t4 2t3 24t2 + 71t 46

= t4 8t3 5t2 18t + 75
Una altra situacio com

u es la de les matrius anomenades triangulars per
blocs:
Lema 4.15. Si una matriu n n M admet una subdivisi
o en blocs
A B
M=
0 D
79
on A, D son caixes quadrades de mides k k, (nk)(nk) respectivament,

i la caixa (n k) k es tota zero, aleshores
det M = det A det D
Indicaci
o de la prova: Podem fer transformacions elementals a les darreres
n k files de M per portar D a forma esglaonada. Si el rang de D no
es n k aleshores es te det D = 0, i com M tampoc te el rang màxim
det M = 0 i el lema es compleix. Si el rang de D es el màxim n k aleshores
la seva forma esgalonada es triangular superior. Podem desenvolupar M per
la darrera fila, despres per lanterior, i aix succesivament amb les n k
darreres files. En cada desenvolupament nomes hi ha un terme no nul, i el
resultat es el producte dels elements de la diagonal de les n k darreres files
pel determinant de A.
Exemple 4.16. La matriu
3 t 1
2
7
2
4
6t
3
1
5
0
4t
0
0
M =
0
0
1 4 t
3
0
0
0
2
0
1t
4t
0
0
3 t 1
3
compleix les hipòtesis del lema amb A =
, C = 1 4 t
.
4
6t
2
0
1t
La matriu C torna
a
ser
triangular
per
blocs,
amb
caixes
quadrades
(4
t)
!
4t
3
i
. Per tant tenim
0
1t
!
det M = (t2 9t + 22)(4 t)(4 t)(1 t)
80
Captol 5
Diagonalitzaci
o
5.1
Endomorfismes
Definici
o 5.1. Un endomorfisme es una aplicacio lineal f : E E que te
el mateix espai de sortida i darribada.
Els endomorfismes tenen propietats addicionals respecte de les aplicacions
lineals en general:
(i) Si la dimensio de E es finita, la matriu de f es quadrada.
(ii) La composicio de dos endomorfismes de E es un altre endomorfisme
de E. Si un endomorfisme f te invers f 1 , aquest invers es tambe
endomorfisme de E.
Aix els endomorfismes dun espai E a mes de poder sumarse i multiplicar
se per un escalar es poden composar, i aquesta composicio correspon a la
multiplicacio de matrius (prop. 3.17). Es diu que formen una `
algebra.
La diferència crucial entre lestudi de les aplicacions lineals dun espai
E a un altre espai F i el dels endomorfismes de E en si mateix prove dun
conveni que es fa a lhora de treballar amb la matriu de laplicacio lineal:
Convencio 5.2. Sigui f : E E un endomorfisme dun espai vectorial E de
dimensio finita. Quan triem bases de E per obtenir la matriu de f , sempre
triarem la mateixa base de sortida i darribada. Anomenarem a la matriu
resultant la matriu de f en la base triada.
Aix podem buscar la matriu duna aplicacio f : R3 R3 en base
canònica de sortida i darribada, però queda prohibit triar una base de
sortida i una diferent darribada com hem fet per exemple per fer la descomposicio pel rang (cor. 3.48).
81

CAPITOL 5. DIAGONALITZACIO
82
Com veurem en les seg

uents seccions del tema, el conveni dusar la mateixa
base de sortida i darribada fa que la matriu de la composicio dendomorfismes sigui el producte de matrius, facilitant els càlculs a lhora de composar
endomorfismes i estudiar la seva estructura. La primera conseq
uència es com
van els canvis de base per endomorfismes:
Proposici
o 5.3. Sigui f : E E un endomorfisme, i e1 , . . . , en , u1 , . . . , un
dues bases de E. Aleshores les matrius de f en aquestes bases compleixen la
relacio
Mee (f ) = Ceu Muu (f )(Ceu )1
on Ceu es la matriu de canvi de base u1 , . . . , un a e1 , . . . en .
Demostracio. Aquest enunciat es simplement un cas particular del canvi de
base general per aplicacions lineals (Prop. 3.26), que diu que
Mee (f ) = Ceu Muu (f )Cue
i la relacio entre el canvi de base Ceu i el seu canvi invers Cue = (Ceu )1 .
La propietat que tenen les matrius dun endomorfisme en diferents bases
rep un nom:
Definici
o 5.4. Diem que dues matrius quadrades A, B Mnn (R) son conjugades si existeix una matriu inversible S tal que
B = SAS 1
Aquesta propietat ens permet parlar del determinant duna aplicacio lineal:
Lema 5.5. Les matrius conjugades tenen el mateix determinant.
Demostracio. Si B = SAS 1 , tenim
det B = det S det A det(S 1 ) = det S det A
1
= det A
det S
Definici
o 5.6. Sigui E un espai vectorial de dimensio finita. El determinant
dun endomorfisme f : E E es
det f = det Mee (f )
per qualsevol base e1 , . . . , en de E.
5.1. ENDOMORFISMES
83
El lema 5.5 diu que la nostra definicio de det f no depen de quina base
escollim.
Com el determinant dun endomorfisme es el de la seva matriu un cop
hem fixat una base, conserva moltes propietats dels determinants de matrius.
Les que ens interessen son:
Proposici
o 5.7. Siguin E un espai vectorial de dimensi
o finita i f, g : E
E endomorfismes.
(i) det f g = det f det g
(ii) det Id = 1
(iii) f es inversible si i nomes si det f 6= 0. En aquest cas det(f 1 ) =
1
.
det f
La demostracio daquesta proposicio es deixa pel lector perquè nomes cal

fixar una base e1 , . . . , en de E i aplicar les propietats conegudes del determinant (Tma. 4.8).
Exemple 5.8. Sigui f : R2 [t] R2 [t] lendomorfisme donat per f (p(t)) =
p(1) + p0 (t)(t 1). Fixem la base u1 = 1, u2 = t, u3 = t2 de lespai R2 [t]. Les
imatges de la base son
f (1) = 1
f (t) = 1 + (t 1) = t
f (t2 ) = 1 + 2t(t 1) = 1 2t + 2t2
Per tant la matriu de f en aquesta base es
1 0 1
u
Mu (f ) = 0 1 2
0 0 2
i es te det f = det Muu (f ) = 2.
Lestudi pràctic dels endomorfismes planteja el seg
uent problema fonamental: donat un endomorfisme f : E E, quina base de E hem de triar
per a que la matriu de f sigui la mes senzilla possible? En termes de matrius direm: si f te matriu A en certa base, quina es la matriu mes senzilla
possible que sigui conjugada a A? En el cas daplicacions lineals qualsevols
la descomposicio pel rang (cor. 3.48) respon aquesta pregunta. Pels endomorfismes la q
uestio es fa mes complicada al haver de mantenir la mateixa
base de sortida i darribada. Per a simplificar la matriu de f necessitarem
estudiar els seus valors i vectors propis.

84
5.2
Subespais invariants, valors i vectors propis
Definici
o 5.9. Sigui f : E E un endomorfisme. Diem que un subespai
F E es invariant per f si f (F ) F .
Notem que una definicio equivalent es demanar que F f 1 (F ). Com
ja va apareixer en el captol 3 en cas de trobar un subespai invariant podem
definir la restriccio de f a aquest subespai com lendomorfisme
fF : F F
v 7 f (v)
Els subespais invariants permeten simplificar la matriu de laplicacio lineal:
Lema 5.10. Sigui f : E E un endomorfisme dun e.v. de dimensi
o finita,
i F E un subespai invariant per f . Si triem una base u1 , . . . , un de E de
manera que u1 , . . . , uk sigui una base de F , la matriu de f en aquesta base
te la forma
!
A B
u
Mu (f ) =
0 D
on A es la matriu de la restricci
o fF en la base u1 , . . . , uk .
Demostracio. La matriu de f en base u1 , . . . , un te per columnes les imatges
f (u1 ), . . . , f (un ) expressades en base u1 , . . . , un .
Com hem triat la base de E prenent una base de F u1 , . . . , uk i ampliant
la a una base de lespai total, els vectors de F son aquells de la forma v =
1 u1 + + k uk , es a dir els que tenen component 0 en uk+1 , . . . , un .
Com el subespai F es invariant, els vectors f (u1 ), . . . , f (uk ) tornen a ser
de F i per tant tenen component 0 en uk+1 , . . . , un , es a dir que son de la
forma
f (u1 ) = 11 u1 + 12 u2 + + 1k uk
f (u2 ) = 21 u1 + 22 u2 + + 2k uk
...
f (uk ) = k1 u1 + k2 u2 + + kk uk
Per tant la matriu de la restriccio fF en aquesta base es
11
2
1
A=
1k
21
22
...
2k
...
...
...
k1
k2
kk
5.2. SUBESPAIS INVARIANTS, VALORS I VECTORS PROPIS
85
Ara be, la descomposicio que hem trobat per f (u1 ), . . . , f (uk ) es tambe la
que tenen com a vectors de E en base u1 , . . . , un . Per tant la matriu de f en
la base u1 , . . . , un te en les primeres k columnes la matriu A continuada per
un bloc de (n k) k zeros a sota. En les darreres n k columnes poden
apareixer coeficients qualsevols formant els blocs k(nk) B i (nk)(nk)
D.
Exemple 5.11. Sigui f : R3 R3 lendomorfisme que en la base canònica te
matriu
5 3 6
M = 0 2 0
4 4 5
Podem comprovar que el subespai F = [(0, 3, 2), (3, 3, 4)] es invariant per
f : en efecte, si calculem les imatges dels dos generadors u1 = (0, 3, 2), u2 =
(3, 3, 4) de F obtenim
f (u1 ) = (3, 6, 2) = 3u1 u2
f (u2 ) = (0, 6, 4) = 2u1
Aix la matriu de la restriccio fF en base u1 , u2 es
!
3 2
A=
1 0
Ara podem completar la base u1 , u2 de F a una base de R3 afegint u3 =

e3 = (0, 0, 1). Per a coneixer la matriu de f en aquesta base nomes ens
cal expressar f (u3 ) = (6, 0, 5) com a combinacio lineal de u1 , u2 , u3 . Si
resolem el sistema lineal constatem que f (u3 ) = 2u1 2u2 u3 . Per tant la
matriu de f en la base u1 , u2 , u3 es
3 2 2
Muu (f ) = 1 0 2
0 0 1
Es pot apreciar la forma triangular per blocs daquesta matriu: la caixa 2 2
de dalt a lesquerra es la matriu A de la restriccio fF en base u1 , u2 , i la caixa
1 2 sota A es zero.
Exercici 10. Trobar els valors de a, b R pels que lendomorfisme f : R3
R3 que en base canònica te matriu
2
0 1
1
1
a
b 1 2
86
deixa invariant el subespai F = {(x, y, z) | x + 3y + 2z = 0}.

Solucio: La solucio u
nica es a = 13
, b = 23 .
9
Per a buscar subespais invariants conve comencar pels mes senzills (despres de lexemple trivial {0}:
Lema 5.12. Un subespai de dimensi
o 1 F es invariant si i nomes si existeix
un escalar tal que f (v) = v per tot v F .
Demostracio. Com F te dimensio 1 està generat per un sol vector u, i tot
vector de F es un m
ultiple v = u per R.
Si F es invariant per f , això vol dir que f (u) F , per tant la imatge de
u es un m
ultiple f (u) = u.
Com f es lineal, si f (u) = u tenim per tot v = u F que
f (v) = f (u) = f (u) = u = (u) = v
Aix si F = [u] es invariant tot vector seu queda multiplicat per en aplicarli
f.
Recprocament, si f (v) = v per tot v F , com v F el subespai F es
invariant.
Definici
o 5.13. Sigui f : E E un endomorfisme.
- Un vector propi (o VEP) de f es un vector u 6= 0 tal que f (u) = u
per algun escalar .
- Un valor propi (o VAP) de f es un escalar tal que per algun vector
u 6= 0 es te f (u) = u.
Diem que un vector propi es de valor propi quan f (v) = v. Pel lema
5.12 buscar valors i vectors propis es buscar subespais invariants de dimensio
1. Comencarem pels valors propis.
Lema 5.14. Sigui f : E E un endomorfisme. Aleshores:
(i) Un vector v E es vector propi de valor propi si i nomes si v
ker(f Id).
(ii) Un escalar es valor propi de f si i nomes si ker(f Id) 6= {0}.
Demostracio. Que v sigui vector propi de f de valor propi vol dir que v 6= 0
i f (v) = v. Això darrer equival a que (f Id)(v) = f (v) v = 0.
Per tant ser vector propi de valor propi equival a ser del nucli de f Id,
i un escalar te vectors propis si i nomes si aquest nucli no es {0}.
87
Notaci
o 5.15. El subespai vectorial dels vectors propis de valor propi ,
ker(f Id) rep el nom de subespai propi de per f : E E, i a vegades es denota E .
Definici
o 5.16. Sigui f : E E un endomorfisme dun e.v. E de dimensio
finita. El polinomi caracterstic de f es
cf (t) = det(f tId)
Observacio 5.17. Si A es la matriu de f en una base qualsevol u1 , . . . , un de
E, el polinomi caractersticde f es det(A
o es deu a que la matriu
tId). Aix`
t ... 0
. .
de lendomorfisme tId es .. . . ...

e
en qualsevol base, i per tant si f t
0 ... t
matriu A en la base u1 , . . . , un , f tId te matriu AtId. A vegades anomenem
polinomi caracterstic duna matriu quadrada A a cA (t) = det(A tId), es
el polinomi caracterstic de lendomorfisme que tingui matriu A en una base
qualsevol.
Si ajuntem el lema 5.14 i el corollari 4.12 tenim:
Corollari 5.18. Sigui f : E E un endomorfisme. Un escalar es valor
propi de f si i nomes si es un zero del seu polinomi caracterstic.
Ara ja estem en condicions de calcular els valors i vectors propis dun
endomorfisme a partir de la seva matriu sempre que puguem factoritzar el
seu polinomi caracterstic.
Exemple 5.19. Busquem els valors i vectors propis de lendomorfisme f :
R3 R3 que en base canònica te matriu
5 3 6
A = 0 2 0
4 4 5
Comencem calculant el polinomi caracterstic:

5 t
3
6
5 t

6

2+2
2t
0 = (1) (2t)
= (2t)(t2 1)
cf (t) = 0

4

5
t
4
4
5 t
Els valors propis son els zeros de cf (t): = 1, 1, 2. Busquem ara vectors
propis per cada valor propi.

88
= 1. El subespai de vectors propis ker(f + Id) es el nucli de la matriu
6 3 6
A + Id = 0 3 0
4 4 4
Aquest nucli es [(1, 0, 1)]. Per a comprovar la correccio del càlcul, nomes cal
veure que en efecte f (1, 0, 1) = (1, 0, 1).
= 1. El subespai de vectors propis ker(f Id) es el nucli de
4 3 6
A Id = 0 1 0
4 4 6
Aquest nucil es ker(f Id) = [(3, 0, 2)].
= 2. ker(f 2Id) es el nucli de
3 3 6
A 2Id = 0 0 0
4 4 7
i te base (1, 1, 0).
Aquests son tots els valors i vectors propis de f .
Exemple 5.20. Sigui g : R2 R2 lendomorfisme que en base canònica te
matriu
!
3 4
B=
9 9
Li buscarem els valors i vectors propis. Comencem per calcular el polinomi
caracterstic:

3 t
4

cg (t) =
= t2 6t + 9
9
9 t
Aquest polinomi te un u
nic zero doble = 3. Aquest es doncs l
unic valor
propi de g.
Busquem ara els vectors propis: La matriu B 3Id es
!
6 4
9 6
El seu nucli es el subespai [(2, 3)]. Aquest es l

unic subespai de vectors propis
de g.
Per a discutir quins endomorfismes diagonalitzen, definirem un parell de
multiplicitats per cada valor propi:
89
Definici
o 5.21. Sigui f : E E un endomorfisme, i un valor propi de f .
Aleshores:
(i) La multiplicitat algebraica de , denotada ma (), es la seva multiplicitat
com a zero del polinomi caracterstic.
(ii) La multiplicitat geomètrica de es la dimensio del seu subespai de
vectors propis
mg () = dim ker(f Id)
Hi ha una relacio entre aquestes multiplicitats:
Lema 5.22. Sigui f : E E un endomorfisme i un valor propi de f . Les
dues multiplicitats de compleixen
1 mg () ma ()
Demostracio. Per definicio, tot valor propi ha de tenir algun vector propi
u 6= 0, per tant mg () 1. Comprovem ara que la multiplicitat algebraica
sempre es mes gran o igual que la geomètrica.
Sigui k = mg () = dim ker(f Id). Prenem una base u1 , . . . , uk del
subespai propi ker(f Id), i lampliem fins a obtenir una base u1 , . . . , un de
tot E. Ara busquem la matriu de f en aquesta base: com els primers vectors
els hem triat propis de valor propi tenim
f (u1 ) = u1 ,
f (u2 ) = u2 , . . . f (uk ) = uk
Dels demes vectors uk+1 , . . . un no en podem dir gairebe res, però tenim les
k primeres columnes de la matriu:
0 0 ...
.
0
..
. . .
u
Mu (f ) =
..
. . .
.
0
0 ...
Ara calculem el polinomi caracterstic en aquesta base

t

0

u
cf (t) = det(Mu (f ) tId) = .
..

