Professional Documents
Culture Documents
Algebra
lineal
Enginyeria Qumica
Jaume Amoros
UPC
Barcelona
2002/10/11
Index
0.1
0.2
Programa . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografia . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5
7
. . . .
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 refer`encia . . . . . . .
6.2 El producte escalar euclidi`a . . . . . . .
6.2.1 Producte escalar, dist`ancia i angle
6.2.2 Subespais ortogonals, projeccions
`
6.3 Arees,
volums, producte vectorial . . . .
6.3.1 Determinants, `arees 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 b`asic 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 car`acter 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 tipogr`afics, ortogr`afics i potser tambe en els c`alculs que hi surten.
Sisplau aviseume de qualsevol daquests errors que hi trobeu i no feu correr
aquests apunts fora de l`ambit 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
Cerd`a i Javier Vindel han asesorat a lautor en els aspectes inform`atics de la
preparacio de les notes.
Jaume Amoros
jaume.amoros@upc.es
0.1
Programa
INDEX
6
Tema 1: Matrius i sistemes lineals.
- Matrius: definicio i operacions.
- Sistemes lineals: solucio per eliminacio gaussiana.
- Rang duna matriu. Teorema de RoucheFrobenius.
0.2. BIBLIOGRAFIA
0.2
Bibliografia
- 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
Matem`atiques 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 gr`aficament, els coeficients
duna matriu de 3 files i 4 columnes son:
a11 a12 a13 a14
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 lap`endix 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
10
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:
- Est`a 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
=
= 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 perqu`e 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
2 1 0 3
0
2
=
1
1 3 2 10
3 1
4 7
!
4
105
2
23
139
2
!
1 1 0
2 1 0
A=
B = 1 2 3
1 4 3
2 1 1
el producte A B est`a definit, per`o el producte B A no ho est`a 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
13
2 1 0
,
1 4 3
2 1
t
A = 1 4
0 3
1.2
14
Captol 2
Espais vectorials
2.1
Definici
o i propietats
16
I PROPIETATS
2.1. DEFINICIO
17
18
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 `obvis 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
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 aix`o 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 pr`actica de la independ`encia 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
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 aix`o a la seccio
2.3.
Exemple 2.17. Vegem que el conjunt de les pot`encies de x {1, x, x2 , . . . , xn , . . . }
es linealment independent en R[x].
Si una de les pot`encies 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 pot`encies 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 can`onica 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 .
Independ`encia 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 can`onica 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.
Independ`encia 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,
per`o 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
(2.1)
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
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)
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 aix`o hem completat la prova del teorema per induccio: en efecte,
al probar el cas del primer vector u1 hem demostrat la hip`otesi 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 hip`otesi dinduccio es
certa per k = 2, podem insertar u2 en la base. Amb aix`o establim que la
hip`otesi 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 can`onica per ells:
En base can`onica tenim u1 = e2 +e3 . Aix`o 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. aix`o 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 perq`e apareixen amb un coeficient diferent de
zero (en aquest punt sempre apareix algun dels ei originals amb coeficient
I PROPIETATS
2.1. DEFINICIO
25
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
26
(2.4)
(2.5)
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)
2.1.1
`
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. Lexist`encia 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, per`o si variem la base aquestes components variaran.
Exemple 2.31. En R2 , un vector (x, y) te components (x, y) en la base can`onica
e1 = (1, 0), e2 = (0, 1) (per aix`o lanomenem can`onica). 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
1
1
.
.
u
. =C . ,
w .
.
n
n
on la matriu Cwu te en la columna i`essima 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 m`etodes
de c`alcul 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 can`onica, en base u1 , u2 te components
4
5
35
La matriu
Cue
4
5
51 y
15 y
2
5
x
y
2 1
Ceu =
3 4
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 ,
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
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
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 pr`actica, 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 perqu`e 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
33
G
u+v
u
34
35
36
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 f`ormula 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 aix`o 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 ,
v, v 0 G
37
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
Geom`etricament, 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 m`etodes efectius de c`alcul en els espais Rn per
trobar dimensions, bases, sistemes dequacions de subespais . . .
Aquests m`etodes 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
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 aix`o 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. Aix`o 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, aix`o ser`a convenient
per c`alculs ulteriors.
