Algebra Lineal

`
Algebra
Lineal FME
Curs 2013/2014
Jordi Quer
11 de gener de 2013
Index
0 Resoluci
o de sistemes lineals
1 Espais vectorials
1.1 Escalars, vectors i matrius . . . . . . . .
1.2 Espais vectorials . . . . . . . . . . . . .
1.3 Vectors independents, generadors i bases
1.4 Eliminaci
o gaussiana . . . . . . . . . . .
1.5 Sistemes dequacions lineals . . . . . . .
1.6 Coordenades. Canvis de base . . . . . .
1.7 Intersecci
o i suma de subespais . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
14
18
21
22
27
28
2 Matrius
2.1 Producte de matrius
2.2 Matrius elementals .
2.3 Rang . . . . . . . . .
2.4 Determinant . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
32
32
36
38
40
.
.
.
.
3 Aplicacions lineals
3.1 Aplicacions lineals . .
3.2 Matriu duna aplicaci
o
3.3 Espai quocient . . . .
3.4 Espai dual . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
45
45
49
52
54
4 Endomorfismes
4.1 Vectors propis i valors propis .
4.2 Polinomi caracterstic . . . . .
4.3 Endomorfismes diagonalitzables
4.4 Forma de Jordan . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57
57
58
60
65
5 Espai euclidi`
a
5.1 Espai euclidi`
a . . . . . . . .
5.2 Matriu duna forma bilineal
5.3 Ortogonalitat . . . . . . . .
5.4 Projecci
o ortogonal . . . . .
5.5 Endomorfismes simètrics . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
76
77
79
84
. . . .
lineal
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
Captol 0
Resoluci
o de sistemes lineals
Els sistemes dequacions lineals apareixen contnuament en làlgebra lineal. Aquest captol
preliminar explica com es resolen els sistemes lineals per reduccio gaussiana, ja que serà necessari
resoldre sistemes des de bon comencament, sense preocupar-se de moment dargumentar perquè
aquest mètode d
ona correctament la solucio. La justificacio i les demostracions necessàries es
deixen per mes endavant, un cop es disposi de la terminologia i les propietats bàsiques dels
espais vectorials i les combinacions lineals de vectors.
Sigui K el cos Q dels nombres racionals, o el cos R dels nombres reals, o el cos C dels nombres
complexos, o qualsevol altre cos. Una equaci
o lineal sobre K en les variables X1 , . . . , Xn es una
equacio de la forma:
a1 X1 + a2 X2 + + an Xn = b,
on els coeficients ai de les variables i el terme independent b son elements del cos K.
Sistema dequacions lineals. Un sistema dequacions lineals de m equacions i n inc`
ognites
es un sistema dequacions:
a11 X1 + a12 X2 + + a1n Xn = b1
a21 X1 + a22 X2 + + a2n Xn = b2
am1 X1 + am2 X2 + + amn Xn = bm

on els coeficients aij i els termes independents bi son elements de cos K. Les Xj son les inc`
ognites
o variables del sistema.
El sistema es diu homogeni si tots els termes independents bi son zero.
Les solucions dun sistema lineal son les n-tuples delements de K que satisfan totes les
equacions. O sigui, els elements x = (x1 , x2 , . . . , xn ) Kn tals que quan se substitueix cada
variable Xi pel valor xi se satisfan totes les equacions del sistema.
Trobar les solucions dun sistema lineal es un problema matemàticament molt senzill. Les
aplicacions pr`
actiques de l`
algebra lineal a les ciències, la tecnologia i lenginyeria requereixen
resoldre sistemes lineals amb moltes equacions i incògnites, o sistemes en que els coeficients son
nombres aproximats. Per resoldre a la pràctica aquests sistemes, i tambe per controlar els errors
comesos en el proces de resoluci
o en funcio de la precisio amb que es coneixen els coeficients,
hi ha diverses tècniques i teories sofisticades, de les quals socupen lalgorsmica i els mètodes
numèrics.
2
DE SISTEMES LINEALS
CAPITOL 0. RESOLUCIO
Combinaci
o dequacions. Els sistemes 2 2 i alguns sistemes 3 3 es resolen molt fàcilment
sumant m
ultiples de les equacions. Per exemple, per resoldre el sistema seg
uent:
(
3X1 X2 = 1
2X1 + 3X2 = 14
sumant el triple de la primera equaci
o a la segona sobte: 9X1 + 2X1 = 3 + 14 X1 = 1, i
restant del doble de la primera el triple de la segona sobte: 2X2 9X2 = 2 42 X2 = 4.
Per tant la soluci
o del sistema es (X1 , X2 ) = (1, 4). Per resoldre el sistema seg
uent:
X1 X2 + X3 = 1
2X1 + 2X2 + X3 = 2
X1 + X2 X3 = 2
sumant el doble de la primera equaci
o a la segona sobte: 2X3 + X3 = 0 X3 = 0, sumant la
primera i la tercera sobte: X1 + X1 = 3 X1 = 32 , i finalment sumant la primera amb el doble
de la segona i el triple de la tercera queda: X2 + 4X2 + 3X2 = 6X2 = 1 4 + 6 = 3 X2 = 12 .
Per tant la soluci
o es (X1 , X2 , X3 ) = ( 23 , 12 , 0).
Reducci
o del nombre dequacions i variables. Una idea elemental que permet resoldre
qualsevol sistema es usar una equaci
o per posar una variable en funcio de les altres i substituir
aquesta expressi
o en les demes equacions, reduint daquesta manera el problema a resoldre un
sistema que te una equaci
o menys i una variable menys, fins que al final sarriba a tenir nomes
una u
nica equaci
o. Per exemple, per resoldre el sistema seg
uent:
(
2X1 + 2X2 8X3 = 1
3X1 2X2 2X3 = 1
salla X1 de la primera equaci
o: X1 = 1
2 X2 + 4X3 i se substitueix a la segona, que queda
3
3
3X
+
12X
2X
2X
=
5X2 + 10X3 = 1 5X2 + 10X3 = 25 . Daquesta

2
3
2
3
2
2
equacio resulta que X2 = 1
o que es tenia per a X1 sobte
2 + 2X3 i substituint X2 a lexpressi
1
X1 = 1
2X
+
4X
=
2X
.
Per
tant,
les
solucions
del
sistema
venen donades en termes
3
3
3
2
2
de la variable X3 per les igualtats seg
uents:
X1 = 2X3 ,
1
X2 = + 2X3 .
2
El sistema te infinites solucions, que sobtenen donant valors arbitraris a la variable X3 , que es
1
1
5
considera com un par`
ametre. Per exemple, (X1 , X2 , X3 ) = (0, 1
on
2 , 0), ( 2 , 0, 4 ), (2, 2 , 1) s
1
les solucions que corresponen als valors 0, 4 i 1 del paràmetre X3 .
Eliminaci
o gaussiana. El mètode estàndard per a resoldre sistemes lineals de manera raonablement eficient i sistem`
atica es coneix amb els noms deliminaci
o Gaussiana, o mètode de
Gauss o mètode de Gauss-Jordan, o tambe com a mètode del pivot. La idea es convertir el sistema
donat en un altre que tingui una forma tan simple que la seva resolucio sigui immediata, aplicant
una seq
uència de transformacions que no afectin les solucions. Les transformacions sanomenen
transformacions elementals i els sistemes als quals sarriba es diu que estan en forma esglaonada
reduda. A continuaci
o es descriu aquest mètode, deixant la justificacio per la seccio 1.5.
DE SISTEMES LINEALS
Transformacions elementals. Leliminacio gaussiana consisteix a aplicar al sistema lineal

donat certes transformacions, que sanomenen transformacions elementals, que poden ser dun
dels tres tipus seg
uents:
Tipus I: reordenar les equacions,
Tipus II: multiplicar una equaci
o per un element de K no nul,
Tipus III: sumar a una de les equacions un m
ultiple duna altra equacio.
P
Forma esglaonada reduda. Es diu que el sistema de m equacions lineals ni=1 ai,j Xj = bi
per a i = 1, . . . , m est`
a en forma esglaonada reduda si existeixen un enter r amb 0 6 r 6 m i r
enters ji amb 1 6 j1 < j2 < < jr 6 n tals que:
per a cada ndex i > r els coeficients son ai,j = 0 per a tot j = 1, . . . , n, i
per a cada ndex i amb 1 6 i 6 r es te:
ai,j = 0 per a tot j < ji ,
ai,ji = 1, i
ak,ji = 0 per a tot k 6= i.
El nombre r es diu el rang del sistema. La primera condicio diu que a les equacions a partir
de la r-èsima no apareixen les variables (totes tenen coeficient zero), o sigui, totes aquestes
equacions son de la forma 0 = bi . La segona condicio implica que cadascuna de les r variables
Xji nomes apareix en lequaci
o i-èsima, amb coeficient 1. Les posicions (i, ji ) per a i = 1, . . . , r
(o els coeficients ai,ji corresponents) sanomenen pivots en lalgorisme de reduccio gaussiana.
La resoluci
o dun sistema en forma esglaonada reduda es immediata: si alguna de les u
ltimes
m r equacions 0 = bi te coeficient bi 6= 0 aleshores el sistema no te solucio, ja que aquesta
equacio no se satisf`
a mai. En cas contrari, o sigui, si r = m o be les u
ltimes m r equacions son
totes 0 = 0 aleshores totes les solucions del sistema venen donades per les expressions seg
uents:
Xji = bi +
n
X
ai,k Xjk ,
k=r+1
on jr+1 , . . . , jn s
on els ndexs de {1, . . . , n} diferents de j1 , . . . , jr . Per trobar les solucions es
donen valors arbitraris a les n r variables Xjr+1 , . . . , Xjn que apareixen a la dreta de les
igualtats, i, per a cada elecci
o possible daquests n r valors, les igualtats donen els valors que
han de tenir les variables Xj1 , . . . , Xjr per tal que tots els n valors siguin una solucio.
Si r = n aleshores necess`
ariament ji = i i el sistema te solucio u
nica Xi = bi . Si r < n es
diu que el sistema te n r graus de llibertat, o que el conjunt de les seves solucions te dimensi
o
n r, per indicar que les solucions depenen de n r paràmetres als quals es poden assignar
valors lliurement, de totes les maneres possibles: les variables Xjr+1 , . . . , Xjn .
Terminologia segons les solucions. Segons com sigui el conjunt de les seves solucions, un
sistema es diu:
Incompatible si no te cap soluci
o: no existeix cap n-tupla delements de K que satisfaci
totes les equacions.
DE SISTEMES LINEALS
Compatible si te soluci
o. En aquest cas es diu que el sistema es:
determinat quan la soluci
o es u
nica, o
indeterminat si te mes duna solucio.
Forma matricial. Per a treballar amb sistemes lineals es còmode fer servir la notacio matricial
seg
uent. La matriu que te per entrades els coeficients de les variables:
A = (aij ) Mmn (K),
sanomena matriu del sistema. Te tantes files com equacions i tantes columnes com variables.
Dient X a la matriu columna que te per entrades les variables Xj i dient b a la matriu columna
amb entrades els termes independents bi , el sistema lineal es pot escriure en forma matricial de
la manera seg
uent:
AX = b,
A Mmn (K),
X Mn1 ,
b Mm1 (K).
Sanomena matriu ampliada del sistema la matriu:
a11 a1n b1