0
0
..
.
. . .

. . .

t . . .
0
. . .

90
Podem desenvolupar aquest determinant succesivament per la primera, segona, . . . kèssima columna, i cada vegada surt un factor ( t). El resultat
del proces es
cf (t) = ( t)k q(t)
on q(t) es el determinant de la caixa (n k) (n k) de la cantonada inferior
dreta. Aix al polinomi caracterstic cf (t) li hem trobat k factors ( t), per
tant arribem a una desigualtat ma () k = mg (), amb igualtat o no segons
si es tambe zero de q(t).
Ara podem presentar la idea central del tema:
Definici
o 5.23. Sigui f : E E un endomorfisme. Diagonalitzar f es
trobar una base u1 , . . . , un de E formada per vectors propis de f . La matriu
D de f en aquesta base es una forma diagonal de f .
Exemple 5.24. Hem vist que laplicacio f : R3 R3 de lexemple 5.19 te
valors propis 1, 1, 2, i per cada valor propi un subespai de vectors propis
ker(f +Id) = [(1, 0, 1)], ker(f Id) = [(3, 0, 2)], ker(f 2Id) = [(1, 1, 0)]. Els
tres generadors u1 , u2 , u3 daquests subespais son l.i. (comprovarho directament o aplicar el lema 5.26). Per tant formen una base de vectors propis, i
f diagonalitza. Com f (u1 ) = u1 , f (u2 ) = u2 , f (u3 ) = 2u3 la matriu de f
en aquesta base es
1 0 0
D = Muu (f ) =
0 1 0
0 0 2
La relacio entre la matriu A de f en base canònica i la forma diagonal D es
que son conjugades: podem pasar duna a laltra per la fòrmula del canvi de
base:
A = Ceu D(Ceu )1
u
on Ce = 0
1
u1 , u2 , u3 a la
3 1
0 1
es la matriu de canvi de la base de vectors propis

2 0
base canònica.
Exemple 5.25. En canvi, laplicacio g : R2 R2 de lexemple 5.20 no diagonalitza, ja que com l

unic subespai de vectors propis te dimensio 1 no podem
formar una base de R2 amb ells.
Veurem que la forma diagonal dun endomorfisme es u
nica llevat de lordre
en que ordenem els valors propis en la diagonal. Aquesta es la matriu mes
senzilla que pot tenir un endomorfisme, i es molt u
til de cara a les aplicacions
91
de làlgebra lineal. Ara caracterizarem quan un endomorfisme diagonalitza, i

per ferho necessitem una propietat important dels subespais propis ker(f
Id):
Lema 5.26. Sigui f : E E un endomorfisme, i 1 , . . . , k valors propis
diferents de f . Aleshores, la suma dels subespais propis ker(f 1 Id), . . . , ker(f
k Id) es directa.
Demostracio. Probarem el lema per induccio sobre el nombre k de valors
propis.
Per k = 1 el lema es cert, ja que nomes hi ha un subespai.
(Hipòtesi dinduccio) Suposem ara que el lema es cert per k 1, es a dir
que si 1 , . . . , k1 son valors propis diferents de f , la suma dels subespais
propis ker(f 1 Id), . . . ker(f k1 Id) es directa. Volem veure que aleshores
el lema tambe es cert per k.
Per k 1, la suma de k subespais e directa quan un vector no nul de
qualsevol dells no es combinacio lineal de vectors dels altres k 1. Equivalentment, la suma de k subespais es directa si al prendre k vectors no nuls,
un de cada subespai, el conjunt obtingut es sempre linealment independent.
Usarem aquesta darrera caracteritzacio.
Siguin vectors propis u1 ker(f 1 Id), . . . , uk ker(f k Id), tots ells
no nuls. Volem trobar els escalars i pels que
1 u1 + + k uk = 0
Si apliquem f als dos costats i usem que cada vector ui es propi obtenim
1 1 u1 + + k k uk = 0
Si a la segona igualtat li restem k vegades la primera, tenim
(1 k )1 u1 + + (k1 k )k1 uk1 = 0
Ara be, hem partit de la hipòtesi de que la suma de ker(f 1 Id), . . . , ker(f
k1 Id) es directa, per tant en la darrera igualtat els escalars que multipliquen
a u1 , . . . , uk1 son tots zero. Com k 6= 1 , . . . , k1 , cada igualtat (i
k )i = 0 implica que i = 0, per i = 1, . . . , k 1. Aleshores la combinacio
inicial queda en la forma
k uk = 0
Però uk 6= 0, per tant tambe k = 0. La u
nica combinacio de u1 , . . . , uk que
dona el vector zero es la trivial, els vectors son l.i., i per tant el lema es cert
per k.

92
Amb això hem completat la proba per tot k: Hem vist que si el lema es
cert pel nombre anterior k 1 tambe ho es per k. Aix, el lema es cert per 2
perquè es cert per lanterior natural 1, es cert per 3 perquè acabem de veure
que ho es per 2, i aix succesivament podem arribar a qualsevol natural.
Ara ja tenim totes les propietats per a caracteritzar quins endomorfismes
diagonalitzen. Previsiblement, la condicio que han de complir resulta ser que
tinguin suficients valors i vectors propis:
Teorema 5.27. Un endomorfisme f : E E, amb dim E = n < ,
diagonalitza si i nomes si compleix les dues seg
uents condicions:
(i) (Suficients valors propis) El polinomi caracterstic de f te n = dim E
zeros, comptats amb multiplicitat.
(ii) (Suficients vectors propis) Per cada valor propi, la dimensi
o del seu
subespai de vectors propis es igual a la seva multiplicitat com a zero del
polinomi caracterstic.
Naturalment, la condicio de tenir suficients VEPs es la igualtat de multiplicitats ma () = mg () per tot valor propi .
Observem tambe que el polinomi caracterstic te grau n = dim E, per
tant demanarli que tingui n zeros equival a demanar que descomposi en
factors de grau 1.
Demostracio. Si f diagonalitza, això vol dir que existeix una base u1 , . . . , un
de E formada per vectors propis de f , es a dir, tal que la matriu de f en
aquesta base es diagonal
D = Muu (f ) =
1
...
2
..
Calculem el polinomi caracterstic de f en aquesta base: surt

cf (t) = (1 t)m1 (2 t)m2 . . . (k t)mk
on m1 , . . . , mk son els nombres de vectors propis de cada valor propi que
apareixen en la base u1 , . . . , un . Aix, el polinomi caracterstic descomposa
en factors de grau u. Notem tambe que per cada valor propi i la seva
multiplicitat algebraica es mi com acabem de veure, i la geomètrica es tambe
mi , ja que han aparegut mi vectors propis per i l.i. en la base u1 , . . . , un , i
93
el subespai ker(f i Id) no pot tenir dimensio mes gran pel lema 5.26. Per
tant f satisfà les dues condicions de tenir suficients valors i vectors propis.
Recprocament, sigui f : E E endomorfisme que satisfà les condicions
de lenunciat. Per la condicio (i) (suficients VAPs), el polinomi caracterstic
de f factoritza com
cf (t) = (1 t)m1 . . . (k t)mk
i les multiplicitats algebraiques m1 , . . . , mk dels valors propis sumen n =
dim E. La condicio (ii) (suficients VEPs) diu que les dimensions dels subespais propis son dim ker(f 1 Id) = m1 , . . . dim ker(f k Id) = mk . Ara
be, la suma dels subespais propis dels diferents valors propis es directa (lema
5.26), per tant
dim ker(f 1 Id) ker(f k Id) =
dim ker(f 1 Id) + + dim ker(f k Id) =
m1 + + mk = n = dim E
Per tant ker(f 1 Id) ker(f k Id) = E, i hi ha una base de E
formada per vectors propis de f .
Hi ha un cas molt com
u en el que es encara mes simple comprovar la
diagonalitzacio:
Corollari 5.28. Sigui f : E E endomorfisme tal que el seu polinomi
caracterstic te n = dim E zeros i tots s
on simples. Aleshores f diagonalitza.
Demostracio. Com el polinomi caracterstic te n = dim E zeros, f compleix
la primera condicio de tenir suficients valors propis. Com tots els valors
propis son zeros simples, la desigualtat entre les multiplicitats algebraica i
geomètrica del lema 5.22 diu que per cada valor propi es te
1 mg () ma () = 1
Per tant les multiplicitats algebraica i geomètrica son 1 per cada valor propi,
i f diagonalitza.
Exemple 5.29. Diagonalitzarem, si es posible, lendomorfisme f : R3 R3
que en base canònica te matriu
1 2 2
4
8 4
A=
3 4 0

94
Comencem calculant el polinomi caracterstic:

1 t
2
2

cf (t) = 4 8 t 4 = (1 t)(8 t)(t) + 24 + 32 + 16(1 t) + 8(t) 6(8 t)
3
4
t
= t3 + 9t2 26t + 24
Busquem ara els valors propis: no hem vist en aquest curs cap manera sistemàtica de trobar els zeros de polinomis de grau mes gran que dos, però
sabem que si cf (t) te zeros racionals han de ser enters divisors de 24, aix que
podem fer proves per Ruffini i un cop hem identificat un dels zeros resoldre
lequacio quadràtica resultant. La solucio es
cf (t) = (2 t)(3 t)(4 t)
Han sortit tres valors propis simples (mult. algebraica 1). Pel corollari 5.28
f diagonalitza. Una forma diagonal de f serà la matriu
2 0 0
D = 0 3 0
0 0 4
Busquem ara una base de vectors propis en la que f tingui matriu D.
= 2. Els vectors propis de valor propi 2 son els del nucli de
1 2 2
A 2Id = 4 6 4
3 4 2
Resolvent el sistema del nucli veiem que el subespai ker(f 2Id) te base
u1 = (2, 2, 1).
= 3. Els vectors propis daquest valor propi son els del nucli de
2 2 2
A 3Id = 4 5 4
3 4 3
u2 = (1, 0, 1).
= 4. Els vectors propis de valor propi 4 son els del nucli de
3 2 2
A 4Id = 4 4 4
3 4 4
95
u3 = (0, 1, 1).
Aix, la matriu de f en la base u1 , u2 , u3 es la matriu D indicada abans
(hem calculat els vectors propis en el mateix ordre que els valors propis
apareixen a la diagonal de D). La relacio entre la matriu A en base canònica
i la forma diagonal D ve donada per la fòrmula del canvi de base:
A = SDS 1
2 1 0
u
on S = Ce = 2 0 1.
1 1 1
Exemple 5.30. Estudiem si diagonalitza lendomorfisme r : R2 R2 que en
base canònica te matriu
cos sin
A=
sin cos
amb (0, 2 ) (es la rotacio dangle ).

El polinomi caracterstic es

cos t sin

cr (t) =
= t2 2 cos t + 1
sin
cos t
Els zeros daquest polinomi son cos + i sin , cos i sin . Com 0 < < 2 ,
r no te valors propis reals i no diagonalitza com a endomorfisme de R2 per
tenir insuficents valors propis.
En aquest cas podem fer una cosa que ens donarà totes les aplicacions
de les formes diagonals: podem pensar r com un endomorfisme de C2 que te
matriu real A en base canònica. Diem que hem estes r a coeficients complexes.
Ara els escalars poden ser complexes, aix el polinomi caracterstic te dos
zeros simples, i r diagonalitza pel corollari 5.28. La forma diagonal serà
cos + i sin
0
D=
0
cos i sin
Per trobar els vectors propis podem resoldre el sistema lineal del nucli de la
mateixa manera que ho feiem a coeficients reals:
= cos + i sin . El subespai de vectors propis es el nucli de la matriu
i sin sin
A (cos + i sin )Id =
sin
i sin

96
Resolvem el sistema del nucli:
!
i sin sin 0
i 1 0
i 1 0

sin
i sin 0
1 i 0
0
0 0
(primer hem dividit les equacions per sin , despres hem restat a la segona
i per la primera). La solucio es x = iy, y C paràmetre. Per tant ker(r
(cos + i sin )Id) = [(i, 1)].
= cos i sin . En aquest cas ens podem estalviar els càlculs per una rao
senzilla:
Lema 5.31. Si un endomorfisme f : Cn Cn te matriu real en base
seran els conjugats dels del
canònica, els vectors propis dun valor propi
seu valor propi conjugat .
Indicacio de la prova: Si f te matriu real A, i u Cn es vector propi de valor
propi , conjugant tenim
u
u = Au = u =
A
u = A
Per tant ker(r (cos i sin )Id) = [(i, 1)].
En la base u1 = (i, 1), u2 = (i, 1) r te matriu D.
Ara mostrem un parell daplicacions del càlcul de formes diagonals, primer
en abstracte i despres en un exemple (gairebe) de la vida real.
Exemple 5.32. (càlcul de potències i darrels quadrades) Sigui
1 2 2
A = 4 8 4
3 4 0
la matriu en base canònica de laplicacio f : R3 R3 de lexemple 5.29.
Calcularem A1000 i trobarem una matriu 3 3 R tal que R2 = A.
Comencem per la potència: per tot natural n An es la matriu de f n en
base canònica. Ara be, en la base
propis u1 , u2 , u3 calculada en
de vectors
2 0 0
lexemple 5.29 f te matriu D =

e matriu Dn . Pel canvi de
0 3 0, i f n t
0 0 4
base per endomorfismes (Prop. 5.3) la relacio entre les dues matrius es
An = Mee (f n ) = Ceu Muu (f n )(Ceu )1 = Ceu Dn (Ceu )1
97
Ara, podem comprovar fàcilment (i demostrar per induccio) que

n
2n 0 0
2 0 0
0 3 0 = 0 3n 0
0 0 4
0 0 4n
La matriu de canvi de base Ceu ha estat calculada en lexemple 5.29, i tenim

A1000 = Ceu D1000 (Ceu )1
2 1 0
21000
0
0
1 1 1
1000
3
0 1 2 2
= 2 0 1 0
1000
1 1 1
0
0
4
2 3 2
Busquem ara una arrel quadradaper A: una matriu R tal que R2 = A.

Com en el cas anterior de les potències, comencem resolvent el problema
per la forma diagonal D: si busquem matrius diagonals Q tals que Q2 = D
veurem de seguida que les vuit solucions possibles son

2
0
0
Q= 0
3 0
0
0
2
2 0 0
Triem ara una solucio Q =

0
3 0. Lendomorfisme g : R3 R3 que
0
0 2
te matriu Q en la base de vectors propis u1 , u2 , u3 compleix g 2 = f . Per tant
la seva matriu R en base canònica cumplirà
R2 = Mee (g 2 ) = Mee (f ) = A
Una solucio es doncs
R = Ceu Q(Ceu )1
Exemple 5.33. Un projecte de construccio es porta a cap en una zona tropical
molt insalubre. Per a evitar malalties mes greus, als treballadors sels dona la
baixa mèdica tan bon punt mostren smptomes lleus de febres i guarden repos
fins recuperarse per complet. Cada setmana el 30% dels treballadors en
actiu reben la baixa per aquest motiu, i el 60% dels treballadors que estaven
de baixa reben lalta. Siguin x, y les proporcions inicials de treballadors sans
i de baixa respectivament, expressades en tant per 1. Es demana:
(i) Quines seran les proporcions de treballadors en actiu i de baixa al cap
de 13 setmanes? de 26? de 50?

