Eines d`algebra lineal i matricial per a la

enginyeria qumica
Mara Isabel Garca Planas
Maria Dolors Magret Planas
Primera edicio: Setembre 2004
Editor: las autores
ISBN: 84-609-2021-6
Dip`osit legal: B-37 847-04
c _ M
a

Isabel Garca Planas, M. Dolors Magret

Index
Presentacio 8
1 Estructures algebraiques: grups, anells, cossos 11
1.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Estructures algebraiques . . . . . . . . . . . . . . . . . . 12
1.3 El cos dels nombres complexos . . . . . . . . . . . . . . . 13
1.4 Lanell dels polinomis . . . . . . . . . . . . . . . . . . . . 16
1.5 Ap`endix: Cossos nits . . . . . . . . . . . . . . . . . . . 19
1.6 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 21
1.7 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 22
1.8 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 26
2 Espais vectorials 29
2.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Denicio i propietats . . . . . . . . . . . . . . . . . . . . 30
2.3 Subespais vectorials . . . . . . . . . . . . . . . . . . . . . 33
2.4 Depend`encia i independ`encia lineal . . . . . . . . . . . . 34
2.5 Sistemes de generadors . . . . . . . . . . . . . . . . . . . 35
2.6 Bases. Dimensio . . . . . . . . . . . . . . . . . . . . . . . 36
2.7 Suma i intersecci o de subespais vectorials . . . . . . . . . 38
2.8 Suma directa. Complementari . . . . . . . . . . . . . . . 40
3
4
2.9 Producte escalar. Bases ortonormals . . . . . . . . . . . 42
2.10 Ap`endix A . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.11 Apendix B . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.12 Ap`endix C . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.13 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 54
2.14 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 56
2.15 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.16 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 61
3 Matrius i sistemes de equacions 63
3.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2 Notacions i terminologia . . . . . . . . . . . . . . . . . . 64
3.3 Rang duna matriu . . . . . . . . . . . . . . . . . . . . . 71
3.4 Transformacions elementals duna matriu . . . . . . . . . 72
3.5 Inversa duna matriu . . . . . . . . . . . . . . . . . . . . 80
3.6 Sistemes dequacions lineals . . . . . . . . . . . . . . . . 83
3.7 Aplicacio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.8 Aplicacio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.9 Ap`endix . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.10 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 89
3.11 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 90
3.12 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.13 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 96
4 Aplicacions lineals 99
4.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.2 Concepte daplicacio lineal . . . . . . . . . . . . . . . . . 99
4.3 Determinacio duna aplicacio lineal . . . . . . . . . . . . 101
4.4 Nucli i imatge duna aplicacio lineal . . . . . . . . . . . . 103
4.5 Isomorsme natural associat a una base . . . . . . . . . . 106
5
4.6 Matriu associada a una aplicacio lineal . . . . . . . . . . 107
4.7 Canvis de base . . . . . . . . . . . . . . . . . . . . . . . 108
4.8 Subespais invariants per un endomorsme . . . . . . . . 111
4.9 Operacions amb aplicacions lineals . . . . . . . . . . . . 113
4.10 El grup lineal . . . . . . . . . . . . . . . . . . . . . . . . 115
4.11 Ap`endix A . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.12 Ap`endix B . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.13 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 121
4.14 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.15 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 127
5 Determinants 129
5.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.2 Permutacions . . . . . . . . . . . . . . . . . . . . . . . . 129
5.3 Denicio de determinant i propietats . . . . . . . . . . . 131
5.4 C`alcul de determinants . . . . . . . . . . . . . . . . . . . 134
5.5 Aplicacio 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.6 Aplicacio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.7 Aplicacio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.8 Aplicacio 4 . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.9 Determinant dun endomorsme . . . . . . . . . . . . . . 140
5.10 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 141
5.11 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 142
5.12 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.13 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 146
6 Diagonalitzacio dendomorsmes 147
6.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.2 Vectors propis i valors propis . . . . . . . . . . . . . . . . 147
6.3 Polinomi caracterstic . . . . . . . . . . . . . . . . . . . . 152
6
6.4 Endomorsmes diagonalitzables . . . . . . . . . . . . . . 155
6.5 Teorema de diagonalitzacio . . . . . . . . . . . . . . . . . 157
6.6 El Teorema de Cayley-Hamilton . . . . . . . . . . . . . . 159
6.7 Ap`endix A . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.8 Ap`endix B . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.9 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 164
6.10 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 165
6.11 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.12 Exercicis resolts amb Maple . . . . . . . . . . . . . . . . 170
7 Endomorsmes ortogonals i sim`etrics 173
7.1 Introduccio . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.2 Aplicacio lineal adjunta . . . . . . . . . . . . . . . . . . . 173
7.3 Endomorsmes ortogonals . . . . . . . . . . . . . . . . . 175
7.4 Endomorsmes sim`etrics . . . . . . . . . . . . . . . . . . 179
7.5 Ap`endix . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
7.6 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . . 187
7.7 Comentaris nals . . . . . . . . . . . . . . . . . . . . . . 188
7.8 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Bibliograa 194
7
Aquesta es una versi o revisada per la profesora M
a

Isabel Garca Planas,

dels apunts de la asignatura editats el curs passat.
Barcelona 18-VII-2005
Presentacio
Aquest llibre recull el material preparat per als estudiants de lassignatura
d`algebra lineal de la titulacio denginyeria qumica de la UPC. Es tracta
dun llibre b`asic daquesta mat`eria, tot i que shi ha introdut alguns
elements especcs.
El nucli b`asic est`a constitut pels temes cl`assics en un llibre d`algebra
lineal: espais vectorials, aplicacions lineals entre espais vectorials i di-
agonalitzacio dendomorsmes. Junt a aquests temes centrals apareixen
aquells que son, a banda de la seva import`ancia en si mateixos, les eines
amb qu`e habitualment es treballa en estudiar els anteriors: nombres com-
plexos, polinomis, matrius, sistemes lineals dequacions, determinants.
En tots aquests captols es donen les denicions dels diferents conceptes,
aix com els resultats essencials, amb la demostracio corresponent en la
majoria dels casos i exemples abundants. Sha volgut, a mes, incloure en
cada captol una breu nota hist`orica, comentaris en nalitzar els captols
sobre la seva import`ancia i aplicabilitat, exemples de resolucio dalguns
exercicis mec`anics utilitzant el programa Maple i aplicacions a l`ambit
de la qumica.
En ser llibre destudi recomenat als estudiants, cada captol consta duna
`amplia col
.
leccio dexercicis, amb les solucions corresponents.
La intenci o de les autores es oferir als estudiants un text complet d`algebra
lineal b`asica que els permet assolir un cert grau de soltura en la resolucio
dels excercicis i, al mateix temps, introduir-se en labstraccio de les de-
mostracions, en la visualitzacio de com resoldre exercicis amb lajut dun
ordinador i entreveure la gran aplicabilitat daquesta mat`eria, tant en
9
10
l`ambit de la propia matem`atica o de lenginyeria qumica com en altres
camps.
Volem agrair als Drs. Francesc Mas, Catedr`atic de Qumica-Fsica de la
Facultat de Qumica de la Universitat de Barcelona i Josep J. Centelles,
Professor de Bioqumica tambe de la Facultat de Qumica de la Univer-
sitat de Barcelona, les converses que han permes elaborar els apartats
dedicats a les aplicacions a la qumica.
Les autores
Barcelona, 31 dagost de 2004.
Captol 1
Estructures algebraiques:
grups, anells, cossos
1.1 Introduccio
Va ser cap a nals del segle XIX que es van desenvolupar teories abs-
tractes com l`algebra commutativa. Es pot situar els inicis de la teoria
de grups en lobra de Lagrange i Gauss (segle XVIII) per`o sobretot en
lobra de Galois (1811-1832), tot i que no apareix una denicio ns nals
dels segle XIX amb Cayley, entre altres. Alguns autors han considerat la
teoria de grups com la major ta de les matem`atiques del segle XX. Els
conceptes de cos i extensio de cossos, anells i ideals apareixen en treballs
de Galois, Dedekind (1831-1916), Kronecker (1823-1891) i D. Hilbert
(1862-1943). Aquesta teoria va ser axiomatitzada i sistematitzada per
Noether (1882-1935). La introduccio dels nous elements han perm`es la
utilitzacio de l`algebra no nomes en altres branques de les matem`atiques,
sino tambe en altres disciplines, com per exemple la mec`anica.
Els exemples mes b`asics danells commutatius son el conjunt dels nombres
enters i el conjunt dels polinomis amb coecients en un cos.
Lorigen dels polinomis es pot situar en la matem`atica babil`onica (1500
aC) on apareix un algorisme de resolucio dequacions polin`omiquesde
segon grau. La matem`atica grega va fer tambe aportacions en aquest
sentit, per`o van ser els `arabs els qui van jugar un paper fonamental,
11
12 Captol 1. Estructures algebraiques: grups, anells, cossos
especialment Al-Khwarizmi (850 dC) en lobra del qual es classicaven
les equacions ns a segon grau i es donaven m`etodes per a resoldre-les.
En el segles XIII i XIV van orir les Aritm`etiques mercantils que van
constituir el nexe entre l`algebra dels `arabs i la dels algebristes del
s. XV. Cardan utilitzava ja quantitats que no eren nombres reals. Bom-
belli (1572) va desenvolupar eines per manipular aquests nombres (nom-
bres complexos), que encara no sexpressaven en la forma bin`omica ac-
tual. La primera demostracio del teorema fonamental de l`algebra sa-
tribueix a Gauss (1949), tot i que anteriorment shavien fet diverses de-
mostracions: Argand, Euler, Lagrange-Laplace,..., ns i tot el mateix
Gauss lany 1749.
1.2 Estructures algebraiques
Sigui C un conjunt, en el qu`e es deneix una operacio, que notarem per
+.
Denicio 1.2.1. Es diu que C es un grup quan es compleixen les pro-
pietats seg uents:
1. Per a r. . . C qualssevol, (r +) + . = r + ( + .).
2. Existeix un element en C, que notarem per 0 i al que anomenarem
element neutre, tal que r+0 = 0+r per a qualsevol element r C.
3. Per a tot r C existeix un element r

C de manera que r+r

=
r

+ r = 0.
Quan, a mes, es compleix la propietat seg uent:
4. Per a r. C qualssevol r + = + r
es diu que C es un grup commutatiu.
Suposem ara que en el conjunt C tenim denides dues operacions, que
notarem per + i .
Denicio 1.2.2. Direm que C es un anell quan C es un grup commutatiu
amb + (es a dir, es compleixen les quatre propietats anteriors) i, a mes,
tambe es compleixen les propietats seg uents.
1.3. El cos dels nombres complexos 13
5. Per a r. . . C qualsevol, (r ) . = r ( .).
6. Per a r. . . C qualssevol, (r +) . = r . + ..
Quan a mes, es compleix que:
7. Per a r. C qualssevol, r = r, es diu que C es un anell
commutatiu.
Quan C es un anell commutatiu i, a mes,
8. Existeix un element de C, que notarem per 1 i al que anomenarem
element unitat, tal que r 1 = r per a qualsevol element r C
direm que C es un anell commutatiu amb element unitat.
Finalment, si tambe tenim la propietat seg uent:
9. Per a tot r C, r ,= 0, existeix un element r

C de manera que
r r

= 1 es diu que C es un cos.

Exemple 1.2.1. El conjunt Z dels nombres enters amb la suma es un grup
commutatiu.
El conjunt Z dels nombres enters amb la suma i el producte es un anell
commutatiu amb element unitat, per`o no es un cos.
El conjunt Q dels nombres racionals i el conjunt R dels nombres reals,
amb la suma i el producte son cossos.
1.3 El cos dels nombres complexos
Existeixen equacions quadr`atiques que no tenen cap solucio a R. Per
exemple, lequacio r
2
+ 1 = 0. Sintrodueix i com la solucio daquesta
equacio, es a dir, i =

1. En aquesta seccio denirem el conjunt dels

nombres complexos, aix com les operacions b`asiques en aquest conjunt.
Denicio 1.3.1. Un nombre complex es un nombre de la forma c + /i,
amb c i / nombres reals.
14 Captol 1. Estructures algebraiques: grups, anells, cossos
En el conjunt dels nombres complexos
C = c + /i [ c. / R
es poden denir les operacions suma i producte de la manera seg uent:
(c +/i) + (c + di) = (c +/) + (c + d)i
(c +/i) (c + di) = (cc /d) + (cd + /c)i
Remarca. Amb aquestes operacions el conjunt dels nombres complexos
es un cos.
Tot nombre complex es pot representar geom`etricament com un vector
(c. /) R
2
.
A la notacio habitual c +/i se li diu expressio bin`omica de .. Diem part
real de . a c i part imagin`aria de . a /. Ho notem Re (.) = c, Im (.) = /.
A continuacio veurem alguns conceptes usuals en treballar amb nombres
complexos.
Denicio 1.3.2. Donat un nombre complex . = c +/i, sanomena con-
jugat de . al nombre c /i i el notem per ..
Es veriquen les propietats seg uents:
1. . .

= . .

, .. .

C.
2. . + .

= . + .

, .. .

C.
3. . + . R, . C.
4. . = . . R.
Denicio 1.3.3. Donat un nombre complex . = c+/i sanomena m`odul
de . a

c
2
+ /
2
i el notem per [.[.
El m`odul dun nombre complex verica les propietats seg uents:
1. [.[ R i [.[ 0, . C.
2. [.[ = 0 . = 0.
3. [. + .

[ [.[ +[.

[ .. .

C.
1.3. El cos dels nombres complexos 15
4. [. .

[ = [.[ [.

[ .. .

C.
El m`odul del nombre complex . = c+/i representa la dist`ancia a lorigen
de lextrem del vector (c. /) R
2
.
Linvers dun nombre complex . = c + /i es:
1
.
=
.
. .
=
.
[.[
2
.
Remarca. At`es que
z
|z|
te m`odul 1, existeix un angle [0. 2) tal que
.
[.[
= cos + i sin
Denicio 1.3.4. A aquest angle se lanomena argument de ., i el notem
per arg (.) = .
Es veriquen les propietats seg uents:
1. arg (. .

) = arg (.) + arg (.

) .. .

C.
2. arg
_
1
z
_
= arg (.) . C, . ,= 0.
El nombre . el podem escriure com
. = [.[(cos + i sin ) = [.[c
i
.
Lexpressio [.[c
i
sanomena forma exponencial del nombre complex ..
Tambe es freq uent la notacio [.[

que rep el nom de forma polar del

nombre ..
A partir de la formula de Moivre:
(cos + i sin )
n
= cos : + i sin :
es dedueix que, donat un nombre complex . = [.[c
i
, la seva pot`encia
:-`esima es:
.
n
= ([.[(cos + i sin ))
n
= [.[
n
(cos : + i sin :)
o be, expressant-ho en forma exponencial:
.
n
= [.[
n
c
in
.
16 Captol 1. Estructures algebraiques: grups, anells, cossos
Fent servir el raonament anterior tenim que si . = [.[c
i
C, aleshores
les seves arrels :-`esimes (els nombres complexos n tals que n
n
= .) son:
n
_
[.[
_
cos
_
+ 2/
:
_
+ i sin
_
+ 2/
:
__
. 0 / : 1 .
Les representacions geom`etriques de les arrels :-`esimes dun nombre com-
plex . es troben totes sobre la circumfer`encia de radi
n
_
[.[ i equidisten
entre elles (es a dir, son els v`ertexs dun polgon regular).
Exemple 1.3.1. Les arrels sisenes de . = 1 son:
.
1
= 1
.
2
=
_
cos
2
6
+ i sin
2
6
_
.
3
=
_
cos
4
6
+ i sin
4
6
_
.
4
= 1
.
5
=
_
cos
8
6
+ i sin
8
6
_
.
6
=
_
cos
10
6
+ i sin
10
6
_
que son els v`ertexs dun ex`agon regular de radi 1.
Remarca. En multiplicar un nombre complex . pel nombre .

= cos +
i sin el que fem, des del punt de vista geom`etric, es un gir de centre
lorigen i angle , en sentit antihorari.
Aquest es un resultat que pot esser util a lhora de resoldre problemes.
1.4 Lanell dels polinomis
Considerarem, en aquesta seccio, polinomis duna variable amb coe-
cients en un cos commutatiu, que ser`a b`asicament Q, R o C. Mes con-
cretament, estudiarem com determinar les arrels dun polinomi (i les
seves respectives multiplicitats) i la seva descomposicio en producte de
factor primers. Tambe veurem el mnim com u m ultiple i el m`axim com u
divisor de dos o mes polinomis.
Sigui j(t) = c
0
+ c
1
t + c
2
t
2
+ + c
n
t
n
1[t] un polinomi de grau :
amb coecients en el cos commutatiu 1.
1.4. Lanell dels polinomis 17
Denicio 1.4.1. Direm que es una arrel de j(r) de multiplicitat :
N, : 1, si j() = j

() = j

() = = j
(m1)
() = 0 i j
(m)
() ,= 0.
Si : = 1 direm que es una arrel simple; si : = 2, doble, etc. En
general, per a : 2, direm que es arrel m ultiple.
Recordem que j() = c
0
+c
1
+c
2

2
+ +c
n

n
es el valor de j(t) en
.
Proposicio 1.4.1. es una arrel de j(t) de multiplicitat : si, i nomes
si, (t )
m
divideix j(t) i (t )
m+1
ja no divideix j(t), es a dir: j(t) =
(t )
m
(t) amb (t) 1[t], () ,= 0.
Demostracio. Lenunciat es pot deduir f`acilment si considerem el desen-
volupament de Taylor del polinomi j(t) 1[t] en t = :
j(t) = j(c)+
j

(c)
1!
(tc)+
j

(c)
2!
(tc)
2
+ +
j
(n)
(c)
:!
(tc)
n
. c 1
aplicant-lo al cas c = .
Remarca.
1. Si j(t) = c
0
+c
1
t+ +c
n
t
n
i c
0
. c
1
. . . . . c
n
Z, aleshores la fraccio
irreductible c,/ es arrel de j(t) si, i nomes si, c es divisor de c
0
i /
ho es de c
n
(regla de Runi).
2. Siguin j(t) = c
0
+ c
1
t + + c
n
t
n
R[t] i C. Si es arrel de
j(t), aleshores el conjugat de , , tambe es arrel de j(t).
Denicio 1.4.2. Un polinomi j(t) 1[t], diem que es primer (o irre-
ductible) a 1[t] si no es possible escriurel com a producte de dos poli-
nomis de 1[t] ambdos amb grau mes petit que el de j(t). En aquest cas,
els seus unics divisors son els polinomis constants o be del tipus j(t)
essent 1, ,= 0.
Exemple 1.4.1. Els polinomis de grau 1 son primers.
Remarca.
1. Un polinomi pot ser irreductible sobre un cos per`o no ser-ho sobre
un altre cos. Per exemple, t
2
+ 1 es primer a R[t] per`o no ho es a
C[t] (ja que a C[t], t
2
+ 1 = (t + i)(t i)).
18 Captol 1. Estructures algebraiques: grups, anells, cossos
2. A C[t] els unics polinomis primers son els de grau 1 mentre que a
R[t] tambe ho son el de segon grau amb discriminant negatiu.
Teorema 1.4.1. Tot polinomi j(t) 1[t] amb grau j(t) 1 es pot
escriure com a producte de polinomis irreductibles de 1[t] (sanomena
descomposicio de j(t) en factors primers a 1[t]):
j(t) = (j
1
(t))
m
1
. . . (j
r
(t))
m
r
on 1, j
i
(t) 1[t] primers i m`onics i, 1 i :.
Un polinomi sanomena m`onic quan el coecient del terme de grau m`axim,
anomenat principal, es igual a 1.
Exemple 1.4.2. t
3
+2t
2
t+4 es m`onic, no aix el polinomi 4t
3
+2t
2
t+1.
Remarca. La descomposicio dun polinomi j(t) en factors primers es
unica, llevat de lordre dels factors.
El resultat seg uent es conegut com a Teorema fonamental de l`algebra.
Teorema 1.4.2. Tot polinomi j(t) C[t] de grau : te : arrels a C.
Una formulaci o equivalent seria: tot polinomi j(t) R[t] descompon en
producte de factors lineals i factors de grau 2 amb discriminant negatiu.
Denicio 1.4.3. Siguin j
1
(t). . . . . j
n
(t) 1[t]. Anomenem m`axim com u
divisor daquests polinomis a un polinomi d(t) 1[t] tal que
1) es divisor de cadascun dels polinomis donats,
2) qualsevol altre divisor com u de tots es divisor de d(t),
3) es m`onic.
Posarem:
d(t) = m.c.d.(j
1
(t). . . . . j
n
(t))
I anomenem mnim com u m ultiple dels esmentats polinomis a un polinomi
:(t) 1[t] tal que
1) es m ultiple de cadascun dels polinomis donats,
2) qualsevol altre m ultiple com u de tots es m ultiple de :(t),
1.5. Ap`endix: Cossos nits 19
3) es m`onic.
Posarem:
:(t) = m.c.m.(j
1
(t). . . . . j
n
(t))
Proposicio 1.4.2. Si j(t) = (t)c(t) + :(t) amb grau :(t) < grau j(t) i
(t) ,= 0, llavors m.c.d. (j(t). (t)) = m.c.d. ((t). :(t)).
Laplicacio reitarada daquest resultat es coneix com lalgorisme dEu-
clides per a trobar el m`axim com u divisor de dos polinomis j(t) i (t).
Exemple 1.4.3. Considerem els polinomis j(t) = t
10
t
6
t
4
+ 1 i (t) =
t
5
t
3
t
2
+ 1. Per a calcular m.c.d(j(t). (t)) podem procedir de la
forma seg uent, aplicant el resultat anterior.
j(t) = (t
5
+ t
4
+ 3t
3
+ 6t
2
+ 11t + 23)(t) + (45t
4
+ 45t
3
45t 45)
Llavors:
m.c.d(j(t). (t)) = m.c.d((t). 45t
4
+ 45t
3
45t 45) = t
4
+ t
3
t 1.
El m`axim com u divisor i el mnim m ultiple de dos polinomis estan rela-
cionats de la manera seg uent.
Proposicio 1.4.3. Si d(t) = m.c.d. (j(t). (t)) es el m`axim com u divisor
i :(t) es el mnim com u m ultiple de dos polinomis j(t) i (t), aleshores:
:(t) =
j(t)(t)
c
n
/
m
d(t)
essent c
n
i /
m
els coecients principals de j(t) i de (t), respectivament.
1.5 Ap`endix: Cossos nits
A mes dels exemples de cossos ja esmentats: Q, R i C, hi ha altres cossos,
alguns dels quals tenen un nombre nit delements (cossos nits).
Es diu que un cos 1 es nit quan te un nombre nit delements. A aquest
nombre delements se li diu lordre del cos.
20 Captol 1. Estructures algebraiques: grups, anells, cossos
Galois va provar que una condicio necess`aria i sucient per a que existeixi
un cos nit de elements es que sigui pot`encia dun nombre primer.
Sindica per F
q
el cos nit de elements.
Donat : Z qualsevol, es diu que dos nombres enters r. son congruents
m`odul :, i ho indicarem per r (mod. :), quan la difer`encia r
es un m ultiple de :.
Per a cada nombre enter r, posarem [r] a la classe daquest nombre enter,
que es el conjunt format per tots els nombres enters que son congruents
amb ell. I posarem Z,:Z al conjunt format per aquestes classes.
A Z,:Z podem denir una suma i un producte de la manera seg uent:
(a) [r] + [] = [r + ], r. Z.
(b) [r][] = [r], r. Z.

Es f`acil comprovar que aquestes operacions estan ben denides.

A continuaci o presentem les taules de les operacions de suma i producte
per a : 4.
: = 2
+ [0] [1]
[0] [0] [1]
[1] [1] [0]
[0] [1]
[0] [0] [0]
[1] [0] [1]
: = 3
+ [0] [1] [2]
[0] [0] [1] [2]
[1] [1] [2] [0]
[2] [2] [0] [1]
[0] [1] [2]
[0] [0] [0] [0]
[1] [0] [1] [2]
[2] [0] [2] [1]
: = 4
+ [0] [1] [2] [3]
[0] [0] [1] [2] [3]
[1] [1] [2] [3] [0]
[2] [2] [0] [1] [2]
[3] [3] [0] [1] [2]
[0] [1] [2] [3]
[0] [0] [0] [0] [0]
[1] [0] [1] [2] [3]
[2] [0] [2] [0] [2]
[3] [0] [3] [2] [1]
Observem que a Z,4Z hi ha divisors de zero i que els elements que no
son divisors de zero son aquells nombres enters primers amb 4.
En el cas general, es compleix la condicio seg uent.
1.6. Aplicacio a la qumica 21
Z,:Z es un cos si, i nomes si, : es un nombre primer.
A mes, si : = j es un nombre primer, es verica que j[1] = [1]+
p

. . .+[1] =
[0] i j es diu que es la caracterstica del cos.
Els cossos de la forma Z,jZ, amb j un nombre primer, sanomenen cossos
primers.
1.6 Aplicacio a la qumica
C`alcul del volum crtic
En estudiar les equacions destat dels gasos cal tenir en compte el proces
de condensacio, que te lloc a temperatures baixes i pressions elevades.
A temperatures elevades i pressions baixes, els gasos compleixen la llei
dels gasos ideals:
1\ = :11
A valors de pressio elevats, el gas deixa de complir la llei dels gasos
ideals, ja que les mol`ecules de gas interaccionen entre si. Llavors el
comportament dels gasos reals lexpressa millor (tot i no ser rigurosament
exacta) lequacio dels gasos reals de van der Waals que, per a un mol de
gas, es:
_
1 +
c
\
m
_
(\
m
/) = 11
per a unes certes constants c. / R (depenents de cada gas). Observeu
que en el cas en qu`e c = / = 0 retrobem lequacio dels gasos ideals.
Per exemple, en el cas del di`oxid de carboni(CC
2
), els valors daquestes
constants es:
c = 3.592atm/
2
,mol
2
. / = 0.0427/,mol
Per a cada gas, existeix una certa temperatura, lanomenada temperatura
crtica, per sobre de la qual el gas no es pot condensar per mes que
saugmenti la pressio. La pressio necess`aria per condensar un gas a la
seva temperatura crtica sanomena pressio crtica. En el cas del di`oxid
de carboni, aquestes temperatura i pressio crtiques son:
1
c
= 304.281. 1
c
= 73. 0ct:
22 Captol 1. Estructures algebraiques: grups, anells, cossos
Podem reescriure la llei dels gasos reals de van der Waals de la forma
seg uent:
j\
3
m
(/1 +11)\
2
m
+ c\
m
c/ = 0
Sobserva que aquesta funcio es polin`omica, i els valors de \
m
, per a unes
certes temperatures i pressio, son les arrels del polinomi de grau 3:
j(t) = jt
3
(/1 +11)t
2
+ ct c/
Aquest polinomi pot tenir tres arrels reals, o be tenir-ne una de sola.
En el cas en qu`e hi ha tres arrels (quan no estem en les condicions de
temperatura i pressio crtiques), les dues arrels mes gran i mes petita
corresponen als volums molars de les fases vapor i lquid en equilibri. En
les condicions de pressio i temperatura crtica del gas, larrel es unica, i
es lanomenat volum crtic.
En el cas del di`oxid de carboni esmentat anteriorment, aquest volum
crtic es igual a \
c
= 0.014687/.
1.7 Comentaris nals
Els nombres complexos i els polinomis han estat tractats al llarg daquest
captol fent especial `emfasi en aquells aspectes pr`actics que seran util-
itzats en temes posteriors, per exemple el c`alcul del polinomi caracterstic
i dels valors propis dun endomorsme en el tema 6. Sense descuidar
la rigurositat, sha preferit fugir dun llenguatge que suposi un alt grau
dabstraccio en tot all`o en qu`e era possible fer un tractament mes directe.
No obstant aix`o, shan introdut al comencament del captol les nocions
de les estructures algebraiques b`asiques per familiaritzar lestudiant amb
elles. No es pot oblidar que al llarg del segle XX hi ha hagut un inter`es
creixent en lan`alisi destructures cada cop mes generals, passant-se de
l`algebra cl`assica a l`algebra abstracta.
Malgrat aquesta creixent abstraccio, els descobriments mes recents de
la fsica conrmen la relacio entre estructures matem`atiques i fenomens
experimentals (cossos dels nombres j-`adics i teoria de les s uper-cordes,
per exemple).
Daltra banda, la teoria de grups te importants aplicacions a la qumica:
Org`anica i inorg`anica, i a la fsicoqumica.
Aix, per exemple, tenim els grups de les operacions de simetria que
es poden dur a terme sobre una mol`ecula (una operacio de simetria es
1.8. Exercicis 23
aquella transformacio que duu la mol`ecula a una conguracio que no es
pot distingir de loriginal, atenent tant a lcomposicio com a lorientaci o).
La majoria daquests grups son nits, per`o tambe nhi ha dinnits.
1.8 Exercicis
1. Expresseu en forma exponencial els nombres complexos seg uents:
(a) 4 4i . (b)

3 + 3i . (c) 6 + 2

3i .
2. Escriviu en forma bin`omica els nombres complexos seg uents expres-
sats en forma exponencial
(a) 6c
i/4
. (b) 4c
i/3
. (c) 5c
i
.
3. Calculeu:
(a) (2 +

3i)
5
. (b) (1 + i)
6
.
4. Calculeu:

(1 +

3i)
60
(1 + i)
20
.
5. Trobeu . C tals que .
2
= (1 + i)
2
.
6. Calculeu les arrels vuitenes de la unitat.
7. Calculeu les arrels quartes de . = 16i.
8. Si n es una de les tres arrels c ubiques de
1
2
+

3
2
i, i u es una
arrel quadrada de
1
2

3
2
i, determineu: 2iun
2
.
9. Representeu gr`acament el lloc geom`etric dels punts que son repre-
sentacio geom`etrica dels . C que satisfan:
(a) Re . Im . 0
(b) Im . (Re .)
2
.
10. Proveu que nomes hi ha dos nombres complexos tals que la seva
suma es igual a 2 i el seu producte es igual a
3
4
.
11. Determineu R per tal que
3+2i
1i
+ i sigui un nombre real.
24 Captol 1. Estructures algebraiques: grups, anells, cossos
12. Proveu que 1 es arrel dels polinomis j
1
(t) = t
4
2t
3
+ 2t 1,
j
2
(t) = t
3
3t
2
+ 3t 1, j
3
(t) = t
5
3t
4
+ 2t
3
+ 2t
2
3t + 1.
Determineu en cada cas la seva multiplicitat.
13. Per a quins valors de la constant c R els polinomis j(t) = t
5
+
ct
4
+ 7t
3
2t
2
+ 4t 8, (t) = t
5
6t
4
+ ct
3
8t
2
tenen 2 com a
arrel m ultiple? Quina es la seva multiplicitat en cada cas?
14. Per a quin valor de la constant c R el polinomi j(t) = t
4
ct +1
es m ultiple del polinomi (t) = t
2
t + c?
15. Estudieu quins dels polinomis seg uents te arrels m ultiples i, en cas
armatiu, determineu-les: (a) j
1
(t) = t
4
2t
2
+1 (b) j
2
(t) = t
4

5t
3
+ 9t
2
7t + 2
(c) j
3
(t) = t
5
+ 3t
3
4t.
16. Determineu el polinomi m`onic j(t) R[t] de grau 5 que verica
que 2 es arrel doble de j(t), j(0) = j

(0) = 0 i j(3) = 2.
17. Sigui j(t) R[r] un polinomi tal que 2 es arrel triple de j(t),
j

(0) = 6 i j

(0) = 2. Determineu j(t) de grau mnim.

18. Trobeu un polinomi m`onic de grau 5 tal que j(0) = 10, i j

(t) te
com arrel simple 1 i com a arrel triple -2.
19. Calculeu c per a que els polinomis de R[t] j(t) = t
2
(3+c)t +3c i
(t) = t
2
4t + 4 tinguin una arrel comuna.
20. Sigui j(t) R[t]. Si la resta de dividir j(t) per (t + 1) es 3, per
(t 3) es 4, quina es la resta de dividir j(t) per t
2
2t 3?
21. Calculeu la resta de dividir per t 1 el polinomi
j(t) = t
n
+ (: 1)t
n1
+ t
n2
+ (: 3)t
n3
.
22. Determineu les arrels reals i doneu la descomposicio en factors
irreductibles dels polinomis de R[t] seg uents a R[t] i C[t]:
(a) t
3
+t
2
8t 12 (b) t
3
6t
2
+ 11t 6
(c) t
5
5t
4
+ 7t
3
2t
2
+ 4t 8 (d) t
5
3t
4
+ 4t
3
4t
2
+ 3t 1
23. Determineu el desenvolupament de Taylor del polinomi j(t) =
t
5
3t
3
+ 5 en els punts t = 1 i t = 2. Utilitzant aquest de-
senvolupament, determineu la resta de la divisio de j(t) per t 1,
(t 1)
2
, t 2 i (t 2)
3
.
1.8. Exercicis 25
24. Considereu un polinomi m`onic de grau 3 tal que la resta de dividir-
lo per t 1 es 1 i la resta de la divisio per t + 2 es -2. Quina es la
resta de la divisio per (t 1)(t + 2)?
25. Factoritzeu com a producte de polinomis primers a Q[t], R[t] i C[t]
respectivament, els polinomis segents:
(a) t
4
t
2
2 (b) t
4
3t
2
+ 2.
(c) t
4
1 (d) t
4
2t
3
11t
2
+ 12t + 36.
26. Calculeu el m`axim com u divisor de les parelles de polinomis seg uents,
descomponent-los primer com a producte de factors primers:
(a) j
1
(t) = t
4
7t
3
+ 17t
2
17t + 6

1
(t) = t
4
2t
3
+ t
2
(b) j
2
(t) = t
4
1

2
(t) = t
4
6t
3
+ 13t
2
12t + 4
(c) j
3
(t) = t
4
2t
3
+ t
2
2t

3
(t) = t
4
2t
3
7t
2
+ 20t 12
(d) j
4
(t) = t
4
4t
2
+ 4

4
(t) = t
4
+ t
3
5t
2
+ t 6
Determineu tambe el mnim com u m ultiple daquestes parelles de
polinomis.
27. Trobeu dos polinomis j
1
(t),
1
(t) tals que:
m.c.d.(j(t). (t)) = j
1
(t)j(t) +
1
(t)(t)
en cadascun dels casos seg uents:
(a) j(t) = t
4
3t
3
+ 4t
2
+ 2t 1, (t) = t
3
t
2
+ 2t + 2.
(b) j(t) = t
4
2t
2
+ 1, (t) = t
4
+ 3t
2
4.
La igualtat anterior sanomena identitat de Bezout.
28. Escriviu la taula de la suma i del producte a Z,5Z i comproveu que
es un cos.
29. Determineu elements [r]. [] a Z,6Z que no son [0] i que no tenen
invers.
30. Lequacio polin`omica t
2
1 = 0 te quatre solucions a Z,8Z. Quines
son?
26 Captol 1. Estructures algebraiques: grups, anells, cossos
31. Quins polinomis t
2
c son irreductibles a Z,6Z[t]?
32. Determineu
2
5
i

7 a Z,9Z.
1.9 Exercicis resolts amb Maple
Parts reals i imagin`aria dun nombre complex
Re((1/3)-(4/5)*I);
1
3
Im((1/3)-(4/5)*I);
4
5
Conjugat dun nombre complex
conjugate(1-(1/2)*I);
1 +
1
2
1
Operacions amb nombres complexos
(2*(3-4*I)-(1+I)/(3-5*I));
103
17

140
17
1
C`alcul del m`odul i largument
abs(10/7-I);
1.9. Exercicis resolts amb Maple 27

149
7
argument(1+I);

4
Pas a forma polar
polar(4+4*I);
polar(4

2.