..
.. M
A b = ...
m(n+1) (K)
.
.
am1 amn bm
obtinguda afegint a la dreta de la matriu del sistema una columna mes que te per entrades els
termes independents de les equacions. Cada fila de la matriu ampliada correspon a una equaci
o
del sistema.
Algorisme de reducci
o gaussiana. En forma matricial leliminacio gaussiana es fa aplicant
transformacions elementals a les files de la matriu ampliada fins a aconseguir que la matriu del
sistema estigui en forma esglaonada reduda, tal com es descriu a continuacio.
Sigui t un enter amb 1 6 t 6 m. Suposis que les primeres t 1 files de la matriu del sistema
ja estan en forma esglaonada reduda (quan es comenca amb t = 1 això no imposa cap condicio).
O sigui, es tenen enters j1 < < jt1 amb ai,j = 0 si j < ji , ai,ji = 1 i ak,ji = 0 per a k 6= i.
Suposis que, a mes, per a tot i > t es te ai,j = 0 per a tot j 6 jt1 .
Aleshores, si tots els ai,j per a i > t son zero la matriu del sistema ja està tota en forma
esglaonada reduda i el proces sha acabat. En cas contrari sigui jt lenter mes petit tal que
existeix un ai,jt diferent de zero en una fila i > t. Gràcies a les condicions que compleixen els
coeficients de la matriu aquest enter necessàriament serà jt > jt1 . Aleshores sapliquen les
transformacions elementals seg
uents:
1. si i 6= t sintercanvien les files i-èsima i t-èsima de la matriu, i quedarà at,jt 6= 0,
2. es multiplica la fila t-èsima per a1
a at,jt = 1,
t,jt , i es tindr`
3. finalment, se suma a cada fila k-èsima amb k 6= t la fila t-èsima multiplicada per lescalar
ak,jt , de manera que despres quedi ak,jt = 0.
Un cop fet aix`
o, si t = m sha acabat. En cas contrari les primeres t files ja estan en forma
esglaonada reduda i, a mes, es compleix tambe la condicio ai,j = 0 per a i > t + 1 i tot j 6 jt .
Aleshores saugmenta t en una unitat i es repeteix el proces.
DE SISTEMES LINEALS
Exemple.
ampliada:
Es considera el sistema lineal de cinc equacions amb sis incògnites que te matriu
0
0 2 2 9 3
12
2 4
1
8
14
0 39
2 4
1 8 10
0
41
8 16
6
2
17
3 8
18
36 17 18 69 9
87
Es comenca amb t = 1. Es busca un coeficient ai,j 6= 0 amb la j mes petita possible. Per
exemple, a2,1 = 2. Per tant j1 = 1. Es posa aquest coeficient a la posicio (t, jt ) = (1, 1)
intercanviant la primera fila amb la segona. Un cop fet això es multiplica la primera fila per 12
per tenir at,jt = 1. Despres se suma a cada fila k-èsima (k 6= 1) la primera fila multiplicada per
ak,1 . El resultat es la matriu:
1
1 2
4
7
0 39
2
2
0
0 2 2 9 3
12
0
0
0 16 24
0
80
0
0
2 30 39
3
148
0
0 8
54
57 9 264
Sigui t = 2. Un coeficient ai,j 6= 0 amb i > 2 i la j mnima es per exemple a2,3 = 2. Per tant,
j2 = 3. No es necessari intercanviar files. Es multiplica la segona fila per 21 i se suma a totes
les demes files (k 6= 2) la segona fila multiplicada per ak,3 . Queda:
19
7
34
1 2 0
33
2
4
2
9
3
0
0 1
1
6
2
2
0
0 0 16 24
0
80
0
0 0 32 48
0
160
0
0 0
62
93
3 312
1
i es resta de
Ara t = 3. Com que a3,4 = 16 6= 0 es j3 = 4. Es multiplica la tercera fila per 16
cada fila amb k 6= 3 la tercera fila multiplicada per ak,4 , i la matriu es transforma en:
1 2 0 0 12 34
1
3
0
0 1 0
3
1
2
3
0
0 0 1
0
5
2
0
0 0 0
0
0
0
0
0 0 0
0
3 2
Amb t = 4. L
unic coeficient no nul de la matriu del sistema amb i > 4 es el coeficient a5,6 = 3.
Aleshores j4 = 6, shan dintercanviar les files quatre i cinc, despres es multiplica la quarta fila
per 13 i es resta de les files amb k 6= 4 la quarta fila multiplicada per ak,6 . La matriu queda:
1
1 2 0 0 12 0
2
0
0 1 0
3 0
0
3
0
0 0 1
2 0 5
0
0 0 0
0 1 32
0
0 0 0
0 0
0
DE SISTEMES LINEALS
Quan t = 5 totes les files de la matriu del sistema a partir de la quarta (o sigui, la cinquena)
contenen nomes zeros. Per tant lalgorisme sha acabat i la matriu ja està en forma esglaonada
reduda. Com que totes les equacions sense variables (en aquest cas la cinquena equacio) son
lequacio 0 = 0 i no hi ha cap equaci
o del tipus 0 = bi amb bi 6= 0, el sistema es compatible.
Ha quedat r = 4 i j1 = 1, j2 = 3, j3 = 4, j4 = 6. El sistema te dos graus de llibertat. Els
ndexs de les variables que fan de par`
ametres son els dos que queden: j5 = 2, j6 = 5. La soluci
o
del sistema, donada en funci
o daquests dos paràmetres, es:
X1 =
1
1
+ 2X2 + X5 ,
2
2
X3 = 3X5 ,
3
X4 = 5 X5 ,
2
2
X6 = .
3
Depend`
encia de lordre. Notis que en lalgorisme deliminacio gaussiana es considera que
tant les equacions com les variables estan ordenades segons un ordre preestablert: tpicament les
equacions es consideren ordenades segons lordre en que estan donades i les variables en lordre
en que estan escrites, o lordre alfabètic si son lletres diferents o lordre dels subndexs. Segons
lordenacio de les equacions i de les variables triada el proces pot resultar mes senzill i la manera
com sexpressen les solucions al final pot canviar, amb unes altres variables que facin el paper
de paràmetres.
En lexemple que sacaba de veure, si es consideren les variables ordenades en sentit invers,
o sigui, en lordre X6 , X5 , X4 , X3 , X2 , X1 , la matriu ampliada del sistema es:
3 9 2 2
0
0
12
0
14
8
1 4
2 39
0 10 8
1 4
2
41
3
17
2
6 16
8 8
9 69 18 17
36 18
87
i lalgorisme proporciona la forma esglaonada reduda seg
uent:
1 0 0 0
0
0 23
0 1 0 0
4 2 1
0 0 1 0 6
3 72
0 0 0 1 12
6
3
0 0 0 0
0
0
0
en que les variables que fan de par`
ametres son X2 i X1 i lexpressio de les solucions es:
2
X6 = ,
3
X5 = 1 4X2 + 2X1 ,
7
X4 = + 6X2 3X1 ,
2
X3 = 3 + 12X2 6X1 .
Naturalment, el conjunt de les solucions es el mateix i nomes canvia la manera de donar-lo.

Teorema de Rouch
e-Frobenius. Aquest teorema caracteritza el tipus de sistema en termes
del rang de la matriu del sistema i el rang de la matriu ampliada. Tal i com es veurà en el
captol 2, el rang de la matriu del sistema A = (aij ) es el nombre r de files no nul.les daquesta
matriu despres daplicar eliminaci
o gaussiana, i el rang de la matriu ampliada A b es igual
a r si en la matriu reduda les m r u
ltimes files son totes zero, o es igual a r + 1 si alguna
daquestes files te l
ultima entrada bi diferent de zero.
Lenunciat del teorema es el seg
uent:
DE SISTEMES LINEALS
Un sistema lineal es compatible si, i nomes si, el rang de la matriu del sistema es igual que
el rang de la matriu ampliada. En aquest cas, el sistema es determinat o indeterminat segons
que aquest rang com
u r sigui igual o mes petit que el nombre de variables n. Quan el sistema
es compatible indeterminat el nombre de graus de llibertat igual a n r.
Problemes
0.1. Digueu quines de les equacions seg
uents son equacions lineals:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
cos X + cos Y = 1,
2X + Y = 7Z cos 3 ,
X1 + X2 + X3 + X4 = 0,
xy + y z = xz ,
(X1 + X2 + X3 + X4 ) + (Y1 + Y2 + Y3 + Y4 ) = Z1 + Z2 + Z3 + Z4 ,
(u1 + u2 + u3 + u4 )(v1 + v2 + v3 + v4 ) = 8,
2 x + 3 y + 5 z = 7,
2 x + 3 y + 5 z = 7,
ax + b2 y + c3 z = d, on a, b, c, d R,
ax + b2 y + c3 z = d, on x, y, z R,
U 2 + V 2 = 1,
Pn
i
i=1 2 xi = 1,
P2
2 i
i=2 i Xi = 0.
0.2. Resoleu els sistemes lineals seg

uents fent combinacions de les equacions:
(
(a)
(c)
2X + 3Y = 5
3X 4Y = 16
X1 + X2 2X3 = 1
X1 + 2X2 X3 = 1
2X1 X2 + 2X3 = 0
1
1
X+ Y =2
3
2
(b)
4
X + 1Y = 5
3
2
2X + 3Y Z = 0
X 3Y + 2Z = 1
(d)
7X 3Y + 4Z = 1
0.3. Resoleu el sistema seg

uent, que te un grau de llibertat, posant dues de les tres variables en funci
o
de laltra de totes les maneres possibles:
(
X + 2Y + 3Z = 0
3X + 2Y + Z = 1
0.4. Expliqueu perquè el sistema
x+y+z =2
x + 2y + 3z = 1
y + 2z = 0
es incompatible. Canvieu el terme independent de la tercera equacio per un valor que faci el sistema
compatible (quines possibilitats hi ha?) i doneu-ne la solucio.
Feu el mateix, per`
o ara canviant el terme independent de la segona equacio. Les solucions son les
mateixes?
DE SISTEMES LINEALS
0.5. Calculeu la forma esglaonada reduda del sistema seg

uent i escriviu la seva solucio, considerant les
quatre variables ordenades de les maneres seg
uents: (1) ordre normal x1 , x2 , x3 , x4 , (2) ordre invers
x4 , x3 , x2 , x1 i (3) ordre x2 , x1 , x4 , x3 :
x1 + x2 + x3 + x4 = 4
x1 x2 = 1
5x1 + 3x2 + x3 x4 = 0
0.6. Resoleu els sistemes seg

uents calculant la seva forma esglaonada reduda, amb les variables ordenades segons lordre alfabètic.
T +U =1
2X
3Y
+
8Z
=
6
X
+
4X
+
X
2X
=
4
2
5
6
U +V =1
Y 4Z = 11
X3 + X4 X5 = 3
V +W =1
Z = 1
X4 4X5 + 10X6 = 1
W +X =1
A continuaci
o torneu-ho a fer considerant les variables ordenades al reves.
0.7. De vegades shan de resoldre diversos sistemes lineals AX = bi tots amb la mateixa matriu A per`
o
amb diferents vectors de termes independents bi . Expliqueu com es pot fer aquest càlcul aplicant
eliminaci
o gaussiana a una u
nica matriu i apliqueu-ho als exemples seg
uents:

3 6 2
1
4
49
0
.
5
13
4
1
11
98
1
(a) A =
,
b1 =
, b2 =
, b3 =
, b4 =
1
3 1
0
3
21
0

9
14
1
1 1 3 0
21
36
3
2 2 7 0

b1 =
(b) A =
2 , b2 = 3 , b3 = 3 .
1 1 0 1 ,
9
10
6
3 3 0 3
0.8. Donada una matriu quadrada A Mn (K) es considera la matriu (A|1n ) Mn2n (K) formada
per dos blocs quadrats: a lesquerra hi ha la matriu A i a la dreta la matriu identitat. Suposis
que en aplicar eliminaci
o gaussiana a aquesta matriu sobte una matriu de la forma (1n |B), amb
B Mn (K). Quina propietat te la matriu B?
0.9. Calculeu les inverses de les matrius seg
uents:
1
1 2 1
1
A = 3 8 2 ,
B=
0
4 9 1
0
3
D = 0
0
2
2
0
1
1
3
2 , E =
2
1
1
1 1 1
0 1 0
,
1 1 0
1 1 1
3
0
12 2
10
2
6
1
2
6
,
5
3
1
1
C=
2
3
1
1
F =
1
1
1
2
3
4
1
3
5
5
1
2
1
3
1
1
2
3
0.10. Digueu si existeixen sistemes que tinguin les mateixes solucions que el sistema:
1
2 X + 31 Y + 16 Z + T = 0
2X Y Z + 3T = 0
X + 4Y + 3Z = 0
que siguin de la forma seg
uent, i en cas que existeixin doneu-ne algun exemple:
1
4
,
5
8
1
2
.
1
2
DE SISTEMES LINEALS
1.
2.
3.
4.
5.
6.
10
de 4 equacions que contingui les dues primeres però no la tercera;

de 3 equacions que contingui lequacio X + Y + Z + T = 1;
de 3 equacions que contingui lequacio 32 X 89 Y + 13
6 Z + 4T = 0;
de 2 equacions que contingui la tercera però cap de les altres dues;
de 2 equacions que no siguin cap de les tres donades;
duna u
nica equaci
o.
0.11. Doneu exemples de sistemes del tipus seg

uent, si existeixen:
1. de n equacions amb n inc`
ognites incompatible,
2. de 5 equacions amb 3 inc`
ognites compatible determinat,
3. de 3 equacions amb n inc`
ognites amb n 2 graus de llibertat,
4. de n equacions amb n + 1 inc`
ognites compatible determinat.
0.12. Doneu sistemes amb les propietats seg
uents, si existeixen:
1. de tres equacions amb tres inc`

ognites i solucio u
nica ( 2, 2, 1/2),
2. de dues equacions amb quatre incògnites i solucio u
nica (1, 2, 3, 4),
3. de tres equacions amb quatre incògnites Xi i solucio depenent dun paràmetre T :
X1 = T,
X2 = 1 4T,
1
X3 = 2 + T,
2
X4 = T,
4. de tres equacions amb quatre incògnites i solucio depenent de dos paràmetres T1 , T2 :

X1 = T1 ,
X2 = 4 2T1 + T2 ,
X3 = T2 ,
X4 = 1 + T1 T2 .
5. de dues equacions amb dues incògnites i solucio depenent de tres paràmetres T1 , T2 , T3 :

X1 = 2 T1 + T2 ,
X2 = 3 + T1 T3 .
0.13. Discutiu els sistemes seg

uents en funcio dels paràmetres i :
X + Y + Z + T
X
+
Y
+
Z
=
X + Y + Z + T
X + Y + Z =
(a)
(b)
X + Y + Z + T
X + Y + Z =
X + Y + Z + T
(c)
X + 2Y = 1
X +Y +T =1
X
+
3Y
+
2Z + 2T = 1
2X + 6Y + 2Z + T =
2X + Y + Z
X + Y + Z + T
(d)
X + 2Y + T
X + Y
0.14. Trobeu els valors del par`

ametre per als quals la matriu
1 1
A = 2 1
3 1 1
te inversa. Calculeu la inversa per a = 1.
=1
=
= 2
= 3
=7
=
= 1
=
Captol 1
Espais vectorials
1.1
Escalars, vectors i matrius
Definici
o 1.1.1 (Cos) Un cos K es un conjunt on hi ha definides dues operacions, que es
denoten com la suma i el producte habituals, tals que:
1. La suma es associativa, commutativa, te element neutre, que es denota 0, i cada element
x K te un element invers, que es denota x.
2. El producte es associatiu, commutatiu, te element neutre, que es denota 1 i ha de ser 6= 0,
i cada element x 6= 0 te un element invers, que es denota x1 o 1/x.
3. El producte es distributiu respecte la suma: x(y + z) = xy + xz.
Exemples de cossos s
on: el cos Q dels nombres racionals, el cos R dels nombres reals i el cos
C dels nombres complexos.
En àlgebra lineal els elements dun cos sacostumen a anomenar escalars.
Definici
o 1.1.2 (Espai Kn ) Sigui K un cos. Es denota Kn = K K el conjunt producte
cartesià de n c`
opies de K. Els seus elements s
on les n-tuples:
x = (x1 , x2 , . . . , xn ),
amb components
xi K.
Definici
o 1.1.3 (Operacions a Kn ) En el conjunt Kn es defineixen la suma de n-tuples i el
producte dun escalar per una n-tupla de la manera seg
uent:
Suma: Donats x = (x1 , . . . , xn ) i y = (y1 , . . . , yn ) Kn la seva suma es
x + y = (x1 + y1 , . . . , xn + yn ) Kn .
Producte per un escalar: Donats x = (x1 , . . . , xn ) Kn i a K el seu producte es:
ax = (ax1 , . . . , axn ) Kn .
Definici
o 1.1.4 (Matrius) Sigui K un cos. Una matriu m n sobre K (o de mida m n) es
una famlia delements de K amb ndexs que s
on parells (i, j) del conjunt {1, . . . , m}{1, . . . , n},
11
CAPITOL 1. ESPAIS VECTORIALS

que es d
ona en una disposici
o rectangular de
a11 a12
a21 a22
..
..
.
.
A = (aij ) 16i6n =
16j6m
ai1 ai2
..
..
.
.
am1 am2
12
la forma seg
uent:
...
...
a1j
a2j
..
.
...
aij
..
.
. . . amj
a1n
a2n
..
.
,
. . . ain
..
.
. . . amn
...
...
aij K.
El conjunt de totes les matrius m n sobre K es denota Mmn (K).

Les entrades ai1 , . . . , ain s
on la fila i-èsima de la matriu i les entrades a1j , . . . , amj son la
columna j-èsima. La matriu A te m files i n columnes. Els elements de Kn sovint sidentifiquen
amb matrius columna de mida n 1 o amb matrius fila de mida 1 n. La matriu zero es la
matriu que te zeros a totes les entrades; es denota 0mn o simplement 0 si la mida ja queda
determinada pel context.
Quan m = n, es diu que A es una matriu quadrada. El conjunt Mnn (K) de les matrius
quadrades de mida n n se sol denotar tambe Mn (K). Les entrades a11 , . . . , ann duna matriu
quadrada son la seva diagonal. Una matriu quadrada (aij ) es diu diagonal si totes les seves
entrades fora de la diagonal s
on zeros: aij = 0 sempre que i 6= j. La matriu identitat de mida
n es la matriu de Mn (K) que te uns a la diagonal i zeros fora de la diagonal; se sol denotar 1n
o tambe I n , o simplement 1 si la mida ja es dedueix del context.
Definici
o 1.1.5 (Operacions amb matrius) Les matrius es poden sumar i multiplicar entre
elles, i tambe es poden multiplicar per un escalar, de la manera seg
uent:
Suma de matrius: Donades matrius A = (aij ) i B = (bij ) Mmn (K), totes dues de la
mateixa mida, la seva suma es la matriu A + B = C = (cij ) Mmn (K) amb entrades:
cij = aij + bij ,
1 6 i 6 m,
1 6 j 6 n.
Producte dun escalar per una matriu: Donats un escalar x K i una matriu A = (aij )
Mmn (K), el seu producte es la matriu xA = C = (cij ) Mmn (K) amb entrades:
cij = xaij ,
1 6 i 6 m,
1 6 j 6 n.
Producte de matrius: Donades matrius A = (aij ) Mmn (K) i B = (bij ) Mnp (K),
el seu producte es la matriu A B = C = (cij ) Mmp (K) amb entrades:
cij =
n
X
aik bkj ,
1 6 i 6 m,
1 6 j 6 p.
k=1
Notis que el producte de dues matrius A i B nomes està definit quan el nombre de columnes
de A coincideix amb el nombre de files de B. En aquest cas la matriu producte te tantes files
com la primera matriu A i tantes columnes com la segona matriu B.
La matriu inversa duna matriu quadrada A Mn (K) es una matriu B Mn (K) tal que
AB = BA = 1n . No totes les matrius quadrades tenen inversa; les que s que en tenen es diuen
matrius invertibles.
13
Problemes
1.1. Demostreu que a un cos K es te:
1. El neutre de la suma i del producte son u
nics.
2. Linvers per la suma dun element donat es u
nic, i tambe ho es linvers pel producte dun
element no nul.
3. (x) = x, (x) + (y) = (x + y), (x)y = (xy), (1)(x) = x, (x)(y) = xy.
4. 0x = 0, xy = 0 x = 0 o y = 0.
5. (x1 )1 = x, (xy)1 = x1 y 1 , x1 = x x = 1 o x = 1.
: r, s Q} R es un cos amb les operacions de