98
(ii) Si a llarg termini volem tenir 3000 treballadors en actiu, quants treballadors hi hem de destinar?
Si x, y son les proporcions inicials daltes i baixes en tant per 1 (x+y = 1),
les proporcions al cap duna setmana seran
Dalta: x1 = 0.7x + 0.6y
De baixa: y1 = 0.3x + 0.4y
En la primera equacio, el terme 0.7x correspon al 70% de treballadors que
estaven dalta i hi continuen. Laltre terme 0.6y correspon al 60% de treballadors que estaven de baixa i shan recuperat. Aquests dos grups formen el
collectiu dels treballadors dalta al cap duna setmana. La segona equacio,
per les baixes, es justifica de la mateixa manera.
Podem expressar la relacio entre les proporcions inicials i al cap duna
setmana de manera matricial
!
x1
0.7 0.6
=
y1
0.3 0.4
x
y
0.7 0.6
Denotem A =
. Aquesta matriu te la propietat de que quan
0.3 0.4
multiplica al vector de proporcions daltes i baixes en un moment donat
ens dona la proporcio daltes i baixes al cap duna setmana. Per tant, si
multipliquem el vector inicial (x, y) per A repetides vegades, anirem obtenint
les proporcions daltes i baixes en la setmana nèssima per tot n:
!
x1
x
=A
y1
y
x2
x
x
= A 1 = A2
y2
y1
y
x3
x
x
= A 2 = A3
y3
y2
y
...
Aix, per calcular aquestes proporcions cal calcular les potències de la matriu
A. Per a fer això la diagonalitzarem:
Polinomi caracterstic:

0.7 t
0.6

= t2 1.1t + 0.1
cA (t) =
0.3
0.4 t
Valors propis: = 1, 0.1 simples.
5.3. CAYLEYHAMILTON I FORMA DE JORDAN
99
!
1 0
Per tant A diagonalitza, i una forma diagonal es D =
.
0 0.1
(
!)
0.3 0.6 0

= [(2, 1)].
Vectors propis: Per = 1 tenim ker(AId) =
0
0.3
0.6
!)
(
0.6 0.6 0
Per = 0.1 tenim ker(A 0.1Id) =

= [(1, 1)].
0.3 0.3 0
Aix laplicacio lineal que te matriu A en base canònica diagonalitza amb
matriu D en base u1 = (2, 1), u2 = (1, 1), i la relacio entre les dues matrius
es
!
!
1
1
2 1
u 1
u
D 3 1 32
A = Ce D(Ce ) =
1 1
3 3
Les proporcions dalta i de baixa en n setmanes son
!
xn
x
2 1
= An
=
yn
y
1 1
1 0
0 0.1n
1
3
1
3
2
3
13
x
y
Prenent n = 13, 26, 50 obtenim la resposta a (i).

Les proporcions de!treballadors dalta
! i de baixa a llarg termini tendiran
xn
x
cap al lmit n
lim
= n
lim An
(aquesta es la definicio de lmit!).
yn
y
Calculemlo:
lim A
x
2 1
= lim
n 1
y
1
!
2 1
=
1 1
1 0
0 0.1n
!
1 0
0 0
1
3
13
!
1
3
2
3
1
3
2
3
1
3
13
!
x
=
y
x
y
2
(x
3
1
(x
3
+ y)
=
+ y)
2
3
1
3
(recordem que x + y = 1).

Aix, siguin quines siguin les proporcions inicials de treballadors sans i
malalts, aquestes proporcions convergiran cap a 32 , 13 respectivament. Es pot
comprovar amb exemples concrets que la convergència es ràpida. Si volem
tenir 3000 treballadors en actiu caldrà destinarne uns 4500 al projecte.
5.3
5.3.1
El teorema de CayleyHamilton i la forma

de Jordan
Polinomis evaluats en matrius
Una diferència notable entre els endomorfismes dun espai vectorial E i les
aplicacions lineals entre espais vectorials es que podem composar els endomorfismes entre ells i continuen sent endomorfismes de E, es a dir, tenim un

100
producte f g definit en lespai vectorial dels endomorfismes de E. Si fixem

una base de E, aquest producte dendomorfismes correspon a la multiplicacio
de matrius. No tractarem les propietats daquest producte en general, però
nhi ha que ens interessen:
Definici
o 5.34. Sigui f : E E un endomorfisme, i p(t) = an tn + +
a1 t + a0 R[t] un polinomi. El polinomi p(t) avaluat en f es lendomorfisme
de E
p(f ) = an f n + + a1 f + a0 Id
on f k (v) = f . k. . f (v).
Lavaluacio de polinomis en endomorfismes te algunes propietats de comprovacio immediata:
Proposici
o 5.35. Sigui f : E E un endomorfisme, i p(t) = am tm + +
a1 t + a0 , q(t) R[t]. Aleshores
(i) (p + q)(f ) = p(f ) + q(f ).
(ii) (p q)(f ) = p(f ) q(f ).
(iii) Si f te matriu A en una base e1 , . . . , en , p(f ) te matriu
p(A) = an An + + a1 A + a0 Id
!
2 1
Exemple 5.36. Si A =
i p(t) = t2 2t + 4,
1 1
!
5 1
2 1
1 0
5 1
p(A) = A 2A + 4Id =
2
+4
=
1 2
1 1
0 1
1 8
2
Per a estudiar els polinomis de R[t] cal mirarlos els zeros, reals o complexes. Ara ens trobem amb una situacio inversa: fixat un endomorfisme f ,
mirar quins polinomis compleixen p(f ) = 0 dona informacio sobre f :
Lema 5.37. Sigui p(t) un polinomi de R[t], i f un endomorfisme. Si p(f ) =
0, tots els valors propis de f han de ser zeros de p(t).
Demostracio. Sigui un valor propi de f , i u E un vector propi no nul de
valor propi . Sabem que p(f ) = 0, per tant
p(f )(u) = an f n (u) + an1 f n1 (u) + + a1 f (u) + a0 u = 0
101
Ara be, com u es un vector propi de f tenim que f (u) = u, f 2 (u) = f (u) =
dir, com
2 u, . . . , f n (u) = f (f n1 (u)) = f (n1 u) = n1 u = n u. Es
aplicar f a u es multiplicarlo per , aplicarli f k vegades es multiplicarlo
k vegades per , i u es vector propi de cada potència f k amb valor propi k .
Per tant la igualtat de p(f )(u) queda
p(f )(u) = an n u + an1 n1 u + + a1 u + a0 u = p()u = 0
Com u 6= 0, cal que p() = 0, es a dir que sigui un zero de p(t).
La q
uestio natural en aquest punt es si donat un endomorfisme f hi ha
algun polinomi tal que p(f ) = 0. Com les matrius n n i els endomorfismes
dun espai de dimensio n formen un espai vectorial de dimensio n2 , els en2
domorfismes Id, f, f 2 , . . . f n han de ser linealment dependents, i una relacio
entre ells donarà un polinomi amb p(f ) = 0 de grau n2 o menys. Ara be, per
la relacio entre valors propis de f i zeros de p resulta que hi ha un polinomi
de grau molt mes petit que tambe annula f :
Teorema 5.38. (Teorema de CayleyHamilton)
cf (f ) = 0
Exemple 5.39. Sigui!f : R2 R2 lendomorfisme que en base canònica te
2 1
matriu A =
. El polinomi caracterstic es
1 1
cf (t) = t2 3t + 3
Comprovem si lenunciat del teorema de CayleyHamilton es cert en aquest
cas:
!
3 3
2 1
3 0
0 0
A 3A + 3Id =
3
+
=
3 0
1 1
0 3
0 0
2
Coneixer un polinomi que sannuli en la matriu permet per exemple calcular

la seva inversa: com A2 3A + 3Id = 0, podem allar Id en un costat i treure
factor com
u A a laltre
1
A(A 3Id) = Id
3
Com la inversa es u
nica, això significa que
A
1
1
= (A 3Id) = 3 1
3
3
1
3
2
3
De totes maneres, aquest mètode per calcular la inversa es molt poc eficient
en general.

102
Per a demostrar el teorema de CayleyHamilton necessitarem la seg

uent
propietat dels subespais invariants:
Lema 5.40. Sigui f : E E un endomorfisme, i F E un subespai
|
invariant per f . Aleshores el polinomi caracterstic de la restricci
o fF divideix
al de f .
Demostracio. Com sha vist al lema 5.10, si prenem una base u1 , . . . , uk de
F i lampliem a una base u1 , . . . , un de E, la matriu de f en aquesta base te
la forma
!
A B
u
Mu (f ) =
0 D
|
on A es la matriu k k de la restriccio fF en base u1 , . . . , uk . Si li restem el

terme tId obtenim
Muu (f )
A tId
B
tId =
0
D tId
Aquesta matriu es triangular per blocs, per tant pel lema 4.15 tenim la
factoritzacio
cf (t) = det(Muu (f ) tId) = det(A tId) det(D tId) = cf | (t)q(t)
F
Aix el polinomi caracterstic de la restriccio es un factor del de f .

Tambe necessitarem el seg
uent càlcul de polinomis caracterstics:
Lema 5.41. Sigui g : F F un endomorfisme que en alguna base u1 , . . . , uk
te matriu
0 . . . . . . 0 a0
..
..
1 . . .
.
.
..
. . . . . . ..
M =
.
.
0
..
. ..
.
.
.
0 ak2
0 ...
1 ak1
El polinomi caracterstic de g es
cg (t) = (1)k (tk + ak1 tk1 + ak2 tk2 + + a1 t + a0 )
un càlcul que hom pot fer per induccio sobre k = dim F .
Demostracio. Es
Per k = 2 tenim

t
a0

cg (t) =
= t2 + a1 t + a0
1 a1 t
103
(Hip`
otesi dinduccio) Suposem ara que el lema es cert per un natural k.
Vegem que aleshores tambe es cert pel seg
uent natural k+1. Si desenvolupem
el determinant per la primera columna tenim

t . . . . . .

..
1
.

.

.. ...
cg (t) = 0
.
... ...
.
.

0 ...
0

t . . .

...
1

= (t) 0 . . .
.
..
.
.
.

0 ...
a0
..
.
..
.

t ak1
1 a t
0
..
.
..
.
...
...
..
0
a1
..
.
..
.

0 . . .

1 t

...

0
.
.

t ak1 .. . .
1 a t 0 . . .
0
..
.
..
.
...
...
..
a0
..
.
..
.

t ak1
1 a t
Ara, per la hipòtesi dinduccio el primer sumand es (t)(1)k (tk + ak tk1 +

ak1 tk2 + + a2 t + a1 ). Si desenvolupem el segon determinant per la
primera fila ens queda un coeficient (1)k+1 (a0 ) multiplicant un determinant triangular amb uns a la diagonal. Per tant
cg (t) = (t)(1)k (tk + ak tk1 + ak1 tk2 + + a2 t + a1 ) (1)k+1 (a0 )
= (1)k+1 (tk+1 + ak tk + + a1 t + a0 )
dir, si el lema es cert per un natural k tambe es cert pel seg
Es
uent, k + 1.
Com es cert per k = 2, aplicant succesivament aquest argument es cert per
tot k.
Demostracio. (del teorema de CayleyHamilton)
Per a provar que cf (f ) = 0 nhi ha prou amb comprovar que lendomorfisme cf (f ) envia tots els vectors de E a 0.
Sigui v E un vector qualsevol. Identificarem un subespai F E
invariant per f que conte a v (de fet es el mes petit, però no necessitem
aquesta propietat): com la dimensio de E es finita, en la successio de vectors
v, f (v), f 2 (v), . . . , f k (v), . . .
tard o dhora algun dels vectors haurà de ser combinacio lineal dels anteriors.
Sigui f k (v) el primer vector on això passa, es a dir tal que existeixen escalars
a0 , . . . , ak1 pels que
f k (v) = ak1 f k1 (v) a1 f (v) a0 v
(5.1)

104
Això ens diu que al avaluar el polinomi pv (t) = tk + ak1 tk1 + + a1 t + a0

en f obtenim pv (f )(v) = 0.
Sigui ara el subespai F = [v, f (v), . . . , f k1 (v)]. Aquest subespai es invariant per f , ja que les imatges de tots els seus generadors tornen a pertanyer
a F (això es trivial per v, . . . , f k2 (v), i per f k1 (v) es conseqència de (5.1)).
A mes, com f k (v) era la primera potència combinacio lineal de les anteriors,
els vectors u1 = v, u2 = f (v), . . . , uk = f k1 (v) son l.i. i formen una base de
F.
|
Busquem la matriu de la restriccio fF en la base u1 , . . . , uk : pels primers
vectors tenim
f (u1 ) = f (v)
f (u2 ) = f (f (v)) = f 2 (v)
...
= u2
= u3
f (uk1 ) = f (f k2 (v)) = f k1 (v)= uk

i per uk tenim per (5.1)
f (uk ) = f k (v) = a0 u1 a1 u2 ak1 uk
|
Aix la matriu de fF en aquesta base serà
..
.
...
a0
..
.
0 ak2
1 ak1
|
Pel lema 5.41 el polinomi caracterstic de fF es doncs cf | (t) = (1)k (tk +

F
ak1 tk1 + + a1 t + a0 ) = (1)k pv (t). Hem vist abans que aquest polinomi
avaluat en f dona un endomorfisme que envia el vector v a zero. Pel lema
5.40 es a mes un divisor del polinomi caracterstic cf (t). Ajuntantho tot
tenim
cf (f )(v) = q(f )((1)k pv (f )(v)) = q(f )(0) = 0
El polinomi pv (t) pot variar amb el vector v E, però la conclusio es que el
polinom caracterstic cf (t) avaluat en f annula a tots els vectors v. Per tant
cf (f ) = 0.
El polinomi caracterstic no te perquè ser el mes senzill que sannula en
un endomorfisme f .
105
Definici
o 5.42. El polinomi mnim dun endomorfisme f : E E es el
polinomi mf (t) de grau mes petit tal que mf (f ) = 0.
Justifiquem haver dit el i no un polinomi mnim:
Lema 5.43. El polinomi mnim existeix i es u
nic llevat de producte per escalar.
Demostracio. Ja hem vist que hi han polinomis que sannulen en f . Com els
graus son nombres naturals, algun ha de ser el mes petit.
Siguin p(t), d(t) dos polinomis que sannulen en f , amb grau p = grau d.
Si fem la divisio de p(t) per d(t), p(t) = q d(t) + r(t), el reste r(t) tambe
sannula en f ja que
r(f ) = p(f ) q d(f ) = 0 q 0 = 0
Aix, si p(t), d(t) tenen grau mnim entre els polinomis que sannulen en f
l
unic reste possible per la divisio es r(t) = 0, i p(t) = qd(t), on el quocient q
es una constant per q
uestio de grau.
Exemple 5.44. Lendomorfisme f : R3 R3 que en base canònica te matriu
2 0 0
D = 0 2 0
0 0 1
te polinomi caracterstic cf (t) = (2 t)2 (1 t), però podem comprovar
fàcilment que p(t) = (2 t)(1 t) verifica p(f ) = 0. Pel lema 5.37 tot p(t)
tal que p(f ) = 0 ha de tenir com a zeros els valors propis 1, 2, per tant
(2 t)(1 t) es el polimomi mnim de f .
De la mateixa manera que en lexemple anterior podem resoldre:
Exercici 11. Si un endomorfisme f : E E diagonalitza i te valors propis
1 , . . . , k , el seu polinomi mnim es mf (t) = (1 t) . . . (k t).
Una altra propietat dels polinomis que annulen a endomorfismes que ens
serà u
til es la seg
uent:
Teorema 5.45. Sigui f : E E un endomorfisme. Si existeix un polinomi
p(t) tal que annula a f i te tots els seus zeros (reals i complexes) simples,
aleshores f diagonalitza (si alguns dels zeros de p(t) s
on complexes potser
diagonalitza en C).
106
Demostracio. Sigui p(t) = (t 1 ) . . . (t m ) la factoritzacio del polinomi,