4
)
Pas a forma bin`omica
evalc(polar(3,Pi/3));
3
2
+
3
2
1

3
Operacions amb polinomis
with(LinAlg):
3t

4-4 t

2+1-(5/4)(t

3-4);
3 t
4
4 t
2
+ 6
5
4
t
3
Quocient i resta de la divisio entera
quo(t

6-3t

4+t

2-1,t

3-4 t+1,t);
t
3
+ t 1
rem(t

6-3t

4+t

2-1,t

3-4 t+1,t);
5 t
2
5 t
28 Captol 1. Estructures algebraiques: grups, anells, cossos
C`alcul darrels
x:=RootOf(t

5-19/4t

4+13t

3+14t-15/4-39/2t

2);
r := RootOf(4 Z
5
19 Z
4
+ 52 Z
3
+ 56 Z 15 78 Z
2
)
allvalues(x);
3
4
. 1. 1. 1 + 2 1. 1 2 1
Factoritzaci o
Sobre els reals
factor(t

4-7/2t

3+11/2t

2-14t+6);
(t 3) (2 t 1) (t
2
+ 4)
2
Sobre els complexos
factor(t

4-7/2t

3+11/2t

2-14t+6,I);

(t + 2 1) (t + 2 1) (t 3) (2 t 1)
2
Sobre cossos nits
Factor(t

4-7/2t

3+11/2t

2-14t+6) mod 7;
(t + 4) (t + 3) (t
2
+ 4)
M`axim com u divisor i mnim com u m ultiple
gcd(t

8+9t

4-t-t

7-9t

3+1,t

4+4t

2-7t- t

3+3);
t 1
lcm(t

8+9t

4-t-t

7-9t

3+1,t

4+4t

2-7t-t

3+3);
(t
7
+ 9 t
3
1) (t
4
+ 4 t
2
7 t t
3
+ 3)
Captol 2
Espais vectorials
2.1 Introduccio
Lestructura despai vectorial es una abstraccio del conjunt dels vectors
lliures del pla o de lespai ordinari i de les seves propietats.Aix, sintro-
dueix un model abstracte despai vectorial i es desenvolupen conceptes i
propietats que siguin v`alides en tots els casos.
La geometria cartesiana introduda en el segle XVII es va veure com a
insucient cap el segle XIX, donant aix lloc a la seva axiomatitzacio i al
naixement del concepte abstracte despai vectorial.
Les idees despai vectorial, independ`encia lineal, dimensio i producte es-
calar estan presents en els treballs de Gauss, Cayley i Grassman (nals
segle XVIII i XIX), tot i que no utilitzen aquests noms. La denicio
axiom`atica despai vectorial real apareix per primer cop en un llibre
de Peano (1888). A nals del segle XIX i comencaments del segle XX
sorgeixen els espais vectorials de dimensio innita.
La introduccio de productes escalars es deguda a Schmidt (1907), tot i
que es poden trobar precedents a lobra de Hilbert i Schwarz, per exemple.
Existeixen moltes aplicacions en les qu`e sutilitzen bases ortonormals i
projeccions ortogonals sobre subespais vectorials.
29
30 Captol 2. Espais vectorials
2.2 Denicio i propietats
Comencem aquest captol donant la denicio despai vectorial.
Denicio 2.2.1. Diem que un conjunt 1 es un espai vectorial sobre un
cos commutatiu 1 si tenim denida una operacio interna (suma) en 1
que compleix:
1. (r +) + . = r + ( + .), r. . . 1
2. existeix 0 1 tal que r 1 es r + 0 = 0 + r = r
3. r 1 existeix r 1 tal que r + (r) = (r) + r = 0
4. r + = + r, r. 1
i una operacio externa (producte per escalars)
1 1 1
(. r) r
que compleix:
5. (r + ) = r + , 1, r. 1
6. ( + j)r = r +jr, . j 1, r 1
7. (jr) = (j)r, . j 1, r 1
8. 1r = r, r 1
Observeu que 1 amb loperacio suma te estructura de grup.
Els elements d1 sanomenen vectors i els elements de 1 sanomenen
escalars.
Exemple 2.2.1. R
n
amb les operacions ordin`aries de suma:
(r
1
. . . . . r
n
) + (
1
. . . . .
n
) = (r
1
+
1
. . . . . r
n
+
n
)
i de producte per escalars dR:
(r
1
. . . . . r
n
) = (r
1
. . . . . r
n
)
es un espai vectorial sobre R.
2.2. Denicio i propietats 31
En efecte. Loperacio suma compleix les quatre propietats seg uents.
1. Donats (r
1
. . . . . r
n
), (
1
. . . . .
n
), (.
1
. . . . . .
n
) R
n
qualssevol,
((r
1
. . . . . r
n
) + (
1
. . . . .
n
)) + (.
1
. . . . . .
n
) =
= (r
1
+
1
. . . . . r
n
+
n
) + (.
1
. . . . . .
n
) =
= ((r
1
+
1
) + .
1
. . . . . (r
n
+
n
) + .
n
) =
= (r
1
+ (
1
+ .
1
). . . . . r
n
+ (
n
+ .
n
)) =
= (r
1
. . . . . r
n
) + (
1
+ .
1
. . . .
n
+.
n
) =
= (r
1
. . . . . r
n
) + ((
1
. . . . .
n
) + (.
1
. . . . . .
n
))
2. Donat (r
1
. . . . . r
n
) R
n
qualsevol,
(r
1
. . . . . r
n
) + (0. . . . . 0) = (0. . . . . 0) + (r
1
. . . . . r
n
) = (r
1
. . . . . r
n
)
3. Donat (r
1
. . . . . r
n
) R
n
qualsevol, existeix (r
1
. . . . . r
n
) R
n
tal
que
(r
1
. . . . . r
n
)+(r
1
. . . . . r
n
) = (r
1
. . . . . r
n
)+(r
1
. . . . . r
n
) = (0. . . . . 0)
4. Donats (r
1
. . . . . r
n
). (
1
. . . . .
n
) R
n
qualssevol,
(r
1
. . . . . r
n
) + (
1
. . . . .
n
) = (r
1
+
1
. . . . . r
n
+
n
) =
= (
1
+ r
1
. . . . .
n
+ r
n
) = (
1
. . . . .
n
) + (r
1
. . . . . r
n
)
I loperacio producte per escalars dR compleix les quatre propietats
seg uents.
5. Donats (r
1
. . . . . r
n
). (
1
. . . . .
n
) R
n
qualssevol, per a tot R,
((r
1
. . . . . r
n
) + (
1
. . . . .
n
)) = (r
1
+
1
. . . . . r
n
+
n
) =
((r
1
+
1
). . . . . (r
n
+
n
)) = (r
1
+
1
. . . . . r
n
+
n
) =
= (r
1
. . . . . r
n
) + (
1
. . . .
n
) = (r
1
. . . . . r
n
) + (
1
. . . . .
n
)
6. Donats . j R qualssevol, per a tot (r
1
. . . . . r
n
) R
n
,
( +j)(r
1
. . . . . r
n
) = (( +j)r
1
. . . . . ( + j)r
n
) =
= (r
1
. . . . . r
n
) + (jr
1
. . . . . jr
n
) = (r
1
. . . . . r
n
) + j(r
1
. . . . . r
n
)
7. Donats . j R qualssevol, per a tot (r
1
. . . . . r
n
) R
n
,
(j(r
1
. . . . . r
n
)) = (jr
1
. . . . . jr
n
) =
= ((jr
1
). . . . . (jr
n
)) = ((j)r
1
. . . . . (j)r
n
) = (j)(r
1
. . . . . r
n
)
8. Donat (r
1
. . . . . r
n
) R
n
,
1 (r
1
. . . . r
n
) = (1 r
1
. . . . . 1 r
n
) = (r
1
. . . . . r
n
)
32 Captol 2. Espais vectorials
Exemple 2.2.2. 1[t], amb les operacions habituals de suma de polinomis
i producte per escalars de 1, es un espai vectorial sobre 1.
En efecte.
Recordem que, donats dos polinomis c(t) = c
0
+c
1
t + +c
n
t
n
i /(t) =
/
0
+/
1
t+ +/
m
t
m
, amb : :, la seva suma es el polinomi c(t)+/(t) =
(c
0
+/
0
) +(c
1
+/
1
)t + +(c
m
+/
m
)t
m
+c
m+1
t
m+1
+ +c
n
t
n
. Aquesta
operacio interna compleix les quatre propietats seg uents.
1. Donats c(t) = c
0
+ c
1
t + + c
n
t
n
, /(t) = /
0
+ /
1
t + + /
m
t
m
,
c(t) = c
0
+ c
1
t + +c

, pertanyents a 1[t], amb : : /,

(c(t) + /(t)) + c(t) = ((c
0
+/
0
) + (c
1
+/
1
)t + + (c
m
+/
m
)t
m
+
+c
m+1
t
m+1
+ + c
n
t
n
) + (c
0
+ c
1
t + + c

)
= ((c
0
+/
0
) + c
0
) + ((c
1
+ /
1
) + c
1
)t + + ((c

+ /

) + c

)t

+
+(c
+1
+ /
+1
)t
+1
+ + (c
m
+ /
m
)t
m
+ c
m+1
t
m+1
+ +c
n
t
n
= (c
0
+ (/
0
+c
0
)) + (c
1
+ (/
1
+ c
1
))t + + (c

+ (/

+ c

))t

+
+(c
+1
+ /
+1
)t
+1
+ + (c
m
+ /
m
)t
m
+ c
m+1
t
m+1
+ +c
n
t
n
= (c
0
+ c
1
t + +c
n
t
n
) + ((/
0
+ c
0
) + (/
1
+ c
1
)t + + (/

+ c

)t

+
+/
+1
t
+1
+ + /
m
t
m
) = c(t) + ((/(t) + c(t))) .
2. Donat c(t) = c
0
+c
1
t + +c
n
t
n
pertanyent a 1[t], c(t) +0 = c(t) =
0 + c(t).
3. Donat c(t) = c
0
+c
1
t + +c
n
t
n
pertanyent a 1[t], existeix c(t) =
c
0
c
1
t c
n
t
n
, pertanyent tambe a 1[t], tal que c(t) +(c(t)) =
(c(t)) +c(t) = 0.
4. Donats c(t) = c
0
+ c
1
t + + c
n
t
n
, /(t) = /
0
+ /
1
t + + /
m
t
m
pertanyents a 1[t], amb : : (cosa que podem suposar sense p`erdua
de generalitat),
c(t) + /(t) = (c
0
+ /
0
) + (c
1
+ /
1
)t + + (c
m
+ /
m
)t
m
+ c
m+1
t
m+1
+ + c
n
t
n
= (/
0
+ c
0
) + (/
1
+ c
1
)t + + (/
m
+ c
m
)t
m
+ c
m+1
t
m+1
+ + c
n
t
n
= /(t) + c(t) .
Recordem tambe que el producte dun polinomi c(t) = c
0
+c
1
t+ +c
n
t
n
pertanyent a 1[t] per un escalar 1 ve denit per c(t) = (c
0
) +
(c
1
)t + +(c
n
)t
n
. Aquesta operacio externa compleix les propietats
seg uents.
2.3. Subespais vectorials 33
5. Donats c(t) = c
0
+ c
1
t + + c
n
t
n
, /(t) = /
0
+ /
1
t + + /
m
t
m
pertanyents a R[t], amb : : (cosa que podem suposar sense p`erdua
de generalitat) i per tot 1.
(c(t) + /(t)) = ((c
0
+ /
0
) + (c
1
+ /
1
)t + + (c
m
+ /
m
)t
m
+
+c
m+1
t
m+1
+ +c
n
t
n
)
= (c
0
+ /
0
) + (c
1
+/
1
)t + + (c
m
+ /
m
)t
m
+c
m+1
t
m+1
+ + c
n
t
n
= (c
0
+ /
0
) + (c
1
+ /
1
)t + + (c
m
+/
m
)t
m
+c
m+1
t
m+1
+ + c
n
t
n
= [c
0
+ c
1
t + +c
m
t
m
+ c
m+1
t
m+1
+. . .
+c
n
t
n
] + [/
0
+ /
1
t + +/
n
t
n
]
= c(t) + /(t)
6. Donats . j 1 i per a tot c(t) = c
0
+ c
1
t + + c
n
t
n
R[t],
( + j)c(t) = (( +j)c
0
) + (( + j)c
1
)t + + (( + j)c
n
)t
n
= (c
0
+ jc
0
) + (c
1
+jc
1
)t + + (c
n
+ jc
n
)t
n
= [c
0
+ c
1
t + + c
n
t
n
] + [jc
0
+ jc
1
t + + jc
n
t
n
]
= c(t) + jc(t) .
7. Donats . j 1 i per a tot c(t) = c
0
+ c
1
t + + c
n
t
n
1[t],
(jc(t)) = (jc
0
+jc
1
t + + jc
n
t
n
)
= (jc
0
) + (jc
1
)t + + (jc
n
)t
n
= (j)c
0
+ (j)c
1
t + + (j)c
n
t
n
= (j)c(t) .
8. Donat c(t) = c
0
+ c
1
t + + c
n
t
n
pertanyent a 1[t], 1 c(t) = c(t).
2.3 Subespais vectorials
Un subconjunt no buit dun espai vectorial 1 es diu que es un subespai
vectorial quan es un espai vectorial amb les operacions de suma i producte
per escalars indudes per les d1.
Denicio 2.3.1. Un subconjunt no buit 1 1 es un subespai vectorial
d1 quan compleix:
34 Captol 2. Espais vectorials
1. Per a r. 1 qualssevol, el vector r + pertany tambe a 1.
2. Per a r 1 qualsevol, i per a tot 1, el vector r pertany
tambe a 1.
Exemple 2.3.1. A R
3
el conjunt 1 format per els vectors (r
1
. r
2
. r
3
) tals
que r
1
+ r
2
+ r
3
= 0, es un subespai vectorial. En efecte:
1. Donats r = (r
1
. r
2
. r
3
), = (
1
.
2
.
3
) qualssevol de 1, r + 1,
ja que
r
1
+
1
+r
2
+
2
+r
3
+
3
= (r
1
+r
2
+r
3
)+(
1
+
2
+
3
) = 0+0 = 0
2. Donat r = (r
1
. r
2
. r
3
) 1 qualsevol i per a tot R, r 1 ja
que
r
1
+ r
2
+r
3
= (r
1
+ r
2
+ r
3
) = 0 = 0
Exemple 2.3.2. El conjunt de polinomis de 1[t] format per aquells poli-
nomis el grau dels quals es mes petit o igual que : donat forma un
subespai vectorial. En canvi, el conjunt dels polinomis de 1[t] de grau
exactament igual a : no es un subespai vectorial.
2.4 Depend`encia i independ`encia lineal
Els vectors dR
2
que determinen un triangle son linealment independents,
mentre que els que estan alineats son linealment dependents. A R
3
, els
vectors que determinen un tetr`aedre son linealment independents, mentre
que els que son coplanaris son linealment dependents. En aquesta seccio
veurem la generalitzacio daquest concepte a un espai vectorial qualsevol.
Denicio 2.4.1. Una combinacio lineal dels vectors n
1
. . . . . n
m
d1 es
un vector de la forma r =
1
n
1
+ +
m
n
m
amb
1
. . . . .
m
1.
Denicio 2.4.2. Un conjunt de vectors n
1
. . . . . n
m
d1 es diu que
es linealment dependent si existeix una combinacio lineal dells igual al
vector 0:

1
n
1
+ +
m
n
m
= 0
amb no tots els escalars nuls. En cas contrari, diem que el conjunt es li-
nealment independent.

Es a dir, si quan
1
n
1
+ +
m
n
m
= 0, aleshores
necess`ariament
1
= =
m
= 0.
2.5. Sistemes de generadors 35
Exemple 2.4.1. Considerem el conjunt de polinomis de R
2
[t] seg uent:
t
2
+ t + 1. 2t
2
2t 1. 2t
2
+ t
Aquest conjunt de polinomis es linealment independent. En canvi, el
conjunt
t
2
+ t + 1. 2t
2
2t + 1. 3t
2
t + 2
es linealment dependent, ja que
1(t
2
+ t + 1) + 1(2t
2
2t + 1) 1(3t
2
t + 2) = 0.
Remarca. Equivalentment, un conjunt de vectors n
1
. . . . . n
m
d1
es linealment dependent quan un dels vectors es combinaci o lineal dels
restants. I el conjunt es linealment independent quan cap dels vectors no
es una combinacio lineal de la resta.
2.5 Sistemes de generadors
Un altre concepte clau es el de generadors dun subespai vectorial.
Denicio 2.5.1. Donat un conjunt de vectors n
1
. . . . . n
m
d1, de-
notem per [n
1
. . . . . n
m
] el conjunt de les combinacions lineals daquests
vectors. Aquest conjunt (que es el menor subespai vectorial de 1 que
conte el conjunt) sanomena el subespai vectorial generat o (engendrat)
pels vectors n
1
. . . . . n
m
.
Denicio 2.5.2. En general, donat un conjunt de vectors i un subespai
vectorial d1, es diu que generen el subespai 1 o que formen un sistema
de generadors d1 si 1 = [n
1
. . . . . n
m
]; es a dir, si existeixen : escalars

1
. . . . .
m
1 tals que
r =
1
n
1
+ +
m
n
m
r 1
Exemple 2.5.1. El conjunt (1. 2). (2. 1) es un sistema de generadors de
R
2
.
Exemple 2.5.2. El conjunt 1. t. t
2
es un sistema de generadors de R
2
[t].
36 Captol 2. Espais vectorials
2.6 Bases. Dimensio
Denicio 2.6.1. Diem que una famlia de vectors n = n
1
. . . . . n
n
es
una base i notarem per n = (n
1
. . . . . n
n
) dun espai vectorial 1 (respec-
tivament, dun subespai vectorial 1) si n
1
. . . . . n
n
es linealment inde-
pendent i [n
1
. . . . . n
n
] = 1 (respectivament, [n
1
. . . . . n
n
] = 1).
Denicio 2.6.2. Si 1 te una base formada per : vectors, es diu que la
dimensio d1 es :.
Exemple 2.6.1. La dimensio del subespai vectorial de R
5
[t] engendrat pels
polinomis
1 + 2t t
2
+t
3
. 1 + t t
2
. 1 t
2
t
3

es igual a 2, ja que un dells es combinaci o lineal dels altres dos i, per

tant, nomes nhi ha 2 que siguin linealment independents.
Si la dimensio d1 es : i
1
. . . . .
r
, : < :, es un conjunt de vectors
d1 linealment independent, aleshores (
1
. . . . .
r
) es pot ampliar ns a
obtenir una base d1, tal com veiem en el teorema seg uent.
Teorema 2.6.1 (Steinitz). Sigui (n
1
. . . . . n
n
) una base d1 i sigui
(
1
. . . . .
r
) amb : :, un conjunt de vectors linealment independents
d1. Aleshores es possible substituir : vectors de la base donada pels :
vectors del conjunt, de manera que el conjunt resultant sigui una altra
base d1.
Demostracio. Escrivim
1
com a combinacio lineal dels vectors de la base
(
1
. . . . .
n
) d1:

1
=
1
n
1
+ . . . +
n
n
n
Algun dels escalars
i
es no nul, ja que
1
,= 0. Suposem, per exemple,

1
,= 0. Aleshores podem escriure
n
1
=
1

1
n
2
. . .

n

1
n
n
(2.1)
Els vectors
1
. n
2
. . . . . n
n
son linealment independents. En efecte. Su-
posem

1
+
2
n
2
+. . . +
n
n
n
= 0
Substituint,

1
(
1
n
1
+. . . +
n
n
n
) +
2
n
2
+ . . . +
n
n
n
=
(
1

1
)n
1
+ (
2

1
+
2
)n
2
+ . . . + (
n

1
+
n
)n
n
= 0
2.6. Bases. Dimensio 37
En ser n
1
. n
2
. . . . . n
n
linealment independents,

1
=
2

1
+
2
= . . . =
n

1
+
n
= 0
don
1
= 0 (ja que
1
,= 0) i, per tant, tambe
2
= . . . =
n
= 0.
A mes, aquest conjunt de vectors es un sistema de generadors d1, ja
que, tenint en compte (2.1)
[n
1
. n
2
. . . . . n
n
] = [
1
. n
2
. . . . . n
n
]
Aix doncs, (
1
. n
2
. . . . . n
n
) es una altra base d1. Podem reiterar el
proces, escrivint ara
2
com a combinaci o lineal dels vectors daquesta
nova base:

2
=
1

1
+
2
n
2
+ . . . +
n
n
n
Aleshores algun dels escalars
2
. . . . .
n
es no nul ja que, altrament,
1
i

2
serien linealment dependents. Si, per exemple, es
2
,= 0, el conjunt
(
1
.
2
. n
3
. . . . . n
n
) es una nova base d1.
Reiterant daquesta forma el proces, obtenim una base d1 que conte els
vectors
1
. . . . .
r
.
Remarca. Son conseq u`encia del Teorema de Steinitz les armacions
seg uents.
1. Si la dimensio d1 es : i
1
. . . . .
n
es un conjunt de vectors d1
linealment independent, aleshores aquest conjunt es una base d1.
2. Tota base d1 est`a formada pel mateix nombre de vectors.
A mes, si la dimensio d1 es : i
1
. . . . .
n
es un sistema de generadors
d1, aleshores (
1
. . . . .
n
) es una base d1.
A continuacio veiem una important caracteritzacio dels conjunts que son
base.
Proposicio 2.6.1. Si n = (n
1
. . . . . n
n
) es una base d1, per a tot vector
r de 1 existeixen : escalars r
1
. . . . . r
n
1 unics, tals que
r = r
1
n
1
+ + r
n
n
n
.
Denicio 2.6.3. Aquests escalars r
1
. . . . . r
n
sanomenen les components
de r en la base n.
38 Captol 2. Espais vectorials
Exemple 2.6.2. Considerem la base (1. t. t
2
) de R
2
[t]. Les components dels
polinomis 2t
2
+ t + 1. t
2
+ 1. t 2 en aquesta base son, respectivament:
1. 1. 2
1. 0. 1
2. 0. 1
2.7 Suma i intersecci o de subespais vecto-
rials
La intersecci o de dos subespais vectorials 1
1
i 1
2
,
1
1
1
2
= r 1

r 1
1
i r 1
2

sempre es un subespai vectorial d1. En canvi, per`o, la unio de subespais

vectorials no es, en general, un subespai vectorial.
Denicio 2.7.1. Donats 1
1
i 1
2
subespais vectorials de 1, anomenem
subespai suma d1
1
i 1
2
el subespai vectorial d1:
1
1
+ 1
2
= r 1

r = r
1
+ r
2
. r
1
1
1
. r
2
1
2

Remarca. 1
1
+1
2
es el menor subespai vectorial d1 que conte 1
1
i 1
2
.
Si 1
1
= [n
1
. . . . . n
r
] i 1
2
= [
1
. . . . .
s
], llavors:
1
1
+ 1
2
= [n
1
. . . . . n
r
.
1
. . . . .
s
] .
Les dimensions dels subespais 1
1
, 1
2
, 1
1
+1
2
i 1
1
1
2
estan relacionades
de la manera seg uent.
Teorema 2.7.1 (Formula de Grassman). Si 1
1
i 1
2
son dos subespais
vectorials qualssevol d1, aleshores:
dim(1
1
+ 1
2
) = dim1
1
+ dim1
2
dim(1
1
1
2
)
2.7. Suma i interseccio de subespais vectorials 39
Demostracio. Sigui (n
1
. . . . . n
m
) una base d1
1
1
2
. Ampliem aquesta
base a una base (n
1
. . . . . n
m
.
m+1
. . . . .
r
) d1
1
i (n
1
. . . . . n
m
. u
m+1
. . . . . u
s
)
d1
2
.
Aleshores (n
1
. . . . . n
m
.
m+1
. . . . .
r
. u
m+1
. . . . . u
s
) es base d1
1
+1
2
, don
es dedueix f`acilment lenunciat. En efecte. Vegem en primer lloc que
aquests vectors son linealment independents. Suposem que existeix una
combinacio lineal dells que es el vector nul,

1
n
1
+. . . +
m
n
m
+
m+1

m+1
+. . . +
r

r
+j
m+1
u
m+1
+. . . +j
s
u
s
= 0
Aleshores:

1
n
1
+. . .+
m
n
m
+
m+1

m+1
+. . .+
r

r
= j
m+1
u
m+1
. . .j
s
u
s
1
1
1
2
i, per tant,
j
m+1
u
m+1
. . . j
s
u
s
=
1
n
1
+ . . . +
m
n
m
don dedum

1
n
1
+ . . . +
m
n
m
+ j
m+1
u
m+1
+ . . . + j
s
u
s
= 0
En ser aquesta una combinaci o lineal dels vectors de la base d1
2
consi-
derada,

1
= . . . =
m
= j
m+1
= . . . = j
s
= 0
i llavors es:

1
n
1
+ . . . +
m
n
m
+
m+1

m+1
+ . . . +
r

r
= 0
Per`o aquesta es una combinaci o lineal dels vectors de la base d1
1
consi-
derada i, per tant,

1
= . . . =
m
=
m+1
= . . . =
r
= 0
Daltra banda, donat r 1
1
+ 1
2
qualsevol, r = r
1
+ r
2
amb r
1
1
1
i
r
2
1
2
, es a dir,
r = (
1
n
1
+ . . . +
m
n
m
+
m+1

m+1
+ . . . +
r

r
)+
+(
1
n
1
+ . . . +
m
n
m
+
m+1
u
m+1
+ . . . +
s
u
s
) =
= (
1
+
1
)n
1
+ . . . + (
m
+
m
)n
m
+
+
m+1

m+1
+ . . . +
r

r
+
m+1
u
m+1
+ . . . +
s
u
s
i, per tant,
n
1
. . . . . n
m
.
m+1
. . . . .
r
. u
m+1
. . . . . u
s

es un sistema de generadors d1
1
+ 1
2
.
40 Captol 2. Espais vectorials
En general, donats j subespais vectorials 1
1
. . . . . 1
p
, tambe es compleix
que 1
1
1
p
es un subespai vectorial d1. Es deneix el subespai
suma de 1
1
. . . . . 1
p
com el subespai vectorial
1
1
+ +1
p
= r 1 [ r = r
1
+ + r
p
. r
i
1
i
. i. 1 i j
Remarca. Si reunim sistemes de generadors de cadascun dels subespais
obtenim un sistema de generadors del subespai suma 1
1
+ + 1
p
.
2.8 Suma directa. Complementari
En aquesta seccio, tractarem un tipus especial de suma de subespais
vectorials.
Denicio 2.8.1. Donats dos subespais vectorials 1
1
i 1
2
d1 diem que
la suma 1
1
+ 1
2
es directa si tot vector r 1
1
+ 1
2
sexpressa de forma
unica com a r = r
1
+r
2
amb r
1
1
1
, r
2
1
2
. En aquest cas escriurem
1
1
1
2
.
Exemple 2.8.1. A R
3
considerem els subespais 1
1
= (r. . .) R
3
[
r + +. = 0 i 1
2
= (r. . .) R
3
[ r + . = 0. Observem que
(0. 2. 0) = (0. 1. 1) + (0. 1. 1) 1
1
+ 1
2
(0. 2. 0) = (1. 1. 2) + (1. 1. 2) 1
1
+ 1
2
per tant la suma no es directa. En canvi si considerem els subespais
G
1
= [(1. 0. 1)] i G
2
= [(2. 1. 3)],

1
(1. 0. 1) + j
1
(2. 1. 3) =
2
(1. 0. 1) + j
2
(2. 1. 3)
te solucio si i nomes si
1
=
2
i j
1
= j
2
. Per tant, la suma es directa.
Proposicio 2.8.1. Son equivalents les armacions seg uents:
1. 1
1
+ 1
2
= 1
1
1
2
.
2. 1
1
1
2
= 0.
3. La reunio de bases d1
1
i 1
2
es una base d1
1
+1
2
.
2.8. Suma directa. Complementari 41
Corol
.
lari 2.8.1. Si la suma 1
1
+ 1
2
es directa, es compleix
dim(1
1
1
2
) = dim1
1
+ dim1
2
Exemple 2.8.2. Si considerem els mateixos subespais que en lexemple
anterior es veu que
1
1
1
2
= [(1. 0. 1)]. i G
1
G
2
= 0.
Cas de mes de dos subespais.
Si 1
1
. . . . . 1
p
son subespais vectorials, la suma 1
1
+ +1
p
diem que es
directa si tot vector 1
1
+ + 1
p
sexpressa de forma unica com a
r = r
1
+ + r
p
amb r
i
1
i
, per a tot i, 1 i j.
Proposicio 2.8.2. Son equivalents les armacions seg uents:
1. 1
1
+ + 1
p
= 1
1
1
p
.
2. 1
i
(1
1
+ . . . + 1
i1
+1
i+1
+ . . . + 1
p
) = 0 i, 1 i j.
3. Si (n
i
1
. . . . . n
i
r
i
) es una base d1
i
, llavors (n
1
1
. . . . . n
1
r
1
. . . . . n
p
1
. . . . . n
p
r
p
)
es una base d1
1
+ + 1
p
.
Denicio 2.8.2. Si 1 es un subespai vectorial de 1, un subespai com-
plementari d1 (en 1) es qualsevol subespai G d1 tal que 1 G = 1.
Si G es un complementari d1,
dim1 = dim1 + dimG
Remarca. Noteu que un subespai vectorial 1 admet diferents comple-
mentaris.
Si (
1
. . . . .
r
) es una base d1, un complementari d1 es pot trobar
completant la base d1 ns a trobar una base d1
(
1
. . . . .
r
.
r+1
. . . . .
n
)
Llavors G = [
r+1
. . . . .
n
] es un complementari d1 (en 1), es a dir,
1 G = 1.
42 Captol 2. Espais vectorials
Exemple 2.8.3. A R
3
[t] els subespais vectorials
G
1
= [1 + t
2
. 1 + t
3
]
G
2
= [t + t
2
. 1 + t
3
]
G
3
= [1 t +t
2
t
3
. 1 +t +t
2
+ t
3
]
G
4
= [t
2
. t
3
]
son complementaris d1 = [1. t].
2.9 Producte escalar. Bases ortonormals
Conceptes geom`etrics que en el cas dels espais R
2
i R
3
son f`acilment
identicables, es poden introduir en un espai vectorial real qualsevol.
Sigui 1 un espai vectorial sobre R.
Denicio 2.9.1. Un producte escalar (euclidi) en 1 es una aplicacio
1 1 1
(n. ) n. )
que verica les propietats seg uents:
i) n
1
+ n
2
. ) = n
1
. ) +n
2
. ) n
1
. n
2
. 1.
ii) n. ) = n. ) n. 1. R.
iii) n. ) = . n) n. 1.
iv) n. n) 0 n 1 i n. n) = 0 si, i nomes si n = 0.
Exemple 2.9.1. Considerem a R
2
, per a tota parella de vectors n =
(r
1
. r
2
). = (
1
.
2
), laplicacio que ve denida per:
n. ) = r
1

1
+ r
2

Es clar que verica les propietats de producte escalar.

En general, a R
n
laplicacio
(r
1
. . . . . r
n
). (
1
. . . . .
n
)) = r
1

1
+ . . . + r
n

n
es un producte escalar. Sanomena el producte escalar ordinari dR
n
.
2.9. Producte escalar. Bases ortonormals 43
En tot espai vectorial sobre R de dimensio nita es pot denir un pro-
ducte escalar. Si escollim una base (n
1
. . . . . n
n
) donats dos vectors quals-
sevol n = r
1
n
1
+. . .+r
n
n
n
, =
1
n
1
+. . .+
n
n
n
podem denir laplicacio
1 1 R
(n. ) n. ) = r
1

1
+ . . . + r
n

n
(2.2)
No es difcil provar que es veriquen totes les propietats del producte
escalar.
Un altre producte escalar en 1 es el que ve denit de la forma seg uent:
n. ) = 2r
1

1
+ r
1

2
+ r
2

1
+ . . . + r
1

n
+r
n

1
+ 2r
2

2
+r
2

3
+
+r
3

2
+. . . +r
2

n
+ r
n

2
+ 2r
n

n
Un cop denit un producte escalar en un espai vectorial, podem introduir
les nocions geom`etriques de norma dun vector i angle entre dos vectors.
Denicio 2.9.2. Donat un vector n, denim la norma o longitud del
vector n com:
|n| = +
_
n. n) (2.3)
Les propietats de la norma dun vector son:
i) |n| 0 n 1 i |n| = 0 si, i nomes si, n = 0.
ii) |n| = [[ |n| n 1. R.
iii) [n. n)[ |n| || n. 1 (desigualtat de Cauchy-Schwartz).
iv) |n + | |n| +|| n. 1 (desigualtat triangular).
Remarca. Observeu que, donat un vector n 1, no nul, el vector
n
|n|
es un vector unitari (de norma 1).
Exemple 2.9.2. A R
3
, amb el producte escalar que ve denit per
(r
1
. r
2
. r
3
). (
1
.
2
.
3
)) = r
1

1
+ r
2

2
+ r
3

3
es te:
|(2. 3. 4)| =

29. |(1. 1. 2)| =

6.
_
_
_
_
_
1

2
.
1

2
. 0
__
_
_
_
= 1
44 Captol 2. Espais vectorials
Denicio 2.9.3. Donats n. 1 no nuls, denim langle entre aquests
dos vectors com langle [0. ] tal que:
cos =
n. )
|n| ||
(2.4)
Les propietats de langle entre dos vectors son:
i) angle(n. ) = angle(. n) n. 1.
ii) Si 0 i j 0 angle(n. j) = angle(n. ) n. 1.
iii) angle(n. ) = angle(n. ) n. 1.
iv) angle(n. ) + angle(n. ) = n. 1.
Exemple 2.9.3. A R
2
, amb el producte escalar que ve denit per
(r
1
. r
2
). (
1
.
2
)) = r
1

1
+ r
2

2
es te:
angle((1. 0). (1. 1)) =

4
. angle((1. 1). (1. 0)) =
3
4
.
El concepte de vectors perpendiculars per a vectors de R
2
i de R
3
, es
pot generalitzar en el cas dun espai vectorial on sha denit un producte
escalar.
Sigui 1 un espai vectorial real amb un producte escalar. Un tal espai
sanomena espai vectorial euclidi`a.
Denicio 2.9.4. Donats dos vectors n. 1 direm que son ortogonals
si
n. ) = 0
Clarament es veriquen les propietats intutives sobre perpendicularitat.
i) Si n. 1 son ortogonals, angle(n. ) =

2
.
ii) Si n. 1 son ortogonals |n + |
2
= |n|
2
+ ||
2
(teorema de
Pit`agores).
2.9. Producte escalar. Bases ortonormals 45
Remarca. Si a un espai vectorial 1 considerem el producte escalar
denit a (2.2) aleshores els vectors de la base n
1
. . . . . n
n
son tots de norma
1 i dos a dos ortogonals.
Denicio 2.9.5. Sigui 1 un espai vectorial real en el qu`e sha denit
un producte escalar. Es diu que una base (n
1
. . . . . n
n
) es ortonormal si
verica:
|n
i
| = 1 1 i :.
n
i
. n
j
) = 0. per a tot i. , amb i ,= ,.
(2.5)
Donat un vector n ,= 0 qualsevol de l espai vectorial 1 (on sha denit un
producte escalar) podem considerar el conjunt de vectors perpendicaulars
a aquest vector:
n

= 1 [ n. ) = 0

Es f`acil provar que aquest conjunt es un subespai vectorial, que sanome-

na subespai ortogonal a n.
De fet, podem calcular el conjunt de vectors perpendiculars a tots els
vectors dun subespai 1:
1

= 1 [ n. ) = 0. n 1
Remarca. Tambe es f`acil provar que 1

es un subespai vectorial.
1

sanomena el complement ortogonal d1.

Exemple 2.9.4. A R
3
, amb el producte escalar denit per
(r
1
. r
2
. r
3
). (
1
.
2
.
3
)) = r
1

1
+ r
2

2
+ r
3

3
si 1 = [(2. 1. 1). (0. 2. 3)], aleshores:
1

= (r
1
. r
2
. r
3
) R
3
[ 2r
1
+r
2
r
3
= 2r
2
+ 3r
3
= 0 = [(5. 6. 4)]
Proposicio 2.9.1. Si 1 es un subespai vectorial qualsevol d1, aleshores:
1 = 1 1

46 Captol 2. Espais vectorials

Escriurem:
1 = 1 1

.
Del fet de que la suma es directa es dedueix que la descomposicio dun
vector n 1 qualsevol com a suma dun vector de 1 i dun vector de
1

es unica: n = n
1
+ n
2
amb n
1
1 i n
2
1

unics.
Denicio 2.9.6. Sanomena projeccio ortogonal dun vector n 1 sobre
1 la component sobre 1 de la descomposicio en suma ortogonal d1 i
1

.
Exemple 2.9.5. Sigui n = (1. 3) R
2
. La projeccio ortogonal de n sobre
1 = (r. ) R
2
[ r = es = (2. 2), ja que (1. 3) = 2(1. 1) 1(1. 1)
on ((1. 1)) es una base de 1 i ((1. 1)) de 1

.
2.10 Ap`endix A
Espais vectorials de dimensio innita
Suposem que tenim un espai vectorial 1 sobre un cos commutatiu 1.
Una combinaci o lineal del conjunt de vectors n
1
. . . . . n
m
. . . . (no necess`a-
riament nit) d1 es tot vector de la forma r =
1
n
1
+ +
m
n
m
+. . .
amb
1
. . . . .
m
. 1, (suma nita, es a dir si el conjunt no es nit
quasi tots els
i
son nuls).
Un conjunt de vectors n
1
. . . . . n
m
. . . . d1 es diu que es linealment
dependent si existeix una combinacio lineal dells que es el vector 0, es a
dir:

1
n
1
+ +
m
n
m
+ = 0
amb no tots els escalars nuls.
En general, direm que un conjunt no buit qualsevol de vectors d1 es
linealment dependent si conte un subconjunt nit linealment dependent
i que es linealment independent en cas contrari, es a dir, si tot subconjunt
nit dell es linealment independent.
Diem que una famlia de vectors n = (n
1
. . . . . n
n
. . . . ) es una base dun es-
pai vectorial 1 si n
1
. . . . . n
n
. . . . es linealment independent i
[n
1
. . . . . n
n
. . . . ] = 1.
Si no existeix una famlia nita de vectors que sigui base d1 direm que
1 te dimensio innita.
2.10. Ap`endix A 47
Si n = (n
1
. . . . . n
n
. . . . ) es una base d1, per a tot vector r de 1 existeixen
escalars r
1
. . . . . r
n
. . . . unics tals que
r = r
1
n
1
+ + r
n
n
n
+ . . . .
Aquests escalars r
1
. . . . . r
n
. . . . sanomenen les components de r en la
base n.
El concepte de suma de subespais, suma directa i complementaris es el
mateix que en el cas dels espais vectorials de dimensio nita. Noteu, per`o,
que, en aquest cas, si considerem subespais vectorials 1, G de dimensio
innita, la formula de Grassman no es pot aplicar.
Hi ha molts exemples despais vectorials de dimensio innita.
Exemple 2.10.1. El conjunt 1 = 1[t] de tots els polinomis amb coe-
cients reals es un espai vectorial sobre 1 de dimensio innita. Una base
dell es el conjunt de polinomis
1. t. t
2
. . . . . t
n
. . . .
ja que qualsevol polinomi es combinacio lineal dells.
`
Obviament, per`o,
no hi ha cap conjunt nit de polinomis que sigui base d1. Suposem que
un conjunt de polinomis
j
1
(t). j
2
(t). . . . . j
m
(t)
es una base de 1[t], i els graus respectius daquests polinomis son:
:
1
. :
2
. . . . , :
m
. Aleshores, posant :
0
= max:
1
. :
2
. . . . . :
m
tenim que
per exemple, el polinomi t
n
0
+1
no pertany al subespai generat per
j
1
(t). j
2
(t). . . . . j
m
(t).
Exemple 2.10.2. El conjunt 1 format per les successions num`eriques
(r
1
. r
2
. . . . . r
n
. . . . ) amb r
1
. r
2
. . . . . r
n
. R, on la suma i el producte
per escalars estan denits de la forma habitual, es un R-espai vectorial.
Una base daquest espai vectorial es la formada per les successions
:
1
= (1. 0. 0. 0. . . . . 0. . . .)
:
2
= (0. 1. 0. 0. . . . . 0. . . .)
:
3
= (0. 0. 1. 0. . . . . 0. . . .)
. . .
Exemple 2.10.3. Amb la suma i el producte per escalars habitual, el con-
junt de les funcions reals de variable real es un espai vectorial sobre R de
dimensio innita. En aquest cas, a difer`encia dels anteriors, no podem
trobar cap base.
48 Captol 2. Espais vectorials
En un espai vectorial de dimensio innita la denicio de subespai vecto-
rial es la mateixa. Tambe es deneixen de la mateixa manera el subespai
vectorial suma dun nombre (nit o no) de subespais vectorials, la inter-
seccio de subespais i el complementari.
Observeu que, en un espai vectorial de dimensio innita, els subespais
vectorials poden ser de dimensio nita i tambe poden ser de dimensio
innita.
Exemple 2.10.4. En lespai vectorial R[t], els conjunts de polinomis R
n
[t]
son subespais vectorials de dimensio nita (= :+1). Subespais vectorials
de dimensio innita son, per exemple,
1 = [1. t
2
. t
4
. t
6
. . . . . t
2n2
. . . .]
G = [1. 3t
3
. 6t
6
. . . . . 3(: 1)t
3(n1)
. . . .]
H = [t. t
3
. t
5
. . . . . t
2n1
. . . .]
En aquest cas, es clar que H es un complementari d1 a R[t], ja que
1 H = R[t].
En canvi, el subespai suma 1 +G no es igual a R[t], ja que, per exemple,
el polinomi t no pertany a 1 + G. La interseccio 1 G es igual a
[1. t
6
. t
12
. . . . . t
6(n1)
. . . .].
Exemple 2.10.5. A lespai vectorial format per les successions reals, el
conjunt
1 =
_
(r
1
. r
2
. . . . . r
n
. . . . ) 1

r
i
= 0 i 5
_
.
es un subespai vectorial d1 de dimensio 4, ja que una base nes el conjunt
de successions:
:
1
= (1. 0. 0. 0. 0. . . . . 0. . . . )
:
2
= (0. 1. 0. 0. 0. . . . . 0. . . . )
:
3
= (0. 0. 1. 0. 0. . . . . 0. . . . )
:
4
= (0. 0. 0. 1. 0. . . . . 0. . . . )
En canvi, el conjunt
G =
_
(r
1
. r
2
. . . . . r
n
. . . . ) 1

r
i
= 0 i < 5
_
2.10. Ap`endix A 49
es un subespai vectorial d1 de dimensio innita, ja que una base nes el
conjunt (no nit) de successions:
:
1
= (0. 0. 0. 0. 1. 0. 0. 0. . . . . 0. . . . )
:
2
= (0. 0. 0. 0. 0. 1. 0. 0. . . . . 0. . . . )
:
3
= (0. 0. 1. 0. 0. 0. 1. 0. . . . . 0. . . . )
. . .
Exemple 2.10.6. A lespai vectorial sobre R de les funcions contnues dR
en R, les funcions )(t) = cos t i p(t) = sin t son linealment independents.
En efecte. Suposem que existeixen escalars
1
.
2
R de manera que

1
cos t +
2
sin t = 0
per a tot t R. En particular, per a t = 0, tenim
1
= 0 i, per a t =

2
,
tenim
2
= 0.
Per tant, les funcions cos t i sin t son linealment independents.
A mes, el conjunt de funcions reals de variable real
C = sin t. sin(2t). . . . . sin(:t). . . .
es linealment independent.
En efecte. En aquest cas hem de veure que tot subconjunt nit de C es
linealment independent. Sigui o un tal subconjunt,
o = sin(i
1
t). sin(i
2
t). . . . . sin(i
m
t)
amb i
1
i
2
i
m
. Suposem ara que tenim una combinaci o lineal,
amb no tots els coecients nuls, daquestes funcions que es la funcio
nulla, es a dir,

i
1
sin(i
1
t) +
i
2
sin(i
2
t) + +
i
r
sin(i
m
t) = 0 . t R.
Posem : = maxi
1
. i
2
. . . . . i
m
. Aleshores existeix una combinaci o lineal
(amb no tots els coecients nuls) de les funcions sin t. sin(2t). . . . . sin(:t)
que es la funcio nulla,