40
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 can`onica
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
0
0
3 1 4
1 0 0
0 1 13
0 0 1
de rang m`axim. 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 m`etode 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
can`onica. Ara be, els canvis de base cambien les components dels vectors i
les equacions dels subespais, per`o 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.
Aix`o 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 aix`o alterem les columnes de
la matriu, per`o la dimensio del subespai que generen no varia. La matriu
esglaonada queda de la forma
0 ...
0 a1k1
0 a2k2
..
.
0
..
.
a3k3 . . .
..
.
0
..
.
..
1
2
3
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 c`alculs 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 pr`actic 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
46
!
! 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)
I ELEMENTS CARACTERISTICS
3.1. DEFINICIO
47
bm (f + g) =
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 c`alcul 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
I ELEMENTS CARACTERISTICS
3.1. DEFINICIO
49
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
50
0 1 0
A=
0 0 2
!
a
0 1 0 0
a1
a1 =
0 0 2
2a2
a2
!
1 1 2
A = 1 0 1
2 3 1
x
Novament, es pot comprovar f`acilment que f (x, y, z) = A y .
z
I ELEMENTS CARACTERISTICS
3.1. DEFINICIO
51
1
1
1
.
.
.
u
e
u
.
.
Mw (g)Mu (f ) . = Mw (g) . = ..
52
!
2 1
3 2 2
A = 4 0 , B =
2 1 5
3 1
I ELEMENTS CARACTERISTICS
3.1. DEFINICIO
53
x1
0
.
.
.
.
(x1 , . . . , xn ) | A . = .
ker f =
xn
(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 )].
1 1 1
11
A=
3 4
2 8 18
54
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 est`a 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
m`etodes 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 te`oric, aquesta
correspond`encia entre aplicacions lineals i matrius permet fer c`alculs 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 can`onica com tenen els Rn podrem
intentar evitar aquest problema triant sempre aquesta base per cada espai
vectorial. Aix`o no succeeix en la pr`actica, per exemple els subespais F Rn
no tenen base can`onica. Per tant el problema dels canvis de base per la
matriu duna aplicacio lineal es inevitable.
55
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 f`ormula de la proposicio 3.26 sense
haver daprendrela de mem`oria.
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 vindr`a 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 daix`o 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 c`alcul 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
57
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
2 0 0
=
0 1 0
1 2 3
Cev =
1 0 7
0 4 1
En R2 ens cal el canvi de base can`onica a base w1 , w2 . Com el que tenim es
w1 , w2 en base can`onica, invertim la matriu del canvi de base contrari
Cwe
(Cew )1
!1
2 5
=
1 3
3 5
=
1 2
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
`
La idea disomorfisme es molt important en Algebra
lineal. Que dos espais
siguin isomorfs no vol dir que siguin iguals, per`o s que tots els c`alculs que
es facin en un dells es tenen per laltre espai mitjancant un canvi de base.
Comencem amb notacio:
Definici
o 3.29.
jectiva.
59
60
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
61
62
3.4
u G}.
63
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
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)
64
A=
8 4
6
1 2
0
Calculem en primer lloc la imatge del subespai G = [(1, 2, 2), (1, 3, 1)]: est`a
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
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
!
!
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.
Lema 3.44. Sigui f : E F una aplicaci
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 , aix`o 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 aix`o 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, per`o 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
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
0 ...
0 . . .
.
e
Mu (f ) =
1
..
0
..
68
A=
7 6 1
5 0 5
7 6 1
0 13 13
0 0
0
5 0 5
0 5 5
0 0
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 c`alcul 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
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
can`onica simplificar`a qualsevol canvi de base que shagi de fer despres. I
com en la base de sortida, poder aprofitar vectors de la base can`onica es la
situacio habitual, no una coincid`encia.
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 sim`etric.
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 an`alogues per columnes.
Les transformacions per files es poden interpretar en termes de multiplicacio de matrius. Primer recordem la base can`onica dun espai de matrius
71
CAPITOL 4. DETERMINANTS
72
Mmn (R). Est`a 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
73
1 2 1
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
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
CAPITOL 4. DETERMINANTS
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
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 `arees i volums en qualsevol dimensio, per`o es pot justificar si admetem que
per tota dimensio n el volum ndimensional dun producte de s`olids 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 l`area 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/`area amb les f`ormules que demostrem al captol
6 per l`area de parallelograms.