amb els zeros 1 , . . . , m diferents dos a dos. Demostrarem el teorema per
induccio sobre el grau m del polinomi.
Si m = 1 tenim f 1 Id = 0, i f = 1 Id diagonalitza.
Hipòtesi dinduccio: Suposem que lenunciat del teorema es cert per polinomis fins grau m 1. Vegem que aleshores tambe es cert per grau m. Ho
farem en quatre pasos:
1) Els subespais Im (f i Id) s
on invariants per f . En efecte, si v Im (f
i Id) per definicio v = f (u) i u per algun u E. Aleshores f (v) =
(f i Id)(f (u)), pel que tambe f (u) Im (f i Id).
2) Im (f m Id) ker(f m Id) = 0 per tots els zeros 1 , . . . , m . Per a que
això sigui cert es essencial que els zeros de p(t) siguin tots diferents: sigui
v Im (f m Id) ker(f m Id). Per ser de la imatge, v = f (u) m u
per algun u E. Per ser del nucli, f (v) = m v i (f i Id)(v) = (m i )v
pels demes zeros i . Ara apliquem el polinomi p(f ) a aquest vector u:
p(f )(u) = (f 1 Id) . . . (f m Id)(u) = (f 1 Id) . . . (f m1 Id)(v)
= (m 1 ) . . . (m m1 )v
Ara be, p(f )(u) = 0 perque el polinomi p(t) sannula en f . Per tant (m
1 ) . . . (m m1 )v = 0, i com els escalars (m i ) no son zero cal que
v = 0.
3) ker(f m Id) Im (f m Id) = E. La propietat 2) diu que la suma es
directa. La dimensio de la suma directa es dim E dim rang (f m Id) +
rang (f m Id) = dim E (cor. 3.22). Per tant la suma es lespai total. Notem
que els dos subespais de la descomposicio son invariants per f , el primer per
estar format per vectors propis i el segon per la propietat 1).
Observem que com es poden reordenar els factors del polinomi les propietats 2) i 3) valen per tots els zeros 1 , . . . , m .
4) Les restriccions de f als subespais invariants ker(f m Id), Im (f m Id)
diagonalitzen. El primer subespai es per definicio el dels vectors propis de
valor propi m . Pel segon subespai es menys evident: notem que el polinomi
q(t) = (t 1 ) . . . (t m1 ) sannula en f sobre el subespai Im (f m Id),
ja que en els seus vectors v son de la forma v = f (u) m u i tenim
(f 1 Id) . . . (f m1 Id)(v) = p(f )(u) = 0
Per tant, com q(t) te grau m 1 per hipòtesi dinduccio f diagonalitza en el
subespai Im (f m Id).
Ara, que f diagonalitzi en els dos subespais de la descomposicio 3) vol
dir que cadascun dells te una base formada per vectors propis de f . Reunint
aquestes dues bases tenim una base de E formada per vectors propis de f ,
pel que laplicacio diagonalitza.
107
Exemple 5.46. Sigui p : E E un endomorfisme tal que p2 = p. Podem

interpretar aquesta propietat com que el polinomi q(t) = t2 t sannula en
p. Això ens proporciona molta informacio sobre p:
(i) Pel lema 5.37 els valors propis de p han destar entre els zeros de f :
nomes poden ser 0 o 1.
(ii) Com q(t) te els zeros simples, per la proposicio 5.45 p diagonalitza.
Aix, si fem F = ker(pId), G = ker p, com son els u
nics subespais de vectors
propis i p diagonalitza tenim
E = ker(p Id) ker p = F G
es a dir, F i G son subespais complementaris.
El subespai F es propi de valor propi 1, això vol dir que per u F es te
p(u) = u. El subespai G es el nucli de p. Com E = F G, podem escriure
qualsevol vector v E de manera u
nica com v = u + w, amb u F, w G.
Al aplicarli p tenim
p(v) = p(u + w) = p(u) + p(w) = u
Per tant, laplicacio p envia cada vector a la seva component en F per la
descomposicio en suma directa E = F G. Aquest endomorfisme es la
projecci
o sobre F en la direccio de G, que ja havem vist en lexemple 2.57.
Totes les aplicacions tals que p2 = p son daquest tipus.
5.3.2
Forma de Jordan dendomorfismes del pla
En la seccio anterior hem caracteritzat quan un endomorfisme diagonalitza,

i hem vist que si no ho fa per tenir insuficients valors propis podem resoldre
aquest problema treballant a coeficients complexes, ja que pel teorema fona`
mental de lAlgebra
tots els polinomis descomposen en factors de grau u en
C.
Laltra causa possible de no diagonalitzacio, que algun valor propi tingui
insuficients vectors propis, no te una solucio tan senzilla. En aquest cas
lendomorfisme no diagonalitza ni en R ni en C, i la matriu mes senzilla
possible per f es la forma de Jordan.
No discutirem formes de Jordan en qualsevol dimensio (estudiades en els
llibres de la bibliografia), sinò que ens limitarem als endomorfismes de espais
de dimensio dos, per ser aquest un cas molt senzill però en el que ja es veu
el mecanisme de la reduccio de Jordan. Per a recalcar aquesta restriccio
prendrem E = R2 .
108
En primer lloc discutirem quan sha de calcular la forma de Jordan dun

endomorfisme f : R2 R2 . Buscant primer els valors propis i despres els
vectors propis, els possibles casos son:
(i) El polinomi caracterstic cf (t) no te zeros reals. En aquest cas te dos
zeros complexes, conjugats i per tant simples. Pel corollari 5.28 f
diagonalitza en C.
(ii) El polinomi caracterstic te els zeros reals. En aquest cas hi han vàries
possibilitats:
(a) Els dos zeros s
on diferents. De nou pel corollari 5.28 f diagonalitza, aquest cop ja sobre R.
(b) El polinomi caracterstic te un zero doble. Hi ha un u
nic valor
propi amb ma () = 2. Com la multiplicitat geomètrica ha de
complir 1 mg () ma () = 2, en aquest cas encara hi han dues
opcions:
i. Hi ha suficients vectors propis (mg () = 2). ker(f Id) =
R2 , per tant f = Id (es un m
ultiple de la identitat, hom els
diu homotècies).
ii. No hi ha suficients vectors propis (mg () = 1). f no diagonalitza, es en aquest cas que cal calcular la forma de Jordan.
Ara vegem que es pot fer en el darrer cas:
Proposici
o 5.47. Sigui f : R2 R2 un endomorfisme tal que te un u
nic
valor propi amb ma () = 2 i dim ker(f Id) = 1. Existeix una base u1 , u2
de R2 tal que en ella f te matriu
0
J=
1
Anomenem a J la forma de Jordan de f , i diem que u1 , u2 es una base de

Jordan per f .
Demostracio. Com el subespai de vectors propis no es tot R2 , podem triar
un primer vector u1 6 ker(f Id). Un cop hem triat aquest u1 , definim u2
com
u2 = f (u1 ) u1
Tal com hem triat u1 ja sabem que u2 6= 0. Podem dir mes: u2 no es un
m
ultiple de u1 , ja que u2 = f (u1 ) u1 = u1 implicaria que f (u1 ) =
( + )u1 , però es l
unic valor propi de f i hem triat u1 que no sigui vector
propi. Per tant u1 , u2 son base de R2 .
109
Comprovem ara que u2 ha de ser vector propi de valor propi . Pel

teorema de CayleyHamilton (5.38) cf (f ) = (f Id)2 = 0. En particular
(f Id)2 (u1 ) = (f Id) (f Id)(u1 ) = (f Id)(u2 ) = 0
Aix les imatges de la base escollida son f (u1 ) = u1 + u2 , f (u2 ) = u2 .
Per tant la matriu de f en aquesta base es
Muu (f )
0
=J =
1
Exemple 5.48. Tornem a lendomorfisme de lexemple 5.20, laplicacio g :

R2 R2 que en base canònica te matriu
!
3 4
B=
9 9
Com ja hem vist aleshores, el polinomi caracterstic de g es

cg (t) = (3 t)2
però mg (3) = dim ker(g 3Id) = 1. Aquesta aplicacio te suficents valors
propis però no te suficients vectors propis per diagonalitzar. La seva forma
de Jordan serà
!
3 0
J=
1 3
Procedim a calcularli una base de Jordan: com a primer vector cal triar un
u1 que no sigui vector propi. Algun dels vectors de la base canònica ha de
servir, en cas contrari g diagonalitzaria. Triem u1 = e1 ja que
g(e1 ) 3e1 = (6, 9) 6= (0, 0)
Ara hem de prendre u2 = g(u1 ) 3u1 = (6, 9), i ja tenim la base en la
que la matriu de g es J. La relacio entre les dues matrius de g es
A = Ceu J(Ceu )1
on
Ceu
1 6
=
es la matriu de canvi de base de Jordan a canònica.
0 9
La forma de Jordan dun endomorfisme no es tan senzilla com la forma

diagonal, però es la mes simple de la que hom disposa en cas de no diagonalitzacio. Continua sent prou senzilla per a tenir moltes de les aplicacions de
la forma diagonal, com ilustra el seg
uent

110
0
Lema 5.49. Sigui J =
1
una matriu de Jordan. Aleshores:
n
0
(i) J n =
.
n1
n
n
1
(ii) Dues solucions J 2 per lequaci

o (J 2 )2 = J s
on
!
!

0
0
,
1
21
2
Indicacio de la prova: Les potències de J es poden calcular per induccio sobre
n. Les arrels quadradespoden ser comprovades aixecantles al quadrat.
Exercici 12. Comproveu que les u
niques matrius 2 2 X tals que son
2
triangulars inferiors i X = J son les dues de lenunciat del lema 5.49.
Exemple 5.50. Per lendomorfisme g dels exemples 5.20, 5.48 calcularem la
potència g 12 i buscarem h : R2 R2 tal que h2 = g.
Imitarem el que hem fet en el cas duna aplicacio diagonalizable (exemple
5.32). Comencem per la potència g 12 : en la base de Jordan u1 , u2 g te matriu
J i g 12 te matriu J 12 . Si apliquem la fòrmula de canvi de base (Prop. 5.3)
resulta que la matriu de g 12 en base canònica es
B
12
Ceu J 12 (Ceu )1
1 6
=
0 9
312
0
11
12 3
312
1 23
0 19
12
=3
23 16
36 25
Ara buscarem larrel quadrada h. Pel lema 5.49 una solucio es laplicacio
que en la base de Jordan u1 , u2 te matriu
!
1
3 0
J 2 = 1
3
2 3
En base canònica aquesta aplicacio tindrà matriu
!
!
!
!
3 0
1 6
1 23
0 23
u 12
u 1
R = Ce J (Ce ) =
= 3
1
3 0 19
0 9
32 2
2 3
Es pot comprovar
en un moment que la matriu R efectivament compleix
!
3 4
.
R2 =
9 9
Captol 6
Geometria del pla i de lespai
6.1
Varietats lineals
Definici
o 6.1. Una varietat lineal de Rn es el conjunt V de solucions dun
sistema dequacions lineals m n Ax = b.
El sistema Ax = b es el sistema dequacions implcites de la varietat V .
El subespai vectorial F amb equacions Ax = 0 es el subespai director de
la varietat.
La dimensio de la varietat es la del seu subespai director.
Les varietats lineals son una generalitzacio a qualsevol dimensio de les
rectes (varietats de dimensio 1) i plans (varietats de dimensio 2).
Bàsicament hi han dues maneres de presentar una varietat lineal V :
(i) Per les seves equacions implcites: donant el sistema Ax = 0 que te V
per solucio.
(ii) Per les seves equacions paramètriques: donant un punt P V i una
base del subespai director F .
Passar de lequacio implcita a la paramètrica es resoldre el sistema dequacions. El pas contrari es pot fer per exemple trobant les equacions del
subespai F (per exemple amb el lema 2.65) i ajustant el terme independent
per a que el punt P sigui solucio.
Estudiar la posicio relativa de dues varietats vol dir calcular la seva interseccio i comparar els seus subespais directors. Un cas particular es:
Definici
o 6.2. Dues varietats V1 , V2 son paralleles quan el subespai director
duna està contingut en el de laltra.
La resta de la seccio son casos particulars daquestes idees.
111
CAPITOL 6. GEOMETRIA DEL PLA I DE LESPAI
112
6.1.1
El pla
Definici
o 6.3. Lequacio implcita duna recta en el pla es de la forma
ax + by = c
i lequacio paramètrica es de la forma
(x, y) = (x0 , y0 ) + (, )
amb (x0 , y0 ) R2 un punt de la recta i ~v = (, ) el seu vector director.

Tambe escriurem lequacio paramètrica aix
(x0 , y0 ) + [(, )]
El pendent duna recta (x0 , y0 ) + [(, )] es m = .
Exemple 6.4. Trobem lequacio paramètrica de la recta 5x + 3y = 8:
El sistema te solucions x = 83y
, y R paràmetre. Per tant una equacio
5
paramètrica es
8
3
(x, y) = ( , 0) + y( , 1)
yR
5
5
o be ( 85 , 0) + [(3, 5)].
Equacio implcita de {(2, 1) + [(3, 7)]}:
Com els punts de la recta son de la forma (x, y) = (2, 1) + (3, 7) per
R qualsevol, despejant en totes dues components tenim lequacio
x2
y1
=
3
7
Exercici 13. Trobar fòrmules tancades per lequacio de la recta (x0 , y0 ) +
[(, )], i per la recta pels punts (x0 , y0 ), (x1 , y1 ).
6.1.2
Lespai
Definici
o 6.5. Lequacio implcita dun pla a lespai es de la forma
x + by + cz = d
(x, y, z) = (x0 , y0 , z0 ) + ~u + ~v
, R
on (x0 , y0 , z0 ) es un punt del pla, i ~u, ~v una base del subespai director. Tambe
denotarem lequacio paramètrica de la forma (x0 , y0 , z0 ) + [~u, ~v ].
6.1. VARIETATS LINEALS
113
Exemple 6.6. Calculem lequacio paramètrica del pla x 2y z = 3:

El sistema te solucions x = 2y + z + 3, y, z R paràmetres. Per tant
lequacio paramètrica es
(x, y, z) = (3, 0, 0) + y(2, 1, 0) + z(1, 0, 1) = (3, 0, 0) + [(2, 1, 0), (1, 0, 1)]
Calculem lequacio implcita del pla = {(1, 1, 1) + [(2, 3, 1), (1, 0, 7)]}:
El vector normal (6.2) al pla es el producte vectorial (6.3.2)

i
j k

(2, 3, 1) (1, 0, 7) = 2 3 1 = (21, 15, 3)

1 0 7
Per tant el subespai director F = [(2, 3, 1), (1, 0, 7)] te equacio 21x 15y +
3z = 0, i el pla te equacio 21x 15y + 3z = d per algun d. Com (x, y, z) =
(1, 1, 1) ha de ser solucio de lequacio tenim 21 15 + 3 = d, i aix lequacio
es
21x 15y + 3z = 9
Exercici 14. Proveu que per tres punts no alineats passa un u
nic pla, i
trobeu una fòrmula tancada per lequacio implcita del pla a partir de les
coordenades dels tres punts (x1 , y1 , z1 ), (x2 , y2 , z2 ), (x3 , y3 , z3 ).
Definici
o 6.7. Lequacio implcita duna recta en lespai es un sistema de
rang 2
(
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
R
(x0 , y0 , z0 ) + (, , )
amb (x0 , y0 , z0 ) R3 un punt de la recta i ~v = (, , ) el seu vector director.