1
sin t +
2
sin(2t) + +
m
sin(:t) = 0 . t R.
o es un subconjunt nit de C
m
:
sin t. sin(2t). . . . . sin(:t)
50 Captol 2. Espais vectorials
I el conjunt de funcions
sin t. sin(2t). . . . . sin(:t)
es linealment independent.
Es pot veure per induccio sobre :.
Si : = 1, es obvi.
Suposem ara la hip`otesi certa ns a :1, i suposem que

1
sin t +
2
sin(2t) + +
m1
sin((:1)t) +
m
sin(:t) = 0 . (2.6)
t R. Derivant dos cops aquesta expressio obtenim

1
sin t4
2
sin(2t) (:1)
2

m1
sin((:1)t):
2

m
sin :t = 0 .
(2.7)
t R. Multipliquem (2.7) per :
2
i li sumem (2.6):
(:
2
1)
1
sin t+(:
2
4)
2
sin(2t)+ +(:
2
(:1)
2
)
m1
sin((:1)t)=0.
t R. Per hip`otesi dinduccio,
(:
2
1)
1
= (:
2
4)
2
= = (:
2
(:1)
2
)
m1
= 0
don
1
=
2
= =
m1
= 0.
Substituint a (2.6) obtenim

m
sin :t = 0 don tambe
m
= 0 .
2.11 Apendix B
Espais vectorials sobre cossos nits
Suposem que tenim un conjunt 1 que es un espai vectorial sobre un cos
nit 1 (veure Ap`endix del captol 1). Totes les denicions vistes al llarg
daquest captol son aplicables a aquest cas: combinaci o lineal de vectors,
depend`encia/independ`encia lineal, sistemes de generadors, bases, sube-
spais vectorials, suma i intersecci o de subespais. L unica difer`encia es
que, en aquest cas, els coecients de les combinacions lineals son al cos
nit 1.
2.11. Apendix B 51
Observeu, per`o, que si 1 es un espai vectorial sobre el cos nit 1 de
elements de dimensio :, aleshores 1 es un espai vectorial format per
n
vectors. En particular, tots els subespais vectorials d1 tenen un nombre
nit de vectors.
Nomes poden tenir un nombre innit de vectors els espais vectorials sobre
un cos nit de dimensio innita.
Exemple 2.11.1. Un codi es un conjunt de seq u`encies de smbols, en
qu`e cada smbol est`a escollit entre els dun alfabet. Cadascuna de les
seq u`encies del codi sanomena paraula.
Un codi lineal C sobre Z,Z es un subespai vectorial de (Z,Z)
n
.
Els codis denits sobre (Z,2Z)
n
sanomenen binaris, els denits sobre
(Z,3Z)
n
, ternaris, i, en general, els denits sobre (Z,Z)
n
sanomenen
-aris.
A continuaci o es mostren tres codis sobre Z,2Z.
C
1
0 0
0 1
1 0
1 1
C
2
0 0 0
0 1 1
1 0 1
1 1 0
C
3
0 0 0 0 0
0 1 1 0 1
1 0 1 1 0
1 1 0 1 1
Sanomena dimensio dun codi lineal C a la seva dimensio com a subespai
vectorial sobre Z,Z. Direm tambe que la seva longitud es :.
En particular, un codi C lineal de dimensio / conte
k
paraules.
Sanomena codi dual de C al codi
C

= r (Z,Z)
n
[ < r. = 0 C
En general, donat un codi qualsevol, sanomena dist`ancia de Hamming
entre dues paraules com el nombre de smbols en qu`e difereixen. I sano-
mena dist`ancia mnima a la mes petita entre totes les dist`ancies entre
paraules diferents del codi, que es representa per d(C).
Donat un codi lineal C, sanomena pes duna paraula r C al nombre
de components no nulles daquesta paraula. Lindicarem per: u(r).
Quan el codi es lineal, es immediat comprovar que d(r. ) = u(r )
donades dues paraules r. de C qualssevol. Tambe es f`acil veure que
d(C) = :i:u(r) [ r C .
52 Captol 2. Espais vectorials
2.12 Ap`endix C
Espai vectorial quocient
Denicio 2.12.1. Siguin 1 un espai vectorial sobre un cos commutatiu
1 i 1 un subespai vectorial d1. Posarem r + 1 = 1 [ =
r + n. n 1. El conjunt
1,1 = r + 1 [ r 1
amb les operacions suma i producte per escalars, denides mitjancant:
(r + 1) + ( + 1) = (r + ) + 1
(r + 1) = r + 1
te estructura despai vectorial sobre 1 i sanomena espai vectorial quo-
cient d1 per 1.
Els elements r + 1 de lespai 1,1 sanomenen classes m`odul 1.
Observeu que el vector nul a 1,1 es 0 + 1 = 1.
Es compleix:
r + 1 = +1 r 1. r. 1 .
Com a conseq u`encia, es te:
r + 1 = 0 + 1 = 1 r 1 .
Dues classes r+1, +1 o be son iguals o be (r+1) ( +1) = (son
disjuntes).
Els conceptes de vectors d1,1 linealment dependents/independents, sis-
temes de generadors i bases es poden reduir al c`alcul dels subespais suma
i intersecci o de dos subespais adequats.
Donades les classes n
1
+ 1. . . . . n
s
+ 1 d1,1 es compleix:
[n
1
+ 1. . . . . n
s
+ 1] = 1,1 [n
1
. . . . . n
s
] + 1 = 1 .
Daltra banda, si n
1
. . . . . n
s
son linealment independents, el conjunt
n
1
+ 1. . . . . n
s
+1 es linealment independent si, i nomes, si
[n
1
. . . . . n
s
] 1 = 0.
2.12. Ap`endix C 53
Com a conseq uencia, (n
1
+ 1. . . . . n
s
+ 1) es base d1,1 si, i nomes, si
[n
1
. . . . . n
s
] 1 = 1.
Observeu que lan`alog daquest resultat es v`alid en el cas despais vecto-
rials de dimensio innita. En el cas de subespais vectorials de dimensio
nita, la dimensio de lespai vectorial quocient es pot deduir del resultat
anterior, obtenint-se aix:
dim(1,1) = dim1 dim1
Exemple 2.12.1. Sigui 1 el subespai vectorial de R
4
generat pels vectors
(0. 1. 0. 2). (1. 1. 1. 1). (1. 0. 1. 1) .
Considereu a R
4
,1 els vectors (3. 1. 1. 0) + 1 i (2. 1. 0. . 1) + 1.
Estudiarem si aquests vectors son una base de R
4
,1.
Observem en primer lloc que els vectors que generen 1 son linealment
dependents. Per tant, dim1 = 2 i dimR
4
,1 = dimR
4
dim1 =
4 2 = 2. Aix, els dos vectors de R
4
,1 donats poden ser linealment
independents i, en aquest cas, tambe serien una base de R
4
,1.
Suposem que tenim una combinaci o lineal dels vectors (3. 1. 1. 0) +1 i
(2. 1. 0. 1) + 1 que es igual al vector nul,

1
((3. 1. 1. 0) + 1) +
2
((2. 1. 0. 1) + 1) = 0 + 1 .
Aleshores
(
1
(3. 1. 1. 0) +
2
(2. 1. 0. 1)) + 1 = 0 + 1
Aix`o nomes es possible si

1
(3. 1. 1. 0) +
2
(2. 1. 0. 1) = (3
1
+ 2
2
.
1

2
.
1
.
2
)
pertany a 1; es a dir, si i nomes si,

1
=
2
= 0

Es a dir, que els dos vectors donats son linealment independents.

Una altra forma de fer lestudi es utilitzant la proposicio darrera.

Es a
dir, comprovant que
[(0,1,0,2),(1,-1,1,-1),(1,0,1,1] [(3,-1,1,0),(2,-1,0,1)] = 0 .
54 Captol 2. Espais vectorials
2.13 Aplicacio a la qumica
Lespai vectorial de les funcions dona dun sistema
La mec`anica cl`assica nomes es aplicable a partcules macrosc`opiques. Per
a lestudi deles partcules microsc`opiques fa falta la mec`anica qu`antica.
Les funcions dona van ser introdudes per Schrodinger lany 1926. Per-
meten determinar la probabilitat de trobar les partculesa en una zona
de lespai.
El conjunt de les funcions dona dun sistema constitueix un espai vecto-
rial sobre el cos C, que, a mes, es un espai de Hilbert.
Si un sistema consta d` partcules, les seves funcions dona son aplica-
cions
: R
3N
C
((r
1
.
1
. .
1
). . . . . (r
N
.
N
. .
N
)) ((r
1
.
1
. .
1
). . . . . (r
N
.
N
. .
N
))
Considerem el conjunt de funcions dona dun sistema. Amb la suma i el
producte per escalars de C aquest conjunt te estructura despai vectorial
sobre C.
De forma similar a com sha introdut una m`etrica en els espais vectorials
reals, es pot fer en el cas despais vectorials complexos, introduint un
producte hermtic.
Donat 1 un espai vectorial complex, un producte hermtic en 1 es una
aplicacio
1 1 C
(n. ) n. )
que verica les propietats seg uents:
i) n
1
+ n
2
. ) = n
1
. ) +n
2
. ) n
1
. n
2
. 1.
ii) n. ) = n. ) n. 1. R.
iii) n. ) = . n) n. 1.
iv) n. n) 0 n 1 i n. n) = 0 si, i nomes si n = 0.
Observeu que la propietat (iii) implica que n. n) R i, per tant, te sentit
(iv).
2.13. Aplicacio a la qumica 55
Donat un vector n, es deneix la norma del vector n com:
|n| = +
_
n. n)
Donats n. 1 no nuls, denim langle entre aquests dos vectors com
langle [0. ] tal que:
cos =
n. )
|n| ||
La dist`ancia entre dos vectors es: d(n. ) = |n |.
Donats dos vectors n. 1 direm que son ortogonals si
n. ) = 0
Una base d1 es diu que es ortogonal si els vectors que la formen son
dos a dos ortogonals, i que es ortonormal si aquests vectors son, a mes,
unitaris.
Un tal espai vectorial 1 sanomena espai vectorial hermtic.
En lespai vectorial les funcions com abans es deneix el producte
hermtic seg uent:
<
1
.
2
=
_

. . .
_

2
Les funcions per a les quals aquesta integral es convergent reben el nom
de funcions de quadrat integrable. El conjunt daquestes funcions el
denotarem per c.
El primer postulat de la qumica qu`antica arma que en cada instant, el
sistema queda completament descrit per una funcio dona : R
3N
C
de classe c
2
i de norma 1.
A mes, dins dc qualsevol successio de funcions que es de Cauchy es
tambe convergent (recordeu que aix`o no passa sempre; quan es aix per
a tota successio, es diu que lespai es complet).
Aix, c es un espai vectorial complex hermtic i complet. Un tal espai
sanomena un espai de Hilbert.
56 Captol 2. Espais vectorials
2.14 Comentaris nals
Els espais vectorials constituiexen el nucli de l`algebra lineal. Son uti-
litzats en problemes tan diversos com son ara, per exemple, la resolucio
dequacions diferencials i de recurr`encia. Els axiomes dels espais vecto-
rials expressen propietats algebraiques de moltes classes dobjectes que
es troben sovint a lanalisi, tambe tenen gran import`ancia els espais vec-
torials de funcions (continues, analtiques, mesurables,...). Els espais
vectorials mes emprats son els reals i els complexos.
2.15 Exercicis
1. Estudieu la depend`encia o independ`encia lineal de les famlies de
vectors dR
4
seg uents:
(a) (1. 1. 2. 2). (2. 1. 3. 4). (7. 1. 0. 2)
(b) (1. 1. 2. 3). (2. 1. 0. 4). (5. 1. 0. 0). (1. 0. 1. 0)
(c) (0. 1. 3. 2). (2. 7. 3. 4). (5. 1. 2. 2). (8. 9. 3. 4). (6. 3. 2. 4)
2. Considereu els subconjunts dR
3
[t] seg uents:
1
1
= 1(t) [ 1(0) = 1(1).
1
2
= 1(t) [ 1(0) = 1(1).
1
3
= 1(t) [ 1(1) = 1(1).
1
4
= 1(t) [ 1 = 1(1).

Es 1
i
un subespai vectorial? Justiqueu la resposta.
3. Determineu per a quins valors de les constants c. /. c R son sub-
espai vectorial els conjunts dR
4
seg uents:
1
1
= (r
1
. r
2
. r
3
. r
4
) R
4
[ cr
1
/r
2
+ c = 0
1
2
= (r
1
. r
2
. r
3
. r
4
) R
4
[ r
1
r
2
= r
3
r
4
= c
1
3
= (r
1
. r
2
. r
3
. r
4
) R
4
[ (r
1
r
2
)(r
2
r
3
) = c/
4. Considereu de les famlies de vectors dR
4
segents:
(a) (1. 1. 2. 2). (2. 1. 3. 4). (1. 0. 7. 1)
(b) (1. 1. 2. 2). (2. 1. 3. 4). (1. 0. 7. 1)
2.15. Exercicis 57
(c) (1. 1. 2. 2). (2. 1. 3. 4). (1. 2. 1. 6)
Doneu la dimensio del subespai que engendren, aix com una base
daquest subespai.
5. A R
4
considerem els subespais vectorials seg uents:
1 = [(1. 0. 1. 2. 2). (3. 1. 1. 0. 2). (2. 1. 2. 2. 4). (0. 0. 0. 2. 1)]
G = [n]
Trobeu una base d1.

Es dim(1 + [n]) dim1 = dim[n]?

6. Trobeu la dimensio del subespai vectorial dR
6
:
1
a
= (r
1
. r
2
. r
3
. r
4
. r
5
. r
6
[ cr
1
+r
4
= cr
2
+ r
5
= cr
3
+ r
6
= 0
segons els diferents valors dc R.
7. Determineu la dimensio i una base dels subespais vectorials
d1 = R
4
[t]:
(a) 1
1
= j(t) 1 [ j

(0) = 0
(b) 1
2
= j(t) 1 [ j(0) = j

(0) j

(1) = 0
(c) 1
3
= j(t) 1 [ j(t) = j(0) + j

(0)t + j

(0)t
2

(d) 1
4
= j(t) 1 [ j(t) = j(1) + j

(0)t + j(0)t
2
+ j(0)t
3

8. El mateix que a lexercici anterior, si 1 = R[t].

9. Trobeu una base dels subespais vectorials dR
4
engendrats pels con-
junts de vectors seg uents:
(a) (1. 1. 0. 1). (0. 1. 1. 1). (2. 1. 0. 1)
(b) (1. 1. 1. 0). (2. 1. 1. 0). (3. 0. 2. 0)
(c) (1. 1. 0. 1). (1. 1. 1. 1). (2. 0. 1. 2). (0. 2. 1. 0)
10. El mateix que a lexercici anterior en el cas dels subespais vectorials
dR
3
[t] engendrats per:
(a) 1. t +t
2
. t
3

(b) 1. 1 + t. 1 +t +t
2
. t +t
2

(c) t + t
2
. t t
2
. t
3
. 1 + t
2
. 1 +t
3

58 Captol 2. Espais vectorials

11. Determineu la dimensio de C
2
considerat com a espai vectorial
sobre R i sobre C.
12. Determineu la dimensio de C
2
[t] considerat com a espai vectorial
sobre R.
13. A 1 = R
5
considereu el subespai vectorial 1 engendrat pel conjunt
de vectors,
(1. 1. 0. 1. 1). (0. 1. 0. 1. 1). (1. 0. 0. 0. 2). (2. 1. 0. 0. 1)
Determineu una base d1 i amplieu-la a una base dR
5
.
14. A 1 = R
4
, considereu els subespais vectorials
1
1
= (r
1
. r
2
. r
3
. r
4
) R
4
[ r
1
r
2
= 0
1
2
= (r
1
. r
2
. r
3
. r
4
) R
4
[ 2r
1
3r
2
= r
3
= 0
1
3
= (r
1
. r
2
. r
3
. r
4
) R
4
[ r
2
= r
3
= r
4

Trobeu 1
1
1
2
, 1
1
1
3
, 1
2
1
3
, 1
1
1
2
1
3
, 1
1
+ 1
2
, 1
1
+ 1
3
,
1
2
+ 1
3
, 1
1
+ 1
2
+ 1
3
.
15. A 1 = R[t], determineu 1 + G si
1 = j(t) 1 [ j(t) = j

(0)t + j

(0)t
3

G = [1 + t
2
. t t
3
. t
4
]

Es directa la suma?
16. A R
5
considerem els subespais vectorials seg uents:
1 = [(1. 0. 2. 1. 3)]
G = [(1. 0. 0. 1. 0). (0. 1. 0. 0. 0). (0. 0. 1. 1. 0)]
H = [(1. 0. 2. 1. 0). (1. 0. 1. 0. 1)]
a) Trobeu 1 + G.

Es directa la suma?
b) Trobeu 1 + G+ H.

Es directa la suma?
17. Doneu tres complementaris del subespai vectorial
1 = (r
1
. r
2
. r
3
. r
4
) R
4
[ r
1
r
2
+ 2r
3
= 3r
1
r
4
= 0
18. Doneu tres complementaris del subespai vectorial
1 = j(t) R
4
[t] [ j(0) + j

(0) = j

(0) = 0
2.15. Exercicis 59
19. Discutiu quines de les famlies seg uents de vectors dR
3
son bases
ortonormals, amb el producte escalar ordinari dR
3
,
a) (0. 1. 0). (

2
2
. 0.

2
2
). (

2
2
. 0.

2
2
)
b) (1. 1. 0). (1. 1. 0). (0. 0. 1)
c)

2
2
.

2
2
. 0). (

2
2
.

2
2
. 0)
d) (1. 0. 0).
1

2
(1. 1. 0).
1

3
(1. 1. 1).
20. Sigui 1 un espai vectorial sobre 1 i siguin 1
1
. . . 1
r
subespais vec-
torials tals que
1 = 1
1
. . . 1
r
Estudieu si es cert, i proveu-ho en cas armatiu, si per a tot sube-
spai vectorial G d1 es:
G = (G 1
1
) (G 1
r
)
21. Considereu a R
3
el producte escalar:
(r
1
. r
2
. r
3
). (
1
.
2
.
3
)) = r
1

1
+r
1

2
+r
2

1
+2r
2

2
+r
2

3
+r
3

2
+3r
3

3
.
Estudieu si les famlies de vectors seg uents son, o no, una base
ortonormal, respecte daquest producte escalar.
(a) (1. 0. 0). (1. 1. 0). (1. 1. 1)
(b) (1. 0. 0). (0. 1. 0). (0. 0. 1)
(c)
1

5
(1. 0. 0).
1

2
(1. 1. 1).
1

3
(1. 1. 1)
(d)
1

3
(0. 0. 1). (1. 0. 0).
1

6
(3. 3. 1)
22. Doneu una base del subespai vectorial 1

en els casos seg uents:

(a) 1 = R
3
, (r
1
. r
2
. r
3
). (
1
.
2
.
3
)) = r
1
+
1
+ r
2

2
+ r
3

3
,
1 = [(1. 1. 1). (2. 1. 1)].
(b) 1 = R
n
, (r
1
. . . . . r
n
). (
1
. . . . .
n
)) = r
1
+
1
+ . . . + r
n

n
,
1 = (r
1
. . . . . r
n
) [ r
1
+ 2r
3
+ + :r
n
= 0.
(c) 1 = R
3
[t], < 1. Q =
_
1
0
1Q, 1 = [1 + t. 1 + t
2
].
(d) 1 = R
4
[t], < 1. Q =
_
1
1
1Q, 1 = [t
2
. t
3
+ 2t
4
].
60 Captol 2. Espais vectorials
Comproveu pr`eviament si els donats son, en efecte, productes es-
calars d1.
23. Considerem lespai euclidi ordinari R
3
. Trobeu la projeccio ortogo-
nal sobre 1 = [(2. 1. 0). (0. 0. 1)] del vector (0. 5. 4).
24. Doneu la projeccio ortogonal sobre el subespai vectorial 1 del vec-
tors indicats, en cadascun dels casos seg uents.
(a) 1 = R
3
, 1 = [(1. 0. 1). (0. 1. 1)], = (1. 1. 1)
(b) 1 = R
n
, 1 = (r
1
. . . . . r
n
) [ r
1
r
n
= 0, = (1. 2. . . . . :)
(c) 1 = R
3
[t], < 1. Q =
_
1
0
1Q, 1 = [1. 1 + t
2
], = 1 t
(d) 1 = R
4
[t], < 1. Q =
_
1
1
1Q, 1 = [1 + t. 1 + t
4
], = 1 + t
3
25. A 1 = R
4
considereu el subespai vectorial
1 = (r
1
. r
2
. r
3
. r
4
) R
4
[ r
1
+ r
2
r
3
r
4
= 0
Estudieu si es:
a) 2 ((1. 0. 1. 1)+1)3 ((0. 1. 1. 2)+1) = (2. 1. 5. 2)+1
b) 2 ((1. 0. 1. 1) +1) 3 ((0. 1. 1. 2) +1) = (3. 0. 7. 6) +1
26. Si 1 = R
3
[t] i 1 = 1(t) [ 1(t) = 1(1)+1(0)t+1(1)t
2
, estudieu
la depend`encia o independ`encia lineal dels vectors (t+t
2
)+1 i 1+1.
Doneu una base d1,1.
27. Calculeu la dimensio i trobeu una base dR
4
,1, essent
1 = [(1. 0. 1. 1). (0. 1. 1. 2). (1. 1. 0. 1)]
28. Sigui 1 lespai vectorial (Z,5Z)
4
. Estudieu en 1 la depend`encia/inde-
pend`encia lineal dels conjunts de vectors:
(1. 1. 2. 0). (2. 1. 1. 0)
(1. 1. 0. 3). (2. 1. 1. 1). (0. 1. 0. 1)
29. Essent 1 lespai vectorial de lexercici anterior, determineu la di-
mensio i una base del subespai vectorial 1 format pels vectors
(r
1
. r
2
. r
3
. r
4
) tals que r
1
+ 2r
2
= 3r
3
+ 4r
4
= 0.
Escriviu tots els vectors daquest subespai.
30. Sigui 1 lespai vectorial format pels vectors (r
1
. r
2
. r
3
) amb r
i

Z,3Z. Determineu els subespais vectorials d1 de dimensio 2.
2.16. Exercicis resolts amb Maple 61
2.16 Exercicis resolts amb Maple
Introduccio de vectors
with(LinearAlgebra):
v1:= 12-3;
v1 := [1. 2. 3]
v2:= -314;
v2 := [0. 2. 1]
v3:= 02-1;
v2 := [0. 2. 1]
v4:= -125;
v4 := [1. 2. 5]
Obtencio duna base dun subespai a partir dun sistema de generadors
Basis(v1,v2,v3,v4);
[1. 2. 3]. [0. 2. 1]. [1. 2. 5]
Obtencio duna base del subespai suma
SumBasis([[v1], [v2,v3]]);
[[1. 2. 3]. [0. 2. 1]]
62 Captol 2. Espais vectorials
Obtencio duna base del subespai interseccio
IntersectionBasis([ [v1,v3],[v2,v4]]);
[[0. 2. 1]]
Obtencio duna base ortogonal pel m`etode de Gram-Schmidt
GramSchmidt([v1,v2,v4]);
[[1. 2. 3].
_
1
2
. 1.
1
2
_
.
_
32
21
.
8
21
.
16
21
_
]
Captol 3
Matrius i sistemes de
equacions
3.1 Introduccio
Els primers origens els trobem en problemes que apareixen en tauletes a
Babil`onia (cap a lany 300 aC) i que condueixen a sistemes dequacions
lineals. Per`o es sobretot a la Xina (200 aC - 100 aC) en qu`e es troba el
primer exemple de matriu: es planteja un problema i es disposen els
coecients en les i columnes, a mes de proposar la seva resolucio fent
elimnacio gaussiana.
La paraula matriu no apareix ns lany 1850 amb Sylvester (1850). Lany
1858, Cayley va publicar Memoir on the theory of matrices, on dona les
denicions doperacions amb matrius, incloent-hi inverses.
Actualment, l`algebra matricial ha esdevingut una branca important de
l`algebra. La seva estructura constitueix una eina molt adequada per a
emmagatzemar informacio i descriure relacions.
Tractarem nomes matrius denides sobre el cos real R o be el cos complex
C (es a dir, els coecients de les quals pertanyen a R o a C) si be les
matrius es poden denir sobre un cos qualsevol, o ns i tot sobre anells.
63
64 Captol 3. Matrius i sistemes de equacions
3.2 Notacions i terminologia
Denicio 3.2.1. Anomenarem matriu dordre :: a coecients en un
cos commutatiu 1 a un conjunt de : : elements del cos distributs en
: les i : columnes i que notarem per
=
_
_
_
c
11
. . . c
1m
.
.
.
.
.
.
c
n1
. . . c
nm
_
_
_
. c
ij
1.
Lelement c
ij
est`a en la la i i en la columna ,. A vegades notarem una
matriu simplement per = (c
ij
).
Exemple 3.2.1.

1
=
_
1.01 2 3.2
1.1 3 2.5
_
.
2
=
_
_

3
1 0

2
_
_

1
es una matriu dordre 2 3 i
2
es una matriu dordre 3 2.
Les matrius dordre 1 : (es a dir, amb una sola la) reben el nom de
vectors la i les matrius dordre : 1 (es a dir, amb una sola columna)
reben el nom de vectors columna.
Exemple 3.2.2. Les matrius
_
1 2 1
_
.
_
_
4
3
2
_
_
son un vector la i un vector columna, respectivament.
Notarem per `
nm
(1) el conjunt de les matrius dordre : : a coe-
cients en el cos 1. En el cas particular en qu`e : = : denotarem aquest
conjunt simplement per `
n
(1).
Operacions amb matrius
Suma
Denicio 3.2.2. Donades dues matrius = (c
ij
) i 1 = (/
ij
), amb
. 1 `
nm
(1) (es a dir, del mateix ordre) denim la suma daquestes
dues matrius com la matriu
C = (c
ij
) = (c
ij
+ /
ij
)
3.2. Notacions i terminologia 65
Proposicio 3.2.1. El conjunt `
nm
(1), amb loperacio suma, te es-
tructura de grup commutatiu.

Es a dir, es veriquen les propietats seg uents.

a) Associativa: ( + 1) + C = + (1 + C).
b) Commutativa: + 1 = 1 +.
c) Exist`encia delement neutre, que es la matriu 0 (els elements de la qual
son tots nuls), ja que + 0 = per a qualsevol matriu `
nm
(1).
Aquesta matriu rep el nom de matriu nul
.
la.
d) Exist`encia delement sim`etric: donada una matriu = (c
ij
) `
nm
(1)
existeix de manera que +() = 0 (en efecte, nhi a prou a prendre
= (c
ij
)).
Notacio. Donades dues matrius . 1 `
nm
(1), loperacio +(1)
la notarem simplement per 1.
Producte
Denicio 3.2.3. Donades dues matrius `
nm
(1), 1 `
mp
(1),
amb = (c
ij
) i 1 = (/
ij
) dordres respectius : : i : j, denim el
producte daquestes dues matrius per
C = (c
ij
) =
_
m

k=1
c
ik
/
kj
_
Proposicio 3.2.2. Loperacio producte verica les propietats seg uents.
a) Associativa: (1)C = (1C).
b) Distributiva respecte de la suma: (1+C) = 1+C, (+1)C =
C + 1C.
c) En el cas : = :, existeix element unitat, que es la matriu 1
n
= (
ij
)
amb
ij
= 0 si i ,= , i
ii
= 1, ja que 1
n
= 1
n
= per a qualsevol
matriu `
n
(1). La matriu 1
n
`
n
(1) rep el nom de matriu
identitat dordre :. A vegades, i si no hi ha posibilitat de confusio, es
denota simplement per 1.
Remarca. En el cas : = : i, at`es que donades dues matrius qualssevol
sempre es pot obtenir el seu producte, tenim que `
n
(1) es un anell amb
unitat.
66 Captol 3. Matrius i sistemes de equacions
Remarca. Loperacio producte no es commutativa. En realitat, si
`
nm
(1) i 1 `
mp
(1) podem efectuar el producte 1 per`o
el producte 1 pot efectuar-se nomes si : = j. En el cas de dues ma-
trius quadrades . 1 del mateix ordre es poden efectuar els productes
1 i 1, per`o les matrius aix obtingudes no tenen per qu`e coincidir.
En efecte, podem considerar les matrius
=
_
1 1 1
_
`
13
(R). 1 =
_
_
1 0
0 1
1 4
_
_
`
32
(R)
Podem fer el producte 1,
1 =
_
1 1 1
_
_
_
1 0
0 1
1 4
_
_
=
_
2 5
_
per`o no es possible efectuar el producte 1.
En el cas de dues matrius quadrades, considerem, per exemple,
=
_
1 1
2 1
_
. 1 =
_
1 0
0 2
_
En aquest cas existeixen 1 i 1 pero aquests productes son dues ma-
trius diferents:
1 =
_
1 1
2 1
__
1 0
0 2
_
=
_
1 2
2 2
_
1 =
_
1 0
0 2
__
1 1
2 1
_
=
_
1 1
4 2
_
Remarca.

Es possible que, sense que ni ni 1 siguin matrius nul
.
les, el
producte 1 o 1 (o ambdos, en el cas en que tinguin sentit) siguin la
matriu nul
.
la. Diem aleshores que les matrius i 1 son divisors de zero.
Com a exemples, podem considerar els seg uents.
_
1 1 0
0 0 0
_
_
_
1 2
1 2
3 5
_
_
=
_
0 0
0 0
_
_
1 2 3
_
_
2 2
1 1
_
=
_
0 0
_
3.2. Notacions i terminologia 67
_
1 1
1 1
__
1 1
1 1
_
=
_
1 1
1 1
__
1 1
1 1
_
=
_
0 0
0 0
_
Observem tambe que, sense ser = 1, pot ser C = 1C:
_
1 1
0 0
__
1 1
1 1
_
=
_
0 0
1 1
__
1 1
1 1
_
=
_
0 0
0 0
_
i C = C1:
_
1 1
1 1
__
1 1
0 0
_
=
_
1 1
1 1
__
0 0
1 1
_
=
_
1 1
1 1
_
Aix doncs, no es v`alida la llei de simplicacio.
Producte per un escalar
Donada una matriu = (c
ij
) `
nm
(1) i un element qualsevol del cos
1 denim el producte de lescalar per la matriu de la manera
seg uent:
(c
ij
) = (c
ij
)
Remarca. Sigui `
nm
(1). Aleshores
= (1
n
) = (1
m
)
Les matrius de la forma 1
n
reben el nom de matrius escalars.
Proposicio 3.2.3. Loperacio producte per escalars de 1 verica les
propietats seg uents.
a) Associativa: (j) = (j).
b) Distributiva respecte de la suma de matrius: ( + 1) = + 1.
c) Distributiva respecte de la suma descalars: ( + j) = + j.
d) 1 = .
El conjunt `
mn
(1) amb les operacions suma i producte per escalars de
1 te estructura despai vectorial sobre 1.
Alguns tipus especials de matrius
68 Captol 3. Matrius i sistemes de equacions
Denicio 3.2.4. Anomenarem matriu triangular superior a una matriu
= (c
ij
) tal que c
ij
= 0 per a tot i ,.
Anomenarem matriu triangular inferior a una matriu = (c
ij
) tal que
c
ij
= 0 per a tot i < ,.
Anomenarem matriu diagonal a una matriu = (c
ij
) tal que c
ij
= 0 per
a tot i ,= ,.
Anomenarem matriu estrictament triangular superior a una matriu =
(c
ij
) tal que c
ij
= 0 per a tot i ,.
Anomenarem matriu estrictament triangular inferior a una matriu =
(c
ij
) tal que c
ij
= 0 per a tot i ,.
Exemple 3.2.3. Considerem les matrius

1
=
_
_
0.3 2.2 4.2
0 1.01 4.9
0 0 1
_
_
.
2
=
_
_
1 0 0
2.4 9.1 0
0.9 2 8.1
_
_
.
3
=
_
_
0.3 0 0
0 1.01 0
0 0 1
_
_
.

4
=
_
_
0 0.01 2.1
0 0 2
0 0 0
_
_
.
5
=
_
_
0 0 0
2.4 0 0
0.9 2 0
_
_
La matriu
1
es triangular superior, la matriu
2
es triangular inferior,
la matriu
3
es diagonal, la matriu
4
es estrictament triangular superior
i la matriu
5
es estrictament triangular inferior.
Les matrius escalars son casos especials de matrius diagonals.
Transposici

o
Denicio 3.2.5. Donada una matriu = (c
ij
) `
nm
(1), sanomena
matriu transposada d (i la notarem per
t
) a la matriu denida de la
forma

t
= (c
ji
) `
mn
(1)

Es a dir,
t
es la matriu que sobte a partir d canviant les per
columnes.
Exemple 3.2.4. Donada la matriu
=
_
1 1 0
0 1 2
_
`
23
(1).
3.2. Notacions i terminologia 69
la seva transposada es la matriu

t
=
_
_
1 0
1 1
0 2
_
_
`
32
(1)
Exemple 3.2.5. Si es un vector la
_

1
. . .
n
_
`
1m
(1) la seva
transposada es un vector columna,
t
=
_
_
_

1
.
.
.

n
_
_
_
`
m1
(1). Recprocament,
la transposada dun vector columna es un vector la.
Les propietats seg uents son utilitzades freq uentment.
Proposicio 3.2.4. Es veriquen les igualtats seg uents.
1.- (
t
)
t
=
2.- ()
t
=
t
3.- ( + 1)
t
=
t
+ 1
t
4.- (1)
t
= 1
t

t
Anem ara a restringir-nos al cas en qu`e les matrius son quadrades, es a
dir, : = :. En aquest cas i
t
son ambdues matrius quadrades del
mateix ordre i te sentit preguntar-se si coincideixen, o be si es relacionen
dalguna manera peculiar.
Denicio 3.2.6. Donada una matriu `
n
(1) direm que es sim`etrica
si, i nomes si,
=
t
.
Exemple 3.2.6. La matriu
=
_
_
1

2 1

2 0 1
1 1 2
_
_
es sim`etrica.
70 Captol 3. Matrius i sistemes de equacions
Denicio 3.2.7. Donada una matriu `
n
(1) direm que es anti-
sim`etrica si, i nomes si,
=
t
Exemple 3.2.7. La matriu
=
_
_
0 1 0.5
1 0 2
0.5 2 0
_
_
es antisim`etrica.
Proposicio 3.2.5. Donada una matriu `
n
(1) qualsevol, existeixen
una matriu o `
n
(1) sim`etrica i una matriu 1 `
n
(1) antisim`etrica
tals que
= o + 1.
Demostracio. Considerem
o =
1
2
( +
t
)
1 =
1
2
(
t
)

Es f`acil veure que o es sim`etrica, 1 es antisim`etrica i = o + 1.

Exemple 3.2.8. Sigui =
_
2 3
1 5
_
. Es te = o + 1 amb
o =
_
2 2
2 5
_
. i 1 =
_
0 1
1 0
_
.
Tambe es f`acil comprovar larmacio de la proposicio seg uent.
Proposicio 3.2.6. Sigui `
nm
(1) una matriu qualsevol. Llavors
o =
t
`
m
(1) i 1 =
t
`
n
(1) son matrius sim`etriques.
3.3. Rang duna matriu 71
Denicio 3.2.8. Sigui `
n
(1). Es diu que es ortogonal quan

t
=
t
= 1
n
.
Exemple 3.2.9. La matriu
=
_
_
_
_
_
0

2
2

2
2
1 0 0
0

2
2

2
2
_
_
_
_
_
es ortogonal.
3.3 Rang duna matriu
Donada una matriu `
nm
(1), podem considerar el subespai vecto-
rial de 1
n
engendrat pels : vectors columna de la matriu i calcular
la dimensio daquest subespai.
Exemple 3.3.1. Donada
=
_
_
3 2
1 0
6 4
_
_
podem considerar el subespai
_
_
_
_
3
1
6
_
_
.
_
_
2
0
4
_
_
_
_
i veiem que la seva dimensio es 2.
De fet haurem pogut considerar el subespai vectorial de 1
m
format pels
: vectors les de la matriu .
Exemple 3.3.2. Considerem la mateixa matriu que en lexemple anterior.
En aquest cas podem considerar el subespai
__
3 2
_
.
_
1 0
_
.
_
6 4
_
72 Captol 3. Matrius i sistemes de equacions
Tambe en aquest cas podeu calcular la dimensio daquest subespai, i
observem que tambe es 2.
De fet, tenim el resultat seg uent.
Proposicio 3.3.1. La dimensio del subespai engendrat pels vectors colum-
na duna matriu coincideix amb la dimensio del subespai engendrat pels
vectors la de la mateixa matriu.
Te per tant, sentit la denicio seg uent.
Denicio 3.3.1. Sanomena rang de la matriu a la dimensio del sube-
spai vectorial engendrat per les columnes (o les) d. El denotarem per
rg .
3.4 Transformacions elementals duna ma-
triu
Presentem a continuaci o una eina molt util per a calcular el rang duna
matriu, aix com per a trobar inverses de matrius invertibles i tambe per
a resoldre sistemes dequacions lineals.
Transformacions elementals de files
Sigui una matriu de `
nm
(1). Notarem per
1. 1
ij
() la matriu que resulta de permutar les les i i , d.
Exemple 3.4.1.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
24
() =
_
_
_
_
1 1 1
5 5 5
9 8 7
2 3 4
_
_
_
_
2. 1
i
() la matriu que resulta de multiplicar la la i-`esima d per
un escalar ,= 0.
3.4. Transformacions elementals duna matriu 73
Exemple 3.4.2.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
32
() =
_
_
_
_
1 1 1
6 9 12
9 8 7
5 5 5
_
_
_
_
3. 1
i+j
() la matriu que resulta de sumar a la la i la la , multi-
plicada per .
Exemple 3.4.3.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
1+32
() =
_
_
_
_
7 10 13
2 3 4
9 8 7
5 5 5
_
_
_
_
Cadascuna de les matrius anteriors direm que sha obtingut a partir de
la matriu mitjancant una transformacio elemental de les.
Transformacions elementals de columnes
Sigui una matriu de `
nm
(1). Notarem per
1. 1
ij
() la matriu que resulta de permutar les columnes i i , d.
Exemple 3.4.4.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
23
() =
_
_
_
_
1 1 1
2 4 3
9 7 8
5 5 5
_
_
_
_
2. 1
i
() la matriu que resulta de multiplicar la columna i-`esima d
per un escalar ,= 0.
Exemple 3.4.5.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
32
() =
_
_
_
_
1 3 1
2 9 4
9 24 7
5 15 5
_
_
_
_
74 Captol 3. Matrius i sistemes de equacions
3. 1
i+j
() la matriu que resulta de sumar a la columna i la columna
, multiplicada per .
Exemple 3.4.6.
=
_
_
_
_
1 1 1
2 3 4
9 8 7
5 5 5
_
_
_
_
. 1
1+32
() =
_
_
_
_
4 3 1
11 9 4
33 24 7
20 15 5
_
_
_
_
Cadascuna de les matrius anteriors direm que sha obtingut a partir de
la matriu mitjancant una transformacio elemental de columnes.
A una matriu se li poden aplicar un nombre nit de transformacions
elementals tant de les com de columnes, obtenint aix una matriu

.
Ho notarem

.
Si volem precisar els tipus de transformacions realitzades notarem
f
per
a transformacions de les i
c
per a transformacions de columnes:

f

1
f
. . .
f

r
c

r+1
c
. . .
c

.
Exemple 3.4.7.
=
_
_
1 4 1
2 0 1
1 0 0
_
_
f

1
=
_
_
1 0 0
2 0 1
1 4 1
_
_
c

2
=
_
_
1 0 0
2 1 0
1 1 4
_
_
Anem a veure que efectivament les transformacions elementals son una
eina per a calcular el rang duna matriu.
Proposicio 3.4.1. Sigui
1
. . . . .
m
un conjunt format per : vec-
tors dun espai vetorial 1 dels quals les seves coordenades en una base
(n
1
. . . . . n
n
) d1 determinen les columnes de la matriu `
nm
(1).
Aleshores les columnes de les matrius 1
ij
(), 1
i
(), 1
i+j
() son les
coordenades de la mateixa famlia de vectors en les bases
(n
1
. . . . . n
j
. . . . . n
i
. . . . . n
n
), (n
1
. . . . .
1

n
i
. . . . . n
n
), i (n
1
. . . . . n
i
. . . . . n
j

n
i
. . . . . n
n
), respectivament.
3.4. Transformacions elementals duna matriu 75
Exemple 3.4.8. Siguin
1
.
2
, dos vectors dR
3
les coordenades dels quals
en la base can`onica (c
1
. c
2
. c
3
) son (3. 2. 1). (4. 0. 2). Les coordenades
daquests vectors en la base (c
3
. c
2
. c
1
) les obtenim fent
=
_
_
3 4
2 0
1 2
_
_
. 1
13
() =
_
_
1 2
2 0
3 4
_
_
Les coordenades dels vectors en la nova base son, doncs, (1. 2. 3) i (2. 0. 4),
respectivament.
Proposicio 3.4.2. Sigui `
mn
(1) i

una matriu deduda d

per transformacions elementals de les. Aleshores, si
1
. . . . .
n
son els
vectors columna de la matriu i

1
. . . . .

n
son els vectors columna de
la matriu

, les columnes
i
1
. . . . .
i
p
son linealment independents si, i
nomes si, les columnes corresponents

i
1
. . . . .

i
p
de la matriu

tambe
ho son.
Corol
.
lari 3.4.1. En particular, : columnes de la matriu son base del
subespai vectorial engendrat pels vectors columna d si, i nomes si, les :
columnes corresponents de la matriu

son base del subespai engendrat

per les columnes d

.
Corol
.
lari 3.4.2. Sigui

una matriu obtinguda d per transforma-

cions elementals de les. Aleshores
rang = rang

Les transformacions elementals de columnes tampoc no alteren el rang

duna matriu. Per aix`o nomes cal tenir en compte la proposicio seg uent.
Proposicio 3.4.3. El subespai engendrat per : vectors
1
. . . . .
n
dR
m
coincideix amb el subespai engendrat per
a)
1
. . . . .
j
. . . . .
i
. . . . .
n
.
b)
1
. . . . .
i
. . . . .
n

c)
1
. . . . .
i
+
j
. . . . .
n
.
76 Captol 3. Matrius i sistemes de equacions
Corol
.
lari 3.4.3. Si

es una matriu obtinguda d per transformacions

elementals de columnes, aleshores
rang = rang

Exemple 3.4.9. Anem a calcular el rang de la matriu

=
_
_
1 2 1 1
3 1 2 0
4 3 3 1
_
_
Fent transformacions elementals de les tenim

_
_
1 2 1 1
0 5 1 3
4 3 3 1
_
_
f

_
_
1 2 1 1
0 5 1 3
0 5 1 3
_
_
f

_
_
1 2 1 1
0 5 1 3
0 0 0 0
_
_
=

Clarament rang

= 2 i, per tant, rang = 2.