75
4.2
.
..
,
(viii) Si triem una fila i`essima 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.
CAPITOL 4. DETERMINANTS
76
2
A = 0 a2
... ...
...
...
2
det a1 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a31 a32 a33
77
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
par`ametres triangularla pot ser una mala opcio, perqu`e introdueix fraccions
racionals que dificulten el c`alcul. 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
CAPITOL 4. DETERMINANTS
78
Ara podem desenvolupar per qualsevol fila o columna que nomes contingui
dos elements diferents de zero, i el c`alcul es reduir`a 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
6 t 1
+ (1 t)(2 t)
7
5 t
79
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 hip`otesis 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
!
80
CAPITOL 4. DETERMINANTS
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 difer`encia 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
can`onica de sortida i darribada, per`o 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
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
1 0 1
u
Mu (f ) = 0 1 2
0 0 2
i es te det f = det Muu (f ) = 2.
Lestudi pr`actic 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.
CAPITOL 5. DIAGONALITZACIO
84
5.2
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
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 can`onica 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
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 can`onica te matriu
2
0 1
1
1
a
b 1 2
86
CAPITOL 5. DIAGONALITZACIO
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
. .
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.
CAPITOL 5. DIAGONALITZACIO
88
6 3 6
A + Id = 0 3 0
4 4 4
Aquest nucli es [(1, 0, 1)]. Per a comprovar la correccio del c`alcul, 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 can`onica 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
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 geom`etrica 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 geom`etrica.
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, per`o tenim les
k primeres columnes de la matriu:
0 0 ...
.
0
..
. . .
u
Mu (f ) =
..
. . .
.
0
0 ...
0
..
.
. . .
. . .
t . . .
0
. . .
CAPITOL 5. DIAGONALITZACIO
90
Podem desenvolupar aquest determinant succesivament per la primera, segona, . . . k`essima 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 can`onica i la forma diagonal D es
que son conjugades: podem pasar duna a laltra per la f`ormula 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 can`onica.
91
CAPITOL 5. DIAGONALITZACIO
92
Amb aix`o 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
perqu`e es cert per lanterior natural 1, es cert per 3 perqu`e 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, aix`o 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
..
93
el subespai ker(f i Id) no pot tenir dimensio mes gran pel lema 5.26. Per
tant f satisf`a les dues condicions de tenir suficients valors i vectors propis.
Recprocament, sigui f : E E endomorfisme que satisf`a 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
geom`etrica del lema 5.22 diu que per cada valor propi es te
1 mg () ma () = 1
Per tant les multiplicitats algebraica i geom`etrica son 1 per cada valor propi,
i f diagonalitza.
Exemple 5.29. Diagonalitzarem, si es posible, lendomorfisme f : R3 R3
que en base can`onica te matriu
1 2 2
4
8 4
A=
3 4 0
CAPITOL 5. DIAGONALITZACIO
94
= t3 + 9t2 26t + 24
Busquem ara els valors propis: no hem vist en aquest curs cap manera sistem`atica de trobar els zeros de polinomis de grau mes gran que dos, per`o
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 quadr`atica 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 ser`a 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
Resolvent el sistema del nucli veiem que el subespai ker(f 3Id) te base
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
Resolvent el sistema del nucli veiem que el subespai ker(f 4Id) te base
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 can`onica
i la forma diagonal D ve donada per la f`ormula 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 can`onica te matriu
cos sin
A=
sin cos
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 donar`a totes les aplicacions
de les formes diagonals: podem pensar r com un endomorfisme de C2 que te
matriu real A en base can`onica. 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 ser`a
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
CAPITOL 5. DIAGONALITZACIO
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 par`ametre. Per tant ker(r
(cos + i sin )Id) = [(i, 1)].
= cos i sin . En aquest cas ens podem estalviar els c`alculs per una rao
senzilla:
Lema 5.31. Si un endomorfisme f : Cn Cn te matriu real en base
seran els conjugats dels del
can`onica, 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 c`alcul de formes diagonals, primer
en abstracte i despres en un exemple (gairebe) de la vida real.