Tambe escriurem lequacio paramètrica aix
(x0 , y0 , z0 ) + [(, , )]
Exemple 6.8. Calculem lequacio paramètrica de la recta
(
x 3y z = 2
2x + 4y + 6z = 5
Aquest sistema te solucio x =

tant lequacio paramètrica es
(x, y, z) = (
23
10
75 z, y =
1
10
45 z, z R paràmetre. Per
23 1
7 4
, , 0) + z( , , 1)
10 10
5 5
zR
114
Busquem ara lequacio implcita de la recta (2, 1, 1)+[(3, 1, 1)]. Com un

punt de la recta si i nomes si es de la forma (x, y, z) = (2, 1, 1) + (3, 1, 1)
per algun R, despejant de les tres components del vector i igualant les
tres expressions obtingudes arribem a lanomenada equaci
o contnua
x2
y1
z1
=
=
3
1
1
Un parell qualsevol daquestes igualtats son un sistema dequacions implcites
per la recta.
El càlcul que acabem de fer de lequacio implcita funciona clarament per
qualsevol recta tal que les components del vector director son diferents de
zero. Si alguna es zero el procediment es simplifica:
Exemple 6.9. Trobem lequacio implcita de la recta (3, 1, 1) + [(4, 0, 6)]:
El vector director te segona component zero, pel que tots els punts de la
recta tenen y = 1. Si a mes repetim la deduccio de i igualacio com a
lexemple anterior arribem al sistema
(
y = 1
= z1
6
x3
4
Exercici 15. Poseuvos un exemple de recta en forma paramètrica amb

dues components del vector director zero i calculeu la seva equacio implcita.
Pot tenir el vector director les tres components nulles?
Exercici 16. Doneu una fòrmula tancada per lequacio implcita duna recta
a lespai que passa pels punts (x0 , y0 , z0 ), (x1 , y1 , z1 ). Si conve tracteu apart
els casos en que una o dues components dels punts coincideixen.
6.1.3
Canvis de refer`
encia
En un espai vectorial E el vector zero es un vector especial, amb moltes

propietats com ara pertanyer a tots els subespais o mantenirse fix per endomorfismes. Per això es lorigen canònic de lespai i tots els seus subespais, i
un sistema de referència per posar coordenades als vectors consisteix en triar
una base e1 , . . . , en de E.
Quan fem geometria en el mon real no hi ha cap origen privilegiat (ni
tan sols lobservatori de Greenwich!), i es mes convenient poder triar el punt
origen a partir del qual posem les nostres coordenades.
Definici
o 6.10. Un sistema de referència af de Rn es el conjunt format per
un punt P Rn (lorigen) i una base u1 , . . . , un de Rn (els eixos).
115
Exemple 6.11. El sistema de referència can`

onic de Rn te origen en el (0, . . . , 0)
i eixos la base canònica e1 , . . . , en .
Definici
o 6.12. Les coordenades dun punt Q Rn en un sistema de re
ferència {O, e1 , . . . , en } son les components del vector OQ en la base e1 , . . . , en .
La Geometria Af estudia la transformacio de les propietats de lespai
sota aquests canvis de referència. Aquests canvis son u
tils en la pràctica:
sovint en un problema fsic els càlculs es simplifiquen prenent una referència
adaptada al problema (que el centre de masses sigui lorigen i leix de rotacio
un dels eixos, . . . ). Un cop calculades posicions de punts o equacions de
varietats en la referència adaptada cal pasarles a la original. Aquest canvi
consisteix en un canvi de base seguit duna translacio:
Lema 6.13. Siguin e = {O, e1 , . . . , en }, u = {P, u1 , . . . , un } dues referències
afins de Rn . Aleshores, si Q Rn te coordenades (1 , . . . , n ) en la referència
e, les seves coordenades en la referència u s
on
1
1
b1
.

. = C e .. + ..
u .
.
.
n
bn
on
on Cue es la matriu de canvi de base e1 , . . . , en a u1 , . . . , un i (b1 , . . . , bn ) s
les components del vector P O en la nova base u1 , . . . , un .

Demostracio. Que Q tingui coordenades (1 , . . . , n ) en referència e vol dir
que
OQ = 1 e1 + + n en
i que tingui coordenades (1 , . . . , n ) en referència u significa que
P Q = 1 u1 + + n un
Per a calcular les i partim de la suma de vectors

P Q = P O + OQ
Les components del vector P O en base u1 , . . . , un son per definicio (b1 , . . . , bn ).
Les components de OQ en base u1 , . . . , un les podem calcular a partir de les

components (1 , . . . , n ) aplicant la matriu de canvi de base Cue (Prop. 2.32),

aix la suma P Q = P O + OQ en base u1 , . . . , un sescriu
1
b1
1

.
. = .. + C e ..
u .
.
.
n
bn
116
Hi ha una manera encara mes compacta de presentar aquesta fòrmula de

canvi de referència:

1
! .1
.
e
..
Cu b ..
=

0... 1
n
n
1
1
Aqu (1 , . . . , n ), (1 , . . . , n ), Cue son com abans, b es el vector columna
(b1 , . . . , bn ) i hem afegit un 1 a cada vector columna i una fila de zeros sota la
matriu Ceu per a que el canvi funcioni (la rao de que funcioni es mes profunda,
però).
!
Ceu b
Definici
o 6.14. La matriu
=
es la matriu ampliada de canvi
0... 1
de referència {O, e1 , . . . , en } a {P, u1 , . . . , un }.
Aue
Aquesta presentacio matricial te altres similituds amb el canvi de base

que son molt convenients. Ens limitem a enunciarles i deixem el càlcul de
la seva demostracio pel lector.
Proposici
o 6.15. Siguin {P, u1 , . . . , un }, {Q, w1 , . . . , wn }, {O, e1 , . . . , en } tres
sistemes de referència af de Rn . Aleshores les matrius ampliades de canvi
de referència compleixen les seg
uents relacions entre elles:
u 1
(i) Aw
u = (Aw ) .
(ii) Auw = Aew Aue .

Exemple 6.16. Considerem a R2 els sistemes de referència canònic {O, e1 , e2 } =
{(0, 0), (1, 0), (0, 1)} i {P, u1 , u2 } = {(2, 3), (1, 2), (2, 5)}.
La matriu de canvi de referència {P, u1 , u2 } a la canònica es
1 2 2
u
Ae = 2 5 3
0 0 1
on la caixa 2 2 de dalt a lesquerra es la matriu de canvi de base Ceu i la
darrera columna son les coordenades de lorigen P en la nova referència, mes
l1 final.
La matriu de canvi de referència canònica a {P, u1 , u2 } es
Aeu = (Aue )1
5 2 4
1
= 2 1
,
0
0
1
117
veiem que en efecte la caixa 2 2 de dalt a lesquerra es la matriu de canvi

de base Cue = (Ceu )1 i el vector columna format pels termes (1, 3), (2, 3) de
la matriu es el (4, 1), que son les components del vector de canvi dorigen
P O en base u1 , u2 .
Per exemple, el punt Q = P + 6u1 4u2 te coordenades (6, 4) en referència {P, u1 , u2 } (per definicio) i (2, 3) + 6(1, 2) 4(2, 5) = (0, 5) en
referència canònica. Podem comprovar que efectivament
6
0
u
5 = Ae 4 ,
1
1
6
0
e
4 = Au 5
1
1
Mirem ara com es transformen les equacions implcites duna recta amb
un canvi de referència: Sigui l la recta que en referència canònica te equacio
x 3y 4 = 0. Això vol dir que

2
l = (x, y) R | 1 3 4 y = 0
1

Per distingirles de les canòniques, denotem ara (u, v) les coordenades dun
punt del pla en la referència {P, u1 , u2 }. Volem saber ara quins son els punts
(u, v) tals que al posarlos en referència canònica son de l. Això vol dir que
les coordenades (x, y) resultants del canvi de referència han de ser solucio de
x 3y 4 = 0. Podem reescriure aquesta condicio com

u
x

1 2 2

1 3 4 y = 1 3 4 2 5 3 v = 0
1
0 0 1
1

es a dir, que

5 13 11
v = 0
Lequacio de la recta l en la referència {P, u1 , u2 } es

5u 13v 11 = 0
El lector pot verificar si aquest càlcul es correcte prenent un parell de punts
de l en referència canònica i comprovant que al aplicarlos el canvi de coordenades Aeu els dos vectors (u, v) resultants son solucio daquesta equacio.
Tal com hem fet en lexemple 6.16 per la recta l, podem fer per qualsevol
varietat lineal V . Posem un altre exemple amb una recta de R3 .
118
Exemple 6.17. Busquem les equacions implcites en referència {P = (2, 8, 5), u1 =

(1, 2, 0), u2 = (1, 1, 1), u3 = (2, 0, 1)} de la recta l que en referència canònica
te equacions l = {2x y + 3z = 1, x + 4y + 2z = 6}.
Si denotem (u, v, w) les coordenades dels punts de R3 en la referència
{P, u1 , u2 , u3 } tenim que la seva relacio amb les coordenades (x, y, z) en referència canònica es
x
1 1 2 2
u
y
2 1 0 8 v

=

z
0 1 1 5 w
1
0 0 0 1
1

Per tant les equacions de la recta en la nova referència son

1 1 2 2
u
!
v
2 1 3 1
2
1
0
8
0
=
1 4 2 6 0 1 1 5 w
0
0 0 0 1
1
!
multiplicant tenim
(
7w + 10 = 0
9u + 5v + 4w + 38 = 0
6.2
El producte escalar euclidi`

a
6.2.1
Producte escalar, dist`

ancia i angle
Definici
o 6.18. El producte escalar euclidi`
a de dos vectors x = (x1 , . . . , xn ), y =
n
(y1 , . . . , yn ) R es el nombre real
hx, yi = x1 y1 + + xn yn
Proposici
o 6.19. (Propietats del producte escalar euclidià) Siguin x, y, z
n
R , , R qualsevols. El producte escalar euclidi`
a es:
(i) Bilineal:
hx + y, zi = hx, zi + hy, zi,
(ii) Simètric: hx, yi = hy, xi.
(iii) Definit positiu: Si x 6= 0, hx, xi > 0.
hx, y + zi = hx, zi + hy, zi
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
119
La demostracio daquestes propietats es un càlcul senzill i es deixa pel

lector.
Definici
o 6.20. La norma (o longitud) dun vector x = (x1 , . . . , xn ) Rn
es
q
q
kxk = hx, xi = x21 + + x2n
`
La norma es la versio en Algebra
lineal de la distància:
Definici
o 6.21. La distància entre dos punts P, Q Rn es la norma del
vector que els uneix.
d (P, Q) = kP Qk
Una propietat molt u
til de la norma es:
Proposici
o 6.22. (desigualtat de Schwartz) Per x, y Rn qualsevols,
|hx, yi| kxkkyk
A mes, hi ha igualtat si i nomes si y, x s
on linealment dependents.
Demostracio. Com el producte escalar es definit positiu per tot R tenim
0 hx y, x yi = 2 kxk2 2hx, yi + kyk2 ,
amb igualtat si i nomes si x y = 0. El terme de la dreta es un polinomi
de grau 2 en que no pot tenir valors negatius. Per tant aquest polinomi no
te dos zeros reals (no pot canviar de signe), i el seu discriminant ha de ser
negatiu, aix
4 (hx, yi)2 4kxk2 kyk2 0
Prenent arrels quadrades tenim la desigualtat buscada. A mes, observem
que |hx, yi| = kxkkyk si i nomes si el polinomi te algun zero real . Com el
producte escalar es definit positiu, això equival a que x y = 0.
La desigualtat de Schwarz permet demostrarne una altra mes familiar:
Proposici
o 6.23. (desigualtat triangular) La longitud dun costat dun triangle es mes petita que la suma de longituds dels altres dos costats.
4
Tal com veiem a la figura, els tres costats del triangle P QR son els vectors
x = P Q, y = QR, x + y = P R. El costat P R te doncs longitud

q
q
kP Rk = hx + y, x + yi = kxk2 + 2hx, yi + kyk2
120
Demostracio.
x+y
Apliquem ara la desigualtat de Schwarz als vectors x, y. Per ser dos costats
4
dun triangle son l.i. (del contrari el triangle P QR seria un segment), i tenim
la desigualtat estricta |hx, yi| < kxkkyk. Ajuntem que per tot nombre real
es te t |t|, i tenim la desigualtat triangular
q
kP Rk = kxk2 + 2hx, yi + kyk2
<
kxk2 + 2kxkkyk + kyk2 = kxk + kyk = kP Qk + kQRk
Tambe a partir de la desigualtat de Schwarz podem definir angle en general:

Definici
o 6.24. Dos vectors no nuls x, y Rn formen un angle quan
cos =
hx, yi
kxkkyk
Aquesta definicio coincideix amb la clàssica dangle entre dos vectors. Per
comprovarho recordem breument aquesta: donats un parell de vectors x, y,
que podem suposar unitaris perque nomes volem langle, podem posar un
sistema de referència ortonormal en el que els dos vectors estan en el pla XY
i a mes en aquest pla x te components (1, 0). Aleshores com el vector y es
c
unitari te components (cos(), sin()), i aquest es langle xy.
c el cosinus de langle cl`
Tenim aix hx, yi = cos(xy),
assic. Si els vectors
x, y son qualsevols, podem posarlos com kxk
x, kyk
y i aplicant el raonament
c
, y
obtenim hx, yi = kxkkyk cos(xy).
anterior als vectors unitaris x
Notem que la definicio que hem donat no determina el signe de langle ,
ja que cos() = cos(). Aquesta ambig
uetat es una q
uestio dorientacio:
podem mesurar langle dun vector cap a laltre o viceversa. Com el producte
escalar es simètric no detecta aquests detalls.
`
121
y = (cos , sin )
x =(1,0)
Definici
o 6.25. (i) Langle entre dues rectes es langle entre els seus respectius vectors directors.
(ii) Langle entre dos plans es langle entre els seus respectius vectors normals.
Definici
o 6.26. Dos vectors x, y Rn son ortogonals (o perpendiculars)
quan
hx, yi = 0
Teorema 6.27. (Teorema de Pitàgores) En un triangle rectangle el quadrat
de la longitud de la hipotenusa es igual a la suma dels quadrats de les longituds
dels catets.
R
yx
y
Demostracio. Q
Si P[
QR es langle recte del triangle, això vol dir que els vectors x =
QP , y = QR son ortogonals. La hipotenusa es aleshores el vector P R = yx,

i el quadrat de la seva longitud es
ky xk2 = kyk2 2hx, yi + kxk2
Al ser x, y ortogonals el terme central sannula i ens queda el teorema de
Pitàgores.
122
C
a
Exercici 17. Apliqueu lanterior prova del teorema de Pitàgores a un triangle qualsevol
i deduu el teorema del cosinus
[
c2 = a2 + b2 2 cos(CAB)
6.2.2
Subespais ortogonals, projeccions
Definici
o 6.28. Sigui S Rn un subconjunt de vectors. El subespai ortogonal (o anulador) de S es el conjunt de vectors x Rn que son ortogonals a
tots els de S. Ho denotem
S = {x Rn | hx, vi = 0v S}
Justifiquem el nom que li hem donat:
Lema 6.29. El subespai ortogonal S es un subespai vectorial de Rn .
Demostracio. Si x, y S i , R, per tot v S tenim hx, vi =
0, hy, vi = 0 i per tant
hx + y, vi = hx, vi + hy, vi = 0 = x + y S
La seg
uent proposicio explica com calcular el subespai ortogonal a partir
dun sistema de generadors o dequacions del subespai, i es la base de moltes
de les seves propietats:
Proposici
o 6.30. (i) Sigui F = [v1 , . . . , vm ] Rn . El seu subespai ortogonal te equacions
F =
x = (x1 , . . . , xn ) Rn |
hv1 , xi = 0
..
hv , xi = 0
`
123
(ii) Sigui G el subespai de Rn de les solucions del sistema lineal homogeni