Tambe haguessim pogut obtenir el rang d fent transformacions ele-
mentals de columnes:

_
_
1 0 1 1
3 5 2 0
4 5 3 1
_
_
c

_
_
1 0 0 1
3 5 1 0
4 5 1 1
_
_
c

_
_
1 0 0 0
3 5 1 3
4 5 1 3
_
_
=

Clarament rang

= 2 i, per tant, rang = 2.

O tambe podem fer transformacions elementals tant de les com de
columnes. Aix podem veure que
. . .
_
_
1 0 0 0
0 1 0 0
0 0 0 0
_
_
=

En els exemples anteriors, mitjancant transformacions elementals, hem

redut la matriu donada a una matriu a una matriu esglaonada.
Denicio 3.4.1. Direm que una matriu 1 `
nm
(1) es :-esglaonada
per les si te la forma seg uent:
1 =
_
_
_
_
_
_
_
_
_
_
_
0 . . . 0
c
1

- . . .
c
2

. . .
c
r

. . .
0 . . . 0 0 . . . - . . . . . .
. . . . . . . . . . . .
0 . . . 0 0 . . . 0 . . . - . . . (:
0 . . . 0 0 . . . 0 . . . 0 . . .
. . . . . . . . . . . .
0 . . . 0 0 . . . 0 . . . 0 . . .
_
_
_
_
_
_
_
_
_
_
_
3.4. Transformacions elementals duna matriu 77
on 1 c
1
< c
2
< . . . < c
r
: indiquen les columnes on es troben les -,
: es l ultima la no nul
.
la, els elements denotats per - son no nuls i els
situats a lesquerra de cada - en una mateixa la i per sota de la la :
son nuls.
Exemple 3.4.10. La matriu
_
_
_
_
0 1 2 1 3 1
0 0 0 1 0 2
0 0 0 0 4 1
0 0 0 0 0 0
_
_
_
_
es 3-esglaonada per les. En aquest cas, : = 3, c
1
= 2, c
2
= 4 i c
3
= 5.
Proposicio 3.4.4. Si 1 es una matriu :-esglaonada per les, les columnes
c
1
. . . . . c
r
son base del subespai vectorial engendrat per les columnes de la
matriu.
Proposicio 3.4.5. Sigui una matriu, que mitjancant transformacions
elementals per les sha redut a una matriu del tipus 1 (esglaonada per
les). Aleshores, les columnes c
1
. . . . . c
r
de la matriu son base del
subespai vectorial engendrat per les columnes de la matriu.
Donada una matriu , en fer-li transformacions elementals de les no
saltera el seu rang. Aix doncs, si un element c
ij
es no nul, restant a
la la /-`esima, / i, la la i-`esima multiplicada per
c
kj
c
ij
tindrem una
matriu del mateix rang en la qual lelement que est`a en el lloc (/. ,) es
nul.
Repetint aquesta operacio, que anomanarem pivotatge per les, al voltant
dels elements no nuls, i, si conve, reordenant les les, tenim la proposicio
seg uent.
Proposicio 3.4.6. Sigui una matriu de `
nm
(1). Aleshores te
rang : si, i nomes si, es pot transformar mitjancant transformacions
elementals de les en una matriu :-esglaonada per les.
Remarca. Observem que la matriu esglaonada en qu`e podem trans-
formar una matriu donada, mitjancant transformacions elementals de
les, no es unica.
78 Captol 3. Matrius i sistemes de equacions
Exemple 3.4.11. Les matrius

1
=
_
_
1 1 0
0 2 4
0 0 4
_
_
.
2
=
_
_
1 1 0
0 1 2
0 0 1
_
_
.
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
son 3-esglaonades per les de la matriu
=
_
_
1 1 0
1 3 4
1 1 4
_
_
An`alogament, tenim la denicio de matriu esglaonada per columnes.
Denicio 3.4.2. Direm que una matriu es :-esglaonada per columnes si
te la forma seg uent:
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 0 . . .
r

0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0 . . . 0
)
1
) - 0 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
)
2
) - . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
)
r
) . . . - . . . 0
.
.
.
.
.
. . . .
.
.
. . . .
.
.
.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
on 1 )
1
< )
2
< . . . < )
r
: indiquen les les on es troben les -,
: es l ultima columna no nul
.
la, els elements notats per - son no nuls i
els situats damunt de cada - en una mateixa columna i a la dreta de la
columna : son nuls.
Exemple 3.4.12. La matriu
_
_
_
_
_
_
0 0 0 0
1 0 0 0
2 0 0 0
3 1 0 0
0 2 1 0
_
_
_
_
_
_
es 3-esglaonada per columnes. En aquest cas, : = 3, )
1
= 2, )
2
= 4 i
)
3
= 5.
3.4. Transformacions elementals duna matriu 79
`
Obviament, la transposada duna matriu :-esglaonada per les es :-
esglaonada per columnes i recprocament. Tenim doncs, resultats per
a matrius esglaonades per columnes an`alegs als enunciats per a matrius
esglaonades per les.
Proposicio 3.4.7. Si 1 es una matriu :-esglaonada per columnes, les
les )
1
. . . . . )
r
, son base del subespai vectorial engendrat per les les de
la matriu.
Proposicio 3.4.8. Sigui una matriu, que mitjancant transformacions
elementals per columnes sha redut a una matriu del tipus 1 (esglaonada
per columnes). Aleshores, les les )
1
. . . . . )
r
de la matriu son base del
subespai vectorial engendrat per les les de la matriu.
Donada una matriu , en fer-li transformacions elementals de columnes
no saltera el seu rang. Aix doncs, si un element c
ij
es no nul, restant
a la columna /-`esima, / ,, la columna ,-`esima multiplicada per
c
ik
c
ij
tindrem una matriu del mateix rang en la qual lelement que est`a en el
lloc (i. /) es nul.
Repetint aquesta operacio, que anomenarem pivotatge per columnes, al
voltant dels elements no nuls i, si conve, reordenant les seves columnes,
tenim la proposicio seg uent.
Proposicio 3.4.9. Sigui una matriu de `
nm
(1). Aleshores te
rang : si, i nomes si, es pot transformar mitjancant transformacions
elementals de columnes en una matriu :-esglaonada per columnes.
Finalment podem concloure amb la proposicio seg uent.
Proposicio 3.4.10. Sigui una matriu de `
nm
(1). Aleshores
rang = rang
t
.
Remarca. Les transformacions elementals per les duna matriu po-
den efectuar-se multiplicant per lesquerra aquesta matriu per determi-
nades matrius anomenades matrius elementals per les que son el resultat
daplicar les mateixes transformacions elementals a la matriu identitat:
1
ij
(1) = 1
ij
. 1
i
(1) = 1
i
. 1
i+j
= 1
i+j
.
80 Captol 3. Matrius i sistemes de equacions
An`alogament, les transformacions elementals per columnes duna matriu
poden efectuar-se multiplicant per la dreta aquesta matriu per determi-
nades matrius, anomanades matrius elementals per columnes, que son
el resultat daplicar les mateixes transformacions elementals a la matriu
identitat:
1
ij
(1) = 1
ij
. 1
i
(1) = 1
i
. 1
i+j
= 1
i+j
.
Observem que tant les matrius elementals per les com les matrius ele-
mentals per columnes son matrius de rang m`axim.
3.5 Inversa duna matriu
Denicio 3.5.1. Sigui `
nm
(1). Si existeix una matriu
1 `
mn
(1) tal que
1 = 1
n
`
n
(1)
es diu que la matriu 1 es una inversa per la dreta d. Si existeix una
matriu C `
mn
(1) tal que
C = 1
m
`
m
(1)
es diu que la matriu C es una inversa per la esquerra d.
En el cas en qu`e es una matriu quadrada, si existeix inversa per la
dreta existeix tambe per lesquerra i ambdues coincideixen. En tal cas es
diu que la matriu es invertible (o tambe regular) i a una tal matriu se la
denomina la inversa d, que notarem per
1
(es immediat comprovar
que es unica).
Exemple 3.5.1. La matriu
=
_
1 1 0
0 1 1
_
te, com inversa per la dreta, la matriu
1 =
_
_
1 0
0 0
0 1
_
_
ja que 1 = 1
2
. Mes precisament, qualsevol matriu de la forma
1
,
=
_
_
1 + j
j
1 j
_
_
3.5. Inversa duna matriu 81
amb . j R qualssevol, es una inversa per la dreta de la matriu . En
particular, les inversas per la dreta no son necess`ariament uniques. El
mateix passa amb les inverses per lesquerra.
Observeu que la matriu no te cap inversa per lesquerra ja que no hi
ha cap C `
32
(R) tal que C = 1
3
.
El resultat que enunciem a continuaci o determina les matrius que son
invertibles.
Proposicio 3.5.1. Les matrius quadrades de rang m`axim son les uniques
matrius invertibles.
Exemple 3.5.2. Les matrius elementals (tant per les com per columnes)
son invertibles.
Proposicio 3.5.2. Si `
n
(1) es una matriu invertible, aleshores es
veriquen les propietats seg uents.
1.- (
1
)
1
= .
2.- Si 1 es tambe una matriu invertible, (1)
1
= 1
1

1
.
3.- Sigui 1, ,= 0. Aleshores ()
1
=
1

1
.
4.- (
t
)
1
= (
1
)
t
.
Demostracio. Comprovem per exemple 2):
(1
1

1
)(1) = 1
1
(
1
)1 = 1
1
1
n
1 = 1
1
1 = 1
n
.
Si una matriu es invertible, mitjancant transformacions elementals de
les es pot reduir a la matriu identitat. At`es que aquestes transforma-
cions corresponen a multiplicar per matrius elementals la matriu donada,
tenim que, si denotem per 1
p
. . . . . 1
1
aquestes matrius elementals per
lesquerra,
1
p
. . . 1
1
= 1
don 1 = 1
p
. . . 1
1
=
1
. Tenim doncs, una manera pr`actica dobtenir
la matriu inversa duna matriu invertible. Anem a veure-ho amb un
exemple.
82 Captol 3. Matrius i sistemes de equacions
Exemple 3.5.3. Sigui la matriu
=
_
_
1 4 8
0 1 2
1 2 3
_
_
Juxtaposem la matriu i la matriu identitat 1,
_
_
_
_
1 4 8
.
.
. 1 0 0
0 1 2
.
.
. 0 1 0
1 2 3
.
.
. 0 0 1
_
_
_
_
=
Ara fem les transformacions elementals de les, necess`aries per a convertir
en 1. Una vegada acabat el proces la matriu que apareix en el lloc que
ocupava la matriu 1 es la matriu
1
inversa de :

(a)
_
_
_
_
1 4 8
.
.
. 1 0 0
0 1 2
.
.
. 0 1 0
0 6 11
.
.
. 1 0 1
_
_
_
_
f

(b)
_
_
_
_
1 4 8
.
.
. 1 0 0
0 1 2
.
.
. 0 1 0
0 0 1
.
.
. 1 6 1
_
_
_
_
f

(c)
_
_
_
_
1 4 8
.
.
. 1 0 0
0 1 0
.
.
. 2 11 2
0 0 1
.
.
. 1 6 1
_
_
_
_
f

(d)
_
_
_
_
1 4 0
.
.
. 9 48 8
0 1 0
.
.
. 2 11 2
0 0 1
.
.
. 1 6 1
_
_
_
_
f

(e)
_
_
_
_
1 0 0
.
.
. 1 4 0
0 1 0
.
.
. 2 11 2
0 0 1
.
.
. 1 6 1
_
_
_
_
Per tant,

1
=
_
_
1 4 0
2 11 2
1 6 1
_
_
(c) A la tercera la de li sumem la primera, obtenint
1
.
(/) A la tercera la de
1
multiplicada per 1 li sumem sis vegades la
segona d
1
obtenint
2
.
3.6. Sistemes dequacions lineals 83
(c) A la segona la de
2
li restem dues vegades la tercera d
2
, obtenint

3
.
(d) A la primera la de
3
li restem vuit vegades la tercera, obtenint
4
.
(c) A la primera la de
4
li restem quatre vegades la segona.
3.6 Sistemes dequacions lineals
Un sistema dequacions lineals es un conjunt digualtats de la forma
c
11
r
1
+ . . . + c
1n
r
n
= /
1
c
21
r
1
+ . . . + c
2n
r
n
= /
2
. . . . . . . . . . . . . . . . . . . . .
c
m1
r
1
+ . . . + c
mn
r
n
= /
n
_

_
(3.1)
on c
ij
i /
i
, 1 i :, 1 , : son elementes donats de 1. Si
/
1
= . . . = /
m
= 0 el sistema rep el nom de sistema homogeni.
Denicio 3.6.1. Els termes r
1
. . . . . r
n
son les inc`ognites del sistema.
Cada :-pla (r
0
1
. . . . . r
0
n
) delements de 1 que verica el conjunt digual-
tats anteriors sanomena una solucio del sistema.
Observem que si el sistema es homogeni, la :-pla (0. . . . . 0) verica el
sistema. Per tant, si el sistema es homogeni sempre te (almenys) una
solucio.
Denicio 3.6.2. Quan un sistema te (almenys) una solucio, direm que
el sistema es compatible. I si no hi cap :-pla delements de 1 que sigui
solucio, direm que el sistema es incompatible.
Es tracta destudiar quan un sistema te solucio, i en cas de tenir-ne, si
es unica (sistema compatible determinat) o no (sistema compatible inde-
terminat).
Exemple 3.6.1. Considereu els sistemes dequacions lineals
r
1
+ r
2
= 4
r
1
r
2
= 0
_
(1)
2r
1
+ 4r
2
= 4
r
1
+ 2r
2
= 2
_
(2)
El sistema (1) es compatible determinat i l unica solucio es (r
1
. r
2
) =
(2. 2). En canvi, el segon sistema es compatible indeterminat ja que
qualsevol parella (r
1
. r
2
) amb r
1
= 2 2r
2
nes solucio.
84 Captol 3. Matrius i sistemes de equacions
Anem a donar un criteri per determinar si un sistema te solucio. Denotem
=
_
_
_
c
11
. . . c
1n
.
.
.
.
.
.
c
m1
. . . c
mn
_
_
_
. r=
_
_
_
r
1
.
.
.
r
n
_
_
_
. /=
_
_
_
/
1
.
.
.
/
m
_
_
_
. =
_
_
_
c
11
. . . c
1n
/
1
.
.
.
.
.
.
.
.
.
c
m1
. . . c
mn
/
n
_
_
_
.
Aix, el sistema el podem escriure en forma matricial:
r = /
Teorema 3.6.1 (Rouche-Frobenius). Sigui r = / un sistema lineal
dequacions.
i) Si rg = rg = : = nombre dinc`ognites, el sistema te solucio
unica.
ii) Si rg = rg < : = nombre dinc`ognites, el sistema te innites
solucions.
iii) Si rang ,= rang el sistema no te solucio.
Remarca. Si la matriu del sistema es quadrada, el sistema es com-
patible determinat si, i nomes si, la matriu es invertible. En aquest
cas, la solucio del sistema es:
r =
1
/
En general es f`acil, utilitzant transformacions elementals, determinar si
un sistema es, o no, compatible i, en cas armatiu, trobar la solucio o el
conjunt de solucions en cas de ser compatible indeterminat.
Observem que, donat un sistema r = /, i el que resulta en multiplicar
aquest per lesquerra per una matriu elemental 1, 1r = 1/, ambdos o
be tenen el mateix conjunt de solucions o be ambdos son incompatibles.
Daltra banda, observem que
r = (1
ij
)(1
ij
r)
Per tant, si fem permutacions de columnes a la matriu , aquestes es
compensen fent les permutacions de les corresponents a la matriu r.
3.6. Sistemes dequacions lineals 85
Passem ara a trobar el conjunt de solucions dun sistema (compatible).
A la matriu podem fer-li transformacions elementals de les i permuta-
cions de columnes ns a reduir-la a una matriu del tipus
_
1
r
1 c
1
0 0 c
2
_
on : es el rang de la matriu i
_
c
1
c
2
_
es el resultat de reduir la matriu /.
Si c
2
,= 0, rang ,= rang i, per tant el sistema es incompatible.
Si c
2
= 0, el sistema, despres de fer les transformacions elementals, es:
_
1
r
1
0 0
__
r
1
r
2
_
=
_
c
1
0
_
amb
_
r
1
r
2
_
= r
don dedum que el conjunt de solucions es
r =
_
c
1
1r
2
r
2
_
Exemple 3.6.2. Considerem el sistema dequacions lineals
r
1
+ r
2
+ r
3
= 3
r
1
+ r
2
+ 2r
3
= 5
3r
1
+ 3r
2
+ 5r
3
= 13
_
_
_
Per a estudiar si te solucio, fem transformacions elementals per les a la
matriu :
_
_
_
_
1 1 1
.
.
. 3
1 1 2
.
.
. 5
3 3 5
.
.
. 13
_
_
_
_
f

_
_
_
_
1 1 1
.
.
. 3
0 0 1
.
.
. 2
0 0 2
.
.
. 4
_
_
_
_
f

_
_
_
_
1 1 0
.
.
. 1
0 0 1
.
.
. 2
0 0 0
.
.
. 0
_
_
_
_
Veiem que el sistema es compatible indeterminat. Calculem el conjunt
de solucions fent una permutaci o de columnes
_
_
_
_
1 0 1
.
.
. 1
0 1 0
.
.
. 2
0 0 0
.
.
. 0
_
_
_
_
86 Captol 3. Matrius i sistemes de equacions
El sistema donat es equivalent a
_
_
1 0 1
0 1 0
0 0 0
_
_
_
_
r
1
r
3
r
2
_
_
=
_
_
1
2
0
_
_
i, per tant, el conjunt de solucions es
r
1
= 1 r
2
r
2
= r
2
r
3
= 2
_
_
_
3.7 Aplicacio 1
C`alcul de la dimensio dun subespai
Podem utilitzar el que hem vist ns ara per a obtenir una base del sube-
spai engendrat per un conjunt nit de vectors i, per tant, calcular la seva
dimensio.
Sigui 1 un espai vectorial de dimensio nita i (n
1
. . . . . n
n
) una base d1.
Sigui 1 un subespai engendrat pels vectors
1
. . . . .
p
. Si 1 es una matriu
:-esglaonada obtinguda a partir de la matriu on les seves columnes son
les coordenades dels vectors
i
en la base donada, els vectors
c
1
. . . . .
c
r
determinen una base d1.
Exemple 3.7.1. Siguin
1
= (1. 1. 1. 2).
2
= (2. 2. 2. 4).
3
= (3. 4. 1. 6) els
generadors dun subespai vectorial dR
4
. Aleshores esglaonant la matriu
=
_
_
_
_
1 2 3
1 2 4
1 2 1
2 4 6
_
_
_
_
f

_
_
_
_
_
c
1

1 2
c
2

3
0 0 1
0 0 2
0 0 0
_
_
_
_
_
= 1
podem concloure que
1
.
3
formen una base del subespai vectorial.
3.8. Aplicacio 2 87
3.8 Aplicacio 2
Equacions que deneixen un subespai vectorial
Donat un subespai vectorial 1 dun espai vectorial 1, les equacions que
deneixen aquest subespai son aquelles que relacionen entre elles les com-
ponents, en una certa base d1, dels vectors daquest subespai (formen
un sistema dequacions lineal i homogeni).
Si
1
. . . . .
m
es un sistema de generadors dun subespai vectorial 1
d1, posant a la matriu, els vectors columna de la qual son les com-
ponents daquests vectors en una base (n
1
. . . . . n
n
) d1, i anomenant 1
a la matriu obtinguda afegint a una darrera columna constituda per
les components r
1
. . . . . r
n
, dun vector r d1, aleshores:
r 1 rg = rg 1.
En imposar aix`o, si esglaonem la matriu 1, obtenim les relacions que
han de complir les components r
1
. . . . . r
n
dr per tal que aquest vector
sigui d1. Aquestes relacions entre components son les equacions que
determinen el subespai vectorial 1.
Remarca. Diferents sistemes dequacions lineals i homogenis poden
denir el mateix subespai vectorial. Si el nombre dequacions (lineal-
ment independents) que deneixen un subespai 1 es :, llavors:
dim1 = dim1 :.
Exemple 3.8.1. Determinem les equacions del subespai 1 dR
4
generat
per la famlia de vectors seg uents:
(1. 1. 0. 1). (0. 1. 0. 2)
Un vector r = (r
1
. r
2
. r
3
. r
4
) R
4
pertany a 1 si i nomes si:
rg
_
_
_
_
1 0
1 1
0 0
1 2
_
_
_
_
= rg
_
_
_
_
1 0 r
1
1 1 r
2
0 0 r
3
1 2 r
4
_
_
_
_
El rang de la primera matriu es 2. En imposar que el rang de la segona
matriu sigui tambe 2, trobem les equacions que busquem.
_
_
_
_
1 0 r
1
1 1 r
2
0 0 r
3
1 2 r
4
_
_
_
_
f

_
_
_
_
1 0 r
1
0 1 r
2
r
1
0 0 r
3
0 0 3r
1
2r
2
+ r
4
_
_
_
_
88 Captol 3. Matrius i sistemes de equacions

Es a dir,
1 = (r
1
. r
2
. r
3
. r
4
) R
4
[ 3r
1
2r
2
+ r
4
= r
3
= 0 .
3.9 Ap`endix
Inversa generalitzada de Moore-Penrose
Donada una matriu `
nm
(R), sanomena matriu inversa de Moore-
Penrose d a una matriu dordre :: (quescriurem
+
) que verica:
1.-
+
=
2.-
+

+
=
+
3.- (
+
)
t
=
+
4.- (
+
)
t
=
+

Proposicio 3.9.1. Sigui `

nm
(R) una matriu qualsevol. Aleshores
existeix una unica matriu
+
`
mn
(R) que compleix les quatre condi-
cions anteriors.
Demostracio. Sigui : = rg . Aleshores existeixen 1 `
n
(R) i Q
`
m
(R) matrius invertibles tals que
= 1
_
1
r
0
0 0
_
Q
Partint les matrius 1 i Q segons la particio de la matriu
_
1
r
0
0 0
_
tenim
que
=
_
1
11
1
12
_
_
1
r
0
0 0
__
Q
11
Q
21
_
= 1
11
Q
11
Observem que 1
11
i Q
11
son matrius de rang :. Per tant, 1
t
11
1
11
i Q
11
Q
t
11
son matrius invertibles dordre :.

Es f`acil comprovar que la matriu
Q
t
11
(Q
11
Q
t
11
)
1
(1
t
11
1
11
)
1
1
t
11
verica les quatre condicions donades en la denicio.
3.10. Aplicacio a la qumica 89
Remarca. Si `
n
(R) es una matriu invertible, Aleshores
+
=
1
.
En el cas en qu`e la matriu te rang maxim es f`acil obtenir la matriu

+
, segons es veu en el resultat seg uent.
Proposicio 3.9.2. Sigui `
nm
(R) una matriu que te rang m`axim.
Aleshores,
(a) si : :,
+
= (
t
)
1

t
.
(b) si : :,
+
=
t
(
t
)
1
.
Exemple 3.9.1. Sigui
=
_
_
1 2
1 2
1 2
_
_
La inversa de Moore-Penrose de la matriu ve donada per

+
=
1
15
_
1 1 1
2 2 2
_
.
3.10 Aplicacio a la qumica
Obtencio de lequacio de Michaelis-Menten
Suposem que tenim un enzim 1 que catalitza la reaccio o 1 i que
coneixem la seva concentraci o total. Lenzim suneix al substrat o de
manera reversible per generar el complex 1o. Aquest complex llibera el
producte 1 de manera irreversible, obtenint-se de nou lenzim lliure:
1 + o
/
1

/
1
1o
1o
/
2

1 + 1
Suposem que la concentraci o [1o] es constant al llarg del temps:
d[ES]
dt
=
0. Aleshores es pot procedir de la forma seg uent.
0 =
d[1o]
dt
= /
1
[1][o] (/
1
+ /
2
)[1o]
90 Captol 3. Matrius i sistemes de equacions
A mes, [1
T
] = [1] + [1o].
Tenim aix un sistema lineal de dues equacions amb dues inc`ognites: [1]
i [1o]:
_
/
1
[o][1] (/
1
+/
2
)[1o] = 0
[1] + [1o] = [1
T
]
Resolent-lo trobem que
[1o] =
/
1
[o][1
T
]
/
1
[o] + (/
1
+/
2
)
Interessa con`eixer la velocitat de la reaccio. Si suposem que la segona
equacio es la limitant, la velocitat seria = /
2
[1o], es a dir,
=
/
2
/
1
[o][1
T
]
/
1
[o] + (/
1
+ /
2
)
=
/
2
[o][1
T
]
[o] +
k
1
+k
2
k
1
La constant /
M
=
k
1
+k
2
k
1
es lanomenada constant de Michaelis-Menten.
La m`axima velocitat que es pot aconseguir es quan [1o] = [1
T
]. Llavors:

max
= /
2
[1
T
]. Aix sobte lexpressio:
=

max
[o]
[o] + /
m
anomenada equacio de Michaelis-Menten.
Aquest raonament es pot aplicar a altres tipus de mecanismes de cin`etica
qumica enzim`atics o no-enzim`atics.
3.11 Comentaris nals
Les matrius son una eina molt adequada per a emmagatzemar informacio.
A mes, per a la resolucio de molts problemes les matrius han esdevingut
una eina molt util, ja que permeten expressar les relacions entre les difer-
entes variables involucrades duna forma clara i concisa.
Gracies a l us de la notacio matricial, es poden arribar a conclusions que
daltre forma no resultarien evidents.
Els sistemes lineals dequacions sutilitzen per a la resolucio de circuits
amb elements lineals, en economia (descripcio de les relacions entre preus,
produccio i demanda, de sistemes econ`omics, com el de Leontief), etc.
3.12. Exercicis 91
Les matrius son tambe un instrument fonamental en lestudi de les aplica-
cions lineals entre espais vectorials, que son els objectes dels que tractarem
en el captol seg uent.
3.12 Exercicis
1. Donades les matrius
A =
_
3 2 2 1
9 4 3 2
_
, B =
_
_
1 0 3 7
4 1 0 3
2 1 0 3
_
_
C =
_
0 5 0
0 4 1
_
, D =
_
3 5 2
8 4 1
_
Calculeu + (C + 1)1.

Es possible calcular
t
C + 11? I
1
t
+1
t
?
2. Donades les matrius
=
_
_
8 5 13
8 4 29
4 1 6
_
_
. 1=
_
_
_
_
0.8 0.5 1.3
0 1.4 2.9
0.2 1.1 3.2
0.4 1 6
_
_
_
_
.
C =
_
_
0.8 0.5 1.3 2.4
0 1.4 2.9 2.1
0.2 1.1 3.2 1.1
_
_
reduu-les a una forma esglaonada
a) per les.
b) per columnes.
3. Calculeu el rang de les matrius seg uents:
=
_
_
1 1 2 1
0 1 0 1
1 2 2 3
_
_
. 1 =
_
_
0.1 0.2 0.3 0.4
0.2 0.3 0.4 0.5
0.3 0.4 0.5 0.6
_
_
C =
_
_
_
_
1 1 2
1 1 1
0 1 1
2 0 3
_
_
_
_
. 1 =
_
_
_
_
1
1
2
1
3
1
4
1
2
1
3
1
4
1
5
1
2
1
6
1
12
1
20
1
4
1
6
1
8
1
10
_
_
_
_
92 Captol 3. Matrius i sistemes de equacions
4. Estudieu quines de les matrius seg uents son invertibles:
A =
_
_
1 1 2
0 1 0
1 1 1
_
_
, B =
_
_
_
_
1 1 2 0
1 1 1 2
0 1 1 1
1 3 4 2
_
_
_
_
, C =
_
_
_
_
4 1 1 0
0 1 1 2
1 1 1 1
0 1 1 1
_
_
_
_
5. Discutiu per a quins valors de la constant c R, la matriu
_
_
_
_
1 0 1 0
0 1 1 0
2 1 3 1
c 2 1 0
_
_
_
_
es invertible, i trobeu en aquests casos la seva inversa.
6. Calculeu les inverses de les matrius:
=
_
_
1 1 1
0 1 1
1 2 3
_
_
. 1 =
_
_
0.1 0.2 0.3
0.2 0.3 0.5
0.4 0.4 0.5
_
_
C =
_
_
_
_
2 1 1 1
1 2 1 1
1 1 2 1
1 1 1 2
_
_
_
_
. 1 =
_
_
_
_
1 1 2 3
0 1 1 1
0 0 2 1
0 0 1 1
_
_
_
_
7. Sigui una matriu triangular superior (inferior) invertible. Proveu
que
1
es triangular superior (inferior).
8. Calculeu
_
0 1
0 0
_
2
.
Deduu daqu
n
, on es la matriu
=
_
c /
0 c
_
; c. / R qualssevol.
9. Sigui `
n
(1) una matriu estrictament triangular superior (in-
ferior). Proveu que
n
= 0.
10. Es diu que una matriu `
3
(R) es m`agica si en sumar els
elements de cada la, de cada columna, de la diagonal principal, i
de la diagonal secund`aria sobte sempre el mateix valor. Construu
totes les matrius m`agiques sim`etriques.
3.12. Exercicis 93
11. Es deneix traca duna matriu quadrada `
n
(1) i notarem
tr , a la suma dels elements de la diagonal principal; es a dir,
si = (c
ij
), tr = c
11
+ . . . + c
nn
. Aix, per exemple, si
`
2
(1), tr = c
11
+ c
22
. Sigui o `
n
(1) invertible. Proveu que
tr (o
1
o) = tr .
12. Trobeu la inversa de la matriu
=
_
_
1 1 1
1 1
1 1 2
_
_
segons els diferents valors d R.
13. Sigui o /
n
(C) una matriu invertible. Proveu que la matriu
1
2
_
o
1
o
1
o
1
o
1
_
es la inversa de la matriu A =
_
o o
o o
_
.
14. Discutiu i resoleu en R el sistema:
3r + 2 + 5. = 1
4r + 3 + 6. = 2
5r + 4 + 7. = 3
6r + 5 + 8. = 4
_

_
15. Determineu el valor de per a que el sistema
r + + . = 2
2r + 3 . = 2
3r + 4 =
_
_
_
sigui compatible i doneu el conjunt de solucions per a aquest valor
de .
16. Resoleu segons els valors de c. /. c. d R el sistema seg uent:
r + 2 + 3. + 4t = c
2r + 3 + 4. + t = /
3r + 4 + . + 2t = c
4r + + 2. + 3t = d
_

_
94 Captol 3. Matrius i sistemes de equacions
17. Resoleu en C el sistema de equacions:
r + + . = c
r + u +u
2
. = /
r + u
2
+ u. = /
_

_
sabent que u es una arrel c ubica de la unitat.
18. Considereu el sistema A = 1, essent
=
_
_
1 2 c
1 3 c
1 4 c
_
_
. 1 =
_
_
1 c
1 /
1 c
_
_
Discutiu el sistema segons els diferents valors de les constants
c. / R. Trobeu, en els casos en que sigui possible, el conjunt de
solucions.
19. Proveu que si els sistemes A = 1 i A = C tenen una solucio
comuna, aleshores es compleix 1 = C.
20. Discutiu, segons els diferents valors dc. / R, el sistema
_
1 c
1 /
_
A =
_
0 1 0
0 0 1
_
i resoleu-lo en els casos en qu`e sigui compatible.
21. Considerem les matrius de `
2
(R) seg uents:
=
_
1 0
1 1
_
. 1 =
_
4 4
4 6
_
. C =
_
1 2
3 0
_
. 1 =
_
2 9
6 6
_
Discutiu i resoleu el sistema:
A + 1 = 1
A + C1 = 1
_
22. Determineu la dimensio dels subespais vectorials dR
4
seg uents:
1
1
= [(1. 1. 0. 2). (1. 1. 1. 1). (0. 2. 1. 1). (1. 1. 3. 1)]
1
2
= [(1. 1. 2. 1). (0. 1. 1. 2). (1. 2. 1. 1). (1. 1. 1. 0)]
1
3
= [(1. 1. 0. 1). (1. 1. 1. 1). (0. 2. 1. 0). (1. 3. 2. 1)]
1
4
= [(1. 1. 0. 1). (2. 2. 1. 1). (3. 1. 2. 2). (2. 0. 1. 1)]
i obteniu-ne una base.
3.12. Exercicis 95
23. Estudieu quina es la dimensio dels subespais vectorials dR
5
seg uents:
1
1
= (r
1
. r
2
. r
3
. r
4
. r
5
) R
5
[ r
1
r
2
+ r
3
= 2r
4
r
5
= 0
1
2
= (r
1
. r
2
. r
3
. r
4
. r
5
) R
5
[ 2r
1
r
2
+ r
3
= 0
1
3
= (r
1
. r
2
. r
3
. r
4
. r
5
) R
5
[ r
1
+ 2r
2
= r
2
+ 2r
3
= r
3
+ 2r
4
= 0
1
4
= (r
1
. r
2
. r
3
. r
4
. r
5
) R
5
[ 2r
1
r
2
+ 3r
3
= 4r
1
r
2
+ 4r
4
=
= 2r
1
2r
2
3r
3
+ 4r
4
= 0
24. Calculeu la dimensio dels subespais vectorials dR[t] seg uents:
1 = [1 t + 2t
2
. 1 +t
2
t
3
. t
4
t
5
]
G = [1 t. t
2
t
4
. 1 + t
5
. t t
2
+ t
4
+ t
5
]
H = [2 t
2
. 1 +t
4
. 1 + t
6
. t
2
+ t
4
+ t
6
]
25. Calculeu la dimensio dels subespais vectorials dR
3
[t] seg uents:
1 = j(t) R
3
[t] [ j(t) = j

(t) + 6j

(0)t
2

G = j(t) R
3
[t] [ j(0) =
1
2
j

(0)
1
6
j

(0)
H = j(t) R
3
[t] [ j(0) = j

(0) j

(1) = 0
26. Calculeu la dimensio dels subespis vectorials d`
2
(R) seg uents:
1 =
__
1 1
0 1
_
.
_
4 1
2 0
__
1 1
0 1
_
.
_
0 5
2 4
__
G =
__
1 1
0 1
_
.
_
2 1
1 1
__
0 1
1 1
_
.
_
1 0
1 0
__
27. Calculeu la dimensio dels subespais vectorials d`
3
(R) seg uents:
1
1
= `
3
(R) [ +
t
= 0
1
2
= `
3
(R) [ tr = 0
1
3
=
_
_
_
=
_
_
c
11
c
12
c
13
c
21
c
22
c
23
c
31
c
32
c
33
_
_
`
3
(R)

c
12
+ 2c
13
= 2c
22
+ 3c
33
= 0
28. Trobeu les equacions que deneixen els subespais vectorials dR
5
seg uents:
1 = [(2. 1. 1. 0. 0). (0. 1. 1. 2. 1)]
G = [(1. 3. 0. 0. 0). (1. 2. 0. 1. 0). (1. 2. 0. 3. 1)]
96 Captol 3. Matrius i sistemes de equacions
29. Trobeu les equacions que deneixen els subespais vectorials dR
4
[t]
seg uents: 1 = [1 + 2t. t
2
], G = [1 + t t
2
. t
2
t
4
. 1 + t
4
].
30. Determineu les equacions que deneixen els subespais vectorials
d`
2
(R) seg uents:
1 =
__
1 1
0 1
_
.
_
2 1
1 1
__
1 2
1 2
__
G =
__
1 1
2 1
_
.
_
2 1
0 1
__
0 3
4 1
_
.
_
2 2
4 2
__
31. Calculeu la inversa de Moore-Penrose de les matrius seg uents:

1
=
_
_
1 1.2
2.5 0
3.1 0.4
_
_
.
2
=
_
_
10
6
0.5
6.10
6
0.4
5.10
6
0.3
_
_
32. Proveu que (
+
)
+
= .
33. Donades les matrius

1
=
_
1 0 0
0 0 0
_
.
2
=
_
_
1 0
0 0
0 0
_
_
Proveu que
+
1
=
2
i
+
2
=
1
.
3.13 Exercicis resolts amb Maple
Escriptura de matrius
with(LinearAlgebra):
A:=Matrix([[1,2,3],[3,1,1]]);
:=
_
1 2 3
3 1 1
_
3.13. Exercicis resolts amb Maple 97
B:=Matrix([[1],[2]]);
1 :=
_
1
2
_
C:=Matrix([[1,2,-1],[3,0,1],[-1,1,1]]);
C :=
_
_
1 2 1
3 0 1
1 1 1
_
_
Operacions amb matrius
A1:=Matrix([[4,5,6],[0,0,-2]]);
1 :=
_
4 5 6
0 0 2
_
A+A1;
_
5 7 9
3 1 1
_
multiply(Matrix([[1,2],[2,2],[-1,-1]]),Matrix([[1,1],[1,-1]]);
_
_
3 1
4 0
2 0
_
_
transpose(A);
_
_
1 3
2 1
3 1
_
_
inverse(C);
98 Captol 3. Matrius i sistemes de equacions
_