Exemple 5.32. (c`alcul de pot`encies i darrels quadrades) Sigui
1 2 2
A = 4 8 4
3 4 0
la matriu en base can`onica 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 pot`encia: per tot natural n An es la matriu de f n en
base can`onica. Ara be, en la base
propis u1 , u2 , u3 calculada en
de vectors
2 0 0
97
2n 0 0
2 0 0
0 3 0 = 0 3n 0
0 0 4
0 0 4n
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
2
0
0
Q= 0
3 0
0
0
2
2 0 0
CAPITOL 5. DIAGONALITZACIO
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 n`essima 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 pot`encies de la matriu
A. Per a fer aix`o la diagonalitzarem:
Polinomi caracterstic:
0.7 t
0.6
= t2 1.1t + 0.1
cA (t) =
0.3
0.4 t
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 can`onica 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
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
5.3
5.3.1
Una difer`encia 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
CAPITOL 5. DIAGONALITZACIO
100
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 pot`encia 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 donar`a 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 can`onica 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
1
1
= (A 3Id) = 3 1
3
3
1
3
2
3
De totes maneres, aquest m`etode per calcular la inversa es molt poc eficient
en general.
CAPITOL 5. DIAGONALITZACIO
102
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
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 c`alcul 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
(5.1)
CAPITOL 5. DIAGONALITZACIO
104
= u2
= u3
..
.
...
a0
..
.
0 ak2
1 ak1
|
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, per`o 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 perqu`e 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 can`onica te matriu
2 0 0
D = 0 2 0
0 0 1
te polinomi caracterstic cf (t) = (2 t)2 (1 t), per`o podem comprovar
f`acilment 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
ser`a 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
CAPITOL 5. DIAGONALITZACIO
107
5.3.2
108
CAPITOL 5. DIAGONALITZACIO
109
0
=J =
1
3 4
B=
9 9
Ceu
1 6
=
es la matriu de canvi de base de Jordan a can`onica.
0 9
CAPITOL 5. DIAGONALITZACIO
110
0
Lema 5.49. Sigui J =
1
n
0
(i) J n =
.
n1
n
n
1
!
!
0
0
,
1
21
2
Indicacio de la prova: Les pot`encies 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
pot`encia 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 pot`encia g 12 : en la base de Jordan u1 , u2 g te matriu
J i g 12 te matriu J 12 . Si apliquem la f`ormula de canvi de base (Prop. 5.3)
resulta que la matriu de g 12 en base can`onica 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 can`onica aquesta aplicacio tindr`a 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).
B`asicament 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 param`etriques: donant un punt P V i una
base del subespai director F .
Passar de lequacio implcita a la param`etrica 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 est`a contingut en el de laltra.
La resta de la seccio son casos particulars daquestes idees.
111
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 param`etrica es de la forma
(x, y) = (x0 , y0 ) + (, )
6.1.2
Lespai
Definici
o 6.5. Lequacio implcita dun pla a lespai es de la forma
x + by + cz = d
i lequacio param`etrica es de la forma
(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 param`etrica de la forma (x0 , y0 , z0 ) + [~u, ~v ].
113
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 f`ormula 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
i lequacio param`etrica es de la forma
R
(x0 , y0 , z0 ) + (, , )
x 3y z = 2
2x + 4y + 6z = 5
23
10
75 z, y =
1
10
45 z, z R par`ametre. Per
23 1
7 4
, , 0) + z( , , 1)
10 10
5 5
zR
114
y = 1
= z1
6
x3
4
6.1.3
Canvis de refer`
encia
115
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
OQ = 1 e1 + + n en
i que tingui coordenades (1 , . . . , n ) en refer`encia 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
1
b1
1
.
. = .. + C e ..
u .
.
.
n
bn
116
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,
per`o).
!
Ceu b
Definici
o 6.14. La matriu
=
es la matriu ampliada de canvi
0... 1
de refer`encia {O, e1 , . . . , en } a {P, u1 , . . . , un }.
Aue
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 refer`encia, mes
l1 final.