Ax = 0. Aleshores el subespai ortogonal G est`
a generat per les files
de la matriu A.
En particular, per tot subespai F Rn es te
dim F = n dim F
Demostracio. Com F = [v1 , . . . , vm ], tenim que v F si i nomes si v = 1 v1 +
+ m vm . Aix, si un vector x compleix que hv1 , xi = 0, . . . , hvm , xi = 0
per qualsevol v F es te
hv, xi = 1 hv1 , xi + + m hvm , xi = 0
Recprocament, si x F es compleix que hv1 , xi = 0, . . . hvm , xi = 0 ja que
v1 , . . . , vm F . Per tant tenim una igualtat de subespais
F = {x = (x1 , . . . , xn ) |
hv1 , xi = 0
..
hv , xi = 0
m
Denotem per Ax = 0 aquest sistema, i observem que les files de la matriu de

coeficients A son els vectors v1 , . . . , vm .
Sabem pel teorema de RoucheFrobenius que la dimensio de F es n
rang A, i tambe que el rang duna matriu es la dimensio del subespai generat
per les seves files (Prop. 2.61). Aix
dim F = n rang A = n dim[v1 , . . . , vm ] = n dim F
Finalment, si el subespai G ve donat per un sistema dequacions
a11
am
1
...
...
...
a1n
am
n

x1
.. =
xn
.
.
.
això vol dir tambe que els vectors fila de la matriu de coeficients v1 =
m
(a11 , . . . , a1n ), . . . , vm = (am
on ortogonals a tot G. Per tant tenim
1 , . . . , an ) s
una inclusio [v1 , . . . , vm ] G . Ara be, si contem dimensions tenim

dim G = n dim G = rang A = dim[v1 , . . . , vm ]
Per tant G = [v1 , . . . , vm ].
124
Exemple 6.31. El subespai F = [(3, 1, 4), (2, 1, 1)] R3 te ortogonal

F = {(x, y, z) R3 | 3x y + 4z = 0, 2x + y + z = 0}
El subespai G = {x 3y + 2z + 8t = 0, 2x + 3z + 5t = 0} R4 te ortogonal
G = [(1, 3, 2, 8), (2, 0, 3, 5)]
Notem que F , G son complementaris de F, G respectivament, i que aquesta
es una manera molt ràpida dobtenir un complementari.
Proposici
o 6.32. Siguin F, G Rn subespais vectorials. Aleshores:
(i) F i F son complementaris.
(ii) (F ) = F .
(iii) (F G) = F + G .
(iv) (F + G) = F G .
Demostracio. (i): Si x F F , per definicio de F es te que hx, xi = 0. Ara
be, el producte escalar es definit positiu (Prop. 6.19). Per tant si hx, xi = 0
cal que x = 0.
Aix F F = 0, i si apliquem la fòrmula de Grassman i el càlcul de
dim F de la Prop. 6.30 tenim
dim F F = dim F + n dim F 0 = n
Per tant F F = Rn .
(ii): Si x F , per qualsevol y F tenim hx, yi = 0. Per tant F
(F ) . Si contem la dimensio de (F ) amb la Proposicio 6.30 resulta que
dim(F ) = n dim F = n (n dim F ) = dim F
Daqu que la inclusio F (F ) sigui una igualtat.
(iv): Si x (F + G) , com F, G F + G tenim que x F , G , es a
dir que x F G .
Recprocament, si x F G i tenim un v F + G qualsevol, posant
v = u + w amb u F, w G observem que
hx, vi = hx, ui + hx, wi = 0
ja que x F , G . Per tant x (F + G) , i com hem mostrat que tenen
els mateixos elements els dos subespais son iguals.
`
125
(iii): Si x F +G , podem posarlo com x = y+z amb y F , z G .

Aleshores per tot v F G es te que
hx, vi = hy, vi + hz, vi = 0
ja que v F i v G. Per tant hi ha una inclusio F + G (F G) .
Comparem ara les dimensions dels dos subespais. La fòrmula de Grassman i la igualtat (iv) mostren que
dim F +G = dim F +dim G dim F G = dim F +dim G dim(F +G)
Si substitum els valors dim F = n dim F, dim G = n dim G, dim(F +
G) = n dim(F + G) = n dim F dim G + dim F G tenim
dim F + G = n dim F G
Per tant, com F + G (F G) i els dos subespais tenen la mateixa
dimensio son iguals.
Les propietats dels subespais ortogonals es poden aplicar a lestudi de
distàncies:
Definici
o 6.33. Siguin V1 , V2 Rn varietats lineals. La dist`
ancia entre
V1 , V2 es
d (V1 , V2 ) =
inf
d (x, y)
P V1
Q V2
Com les varietats lineals son tancades, es fàcil comprovar que
d (V1 , V2 ) = 0 V1 V2 6=
(es a dir, distància zero vol dir que es tallen).
En els casos en que no es tallin podem aplicar un mètode basat en el
teorema de Pitàgores: Es busquen punts P V1 , Q V2 tals que el vector
P Q sigui ortogonal a les dues varietats V1 , V2 . Aleshores la distància entre
V1 i V2 es kP Qk. Per a demostrar que això es cert i funciona, comprovem

que sempre existeixen aquests parells de punts P, Q i que son els mes propers
possibles:
Lema 6.34. Donades dues varietats lineals V1 , V2 Rn sempre existeixen
punts P V1 , Q V2 tals que el vector P Q es ortogonal a V1 i a V2 . La

dist`
ancia entre V1 , V2 es la distància entre un daquests parells de punts P, Q.
126

W1
V1

V2
Demostracio. Siguin V1 = p1 + F1 , V2 = p2 + F2 equacions paramètriques de
V1 , V2 .
Si la suma despais directors es F1 + F2 = Rn , aleshores

p
1 p2 F1 + F2 ,
u + ~v , amb ~u F1 , ~v F2 . Aquesta
es a dir que podem posarlo com
p
1 p2 = ~
descomposicio dona una igualtat de punts Q = p2 ~v = p1 + ~u = P . Les
dues expressions daquest punt P = Q mostren que es de V1 i de V2 , i com
P Q = 0 es ortogonal a F1 , F2 aquesta solucio es vàlida.

Si la suma despais directors es F1 + F2 6= Rn , considerem ara la varietat
W1 = p1 + F1 + (F1 + F2 ) = p1 + F1 + F1 F2
Aquesta varietat es lampliacio de V1 amb els vectors que son simultàneament
ortogonals a les dues varietats V1 , V2 . Els dos subespais directors de W1 , V2
compleixen

F1 + (F1 + F2 ) + F2 = Rn
Per tant pel raonament que hem fet en el cas anterior existeix un punt dinterseccio Q W1 V2 . Això significa que podem posar aquest punt com
Q = p2 + v, amb v F2 , i com Q = p1 + u + w, amb u F1 , w (F1 + F2 ) .
Si triem ara P = p1 + u observem que P V1 , i que P Q F1 F2 . Per

tant els punts P, Q compleixen lenunciat.
`
127
Proposici
o 6.35. Siguin V1 , V2 Rn varietats lineals, P V1 , Q V2 punts
tals que el vector P Q es ortogonal a V1 i a V2 , i P 0 V1 , Q0 V2 qualsevols.
Aleshores kP 0 Q0 k kP Qk.
La igualtat nomes sassoleix si P 0 Q0 es tambe ortogonal a V1 , V2 . En

aquest cas hi ha una igualtat de vectors P Q = P 0 Q0 .
P
P
Q
Q

Demostracio. Volem comparar les normes dels vectors P Q, P 0 Q0 descomposant el darrer com a suma del primer mes un altre vector ortogonal.
Per això, tal com sindica a la figura descomposem

P 0 Q0 = P Q + P 0 P + QQ0
Ara observem que P 0 P F1 , QQ0 F2 , per tant els dos vectors son ortogo
nals a P Q i pel teorema de Pitàgores es te
kP 0 Q0 k2 = kP Qk2 + kP 0 P + QQ0 k2
Per tant kP 0 Q0 k kP Qk, amb igualtat si i nomes si P 0 P = Q0 Q, o equiva

lentment P Q = P 0 Q0 .
Ajuntant els dos darrers resultats i la definicio de distància obtenim:
Corollari 6.36. La distància entre dues varietats lineals V1 , V2 Rn es la
dist`
ancia entre qualsevol parell de punts P V1 , Q V2 tal que P Q sigui
ortogonal a V1 i a V2 .
128
Exemple 6.37. Calculem la distància entre les dues rectes de lespai

l1 =
2x + y z = 1
2x 3y 5z = 19
l2 =
xy =3
z=2
Comencem per posarles en forma paramètrica:

l1 : P = (3, 0, 5) + (1, 1, 1)
l2 : Q = (3, 0, 2) + (1, 1, 0)
R
R
Ara prenem P l1 , Q l2 qualsevols, i imposem que el vector P Q = (3 +

, , 2) (3 + , , 5 + ) sigui ortogonal als vectors directors de les dues
rectes:
h( , , 3 ), (1, 1, 1)i = 3 = 0
h( , , 3 ), (1, 1, 0)i = 2 2= 0
La solucio del sistema dequacions es = 3, = 3. Per tant els punts
son P = (0, 3, 2), Q = (0, 3, 2) i la distància entre l1 , l2 es kP Qk = 6.

Com a exemples finals, presentem fòrmules per calcular la distància dun
punt a una recta en el pla o a un pla en lespai.
Exemple 6.38. (Distància dun punt a una recta en el pla) Sigui P = (x0 , y0 ),
i l la recta dequacio ax + by = c.
Un vector normal de la recta es (a, b). Com la primera varietat es un
punt el punt P està fixat i nomes cal buscar Q = (x, y) a l tal que P Q sigui
l.d. amb (a, b). Aquesta condicio dortogonalitat a l es
b(x x0 ) a(y y0 ) = 0
i podem reescriure la condicio Q l com
a(x x0 ) + b(y y0 ) = c ax0 by0
Resolent el sistema en x x0 , y y0 trobem
(x x0 , y y0 ) =
c ax0 by0
(a, b)
a2 + b 2
Per tant la distància k(x x0 , y y0 )k del punt a la recta es

d(P, l) =
|ax0 + by0 c|
a2 + b 2
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
129
Exercici 18. Calcular la distància dun punt P = (x0 , y0 , z0 ) a un pla

dequacio ax + by + cz = d en R3 .
Indicaci
o i solucio: Es pot fer igual que lexemple anterior del punt i la recta
en el pla. La solucio es
d(P, ) =
6.3
6.3.1
|ax0 + by0 + cz0 d|
a2 + b 2 + c 2
`
Arees,
volums, producte vectorial
Determinants, `
arees i volums
Comencem calculant làrea del parallelogram format per dos vectors ~u =

(a, c), ~v = (b, d) en el pla situats segons la figura
c+d
d
2
(b,d)
(a,c)
1
a+b
Tal com veiem, podem presentar el parallelogram com el quadrat de

costats (a + b, 0), (0, c + d) menys les regions rectangulars 1 i 2 i els triangles
rectangles 3,4,5,6. Aix làrea A del parallelogram central es la diferència
A = Aquadrat A1 A2 A3 A4 A5 A6
ac bd bd ac
= (a + b)(c + d) bc bc
2
2
2
2
= ad bc
Això motiva la seg
uent
130

!
a b
Definici
o 6.39. El determinant duna matriu 2 2 A =
es
c d

a b

det A =
= ad bc
c d
En el càlcul anterior la posicio dels vectors ha influit en la descomposicio

de la regio. Si analitzem tots els casos possibles i fem el càlcul arribem a la
seg
uent conclusio:
Proposici
o 6.40. Làrea del parallelogram pla format pels vectors (a, c), (b, d)
es
!
a b
|
A = | det
c d
Dit en altres paraules, el determinant calcula làrea del parallelogram,
però amb signe positiu o negatiu.
Aquest problema de signe no es cap cosa nova: si volem calcular la longitud del segment que va dun nombre real a a un altre b, aquesta longitud
es |a b|. Seguir la recepta de calcular a b produeix la longitud o menys la
longitud segons lordre en el que estiguin els dos nombres reals. La fòrmula
del determinant es lanàleg en dimensio superior de la fòrmula a b, i te el
mateix problema de signe segons com ordenem els vectors. Aquesta q
uestio
dordre en dimensio superior rep el nom dorientacio.
2
Definici
o 6.41. Una base (a,
es directa (o te orientaci
o di! c), (b, d) de R
a b
recta, o positiva) si det
> 0.
c d
Si el determinant es negatiu, es diu que la base es inversa (o te orientacio
inversa, o negativa).
Exemple 6.42. La base canònica (1, 0), (0, 1) es positiva.

Notem que en la pràctica, podem fer que una base directa passi a ser
inversa o viceversa nomes canviant lordre dels dos vectors. El que una base
tingui orientacio directa o inversa es pot caracteritzar pel sentit de gir de la
base.
Aquest concepte es fàcil de definir si es colloquen els vectors en la posicio
adequada: donada una base u1 , u2 de R2 podem fer girar els eixos de manera
que el primer vector u1 estigui en la part positiva de leix OX. Un gir
del pla no canvia les àrees i el signe tampoc pot canviar de cop en una
transformacio continua, això fa que tot i que les components dels vectors
canviin, el determinant que formen no varia (aquest raonament no es una
demostracio! els detalls cal buscarlos al captol ??).
`
6.3. AREES,
131
Per tant ens podem reduir al cas en que u1 te components (a, 0) amb
a > 0. Com el vector u2 completa la base, ha de tenir components (b, d) amb
d 6= 0, i el determinant det(u1 u2 ) = ad te el mateix signe que d. Hi han dues
possibilitats:
(i) d > 0: la base es directa i u2 està en el semiplà superior.
(ii) d < 0: la base es inversa i u2 està en el semiplà inferior.
12
9
3
6
u1
u2
u1
base directa
u2
base inversa
Hem distingit els dos casos mirant en quin semiplà està u2 en una referència adaptada, però tambe podem ferho sense variar la referència:
- En el cas en que la base es directa, si volem fer girar u1 fins que es
sobreposi a u2 el sentit de gir en el que hem de recorrer un angle mes
petit es lantihorari (al revès que les agulles del rellotge) ja que u2 està
en el semiplà superior.
- En canvi, si la base te orientacio inversa, com el vector u2 està en el
semiplà inferior el sentit de gir en el que u1 arribarà abans a superposar
se a u2 es el sentit horari (com les agulles del rellotge).
Completant els detalls daquest raonament es te un criteri pràctic per
distingir les orientacions a ull:
Proposici
o 6.43. Una base u1 , u2 de R2 es directa si el sentit de gir en el
que u1 ha de recorrer un angle mes petit per superposarse a u2 es el sentit
antihorari.
Si aquest sentit de gir es horari, la base es inversa.
132
El determinant tambe permet calcular làrea de triangles a partir dels

seus vèrtexs, estalviantnos de buscar la base i alcada:
4
Proposici
o 6.44. Làrea dun triangle del pla P QR es
A=
1

det(P QP R)
2
on det(P QP R) es el determinant de la matriu que te a aquests dos vectors

per columnes.
T=Q+PR
R
P
Demostracio. Observem a la figura que per parallelisme dels costats, el
parallelogram format per P, Q, R, T = Q + P R es descomposa com a unio

4
4
de dos triangles P QR, QRT . Com P Q = RT , P R = QT , els dos triangles

tenen les mateixes longituds de costats i per tant la mateixa àrea, i resulta

4

A(P QT R) = 2A(P QR) = det(P QP R)
En la Proposicio 6.44 hem escollit dos vectors costat del triangle amb
origen com
u, però com el valor absolut del determinant no varia al multiplicar
per -1 un dels vectors podem usar dos vectors costat qualsevols pel càlcul.
Un dels motius de linterès del càlcul dàrees de triangles es que podem
descomposar qualsevol regio poligonal del pla en triangles, i daquesta manera
calcularli làrea.
Exemple 6.45. Calculem làrea del quadrilàter format pels punts P = (0, 0), Q =
(5, 3), R = (2, 5), T = (1, 2).
`
6.3. AREES,
133
R=(2,5)
Q=(5,3)
T=(1,2)
P=(0,0)
En primer lloc constatem que P Q 6= T R. Per tant els costats no son

parallels, i no podem calcular làrea directament amb un determinant. De4
scomposem el quadrilàter en els triangles P RT , P QR, i tenim

1
1

det(P QP R) + det(P RP T )
2
2!