_
1
12
1
4
1
6
1
3
0
1
3
1
4
1
4
1
2
_

_
Resolucio de sistemes lineals
LinearSolve(A,B);
_

_
3
5
+
1
5
t
1
1
5

8
5
t
1
t
1
_

_
Obtencio duna forma esglaonada per les
ReducedRowEchelonForm(A);
_

_
1 0
1
5
0 1
8
5
_

_
C`alcul del rang duna matriu
rank(A);
2
Captol 4
Aplicacions lineals
4.1 Introduccio
El concepte daplicacio lineal es, juntament amb el despai vectorial, fon-
amental en l`algebra lineal. La seva denicio actual tambe va ser donada
per Peano.
Les aplicacions lineals juguen un paper destacat en altres branques de la
matem`atica, com, per exemple, la geometria analtica (canvis de coorde-
nades), en lan`alisi (transformades diferencials i integrals) i en la fsica.
A mes molts problemes relatius a aplicacions diverses es poden relacionar
amb aplicacions lineals.
En els captols 6 i 7 veurem exemples concrets per als casos daplicacions
lineals que satisfan determinades propietats.
En tot el que segueix, i si no sindica el contrari, considerarem aplicacions
entre espais vectorials de dimensio nita.
4.2 Concepte daplicacio lineal
Siguin 1 i 1 dos espais vectorials sobre un mateix cos commutatiu 1 i
) : 1 1 una aplicacio.
99
100 Captol 4. Aplicacions lineals
Denicio 4.2.1. Es diu que ) es lineal si
)(r + ) = )(r) + )() . r. 1
)(r) = )(r) . 1 . r 1
Exemple 4.2.1. Considerem laplicacio de R
2
[t] en R
2
[t] que ve denida
per )(j(t)) = 2j(t) + j

(0)t.
Aquesta aplicacio es lineal. En efecte. Siguin j
1
(t). j
2
(t) R
2
[t] quals-
sevol. Per a que ) sigui lineal cal que )(j
1
(t)+j
2
(t)) = )(j
1
(t))+)(j
2
(t)).
)(j
1
(t) + j
2
(t)) = 2(j
1
(t) + j
2
(t)) + (j

1
(0) + j

2
(0))t
Daltra banda,
)(j
1
(t)) + )(j
2
(t)) = (2j
1
(t) + j

1
(0)t) + (2j
2
(t) + j

2
(0)t)
= 2(j
1
(t) + j
2
(t)) + (j

1
(0) + j

2
(0))t
Aix, )(j
1
(t) + j
2
(t)) = )(j
1
(t)) +)(j
2
(t)).
Siguin ara j(t) R
2
[t], R qualssevol. Si ) es lineal, tambe sha de
complir que )(j(t)) = )(j(t)).
)(j(t)) = 2(j(t)) + (j(0))t = (2j(t) + j

(0)t) = )(j(t))
Aix doncs, tambe )(j(t)) = )(j(t)) i ) es lineal.
En canvi, laplicacio p de R
2
[t] en R
2
[t] que ve denida per p(j(t)) =
2+j(t)+j

(0)t no es lineal, ja que, per exemple, p(1)+p(t) = 3+(2+2t) =

5 + 2t per`o, en canvi, p(1 + t) = 2 + (1 + t) + t = 3 + 2t.
Exemple 4.2.2. En el cas 1 = 1
n
i 1 = 1
m
qualsevol aplicacio
) : 1
n
1
m
del tipus
)(r
1
. . . . . r
n
) = (c
11
r
1
+ . . . + c
1n
r
n
. . . . . c
m1
r
1
+ . . . + c
mn
r
n
) (4.1)
amb r = (r
1
. . . . . r
n
) 1
n
; c
i
j
1, 1 i :, 1 , :, es lineal.
Quan 1 = 1 es diu que ) es un endomorsme d1.
En general, diem que una aplicacio ) : 1 1 entre dos conjunts es
injectiva si
)(r) = )() = r = r. 1 .
4.3. Determinacio duna aplicacio lineal 101
I que es exhaustiva si
1 existeix r 1 tal que = )(r)
Si es alhora injectiva i exhaustiva es diu que es bijectiva.
Si ) : 1 1 es lineal i injectiva (respectivament, exhaustiva o bijec-
tiva), es diu que ) es un monomorsme (respectivament, epimorsme o
isomorsme). Si ) : 1 1 es un endomorsme bijectiu, es diu que )
es un automorsme.
Propietats elementals.
Si ) : 1 1 es una aplicacio lineal, llavors:
1) )(0) = 0.
2) )(r) = )(r), r 1.
3) Si H es un subespai vectorial d1 , )(H) = 1 [ r
H. )(r) = es un subespai vectorial d1.
4) Si G es un subespai vectorial d1, )
1
(G) = r 1 [ )(r) G
es un subespai vectorial d1.
4.3 Determinacio duna aplicacio lineal
Qualsevol aplicacio lineal queda totalment determinada coneixent les
imatges dels vectors duna base de lespai sortida.
Proposicio 4.3.1. Tota aplicacio lineal ) : 1 1 queda determinada
de forma unica per les imatges dels vectors duna base d1.
Demostracio. En efecte, si ) : 1 1 es una aplicacio lineal i
n = (n
1
. . . . . n
n
) es una base d1, donat r 1 qualsevol, si r =
r
1
n
1
+ + r
n
n
n
, en ser ) lineal, ser`a
)(r) = r
1
)(n
1
) + + r
n
)(n
n
) .
102 Captol 4. Aplicacions lineals
Exemple 4.3.1. Sigui ) : R
3
R
3
una aplicacio lineal tal que )(1. 0. 1) =
(1. 0. 1), )(0. 1. 0) = (2. 0. 2) i )(0. 1. 1) = (0. 1. 0). Amb aquestes
dades podem calcular la imatge de qualsevol vector dR
3
. Per exemple,
calculem )(2. 2. 3).
At`es que el conjunt (1. 0. 1). (0. 1. 0). (0. 1. 1) es linealment indepen-
dent i, per tant, una base dR
3
, existeixen
1
.
2
.
3
R ( unics) tals
que
(2. 2. 3) =
1
(1. 0. 1) +
2
(0. 1. 0) +
3
(0. 1. 1)
Daquesta igualtat, dedum

1
= 2.
2
= 1.
3
= 1
don
)(2. 2. 3) = 2)(1. 0. 1) + (1))(0. 1. 0) + )(0. 1. 1)
= 2(1. 0. 1) + (1)(2. 0. 2) + (0. 1. 0)
= (0. 1. 0)
Remarca. Si (n
1
. . . . . n
n
) es una base d1 i considerem una famlia

1
. . . . .
n
de vectors d1 existeix una unica aplicacio lineal ) : 1 1
tal que )(n
i
) =
i
, i, 1 i : i es la denida de la manera seg uent:
si r = r
1
n
1
+ . . . + r
n
n
n
, llavors )(r) = r
1

1
+ . . . + r
n

n
.
Remarca. Dues aplicacions lineals ). p : 1 1 son iguals si donada
una base qualsevol de 1, les imatges per ) i per p dels vectors daquesta
base son les mateixes.
Les imatges dels vectors duna base de lespai de sortida per una aplicacio
lineal ) : 1 1 determinen el car`acter daquesta aplicacio.
Proposicio 4.3.2. Sigui (n
1
. . . . . n
n
) una base d1 i sigui ) : 1 1
una aplicacio lineal. Aleshores:
c) ) es injectiva )(n
1
). . . . . )(n
n
) linealment independents.
/) ) es exhaustiva [)(n
1
). . . . . )(n
n
)] = 1.
c) ) es bijectiva ()(n
1
). . . . . )(n
n
)) es una base d1.
Exemple 4.3.2. Sigui ) : R
3
R
4
[t] que ve denida per
f(x
1
, x
2
, x
3
) = (x
1
+x
2
)+(x
1
x
2
)t+(x
1
+x
3
)t
2
+(x
1
x
3
)t
3
+(x
1
+x
2
+x
3
)t
4
4.4. Nucli i imatge duna aplicacio lineal 103
La proposicio anterior ens diu que:
) es injectiva )(c
1
). )(c
2
). )(c
3
) son linealment independents
essent (c
1
. c
2
. c
3
) la base natural de R
3
. Calculem aquestes imatges:
)(c
1
) = 1 + t + t
2
+ t
3
+ t
4
)(c
2
) = 1 t + t
4
)(c
3
) = t
2
t
3
+ t
4
Les seves components, en la base (1. t. t
2
. t
3
. t
4
) dR
4
[t], disposades com
a vectors columna, donen lloc a la matriu
=
_
_
_
_
_
_
1 1 0
1 1 0
1 0 1
1 0 1
1 1 1
_
_
_
_
_
_
f

_
_
_
_
_
_
1 1 0
0 2 0
0 0 2
0 0 0
0 0 0
_
_
_
_
_
_
que te rang igual a 3, don dedum que )(c
1
). )(c
2
). )(c
3
) son linealment
independents i, per tant, laplicacio ) es injectiva En ser dimR
4
[t] =
5, aquests vectors no podem generar R
4
[t] i, per tant, laplicacio no es
exhaustiva.
4.4 Nucli i imatge duna aplicacio lineal
Donada una alicacio lineal ) : 1 1 podem considerar dos subespais
vectorials, d1 i 1, respectivament, anomenats nucli i imatge de ).
Denicio 4.4.1. El nucli de ) es:
Ker) = r 1 [ )(r) = 0
Denicio 4.4.2. La imatge de ) es:
Im ) = 1 [ = )(r) per a algun r 1
104 Captol 4. Aplicacions lineals
Remarca. Noteu que Ker ) es el conjunt de les antiimatges del vector
nul i Im ) es el conjunt de totes les imatges dels vectors d1. Ambdos
conjunts son subespais vectorials.
Exemple 4.4.1. Considereu laplicacio lineal
) : R
3
R
4
(r
1
. r
2
. r
3
) (r
1
r
2
. r
1
+ r
2
. r
2
r
3
. r
2
+ r
3
)
Aleshores:
Ker ) = (r
1
. r
2
. r
3
) R
3
[ r
1
= r
2
= r
3
= 0 = (0. 0. 0)
Im) = (r
1
r
2
. r
1
+ r
2
. r
2
r
3
. r
2
+ r
3
) [ r
1
. r
2
. r
3
R
= r
1
(1. 1. 0. 0) + r
2
(1. 1. 1. 1) + r
3
(0. 0. 1. 1) [ r
1
. r
2
. r
3
R
= [(1. 1. 0. 0). (1. 1. 1. 1). (0. 0. 1. 1)]
Remarca.

Es immediat observar que
) es epimorsme Im ) = 1
A mes si (n
1
. . . . . n
n
) es una base d1 i ) : 1 1 es lineal, es compleix
que
Im ) = [)(n
1
). . . . . )(n
n
)]
Les aplicacions lineals injectives venen caracteritzades pel resultat seg uent.
Proposicio 4.4.1. Donada una aplicacio ) : 1 1 lineal, ) es
monomorsme si, i nomes, si Ker ) = 0.
Demostracio. Suposem ) injectiva. Si )(r) = 0, at`es que tambe )(0) =
0, en ser ) injectiva es r = 0.
Recprocament. Suposem ara que Ker ) = 0. Si r. 1 son tals que
)(r) = )(), es
)(r) )() = )(r) = 0 = r Ker ) = r = 0 = r = .
i, per tant, ) es injectiva.
Exemple 4.4.2. Laplicacio lineal ) de lexemple anterior es injectiva, ja
que Ker ) = 0. En canvi, no es exhaustiva, ja que dimIm) = 3 i, per
tant, Im) ,= R
4
.
4.4. Nucli i imatge duna aplicacio lineal 105
A nivell de dimensions es verica la relacio seg uent.
Teorema 4.4.1. Sigui ) : 1 1 una aplicacio lineal. Aleshores:
dimKer ) + dimIm ) = dim1
Demostracio. Considerem una base (n
1
. . . . . n
r
) de Ker ), i lampliem a
una base (n
1
. . . . . n
r
. n
r+1
. . . . . n
n
) d1. Veurem que ()(n
r+1
). . . . . )(n
n
))
es una base dIm) i, per tant,
dimIm) = : : = dim1 dimKer )
com volem provar.
Vegem que ()(n
r+1
). . . . . )(n
n
)) es, en efecte, una base dIm). Suposem
que existeix una combinacio lineal daquests vectors que es igual al vector
nul:

r+1
)(n
r+1
) + . . . +
n
)(n
n
) = 0
En ser ) lineal,
)(
r+1
n
r+1
+ . . . +
n
n
n
) = 0

r+1
n
r+1
+ . . . +
n
n
n
Ker )

r+1
n
r+1
+. . . +
n
n
n
=
1
n
1
+. . . +
r
n
r

1
n
1
+ . . . +
r
n
r

r+1
n
r+1
. . .
n
n
n
= 0

1
= . . .
r
=
r+1
= . . . =
n
= 0
Aix, ja tenim que )(n
r+1
). . . . . )(n
n
) son linealment independents.
Vegem ara que generen el subespai Im). Per a r 1 qualsevol, es
r = r
1
n
1
+ . . . + r
r
n
r
+r
r+1
n
r+1
+ . . . + r
n
n
n
i
)(r) = r
1
)(n
1
) + . . . + r
r
)(n
r
) + r
r+1
)(n
r+1
) + . . . + r
n
)(n
n
) =
= r
r+1
)(n
r+1
) + . . . + r
n
)(n
n
)
en ser )(n
1
) = . . . = )(n
r
) = 0.
Remarca. Com a conseq uencia daquest teorema es dedueix que, si
) : 1 1 es lineal, llavors:
) injectiva = dim1 dim1
) exhaustiva = dim1 dim1
) bijectiva = dim1 = dim1
106 Captol 4. Aplicacions lineals
Tambe dedum del teorema anterior que, si dim1 = dim1 i ) es injec-
tiva, o be es exhaustiva, aleshores ) es necess`ariament bijectiva.
Exemple 4.4.3. Considerem laplicacio
) : R
3
R
4
(r
1
. r
2
. r
3
) (3r
1
+ r
2
r
3
. r
2
+ r
3
. r
1
r
2
. r
1
+ 2r
2
3r
3
)
Per la remarca anterior, ) pot ser injectiva, per`o no pot ser ni exhaustiva
ni bijectiva. A mes,
Ker ) = (r
1
. r
2
. r
3
) R
3
[ 3r
1
+r
2
r
3
=
= r
2
+ r
3
= r
1
r
2
. r
1
+ 2r
2
3r
3
= 0 = (0. 0. 0)
i, per tant, ) es injectiva.
4.5 Isomorsme natural associat a una base
Es diu que dos espais vectorials son isomorfs si existeix un isomorsme
entre ells. Dos espais vectorials son isomorfs si, i nomes si, tenen la
mateixa dimensio. Es dedueix daqu que tot espai vectorial de dimensio
nita : es isomorf a R
n
. Els isomorsmes entre R
n
i lespai vectorial 1
venen determinats en xar bases a R
n
i a 1. Aix si (n
1
. . . . . n
n
) es una
base de R
n
i (
1
. . . . .
n
) es una base d1, laplicacio
) : R
n
1
c
1
n
1
+. . . +c
n
n
n
c
1

1
+ . . . + c
n

n
(4.2)
es un isomorsme entre R
n
i 1.
Si xem a R
n
la base canonica (c
1
. . . . . c
n
), tenim que els isomorsmes de
R
n
en 1 venen determinats per les bases d1; es a dir, per a cada base
d1 tenim un isomorsme (4.2) diferent.
Denicio 4.5.1. Lisomorsme de R
n
en 1 tal que )(c
1
. . . . . c
n
) = c
1

1
+
. . . +c
n

n
, sanomena lisomorsme natural de R
n
en 1 associat a la base
= (
1
. . . . .
n
) d1.
Remarca. Observeu que donat un vector qualsevol 1, existeix un
unic (c
1
. . . . . c
n
) R
n
tal que
)(c
1
. . . . . c
n
) = c
1

1
+. . . +c
n

n
=

Es a dir, lantiimatge )
1
() de son les coordenades del vector en la
base donada d1.
4.6. Matriu associada a una aplicacio lineal 107
4.6 Matriu associada a una aplicacio lineal
Sigui una matriu que te : les i : columnes. Laplicacio
)
A
: R
n
R
m
que ve denida de la manera seg uent: )(n) es el vector de R
m
tal que
les seves coordenades, expressades en una matriu columna, coincideixen
amb A, on A es la matriu dordre 1 : els elements del qual son
les coordenades de r. Observeu que laplicacio )
A
aix denida es una
aplicacio lineal.
Exemple 4.6.1. Sigui
=
_
1 3 7
2 0 5
_
Laplicacio lineal que deneix aquesta matriu es
)
A
: R
3
R
2
(r
1
. r
2
. r
3
) (r
1
+ 3r
2
+ 7r
3
. 2r
1
+ 5r
3
)
Recprocament, si ) es una aplicacio lineal dR
n
en R
m
, laplicacio lineal
que sobte a partir de la matriu en la qu`e les columnes son les coordenades
de les imatges dels vectors de la base can`onica dR
n
es precisament ).
Indiquem per `()) aquesta matriu i li direm matriu de laplicacio.
Exemple 4.6.2. En les bases can`oniques dR
3
i R
5
, la matriu de la aplicacio
) : R
3
R
5
(r
1
. r
2
. r
3
) (r
1
r
2
. r
2
. r
1
+ r
2
. r
2
. r
3
)
es:
`()) =
_
_
_
_
_
_
1 1 0
0 1 0
1 1 0
0 1 0
0 0 1
_
_
_
_
_
_
Una generalitzacio del resultat anterior a aplicacions lineals entre dos
espais vectorials 1 i 1 (de dimensio nita) ens dona la denicio seg uent.
Denicio 4.6.1. Sigui 1, 1 dos espais vectorials sobre el cos commu-
tatiu 1 de dimensions : i :, respectivament. Si (n
1
. . . . . n
n
) es una
108 Captol 4. Aplicacions lineals
base qualsevol d1 i (
1
. . . . .
m
) una base qualsevol d1, la matriu 1
en la qu`e les columnes estan constitudes per les coordenades, en la base
(
1
. . . . .
m
), de les imatges per laplicacio lineal ) dels vectors n
1
. . . . . n
n
rep el nom de matriu de la aplicacio lineal ) en las bases (n
1
. . . . . n
n
) i
(
1
. . . . .
m
).
Habitualment es denota aquesta matriu de la forma seg uent: 1 = `
u,v
()),
on n i representen les bases (n
1
. . . . . n
n
) i (
1
. . . . .
m
), respectivament.
Remarca. La matriu duna aplicacio dep`en de les bases escollides, tant
en lespai de sortida com en el darribada.
Exemple 4.6.3. Siguin 1 = R
2
[t] i 1 = `
2
(R). Considerem laplicacio
lineal
) : R
2
[t] `
2
(R)
c
0
+ c
1
t + c
2
t
2

_
c
0
+ c
2
c
1
c
1
c
2
c
0
_
Si escollim les bases n = (1. t. t
2
) dR
2
[t] i = ((
1 0
0 0
) . (
0 1
0 0
) . (
0 0
1 0
) . (
0 0
0 1
))
de `
2
(R), la matriu de laplicacio lineal ) en aquestes bases es:
`
u,v
()) =
_
_
_
_
1 0 1
0 1 0
0 1 1
1 0 0
_
_
_
_
En canvi, si a R
2
[t] haguessim pr`es com a base n = (t
2
. t. 1) i a `
2
(R) la
mateixa dabans, la matriu de laplicacio en aquestes bases seria:
`
u,v
()) =
_
_
_
_
1 0 1
0 1 0
1 1 0
0 0 1
_
_
_
_
En el cas dun endomorsme dun espai vectorial 1 podem considerar
una mateixa base n = (n
1
. . . . . n
n
) en lespai de sortida que en lespai
darribada, notant-se en aquest cas la matriu de laplicacio en aquesta
base simplement per `
u
()).
4.7 Canvis de base
4.7. Canvis de base 109
Si n = (n
1
. . . . . n
n
) es una base dun espai vectorial 1, sabem que, per
a tot vector r d1, existeixen : escalars r
1
. . . . . r
n
1 unics tals que
r = r
1
n
1
+ +r
n
n
n
. (Aquests escalars r
1
. . . . . r
n
sanomenen les com-
ponents dr en la base de n).
Si n = (n
1
. . . . . n
n
) es una altra base d1 i
1
. . . . .
n
son les components
dr en la base , es a dir, r =
1
n
1
+ +
n
n
n
aleshores, la relacio entre
les components de r en la base n i les components de r en la base n ve
donada per
_
_
_
r
1
.
.
.
r
n
_
_
_
= o
_
_
_

1
.
.
.

n
_
_
_

_
_
_

1
.
.
.

n
_
_
_
= o
1
_
_
_
r
1
.
.
.
r
n
_
_
_
on o es la matriu que te per columnes les components de cadascun dels
vectors dn en la base n (sanomena matriu del canvi de base, de la base
n a la base n).
Exemple 4.7.1. Anem a calcular la matriu del canvi de base, de la base
((0. 0. 2. 4). (4. 1. 4. 1). (1. 0. 0. 4). (3. 3. 2. 2))
a la base ((1. 1. 0. 1). (1. 0. 1. 1). (0. 1. 1. 1). (0. 0. 1. 1)) dR
4
.
Tenim que
(0. 0. 2. 4) =
2
3
(1. 1. 0. 1) +
2
3
(1. 0. 1. 1) + (
2
3
)(0. 1. 1. 1)
+2(0. 0. 1. 1)
(4. 1. 4. 1) = (1)(1. 1. 0. 1) + 3(1. 0. 1. 1) + 2(0. 1. 1. 1)
+(0. 0. 1. 1)
(1. 0. 0. 4) = 2(1. 1. 0. 1) + (1. 0. 1. 1) + (2)(0. 1. 1. 1)
+(1)(0. 0. 1. 1)
(3. 3. 2. 2) = (2)(1. 1. 0. 1) + (1. 0. 1. 1) + (1)(0. 1. 1. 1)
+2(0. 0. 1. 1)
Aix, la matriu del canvi de base es la matriu
_
_
_
_
2
3
1 2 2
2
3
3 1 1

2
3
2 2 1
2 1 1 2
_
_
_
_
110 Captol 4. Aplicacions lineals
El resultat seg uent es de gran import`ancia, at`es que permet obtenir la
relacio existent entre les matrius duna mateixa aplicacio lineal en bases
diferentes.
Proposicio 4.7.1. Sigui ) una aplicacio lineal de lespai vectorial 1
en lespai vectorial 1. Sigui la matriu de laplicacio ) en les bases
n = (n
1
. . . . . n
n
) d1 i = (
1
. . . . .
m
) d1, 1 la matriu de laplicacio )
en les bases n = (n
1
. . . . . n
n
) d1 i = (
1
. . . . .
m
) d1.
Si o es la matriu del canvi de base, de la base n = (n
1
. . . . . n
n
) a la
base n = (n
1
. . . . . n
n
) i 1 es la matriu del canvi de base, de la base
= (
1
. . . . .
m
) a la base = (
1
. . . . .
m
), aleshores:
1 = 1
1
o
En el cas dun endomorsme d1, si considerem la mateixa base en lespai
de sortida i en lespai de arribada, la relacio anterior es de la forma:
1 = o
1
o
Exemple 4.7.2. Considerem laplicacio lineal ) : R
3
R
5
, que ve deni-
da per )(r
1
. r
2
. r
3
) = (r
1
r
2
. r
2
. r
1
+r
2
. r
2
. r
3
). Hem vist que la matriu
daquesta aplicacio, en les bases can`oniques dR
3
i R
5
es:
_
_
_
_
_
_
1 1 0
0 1 0
1 1 0
0 1 0
0 0 1
_
_
_
_
_
_
Considerem ara les bases n = ((1. 0. 1). (1. 2. 1). (0. 1. 1)) dR
3
i
=((1. 0. 1. 1. 0). (0. 1. 1. 1. 0). (1. 1. 1. 0. 0). (0. 0. 1. 0. 1). (0. 0. 1. 1. 1))
4.8. Subespais invariants per un endomorsme 111
dR
5
. En aquestes bases la matriu de laplicacio ) es
1 = 1
1
o =
=
_
_
_
_
_
_
1 0 1 0 0
0 1 1 0 0
1 1 1 1 1
1 1 0 0 1
0 0 0 1 1
_
_
_
_
_
_
1
_
_
_
_
_
_
1 1 0
0 1 0
1 1 0
0 1 0
0 0 1
_
_
_
_
_
_
_
_
1 1 0
0 2 1
1 1 1
_
_
=
=
1
3
_
_
_
_
_
_
0 0 1
3 3 1
3 1 4
0 6 6
3 3 3
_
_
_
_
_
_
Remarca. Una conseq u`encia especialment important daquest resultat
es el fet de que els rangs de les matrius duna mateixa aplicacio lineal
han de coincidir necess`ariament. Te sentit, doncs, la denicio seg uent.
Denicio 4.7.1. Sanomena rang de laplicacio lineal ), i el denotarem
per rg ), al rang de la matriu de laplicacio (en bases qualssevol).
Remarca. Observeu que rg ) = dimIm).
4.8 Subespais invariants per un endomor-
sme
Siguin ) un endomorsme d1 i H un subespai vectorial d1.
Denicio 4.8.1. Es diu que H es un subespai vectorial invariant per )
quan per a tot r H es )(r) H.
Una forma c`omoda daveriguar quan es un subespai vectorial invariant
per un endomorsme es la que ofereix el resultat seg uent.
Proposicio 4.8.1. Si (n
1
. . . . . n
r
) es una base dH, llavors:
H es invariant per ) )(n
1
). . . . . )(n
r
) H
112 Captol 4. Aplicacions lineals
Exemple 4.8.1. Sigui ) : R
3
R
3
lendomorsme la matriu del qual,
en una base (
1
.
2
.
3
) dR
3
es:
_
_
2 0 0
0 2 0
0 1 2
_
_
Sigui H el subespai vectorial dR
3
engendrat pel vector [2
1
+
3
]. Aleshores
H es un subespai invariant per ). En efecte. La imatge del vector 2
1
+
3
per aquest endomorsme es igual a: 4
1
2
3
= 2(2
1
+
3
) H.
En canvi, el subespai vectorial G = [
1
.
2
] no es invariant per ), ja
que la imatge del vector
1
per lendomorsme es igual a 2
1
G, per`o
)(
2
) =
2
+
3
, G.
Denicio 4.8.2. Quan un subespai H es invariant per un endomorsme
) dH podem considerar laplicacio restriccio de ) a H que notarem
)[
H
i que es deneix mitjancant
)[
H
: H H
r )[
H
(r) = )(r)
Exemple 4.8.2. Sigui ) lendomorsme dR
3
[t] que ve denit mitjancant:
) : R
3
[t] R
3
[t]
j(t) j

(t) j

(t)
H = R
2
[t] es un subespai vectorial invariant per lendomorsme ). En
efecte; : (1. t. t
2
) es una base dH i observem que:
)(1) = 0 H
)(t) = 1 H
)(t
2
) = 2 + 2t H
Aleshores, la matriu de la restriccio
)
|H
: H H
j(t) j

(t) j

(t)
en la base es:
_
_
0 1 2
0 0 2
0 0 0
_
_
4.9. Operacions amb aplicacions lineals 113
4.9 Operacions amb aplicacions lineals
Siguin 1, 1 dos espais vectorials sobre 1 de dimensions : i : respecti-
vament.
Siguin ). p : 1 1 dues aplicacions lineals, i considerem laplicacio
suma
) + p : 1 1
r () + p)(r) = )(r) + p(r)
Proposicio 4.9.1. Laplicacio suma ) +p es lineal.
La matriu de laplicacio lineal suma ) + p es pot obtenir a partir de les
matrius de les aplicacions ) i p.
Proposicio 4.9.2. Siguin n, bases dels espais vectorials 1 i 1, respec-
tivament. Aleshores:
`
u,v
() + p) = `
u.v
()) + `
u,v
(p)
Notacio. Posem L(1. 1) al conjunt de totes les aplicacions lineals entre
1 i 1.
Remarca. L(1. 1) amb loperacio suma es un grup commutatiu (ja que
) +p = p +) per a totes les aplicacions lineals ), p) lelement neutre del
qual es laplicacio nul
.
la 0 denida mitjancant 0(r) = 0 r 1.
Si ) : 1 1 es lineal i 1 podem denir laplicacio
) : 1 1
r ())(r) = )(r)
Proposicio 4.9.3. Laplicacio ) es lineal.
La relacio entre la matriu de laplicacio ) i laplicacio ) es la seg uent.
Proposicio 4.9.4. Siguin n, bases dels espais vectorials 1 i 1, respec-
tivament. Aleshores:
`
u,v
()) = `
u,v
())
114 Captol 4. Aplicacions lineals
Remarca. L(1. 1) amb les operacions suma i producte per escalars
denides anteriorment es un espai vectorial sobre 1.
A mes xades bases n i dels espais vectorials 1 i 1, respectivament,
podem establir un isomorsme
: L(1. 1) `
mn
(1)
) `
u,v
())
En particular, dim
K
L(1. 1) = dim
K
`
mn
(1) = ::.
Siguin ara G un altre espai vectorial sobre 1 de dimensio j. Si
) : 1 1 i p : 1 G son aplicacions lineals, podem considerar
la seva composicio
p ) : 1 G
r (p ))(r) = p()(r))
Proposicio 4.9.5. Laplicacio p ) es lineal.
La matriu de la composicio de dos aplicacions lineals es pot obtenir de
la forma seg uent.
Proposicio 4.9.6. Siguin n, , u bases dels espais vetorials 1, 1 i G,
respectivement. Aleshores:
`
u,w
(p )) = `
v,w
(p) `
u,v
())
Notacio. Posem End (1) al conjunt dendomorsmes d1.
Remarca. En el conjunt End(1) podem considerar les operacions de
suma i producte, essent aquest darrer la composicio dendomorsmes.
Amb aquestes operacions aquest conjunt te estructura danell amb unitat,
essent lelement unitat lendomorsme identitat,
id
E
: 1 1
r id
E
(r) = r
Aquest anell, per`o, no es commutatiu ja que en general, ) p ,= p ).
A mes te divisors de zero, ja que existeixen parelles dendomorsmes
ambdos no nuls, tals que ) p = 0 o be p ) = 0 (o be ) p = p ) = 0).
4.10. El grup lineal 115
Exemple 4.9.1. Considereu els endomormes dR
2
) : R
2
R
2
(r
1
. r
2
) (r
2
. 0)
) : R
2
R
2
(r
1
. r
2
) (r
1
. 0)
Aleshores
() p)(r
1
. r
2
) = )(p(r
1
. r
2
)) = )(r
1
. 0) = (0. 0) (r
1
. r
2
) R
2
En canvi,
(p))(r
1
. r
2
) = p()(r
1
. r
2
)) = p(r
2
. 0) = (r
2
. 0) = )(r
1
. r
2
) (r
1
. r
2
) R
2
4.10 El grup lineal

Es conegut que tota aplicacio bijectiva admet una aplicacio inversa. Si,
a mes, laplicacio es lineal, es te la proposicio seg uent.
Proposicio 4.10.1. Siguin 1 i 1 dos espais vectorials i ) : 1 1
una aplicacio lineal bijectiva. Aleshores laplicacio inversa
)
1
: 1 1
es lineal.
Demostracio. Siguin
1
i
2
dos vectors qualssevol d1, i siguin n
1
=
)
1
(
1
) i n
2
= )
1
(
2
). Com que )(n
1
) =
1
i )(n
2
) =
2
, en ser ) lineal
es te
)(n
1
+ n
2
) =
1
+
2
)(n
1
) =
1
Per tant,
)
1
(
1
+
2
) = n
1
+ n
2
= )
1
(
1
) + )
1
(
2
)
)(
1
) = n
1
= )
1
(
1
)
A mes, a nivell matricial tenim la caracteritzacio seg uent.
116 Captol 4. Aplicacions lineals
Proposicio 4.10.2. Sigui ) una aplicacio lineal bijectiva entre els espais
vectorials 1 i 1, siguin n, bases d1 i 1, respectivament. Aleshores:
`
v,u
()
1
) = `
u,v
())
1
Remarca. Si p : 1 1 es tal que ) p = id
F
o be p ) = id
E
llavors
p = )
1
.
Tenint en compte que la composicio daplicacions lineals es lineal i que la
composicio daplicacions bijectives es bijectiva es te el resultat seg uent.
Proposicio 4.10.3. Si 1, 1 i G son tres espais vectorials, i ) : 1 1
i p : G G son aplicacions lineals bijectives, es te que p ) : 1 G
es lineal i bijectiva. A mes,
(p ))
1
= )
1
p
1
Sigui 1 un espai vectorial. Si designem per G|(1) el conjunt dautomor-
smes d1, es pot provar que aquest conjunt te les propietats seg uents.
i) Si ). p G|(1) aleshores p ) G|(1).
ii) Si ) G|(1) aleshores )
1
G|(1).
iii) Laplicacio identitat id
E
pertany a G|(1).
Si en el conjunt G|(1) es deneix la composicio com a operacio interna,
aquest te estructura de grup (no commutatiu, ja que, en general, ) p ,=
p )). Aquest grup sanomena el grup lineal.
4.11 Ap`endix A
Aplicacions lineals entre espais vectorials de dimensio
innita
Si 1, i 1 son dos espais vectorials de dimensio innita podem denir
an`alogament les aplicacions lineals entre 1 i 1 com aquelles aplicacions
) : 1 1 tals que
4.11. Ap`endix A 117
)(r
1
+ r
2
) = )(r
1
) + )(r
2
) r
1
. r
2
1
)(r) = )(r) r 1 1
Els conceptes de Ker ), Im) i subespais invariants per un endomorsme
tambe son an`alegs. A mes, si n = (n
1
. . . . . n
n
. . . .) es una base d1,
Im) = [)(n
1
). . . . . )(n
n
). . . .]
i si H es un subespai vectorial de dimensio innita d1 amb base =
(
1
. . . . .
n
. . . .) aleshores H es invariant per un endomorsme ) d1 si, i
nomes si,
)(
1
). . . . . )(
n
). . . . H
En aquest cas es deneix rg ) com la dimensio del subespai Im).
Si ) : 1 1 es bijectiva aleshores la inversa de laplicacio ) es una
aplicacio (lineal) p : 1 1 tal que
) p = id
F
p ) = id
E
Remarca. En aquest cas, pot ser ) p = id
F
i p ) ,= id
E
, o be
p ) = id
E
i ) p ,= id
F
.
A mes, tambe es possible ) E:d(1) injectiu, per`o no exhaustiu, o be
exhaustiu per`o no injectiu.
Exemple 4.11.1. Sigui 1 el conjunt de les funcions reals de variable real
i considerem lendomorsme d1
) : 1 1
1(t) 1

(t)

Es clar que ) no es injectiva, per`o si que es exhaustiva.

Si
p : 1 1
1()
_
t
0
1()d
aleshores, per a 1() 1 qualsevol,
() p)(1(t)) =
_
_
t
0
1()d
_

= 1(t). utilitzant la regla de Leibnitz

(p ))(1(t)) =
_
t
0
1

()d = 1(t) 1(0). utilitzant el Teorema

fonamental del c`alcul
Aix doncs, ) p = id
E
per`o p ) ,= id
E
.
118 Captol 4. Aplicacions lineals
Exemple 4.11.2. Considereu els endomorsmes de R[t] que venen denits
de la manera seg uent.
)
n
: R[t] R[t]
j(t) j(0) + j

(0)t +
p

(0)
2!
t
2
+ +
p
(n1)
(0)
(n1)!
t
n1
p
n
: R[t] R[t]
j(t)
p
(n)
(0)
n!
t
n
+
p
(n+1)
(0)
(n+1)!
t
n+1
+. . .

Es f`acil veure que

Ker )
n
= [t
n
. t
n+1
. . . . ]. Im)
n
= R
n1
[t]
Imp
n
= [t
n
. t
n+1
. . . . ]. Ker p
n
= R
n1
[t]
i, per tant, ) p = 0 i p ) = 0, per`o, en canvi, ) ,= 0 i p ,= 0.
Si 1 es un espai vectorial de dimensio nita i 1 te dimensio innita,
aleshores tambe son de dimensio nita els subespais Ker ) i Im) i, a
mes, es compleix:
dim1 = dimKer ) + Im)
4.12 Ap`endix B
Teoremes disomorsme
Siguin 1 i 1 dos espais vectorials de dimensio nita i ) : 1 1 una
aplicacio lineal. Siguin Ker ) i Im) els subespais vectorials associats a
laplicacio.
Sigui G un subespai complementari de Ker ) en 1: 1 = G Ker ).
Aleshores tot vector n 1 sescriu de forma unica com n = n
1
+n
2
amb
n
1
G i n
2
Ker ).
Observeu que
)(n) = )(n
1
+n
2
) = )(n
1
) + )(n
2
) = )(n
1
).
es a dir, nomes cal denir laplicacio sobre el complementari de Ker ).
Remarca. Daltra banda, observem que ) no dep`en del complementari
que considerem. En efecte, si H es un altre complementari de Ker ) en
4.12. Ap`endix B 119
1, es te 1 = H Ker ), i per a tot n 1, n =
1
+
2
amb
1
H i

2
Ker ). Llavors:
)(n) = )(
1
+
2
) = )(
1
) + )(
2
) = )(
1
) = )(n
1
).
ja que )(
1
) )(n
1
) = )(
1
n
1
) = )(n
2

2
) = 0 en ser n
2

2
Ker ).
Considerem doncs, laplicacio lineal )
|G
: G 1 denida per )
|G
(n
1
) =
)(n
1
). Aquesta aplicacio es clarament injectiva, don es dedueix la propo-
sicio seg uent.
Proposicio 4.12.1. Laplicacio
) : G Im)
n
1
)(n
1
)
es un isomorsme
Remarca. Del fet que ) sigui un isomorsme es dedueix que dimG =
dimIm) i, per tant, tenim el corol
.
lari seg uent.
Corol
.
lari 4.12.1. Si ) : 1 1 es una aplicacio lineal, aleshores:
dim1 = dimKer ) + dimIm)
De fet, la proposicio anterior es pot formular de forma mes general.
Proposicio 4.12.2 (Primer teorema disomorsme). Siguin 1 i 1 dos
espais vectorials de dimensio nita sobre un cos 1 i ) una aplicacio lineal
d1 en 1. Aleshores, existeix un unic isomorsme despais vectorials

)
de 1,Ker ) en Im) tal que ) = i

) , on es la projeccio natural
d1 en 1,Ker ) i essent i la inclusio natural dIm) en 1.
1
f
1
i
1,Ker )
e
f
Im)
(4.3)
Lisomorsme

) sanomena isomorsme natural indut per ).
Demostracio. Laplicacio

) ve denida de la forma:

) : 1,Ker ) Im)
r + Ker ) )(r)
A partir de la remarca anterior es f`acil veure que est`a ben denida, i que
es lineal i bijectiva.
120 Captol 4. Aplicacions lineals
Remarca. Siguin 1 i 1 dos espais vectorials de dimensio nita i
) : 1 1 una aplicacio lineal. Siguin Ker ) i Im) els subespais
vectorials associats a laplicacio.
Sigui G un subespai complementari de Ker ) en 1: 1 = GKer ). Hem
vist que si considerem a 1 una base formada per la reunio duna base
n = (n
1
. . . . . n
nr
) de G amb una base n

= (n
nr+1
. . . . . n
n
) de Ker ),
es te que ()(n
1
). . . . . )(n
nr
)) es una base dIm). Prenent doncs, a
1,Ker ) la base [n] = (n
1
+ Ker ). . . . . n
nr
+ Ker )) induda per la d1,
i a Im) la base , la matriu de laplicacio

) : 1,Ker ) Im) en
aquestes bases, es:

=
_
_
_
1
.
.
.
1
_
_
_
= 1
nr
Sigui 1 un espai vectorial i 1 i G dos subespais vectorials tals que 1 G.