1.2. Comproveu que el conjunt Q( 2) := {r + s 2
suma i producte de nombres reals, i que Q Q( 2) R, amb inclusions estrictes.
1.3. Comproveu que el conjunt F2 = {0, 1} es un cos amb les operacions definides a les taules seg
uents:
+
0
1
0
0
1
0
1
1
1
0
0
0
0
1
0
1
que el conjunt F3 = {0, 1, 2} es un cos amb les operacions definides a les taules seg
uents:
+
0
1
2
0
0
1
2
1
1
2
0
0
1
2
2
2
0
1
0
0
0
0
1
0
1
2
2
0
2
1
i que el conjunt F4 = {0, 1, x, y} es un cos amb les operacions definides a les taules seg
uents:
+
0
1
x
y
0
0
1
x
y
1 x
1 x
0 y
y 0
x 1
0
1
x
y
y
y
x
1
0
0
0
0
0
0
1 x
0 0
1 x
x y
y 1
y
0
y
1
x
En altres assignatures de la carrera es veu que els cossos finits contenen un nombre delements
q = pr que es una potència dun nombre primer p, i que, per a cada potència de primer q, hi ha
essencialment un u
nic cos de q elements, que normalment es denota Fq , tot i que en alguns llocs,
especialment en aplicacions a lenginyeria i les TIC, tambe es fa servir la notacio GF(q), que es
llegeix Galois Field.
1.4. Caracterstica. Sigui K un cos. A cada nombre enter n Z se li fa correspondre un element
nK K de la manera seg
uent: 0K es el zero 0 K (lelement neutre de la suma); si n es positiu
aleshores nK = 1 + 1 + + 1 K es la suma de n vegades lelement 1 K (lelement neutre del
producte); finalment, si n es negatiu aleshores nK = (1) + (1) + + (1) es la suma de n
vegades lelement 1 K.
Demostreu que laplicaci
o n 7 nK respecta la suma i el producte:
(n + m)K = nK + mK
(n m)K = nK mK ,
i comproveu que es injectiva si, i nomes si, nK 6= 0 per a tot n Z diferent de zero.
Si aquesta aplicaci
o es injectiva es diu que el cos te caracterstica zero. En cas contrari es diu que
te caracterstica p, on p es lenter positiu mes petit tal que pK = 0.
Quina es la caracterstica dels cossos Q i R? i la dels cossos F2 , F3 i F4 del problema anterior?
Demostreu que la caracterstica dun cos, quan es un enter positiu, es un nombre primer.
14
1.5. Calculeu totes les matrius que puguin obtenir-se sumant o multiplicant dues de les matrius seg
uents:

1 1 1
1
0

2 1
1
A= 1 2 3
B = 1 1 1
C=
D= 0
0 1
1
1
1
1 1

0
1
0

2 0
0 1
F =
G= 0 0 1
H=
E=
0 0
0
2
1
0
0

1
2 2 2
a b c
0
1
I=
J = 2
K=
L = 2 2 2
d e f
1 0
3
2 2 2
1.6. Es consideren les matrius seg
uents:

A=
2
4
1 3
0 1

B=
4
5
1
1

2
2
C= 0
3
3
1
6
2
4
D= 3
1
2
5
3
Calculeu, si estan definides, les matrius seg

uents:
3A, 0B, A + B, B + C, C D, 3A + 4D, 2D 3C, (AC)2 , (A 2B)(3C D),
i tambe amb matrius seg
uents, on lexponent t indica la matriu transposada, que es la matriu que
sobte a partir duna de donada intercanviant files per columnes:
At A, AAt , CD t , (CD)t , C t D.
1.2
Espais vectorials
Definici
o 1.2.1 (Espai vectorial) Sigui K un cos. Un espai vectorial sobre K (o K-espai
vectorial) es un conjunt V , els elements del qual sanomenen vectors, on hi ha definides:
una operaci
o interna, la suma de vectors, que donats dos vectors u, v V els fa correspondre un vector suma u + v V , i
una operaci
o externa de K en V , el producte dun escalar per un vector, que donats un
escalar x K i un vector v V els fa correspondre un vector producte xv V ,
que satisfan les propietats seg
uents:
La suma es associativa, commutativa, te element neutre, que es denota 0, i tot vector
v V te un invers respecte la suma, que es denota v.
El producte per escalars satisf`
a:
(x + y)v = xv + yv,
on x, y, 1 K i u, v V .
(xy)v = x(yv),
1v = v,
x(u + v) = xu + xv,

Exemples.
15
Alguns exemples importants despais vectorials son els seg

uents:
Kn es lespai de les n-tuples x = (x1 , . . . , xn ) delements xi del cos K. La suma i el producte

per escalars s
on els de la definici
o 1.1.3.
Mmn (K) es lespai vectorial de les matrius m n sobre K amb la suma de matrius i el
producte per un escalar de la definicio 1.1.5.
K[X] es lespai vectorial dels polinomis en la variable X a coeficients en el cos K. La
suma es la habitual de polinomis, en que se sumen els coeficients de cada potència de X,
i el producte dun polinomi per un escalar consisteix a multiplicar tots els coeficients del
polinomi per aquest escalar.
F (R, R) es lespai de les funcions reals de variable real, o sigui les aplicacions f : R R
amb la suma de funcions f + g i el producte af dun escalar per una funcio definits de la
manera habitual com (f + g)(x) = f (x) + g(x) i (af )(x) = a(f (x)) per a tot x R.
Lanterior es un cas particular de lespai F (X, K) de les aplicacions definides a un conjunt
X qualsevol que prenen valors en un cos K qualsevol.
Definici
o 1.2.2 (Combinaci
o lineal) Siguin v 1 , . . . , v n vectors dun K-espai vectorial V . Una
combinacio lineal daquests vectors es un vector v V expressat de la forma:
v = x1 v 1 + x2 v 2 + + xn v n ,
amb escalars
xi K.
a dir, les combinacions lineals dels vectors v 1 , . . . , v n son aquells vectors de lespai que es
Es
poden obtenir multiplicant cada vector v i per un escalar xi i sumant els vectors obtinguts. Els
escalars xi son els coeficients de la combinacio lineal.
A lespai Km , donats n vectors v i = (a1i , a2i , . . . , ami ) i un vector v = (b1 , . . . , bm ), els
coeficients les combinacions lineals x1 v 1 + + xn v n = v son les solucions del sistema lineal de
m equacions i n inc`
ognites amb matriu ampliada que te a les primeres columnes les components
dels vectors v i , i a la columna de termes independents les components del vector v:
a11 a1n b1
..
..
.. .
.
.
.
am1
amn bm
Per tant, el problema de saber si un vector donat v Km es o no combinacio lineal dels vectors
v 1 , . . . , v n , i de trobar coeficients daquestes combinacions lineals si existeixen, es redueix a
resoldre un sistema de m equacions lineals en n incògnites. Notis que aqu les components dels
vectors v i shan escrit de tal manera que corresponguin a les columnes de la matriu; per a altres
propòsits conve pensar-los com a files duna matriu i els subndexs de la notacio van al reves.
Definici
o 1.2.3 (Subespai vectorial) Sigui V un K-espai vectorial. Un subespai vectorial
de V es un subconjunt W V que, en considerar la suma de vectors i el producte per escalars
que hereta com a subconjunt de V , es ell mateix un K-espai vectorial. O sigui, tal que:
1. si u, v W aleshores u + v W ,
2. 0 W ,
3. si u W aleshores u W , i
16
4. Si x K i v W aleshores xv W .
Notis que, de fet, l
unic que cal comprovar per veure que un subconjunt no buit es un subespai
es que la suma de vectors i el producte per escalars son operacions tancades al subconjunt,
que son les condicions 1 i 4; les condicions 2 i 3 son conseq
uència de 4 aplicada als escalars 0 i
1 (assegurar la condici
o 2 a partir de 4 requereix que el subconjunt sigui no buit).
Per exemple: el subconjunt Kn [X] K[X] dels polinomis de grau 6 n es un subespai
vectorial de lespai de tots els polinomis, el subconjunt C (R, R) F (R, R) de les funcions
contnues es un subespai vectorial de lespai de totes les funcions, i tambe ho es el subconjunt
de les funcions derivables.
Definici
o 1.2.4 (Subespai generat) Es denota hv 1 , . . . , v n i o tambe hv i i16i6n el subconjunt
dels vectors de V que s
on combinaci
o lineal dels vectors v 1 , . . . , v n :
hv 1 , . . . , v n i = {x1 v 1 + + xn v n : xi K} V.
Aquest subconjunt es un subespai vectorial de V .
P
P
Per veure que efectivament es un P
subespai vectorial siguin u =
xP
yi v i vectors
ivi i v =
de hv i i. Aleshores la suma u + v = (xi + yi )v i i el producte xv = (xxi )v i per un escalar
x K tambe s
on vectors de hv i i.
Si W V es un subespai aleshores la inclusio hv 1 , . . . , v n i W del subespai generat pels
vectors v i en el subespai W equival al fet que cadascun dels vectors v i pertanyi a W . En particular, una igualtat entre dos subespais hu1 , . . . , um i = hv 1 , . . . , v n i equival a que cadascun dels
vectors ui sigui combinaci
o lineal dels vectors v j i, recprocament, que cadascun dels v j sigui
combinacio dels ui .
Proposici
o 1.2.5 (Solucions de sistemes homogenis) El conjunt dels x = (x1 , . . . , xn )
Kn que s
on solucions de m equacions lineals homogènies:
n
X
aij xj = 0,
per a tot
i = 1, . . . , m
j=1
amb coeficients aij K es un subespai vectorial de lespai Kn .

Subespais definits per generadors i per equacions. Els subespais de Kn es poden donar
tant per generadors com per equacions, de les maneres descrites a les dues proposicions anteriors.
O sigui, com W = hx1 , . . . , xp i, on els xi son p vectors generadors, o be com W = {(x1 , . . . , xn ) :
P
n
j=1 aij xj = 0 per a 1 6 i 6 q} definit per q equacions en n variables. Per a trobar generadors
dun subespai definit per equacions o trobar equacions que defineixin un subespai coneixent uns
generadors cal resoldre sistemes dequacions lineals,
P tal i com sexplica a continuacio.
Donat un sistema dequacions homogènies
aij Xj = 0 la manera de trobar generadors de
lespai de les seves solucions es aplicar eliminacio gaussiana. A partir de les solucions, expressades
en funcio de d par`
ametres, donant el valor 1 a un dels paràmetres i zero als altres, de totes les
d maneres possibles, sobtenen generadors de lespai de solucions (de fet, sobte una base).
Per resoldre el problema invers, donat el subespai W = hx1 , x2 , . . . , xn i generat pels n
vectors xi = (xi1 , . . . , xim ) Km , hi ha dues maneres de procedir. La primera es considerar un
17
vector genèric X = (X1 , . . . , Xn ) Kn i imposar-li que sigui combinacio lineal dels generadors
donats. Això equival a dir que el sistema dequacions lineals de matriu ampliada:
x11 x21 xn1 X1

x12 x22 xn2 X2
..
..
..
..
.
.
.
.
x1m x2m
xnm Xn
tingui solucio. Aplicant eliminaci

o gaussiana les u
ltimes files de la matriu esglaonada reduda
son de la forma 0 = equaci
o lineal en les Xj , i aquestes equacions defineixen lespai W , ja que
el fet que es compleixin equival a que el sistema tingui solucio. P
Una altra manera de fer-ho es la seg
uent: les equacions lineals nj=1 aj Xj = 0 que defineixen
el subespai son les que sanul.len en P
tots els vectors xi . Per tant, son les equacions amb coeficients
n
aj que compleixen les identitats
j=1 xij aj = 0. Resolent aquest sistema dequacions per
reduccio gaussiana, les seves solucions son totes les equacions que defineixen lespai, i unes
solucions que generin lespai de totes les solucions son suficients per determinar-lo.
Notis que les dues maneres anteriors de trobar les equacions requereixen aplicar eliminaci
o
gaussiana a matrius formades per les components dels vectors xi , però la primera les te en les
columnes i la segona en les files.
Problemes
1.7. Demostreu que a un K-espai vectorial V es te:
1. (1)v = v,
0v = 0,
2. xv = yv i v 6= 0 x = y,
xv = 0 x = 0 o v = 0.
xu = xv i x 6= 0 u = v.
1.8. Digueu si els subconjunts definits a continuacio son o no subespais vectorials:

1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
{(x, y, z) R3 : x + y = z + a}, on a R,
{(x, y, z) R3 : x + y > z},
{(x, y, z) R3 : x2 + y 2 = z 2 },
{(, , + ) R3 : , Z},
{P (x) R3 [x] : P (1) = 0},
{P (x) R3 [x] : P (1) = P (0)},
{P (x) K3 [x] : P 0 (x) + P 00 (x) = x + 1},
{P (x) K3 [x] : P (x) + P 0 (x) + P 00 (x) = P 000 (x)},
{A M3 (R) : At = A},
{A M3 (R) : det A = 0},
{A M3 (R) : Tr A = 0}
1.9. Digueu si els subconjunts definits a continuacio son o no subespais vectorials de lespai vectorial
C (R, R) de les funcions continues R R.
1.
2.
3.
4.
Funcions
Funcions
Funcions
Funcions
creixents: {f C (R, R) : x, y R, x 6 y f (x) 6 f (y)},

parells: {f C (R, R) : x R, f (x) = f (x)},
senars: {f C (R, R) : x R, f (x) = f (x)},
peri`
odiques de perode 2: {f C (R, R) : x R, f (x + 2) = f (x)},
18
5. Funcions que tenen lmit (finit o ) a linfinit: {f C (R, R) : limx f (x) R{}}.
1.10. Escriviu, si es possible,
1. a lespai R4 els vectors v 1 = (8, 3, 0, 3), v 2 = (11, 3, 3, 2), v 3 = (29, 2, 6, 2) com a
combinacions lineals dels vectors u1 = (3, 1, 1, 1), u2 = (0, 2, 1, 2), u3 = (2, 1, 1, 1),
2. a lespai R3 els vectors v 1 = (1, 1, 2), v 2 = (x, y, z) com a combinacions lineals dels vectors
u1 = (2, 1, 3), u2 = (0, 1, 1) i u3 = (1, 1, 1), i
combinacions lineals dels vectors u1 = (1, 6, 5, 2), u2 = (0, 2, 3, 1), u3 = (3, 14, 9, 4)
i u4 = (1, 6, 6, 2),
trobant, en cada cas, totes les combinacions lineals que donen el resultat demanat.
1.3
Vectors independents, generadors i bases
La notacio v 1 , . . . , v n , o be {v 1 , . . . , v n }, o be {v i }16i6n indica una famlia de n vectors dun

espai vectorial V amb ndexs els nombres naturals 1, 2, . . . , n.
Definici
o 1.3.1 (Independents, generadors, bases) Siguin v 1 , . . . , v n vectors dun K-espai
vectorial V . Es diu que aquests vectors s
on:
Independents (o linealment independents) si tota combinaci
o lineal seva que sigui igual a
zero ha de tenir tots els coeficients iguals a zero:
x1 v 1 + x2 v 2 + + xn v n = 0
x1 = x2 = = xn = 0.
P
En cas contrari es diu que s
on linealment dependents i una expressi
o
xi v i = 0 amb
alguns coeficients xi 6= 0 sanomena relacio de dependència lineal entre aquests vectors.
Generadors de lespai V si tot vector v V es combinaci
o lineal seva:
v V (x1 , . . . , xn ) Kn
tal que
v = x1 v 1 + x2 v 2 + + xn v n .
O sigui, si el subespai hv 1 , . . . , v n i generat per aquests vectors es tot lespai V .

Base de lespai V si s
on alhora independents i generadors.
clar que tota subfamlia duna famlia independent tambe es independent i que tota famlia
Es
que tingui una subfamlia generadora tambe es generadora.
Observis que, tot i que les famlies finites de vectors porten un ordre, el fet de ser independents, ser generadors, o quin es el subespai que generen, no depèn de lordre en que sagafen els
vectors de la famlia. Moltes vegades, per simplificar les notacions i facilitar els arguments, els
vectors de les famlies es reordenen sense que això afecti el que sestà fent, tenint en compte que
les propietats esmentades es mantenen.
Proposici
o 1.3.2 Els vectors v 1 , . . . , v n s
on linealment independents si, i nomes si, tot vector
v W = hv i i16i6n del subespai que generen es pot posar de manera u
nica com a combinaci
o
lineal seva:
v = x1 v 1 + + xn v n = y1 v 1 + + yn v n xi = yi i.
19
El fet que una famlia de vectors {v i }16i6n sigui una base dun espai V equival a dir que tot
vector de lespai es pot escriure com a combinacio lineal daquests vectors de manera u
nica:
v V !(x1 , . . . , xn ) Kn
tal que
v = x1 v 1 + x2 v 2 + + xn v n .
Lema 1.3.3 Els vectors v 1 , . . . , v n s

on linealment dependents si, i nomes si, algun dells es
combinaci
o lineal dels altres.
Definici
o 1.3.4 (Espai finitament generat) Es diu que un K-espai vectorial V es finitament
generat si existeix una famlia finita v 1 , . . . , v n de vectors que generen lespai.
Teorema 1.3.5 (Exist`
encia de base) Tot espai vectorial finitament generat te alguna base.
El resultat seg
uent es coneix tambe pel nom de Lema de substituci
o de Steinitz :
Teorema 1.3.6 (Teorema de Steinitz) Siguin u1 , . . . , un vectors independents, i siguin
v 1 , . . . , v m vectors generadors dun espai vectorial V . Aleshores ha de ser necess`
ariament n 6 m
i es poden substituir n vectors de la famlia {v j } pels vectors ui , de tal manera la famlia que
resulta segueixi sent generadora.
Corol.lari 1.3.7 Totes les bases dun espai vectorial finitament generat tenen el mateix nombre
de vectors.
Definici
o 1.3.8 (Dimensi
o) La dimensio dun espai finitament generat es el nombre de vectors
duna base. Els espais que no s
on finitament generats es diu que tenen dimensio infinita.
Corol.lari 1.3.9 Sigui V un espai vectorial de dimensi
o (finita) n. Aleshores, tota famlia de
n vectors independents es una base i tota famlia de n vectors generadors es una base.
Corol.lari 1.3.10 Donats u1 , . . . , ur vectors independents i v 1 , . . . , v n una base de lespai V ,
es pot ampliar la famlia ui a una base de lespai afegint-hi vectors de la base v j .
Com a cas particular especialment important es te la situacio seg
uent: si W V es un
subespai, tota base de W es pot ampliar a una base de V i, fins i tot, es pot fer això afegint-hi
vectors que pertanyin a una base qualsevol de V donada.
Definici
o 1.3.11 (Rang duna famlia de vectors) Es diu rang duna famlia de vectors a
la dimensi
o del subespai que generen: rang({v i }) = dim(hv i i), que es el m`
axim nombre de
vectors independents dins de la famlia.
Famlies arbitr`
aries: independents, generadors i bases. Fins ara nomes shan considerat
famlies finites de vectors. Per a treballar en espais vectorials de dimensio infinita shan de
considerar famlies de vectors qualsevol, no necessàriament finites.
Sigui {v i }iI una famlia de vectors de lespai V amb conjunt dndexs I arbitrari. Hi ha dues
maneres de treballar amb combinacions lineals de vectors daquesta famlia: o be es defineixen
directament com a combinacions lineals de subfamlies finites:
v = x 1 v i1 + x 2 v i2 + + x n v in ,
{i1 , i2 , . . . , in } I,
20
o be es considera que s
on expressions la forma:
X
v=
xi v i ,
amb xi = 0 gairebe per a tot ndex i I,
iI
que cal interpretar com a sumes finites, entenent que tots els sumands amb coeficient zero son
el vector zero i es com si no fossin al sumatori.
Les definicions de famlia linealment independent, generadora i base son les generalitzacions
naturals de les definicions donades per a famlies finites, adaptades a la nocio de combinaci
o
lineal en el cas infinit.
Problemes
1.11. Digueu la dimensi
o i doneu una base dels subespais del problema 1.23.
1.12. A lespai C (R, R) de funcions contnues reals es consideren les famlies de vectors:
1. {et , e(t1) , e(t+1) }
2. {sin(t), sin(2t)}
3. {ln(x2 + 1), ln(x2 (x2 + 2) + 1)}
Estudieu la seva dependència o independència lineal i digueu quin subespai generen.
1.13. Sigui xi = (xi1 , . . . , xin ) Kn una famlia de vectors no nuls tals que les posicions on cada vector
te la primera component no nul.la segueixen un ordre estrictament creixent. Demostreu que la
famlia es independent.
1.14. Sigui xi = (xi1 , . . . , xin ) Kn una famlia de vectors tal que existeixen enters j1 , . . . , jn de manera
que per a tot i = 1, . . . , n es compleix:
xi,ji 6= 0
i xk,ji = 0
per a tot
k 6= i.
Demostreu que aquests vectors s

on independents.
Comproveu que els quatre vectors de R7 seg
uents son independents:
x1 = (0, , 2, 2, 0, 0, 2 , e3 ),
x2 = (1, 0, 7, 0, 0, 0, 3),

x3 = (0, 0, 11, 11, 0, 2 , e2 ),
x4 = (0, 0, 0, 0, 1/2, 1/3, 1/3).
1.15. Demostreu que {1, X, X 2 , . . . , X k , . . . } es una base del K-espai vectorial de dimensio infinita K[X].
1.16. Digueu si els subconjunts seg
uents s
on subespais de K[X]. Dels que ho siguin, doneu-ne una base:
1.
2.
3.
4.
5.
Els
Els
Els
Els
Els
polinomis
polinomis
polinomis
polinomis
polinomis
amb terme independent zero.