1 5 2 2 1
=

+

2 3 5 5 2
AP QRT = AP QR + AP RT =
= 14
Exercici 19. Calculeu làrea de lhexàgon
(1,6)
(3,4)
(4,3)
(4,2)
(1,1)
(3,1)
Solucio: 28.
Els determinants de mida superior seran tractats en el captol 4, juntament amb el seu comportament per transformacions elementals, transposicio,
producte, etc. De totes maneres enunciem aqu per conveniència propietats
dels determinants 3 3 u
tils per la geometria de lespai.
134
a11 a12 a13

2
Definici
o 6.46. El determinant duna matriu 3 3 A = a1 a22 a23
es
3
3
3
a1 a2 a3

a1
1
2
a1
3
a
1
a12 a13
a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a12 a21 a33 a13 a22 a31

a32 a33

Donats tres vectors ~u, ~v , w

~ R3 , denotarem det(~u, ~v , w)
~ el determinant
de la matriu que els te per columnes.
El determinant 3 3 te propietats de càlcul de volums anàlogues a les del
2 2. Les citem aqu i la demostracio ja es veurà en el captol 4.
Proposici
o 6.47. Siguin tres vectors x, y, z R3 . Aleshores:
(i) El volum del parallelepped generat per x, y, z es
V = | det(x, y, z)|
(ii) El volum del prisma amb base el triangle format per x, y i alcada z es
1
V = | det(x, y, z)|
2
(iii) El volum del tetraedre amb vèrtexs 0, x, y, z es
1
V = | det(x, y, z)|
6
Recordem quins son el parallelepped, prisma triangular i tetraedre generats per x, y, z que cubiquem en la proposicio anterior:
Com en el cas del pla (definicio 6.41), en lespai podem distingir entre
bases directes quan det(x, y, z) > 0 i inverses quan det(x, y, z) < 0. Novament, en dimensio tres podem distingir a ull si una base es directa o inversa
mitjancant la regla del llevataps (o de la ma dreta). Per a ferho necessitem
un resultat que podrem demostrar en el captol ??:
Lema 6.48. Donada una base u1 , u2 , u3 de R3 , existeix una referència ortonormal en la que u1 , u2 son una base directa del pla OXY , i tal que el determinant de la matriu de les components de u1 , u2 , u3 en la nova base es el mateix
que en la canònica.
`
6.3. AREES,
x+y+z
x+z
x+z
135
y+z
z
y+z
z
x+y
y
0
Intutivament, aquest canvi de referència consisteix en moure el pla OXY

fins que contingui els vectors u1 , u2 , i si aquests formen una base inversa (el
sentit de gir mes curt de u1 a u2 es lantihorari) donar la volta al pla. Aquestes
transformacions preserven volums i per continutat el signe no pot saltar, per
això el determinant no varia.
Un cop tenim la referència ben posada, com el vector u3 no es del pla
[u1 , u2 ] haurà destar en el semiplà superior o en linferior. Tenim aleshores:
Proposici
o 6.49. (regla del llevataps, o del vis, o de la ma dreta) Sigui
u1 , u2 , u3 una base de R3 .
(i) Si en la referència del lema 6.48 el vector u3 est`
a en el semipla superior,
la base u1 , u2 , u3 es directa.
(ii) Si està en el semipla inferior, la base u1 , u2 , u3 es inversa.
Indicaci
o de la prova: Com en la nova referència els vectors u1 , u2 estan en
el pla OXY , tenen components (a, c, 0), (b, d, 0) respectivament. Que formin
a b

una base directa daquest pla vol dir que
> 0. Ara, si u3 t
e compoennts
c d
(e, f, g) en la nova referència el determinant de la base val

a b e

a b

det(u1 , u2 , u3 ) = c d f = g

c d
0 0 g
Per tant el signe de det(u1 , u2 , u3 ) es el de g. Si u3 està en el semiespai

superior g > 0 i la base es directa, si està en el semiespai inferior g < 0 i la
base es inversa.
136

u1
u3
u2
u2
u3
u1
bases directes
u2
u1
u3
base inversa
Figura 6.1: Base directa, base inversa i el vis

El nom daquesta caracteritzacio de les bases directes prove del conveni
de disseny industrial de que si fem girar un vis (o un llevataps) en sentit
antihorari (directe, en notacio geomètrica) el vis puja. Aquest es el comportament de les bases directes de R3 : si ens mirem el pla [u1 , u2 ] de manera
que el sentit de gir mes breu de u1 a u2 sigui lantihorari, el tercer vector de
la base apunta cap a dalt del pla.
6.3.2
El producte vectorial
El producte vectorial es una operacio que, a diferència de lescalar, nomes

una eina u
està definit a R3 . Es
til en problemes de geometria de lespai i
tambe de Fsica i Càlcul Integral, on serveix per definir moments angulars,
el rotacional, . . . .
Definici
o 6.50. El producte vectorial de dos vectors x = (x1 , x2 , x3 ), y =
(y1 , y2 , y3 ) R3 es el vector

x

x y = ( 2
y2
x3 x1 x3 x1 x2
,
,
) R3
y3 y1 y3 y1 y2
Notacio 6.51. La presentacio mes senzilla del producte vectorial es la usual

en Fsica: Denotem la base canònica com ~i = (1, 0, 0), ~j = (0, 1, 0), ~k =
`
6.3. AREES,
137
(0, 0, 1). Aleshores

~i

x y = x1
y1

~j ~k

x 2 x 3 ~ x 1 x 3 ~ x 1 x 2 ~

=

i
+

j

k
x2 x3
y1 y3 y1 y2
y2 y3

y2 y3

x
= ( 2
y2
x3 x1 x3 x1 x2
,
,
)
y3 y1 y3 y1 y2
No hem definit matrius amb vectors com a coeficients, aix que veiem la
fòrmula del determinant 3 3 com un truc mnemotècnic per recordar la
definicio.
Proposici
o 6.52. (Propietats del producte vectorial) Siguin x, y, z R3
qualsevols.
anticommutatiu: x y = y x.
(i) Es
(ii) hx y, zi = det(x, y, z)
(iii) x y es ortogonal a x i a y.
(iv) x y 6= 0 si i nomes si x, y s
on l.i.
(v) Regla del llevataps: si x, y s
on l.i. x, y, x y formen una base directa
3
de R .
c
(vi) kx yk = kxkkyk| sin(xy)|
Demostracio. (i) Canviar lordre dels dos vectors intercanvia dues files en
els determinants de la definicio i això canvia el signe de cada component.
(ii)

x x x x x x
2
3 1
3 1
2
hx y, zi = h(
,
,
), (z1 , z2 , z3 )i
y2 y3 y1 y3 y1 y2

x x
x x
x x
2
1
1
3
2
3

+ z3
+ z2
= z1
y1 y2
y1 y3
y2 y3

x y z
1
1
1

= x2 y2 z2

x3 y3 z3
(iii) Per (ii) es te hx y, xi = det(x, y, x) = 0, i anàlogament hx y, yi =

det(x, y, x) = 0.
138
x1 x2 x3
(iv) x, y son l.d. si i nomes si la matriu
te rang 2. Aquesta
y1 y2 y3
condicio equival a que els tres determinants de la definicio 6.50 siguin
zero, ja que si el rang de la matriu es dos el determinant format per les
dos columnes dels primers termes 6= 0 de cada fila es no nul.
(v)

x 1

det(x, y, x y) = x2

x 3

x

= 2
y2

x x
2
3
y1

y 2 y 3
x x
y2 1 3

y 1 y 3
x x
y3 1 2
y 1 y 2
2

x x 2 x
x3
1
1
3
+
+
y1 y3
y1
y3
x2

y2
Per (iii) si x, y son l.i. algun daquests determinants es no nul, i

det(x, y, x y) = kx yk > 0.
(vi) Calculem:

x

kx yk2 = 2
y2
x x
x x
x3
1
1
3
2
+
+

y3
y1 y3
y1 y2
= (x2 y3 x3 y2 )2 + (x1 y3 x3 y1 )2 + (x1 y2 x2 y1 )2

= (x21 + x22 + x23 )(y12 + y22 + y32 ) (x1 y1 + x2 y2 + x3 y3 )2
(el pas de la pen

ultima a l
ultima lnea sha de fer amb calma). Per
tant
kx yk2 = kxk2 + kyk2 hx, yi2
c x y t
I com hx, yi = kxkkyk cos(xy),
e el mòdul que enunciem.
A linici de la subseccio 6.3.1 hem vist com el determinant dun parell

de vectors de R2 calcula làrea del parallelogram que formen. El producte
vectorial permet fer aquest càlcul quan el parallelogram està a lespai.
Proposici
o 6.53. El parallelogram format pels vectors x, y R3 te `
area
kx yk.
`
6.3. AREES,
139
x+y
y
x
Demostracio. Làrea dun parallelogram es el producte de la longitud de la

base per lalcada.
b
En el cas del format per x, y, si prenem x com a base aleshores la seva
c
longitud es kxk, i lalcada es kyk sin(xy).
El producte daquestes longituds
es kx yk com sha calculat a la proposicio 6.52.
I com hem fet en el pla, descomposant el parallelogram en dos triangles
semblants obtenim
Corollari 6.54. El triangle de R3 amb vèrtexs 0, x, y te `
area A = 21 kx yk
140
Ap`
endix A
Nombres complexes
A.1
Definici
o i operacions
Els nombres complexes es van introdur al segle XVI per a fer front a un
problema: no totes les equacions de grau 2 reals tenen solucions reals. Notablement
x2 + 1 = 0 = x = 1 6 R
De fet la no existència de 1 en R es l
unic problema, ja que sempre podem
fer coses com

1 3
1 3 1
2
x + x + 1 = 0 = x =
=
2
2
La solucio que es dona a aquest problema es:
a dir, es un nombre no real (imagDefinici

o A.1. El nombre i es 1. Es
inari) tal que i2 = 1.
Un nombre complex es un parell z = a + bi on a, b son nombres reals. La
part real de z es Re z = a, i la part imagin`
aria de z es Im z = b.
Els nombres complexes son doncs una mena de polinomis de grau 1 en
un smbol i que compleix i2 = 1. Aquesta caracteritzacio permet definir
les operacions amb complexes:
- La suma, component a component
(3 + 2i) + (5 8i) = 8 6i
- La multiplicacio, com els polinomis però fent i2 = 1:
(2+4i)(3+5i) = 6+10i 12i+20i2 = 6+10i12i20 = 262i
141
`
APENDIX
A. NOMBRES COMPLEXES
142
- La conjugacio, es canviar el signe a la part imaginària

(a + bi) = a bi
Les propietats de la suma i la multiplicacio en els nombres complexes
son les mateixes que en els reals (associativa, commutativa, distributiva . . .
). Diem que amb elles els nombres complexes formen el cos dels complexes
C = {z = a + bi | a, b R}.
Entre les propietats de la conjugacio remarquem:
Proposici
o A.2. Siguin z, z1 , z2 nombres complexes. Aleshores
(i) (z1 + z2 ) = z1 + z2 .
(ii) (z1 z2 ) = z1 z2 .
(iii) z z R.
Demostracio. Si z = a + bi, z1 = a1 + b1 i, z2 = a2 + b2 i tenim
(i) (z1 + z2 ) = a1 + a2 + (b1 + b2 )i = a1 + a2 (b1 + b2 )i
z1 + z2 = a1 b1 i + a2 b2 i = a1 + a2 (b1 + b2 )i.
(ii) (z1 z2 ) = a1 a2 b1 b2 + (a1 b2 + a2 b1 )i = a1 a2 b1 b2 (a1 b2 + a2 b1 )i
z1 z2 = (a1 b1 i)(a2 b2 i) = a1 a2 b1 b2 (a1 b2 + a2 b1 )i.
(iii) z z = (a + bi)(a bi) = a2 + b2
La darrera propietat de la conjugacio permet dividir nombres complexes,

mitjancant la multiplicacio i divisio pel conjugat:
3 + 2i
(3 + 2i)(5 i)
15 3i + 10i + 2
17
7
=
=
=
+ i
5+i
(5 + i)(5 i)
25 + 1
26 26
A.2
Formes rectangular i exponencial
Els nombres complexes admeten una interpretacio geomètrica coneguda com

el pla de Gauss: consisteix en identificar cada nombre complex z = a + bi
amb el vector (a, b) R2 . Daquesta manera podem pensar els complexes
com punts del pla. Leix horizontal OX = {z = a + 0i = a R} es la
recta real, i leix vertical OY = {z = 0 + bi = bi} es la recta imagin`
aria. La
presentacio del nombre complex com z = a + bi (a, b) rep el nom de forma
rectangular del nombre complex.
A.2. FORMES RECTANGULAR I EXPONENCIAL
143
Im z
z=a+bi
|z|
Arg z
a
Re z
Figura A.1: Nombre complex: mòdul i argument
z
z
z+z
La suma de nombres complexes es la suma de vectors del pla

i la conjugacio es la reflexio respecte de leix real
Aquesta interpretacio geomètrica permet introduir lanomenada forma
polar dels nombres complexes:
Definici
o A.3. El mòdul dun nombre complex z es la seva longitud com a
vector de R2 , i es denota |z|.
Largument dun nombre complex z es langle que forma com a vector de
2
R amb el semieix real positiu, i es denota arg z.
Mòdul i argument estan indicats en la figura A.2, de la que dedum com
calcularlos a partir de les parts real i imaginària dun nombre complex z =
a + bi usant el teorema de Pitàgores i una mica de trigonometria:
|z| = r = a2 + b2
= arg z, cos = ar ,
sin = rb ,
tan =
b
a
(A.1)
`
APENDIX
144
Recprocament, del mòdul r i largument podem dedur les seves parts real
i imaginària, per tant determinar el nombre complex:
a = r cos
b = r sin
(A.2)
un angle,
Observacio A.4. Largument dun nombre complex no es u
nic. Es
per tant li podem sumar m
ultiples enters de 1 volta (2 rd = 360 ) sense
variarlo.
Aix com la forma rectangular z = a + bi dels nombres complexes es molt
convenient per a fer sumes, la caracteritzacio per mòdul i angle ho es per a
calcular multiplicacions (i divisions, potències, arrels, logaritmes . . . ):
Lema A.5. Si z1 , z2 C tenen m`
oduls r, s i arguments , respectivament,
aleshores el producte z1 z2 te m`
odul rs i argument + .
Demostracio. De les fòrmules (A.2) dedum que z1 = r(cos + i sin ), z2 =
s(cos + i sin ). Multiplicant els nombres tenim
z1 z2 = rs(cos cos + i cos sin + i sin cos + i2 sin sin )
= rs(cos cos sin sin ) + irs(cos sin + sin cos )
= rs(cos( + ) + i sin( + ))
i les fòrmules (A.1) mostren immediatament que z1 z2 te mòdul rs i argument
+ .
Notacio A.6. Si un nombre complex z te mòdul r i argument el denotarem
en forma exponencial per
z = rei
A.2. FORMES RECTANGULAR I EXPONENCIAL
145
Amb la forma exponencial, podem reescriure el lema A.5 simplement dient

z1 z2 = rei sei = rsei(+)
Això mostra que la notacio exponencial es molt convenient per productes i
operacions relacionades. Quan veieu les sèries de Taylor en el curs de Càlcul
comprovareu que identitat exponencial ei = cos + i sin no es una notacio
inventada, sino que prove duna igualtat de funcions de variable complexa.
Exemple A.7. Passar nombres complexes de forma exponencial a forma rectangular es aplicar mecànicament la fòrmula
z = rei = r cos + i r sin
La conversio recproca es un pèl mes delicada perque calcular el sinus, cosinus
o tangent de largument ens el determina llevat de quadrant:
- z = 1 te mòdul 12 + 02 = 1, i el seu argument te tangent tan = 01 =

0. El vector es del primer quadrant, per tant = 0 i 1 = ei0 .
0
- z = 1 te mòdul 1, i el seu argument te tangent 1
= 0. Ara be, esta
entre el segon i tercer quadrant, per tant Arg (1) = , i tenim
1 = ei
q
- z = 6 6i te mòdul r = 62 + (6)2 = 6 2, i el seu argument te

tangent tan = 1. Això significa que = 4 o be = 5
. Com el
4
nombre complex z = 6 6i està en el quart quadrant el valor correcte
es el primer
z = 6 6i = 6 2ei 4
La forma exponencial dona la interpretacio geomètrica de la multiplicacio

complexa: multiplicar per z = rei es fer una rotacio dangle respecte
de lorigen, seguida duna homotècia de rao r (un estirament si r > 1, un
encongiment si r < 1).
La forma exponencial facilita encara mes el càlcul de potències: si tenim
un nombre complex z = rei aleshores
z n = rei . . . rei = rn ein
Una aplicacio trigonomètrica es el càlcul de fòrmules pel cosinus i el sinus
dangles m
ultiples:
`
APENDIX
146
Proposici
o A.8. (Fòrmula de de Moivre) Per un angle i un m
ultiple n
qualsevols es te:
cos(n) + i sin(n) =
n
X
j=0
n
cosnj ij sinj
j
Demostracio. Sigui el nombre complex de mòdul 1 z = ei = cos + i sin .