Es possible denir una aplicacio

p : 1,1 1,G
r + 1 r + G
Observeu que aquesta aplicacio:
1. est`a ben denida: si r + 1 = r
1
+ 1 llavors r r
1
1 G don
r + G = r
1
+ G ,
2. es lineal:
(a) p((r + 1) + ( + 1)) = p((r + ) + 1) = (r + ) + G =
(r + G) + ( + G) = p(r + 1) + p( + 1),
(b) p((r + 1)) = p(r + 1) = r +G = (r + G) = p(r + 1)
3. Ker p = G,1 ja que, si r + G = 0, es r G, don els elements del
nucli son de la forma r +1, amb r G.
Tenim doncs, la proposicio seg uent.
Proposicio 4.12.3 (Segon teorema disomorsme). Sigui 1 un espai
vectorial i siguin 1 i G dos subespais vectorials tals que 1 G. Aleshores
existeix un unic isomorsme p de (1,1),(G,1) en 1,G tal que p = p
on es la projeccio natural de 1,1 en (1,1),(G,1).
4.13. Comentaris nals 121
Sigui ara 1 un espai vetorial i 1 i G dos subespais vectorials d1.

Es
possible denir una aplicacio / : 1 (1 + G),G de la forma /(r) =
r + G. Aquesta aplicacio:
1. esta ben denida ja que, si r 1, es r 1 + G,
2. es lineal,
3. Ker / = 1 G (si /(r) = r + G = 0, es r G).
A mes, aquesta aplicacio es exhaustiva ja que r + + G = r + G per a
tot r + + G (1 +G),G.
Tenim doncs, la proposicio seg uent.
Proposicio 4.12.4 (Tercer teorema disomorsme). Sigui 1 un espai
vetorial i 1 i G dos subespais vectorials d1. Aleshores existeix un unic
isomorsme

/ de 1,1 G en (1 + G),G tal que / =

/ , on es la
projeccio natural de 1 en 1,1 G.
Remarca. De lisomorsme entre els espais 1,1 G i (1 + G),G es
dedueix que dim1,1 G = dim(1 + G),G, don
dim1 dim1 G = dim(1 + G) dimG
dim(1 + G) = dim1 + dimGdim1 G
que es la formula de Grassman, vista en el captol 2,7.
4.13 Comentaris nals
Hi ha un gran nombre de problemes que es poden relacionar amb les
aplicacions lineals: fsics, econ`omics, biol`ogics, etc. Alguns dells es co-
mentaran en els captols 6 i 7 seg uents. A mes, la connexio existent entre
aplicacions lineals i matrius facilita els c`alculs. Cal tenir en compte tambe
el fet de que molts problemes arbitraris, no lineals, es poden aproximar
a traves daplicacions lineals que son, des del punt de vista matem`atic,
ben conegudes.
4.14 Exercicis
1. Discutiu si les aplicacions seg uents son, o no, lineals:
122 Captol 4. Aplicacions lineals
(a) ) : R
3
R
4
(r
1
. r
2
. r
3
) (3r
1
+ 5r
2
. r
2
+ r
3
. r
2
5r
3
. r
1
+ r
2
+ r
3
).
(b) ) : R
3
R
2
(r
1
. r
2
. r
3
) (r
1
+ c. /r
2
) per a un certs c. / R.
(c) ) : R
n
[t] R
n
[t]
j(t) j(t)+j

(0)j

(t)+j

(0)j

(t)+ +j
(n)
(0)j
(n)
(t).
(d) ) : /
2
(R) /
2
(R)
_
c /
c d
_

_
c / c +/
c + 2d c / + c d
_
(e) ) : R
3
/
2
(R)
(r
1
. r
2
. r
3
)
_
cr
1
/r
2
cr
3
r
1
+ r
2
+r
3
_
per a uns certs c. /. c
R.
2. Estudieu quines de les aplicacions lineals seg uents son injectives,
exhaustives i/o bijectives.
(a) ) : R
2
[t] R
2
[t]
j(t) j(0) + 3j

(t)
(b) ) : /
2
(R) /
2
(R)
_
c /
c d
_

_
c +/ c /
c + d c d
_
(c) ) : R
4
R
4
(r
1
. r
2
. r
3
. r
4
) (r
1
r
2
. r
3
r
4
. r
1
. r
3
).
(d) ) : R
3
R
2
(r
1
. r
2
. r
3
) (r
1
+ r
2
. r
2
r
3
).
(e) ) : R
2
R
3
(r
1
. r
2
) (3r
1
r
2
. r
1
+ 5r
2
. 2r
1
4r
2
)
3. Sigui n = (n
1
. n
2
. n
3
. n
4
) una base dR
4
. Sigui ) lendomorsme
dR
4
que verica:
)(n
1
) = n
3
.
)(n
2
) = 2n
3
.
)(n
3
) = n
1
+ n
4
.
)(n
4
) = n
2
n
3
.
Quina es la imatge del vector = 2n
1
3n
3
+ 4n
4
? I la del vector
u = n
1
n
2
+ n
3
n
4
?
4.14. Exercicis 123
4. Sigui ) : R
3
R
3
una aplicacio lineal tal que )(1. 0. 1) = (3. 0. 2),
)(0. 1. 0) = (1. 1. 2) i )(3. 1. 0) = (1. 0. 0). Qu`e val )(1. 1. 2)?
5. Considereu laplicacio lineal ) : R
4
R
4
que ve denida per
(r
1
. r
2
. r
3
. r
4
) (r
1
+ 2r
2
. r
2
+ 2r
3
. r
3
+ 2r
4
. 2r
1
+ r
4
)
Calculeu )
1
(1. 1. 1. 1) (conjunt dantiimatges del vector (1. 1. 1. 1)).
6. Determineu els subespais vectorials Ker ) i Im) per a laplicacio
lineal
) : R
3
R
3
(r
1
. r
2
. r
3
) (r
1
+ r
2
r
3
. r
1
r
2
+ r
3
. r
1
+ r
2
+ r
3
)
7. Doneu la matriu de lendomorsme ) de R
3
que ve denit per
)(r
1
. r
2
. r
3
) = (2r
1
+ 3r
2
r
3
. r
1
+ 2r
2
r
3
. r
2
+ 2r
3
)
en la base can`onica dR
3
i en la base n = ((1. 1. 0). (0. 1. 1). (2. 0. 1)).
8. Considereu laplicacio lineal
) : `
2
(R) R
4
_
c /
c d
_
(c + / d. c +d. / 2c +d. c d)
Doneu la matriu de ) en les bases
n =
__
1 0
0 0
_
.
_
0 1
0 0
_
.
_
0 0
1 0
_
.
_
0 0
0 1
__
d`
2
(R), i
= ((1. 1. 0. 1). (1. 1. 2. 0). (1. 1. 0. 2). (0. 1. 1. 1)) dR
4
.
9. Calculeu la imatge del vector dR
3
, les coordenades del qual, en
la base n : ((1. 0. 1). (2. 1. 1). (1. 0. 2)) son: 1,-2,3 per laplicacio
lineal
) : R
3
R
3
[t]
(r
1
. r
2
. r
3
) (r
1
+r
2
) + (r
1
r
3
)t + r
3
t
2
+r
2
t
3
10. Siguin ) lendomorsme dR
2
[t] que ve denit per:
)(j(t)) = 3j(t) j

(0)t j

(0)t
2
Qu`e val rg)?
124 Captol 4. Aplicacions lineals
11. Siguin ) lendomorsme dR
2
[t] que ve denit per:
)(c + /t + ct
2
) = c +/ + (c /)t + (/ +c)t
2
Trobeu la matriu de ) en la base (1 + t. 1 t. 1 t
2
) de R
2
[t].
12. Sigui ) lendomorsme d`
2
(R) tal que:
(a) )
__
1 0
0 0
__
=
_
1 1
2 3
_
(b) )
__
0 1
0 0
__
=
_
3 2
1 0
_
(c) Nuc) =
__
1 0
1 0
_
.
_
1 0
0 1
__
Determineu la matriu de ) en la base
__
1 0
0 0
_
.
_
0 1
0 0
_
.
_
0 0
1 0
_
.
_
0 0
0 1
__
de `
2
(R).
13. Sigui ) lendomorsme dR
3
tal que
Nuc) = [(2. 1. 0). (2. 0. 1)]. )(1. 0. 0) = (2. 0. 1).
Determineu la matriu de ) en la base natural dR
3
.
14. Sigui u = (u
1
. u
2
. u
3
) una base dR
3
, 1 = [u
1
] i G = [u
5
]. Sigui g
lendomorsme dR
3
tal que
(a) 1 i G son invariants per p.
(b) p(u
1
+ u
2
) = p(u
2
u
3
) = 2u
1
+ u
2
.
Determineu la dimensio de Ker p.
15. Sigui ) : R
3
R
2
laplicacio lineal denida mitjancant )(r. . .) =
(2r . 2 + .), i p : R
2
R
3
denida mitjancant p(r. ) =
(4r + 2. . r + ). Sigui n = (n
1
. n
2
. n
3
) una base dR
3
, amb
n
1
= (1. 0. 0), n
2
= (1. 1. 0), n
3
= (1. 1. 1), i = (
1
.
2
) una base
dR
2
, amb
1
= (1. 0) i
2
= (1. 1).
(a) Trobeu la matriu de ) i la matriu de p en las bases naturals.
(b) Doneu una base de Ker ) i una base de Imp.
4.14. Exercicis 125
(c) Calculeu les matrius de ) i de p en las bases n i .
16. Sigui ) lendomorsme dR
4
tal que )(c
1
) = c
1
c
2
, )(c
3
) = c
1
i
Ker ) = [c
1
+ c
2
. c
3
c
4
]. Estudieu si es R
4
= Ker ) Im).
17. Sigui 1 un espai vectorial sobre un cos commutatiu 1 de dimensio
:, i sigui ) End(1). Proveu que els subespais vectorials Ker ) i
Im) son invariants per lendomorsme ).
18. Siguin ) : 1 1 i p : 1 G dos aplicacions lineals, amb 1,
1 i G espais vectorials sobre un cos commutatiu 1 de dimensio
nita. Proveu que rg (p )) rg ). Si p es injectiva, aleshores es
te la igualtat.
19. Sigui ) : R
2
[t] R
2
[t] laplicacio lineal que ve denida per:
)(j(t)) = 2(j(0) j

(0))t + (j

(0) j

(0) j(0))t
2

Es invariant per ) el subespai vectorial 1 = [1 + 2t. 1 t

2
]?
20. Siguin ) : `
2
(R) `
3
(R), p : `
3
(R) `
2
(R) les aplicacions
lineals que venen denides per:
)
__
c /
c d
__
=
_
_
c / c
c d c
c c d
_
_
p
_
_
_
_
c / c
d c )
p / i
_
_
_
_
=
_
c /
d c
_

Es invertible laplicacio ) p? I p )?
21. Sigui ) un endomorsme dR
4
tal que )(c
1
) = c
1
+c
2
, c
1
c
2
Ker).
Proveu que el subespai vectorial 1 = [c
1
. c
2
] es invariant per ) i
doneu la matriu de lendomorsme restriccio )
|F
en la base (c
1
. c
2
)
d1.
22. Sigui ) un endomorsme dun espai vectorial 1 de dimensio : i sigui
1 un subespai vectorial d1 engendrat pels vectors
1
. . . . .
m
tals
que )(
i
) =
i

i
i 1. . . . . :. Proveu que 1 es un subespai
invariant per lendomorsme ).
126 Captol 4. Aplicacions lineals
23. Sigui ) lendomorsme d`
2
(R) que ve denit per:
)
__
c /
c d
__
=
_
3c +/ 4c /
7c + / + 2c + d 17c 6/ c
_

Es el subespai 1 =
__
2 4
7 17
_
.
_
1 2
1 6
__
invariant per )?
24. Sigui ) : R
2
[t] R
2
[t] laplicacio lineal que ve denida per:
)(j(t)) = 2j(t) 3j

(t).
(a) Trobeu la matriu de )
1
en la base (1. t. t
2
) de R
2
[t].
(b) Escriviu )
1
en funcio de ).
25. Siguin ), p els endomorsmes de R
2
[t] que venen denits mit-
jancant:
)(1) = 1 +
1
2
t
2
)(t) = 2 t +t
2
)(t
2
) = 2t
2
p(c + /t + ct
2
) = (c + / + 2c) + /t (
1
4
c +
7
4
/ +
1
2
c)t
2
(a) Doneu la matriu de ) en la base (1. t. t
2
) dR
2
[t].
(b) Doneu la matriu de ) p en la base (1. t. t
2
) dR
2
[t].
(c)

Es ) bijectiva?
(d)

Es ) invertible? Si ho es, doneu la matriu de )
1
en la base
(1. t. t
2
).
(e)

Es ) p invertible?
(f) Trobeu () p)
1
(1 t
2
).
(g) Trobeu Im() p).
26. Sigui ) un endomorsme dR
2
[t] que ve denit per
)(c + /t + ct
2
) = (c + 2/ + c) + (c + /)t + (c + 2/ + c)t
2
.
Trobeu les dimensions de Ker ) i Im) segons els diferents valors
d R.
4.15. Exercicis resolts amb Maple 127
27. Siguin )
1
, )
2
i )
3
els endomorsmes dR
3
[t] seg uents:
)
1
: R
3
[t] R
3
[t]
j(t) j(0) + j(0)t
)
2
: R
3
[t] R
3
[t]
j(t) j

(t)
)
3
: R
3
[t] R
3
[t]
j(t) j(0)

Es )
3
= )
2
)
1
?

Es )
3
= )
1
)
2
?
28. Sigui 1 un espai vectorial sobre 1 i siguin 1
1
. . . 1
r
subespais vec-
torials tals que
1 = 1
1
1
r
Sigui ) un endomorsme d1. Estudieu si es cert, i proveu-ho en
cas armatiu, si per a tot subespai vectorial G d1, G es invariant
per ) si, i nomes si, ho son els subespais G 1
1
. . . . G 1
r
.
29. Sigui lendomorsme de R
n
que a cada vector li fa correspondre la
seva projeccio ortogonal sobre el subespai vectorial 1 xat. Proveu:
a) Nuc )=1

.
b) Im) = 1.
c)
2
= .
30. Siguin 1 un subespai vectorial de R
n
i sigui G 1

. Siguin
F
i

G
els endomorsmes de R
n
que a cada vector li fan correspondre
la seva projeccio ortogonal sobre els subespais vectorials 1 i G.
Proveu que
F

G
=
G

F
= 0.
4.15 Exercicis resolts amb Maple
with(LinearAlgebra):
A := Matrix([[1,2,3],[2,3,4],[3,4,5]]);
:=
_
_
1 2 3
2 3 4
3 4 5
_
_
128 Captol 4. Aplicacions lineals
Obtencio duna base del subespai nucli duna matriu
F := NullSpace(A);
1 :=
_
_
_
_
_
1
2
1
_
_
_
_
_
Obtencio duna base del subespai imatge
G:=ColumnSpace(A);
G :=
_
_
_
_
1
0
1
_
_
.
_
_
0
1
2
_
_
_
_
Captol 5
Determinants
5.1 Introduccio
Sembla que la primera refer`encia als determinants es a Japo, quan Se-
ki (1683) en un llibre en qu`e per a resoldre problemes es disposaven les
dades en forma matriciali donava regles per fer els c`alculs que conduen
a la solucio. Aproximadament en la mateixa `epoca apareixen a Europa
publicacions sobre la resolucio de sistemes dequacions utilitzant deter-
minants, sense fer servir encara la paraula determinant, que va intro-
duir Gauss (1801). Abans, per`o, ja havien donat m`etodes per a resoldre
sistemes dequacions amb determinants Leibnitz, MacLaurin, Cramer i
Bezout, per exemple. De fet, la nocio de matriu va ser posterior a la de
determinant.
La discussio de lexist`encia i nombre de solucions va ser realitzat per
Smith, Kronecker i Cayley, entre altres.
5.2 Permutacions
Denicio 5.2.1. Una permutacio dun conjunt C de cardinal : (es a dir,
amb : elements) es una aplicacio bijectiva
: : C C
El nombre de permutacions de C, si el cardinal de C es :, es :!.
129
130 Captol 5. Determinants
Exemple 5.2.1. Una permutacio : del conjunt C
n
= 1. 2. . . . . : es una
aplicacio bijectiva
: : C
n
C
n
i :(i) 1 i :
Les permutacions del conjunt C
2
son
:
1
: C
2
C
2
1 :
1
(1) = 1
2 :
1
(2) = 2
:
2
: C
2
C
2
1 :
2
(1) = 2
2 :
2
(2) = 1
i les permutacions del conjunt C
3
son
:
1
: C
3
C
3
1 :
1
(1) = 1
2 :
1
(2) = 2
3 :
1
(3) = 3
:
2
: C
3
C
3
1 :
2
(1) = 2
2 :
2
(2)7 = 3
3 :
2
(3) = 1
:
3
: C
3
C
3
1 :
3
(1) = 3
2 :
3
(2) = 1
3 :
3
(3) = 2
:
4
: C
3
C
3
1 :
4
(1) = 3
2 :
4
(2) = 2
3 :
4
(3) = 1
:
5
: C
3
C
3
1 :
5
(1) = 2
2 :
5
(2) = 1
3 :
5
(3) = 3
:
6
: C
3
C
3
1 :
6
(1) = 1
2 :
6
(2) = 3
3 :
6
(3) = 2
Denicio 5.2.2. Donada una permutacio :, del conjunt C
n
=1. 2. . . . . :,
diem que :(i) i :(,) presenten inversi o si i < , i :(i) :(,). El signe
duna permutaci o es deneix com a (:) = +1 si el nombre dinversions
que presenta la permutacio : es parell i (:) = 1 si aquest nombre es
senar.
Exemple 5.2.2. El signe de la permutaci o :
2
del conjunt C
3
del exemple
anterior es +1, i el de la permutaci o :
3
del mateix exemple es 1.
5.3. Denicio de determinant i propietats 131
5.3 Denicio de determinant i propietats
Sigui
=
_
_
c
11
. . . c
1n
. . . . . .
c
n1
. . . c
nn
_
_
`
n
(K)
Denicio 5.3.1. Sanomena determinant de la matriu a:
det =

sS
n
(:)c
1s(1)
. . . c
ns(n)
on o
n
indica el conjunt de totes les permutacions de C
n
.
Aix doncs, el determinant de la matriu es la suma de :! sumands,
essent cada sumand producte de : elements de la matriu, pertanyents a
les i columnes diferents i afectat del signe + o segons que el nombre
dinversions de la permutacio corresponent sigui parell o senar.
Exemple 5.3.1. i) El determinant duna matriu quadrada dordre 2

2
=
_
c
11
c
12
c
21
c
22
_
es igual a:
det(
2
) = c
11
c
22
c
21
c
12
Aix, per exemple,
det
_
2 1
3 1
_
= 2 1 (3) 1 = 5
ii) El determinant duna matriu quadrada dordre 3

3
=
_
_
c
11
c
12
c
13
c
21
c
22
c
23
c
31
c
32
c
33
_
_
es igual a:
det(
3
) = c
11
c
22
c
33
+c
21
c
12
c
33
+c
11
c
32
c
23
c
13
c
22
c
31
c
21
c
12
c
33
c
11
c
32
c
23
132 Captol 5. Determinants
Aix, per exemple,
det
_
_
1 1 3
2 1 0
4 1 1
_
_
=111+2(1)1+32(1)3142(1)11(1)0 =17
Remarca. De la denicio de determinant anterior, es poden deduir de
forma immediata les propietats seg uents.
1. El determinant duna matriu triangular (superior o inferior) es igual
al producte dels elements que son sobre la diagonal principal de la
matriu.
2. En particular, el determinant duna matriu diagonal es igual al
producte dels elements que son sobre la diagonal i el determinant
de la matriu identitat val 1.
3. Si en un determinant una columna es zero, el determinant val zero.
Exemple 5.3.2.
det
_
_
1 1 3
0 2 1
0 0 3
_
_
= 1 2 3 = 6
Altres conseq u`encies de la denicio de determinant sexpressen en les
propietats seg uents.
Propietats
Posarem c
1
. . . . . c
n
1
n
als vectors columna de la matriu .
1. En intercanviar dues columnes, el determinant canvia
de signe:
det(c
1
. . . . . c
i
. . . . . c
j
. . . . . c
n
) = det(c
1
. . . . . c
j
. . . . . c
i
. . . . . c
n
)
2. En multiplicar els elements duna columna per un es-
calar 1, el determinant queda multiplicat per
aquest escalar:
det(c
1
. . . . . c
i
. . . . . c
n
) = det(c
1
. . . . . c
i
. . . . . c
j
. . . . . c
n
)
Com a conseq

u
`
encia es dedueix que det() =
n
det().
5.3. Denicio de determinant i propietats 133
3. Si un vector columna duna matriu

es suma dels dos
vectors columna de dues altres matrius, aleshores:
det(a
1
, . . . , a
i
+ a

i
, . . . , a
n
) = det(a
1
, . . . , a
i
, . . . , a
n
) + det (a
1
, . . . , a

i
, . . . , a
n
)
4. Si un vector columna

es combinaci

o lineal dels altres

vectors columna, el determinant val zero.
4.1 En particular, quan una matriu t

e dues columnes
que s

on iguals o proporcionals, el determinant val

zero:
det(c
1
. . . . . c
i
. . . . . c
i
. . . . . c
n
) = 0
4.2 Si a un vector columna se li suma una combinaci

o
lineal dels restants vectors columna, el determi-
nant de la matriu que resulta

es igual al determi-
nant de la primera matriu.
Altres propietats:
5. det() = det(
t
).
Per tant, totes les propietats enunciades fins ara s

on apli-
cables fent la substituci

o de columnes per files.

Altres propietats, que no es poden deduir directament a
partir de la definici

o mateixa de determinant s

on les seg

uents.
6. det(1) = det() det(1).
7. Si

es una matriu invertible, det(
1
) =
1
det(A)
.
El coneixement daquestes propietats permet fer m

es senzill
el c
`
alcul dels determinants.
Exemple 5.3.3.
det
_
_
_
_
1 1 0 3
4 1 0 12
2 2 1 6
1 1 3 1
_
_
_
_
= det
_
_
_
_
1 0 0 0
4 5 0 0
2 4 1 0
1 0 3 2
_
_
_
_
= 10
134 Captol 5. Determinants
En la primera igualtat hem utilitzat la propietat (4.2), canviant la segona
columna de la matriu, c
2
, per la seva suma amb la primera columna,
c
1
+ c
2
, i la quarta columna de la matriu, c
4
, per la seva suma amb la
primera columna multiplicada per 3, c
4
3c
1
.
det
_
_
_
_
6 1 0 3
2 1 2 1
2 0 1 2
2 0 0 2
_
_
_
_
= det
_
_
_
_
2 1 0 3
0 1 2 1
0 0 1 2
0 0 0 2
_
_
_
_
+ det
_
_
_
_
4 1 0 3
2 1 2 1
2 0 1 2
2 0 0 2
_
_
_
_
=
4 + 0 = 4
En la primera igualtat hem utilitzat la propietat 3, descomponent la
primera columna en suma de les dues primeres columnes de les matrius
en el segon membre de la igualtat. En la segona igualtat hem utilitzat
(4.1) per deduir que el segon determinant es nul, en observar que la
primera columna es igual a la suma de la segona i la quarta.
5.4 C`alcul de determinants
A continuaci o presentem propietats no immmediates dels determinants
que son especialment utils de cara a permetre el seu c`alcul.
Desenvolupament per una la o una columna
El determinant de la matriu es pot calcular mitjancant el desenvolu-
pament per una la i qualsevol, 1 i :,
det = c
i1
(1)
i+1
j
i
1
+ + c
in
(1)
i+n
j
i
n
An`alogament es pot fer el desenvolupament del determinant per una
columna , qualsevol, 1 , :,
det = c
1j
(1)
1+j
j
1
j
+ + c
nj
(1)
n+j
j
n
j
on j
i
j
es el determinant de la matriu dordre : 1 formada pels ele-
ments que no pertanyen a la la i ni a la columna , (sanomena menor
complementari de lelement c
ij
).
5.4. C`alcul de determinants 135
Exemple 5.4.1.
det
_
_
_
_
1 2 1 0
1 2 3 1
0 1 1 0
4 2 1 1
_
_
_
_
= 0

2 1 0
2 3 1
2 1 1

1 1 0
1 3 1
4 1 1

+
(1)

1 2 0
1 2 1
4 2 1

1 2 1
1 2 3
4 2 1

=
= 1 (1) + (1) 6 = 5
Observeu que hem triat el desenvolupament per la tercera la, ja que, en
fer-ho aix nomes ens calia avaluar dos determinants. El mateix hauria
passat escollint la quarta columna.
Regla de Laplace
El determinant d es pot fer de forma mes general a partir del desen-
volupament pels menors dordre j de j les i
1
. . . . . i
p
:
det =

1j
1
<...<j
p
n
(1)
i
1
+...+i
p
+j
1
+...+j
p
j
i
1
...i
p
j
1
...j
p
j
i
1
...i
p
j
1
...j
p
o b, pels menors dordre j de j columnes ,
1
. . . . . ,
p
:
det =

1i
1
<...<i
p
n
(1)
i
1
+...+i
p
+j
1
+...+j
p
j
i
1
...i
p
j
1
...j
p
j
i
1
...i
p
j
1
...j
p
on j
i
1
. . . i
p
,
1
. . . ,
p
es el determinant de la matriu que resulta de considerar els
elements que pertanyen a les j les i
1
. . . . . i
p
i a les j columnes ,
1
. . . . . ,
p
,
i j
i
1
. . . i
p
,
1
. . . ,
p
es el determinant de la matriu que resulta de considerar
els elements que no pertanyen a les j les i
1
. . . . . i
p
ni a les j columnes
,
1
. . . . . ,
p
(menors complementaris).
Son conseq u`encia de la regla de Laplace les propietats seg uents.
Si la matriu es triangular per blocs, es a dir, de la forma
_
A C
0 B
_
,
o be
_
A 0
C B
_
, llavors
det
_
A C
0 B
_
= det det 1 i det
_
A 0
C B
_
= det det 1
136 Captol 5. Determinants
En general,
det
_
_
_
_
_
_
_

1
1
2
. . . . . . 1
p
0
2
C
3
. . . C
p
0 0
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . . . .
p
_
_
_
_
_
_
_
= det
1
det
2
. . . det
p
i
det
_
_
_
_
_
_
_

1
0 . . . . . . 0
1
2

2
0 . . . 0
.
.
. C
3

3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
p
C
p
. . . . . .
p
_
_
_
_
_
_
_
= det
1
det
2
. . . det
p
Exemple 5.4.2. Anem a calcular
det
_
_
_
_
2 1 0 3
4 2 1 0
0 1 1 2
1 1 1 1
_
_
_
_
utilitzant el desenvolupament pels menors dordre 2 amb les les 1 i 3.
Aquests son:
j
13
12
=

2 1
0 1

= 2. j
13
13
=

2 0
0 1

= 2. j
13
14
=

2 3
4 2

= 8.
j
13
23
=

1 0
1 1

= 1. j
13
24
=

1 3
1 2

= 1. j
13
34
=

0 3
1 2

= 3.
Els menors complementaris son:
j
13
12
=

4 2
1 1

= 2. j
13
13
=

4 1
1 1

= 3. j
13
14
=

4 0
1 1

= 4.
j
13
23
=

2 1
1 1

= 1. j
13
24
=

2 0
1 1

= 2. j
13
34
=

1 0
1 1

= 1.
Finalment,
det
_
_
_
_
2 1 0 3
4 2 1 0
0 1 1 2
1 1 1 1
_
_
_
_
=
= 2 2 + (2) (3) (8) 4 (1) (1) + (1) 2 3 (1) = 34
5.5. Aplicacio 1 137
Observeu que, en fer el desenvolupament per dos les, hem reduit el
c`alcul al de determinats dordre 2. En general, la reduccio es al c`alcul
de determinants dordre j i : j, si fem el desenvolupament per j les
o columnes.
5.5 Aplicacio 1
C`alcul del rang duna matriu
El rang duna matriu es igual a lordre del major menor no nul.

Es a dir,
si `
n
(1), rang = : si, i nomes si, existeix un menor dordre : no
nul i tots els menors dordre superior a : son nuls.
Exemple 5.5.1. El rang de la matriu
_
_
2 1 3 4
2 1 0 1
0 0 3 3
_
_
es igual a 2, ja que aquesta matriu te un menor dordre 2 no nul:

1 3
1 0

= 3 ,= 0
i tots els menors dordre 3 son nuls:

2 1 3
2 1 0
0 0 3

= 0.

2 1 4
2 1 1
0 0 3

= 0.

2 3 4
1 0 1
0 3 3

= 0
5.6 Aplicacio 2
C`alcul de la inversa duna matriu
De la seccio anterior es dedueix que es invertible si, i nomes si, det ,=
0.
En el cas que det ,= 0, podem trobar la matriu inversa de la matriu ,

1
, mitjancant

1
=
1
det
_
_
_
_
(1)
1+1
j
1
1
(1)
2+1
j
2
1
. . . (1)
n+1
j
n
1
(1)
1+2
j
1
2
(1)
2+2
j
2
2
. . . (1)
n+2
j
n
2
. . . . . . . . .
(1)
1+n
j
1
n
(1)
2+n
j
2
n
. . . (1)
n+n
j
n
n
_
_
_
_
138 Captol 5. Determinants
Exemple 5.6.1. El determinant de la matriu
_
_
2 1 1
0 2 1
1 1 2
_
_
es igual a 13. Aquesta matriu, doncs, es invertible (ja que te rang igual
a 3) i la seva inversa es
1
13
_
_
5 1 3
1 5 2
2 3 4
_
_
5.7 Aplicacio 3
Determinacio del conjunt de solucions dun sistema
dequacions lineals compatible (regla de Cramer)
Suposem que tenim un sistema dequacions A = 1 compatible, amb
`
mn
(1) i rg = rg([1) = :, : :. Si : = :, el sistema es
compatible determinat i es pot trobar la solucio mitjancant la regla de
Cramer.
Si : < :, existeix un menor d dordre : no nul. Si suposem que aquest
es, per exemple, el format per les : primeres les i columnes d, llavors,
per a cada conjunt de valors arbitraris r
r+1
. . . . . r
n
tenim un sistema de
: equacions amb : inc`ognites r
1
. . . . . r
r
compatible determinat i podem
aplicar la regla de Cramer.
Exemple 5.7.1. Considerem el sistema lineal dequacions
_
2r
1
r
2
+ r
3
= 1
2r
1
+r
2
= 3
(que es compatible indeterminat).
La matriu del sistema,
=
_
2 1 1
2 1 0
_
te rang 2. El menor format per les dues primeres columnes, per`o, es nul.
Prendrem, doncs, el menor format per les columnes primera i tercera.
_
2r
1
+ r
3
= 1 + r
2
2r
1
= 3 r
2
5.8. Aplicacio 4 139
Aleshores, aplicant la regla de Cramer, obtenim:
_

_
r
1
=

1 + r
2
1
3 r
2
0

2 1
2 0

=
3 +r
2
2
r
2
= r
2
r
3
=

2 1 + r
2
2 3 r
2

2 1
2 0

=
8
2
amb r
2
R qualsevol.
5.8 Aplicacio 4
Estudi de la depend`encia/independ`encia lineal duna
famlia de : vectors en un espai vectorial de dimensio
:.
Un conjunt de : vectors en un espai vectorial 1 de dimensio nita : es
una base daquest espai vectorial si, i nomes si, la matriu formada amb les
components daquests vectors en una base qualsevol d1 te determinant
no nul.
Exemple 5.8.1. Considerem els vector de R
3
(1. 1. 0). (2. 2. 3). (1. 2. 0)
Aquests vectors son linealment independents si, i nomes si,
det
_
_
1 2 1
1 2 2
0 3 0
_
_
,= 0
En aquest cas, aquest determinant val 9. Dedum, doncs, que els vectors
donats son linealment independents.
140 Captol 5. Determinants
5.9 Determinant dun endomorsme
El resultat seg uent permet fer la denicio de determinant dun endomor-
sme.
Proposicio 5.9.1. Si ) es un endomorsme dun espai vectorial 1 de
dimensio nita :, aleshores la matriu daquest endomorsme en tota base
qualsevol d1 te el mateix determinant.
Demostracio. En efecte. Si i 1 son les matrius de lendomorsme en
dues bases diferents, sabem (vegeu captol 4, seccio 7) que la relacio que
hi ha entre elles es:
1 = o
1
o
Aleshores
det(1) = det o
1
det() det(o) =
1
det(o)
det() det(o) = det()
Amb aix`o, te sentit la denicio seg uent.
Denicio 5.9.1. Sanomena determinant de lendomorsme ) al deter-
minant de la matriu daquest endomorsme, en una base qualsevol.

Es tambe conegut que els endomorsmes bijectius son aquells les ma-
trius dels quals, en una base qualsevol, tenen rang m`axim. Per tant,
podem concloure que un endomorsme es bijectiu si, i nomes si, el seu
determinant es no nul.
Exemple 5.9.1. Considerem lendomorsme
) : R
3
R
3
(r
1
. r
2
. r
3
) (2r
1
r
2
. r
1
+ 3r
2
. r
1
r
3
)
La matriu daquest endomorsme, en la base natural dR
3
, es
=
_
_
2 1 0
1 3 0
1 0 1
_
_
el determinant de la qual es det = 7. Aix doncs, det ) = 7.
5.10. Aplicacio a la qumica 141
5.10 Aplicacio a la qumica
M`etode dorbitals moleculars de H uckel
Aquest m`etode saplica a mol`ecules org`aniques amb dobles enllacos con-
jugats i permet obtenir les energies relatives aproximades dels orbitals
moleculars expressats com a combinacions lineals dels orbitals at`omics.
Per a obtenir les energies daquests orbitals moleculars es procedeix de la
forma seg uent. Utilitzant que els millors orbitals moleculars son aquells
que minimitzen lenergia total, obtenim un sistema dequacions lineal i
homogeni per als escalars que resulten dexpressar els orbitals moleculars
en funcio dels orbitals at`omics, que te solucions no trivials per als valors
per als quals det(()) es nul, essent () la matriu que te com a
elements el valor a la diagonal principal, i la resta dels elements son 1
o 0 depenent de si els `atoms de carboni estan, o no, enllacats.
Aix, en el cas del 1. 3butadi`e, la matriu que sobte es la matriu
4
()
de lexercici 7 daquest tema, en el cas del 1,3,5-hexatri`e, es la matriu

6
() daquest mateix exercici i, en el cas dun poli`e conjugat amb :
`atoms de carboni qualsevol, amb : parell, es la matriu
n
().
Per tant, en aquests casos, els valors buscats son les arrels dels poli-
nomis:
t
4
3t
2
+ 1
t
6
5t
4
+ 6t
2
1
. . .
t
n
(: 1)t
n2
+
(: 2)(: 3)
2
t
n4
+ (1)
1
2
n
Per exemple, en el cas del 1,3-butadi`e, sobtenen les arrels:
1
2

5 +
1
2
.
1
2

5 +
1
2
.
1
2

5 +
1
2
.
1
2

5
1
2
Aleshores les energies dels orbitals moleculars es prenen com a:
c
i
=
i

on saproxima a lenergia dels orbitals at`omics j lliures dels carbonis,

es un par`ametre semiempric que es calcula a partir de la longitud
dona dabsorcio de la mol`ecula en q uesti o i
i
son els valors obtinguts
anteriorment.
142 Captol 5. Determinants
5.11 Comentaris nals
El c`alcul de determinants apareixen en una gran quantitat de problemes,
no nomes en `algebra lineal (per exemple en el captol seg uent, per a
estudiar la diagonalitzacio dun endomorsme necessitarem el seu poli-
nomi caracteristic, que es un determinant) sino tambe en la geometria
(c`alcul del volum dun paralleleppede, orientacio de lespai, obtencio
de les equacions de rectes o circunfer`encies que passen per punts donats
del pla, o be plans o esferes que passen per punts donats de lespai) o
lan`alisi innitesimal (estudi dextrems relatius de funcions de mes duna
variable), per exemple. Un altre exemple de l us de determinants son
els determinants de Slater :-electr`onics, que son funcions que es poden
formar a partir dun conjunt complet de spinorbitals. De fet, qualsevol
funcio dona :-electr`onica es pot escriure com a combinacio de determi-
nants de Slater normalitzats.
5.12 Exercicis
1. Determineu el signe de les permutacions de C
5
: : t . t : . :
1
. t
1
si
: : C
5
C
5
1 :(1) = 4
2 :(2) = 3
3 :(3) = 5
4 :(4) = 1
5 :(5) = 2
t : C
5
C
5
1 t(1) = 1
2 t(2) = 5
3 t(3) = 2
4 t(4) = 4
5 t(5) = 3
2. Trobeu el valor dels determinants de les matrius de `
3
(R) seg uents:
A =
0
@
1 0 3
4 1 7
7 2 1
1
A
, B =
0
@
0 1 0
1 1 1
0 1 0
1
A
C =
0
@
1 1 1
1 3 0
1 2 1
1
A
, D =
0
@
1 1 3
2 2 4
4 2 3
1
A
3. Trobeu el valor dels determinants de les matrius de `
4
(R) seg uents:
A =
0
B
B
@
0 0 1 1
2 1 2 .1
2 1 3 3
0 1 1 2
1
C
C
A
, B =
0
B
B
@
0 1 1 0
2 1 1 0
2 2 1 1
1 1 2 0
1
C
C
A
5.12. Exercicis 143
C =
0
B
B
@
1 1 0 0
0 1 2 1
0 2 2 0
1 1 2 0
1
C
C
A
, D =
0
B
B
@
1 1 1 2
0 0 1 1
0 1 2 0
1 1 2 2
1
C
C
A
4. Proveu que
V
2
= det
0
B
B
@
1 x
1
x
2
1
x
3
1
1 x
2
2
x
2
2
x
3
2
1 x
3
x
2
3
x
3
3
1 x
4
x
2
4
x
3
4
1
C
C
A
=
Y
1i<j4
(x
j
x
i
)
En general,
V
n
= det
0
B
B
B
B
@
1 x
1
x
2
1
. . . x
n1
1
1 x
2
x
2
2
. . . x
n1
2
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
1 x
n
x
2
n
. . . x
n1
n
1
C
C
C
C
A
=
Y
1i<jn
(x
j
x
i
)
per a : 2 (

Es lanomenat determinant de Van der Monde).