La matriu de canvi de refer`encia can`onica a {P, u1 , u2 } es
Aeu = (Aue )1
5 2 4
1
= 2 1
,
0
0
1
117
P O en base u1 , u2 .
Per exemple, el punt Q = P + 6u1 4u2 te coordenades (6, 4) en refer`encia {P, u1 , u2 } (per definicio) i (2, 3) + 6(1, 2) 4(2, 5) = (0, 5) en
refer`encia can`onica. 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 refer`encia: Sigui l la recta que en refer`encia can`onica te equacio
x 3y 4 = 0. Aix`o vol dir que
2
l = (x, y) R | 1 3 4 y = 0
1
Per distingirles de les can`oniques, denotem ara (u, v) les coordenades dun
punt del pla en la refer`encia {P, u1 , u2 }. Volem saber ara quins son els punts
(u, v) tals que al posarlos en refer`encia can`onica son de l. Aix`o vol dir que
les coordenades (x, y) resultants del canvi de refer`encia 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
118
=
z
0 1 1 5 w
1
0 0 0 1
1
=
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
6.2.1
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 euclidi`a) Siguin x, y, z
n
R , , R qualsevols. El producte escalar euclidi`
a es:
(i) Bilineal:
hx + y, zi = hx, zi + hy, zi,
(ii) Sim`etric: hx, yi = hy, xi.
(iii) Definit positiu: Si x 6= 0, hx, xi > 0.
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
119
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, aix`o 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
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
<
hx, yi
kxkkyk
Aquesta definicio coincideix amb la cl`assica 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 refer`encia 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 sim`etric no detecta aquests detalls.
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
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 Pit`agores) 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, aix`o vol dir que els vectors x =
122
C
a
Exercici 17. Apliqueu lanterior prova del teorema de Pit`agores a un triangle qualsevol
i deduu el teorema del cosinus
[
c2 = a2 + b2 2 cos(CAB)
6.2.2
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
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
123
hv1 , xi = 0
..
hv , xi = 0
m
a11
am
1
...
...
...
a1n
am
n
x1
.. =
xn
.
.
.
aix`o 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
124
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
125
126
W1
V1
V2
Demostracio. Siguin V1 = p1 + F1 , V2 = p2 + F2 equacions param`etriques de
V1 , V2 .
`
6.2. EL PRODUCTE ESCALAR EUCLIDIA
127
Proposici
o 6.35. Siguin V1 , V2 Rn varietats lineals, P V1 , Q V2 punts
Aleshores kP 0 Q0 k kP Qk.
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 aix`o, 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 Pit`agores es te
kP 0 Q0 k2 = kP Qk2 + kP 0 P + QQ0 k2
dist`
ancia entre qualsevol parell de punts P V1 , Q V2 tal que P Q sigui
ortogonal a V1 i a V2 .
128
2x + y z = 1
2x 3y 5z = 19
l2 =
xy =3
z=2
R
R
punt el punt P est`a 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
|ax0 + by0 c|
a2 + b 2
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
129
6.3
6.3.1
a2 + b 2 + c 2
`
Arees,
volums, producte vectorial
Determinants, `
arees i volums
c+d
d
2
(b,d)
(a,c)
1
a+b
= (a + b)(c + d) bc bc
2
2
2
2
= ad bc
Aix`o 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
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
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 est`a en el semipl`a superior.
(ii) d < 0: la base es inversa i u2 est`a en el semipl`a inferior.
12
9
3
6
u1
u2
u1
base directa
u2
base inversa
Hem distingit els dos casos mirant en quin semipl`a est`a u2 en una refer`encia adaptada, per`o tambe podem ferho sense variar la refer`encia:
- 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 rev`es que les agulles del rellotge) ja que u2 est`a
en el semipl`a superior.
- En canvi, si la base te orientacio inversa, com el vector u2 est`a en el
semipl`a inferior el sentit de gir en el que u1 arribar`a abans a superposar
se a u2 es el sentit horari (com les agulles del rellotge).
Completant els detalls daquest raonament es te un criteri pr`actic 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
Proposici
o 6.44. L`area dun triangle del pla P QR es
A=
1
det(P QP R)
2
T=Q+PR
R
P
En la Proposicio 6.44 hem escollit dos vectors costat del triangle amb
origen com
u, per`o com el valor absolut del determinant no varia al multiplicar
per -1 un dels vectors podem usar dos vectors costat qualsevols pel c`alcul.