Calculem-li la potència nèssima en forma exponencial i rectangular. En
forma exponencial:
z n = (ei )n = ein = cos(n) + i sin(n)
don dedum que cos(n) = Re z n , sin(n) = Im z n . Si calculem la potència
en forma rectangular tenim pel binomi de Newton
n
z = (cos + i sin ) =
n
X
j=0
n
cosnj ij sinj
j
Mostrem un parell daplicacions de la fòrmula de de Moivre, primer la

mes trillada i despres la mes interessant.
Exemple A.9. Trobarem les fòrmules pel sinus i el cosinus de langle triple.
Per la fòrmula de de Moivre
cos 3 + i sin 3 = (cos + i sin )3
= cos3 + 3 cos2 i sin + 3 cos i2 sin2 + i3 sin3

= cos3 3 cos sin2 + i 3 cos2 sin sin3
Igualant les parts real i imaginària arribem a:

(
cos 3 = cos3 3 cos sin2

sin 3 = 3 cos2 sin sin3
(A.3)
Exemple A.10.
A qualsevol
taula trigonomètrica podem llegir que sin 6 =
1
, cos 6 = 23 , sin 3 = 23 , cos 3 = 12 . Ara podem demostrar que aquests son
2
els valors exactes de sin i cos en aquests angles.
Per = 6 tenim 3 = 2 , i per tant cos 3 = 0, sin 3 = 1. Si apliquem
la fòrmula de de Moivre, o la (A.3) directament, tenim
0 = cos3 6 3 cos 6 sin2 6
1 = 3 cos2 6 sin 6 sin3 6
A.3. ARRELS DE NOMBRES COMPLEXES
147
A la primera equacio podem treure factor com

u cos 6 , que sabem que es no
nul perquè cos es estrictament positiu entre 0 i 2 , on val zero per primer cop.
Per tant
cos2 3 sin2 = 0
6
6
2
2
Si ara apliquem que sin = 1 cos tenim
4 cos2
3=0
6
q
don dedum que cos 6 = 23 i sin 6 = 1 cos2 6 = 12 , ja que per estar

langle al primer quadrant el seu sinus i cosinus han de ser positius.
Els valors per 3 es dedueixen ara de les identitats trigonomètriques sin( 2
) = cos , cos( 2 ) = sin .
A.3
Arrels de nombres complexes
Les arrels quadrades, c

ubiques, . . . son potències fraccionàries dels nombres
complexes, i com a tals les podem calcular fàcilment en forma exponencial.
Ara be, cal vigilar de no deixarse solucions debut a la indeterminacio de largument. Enlloc de demostrar la fòrmula de les arrels calcularem un exemple
que mostra com funciona.
Exemple A.11. Trobar totes les arrels c
ubiques, reals o complexes, de 1:
Busquem els nombres complexes de la forma exponencial z = rei tals
que
z 3 = r3 ei3 = 1 = 1 ei0
Igualant mòdul i argument això equival al sistema
(
r3 = 1
3 = 0 + k2,
kZ
Lequacio del mòdul te solucio u

nica 1. Hauria estat aix per qualsevol arrel
ja que el mòdul r ha de ser un nombre real positiu, i la funcio r 7 rn es
estrictament creixent en [0, ) per tot n.
Lequacio de largument te en canvi mes solucions: dos angles son iguals
quan la diferència entre ells es un m
ultiple enter de 2 (comptem en radians).
Aix tenim
3 = 0, 2, 4, 6, 2, 4, . . .
i largument pot ser
= 0,
2
2 4
, , 2, . . . , , . . .
3 3
3
148
`
APENDIX
Observem però que per cada 6 radians que sumem o restem a 3 estem
sumant o restant 2 a , cosa que no canvia langle. Per tant nomes hi han
tres solucions diferents per largument: = 0, 2
, 4
. Les arrels c
ubiques de
3
3
1 son doncs
2
4
1
3
3
1
z1 = 1ei0 = 1, z2 = 1ei 3 = + i
, z3 = 1ei 3 = i
2
2
2
2
De la mateixa manera que hem fet el darrer càlcul podem dedur la
fòrmula general:
Proposici
o A.12. Si z = rei es un nombre
complex no nul, te n arrels n
n
èssimes complexes, totes elles amb m`
odul r (la u
nica soluci
o real positiva)
i arguments
2
2
2
, +
, + 2 , . . . + (n 1)
n n
n n
n
n
n
Notem com a detall geom`
etric que les n arrels de z formen un polgon
n
regular de n costats i radi r en el pla complex.
Ap`
endix B
Polinomis
Un polinomi en una variable x es una funcio combinacio lineal de potències
de x
p(x) = an xn + an1 xn1 + + a1 x + a0
Els coeficients del polinomi son els nombres an , . . . , a0 que multipliquen a les
potències de la variable. El grau del polinomi (grau p(x) o deg p(x)) es la
potència de x mes alta amb coeficient no nul.
Les operacions amb polinomis son operacions com a funcions:
- La suma es fa terme a terme
(7x3 +5x2 3x+4)+(2x2 18) = 7x3 +(5+2)x2 3x+(418) = 7x3 +7x2 3x14
- El producte segueix la propietat distributiva
(x2 2x+6)(x2 +x4) = x4 +x3 4x2 2x3 2x2 +8x +6x2 +6x24 = x4 x3 +6x24
En canvi, la funcio quocient de dos polinomis en general ja no es un polinomi,
x
per exemple f (x) = x+1
. Això dona lloc a la seg
uent
Definici
o B.1. La divisio dun polinomi p(x) (el dividend) per un altre polinomi d(x) (el divisor) es una igualtat
p(x) = q(x)d(x) + r(x)
on q(x) es el quocient i r(x) el reste, tals que
grau r(x) < grau d(x)
Diem que la divisio es exacta (o sense reste) si r(x) = 0. Tambe diem si
r(x) = 0 que d(x) es un factor de p(x).
149
`
APENDIX
B. POLINOMIS
150
Proposici
o B.2. La divisi
o dun polinomi p(x) per un altre d(x) existeix
sempre i es u
nica.
La demostracio de que la divisio de polinomis existeix es lalgoritme per a
ferla, del que recordem un exemple a continuacio. La unicitat del quocient
i el reste les deixem com a exercici teòric, que es pot trobar a la bibliografia.
Exemple B.3. Dividim p(x) = 2x3 + 11x2 3x + 5 per d(x) = x2 3x + 2:
dividend
divisor
2
x 3x +2
2x+5
2x +11x 3x +5
+2x 6 x +4x
5x
5x
quocient
+x +5
+15x10
16x 5
reste
Si hem de dividir un polinomi p(x) per un divisor de la forma d(x) = xa

ho podem fer per la regla de Ruffini, que tambe recordem amb un exemple:
Exemple B.4. Dividim p(x) = 2x3 3x2 + 12 per d(x) = x + 1:
2 3
2
0
5
12
5
2 5
quocient
reste
Figura B.1: Quocient 2x2 5x + 5, reste 7

Com son les divisions per un polinomi de la forma d(x) = x a? Com el
grau del reste ha de ser mes petit que el del divisor cal que sigui zero, es a
dir que el reste es una constant:
p(x) = q(x)(x a) + r0
Aquest reste es fàcil didentificar:
Proposici
o B.5. El reste de dividir p(x) per x a es el nombre p(a).
(B.1)
151
Demostracio. Si substitum x = a a la igualtat (B.1) tenim
p(a) = q(a)(a a) + r0 = r0
El sistema de càlcul de p(a) dividint per x a amb el mètode de Ruffini i

el procediment mes ràpid
mirant el reste es coneix com regla de Horner. Es
(que requereix menys operacions) per calcular p(a), i es molt precs si treballem amb dades aproximades o arrodonides. Una altra aplicacio immediata
de la Prop. B.5 es:
Corollari B.6.
p(a) = 0 x a divideix exactament a p(x)
Quan p(a) = 0 diem que x = a es una arrel (o zero) de p(x). Pel Cor.
B.6 això equival a que x a sigui un factor de p(x), això justifica la seg
uent
Definici
o B.7. El polinomi p(x) te un zero dordre m en x = a, per m 1,
si p(x) = (x a)m q(x) i q(x) no te cap mes factor x a.
Lordre dels zeros dun polinomi tambe es pot trobar amb les derivades:
Lema B.8. x = a es zero dordre m de p(x) si i nomes si x = a es zero de
p(x), p0 (x), p00 (x), . . . p(m1) (x).
La demostracio del lema B.8 es pot fer per induccio sobre m i es deixa
pel lector.
Notem ara que si un polinomi te grau n, no pot tenir mes de n zeros
(comptats amb multiplicitat), ja que el grau del producte es la suma de
graus. Si treballem amb nombres reals no sempre arribem a aquest lmit,
per exemple x2 + 1 no te zeros reals. La situacio canvia si admetem zeros
complexes:
`
Teorema B.9. (Teorema fonamental de lAlgebra)
Si p(x) es un polinomi
a coeficients reals (o complexes) de grau n, aleshores te exactament n zeros
complexes comptats amb multiplicitat.
a dir, per p(x) = an xn + + a1 x + a0 tenim sempre una factoritzacio
Es
p(x) = an (x 1 )(x 2 ) . . . (x n )
on 1 , 2 , . . . , n C poden no ser reals o estar repetits.
152
`
APENDIX
B. POLINOMIS
`
La demostracio del teorema fonamental de lAlgebra
utilitza propietats
de la Topologia del pla complex per sobre dels continguts daquest curs. Remarquem nomes que els nombres complexes es van introduir per a resoldre les
equacions quadràtiques (vegeu lapèndix A), però han resultat ser suficients
per a resoldre totes les equacions polinomials a coeficients en els reals o en
els propis complexes. Hom expressa aquesta propietat dient que C es un cos
algebraicament tancat.
Trobar els zeros de polinomis, com de funcions en general, es un problema
dimportància evident (resolucio dequacions, càlcul dextrems, representacio
de funcions . . . ). Si volem trobar les arrels a partir dels coeficients del
polinomi el que ens trobem es:
- Als polinomis de graus 1 i 2 els podem trobar els zeros amb les fòrmules
tpiques densenyament secondari.
- Pels polinomis de graus 3 i 4 tambe existeixen fòrmules per calcular els
zeros, però son complicades i poc pràctiques.
- Pels polinomis de grau 5 o mes no existeix cap fòrmula que dongui els
zeros excepte en casos molt especials (i simples).
El que hom pot fer a partir de grau 3 (i per sota tambe, si es vol) es
calcular els zeros del polinomi aproximadament . . . amb un marge derror
tan petit com es vulgui! amb mètodes numèrics com ara el de Newton.
Deixem aquest problema pels cursos de Càlcul, i assenyalem nomes alguns
trucs que podem aplicar per trobar zeros a ull en casos molt senzills:
Lema B.10. Si p(x) es un polinomi real, i C es un zero complex de p,
el seu conjugat
tambe ho es i te la mateixa multiplicitat.
Lema B.11. Si p(x) = xn + an1 xn1 + + a1 x + a0 te an = 1 i tots els
coeficients enters, qualsevol zero racional seu ha de ser un enter que divideixi
a a0 .
Lema B.12. Si p(x) = an xn +an1 xn1 + +a1 x+a0 te tots els coeficients
enters i sense cap factor com
u, qualsevol zero racional seu ha de ser de la
u, p dividint a a0 i q dividint a an .
forma a = pq amb p, q sense factor com

Amoros Eq

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Amoros Eq

Uploaded by

Copyright:

Available Formats

`

1 Matrius i sistemes lineals

Tema 0: Nombres complexos i polinomis.

- Sistemes lineals matricials. C`alcul dinverses pel m`etode de Gauss

Tema 6: Geometria del pla i de lespai.

Pel que fa a teoria i exemples addicionals, recomanem:

A = a21 a22 a23 a24

CAPITOL 1. MATRIUS I SISTEMES LINEALS

(iii) la multiplicacio (o producte) de matrius,

Les propietats de la multiplicacio per escalar son: Per A matriu, , R

CAPITOL 1. MATRIUS I SISTEMES LINEALS

- El resultat es una matriu de mida mp (el nombre de files de la primera

2 5 + (1) 2 + 0 3 + 3 (4) 2 1 + (1) 0 + 0 (1) + 3 7

Propietats de la multplicacio de matrius:

(iii) Matriu identitat: si denotem Idl la matriu quadrada de mida l l que

1.2. SISTEMES DEQUACIONS LINEALS

Exercici 1. Busqueu dues matrius A, B tals que els dos productes A B i

Les propietats de la transposicio de matrius respecte de les operacions

Sistemes dequacions lineals

Els apunts de sistemes dequacions lineals apareixeran en unes setmanes.

CAPITOL 1. MATRIUS I SISTEMES LINEALS

Un espai vectorial es un conjunt on podem fer combinacions lineals: hi ha

CAPITOL 2. ESPAIS VECTORIALS

- Exist`encia delement neutre pel producte: 1 ~v = ~v per tot ~v E.

(iii) El producte per escalar es el dun escalar per una matriu.

CAPITOL 2. ESPAIS VECTORIALS

Exemple 2.8. Successions de nombres reals.

(ii) La suma es la suma de funcions (exemple 2.7)

CAPITOL 2. ESPAIS VECTORIALS

Exemple 2.16. Siguin u1 = (2, 5, 1), u2 = (3, 1, 4), u3 = (1, 6, 3) R3 .

CAPITOL 2. ESPAIS VECTORIALS

Demostracio. La idea de la demostracio es anar introdunt un a un els vectors

Que el conjunt u1 , . . . , um sigui l.i. implica en particular que u1 6= ~0, pel

pel que els vectors u1 , v2 , . . . , vn generen E.

No pot ser que k = k+1 = = n = 0, ja que aleshores tindrem uk

CAPITOL 2. ESPAIS VECTORIALS

no zero, del contrari els u1 , . . . , um originals serien l. dependents). Triem e3 .

Per tant les matrius formen una base i dim E = 6.

CAPITOL 2. ESPAIS VECTORIALS

Corollari 2.28. Sigui E un espai vectorial de dimensi

Aleshores els vectors u1 , . . . , uN 1 son tambe sistema de generadors de E: en

Substitunt uN segons (2.4) en (2.5) obtenim el vector qualsevol v com a

(i) Comproveu que E es un subespai vectorial de lespai de successions

Components dun vector. Canvis de base

CAPITOL 2. ESPAIS VECTORIALS

a dir, en base u1 , u2 el vector v e components ( 4 x 1 y, 3 x + 2 y).

es la de canvi de base e1 , e2 a base u1 , u2 .

Aquesta matriu te per columnes les components de u1 , u2 en base e1 , e2 , i es

CAPITOL 2. ESPAIS VECTORIALS

Per tant la matriu de canvi de base es

Cuw = Cue Cew = 0 1 2

2.2. SUBESPAIS VECTORIALS

CAPITOL 2. ESPAIS VECTORIALS

A mes de per equacions, laltra presentacio habitual dels subespais es per

2.2. SUBESPAIS VECTORIALS

Exemple 2.47. La unio dels dos subespais de R2 F = {x + y = 0}, G =

CAPITOL 2. ESPAIS VECTORIALS

Demostracio. Els vectors u1 , . . . , um , v1 , . . . , vd son tots de F + G, per tant

2.2. SUBESPAIS VECTORIALS

El vector ~z pertany a F per la seva expressio de la dreta i a G per la de

Figura 2.1: Despiste per lexercici 2.2

CAPITOL 2. ESPAIS VECTORIALS

Exemple 2.53. Siguin F = {x 2y + z = 0}, G = {2x + y + z = 0}. Aquests

a dir, en base u1 , u2 el vector v e components ( 4 x 1 y, 3 x + 2 y).