5. Calculeu els determinants de les matrius seg uents:
(t) =

t 2 0 0
2 t 2 0
0 2 t 2
0 0 2 t

1(t) =

t 1 1 0 0
1 t 1 1 0
1 1 t 1 1
0 1 1 t 1
0 0 1 1 t

C(t) =

t 1 1 1 1
1 t 1 1 1
1 1 t 1 1
1 1 1 t 1
1 1 1 1 t

6. Calculeu els determinants de les matrius seg uents:

c)
2
(t) = [
t 1
1 t
[ . /)
3
(t) =

t 1 0
1 t 1
0 1 t

.
c)
4
(t) =

t 1 0 0
1 t 1 0
0 1 t 1
0 0 1 t

. d)
n
(t) =

t 1 0 ... 0 0 0
1 t 1 ... 0 0 0
... ... ... ...
... ... ... ...
0 0 0 ... 1 t 1
0 0 0 ... 0 1 t

.
7. Estudieu quin es el rang de les matrius seg uents.
=
_
1 3 1
3 3 1
2 0 2
5 1 1
_
. 1 =
_
1 2 3 4
1 1 5 2
1 3 2 3
1 2 1 3
_
C =
_
1 1 2 0 0
1 3 1 1 4
1 1 2 1 1
5 1 1 2 3
2 2 1 1 4
_
. 1 =
_
0 1 1 1
1 0 1 1
2 1 3 3
3 4 2 1
4 1 3 3
_
144 Captol 5. Determinants
8. Estudieu si son invertibles les matrius seg uents i, en cas de ser-ho,
calculeu les seves inverses.
=
_
1 3 2 5
3 3 0 1
1 1 2 1
2 3 1 1
_
. 1 =
_
1 0 1 2
2 2 3 1
0 1 1 0
4 3 5 2
_
C =
_
1 2 3 3 0
1 1 2 2 1
3 2 1 1 0
0 0 2 3 2
1 2 3 1 2
_
. 1 =
_
3 0 2 1 0
1 0 1 2 1
1 1 2 2 3
1 0 2 0 0
3 0 2 3 3
_
9. Sigui una matriu de `
n
(R) tal que
p
= 0 per a un cert j N
(una tal matriu sanomena nilpotent). Proveu que det() = 0.
10. Resoleu els sistemes lineals dequacions seg uents, utilitzant la regla
de Cramer.
_
_
_
2r
1
3r
2
+ r
3
r
4
= 0
3r
1
2r
2
+ r
4
= 0
2r
1
3r
3
+ r
4
= 1
_
_
_
r
1
2r
2
+ 2r
3
+ r
4
= 1
r
1
2r
2
+ 3r
3
= 1
r
1
+ 3r
2
r
3
= 1
_

_
r
1
r
2
+ r
3
r
4
+ 2r
5
= 2
r
1
r
2
+ r
3
r
4
+ 2r
5
= 2
r
1
+ 2r
2
+ r
3
2r
5
= 1
r
1
r
3
+ 2r
4
+ r
5
= 1
_
_
_
3r
1
+ 2r
2
+ r
3
+r
6
= 1
r
1
+ 2r
4
+r
5
= 1
2r
1
+ 3r
5
r
6
= 0
11. Estudieu si son, o no, linealment independents, els conjunts de
vectors seg uents.
a) (2. 1. 3). (4. 5. 3). (2. 1. 1), (1. 1. 3). (2. 1. 3). (2. 5. 3)
dR
3
.
b) (1. 2. 1. 2). (2. 1. 0. 0). (3. 1. 2. 2). (2. 1. 1. 1),
(1. 1. 1. 2). (0. 0. 1. 1). (0. 1. 2. 0). (1. 1. 2. 2) dR
4
.
12. Estudieu per a quins valors de son linealment independents els
conjunts de vectors seg uents.
a) (1. . 2). (1. . 3). (2. 1. 1) dR
3
.
b) (1. . 0. 1). (1. 1. 0. 0). (1. 1. 0. ). (1. 0. 2. 1) dR
4
.
13. Calculeu el determinant dels endomorsmes seg uents.
a)
) : R
4
R
4
(r
1
. r
2
. r
3
. r
4
) (r
1
+ r
2
r
3
. r
1
r
2
+ r
3
. r
1
r
4
. r
3
+ r
4
)
5.12. Exercicis 145
b)
) : R
3
[t] R
3
[t]
j(t) j(t) + j

(t)
c)
) : `
2
(R) `
2
(R)
_
c /
c d
_

_
c d
c /
_
14. Considereu laplicacio ) : `
2
R que ve denida per )() =
det(). Estudieu si es ) lineal.
15. Siguin ). p endomorsmes bijectius dun espai vectorial 1 de di-
mensio nita. Determineu, en funcio de det()) i det(p), els deter-
minants dels endomorsmes seg uents:
) p. p ). () p)
1
. (p ))
1
.
16. Sigui `
2
(R) xa. Considereu els endomorsmes d`
2
(R) que
venen denits per:
)
1
(`) = `. )
2
= `. )
3
(`) =
t
`. )
4
= `
t
Proveu que: det()
1
) = det()
2
) = det()
3
) = det()
4
).
17. Siguin 1, G dos subespais vectorials dR
4
tals que 1 G = R
4
.
Siguin ), p dos endomorsmes bijectius d1 i G, respectivament.
Denim lendomorsme / dR
4
per: /(r) = )(r
1
) + p(r
2
) si r =
r
1
+r
2
amb r
1
1, r
2
G. Proveu que / es tambe bijectiu.
Indicacio: Proveu pr`eviament que 1 i G son invariants per /.
18. Sigui 1 = End (R
n
) i considereu el conjunt C = ) 1 [ det()) ,=
0. Proveu que C amb loperacio composicio es un grup (no com-
mutatiu), per`o que amb loperacio suma no es grup.
19. Sigui ) lendomorsme dR
n
que ve denit per )(r) = r r
R
n
, amb R x (un tal endomorsme sanomena homt`ecia).
Determineu qu`e val det()).
20. Sigui ) lendomorsme dR
n
que a cada vector dR
n
li fa corres-
pondre la projeccio ortogonal daquest vector sobre un subespai
1 ,= 0. R
n
xat. Proveu que det()) = 0.
21. Siguin 1
1
. . . . . 1
p
subespais vectorials dR
n
tals que R
n
= 1
1

. . . 1
p
. Siguin )
i
els endomorsmes que a cada vector dR
n
li
fan correspondre la seva projeccio ortogonal sobre el subespai 1
i
,
1 i j. Determineu el valor de det()
1
+ . . . + )
p
).
146 Captol 5. Determinants
5.13 Exercicis resolts amb Maple
C`alcul de determinants
with(LinearAlgebra):
A := Matrix([[1,2,8,1,1,2,0],[0,0,1,2,2,-3,4],[-1,-2,1,2,3,4,5],[1,2,0,0,0, 3,4],[1,-
2,2,-2,3,-3,0],[4,1,1,2,3,-4],[1,1,1,0,0,0,2]]);
:=
_

_
1 2 8 1 1 2 0
0 0 1 2 2 3 4
1 2 1 2 3 4 5
1 2 0 0 0 3 4
1 2 2 2 3 3 0
4 1 1 2 3 4 0
1 1 1 0 0 0 2
_

_
Determinant(A);
11277
B:=Matrix([[1,a,3-a],[3,1+a,2],[4*a,2,-1]]);
1 :=
_
_
1 c 3 c
3 1 + c 2
4 c 2 1
_
_
Determinant(B);
13 16 c + 4 c
3
Captol 6
Diagonalitzacio
dendomorsmes
6.1 Introduccio
Hem vist al captol 4 que, donat un endomorsme dun espai vectorial 1
sobre un cos commutatiu 1, ) : 1 1, la seva matriu varia segons la
base en la qual sexpressi. Si ) En alguns casos es possible trobar una
base d1 en la qu`e la matriu de lendomorsme es diagonal. Direm en
aquest cas que lendomorsme es diagonalitzable.
Conceptes claus per estudiar si un endomorsme es diagonalitzable son
el polinomi caracterstic i els valors propis, que van ser introduts per
Cayley, i el polinomi anul
.
ldor mnim que va introduir Frobenius.
Lanomenat Teorema de Cayley-Hamilton va ser provat per matrius dor-
dre 2,3 per Cayley, dordre 4 per Hamilton. El cas general va ser provat
per Frobenius.
Al llarg daquest captol, 1 ser`a un espai vectorial sobre un cos commu-
tatiu 1 de dimensio :, i ) un endomorsme d1.
6.2 Vectors propis i valors propis
A lhora destudiar si un endomorsme es diagonalitzable necessitem
con`eixer el concepte de vector propi.
147
148 Captol 6. Diagonalitzacio dendomorsmes
Denicio 6.2.1. Un vector 1 es diu que es un vector propi d) si
,= 0 i existeix 1 tal que )() = .
Denicio 6.2.2. Un escalar 1 es diu que es un valor propi d) si
existeix 1, ,= 0 tal que )() = .
Llavors, diem que es un vector propi de valor propi i que es un
valor propi associat al vector propi .
Proposicio 6.2.1. Sigui ) End (1). Aleshores:
1. vectors propis de ) associats a = Ker() id) 0.
2. valor propi de ) Ker() id) ,= 0 rg() id) < :
det() id) = 0
Demostracio. 1. es vector propi de lendomorsme ) si, i nomes si,
,= 0 i )() = per a un cert 1. Per`o:
)() = )() = 0 )() id() = 0
() id)() = 0 Ker() id)
2. es un valor propi de lendomorsme ) si, i nomes si, existeix
Ker() id) 0. Per`o:
Ker() id) 0 Ker() id) ,= 0
dimKer() id) 0 dimIm() id) < :
rg () id) < : det() id) = 0
Exemple 6.2.1. Sigui ) lendomorsme dR
3
que ve donat per
)(r. . .) = (3r + + 3.. 4r + 3 + 3.. 2r + + .)
Aleshores 1 es valor propi daquest endomorsme, ja que la matriu de )
en la base can`onica dR
3
es:
` = `
e
()) =
_
_
3 1 3
4 3 3
2 1 1
_
_
6.2. Vectors propis i valors propis 149
i
rg (` 1) = 2
A mes, els vectors propis de valor propi 1 son els vectors no nuls que
pertanyen al subespai vectorial
Nuc (` 1) = [c
1
2c
2
]
Remarca. Els vectors propis de valors propi d) son els vectors r 1
les components r
1
. . . . . r
n
dels quals, en la base n, veriquen el sistema
( 1)A = 0 on A =
_
_
_
r
1
.
.
.
r
n
_
_
_
.
si es la matriu de lendomorsme ) en la base n.
Aquest sistema es sempre compatible indeterminat, ja que es homogeni
i rg ( 1) < :.
Exemple 6.2.2. Sigui ) lendomorsme dR
3
la matriu del qual, en la base
n = ((1. 1. 0). (2. 1. 1). (0. 1. 3)) es
=
_
_
1 0 1
2 1 1
1 0 1
_
_
Aleshores 2 es valor propi de lendomorsme ) i els vectors propis d) de
valor propi 2 son aquells les components r
1
. r
2
. r
3
dels quals, en la base
n, satisfan el sistema:
_
_
1 0 1
2 3 1
1 0 1
_
_
_
_
r
1
r
2
r
3
_
_
= 0

Es a dir, son aquells tals que r

1
= r
2
= r
3
(,= 0). Aix doncs, els vectors
propis de valor propi 2 de lendomorsme ) son els vectors de la forma:
= [(1. 1. 0) + (2. 1. 1) + (0. 1. 3)] = (3. 1. 4)
amb R, ,= 0.
Remarca. Pot ser util, a lhora de buscar valors propis, tenir present el
seg uent.
150 Captol 6. Diagonalitzacio dendomorsmes
1. Si `
n
(1) es una matriu triangular (superior o inferior) amb
elements (c
11
. . . c
nn
) a la diagonal principal, aleshores els valors
propis de lendomorsme ) que te com a matriu associada, en una
certa base, la matriu , son c
11
. . . . . c
nn
, ja que rg ( c
ii
1) < :.
2. Si = `
u
()) i, en sumar tots els vectors columnes d obtenim
un vector columna del tipus
_
_
_
_
_

.
.
.

_
_
_
_
_
=
_
_
_
_
_
1
1
.
.
.
1
_
_
_
_
_
llavors, es un valor propi ja que aix`o signica que:
)(
1
)+ +)(
n
) = )(
1
+ +
n
) =
1
+ +
n
= (
1
+ +
n
)
es a dir,
)(
1
+ +
n
) = (
1
+ +
n
)
i, per tant,
1
+ +
n
ser`a un vector propi associat al valor propi
.
3. De forma an`aloga, si en sumar els vectors columna i
1
. . . . . i
p
obten-
im un nou vector columna amb un mateix escalar a les les
i
1
. . . . . i
p
i la resta zeros, aquest es un valor propi i
i
1
+. . . +
i
p
es un vector propi associat a aquest valor propi ja que
)(
i
1
+ . . . +
i
p
) = )(
i
1
) + . . . + )(
i
p
) = (
i
1
+ . . . +
i
p
) .
Exemple 6.2.3. Lendomorsme ) dR
4
que te per matriu, en la base
natural dR
4
,
=
_
_
_
_
1 3 2 3
0 2 0 1
1 1 1 2
2 3 2 2
_
_
_
_
te 3 com a valor propi, ja que la suma dels vectors columna de la matriu
es el vector columna
_
_
_
_
3
3
3
3
_
_
_
_
El resultat seg uent es clau en la caracteritzacio dels endomormes dia-
gonalitzables.
6.2. Vectors propis i valors propis 151
Proposicio 6.2.2. Siguin
1
. . . . .
m
valors propis diferents d). Aleshores,
si
1
. . . . .
m
son vectors propis de valors propis
1
. . . . .
m
, respectiva-
ment,
1
. . . . .
m
son linealment independents.
Demostracio. La farem per induccio sobre :.
Si : = 1, lenunciat es clar ja que un vector propi es no nul.
Suposem lenunciat cert per a un conjunt amb, com a m`axim, : 1
vectors propis. Si
1
. . . . .
m
son vectors propis d) de valors propis
diferents
1
. . . . .
m
i, per a uns certs escalars
1
. . . . .
m
1 es te:

1
+ . . . +
m

m
= 0 aleshores tambe
()
m
id)(
1

1
+. . . +
m

m
) =

1
()
m
id)
1
+ . . . +
m
()
m
id)
m
=

1
)(
1
)
1

1
+ . . . +
m
)(
m
)
m

m
=

1
+. . . +
m

m
=

1
(
1

m
)
1
+ . . . +
m
(
m1

m
)
m1
= 0.
Per hip`otesi dinduccio
1
. . . . .
m1
son linealment independents. Per
tant,
1
(
1

m
) = . . . =
m1
(
m1

m
) = 0.
En ser
1
. . . . .
m1
tots diferents entre si, necess`ariament es
1
= . . . =

m1
= 0. Llavors:

1
+. . . +
m

m
=
m

m
= 0
don
m
= 0 ja que
m
es vector propi i, per tant,
m
,= 0. Aix doncs,

1
. . . . .
m
son linealment independents.
Exemple 6.2.4. Sigui ) lendomorsme dR
3
que ve donat per
)(r. . .) = (2r + .. 3. 2.) .
Aleshores 2 i 3 son els valors propis daquest endomorsme, ja que la
matriu de ) en la base can`onica dR
3
es:
` = `
e
()) =
_
_
2 0 1
0 3 0
0 0 2
_
_
i observem que
rg (` 21) = rg (` 31) = 2
152 Captol 6. Diagonalitzacio dendomorsmes
Els vectors propis de valor propi 2 son els vectors no nuls que pertanyen
al subespai vectorial
Nuc (` 21) = [c
1
]
i els vectors propis de valor propi 3 son els vectors no nuls del subespai
vectorial
Nuc (` 31) = [c
2
]

Es clar que els vectors propis corresponens a cadascun dels dos valors
propis son linealment independents.
Remarca. Aquest resultat ens permet armar que si
1
. . . . .
m
son els
valors propis dun endomorsme ) aleshores la suma dels subespais
Nuc ()
1
1) + + Nuc ()
m
1)
es directa.
No necess`ariament, per`o, la suma anterior ha de ser igual a 1, la qual
cosa es veu per exemple en lexemple anterior.
6.3 Polinomi caracterstic
Comencem observant el fet seg uent.
Proposicio 6.3.1. Si n, son dues bases d1 i = `
u
()), 1 = `
v
()),
llavors det( t1) = det(1 t1).
Aquest resultat ens permet denir el polinomi caracterstic dun endo-
morsme.
Denicio 6.3.1. Sanomena polinomi caracterstic d) a:
Q
f
(t) = det( t1)
essent `
n
(1) la matriu de ) en una base qualsevol.
Remarca. Observem que Q
A
(t) = det( t1) = det( t1)
t
=
det(
t
t1).
Una altra manera de calcular el polinomi caracterstic dun endomorsme
es la seg uent.
6.3. Polinomi caracterstic 153
Proposicio 6.3.2.
Q
f
(t) = (1)
n
t
n
+ (1)
n1

1
t
n1
+ + (1)
nk

k
t
nk
+ +
n
.
on
1
. . . . .
k
. . . . .
n
son, respectivament, les sumes dels menors dordre
/ de la matriu = (c
ij
)
1i,jn
sobre la diagonal principal, es a dir,
dels menors:
j

1
...
k

1
...
k
. amb 1 /
1
< /
2
< . . . < /
k
:
En particular:

1
= tr = c
11
+ . . . c
nn

n
= det
Exemple 6.3.1. El polinomi caracterstic de lendomorsme ) dR
5
, la
matriu del qual, en una certa base dR
5
es
` =
_
_
_
_
_
_
4 1 2 0 8
12 3 5 0 9
0 0 1 0 1
0 0 2 1 3
0 0 1 0 1
_
_
_
_
_
_
es
Q
f
(t) = t
3
(t + 1)(t 7).
Una forma alternativa de determinar els valors propis dun endomorsme
) es la que ens proporciona el resultat seg uent.
Proposicio 6.3.3. Els valors propis dun endomorsme ) son les arrels
de Q
f
(t).
Demostracio.
1 es valor propi de ) det( 1) = 0 es arrel de Q
f
(t)
154 Captol 6. Diagonalitzacio dendomorsmes
Exemple 6.3.2. Considerem lendomorsme ) dR
4
la matriu del qual, en
una base dR
4
es
=
_
_
_
_
2 1 1 1
1 2 1 1
1 1 2 1
0 2 2 3
_
_
_
_
El polinomi caracterstic de ) es:
Q
f
(t) = (t 1)
2
(t 3)(t 4).
Els valors propis de ) son, doncs,
1
= 1 (amb multiplicitat algebraica
2),
2
= 3 i
3
= 4.
Remarca. Noteu que si ) diagonalitza i es la seva matriu en una
certa base n de 1, i 1 es la matriu en una base de vectors propis de )
(1 ser`a una matriu diagonal) llavors
_
tr =
1
+ +
n
det =
1

n
essent
1
. . . . .
n
els elements de la diagonal principal de 1, es a dir, els
valors propis.
Exemple 6.3.3. Lendomorsme ) dR
3
que ve donat per
)(r. . .) = (r 2 2.. 2r 3.. 2.)
te valors propis 3. 1. 2 ja que la matriu de ), en la base can`onica dR
3
es:
` = `
e
()) =
_
_
1 2 2
2 1 3
0 0 2
_
_
i Q
f
(t) = det( t1) te aquestes arrels. La matriu de ), en una base
formada per vectors propis, es la matriu diagonal:
_
_
3
1
2
_
_
6.4. Endomorsmes diagonalitzables 155
6.4 Endomorsmes diagonalitzables
Per acabar aquest captol veurem sota quines condicions existeix una
base d1 de manera que la matriu de lendomorsme ), en aquesta base,
es una matriu diagonal.
Denicio 6.4.1. Diem que lendomorsme ) es diagonalitzable (o sim-
plement que ) diagonalitza) si existeix una base d1 tal que
`
v
()) =
_
_
_
_
_

1
0 . . . 0
0
2
0
.
.
.
.
.
.
.
.
.
0 . . . 0
n
_
_
_
_
_
on
i
1
En aquest cas,
1
. . . . .
n
son els valors propis de .
Aix doncs, ) es diagonalitzable si, i nomes si, existeix una base =
(
1
. . . . .
n
) d1 formada per vectors propis de ).
De forma an`aloga, es parla de matrius diagonalitzables. Diem que una
matriu `
n
(1) es diagonalitzable, o que diagonalitza, si lendo-
morsme ) : 1
n
1
m
associat a es diagonalitzable.

Es a dir, si
existeix o `
n
(1) invertible tal que
o
1
o = 1 =
_
_
_
_
_

1
0 . . . 0
0
2
0
.
.
.
.
.
.
.
.
.
0 . . . 0
n
_
_
_
_
_
on :
j
1
n
(vector columna ,-`esima de o) es un vector propi de )
A
associat al valor propi
j
.
De forma immediata es pot comprovar el resultat seg uent.
Proposicio 6.4.1. Si
1
. . . . .
m
son els valors propis dun endomorsme
) aleshores ) es diagonalitzable si, i nomes si,
1 = Ker ()
1
id) Ker ()
m
id)
156 Captol 6. Diagonalitzacio dendomorsmes
Exemple 6.4.1. Lendomorsme ) dR
3
que ve denit per:
)(r
1
. r
2
. r
3
) = (r
1
+ r
2
. r
2
. r
3
)
te valors propis 1. 1. 2. Els vectors propis associats son els vectos no
nuls dels subespais
Ker ()+id) = [(1. 0. 0)]. Ker ()id) = [(1. 0. 0)]. Ker ()2id) = [(1. 3. 0)]
Aleshores:
R
3
= Ker () +id) Ker () id) Ker () 2id)
i, per tant, concloem que ) es un endomorsme diagonalitzable. La seva
matriu, en la base ((1. 0. 0). (1. 0. 0). (1. 3. 0)), es:
_
_
1
1
2
_
_
No tots els endomorsmes son diagonalitzables. La causa es troba en la
desigualtat seg uent.
Proposicio 6.4.2. Si 1 es una arrel de Q
f
(t) de multiplicitat d,
llavors
(1 ) dimKer () id) d .
Demostracio. Sigui (n
1
. . . . .
m
) una base de Ker() id). Ampliem
aquesta base del subespai Ker() id) a una base d1:
n = (n
1
. . . . . n
m
. n
m+1
. . . . . n
n
)
En aquesta base, la matriu de lendomorsme ) es de la forma
_
_
_
_
_
_
_
_
_
- . . . -
.
.
.
.
.
.
.
.
.
- . . . -
0 - . . . -
.
.
.
.
.
.
.
.
.
0 - . . . -
_
_
_
_
_
_
_
_
_
=
_
1
m

1
0
2
_
6.5. Teorema de diagonalitzacio 157
ja que )(n
1
) = n
1
, . . . . )(n
m
) = n
m
. Aleshores:
Q
f
(t) = det
_
1
m
t1
m

1
0
2
t1
nm
_
= ( t)
m
det(
2
t1)
i per tant, la multiplicitat algebraica del valor propi es mes gran o igual
que :.
Si per a algun dels valors propis de ) no es te la igualtat, no es pot
aconseguir trobar una base d1 formada per vectors propis de ) i, per
tant, lendomorsme no diagonalitza. Aix`o es el que veurem de forma
mes precisa en la seccio seg uent.
6.5 Teorema de diagonalitzacio
A continuaci o enunciem el resultat principal del captol.
Teorema 6.5.1. Si
1
. . . . .
m
son tots els valors propis de ), cadascun
amb la seva multiplicitat:
) diagonalitza
_

_
a) Q
f
(t) descompon totalment, es a dir, es de la
forma:
Q
f
(t) =(1)
n
(t
1
)
d
1
(t
2
)
d
2
. . . (t
s
)
d
s
b) dimKer ()
i
id) = d
i
, i, 1 i :
Demostracio. Suposem que ) es diagonalitzable. Aleshores existeix una
bae = (
1
1
. . . . .
1
d
1
. . . . .
m
1
. . . . .
m
d
m
) en la qual la matriu d) es
1 =
_
_
_
_
_
_
_
_

1
.
.
.
(d
1

1
.
.
.

m
.
.
.
(d
m

m
_
_
_
_
_
_
_
_
Llavors, el polinomi caracterstic d) es:
Q
f
(t) = det(1 t1) = (
1
t)
d
1
. . . (
m
t)
d
m
(apreciem que descompon totalment).
158 Captol 6. Diagonalitzacio dendomorsmes
A mes,
dimKer ()
1
id) = : rang()
1
id) =
= : rang
_
_
_
_
_
_
_
0
.
.
.
(d
1
0
.
.
.

m
.
.
.
(d
m

m
_
_
_
_
_
_
_
= :(: d
1
) = d
1
.
.
.
dimKer ()
m
id) = : rang()
m
id) =
= : rang
_
_
_
_
_
_
_

1
.
.
.
(d
1

1
.
.
.
0
.
.
.
(d
m
0
_
_
_
_
_
_
_
= :(: d
m
) = d
m
Recprocament. Suposem que es compleixen les condicions a) i b) del
enunciat del teorema. Aleshores existeixen

1
1
. . . . .
1
d
1
Ker()
1
id) linealment independents
.
.
.

m
1
. . . . .
m
d
m
Ker()
m
id) linealment independents
En ser aquests conjunts de vectors propis de valor propi diferent, son
linealment independents entre si (veure prop. 2 a 6.2) i at`es que nhi
ha en total d
1
+ . . . + d
m
= grau Q
f
(t) = : = dim1 formen una base
d1. Aix, existeix una base d1 constituda per vectors propis de ) i,
per tant, ) es diagonalitzable.
Remarca.
1. Observem que la condicio a) sempre es dona quan 1 = C.
2. A mes, si es una arrel de Q
f
(t) de multiplicitat 1, la condicio b)
del primer teorema de diagonalitzacio sempre es compleix (veure
Prop. 6 a 6.4). Aix, nomes cal comprovar la condicio b) per a les
arrels de Q
f
(t) amb multiplicitat mes gran que 1.
6.6. El Teorema de Cayley-Hamilton 159
6.6 El Teorema de Cayley-Hamilton
Sigui ) un endomorsme de lespai vectorial 1, sigui j(t) 1[t],
j(t) = c
0
+c
1
t + c
2
t
2
+ + c
m
t
m
un polinomi.
Denicio 6.6.1. Es diu que el polinomi j(t) anulla ) quan lendomor-
sme d1, c
0
id + c
1
) + c
2
)
2
+ + c
m
)
m
es igual a lendomorsme
nul.
Dentre tots els polinomis que anullen un endomorsme ), el polinomi
m`onic de grau mnim sanomena polinomi anul
.
lador mnim d).
Li posarem: j
f
(t).
Remarca. Si j(t) es un polinomi qualsevol que anul
.
la ), aleshores j(t)
es un m ultiple de j
f
(t). Per a comprovar aquesta armacio nomes cal
tenir en compte que si fem la divisio entera de polinomis de j(t) entre
j
f
(t), la resta, en tenir grau mes petit que j
f
(t), ha de ser 0.
Exemple 6.6.1. Considereu lendomorsme dR
2
la matriu del qual, en la
base natural dR
2
es:
=
_
2 1
0 2
_
Son polinomis anulladors daquest endomorsme:
1. j
1
(t) = t
2
4t + 4
2. j
2
(t) = t
3
7t
2
+ 16t 12
3. j
3
(t) = t
4
4t
3
+ 3t
2
+ 4t 4
ja que
1. j
1
()) = )
2
4) + 4id = 0
2. j
2
()) = )
3
7)
2
+ 16) 12id = 0
3. j
3
()) = )
4
4)
3
+ 3)
2
+ 4) 4id = 0
la qual cosa es comprova de forma immediata a partir de la matriu da-
quests endomorsmes:
1. j
1
() =
2
4 + 41 = 0
160 Captol 6. Diagonalitzacio dendomorsmes
2. j
2
() =
3
7
2
+ 16 121 = 0
3. j
3
() =
4
4
3
+ 3
2
+ 4 41 = 0
Dentre ells, es j
1
(t) = t
2
4t +4 el de grau menor. A mes, no hi ha cap
polinomi de grau 1 que anulli lendomorsme. En efecte. Si nhi hagues
un de la forma (t) = t + c, aleshores hauria de ser () = + c1 = 0
la qual cosa es veu que no es possible. Per tant, doncs, el polinomi
j
1
(t) = t
2
4t+4 es el polinomi anullador mnim daquest endomorsme.
De totes maneres, es clar que no es pr`actic anar provant amb polinomis
de grau cada cop mes gran per trobar el polinomi anullador mnim. Els
resultats seg uents ofereixen una informacio important per a trobar-lo.
Proposicio 6.6.1. Les arrels del polinomi anullador mnim dun endo-
morsme son els valors propis daquest.
Remarca. Les multiplicitats algebraiques dels valors propis no tenen
per qu`e coincidir amb les multiplicitats daquests valors com a arrels del
polinomi anullador mnim (tot i que sempre son mes petites o iguals que
aquestes).
Teorema 6.6.1 (de Cayley-Hamilton). El polinomi caracterstic dun
endomorsme lanulla.
Una de les formes possibles de provar aquests dos darrers resultats es
tenint en compte el Teorema de triangulacio que hem incl`os en lAp`endix
daquest captol.
Finalitzem aquest apartat veient en un cas concret com podem aplicar
aquests resultats.
Exemple 6.6.2. Sigui ) un endomorsme dR
3
, del qu`e sabem que nes
anul
.
lador el polinomi j(t) = t
2
(t 2)(t 3). Amb aix`o podem deduir
que els valors propis de ) pertanyen al conjunt 0. 2. 3. Els casos que
es poden donar son els seg uents.
1. 0 es l unic valor propi de ). Aleshores el polinomi caracterstic de
) es Q
f
(t) = t
3
i j
f
(t) es, o be t o be t
2
.
2. 2 es l unic valor propi de ). Aleshores el polinomi caracterstic de
) es Q
f
(t) = (t 2)
3
i j
f
(t) = t 2.
6.6. El Teorema de Cayley-Hamilton 161
3. 3 es l unic valor propi de ). Aleshores el polinomi caracterstic de
) es Q
f
(t) = (t 3)
3
i j
f
(t) = t 3.
4. 0 i 2 son els valors propis de ). Aleshores el polinomi caracterstic
de ), Q
f
(t), es o be t
2
(t 2) o be t(t 2)
2
i j
f
(t) es, o be t(t 2)
o be t
2
(t 2).
5. 0 i 3 son els valors propis d). Aleshores el polinomi caracterstic
de ), Q
f
(t), es, o be t
2
(t 3) o be t(t 3)
2
i j
f
(t) es, o be t(t 2)
o be t
2
(t 3).
6. 2 i 3 son els valors propis de ). Aleshores el polinomi caracterstic
de ), Q
f
(t), es, o be =(t 2)
2
(t 3) o be (t 2)(t 3)
2
i j
f
(t) es,
o be (t 2)t(t 2).
7. 0, 2 i 3 son valors propis de ). Aleshores el polinomi caracterstic
de ) es Q
f
(t) = t(t 2)(t 3) i j
f
(t) es tambe t(t 2)(t 3).
Del Teorema de Cayley-Hamilton es pot deduir una forma de trobar
lendomorsme invers dun endomorsme bijectiu.
Exemple 6.6.3. Sigui ) lendomorsme dR
3
la matriu del qual, en la base
natural, es:
=
_
_
2 1 1
1 2 1
1 1 2
_
_
El polinomi caracterstic daquest endomorsme es igual a
Q
f
(t) = (t 1)
2
(t 4)
Per tant,
( 1)
2
( 41) =
3
6
2
+ 9 41 = 0
don es pot deduir
_
1
9

3
2
+
9
4
1
_
= 1
i, per tant,

1
=
1
9

3
2
+
9
4
1
162 Captol 6. Diagonalitzacio dendomorsmes
6.7 Ap`endix A
Triangulaci o dendomorsmes
En general, encara que un endomorsme dun espai vectorial de dimensio
nita no sigui diagonalitzable, s que es possible de trobar una base en
la qu`e la seva matriu es senzilla: la forma reduda de Jordan, que es una
matriu diagonal a blocs, i triangular. Trobar aquesta forma reduda ex-
cedeix dels objectius daquest curs. Incloem aqu, no obstant, el resultat
que arma que per a tot endomorsme existeix una base en la qu`e la
seva matriu es triangular (superior), ja que amb ell es poden completar
les demostracions dels resultats que es presentaven en la darrera seccio
daquest tema. L unica condicio que necessitem imposar es que el poli-
nomi caracterstic de lendomorsme descompongui totalment en 1 (si
treballem sobre C aix`o sempre passa).
Teorema 6.7.1. Sigui ) un endomorsme dun espai vectorial 1 de
dimensio nita :. Si els valors propis d ) son tots a 1, aleshores existeix
una base d1 tal que la matriu d) en aquesta base es triangular superior,
amb els valors propis a la diagonal.
Demostracio. Per induccio sobre :.
Si : = 1, no hi ha res a provar.
Suposem ara el resultat cert per a espais vectorials de dimensio ns a
: 1. Sigui
1
un dels valors propis de ), i
1
un vector propi de valor
propi
1
. Considerem una base d1 de la qual sigui el primer vector
1
,
n = (
1
. n
2
. . . . . n
n
)
Posem 1 = [n
2
. . . . . n
n
].
La matriu de lendomorsme ) en la base n es de la forma:
=
_
_
_
_
_

1
c
1
2
. . . c
1
n
0
.
.
. 1
0
_
_
_
_
_
Posem p a lendomorsme d1 la matriu del qual, en la base (n
2
. . . . . n
n
)
es 1. At`es que Q
f
(t) = det(t1) = (
1
t)Q
g
(t), els valors propis de p
6.8. Ap`endix B 163
seran
2
. . . . .
n
, els restants valors propis de ). Per hip`otesi dinduccio,
existeix una base (
2
. . . . .
n
) d1 tal que la matriu de p en aquesta base
es triangular superior amb els valors propis
2
. . . . .
n
a la diagonal.
Observeu que = (
1
.
2
. . . . .
n
) es una base d1, i la matriu de lendo-
morsme ) en aquesta base es triangular, amb
1
.
2
. . . . .
n
a la diago-
nal, com es volia provar.
6.8 Ap`endix B
Descomposicio a valors singulars
Si `
mn
(1) es una matriu quadrada qualsevol, la matriu
t
es
sim`etrica, com es comprova f`acilment. Pel teorema espectral real, aquesta
matriu diagonalitza.
Denicio 6.8.1. Sanomenen valors singulars de la matriu a larrel
quadrada (positiva) dels valors propis de la matriu
t
.
La relacio entre el rang de la matriu i els seus valors singulars ve
expressat en el resultat seg uent.
Proposicio 6.8.1. El nombre de valors singulars no nuls duna matriu
es igual al rang daquesta matriu.
A mes, es compleixen la relacio seg uent.
Proposicio 6.8.2. El producte dels valors singulars duna matriu coin-
cideix amb el determinant daquesta matriu en valor absolut.
Si :
1
. . . . :
r
. 0. . . . . 0 son els valors singulars duna matriu , aleshores po-
dem descompondre la matriu en producte duna matriu en la diagonal
de la qual apareixen aquests valors singulars i de dues matrius ortogonals.
Teorema 6.8.1. Si `
mn
(1) te valors singulars no nuls :
1
. . . . :
r
,
aleshores es pot escriure
= o
_
_
_
_
_
_
_
_
_
:
1
.
.
.
:
r
0 . . . 0
.
.
.
.
.
.
0 . . . 0
_
_
_
_
_
_
_
_
_
1 o be = o
_
_
_
:
1
0 . . . 0
.
.
.
.
.
.
.
.
.
:
r
0 . . . 0
_
_
_
1
164 Captol 6. Diagonalitzacio dendomorsmes
segons si : : o be : < :, respectivament, i essent o i 1 matrius
ortogonals.
Exemple 6.8.1. Els valors singulars de la matriu
=
_
_
0 0 18
1 0 11
0 1 6
_
_
son: 22.69, 1.02 i 0.39.
6.9 Aplicacio a la qumica
Efecte Stark
Considerem el desdoblament que es produeix en el segon nivell energ`etic
dun `atom dhidrogen per efecte dun camp el`ectric extern dintensistat
1 i dirigit segons leix .. Suposem que l`atom es troba en algun estat del
nivell 1
2
. Es pot prescindir del factor dspin en les funcions dona del
sistema, ja que ni el hamiltoni`a no pertorbat ni la pertorbacio inclouen
operadors dspin.
Els orbitals
2s
,
2p
x
,
2p
y
,
2p
z
son una base del subespai corresponent.
La matriu que representa la pertorbacio en aquesta base es:
=
_
_
_
_
0 0 0 31
0 0 0 0
0 0 0 0
31 0 0 0
_
_
_
_
els valors propis de la qual son: 31, 0(2) i 31.
Es dedueix daqu que la pertorbacio ha desdoblat el nivell 1
(0)
2
de l`atom
allat en tres nivells, un dells doblement degenerat.
Calculem els vectors propis corresponents a cada valor propi:
Ker ( + 31) = [(1. 0. 0. 1)]
Ker = [(0. 1. 0. 0). (0. 0. 1. 0)]
Ker ( 31) = [(1. 0. 0. 1)]
Obtenim daquesta manera una base de lespai formada per vectors propis:
_
1

2
(1. 0. 0. 1). (0. 1. 0. 0). (0. 0. 1. 0).
1

2
(1. 0. 0. 1)
_
6.10. Comentaris nals 165
i que, a mes, es ortonormal (en el captol seg uent veurem que aix`o sempre
es possible, quan la matriu es real i sim`etrica).
Concloem que les funcions dordre zero correctes son:

(0)
1
=
1

2s
+
1

2p
z

(0)
2
=
2p
x

(0)
3
=
2p
y

(0)
4
=
1

2s

2p
z
6.10 Comentaris nals
El conjunt de matrius que son diagonalitzables es gen`eric dins de les-
pai de les matrius quadrades. Aix`o signica que, donada una matriu
a latzar, tenim una m`axima probabilitat de que aquesta matriu sigui
diagonalitzable.
El treballar amb la forma diagonal dun endomorsme, quan aquest es
diagonalitzable, es molt aventatj os des del punt de vista operatiu, ja que
facilita els c`alculs. A mes, subministra informacio de lendomorsme.
La diagonalitzacio de matrius sutilitza en molts problemes de diferents
camps: economia, demograa, explotacions forestals o agrcoles,... en
qu`e els models matem`atics dels sistemes tendeixen a una conguracio
permanent per a periodes de temps grans.
Aix per exemple, levolucio de les cadenes de Markov. A mes, el c`alcul de
pot`encies duna matriu, en base a la seva diagonalitzacio, permet fer esti-
macions a llarg perode de la propagacio de caracterstiques heredit`aries
danimals i plantes en gen`etica; lestudi del creixement duna poblacio
respecte el temps i la distribucio de las edats, etc.
Els vectors propis son molt utilitzats en mec`anica en relacio amb els
s`olid-rigids, ja que son els eixos principals din`ercia.
6.11 Exercicis
1. Trobeu els valors propis de lendomorsme dR
4
que ve denit per
)(r
1
. r
2
. r
3
. r
4
) = (r
1
+ r
3
. 2r
2
r
4
. r
3
+ r
4
. 2r
4
)
166 Captol 6. Diagonalitzacio dendomorsmes
2. Trobeu els valors propis de lendomorsme dR
5
que ve denit per
)(r
1
. r
2
. r
3
. r
4
. r
5
) = (r
1
. r
1
+ 2r
2
. r
3
. r
5
. r
4
)
3. Sigui ) lendomorsme dR
6
la matriu del qual, en la base can`onica
dR
6
, es
` =
_
_
_
_
_
_
_
_
1 2 1 0 2 5
0 1 0 0 0 0
1 3 1 0 8 9
0 0 0 2 0 0
0 0 0 0 4 12
0 0 0 0 1 3
_
_
_
_
_
_
_
_
Trobeu el seu polinomi caracterstic.
4. Trobeu el polinomi caracterstic de lendomorsme ) dR
3
que ve
donat per
)(r. . .) = (3 + 2.. 2r . r 2.) .
5. Estudieu la diagonalitzacio dels endomorsmes dR
3
les matrius
dels quals, en la base can`onica dR
3
, son:
=
_
_
1 2 0
2 3 0
2 1 2
_
_
1 =
_
_
1 4 2
0 3 0
1 1 1
_
_
6. Estudieu la diagonalitzacio dels endomorsmes dR
4
la matriu dels
quals, en la base can`onica dR
4
, son:
=
_
_
_
_
1 0 1 0
2 1 3 0
1 0 1 0
0 0 0 2
_
_
_
_
. 1 =
_
_
_
_
0 1 0 0
0 0 1 0
0 0 0 1
0 0 0 0
_
_
_
_
7. Estudieu la diagonalitzacio sobre R de lendomorsme ) dR
3
[t] que
ve denit per
)(c
0
+ c
1
t +c
2
t
2
+ c
3
t
3
) =
= (c
0
c
1
) + 2c
1
t c
2
t
2
+ (c
2
+ 2c
3
)t
3
.
8. Estudieu la diagonalitzacio de lendomorsme ) dR
3
[t] que ve
denit per )(1(t)) = 1

(t) 1

(0)t.
6.11. Exercicis 167
9. Sigui ) lendomorsme dR
3
tal que
)(r. . .) = (3r. + c.. 3r + /.)
Per a quins valors de c. / R es ) diagonalitzable?
10. Sigui ) lendomorsme dR
4
tal que
)(c
1
) = )(c
2
) = c(c
1
+ c
2
c
3
+ c
4
).
)(c
3
) = )(c
4
) = /(c
1
+ c
4
)
Estudieu la diagonalitzacio de ), segons els diferents valors de c. /
R i, en el cas en qu`e sigui diagonalitzable, trobeu una base de
vectors propis.
11. Sigui ) un endomorsme dun espai vectorial 1 sobre 1 de dimen-
sio :. Proveu que ) es injectiu si, i nomes si, Q
f
(0) ,= 0.
12. Considereu lendomorsme dR
4
que ve denit per
)(c
1
+c
2
) = 2(c
1
c
2
)
)(c
1
c
2
+ c
3
) = c
1
c
2
+ 3c
3
)(2c
2
+c
3
) = 2c
1
2c
2
+ 3c
3
)(c
4
) = 0
(a) Trobeu els valors propis daquest endomorsme, i, per a cadas-
cun dells, trobeu el subespai que formen els vectors propis
(junt amb el vector nul).
(b) Estudieu si diagonalitza.
13. Sigui )

lendomorsme dR
3
tal que
)