Un dels motius de linter`es del c`alcul d`arees de triangles es que podem
descomposar qualsevol regio poligonal del pla en triangles, i daquesta manera
calcularli l`area.
Exemple 6.45. Calculem l`area del quadril`ater format pels punts P = (0, 0), Q =
(5, 3), R = (2, 5), T = (1, 2).
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
133
R=(2,5)
Q=(5,3)
T=(1,2)
P=(0,0)
AP QRT = AP QR + AP RT =
= 14
(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 conveni`encia propietats
dels determinants 3 3 u
tils per la geometria de lespai.
134
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
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
x+y+z
x+z
x+z
135
y+z
z
y+z
z
x+y
y
0
136
u3
u2
u2
u3
u1
bases directes
u2
u1
u3
base inversa
6.3.2
El producte vectorial
x3 x1 x3 x1 x2
,
,
) R3
y3 y1 y3 y1 y2
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
137
~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
f`ormula del determinant 3 3 com un truc mnemot`ecnic 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 aix`o 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
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
x x
x x
x3
1
1
3
2
+
+
y3
y1 y3
y1 y2
`
6.3. AREES,
VOLUMS, PRODUCTE VECTORIAL
139
x+y
y
x
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 v`ertexs 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 exist`encia 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:
`
APENDIX
A. NOMBRES COMPLEXES
142
A.2
143
Im z
z=a+bi
|z|
Arg z
a
Re z
z
z
z+z
|z| = r = a2 + b2
= arg z, cos = ar ,
sin = rb ,
tan =
b
a
(A.1)
`
APENDIX
A. NOMBRES COMPLEXES
144
Recprocament, del m`odul r i largument podem dedur les seves parts real
i imagin`aria, 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 m`odul i angle ho es per a
calcular multiplicacions (i divisions, pot`encies, 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 f`ormules (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 f`ormules (A.1) mostren immediatament que z1 z2 te m`odul rs i argument
+ .
Notacio A.6. Si un nombre complex z te m`odul r i argument el denotarem
en forma exponencial per
z = rei
145
1 = ei
q
z = 6 6i = 6 2ei 4
`
APENDIX
A. NOMBRES COMPLEXES
146
Proposici
o A.8. (F`ormula 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
z = (cos + i sin ) =
n
X
j=0
n
cosnj ij sinj
j
(A.3)
Exemple A.10.
A qualsevol
taula trigonom`etrica 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 f`ormula 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
147
cos2 3 sin2 = 0
6
6
2
2
Si ara apliquem que sin = 1 cos tenim
4 cos2
3=0
6
q
A.3
r3 = 1
3 = 0 + k2,
kZ
2
2 4
, , 2, . . . , , . . .
3 3
3
148
`
APENDIX
A. NOMBRES COMPLEXES
Observem per`o 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 c`alcul podem dedur la
f`ormula general:
Proposici
o A.12. Si z = rei es un nombre
complex no nul, te n arrels n
n
`essimes 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 pot`encies
de x
p(x) = an xn + an1 xn1 + + a1 x + a0
Els coeficients del polinomi son els nombres an , . . . , a0 que multipliquen a les
pot`encies de la variable. El grau del polinomi (grau p(x) o deg p(x)) es la
pot`encia 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
. Aix`o 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 te`oric, 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
2 3
2
0
5
12
5
2 5
quocient
reste
(B.1)
151
Demostracio. Si substitum x = a a la igualtat (B.1) tenim
p(a) = q(a)(a a) + r0 = r0
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 quadr`atiques (vegeu lap`endix A), per`o 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
dimport`ancia evident (resolucio dequacions, c`alcul 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 f`ormules
tpiques densenyament secondari.
- Pels polinomis de graus 3 i 4 tambe existeixen f`ormules per calcular els
zeros, per`o son complicades i poc pr`actiques.
- Pels polinomis de grau 5 o mes no existeix cap f`ormula 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 m`etodes num`erics com ara el de Newton.
Deixem aquest problema pels cursos de C`alcul, 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