de grau parell.
que tenen un element K com a arrel.
que la seva derivada te un element K com a arrel.
p(X) tals que p(X) = p(X).
1.4
21
Eliminaci
o gaussiana
Definici
o 1.4.1 (Transformacions elementals) Sanomena transformacio elemental duna
famlia de vectors una transformaci
o dun dels tres tipus seg
uents:
Tipus I: intercanviar dos dels vectors,
Tipus II: multiplicar un dels vectors per un escalar no nul,
Tipus III: sumar a un dels vectors un m
ultiple qualsevol dun altre vector.
Una transformaci
o elemental de files duna matriu A Mmn (K) es una transformaci
o elen
mental aplicada a les files, considerades com a vectors de K . Es defineix an`
alogament una
transformaci
o elemental de columnes.
a dir, una transformaci
Es
o elemental T transforma una famlia de n vectors {v 1 , . . . , v n }
en la famlia del mateix nombre de vectors {v 01 , . . . , v 0n } seg
uent:
Tipus I: Tr,s intercanvia els vectors v r i v s :
v 0r = v s ,
v 0s = v r ,
i v 0i = v i
per a
i 6= r, s.
Tipus II: Tr () multiplica el vector v r per lescalar 6= 0:

v 0r = v r ,
i v 0i = v i
per a
i 6= r.
Tipus III: Tr,s () suma al vector v r el vector v s , amb K qualsevol i s 6= r:

v 0r = v r + v s ,
v 0i = v i
per a
i 6= r.
Observis que a base daplicar diverses transformacions de tipus I es pot aconseguir qualsevol
permutacio dels vectors de la famlia (ja que les transposicions generen el grup simètric), i que
aplicar diverses transformacions
P de tipus III a un mateix vector ur te lefecte de sumar-li una
combinacio lineal qualsevol i6=r i ui dels altres.
Proposici
o 1.4.2 En aplicar transformacions elementals a una famlia de vectors el subespai
que generen no canvia. En particular, les transformacions elementals conserven les propietats
de ser linealment independents i de ser generadors, i mantenen tambe el rang de la famlia.
Definici
o 1.4.3 (Forma esglaonada) Sigui a1 , . . . , am una famlia de vectors de lespai Kn ,
amb components ai = (ai,1 , ai,2 , . . . , ai,n ). Es diu que els vectors ai estan en forma esglaonada
si existeixen un enter r amb 0 6 r 6 m i r enters ji amb 1 6 j1 < j2 < < jr 6 n tals que:
per a tot i > r es ai = 0, i
per a tot i amb 1 6 i 6 r, ai,j = 0 per a j < ji i ai,ji 6= 0.
Es diu que els vectors estan en forma esglaonada reduda si, a mes, per a tot i = 1, . . . , r,
ai,ji = 1, i
ak,ji = 0 per a tot k 6= i.
22
Es diu que una matriu A Mmn (K) est`

a en forma esglaonada (resp. esglaonada reduda) per
files si les files de la matriu estan en forma esglaonada (resp. esglaonada reduda) com a vectors
de Kn . An`
alogament per columnes, considerant-les com una famlia de n vectors de Km .
Proposici
o 1.4.4 (Eliminaci
o gaussiana) Tota famlia a1 , . . . , am de vectors de Kn es pot
transformar en una famlia en forma esglaonada (resp. esglaonada reduda) aplicant una seq
uència
de transformacions elementals.
Problemes
1.17. Trobeu totes les subfamlies linealment independents de la famlia de vectors de R5 seg
uent: v 1 =
(1, 1, 1, 1, 1), v 2 = (0, 1, 1, 0, 0), v 3 = (2, 1, 3, 2, 4), v 4 = (2, 1, 1, 1, 2) i v 5 = (0, , , 0, 0).
1.18. Estudieu la dependència o independència lineal a K3 de la famlia de tres vectors:
{(1, 1, 1), (a, b, c), (a2 , b2 , c2 )},
a, b, c K.
1.19. Per a cadascuna de les famlies de vectors de R4 seg

uents, digueu si son linealment dependents
o independents, trobeu una base del subespai que generen, i doneu unes equacions que defineixin
aquest subespai.
1.
2.
3.
4.
5.
6.
1.5
{(4, 5, 5, 4), (5, 6, 6, 5), (1, 3, 4, 0), (0, 4, 3, 1)}

{(1, 2, 5, 1), (3, 6, 5, 6), (2, 4, 0, 2)}
{(1, 2, 1, 1), (6, 12, 6, 9), (4, 8, 4, 5), (8, 16, 8, 11)}
{(1, 0, 2, 1), (3, 1, 5, 5), (3, 1, 5, 5), (1, 1, 1, 3), (6, 3, 8, 10)}
{(0, 0, 2, 1), (1, 1, 4, 3), (0, 1, 1, 1), (1, 1, 4, 4)}
{(1, 3, 5, 9), (0, 0, 2, 2), (3, 5, 8, 7), (3, 0, 1, 1)}
Sistemes dequacions lineals
Les equacions lineals sobre el cos K en les variables X1 , . . . , Xn es poden sumar entre elles i
multiplicar per escalars de la manera seg
uent: si F es lequacio a1 X1 + + an Xn = b i G es
lequacio a01 X1 + + a0n Xn = b0 aleshores F + G es lequacio
(a1 + a01 )X1 + + (an + a0n )Xn = (b + b0 ),
i, per a cada escalar K, el producte F es lequacio
(a1 )X1 + + (an )Xn = (b).
Amb aquestes operacions el conjunt de les equacions lineals en les variables Xi es un Kespai vectorial. Te dimensi
o n + 1 i admet com a base la famlia formada per les n equacions
X1 = 0, X2 = 0, . . . , Xn = 0 i, a mes, lequacio 0 = 1. En aquesta base les coordenades de
lequacio a1 X1 + + an Xn = b s
on (a1 , . . . , an , b) Kn+1 .
Aix, un sistema de m equacions lineals en les variables Xi es, simplement, una famlia de m
vectors daquest espai vectorial.
El fet que el sistema estigui en forma esglaonada reduda, tal i com sha definit aquest concepte al captol 0 per a sistemes dequacions lineals, correspon a la definicio de forma esglaonada
reduda donada en general per a vectors de Kn+1 , tenint en compte la identificacio anterior.
23
Definici
o 1.5.1 (Sistemes equivalents) Dos sistemes es diuen equivalents quan tenen el mateix conjunt de solucions.
Proposici
o 1.5.2 Siguin {F1 , . . . , Fm } i {G1 , . . . , Gp } dos sistemes dequacions lineals en les
mateixes variables. Aquests dos sistemes s
on equivalents si, i nomes si, generen el mateix subespai: hF1 , . . . , Fm i = hG1 , . . . , Gp i.
Teorema 1.5.3 (Reducci
o gaussiana) La reducci
o gaussiana transforma un sistema dequacions lineals en un sistema equivalent. Per tant les solucions del sistema en forma esglaonada
reduda que sobte al final de la reducci
o s
on les solucions del sistema de partida
Proposici
o 1.5.4 (Dualitat generadorsequacions) Sigui W Kn un subespai vectorial
donat per generadors W = hu1 , . . . , up i i per equacions W = {(x1 , . . . , xn ) : Fi (x1 , . . . , xn ) =
0, i = 1, . . . , q}. Aleshores
dim(hu1 , . . . , up i) + dim(hF1 , . . . , Fq i) = n.
Forma vectorial. Un sistema lineal es pot escriure tambe de la manera seg
uent:

a11
a12
a1n
b1
a21
a22
a2n
b2

.. X1 + .. X2 + + .. Xn = .. .
.
.
.
.
am1
am2
amn
bm
Per tant, resoldre un sistema lineal vol dir trobar combinacions lineals de les columnes de la
matriu del sistema que donin el vector de termes independents. El fet que sigui compatible o
incompatible equival a que el vector b sigui o no combinacio lineal de les columnes de la matriu,
i el fet que sigui determinat o indeterminat equival a que les columnes de la matriu siguin o no
independents.
Equacions lineals i formes lineals. Una forma lineal en n variables X1 , . . . , Xn a coeficients
en un cos K es una expressi
o de la forma F (X1 , . . . , Xn ) = a1 X1 + + an Xn amb coeficients
ai K. O sigui, es un polinomi en les n variables Xi que te tots els monomis de grau 1.
La suma de dues formes i el producte per un escalar es defineixen de manera natural, sumant
els coeficients de cada variable o multiplicant-los tots per lescalar. Aquestes operacions donen
al conjunt de les formes lineals estructura despai vectorial, que te dimensio n i admet com a
base X1 , X2 , . . . , Xn .
Es poden considerar tambe els polinomis de grau 6 1 en les variables Xi , que son de la forma
F (X1 , . . . , Xn ) = a1 X1 + + an Xn + b amb ai , b K, i que tambe son un espai vectorial, de
dimensio n + 1, del qual les formes lineals son un subespai vectorial.
Cada polinomi F (X1 , . . . , Xn ) pot identificar-se amb lequacio lineal F (X1 , . . . , Xn ) = 0 i
daquesta manera lespai vectorial dels polinomis de grau 6 1 sidentifica amb lespai vectorial
de les equacions lineals, i el subespai dels polinomis que son formes (tenen el terme constant
igual a zero) correspon a les equacions homogènies.
24
Problemes
1.20. Digueu quines de les equacions seg
uents son equacions lineals:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
cos X + cos Y = 1,
2X + Y = 7Z cos 3 ,
X1 + X2 + X3 + X4 = 0,
xy + y z = xz ,
(X1 + X2 + X3 + X4 ) + (Y1 + Y2 + Y3 + Y4 ) = Z1 + Z2 + Z3 + Z4 ,
(u1 + u2 + u3 + u4 )(v1 + v2 + v3 + v4 ) = 8,
2 x + 3 y + 5 z = 7,
2 x + 3 y + 5 z = 7,
ax + b2 y + c3 z = d, on a, b, c, d R,
ax + b2 y + c3 z = d, on x, y, z R,
U 2 + V 2 = 1,
Pn
i
i=1 2 xi = 1,
P2
2 i
i=2 i Xi = 0.
1.21. Resoleu els sistemes lineals seg

uents fent combinacions de les equacions:
(
(a)
(c)
2X + 3Y = 5
3X 4Y = 16
X1 + X2 2X3 = 1
X1 + 2X2 X3 = 1
1
1
X+ Y =2
3
2
(b)
4
X + 1Y = 5
3
2
2X + 3Y Z = 0
X 3Y + 2Z = 1
(d)
2X1 X2 + 2X3 = 0
7X 3Y + 4Z = 1
1.22. Resoleu el sistema seg

uent, que te un grau de llibertat, posant dues de les tres variables en funci
o
de laltra de totes les maneres possibles:
(
X + 2Y + 3Z = 0
3X + 2Y + Z = 1
1.23. Expliqueu perquè el sistema
x+y+z =2
x + 2y + 3z = 1
y + 2z = 0
es incompatible. Canvieu el terme independent de la tercera equacio per un valor que faci el sistema
compatible (quines possibilitats hi ha?) i doneu-ne la solucio.
Feu el mateix, per`
o ara canviant el terme independent de la segona equacio. Les solucions son les
mateixes?
1.24. Calculeu la forma esglaonada reduda del sistema seg
uent i escriviu la seva solucio, considerant les
quatre variables ordenades de les maneres seg
uents: (1) ordre normal x1 , x2 , x3 , x4 , (2) ordre invers
x4 , x3 , x2 , x1 i (3) ordre x2 , x1 , x4 , x3 :
x1 + x2 + x3 + x4 = 4
x1 x2 = 1
5x1 + 3x2 + x3 x4 = 0
25
1.25. Resoleu els sistemes seg

uents calculant la seva forma esglaonada reduda, amb les variables ordenades segons lordre alfabètic.
T +U =1
2X 3Y + 8Z = 6
X1 + 4X2 + X5 2X6 = 4
U +V =1
Y 4Z = 11
X3 + X4 X5 = 3
V +W =1
Z = 1
X4 4X5 + 10X6 = 1
W +X =1
A continuaci
o torneu-ho a fer considerant les variables ordenades al reves.
1.26. Definiu amb tota precisi
o el fet que un sistema estigui en forma esglaonada reduda i descriviu les
seves solucions.
1.27. De vegades shan de resoldre diversos sistemes lineals AX = bi tots amb la mateixa matriu A per`
o
amb diferents vectors de termes independents bi . Expliqueu com es pot fer aquest càlcul aplicant
reducci
o gaussiana a una u
nica matriu i apliqueu-ho als exemples seg
uents:

3 6 2
1
4
49
0
13 4 ,
(a) A = 5
b1 = 1 , b2 = 11 , b3 = 98 , b4 = 1 .
1
3 1
0
3
21
0

9
14
1
1 1 3 0
21
36
3
2 2 7 0

b1 =
(b) A =
2 , b2 = 3 , b3 = 3 .
1 1 0 1 ,
9
10
6
3 3 0 3
1.28. Donada una matriu quadrada A Mn (K) es considera la matriu (A|1n ) Mn2n (K) formada
per dos blocs quadrats: a lesquerra hi ha la matriu A i a la dreta la matriu identitat. Suposis
que en aplicar eliminaci
o gaussiana de files a aquesta matriu sobte una matriu de la forma (1n |B),
amb B Mn (K). Quina propietat te la matriu B?
1.29. Calculeu les inverses de les matrius seg
uents:
1
1 2 1
1
B=
A = 3 8 2 ,
0
4 9 1
0
3
D = 0
0
2
2
0
1
1
3
2 , E =
2
1
1
1 1 1
0 1 0
,
1 1 0
1 1 1
3
12
10
6
0
2
2
1
1
1
C=
2
3
2
6
,
5
3
1.30. Digueu si existeixen sistemes equivalents al sistema:

1
2 X + 31 Y + 16 Z + T
2X Y Z + 3T
X + 4Y + 3Z
1
1
F =
1
1
= 0
= 0
= 0
que siguin de la forma seg

uent (i si es aix doneu-ne algun exemple):
1. de 4 equacions que contingui les dues primeres però no la tercera;
2. de 3 equacions que contingui lequacio X + Y + Z + T = 1;
3. de 3 equacions que contingui lequacio 23 X 89 Y + 13
6 Z + 4T = 0;
1
2
3
4
1
2
1
3
1
1
3 4
,
5 5
5 8
1
1
2
3
1
2
.
1
2
26
4. de 2 equacions que contingui la tercera però cap de les altres dues;

5. de 2 equacions que no siguin cap de les tres donades;
6. duna u
nica equaci
o.
1.31. Doneu exemples de sistemes del tipus seg
uent, si existeixen:
1.
2.
3.
4.
de
de
de
de
n equacions amb n inc`

ognites incompatible,
5 equacions amb 3 inc`
ognites compatible determinat,
3 equacions amb n inc`
ognites amb n 2 graus de llibertat,
n equacions amb n + 1 inc`
ognites compatible determinat.
1.32. Doneu sistemes amb les propietats seg

uents, si existeixen:
1. de tres equacions amb tres inc`

ognites i solucio u
nica ( 2, 2, 1/2),
2. de dues equacions amb quatre incògnites i solucio u
nica (1, 2, 3, 4),
3. de tres equacions amb quatre incògnites Xi i solucio depenent dun paràmetre T :
1
X1 = T,
X2 = 1 4T,
X3 = 2 + T,
X4 = T,
2
4. de tres equacions amb quatre incògnites i solucio depenent de dos paràmetres T1 , T2 :
X1 = T1 ,
X2 = 4 2T1 + T2 ,
X3 = T2 ,
X4 = 1 + T1 T2 .
5. de dues equacions amb dues incògnites i solucio depenent de tres paràmetres T1 , T2 , T3 :

X1 = 2 T1 + T2 ,
X2 = 3 + T1 T3 .
1.33. Discutiu els sistemes seg

uents en funcio dels paràmetres i :
X + Y + Z + T
X
+
Y
+
Z
=
X + Y + Z + T
X + Y + Z =
(a)
(b)
X + Y + Z + T
X + Y + Z =
X + Y + Z + T
(c)
X + 2Y = 1
X +Y +T =1
X + 3Y + 2Z + 2T = 1
2X + 6Y + 2Z + T =
2X + Y + Z
X + Y + Z + T
(d)
X + 2Y + T
X + Y
=1
=
= 2
= 3
=7
=
= 1
=

ametre per als quals la matriu
1 1
A = 2 1
3 1 1
te inversa. Calculeu la inversa per a = 1.
1.35. Escriviu, si es possible,
combinacions lineals dels vectors u1 = (3, 1, 1, 1), u2 = (0, 2, 1, 2), u3 = (2, 1, 1, 1),
2. a lespai R3 els vectors v 1 = (1, 1, 2), v 2 = (x, y, z) com a combinacions lineals dels vectors
u1 = (2, 1, 3), u2 = (0, 1, 1) i u3 = (1, 1, 1), i
combinacions lineals dels vectors u1 = (1, 6, 5, 2), u2 = (0, 2, 3, 1), u3 = (3, 14, 9, 4)
i u4 = (1, 6, 6, 2),
trobant, en cada cas, totes les combinacions lineals que donen el resultat demanat.
1.6
27
Coordenades. Canvis de base
En aquesta secci
o es consideren nomes espais vectorials de dimensio finita.
Definici
o 1.6.1 (Coordenades) Sigui V un K-espai vectorial de dimensi
o finita n. Sigui
B = {v 1 , . . . , v n } una base. Les coordenades dun vector v V en la base B s
on els coeficients
x1 , . . . , xn de lexpressi
o del vector v com a combinaci
o lineal dels vectors de la base:
v = x1 v 1 + x2 v 2 + + xn v n .
Aix, en fixar una base dun espai vectorial sobte una bijeccio entre lespai i el conjunt Kn ,
que assigna a cada vector la n-tupla (x1 , . . . , xn ) de les seves coordenades en la base considerada.
habitual haver de treballar amb bases diferents dun mateix espai, i això requereix fer
Es
canvis de base o canvis de coordenades.
Siguin Bu = {u1 , . . . , un } i Bv = {v 1 , . . . , v n } dues
P
bases de lespai V . Sigui uj = ni=1 aij v i lexpressio dels vectors de la base Bu en la base Bv ,
de manera que les coordenades de cada vector uj en la base Bv son els escalars a1j , a2j , . . . , anj .
Aleshores, les coordenades dun vector v en la base Bv sexpressen en funcio de les seves coordenades en la base Bu de la manera seg
uent:
v=
n
X
j=1
xj uj =
n X
n
X
j=1 i=1
xj aij v i =
n
X
yi v i
amb
yi =
i=1
n
X
aij xj .
j=1
Aquesta identitat es pot escriure en forma matricial com:

a11 a12 a1n
x1
y1
a21 a22 a2n x2 y2

..
..
.. .. = .. .
.
.
. . .
an1 an2 ann
xn
yn
Aix, les coordenades dun vector en la nova base Bv sobtenen multiplicant la matriu (aij )
Mn (K) per la matriu columna de coordenades del vector en la base Bu .
Definici
o 1.6.2 (Matriu del canvi de base) Donades dues bases Bu i Bv dun espai vectorial V de dimensi
o n, la matriu del canvi de base de Bu a Bv es la matriu quadrada de mida
n que te a la columna j-èsima les coordenades del vector uj de la base Bu en la base Bv . Es
denotar`
a Mat(Bu Bv ).
Tal com sha vist, aquesta matriu del canvi de base permet calcular les coordenades dun
vector en la base Bv a partir de les seves coordenades en una base Bu .
Proposici
o 1.6.3 Donades tres bases Bu , Bv i Bw dun espai vectorial es compleix:
Mat(Bu Bw ) = Mat(Bv Bw ) Mat(Bu Bv ).
Com a conseq
uència, es dedueix que Mat(Bv , Bu ) = Mat(Bu , Bv )1 .
A la literatura shi troben moltes notacions diferents per indicar la matriu del canvi de base;
v
v
per exemple Mat(Bu , Bv ), o el mateix canviant Mat per M, o tambe MatB
e MB
Bu o b
Bu , etc.
28
Problemes
1.36. A R4 es consideren les dues famlies de vectors Bu = {ui }16i64 i Bv = {v i }16i64 amb:
u1 = (0, 1, 1, 0),
v 1 = 2u1 + u2 ,
u2 = (1, 0, 0, 1),
u3 = (2, 0, 1, 0),
v 2 = u1 + u3 + u4 ,
u4 = (0, 0, 1, 1),
v 3 = u2 2u3 ,
v 4 = 3u4 .
Demostreu que Bu i Bv s
on bases de R4 . Doneu les matrius de canvi de base Mat(Bu Bv ),
Mat(Bu Be ) i Mat(Bv Be ), on Be es la base canònica de R4 . Quina relacio hi ha entre
aquestes matrius?
1.37. Sabent que en una certa base B de R2 el vector (1, 2) te coordenades (3, 4) i el vector (1, 5) te
coordenades (6, 7), trobeu aquesta base B.
1.38. Sabent que els vectors (1, 2) i (3, 4) de R2 tenen coordenades (5, 6) i (7, 8), respectivament, en una
certa base B de R2 , determineu les coordenades dun vector arbitrari (a, b) R2 en aquesta base.
1.39. Trobeu les coordenades del vector (1, 0, 1) de lespai R3 en la base
u1 = v 1 v 3 ,
u2 = 4v 1 + 7v 2 + v 3 ,
u3 = 2v 2 + v 3 ,
on els vectors v i s
on una base que està relacionada amb una altra base wi formada pels vectors
w1 = (8, 1, 3), w2 = (9, 1, 3), w3 = (24, 3, 8) de la manera seg
uent:
w1 = v 1 v 2 v 3 ,
w2 = 3v 1 + 4v 2 + 3v 3 ,
w3 = 2v 1 + v 3 .
1.40. Trobeu les matrius del canvi de base entre les dues bases seg
uents de Rn [X]:
B0 = {1, X, X 2 , . . . , X n }
Ba = {1, X a, (X a)2 , . . . , (X a)n },
on a R es un nombre real donat. Deduu la f

ormula de Taylor : per a tot polinomi f (X) Rn [X]
es te:
f (n) (a)
f 00 (a)
(X a)2 + +
(X a)n .
f (X) = f (a) + f 0 (a)(X a) +
2!
n!
1.7
Intersecci
o i suma de subespais
Un subespai vectorial (veure la definici

o 1.2.3) es un subconjunt dun K-espai vectorial que, amb
la mateixa suma de vectors i producte per escalars de lespai, es ell mateix tambe un K-espai
vectorial. Aix`
o es equivalent a dir que el subconjunt es tancat respecte a fer combinacions lineals,
en el sentit que tota combinaci
o lineal de vectors del subconjunt pertany tambe al subconjunt.
A la proposici
o seg
uent es descriuen les maneres principals de construir subespais dun espai
vectorial.
Proposici
o 1.7.1 (Exemples de subespais) Sigui V un K-espai vectorial.
Subespai intersecci
o. La intersecci
o W = W1 W2 de dos subespais
T W1 , W2 V es un
subespai de V . Tambe ho es la intersecci
o arbitr`
aria de subespais iI Wi .
Subespai suma. La suma W = W1 + W2 de dos subespais Wi V , definida com el conjunt
W = {w1 + w2 : wi Wi }, es un subespai de V . Tambe ho es la suma duna famlia
finita de subespais W1 + + Wn = {w1 + + wn : wi Wi , i = 1, . . . , n}. Es pot definir
tambe la suma duna famlia arbitr`
aria de subespais {Wi }iI com el subespai format per
les sumes finites wi1 + + win de vectors que s
on cadascun dun dels subespais.
29
Teorema 1.7.2 (F
ormula de Grassmann) Siguin W1 , W2 V dos subespais dun espai vectorial. Aleshores:
dim(W1 + W2 ) + dim(W1 W2 ) = dim W1 + dim W2 .
Definici
o 1.7.3 (Suma directa) Es diu que una suma de subespais W = W1 + W2 + + Wn
es una suma directa si cada vector de la suma es pot escriure com a suma de vectors dels
diferents subespais de manera u
nica. O sigui, si:
w = w1 + + wn = w01 + + w0n
amb
wi , w0i Wi
w0i = wi i.
En aquest cas es fa servir un smbol especial i es denota W = W1 W2 Wn .