(c
1
) = )

(c
2
) = (c
1
+c
3
). c
3
Ker )

(a) Estudieu si )

es diagonalitzable.
(b) En cas armatiu, trobeu una base de vectors propis i la matriu
1

de )

en aquesta base.
14. Sigui ) lendomorsme dR[t] que ve denit per
)(j(t)) = tj

(t) + t
2
j

(t)
(a) Proveu que R
3
[t] = j(t) R[t] [ gr j 3 es un subespai
invariant per ).
168 Captol 6. Diagonalitzacio dendomorsmes
(b) Trobeu la matriu de )

R
3
[t]
en la base (1. t. t
2
. t
3
) de R
3
[t].
(c) Estudieu la diagonalitzacio de lendomorsme anterior.
15. Trobeu els valors propis i els vectors propis de lendomorsme )
dR
3
la matriu del qual, en una base dR
3
, es
` =
_
_
c c c
c c c
c c c
_
_
c R; c ,= 0 .
16. Per a quins valors de les constants c, /, c, d, c i ), la matriu
=
_
_
1 c d
2 / c
3 c )
_
_
te com a vectors propis (1. 0. 1), (1. 1. 0) i (0. 1. 1)?
17. Sigui ) : R
2
[t] R
2
[t] laplicacio lineal que ve denida per:
)(j(t)) = cj(t) j

(0)t
2
amb R. Quins son els valors propis i els vectors propis d)?
18. Existeix alguna base dR
2
[t] formada per vectors propis de len-
domorsme ) dR
2
[t] que te com a matriu associada, en la base
(1. t. t
2
),
=
_
_
1 2 3
1
2
1 1
1
3
1 1
_
_
?
En cas armatiu, doneu una base formada per vectors propis d).
19. Estudieu la diagonalitzacio, segons els diferents valors d, de la
matriu
=
_
_
1
1 + 1 +
0 0 2
_
_
20. Estudieu la diagonalitzacio de lendomorsme dR
4
la matriu del
qual, en la base natural dR
4
, es:
_
_
_
_
1 0 0 c
0 c c 0
0 c c 0
c 0 0 1
_
_
_
_
6.11. Exercicis 169
segons els valors del par`ametre c R. En els casos en qu`e sigui
diagonalitzable, doneu una base dR
4
formada per vectors propis.
21. Estudieu la diagonalitzacio, segons els diferents valors dc i /, con-
stants no nulles, de lendomorsme ) dR
3
que te com a matriu
associada, en la base natural,
` =
_
_
1 c c/
1
a
1 /
1
ab
1
b
1
_
_
En el cas en qu`e diagonalitzi, doneu una base de vectors propis.
22. Sigui ) lendomorsme d`
2
(R) tal que
)
__
1 0
0 0
__
=
_
0 1
1 1
_
.
)
__
0 1
0 0
__
=
_
0 1
1 1
_
.
)
__
0 0
1 0
__
=
_
0 1
1 1
_
.
)
__
0 0
0 1
__
=
_
0 1
1 1
_
.
Estudieu si es ) diagonalitzable.
23. Considereu lendomorsme dR
2
[t] que te per matriu, en la base
(1. t. t
2
),
=
_
_
0 3 9
1
3
0 3
1
9
1
3
0
_
_
(a) Proveu que aquest endomorsme diagonalitza.
(b) Trobeu una base dR
2
[t] formada per vectors propis.
(c) Determineu
1
a partir del Teorema de Cayley-Hamilton.
(d) Calculeu
p
, per a j N.
24. Calculeu
m
, per a : N, si
=
_
_
2 0 0
0 1 2
0 0 3
_
_
170 Captol 6. Diagonalitzacio dendomorsmes
25. Sigui ) un endomorsme dun 1-espai vectorial 1 de dimensio
nita :, i sigui un valor propi d). Proveu que els subespais
vectorials Im() id) i Ker() id) son invariants per ).
26. Sigui ) un endomorsme dun 1-espai vectorial 1 de dimensio
nita :, i sigui un valor propi d) i un vector propi de ) de
valor propi .
(a) Proveu per induccio que
m
es un valor propi d)
m
, per a
: 1.
(b) Proveu que es un vector propi d:) de valor propi :.
(c) Sigui p un altre endomorsme, si n es un vector propi de p )
de valor j. Proveu que )(n) es un vector propi d) p de valor
propi j.
27. Sigui ) un endomorsme dun 1-espai vectorial 1 de dimensio 3
tal que )
3
)
2
8) + 12id = 0. Quin es el polinomi caracterstic
d)? Qu`e es pot dir del polinomi anul
.
lador mnim d)?
28. Sigui ) un endomorsme de R
n
, ) ,= id, tal que )
2
2) + id = 0.
Determineu Q
f
(t) i j
f
(t).
29. Construir un endomorsme de R
3
tal que el seu polinomi anullador
mnim sigui t
2
(t 3).
6.12 Exercicis resolts amb Maple
with(LinearAlgebra):
A:=Matrix ([[1,1,1,2],[1,1,2,1],[1,2,1,1],[2,1,1,1]]);
:=
_

_
1 1 1 2
1 1 2 1
1 2 1 1
2 1 1 1
_

_
C`alcul del polinomi caracterstic
CharacteristicPolynomial(A,t);
t
4
4 t
3
6 t
2
+ 4 t + 5
6.12. Exercicis resolts amb Maple 171
C`alcul dels valors propis
Eigenvalues(A,output=list);
[5. 1. 1. 1]
C`alcul dels vectors propis
Eigenvectors(A);
_

_
1
5
1
1
_

_
.
_

_
1 1 1 0
1 1 0 1
1 1 0 1
1 1 1 0
_

_
C`alcul del polinomi anullador mnim
MinimalPolynomial(A,t);
5 t 5 t
2
+ t
3
C`alcul dels valors singulars
SingularValues(A, output=list)
[5. 1. 1. 1]
172 Captol 6. Diagonalitzacio dendomorsmes
Captol 7
Endomorsmes ortogonals i
sim`etrics
7.1 Introduccio
Tot i que les matrius ortogonals .ja havien estat utilitzades per Hermite
(segle XIX) va ser Frobenius qui va introduir formalment aquest concepte.
En aquest captol estudiarem dos casos especials dendomorsmes de R
n
,
els ortogonals i els sim`etrics. A R
n
hi considerarem el producte escalar
ordinari. Es pot fer un estudi mes general daquests tipus daplicacions:
els endomorsmes ortogonals i sim`etrics denits sobre un espai vectorial
euclidi`a qualsevol.
7.2 Aplicacio lineal adjunta
Sigui
=
_
_
_
c
11
. . . c
1n
.
.
.
.
.
.
c
m1
. . . c
mn
_
_
_
la matriu duna aplicacio lineal ) : R
n
R
m
en les bases can`oniques.
Podem considerar la matriu transposada
t
, que representa la matriu
173
174 Captol 7. Endomorsmes ortogonals i sim`etrics
duna aplicacio lineal )

: R
m
R
n
. Observem que donats r =
(r
1
. . . . . r
n
) R
n
i = (
1
. . . . .
m
) R
m
qualssevol es te )(r). ) =
r. )

()). ja que:
)(r). ) = (c
11
r
1
+ . . . + c
1n
r
n
)
1
+ . . . + (c
m1
r
1
+ . . . + c
mn
r
n
)
m
=
r. )

()) = (c
11

1
+ . . . + c
m1

m
)r
1
+ . . . + (c
1n

1
+ . . . +c
mn

m
)r
n
Denicio 7.2.1. Donada una aplicacio lineal ) : R
n
R
m
, es deneix
laplicacio )

: R
m
R
n
i sanomena aplicacio adjunta d), com l unica
aplicacio que verica
)(r). ) = r. )

()).
Si escrivim la matriu d) en bases ortonormals, la matriu d)

en les
mateixes bases, tant a R
n
com a R
m
, es la matriu transposada de la
matriu d).
Exemple 7.2.1. Sigui ) : R
2
R
3
tal que )(r
1
. r
2
) = (3r
1
+ r
2
. r
1

r
2
. 5r
2
). Les matrius d) i )

en les bases can`oniques dR

2
i R
3
son
=
_
_
3 1
1 1
0 5
_
_
. i
t
=
_
3 1 0
1 1 5
_
.
respectivament.
Propietats
Siguin ), p endomorsmes qualssevol de R
n
. Aleshores:
i) () + p)

= )

+ p

ii) ())

= )

iii) ()

= )
iv) () p)

= p

v) Si ) es invertible ()

)
1
= ()
1
)

.
7.3. Endomorsmes ortogonals 175
7.3 Endomorsmes ortogonals
Observem que
) : R
3
R
3
(r
1
. r
2
. r
3
) (r
1
. r
2
. r
3
)
p : R
3
R
3
(r
1
. r
2
. r
3
) (r
3
. r
1
. r
2
)
son aplicacions que conserven les longituds dels vectors i els angles.

Es
a dir,
|)(r)| = |r|.
)(r). )()) = r. )
|p(r)| = |r|.
p(r). p()) = r. )
per a vectors r. R
3
qualssevol.
`
Obviament aix`o no passa sempre. Per exemple, si considerem laplicacio
/ : R
3
R
3
, denida de la forma /(r) = 4r per a tot r R
3
, veiem
que |/(r)| = 4|r|, r R
3
.
Estem interessats en veure quins endomorsmes dR
n
conserven el pro-
ducte escalar i, per tant, la norma i els angles. Observeu que es equivalent
dir que un endomorsme de R
n
conserva el producte escalar que dir que
conserva la norma.
Denicio 7.3.1. Els endomorsmes de lespai euclidi`a R
n
tals que
)(n). )()) = n. ) per a vectors n. R
n
qualssevol sanomenem
ortogonals.
El resultat seg uent justica el nom que reben aquests endomorsmes.
Teorema 7.3.1. Sigui la matriu dun endomorme ) dR
n
en una base
ortonormal. Aleshores, ) es ortogonal si, i nomes si, aquesta matriu es
ortogonal:

1
=
t
(7.1)
Demostracio. En efecte. Si n es la base ortonormal considerada en 1,
aleshores donats vectors r. 1 qualssevol, posem A =
_
_
_
r
1
.
.
.
r
n
_
_
_
, 1 =
_
_
_

1
.
.
.

n
_
_
_
a les matrius columna formades amb les components dels vectors
176 Captol 7. Endomorsmes ortogonals i sim`etrics
r. en la base n, respectivament. Aleshores:
)(r). )()) = (A)
t
1 = A
t
(
t
)1
i r. ) = A
t
1 don es dedueix que necess`ariament
t
= 1.
Equivalentment, ) es ortogonal si, i nomes si, laplicacio adjunta es igual
a laplicacio inversa.
Exemple 7.3.1. Sigui ) un endomorsme dR
3
la matriu del qual, en la
base can`onica, es:
=
_
_
0 1 0
0 0 1
1 0 0
_
_
Observem que

t
=
_
_
0 0 1
1 0 0
0 1 0
_
_
_
_
0 1 0
0 0 1
1 0 0
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Per tant,
1
=
t
i ) es ortogonal.
De la denicio dendomorsme ortogonal es despr`en que tot endomor-
sme ortogonal transforma bases ortonormals en bases ortonormals. El
recproc tambe es cert.
Teorema 7.3.2. Un endomorsme es ortogonal si, i nomes si, transfor-
ma bases ortonormals en bases ortonormals.
Remarca. Com a conseq u`encia daquesta propietat, tenim que els en-
domorsmes ortogonals son bijectius.
Presentem a continuacio els endomorsmes ortogonals dR
2
i R
3
. Abans,
per`o, necessitem fer lobservaci o seg uent.
Remarca. Sigui ) un endomorsme ortogonal dR
n
a) Si lendomorsme ) diagonalitza, els unics valors propis possibles
son 1 i 1, ja que
|)(r)| = |r| = [[ |r| = |r| r R
n
i aix`o nomes es possible si [[ = 1.
7.3. Endomorsmes ortogonals 177
b) Si ) es un endomorsme ortogonal dR
n
, aleshores [ det )[ = 1; es
a dir, els unics valors possibles per a det ) son 1 i -1, ja que si es
la matriu d) en una base ortonormal,

t
= 1 = det(
t
) det() = 1 = (det())
2
= 1
c) Si
1
i
2
son vectors propis d) corresponents als valors propis 1 i
-1 respectivament.

1
.
2
) = )(
1
. )(
2
)) =
1
.
2
) =
1
.
2
).
don dedum que
1
.
2
) = 0; per tant,
1
i
2
son ortogonals.
Passem ja a obtenir els endomorsmes ortogonals dR
2
. Els unics
endomorsmes ortogonals dR
2
que diagonalitzen son els que tenen
per matrius, en una base ortonormal,
_
1 0
0 1
_
.
_
1 0
0 1
_
.
_
1 0
0 1
_
.
Si lendomorsme no diagonalitza, la seva matriu en una base
ortonormal qualsevol es de la forma:
_
cos sin
sin cos
_
Observeu que
_
1 0
0 1
_
,
_
1 0
0 1
_
son casos particulars que corre-
sponen a = 0. , respectivament. Aix doncs, els endomorsmes
ortogonals de R
2
son els que tenen per matriu, en una certa base
ortonormal,
_
1 0
0 1
_
que geom`etricament correspon a fer una simetria respecte duna
recta, i els que tenen per matriu, en qualsevol base ortonormal
dR
2
_
cos sin
sin cos
_
que geom`etricament correspon a fer un gir de centre lorigen i angle
.
El signe dep`en de lorientacio de la base (es a dir, si o es la ma-
triu de canvi de base respecte de la base can`onica, i det o = 1 es
(
cos sin
sin cos
) i, si det o = 1, es (
cos sin
sin cos
)).
178 Captol 7. Endomorsmes ortogonals i sim`etrics
Exemple 7.3.2. Sigui ) lendomorsme ortogonal la matriu del qual
en la base can`onica es
_
cos sin
sin cos
_
Considerem la base n
1
= c
2
. n
2
= c
1
. Aleshores o =
_
0 1
1 0
_
, per
tant det o = 1. La matriu de lendomorsme en aquesta nova
base es
_
0 1
1 0
__
cos sin
sin cos
__
0 1
1 0
_
=
_
cos sin
sin cos
_
Anem a estudiar quins son els endomorsmes ortogonals dR
3
.
Sigui ) un endomorsme ortogonal dR
3
. Sigui
1
un valor propi,
1
=
1 o be
1
= 1 (en tenir el polinomi caracterstic d) grau 3, almenys
ha de tenir una arrel real). Posem 1 = [
1
] si
1
es un vector propi de
m`odul 1 de valor propi
1
. El subespai vectorial 1 es invariant per ), i,
per tant, tambe ho es 1

. Siguin
2
.
3
1

tals que = (
1
.
2
.
3
) es
una base ortogonal dR
3
. En la base (
2
.
3
) la matriu d)
|F
ha de ser
de la forma
_
cos sin
sin cos
_
i, per tant, en la base , la matriu d) es de la forma:
_
_
1
cos sin
sin cos
_
_
Hem trobat aix, doncs, tots els endomorsmes ortogonals dR
3
.
Geom`etricament, els que en una certa base ortonormal tenen per matriu
_
_
1
cos sin
sin cos
_
_
corresponen a fer un gir dangle al voltant de la recta [
1
].
Els que en una certa base ortonormal tenen per matriu
_
_
1
cos sin
sin cos
_
_
7.4. Endomorsmes sim`etrics 179
corresponen a fer un gir dangle al voltant de la recta [
1
], seguida duna
simetria especular respecte del pla [
2
.
3
].
Per a valors concrets dels angles ( = 0. . ...) tenim que corresponen
a simetries especulars respecte dun pla, simetries axials respecte duna
recta, simetries centrals.
Mes en general, es demostra que els endomorsmes ortogonals dR
n
son
els que tenen per matriu associada, en una certa base ortonormal, una
matriu de la forma:
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
. . .
1
1
. . .
1
cos
1
sin
1
sin
1
cos
1
.
.
.
cos
m
sin
m
sin
m
cos
m
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
7.4 Endomorsmes sim`etrics
En el captol anterior hem estudiat la diagonalitzacio dendomorsmes.
Els endomorsmes diagonalitzables es poden expressar matricialment de
forma senzilla. Anem a veure amb un exemple que si un endomorsme
diagonalitza en una base ortonormal de vectors propis, es pot donar una
interpretacio geom`etrica de lendomorsme.
Exemple 7.4.1. Sigui ) : R
2
R
2
lendomorsme que te per matriu, en
la base can`onica,
_
2 0
0 3
_
Observem que el vector c
1
es transforma en el vector de la mateixa direc-
cio i sentit per`o de norma 2, i que el vector c
2
es transfoma en el vector
amb la mateixa direccio i sentit per`o de norma 3.
Tots els vectors del pla de norma 1 (son els que veriquen r
2
1
+ r
2
2
= 1)
es transformen en
r
2
1
4
+
r
2
2
9
= 1
180 Captol 7. Endomorsmes ortogonals i sim`etrics
(es a dir, la circumfer`encia de radi 1 sha deformat en lel
.
lipse de semieixos
2 i 3).
Aquesta intrepretaci o no shauria pogut fer tan f`acilment, si la base dels
vectors propis considerada no hagues estat ortonormal.
Els endomorsmes sim`etrics, que denim a continuaci o, representen un
conjunt dendomorsmes que diagonalitzen i per als quals podem trobar
una base ortonormal de vectors propis.
Denicio 7.4.1. Donat un endomorsme ) dR
n
, es diu que es sim`etric
si coincideix amb el seu adjunt
) = )

Alguns autors anomenen aquest tipus dendomorsmes deformacions.

De la propia denicio es despr`en la proposicio seg uent.
Proposicio 7.4.1. Un endomorsme sim`etric es aquell tal que la seva
matriu en una base ortonormal es sim`etrica.
A continuaci o veiem exemples dendomorsmes sim`etrics.
Proposicio 7.4.2. Sigui ) : R
n
R
n
un endomorsme qualsevol.
Aleshores )

) es sim`etric.
Demostracio.
()

))

= )

()

= )

).
Un exemple important es el seg uent.
Exemple 7.4.2. Sigui 1 un subespai vectorial dR
n
de dimensio : i sigui
G el seu complementari ortogonal. Considerem lendomorsme
: R
n
= 1 G R
n
n + n

Es f`acil veure que aquest endomorsme es sim`etric (rep el nom de pro-

jeccio ortogonal dR
n
sobre el subespai 1).
7.4. Endomorsmes sim`etrics 181
Un altre exemple no menys important es el seg uent.
Exemple 7.4.3. Sigui 1 un subespai vectorial dR
n
de dimensio : i sigui
G el seu complementari ortogonal. Considerem lendomorsme
: R
n
= 1 G R
n
n + n

Es f`acil veure que aquest endomorsme es sim`etric (rep el nom de simetria

dR
n
respecte el subespai 1). Observem que aquest endomorsme, a mes,
es ortogonal.
El resultat mes important daquest tipus dendomorsmes es el seg uent.
Teorema 7.4.1 (Teorema espectral real). Tot endomorsme sim`etric
diagonalitza en una base ortonormal, formada per vectors propis.
Per a la demostracio daquest teorema necessitem els lemes seg uents.
Lema 7.4.1. Siguin n i dos vectors propis de valors propis i j difer-
ents. Aleshores n i son ortogonals.
Demostracio.
)(n). ) = n. ) = n. )
)(n). ) = n. )()) = n. j) = jn. )
per tant (j)n. ) = 0 i com que ,= j es te que n i son ortogonals.
Lema 7.4.2. El polinomi caracterstic de tot endomorsme sim`etric de-
scompon completament a R.
Passem ara a demostrar el teorema espectral real.
Demostracio. Es fa per induccio sobre : =dim1.
Si : = 1, lenunciat del teorema es evident. Suposem, doncs, que es
cert ns a dimensio : 1. Sigui
1
un valor propi (real) de lendo-
morsme ), i sigui
1
un vector propi de ) de valor propi
1
unitari.
Podem identicar el subespai [
1
]

amb R
n1
. Per la hip`otesi dinduc-
cio, la restriccio de lendomorsme ) al subespai [
1
]

ademet una base

ortonormal (
2
. . . . .
n
) de vectors propis, en ser tambe aquest endomor-
sme restriccio sim`etric.

Es f`acil comprovar ara que (
1
. . . . .
n
) es una
base ortonormal dR
n
formada per vectors propis de ).
182 Captol 7. Endomorsmes ortogonals i sim`etrics
Exemple 7.4.4. Sigui ) lendomorsme dR
2
amb matriu en la base can`onica
=
_
3 1
1 3
_
Clarament ) es sim`etric, ja que la seva matriu es sim`etrica. Observem
que en la base ortonormal n
1
=
_

2
2
.

2
2
_
. n
2
=
_

2
2
.

2
2
_
lendo-
morsme diagonalitza:
_
_
_

2
2

2
2
2
2

2
2
_
_
_
_
3 1
1 3
_
_
_
_

2
2

2
2
2
2

2
2
_
_
_
=
_
4 0
0 2
_

Es a dir, la circumfer`encia unitat es transforma en una el

.
lipse de semieixos
4 i 2, en les direccions dels vectors propis.
Aix doncs, si ) es un endomorsme sim`etric amb polinomi caracterstic
Q
f
(t) = (1)
n
(t
1
)
n
1
. . . (t
r
)
n
r
, es te que
R
n
= Ker ()
1
id). . . Ker ()
r
id)
Com a conseq u`encia daquest teorema tenim el resultat seg uent.
Corol
.
lari 7.4.1. Si
1
, . . . ,
r
son els valors propis de lendomorsme
) i
1
, . . . ,
r
son els endomorsmes projeccio ortogonal de R
n
sobre els
subespais vectorials Ker ()
1
id), . . . , Ker ()
r
id), aleshores:
) =
1

1
+ +
r

r
Aquesta sanomena la descomposicio espectral de lendomorsme ).
At`es que
i

i
=
i
per a i. . . . . : i que
i

j
= 0 si i ,= ,, es dedueix
daquest corollari que
)
m
=
m
1

1
+ +
m
r

r
:
A mes, daquesta darrera igualtat es dedueix que
j()) = j(
1
)
1
+ + j(
r
)
r
7.4. Endomorsmes sim`etrics 183
per a tot polinomi j(t) R[t]. De fet, si es una funcio analtica
qualsevol,
()) = (
1
)
1
+ +(
r
)
r
La lectura en llenguatge matricial del teorema espectral es la seg uent.
Si `
n
(R) es una matriu sim`etrica, existeix una matriu ortogonal o
tal que o
t
o es una matriu diagonal. El corol
.
lari anterior te la seg uent
interpretacio a nivell matricial.
Si
1
, . . . ,
r
son els valors propis de la matriu amb multiplicitats
respectives :
1
, . . . , :
r
, aleshores:
=
1
_

_
o
t
_
_
_
_
1
.
.
.
(n
1
1
0
.
.
.
0
_
_
_
_
o
_

_
+ . . . +
r
_

_
o
t
_
_
_
_
0
.
.
.
0
1
.
.
.
(n
r
1
_
_
_
_
o
_

_
Aquesta es lanomenada descomposicio espectral de la matriu .
Exemple 7.4.5. Considereu la matriu
=
_
_
_
_
2 3 0 3
3 2 0 3
0 0 1 0
3 3 0 2
_
_
_
_
Els seus valors propis son: 1(2), 1 i 8.
Posem o a la matriu els vectors columna de la qual formen una base
ortonormal de vectors propis de la matriu ,
o =
_
_
_
_
_
1

2
1

6
0
1

3
1

2
1

6
0
1

3
0 0 1 0
0
2

6
0
1

3
_
_
_
_
_
La descomposicio espectral de la matriu es:
= (1)
_
o
t
_
1
1
0
0
_
o
_
+
_
o
t
_
0
0
1
0
_
o
_
+ 8
_
o
t
_
0
0
0
1
_
o
_
De fet per a un endomorsme qualsevol tenim la proposicio seg uent.
184 Captol 7. Endomorsmes ortogonals i sim`etrics
Proposicio 7.4.3. Sigui ) un endomorsme qualsevol dR
n
. Aleshores
el podem descompondre en composicio dun endomorsmes sim`etric (de-
formacio) per un endomorsme ortogonal (que conserva la forma).
Exemple 7.4.6. Sigui ) lendomorsme dR
2
la matriu del qual en base
canonica es
=
_
2 1
2 1
_
que no es ni sim`etric ni ortogonal.
Observem que
=
_
2 1
2 1
_
=
_
_
_

2
2

2
2
2
2

2
2
_
_
_
_
2

2 0
0

2
_
= C o
C es una matriu ortogonal i o es sim`etrica i els valors propis de o son
les arrels quadrades positives dels valors propis d
t
.
Exemple 7.4.7. Sigui ) lendomorsme dR
2
la matriu del qual en base
can`onica es
=
_
2 4
2 4
_
que no es ni sim`etric ni ortogonal.
Observeu que
=
_
2 4
2 4
_
=
_
_
_
3

10
1

10

10
3

10
_
_
_
_
_
_
_
2

5
4

5
4

5
8

5
_
_
_
_
= C o
C es una matriu ortogonal i o es sim`etrica i els valors propis do son
larrel quadrada positiva del valor propi no nul d
t
i 0.
7.5 Ap`endix
Quasi-inversa duna matriu
7.5. Ap`endix 185
Sigui una matriu de `
nm
(R). Considerem la matriu
t
, que es una
matriu sim`etrica i per tant, diagonalitza, essent els seus valors propis
positius o nuls:
_
_
_
_
_
_
_
_
_

1
.
.
.

r
0
.
.
.
0
_
_
_
_
_
_
_
_
_

i
0 per a 1 i :. Denotem per
1
2
=
_
_
_

1
.
.
.

r
_
_
_
.
Considerem la matriu dordre ::

+
=
_
1
1
0
0 0
_
(7.2)
on
1 =
_
_
_

1
.
.
.

r
_
_
_
Denicio 7.5.1. Sanomena quasi-inversa de la matriu `
nm
(R) a
la matriu

+
= \
+
l
on \ i l son matrius ortogonals formades per les bases ortonormals
de (
1
. . . . .
m
) dR
m
i (n
1
. . . . . n
n
) dR
n
tals que
i
=

i
n
i
, per a
1 i :.
Els vectors de \ es determinen buscant una base ortonormal en la qual la
matriu
t
diagonaliza, els vectors n
1
. . . . . n
r
fent n
i
=
1

i
i despres
es completa a una base ortonormal.
Exemple 7.5.1. Sigui
=
_
_
1 2
1 2
1 2
_
_
.
186 Captol 7. Endomorsmes ortogonals i sim`etrics
Aleshores

t
=
_
3 6
6 12
_
i els seus valors propis son 15 i 0, per tant

t
=
_
_

15
15
0 0
0 0 0
_
_
.
Determinem \ :
1
es un vector propi normalitzat de valor propi 15
de
t
,
1
=
1

5
(1. 2);
2
es el vector propi de valor propi 0, tambe
normalitzat,
2
=
1

5
(2. 1),
\ =
_
_
_

5
5
3

5
5
2

5
5

5
5
_
_
_
Per calcular l fem
n
1
=
1

15

1
=
_

3
3
.

3
3
.

3
3
_
i completem a una base ortonormal dR
3
.
Finalment,

+
=
1
15
_
1 1 1
2 2 2
_
.
Observem que si la matriu es quadrada i invertible aleshores
+
=
1
.
La matriu quasi-inversa serveix per a resoldre sistemes dequacions lineals
sobredeterminats, es a dir sistemes que son incompatibles per`o la incom-
patibilitat ve donada per errors de medicio. Es tracta, doncs, de resoldre
aquests sistemes de forma aproximada. Si tenim el sistema r = /,
incompatible aleshores donem com a solucio aproximada la donada per
r
0
=
+
/
Aquesta solucio es la que millor aproxima per mnims quadrats.
Proposicio 7.5.1. Donat el sistema r = /, es verica que:
7.6. Aplicacio a la qumica 187
i) la solucio r
0
=
+
/ minimitza |r /| respecte a r.
ii) de tots els vectors r que minimitzan |r /|, r
0
es de norma
mnima
Geom`etricament, tenim que la incompatibilitat dun sistema r = / es
deguda a que / , Im. Per tant, si canviem / per una altre vector
/
1
Im el nou sistema r = /
1
es compatible. Es tracta doncs de
canviar / per /
1
Im que sigui el mes proper, i aquest es la projeccio
ortogonal de / sobre el subespai vectorial Im, /
1
=
ImA
(/).
En el cas particular en que la matriu `
nm
(R) del sistema es de
rang m`axim igual a : :, es te que la solucio del sistema que millor
aproxima per mnims quadrats ve donada per
r = (
t
)
1

t
/
Observem que (
t
)
1

t
es la matriu de la projeccio ortogonal dR
m
sobre el subespai vectorial generat per les columnes de la matriu .
En el cas general, la solucio del sistema que millor aproxima per mnims
quadrats es r solucio de r = /
1
(en aquest cas, el sistema es compatible
indeterminat) de norma mnima, la qual cosa equival a exigir que tambe
r (Ker )

.
7.6 Aplicacio a la qumica
La llei de Lambert-Beer
La llei de Lambert-Beer arma que labsorb`ancia duna mostra es pro-
porcional a la seva concentracio (c) i al gruix de la mostra que atravessa
el feix de llum (/):
= /c
La constant de proporcionalitat sanomena absorvitat molar i es con-
stant per a una mostra determinada.
En el laboratori sovint per a determinar la concentraci o duna mostra
problema sutilitzen patrons de concentracions conegudes i es determina
labsorcio utilitzant un espectrofot`ometre. A partir daquestes concen-
tracions i absorb`ancies determinades es busca la recta patro, que es la
recta que millor aproxima els punts (c
i
.
i
) per mnims quadrats.
188 Captol 7. Endomorsmes ortogonals i sim`etrics
Per exemple, suposem que les dades que hem obtingut son:
c
i

i
10 mM 0.2
20 mM 0.3
30 mM 0.4
40 mM 0.7
Aleshores la recta de la forma = cr + / que millor aproxima aquest
punts es: =
9
500
r.
Finalment, es determina la concentraci o de la mostra amb lequacio
daquesta recta.
7.7 Comentaris nals
Sovint apareixen en la fsica i tambe en la qumica endomorsmes ortog-
onals i sim`etrics.
Donada una mol`ecula, una operacio de simetria molecular es aquella
que conserva les dist`ancies entre els nuclis dels `atoms que la formen i
la seva orientaci o. Poden ser: girs respecte dun eix, simetries axials,
simetries especulars o simetries centrals. Sha vist en aquest captol que
el conjunt daplicacions ortogonals amb la composicio te estructura de
grup no commutatiu. Tambe el conjunt de les operacions de simetria
duna mol`ecula donada forma un grup no commutatiu. Aquest grup
sanomena el grup de simetria de la mol`ecula. Aix per exemple, en el cas
duna mol`ecula de met`a (CH
4
), en qu`e l`atom de carboni es en el centre
dun cub i els `atoms dhidrogen son en quatre v`ertexs no consecutius
del mateix cub, els elements daquest grup son: id, les simetries axials
respecte dels eixos perpendiculars a cada parell de cares oposades del cub
i que passen pel seu centre, les simetries especulars respecte dels plans
parallels a un parell de cares del cub i que passen pel seu centre i els girs
dangle

2
amb eix un dels exisos perpendiculars a cada parell de cares
oposades del cub i que passen pel seu centre seguides de simetria respecte
del pla perpendicular (i que passa pel centre).
El Teorema espectral te una gran aplicabilitat dins de la mateixa `algebra
i de la geometria (per exemple, permet provar lexist`encia duna forma
reduda duna forma quadr`atica) i tambe en altres mat`eries: elasticitat i
resist`encia de materials, electricitat i mec`anica. Aix, per exemple, quan
tenim un s`olid-rgid que es is`otrop i el`astic, sotm`es a unes determinades
7.8. Exercicis 189
tensions, el Teorema espectral real ens assegura que existeixen tres direc-
cions tals que la tensio aplicada a elles produeix una deformacio nomes
en aquella direccio (eixos principals de deformacio).
7.8 Exercicis
1. Donats els endomorsmes )
1
. )
2
dR
2
les matrius dels quals, en la
base can`onica dR
2
, son:

1
=
_
4 6
9 1
_
.
2
=
_
14 6
1 9
_
Determineu els seus endomorsmes adjunts.
2. Donats els endomorsmes )
1
. )
2
dR
3
les matrius dels quals, en la
base can`onica dR
3
, son:

1
=
_
_
4 8 3
0 1 0
4 3 7
_
_
.
2
=
_
_
1 2 3
4 1 2
0 0 1
_
_
determineu els seus endomorsmes adjunts.
3. Estudieu si son, o no, ortogonals, els endomorsmes dR
2
les ma-
trius dels quals, en la base can`onica dR
2
, son:

1
=
_
2 1
1 1
_
.
2
=
_
0 1
1 0
_
.

3
=
_
1

2

1

2
1

2
1

2
_
.
4
=
_
1
2

3
2

3
2
1
2
_
En cas armatiu, digueu quina transformacio representen.
4. Estudieu si hi ha elements que resten xos en fer les transformacions
de lexercici anterior i, en cas armatiu, determineu-los
5. Estudieu si son, o no, ortogonals, els endomorsmes dR
3
les ma-
trius dels quals, en la base can`onica dR
3
, son:

1
=
_
_
1
3
2
3

2
3
2
3

2
3

1
3
2
3
1
3
2
3
_
_
.
2
=
_
_
0 1 0
1 0 0
0 0 1
_
_
.
3
=
_
_
1
3
2
3

1
3
2
3

1
3

1
3
1
3
1
3
2
3
_
_
En cas armatiu, digueu quina transformacio representen.
190 Captol 7. Endomorsmes ortogonals i sim`etrics
6. Estudieu si hi ha elements que resten xos en fer les transformacions
de lexercici anterior i, en cas armatiu, determineu-los
7. Sigui ) lendomorsme dR
3
, la matriu del qual en base canonica
es
=
_
_
c / /
/ c /
/ / c
_
_
Quina condicio han de vericar c i / per tal de que lendomorsme
sigui ortogonal?
8. Escriviu la matriu en la base can`onica de lendomorsme dR
2
tal
que el vector n
1
= (1. 1) es transforma en el vector (0.

2) i el
vector n
2
= (1. 1) en el (

2. 0).

Es ortogonal?
9. Determineu la imatge del vector (3. 1) pel gir respecte de lorigen
de R
2
dangle =

3
(en sentit antihorari).
10. A R
2
, determineu la matriu de la simetria respecte de la recta
2r = en la base can`onica dR
2
.
11. Determineu la matriu, en la base natural dR
3
, del gir deix
[(1. 1. 0)] i angle =

4
.
12. Determineu la matriu, en la base natural dR
3
, de la simetria axial
respecte de la recta r 2 = 3. = 0.
13. Determineu la matriu, en la base natural dR
3
, de la simetria es-
pecular respecte del pla r + 2 + 3. = 0.
14. Determineu la matriu, en la base natural dR
3
, del gir deix la recta
r = = . i angle =

4
seguida de simetria especular respecte del
pla r + + . = 0.
15. Sigui ) un endomorsme sim`etric de lespai euclidi`a ordinari R
3
,
tal que tr ) = 0, (1,1,-1) es un vector propi d) de valor propi 1 i
(1. 0. 1) Ker ). Justiqueu quin dels vectors seg uents es un vector
propi d) de valor propi 1 i/o -1:
a) (1,-2,1), b) (1,-2,-1), c) (1,0,1), d) (1,0,-1), e) (1,1,1).
16. La imatge del vector (3. 4) R
2
per un endomorsme ortogonal es
(0. ). Determineu el valor d.
7.8. Exercicis 191
17. Siguin ). p End (1) tals que ) es simetric i p es ortogonal. Proveu
que aleshores: (p ) p
1
)

p = p ).
18. Sigui ) un endomorsme de lespai euclidi`a 1, tal que )(n). ) =
n. )()), per a tot n. 1. Proveu que 1 = Ker ) Im).
19. Trobeu un endomorsme ortogonal ) dR
2
tal que per a tot vector
n R
2
, angle(n. )(n)) =

3
.
20. Donades les matrius

1
=
_
1 0 0
0 0 0
_
.
2
=
_
_
1 0
0 0
0 0
_
_
Proveu que
+
1
=
2
i
+
2
=
1
.
21. Resoleu utilitzant la matriu quasi-inversa el sistema
r = 4
= 5
r + = 6
2r + = 5
r + 2 = 4
_

_
22. Hem mesurat el volum dun gas 4 vegades i hem obtingut els
seg uents valors, \
1
= 150 cm
3
, \
2
= 153 cm
3
, \
3
= 150 cm
3
, \
4
=
151cm
3
. Quin volum li assignarem mitjancant el m`etode dels mnims
quadrats?
23. Calculeu la millor solucio aproximada del sistema:
2r
1
+ r
2
r
3
= 5
r
1
r
2
2r
3
= 2
r
1
+ r
2
= 1
r
2
r
3
= 1
_

_
24. Determineu la recta de la forma = cr + / que aproxima millor,
per mnims quadrats, els punts: (1. 1). (0. 1). (2. 1). (4. 2).
192 Captol 7. Endomorsmes ortogonals i sim`etrics
Bibliograa
1. M. A. Barja, M. I. Garca, M. C. Hernando, M. D. Magret,
F. Planas, C. Puig:
`
Algebra Lineal. Problemes resolts i comentats.
Colleccio Aula Pr`actica. Edicions UPC, 1993.
2. C. B. Boyer: Historia de la matem`atica. Madrid Alianza, 1996.
3. J. de Burgos:

Algebra lineal. McGraw Hill, 1993.
4. R. Carbo, J. A. Hernandez: Introduccion a la teora de matrices.
Alhambra, 1983.
5. M. Castellet, I. Llerena:
`
Algebra lineal i geometria. Manuals de la
Universitat Aut`onoma de Barcelona, 1988.
6. J. Claret, F. Mas, F. Sagues: Termodin`amica Qumica i Electro-
qumica. 2003.
7. J. W. Daniel, B. Noble:

Algebra Lineal Aplicada. Prentice-Hall,
1989.
8. M. I. Garca: Problemas resueltos de algebra lineal y geometra.
Ed. CPDA, 1991.
9. M. I. Garca, M. D. Magret: Matrices no negativas y aplicaciones,
Editado por las autoras, 2002.
10. M. I. Garca, S. Tarragona: Sistemas lineales discretos. Teora y
problemas, Editado por las autoras, 2005.
11. E. Hernandez:

Algebra y geometra. Addison Wesley UAM, 1994.
12. M. C. Hernando, M. D. Magret, C. Puig: Espais vectorials. Apli-
cacions lineals. Diagonalitzacio. Colleccio Aula Te`orica. Edicions
UPC, 1999.
193
194 Captol 7. Endomorsmes ortogonals i sim`etrics
13. S. Lang:

Algebra Lineal. Fondo Educativo Interamericano, 1976.
14. D. C. Lay: Linear Algebra and its Applications. Addison-Wesley,
1994.
15. J. C. Paniagua: Introduccio a la programacio per a qumics. Edi-
cions Universitat de Barcelona, 1997.
16. J. C. Paniagua, P. Alemany: Qumica Qu`antica. 2000
17. G. Strang:

Algebra lineal y sus aplicaciones. Addison-Wesley Iberoamer-
icana, 1982.
18. J. R. Torregrosa, C. Jordan:

Algebra Lineal y sus aplicaciones,
teora y problemas resueltos. Coleccion Schaums. McGraw Hill,
1987.
19. S. Xamb o:

Algebra Lineal y Geometras Lineales. Editorial Euni-
bar, 1977.