Proposici
o 1.7.4 La suma W = W1 + W2 de dos subespais es una suma directa si, i nomes si,
aquests dos subespais tenen intersecci
o trivial: W1 W2 = {0}.
Definici
o 1.7.5 (Complementari) Sigui W V un subespai dun K-espai vectorial. Un
complementari de W es un subespai W 0 tal que V = W W 0 .
Cada subespai te molts subespais complementaris. Donada una base del subespai, qualsevol famlia de vectors que estengui aquesta base a una base de tot lespai genera un subespai
complementari.
Problemes
1.41. Doneu una base del subespai de M2 (K) seg
uent i doneu un subespai complementari

a
b
W =
: a, b, c, d K M2 (K)
c d c + d
1.42. Doneu unes equacions que defineixin el subespai U = [(1, 1, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1)] de R4 .
Per a quins valors de a R el subespai V = [(1, a, a2 , a3 )] es un complementari de U ?
1.43. Trobeu un sistema dequacions que tingui per solucio cadascun dels subespais seg
uents:
1. h(1, 1, 0, 1), (3, 0, 1, 2)(1, 2, 1, 0)i R4 ,
2. h5X 2 + 1i R3 [X],

1 0
M2 (R).
3.
1 0
4. h(2, 5, 1, 0), (1, 1, 1, 3), (1, 1, 0, 0)i R4 ,
5. h2 + X, 3X + X 2 , X 2 6i R2 [X],

3 1
0 1
0 1
6.
,
,
M2 (R).
1 0
3 1
2 2
1.44. Sigui V = {A Mn (Q) : Tr(A) = 0}. Demostreu que V es un subespai vectorial de Mn (Q) i que
el subespai h1n i es un complementari de V .
1.45. Siguin U, V, W subespais dun espai vectorial de dimensio finita tals que U + V = U + W i U V =
U W . Es pot afirmar que V = W ? i que dim V = dim W ?
30
1.46. Sigui A Mmn (K) una matriu de rang r. Justifiqueu que el subconjunt
V = {b Km : x Kn tal que Ax = b}
es un subespai vectorial de Km i digueu quina es la seva dimensio.
1.47. Siguin p1 , ..., pn polinomis de K[X]. Demostreu que si existeixen escalars a1 , . . . , an K tals que
els vectors (p1 (a1 ), . . . , p1 (an )) Kn , ..., (pn (a1 ), . . . , pn (an )) Kn son linealment independents a
Kn , aleshores els polinomis p1 , ..., pn son linealment independents a K[X].
1.48. Vegeu que lenunciat del problema anterior tambe es cert si es consideren funcions dun K-espai
vectorial F (X, K) de les funcions dun conjunt X a valors en el cos K. Deduu que aquest espai
vectorial te dimensi
o finita si, i nomes si, el conjunt X es finit.
1.49. A lespai R3 es consideren els subespais seg
uents:
U = {(x, y, z) R3 : x y + z = x + y + z = 0},
V = {(x, y, z) R3 : x + y z = x + 3y + z = 0},
i els vectors v 1 = (1, 1, 1), v 2 = (1, 1, 1), v 3 = (1, 1, 1), v 4 = (1, 3, 1).
1. Demostreu que {v 1 , v 2 , v 3 } es una base de R3 i calculeu les coordenades de v 4 en aquesta
base.
2. Doneu una base del subespai hv 1 , v 2 i hv 3 , v 4 i i unes equacions que defineixin el subespai
U +V.

1 1
1.50. Sigui A =
M2 (K). Es consideren els subespais de M2 (K) seg
uents:
1 1
U = {M M2 (K) : AM = 0},
V = {N M2 (K) : R M2 (K) amb N = AR}.
1. Siguin

M1 =
1
1

0
,
0

0
M2 =
0

1
,
1

M3 =
1
1

0
,
0

M4 =
0
0

1
.
1
Demostreu que {M i }16i64 es una base de M2 (K) i que hM 1 , M 2 i = U i hM 3 , M 4 i = V .

2. Doneu les coordenades de la matriu 12 en la base {M i } i trobeu matrius M U i N V
amb 12 = M + N . Aquestes matrius, son u
niques?
1.51. Per als subespais U i V de R3 que sindiquen a continuacio calculeu una base i la dimensio de la
seva suma i la seva intersecci
o. En cada cas, digueu si la suma es o no una suma directa:
1.
2.
3.
4.
U
U
U
U
= h(1, 2, 1), (2, 3, 2)i, V = h(4, 1, 3), (3, 1, 2)i.

= {(x, y, z) R3 : x + 2y 3z = 0}, V = {(x, y, z) R3 : x + y + 4z = 0}.
= {(x, y, z) R3 : x + y = y + 3z = 0}, V = {(x, y, z) R3 : x + z = 2y + z = 0}.
= {(x, y, z) R3 : x y 3z = 0}, V = h(5, 2, a)i, on a R.
1.52. A R4 es consideren els vectors

v 1 = (1, 0, 0, 1),
v 2 = (1, 1, 0, 1),
v 3 = (0, 1, 1, 0),
v 4 = (1, 1, 1, a),
on a R, i els subespais U = hv 1 , v 2 i, V = hv 3 , v 4 i. Calculeu una base de U + V i de U V i

expresseu v = (1, 1, 1, 1) com a suma dun element de U i un de V .
31
1.53. Sigui Mn = Mn (R) lespai vectorial de les matrius quadrades dordre n > 2 amb coeficients reals,
i siguin Sn Mn i An Mn els conjunts de les matrius simètriques (o sigui, amb At = A)
i antisimètriques (tals que At = A), respectivament. Comproveu que tant Sn com An s
on
subespais vectorials de Mn i demostreu que Mn = Sn An .
1.54. Es considera lespai vectorial F (R, R) de les funcions reals de variable real. Recordeu que una
funci
o f : R R es parell si f (x) = f (x) x R i es imparell si f (x) = f (x) x R.
Comproveu que els subconjunt formats per les funcions parells i les funcions senars son subespais
vectorials complementaris de lespai de les funcions.
1.55. Demostreu que la suma de subespais W = W1 + + Wn es una suma directa si, i nomes si, es
compleix la condici
o seg
uent
X
Wi
Wj = {0},
i = 1, . . . , n.
j6=i
Doneu un exemple amb W1 W2 Wn = {0} que no sigui una suma directa.

1.56. Doneu una caracteritzaci
o de la independència lineal duna famlia de vectors fent servir el concepte
de suma directa de subespais.
Captol 2
Matrius
Al captol anterior ja sha introdut la notacio per treballar amb matrius i shan donat les
definicions b`
asiques. Recordis que al conjunt Mmn (K) de les matrius m n hi ha definida
una suma i un producte per escalars amb les quals te estructura de K-espai vectorial. Aquest
espai te dimensi
o mn i admet com a base la famlia de les matrius E ij que tenen zeros en totes
les entrades excepte una, en que hi tenen un 1.
2.1
Producte de matrius
El producte de dues matrius est`

a definit quan el nombre de columnes de la primera coincideix
amb el nombre de files de la segona, de la manera seg
uent: donades A = (aij ) Mmn (K) i
B = (bij ) Mnp (K) el seu producte es la matriu C = (cij ) Mmp (K) amb entrades:
cij =
n
X
aik bkj ,
1 6 i 6 m,
1 6 j 6 p.
k=1
Producte de matrius en termes de files i columnes. El producte de matrius AB = C,

en termes de files i columnes, d
ona el seg
uent: la columna j-èsima de C es la combinacio lineal
de les columnes de A amb coeficients els escalars de la columna j-èsima de B:
a11
a12
a1n
c1j
a21
a22
a2n
c2j
b
+
b
+
+
b
=
.. 1j .. 2j
.. nj .. ,
.
.
.
.
am1
am2
amn
cmj
i la fila i-èsima de C es la combinaci

o lineal de les files de B amb coeficients els escalars de la
fila i-èsima de A:

ai1 b11 b1n + ai2 b21 b2n + + ain bn1 bnn = ci1 cin .
Aquestes expressions es poden escriure tambe usant la notacio seg
uent, que mes endavant tambe
es farà servir: les files duna matriu A = (aij ) es denoten a1 , . . . , am , de manera la fila ai te components (ai1 , . . . , ain ); les columnes es denoten aj , amb components (a1j , . . . , amj ). En aquesta
notacio les files c1 , . . . , cm de la matriu producte C = AB son els productes a1 B, . . . , am B, amb
32
CAPITOL 2. MATRIUS
33
ci = ai1 b1 + + aim bm , i les columnes c1 , . . . , cn de C = AB son els productes Ab1 , . . . , Abn ,

amb cj = a1 b1j + + an bnj .
En particular, la matriu AE ij te totes les columnes zero excepte la columna j-èsima, on hi
te la columna i-èsima de A, i la matriu E ij A te totes les files zero excepte la fila i-èsima, on hi
te la fila j-èsima de A.
Proposici
o 2.1.1 (Propietats del producte de matrius) El producte de matrius satisf`
a les
propietats seg
uents:
Associativa: Siguin A Mmn (K), B Mnp (K), i C Mpq (K). Aleshores:
(AB)C = A(BC).
Distributiva: Siguin A, A1 , A2 Mmn (K) i B, B 1 , B 2 Mnp (K). Aleshores:
A(B 1 + B 2 ) = AB 1 + AB 2
(A1 + A2 )B = A1 B + A2 B.
Elements neutres per cada costat: Sigui 1r Mr (K) la matriu identitat de mida r, amb
totes les entrades zero excepte les de la diagonal, que s
on 1. Aleshores, per a tota matriu
A Mmn (K), es te:
1m A = A 1n = A.
El producte de matrius defineix una operacio interna al conjunt Mn (K) de les matrius
quadrades sobre un cos. Les propietats de la proposicio anterior asseguren que aquest conjunt,
amb les operacions suma i producte de matrius, es un anell amb unitat 1n . En aquest anell no es
compleixen algunes de les propietats que es compleixen en un cos: el producte no es commutatiu
i no tota matriu diferent de la matriu zero te inversa pel producte.
Definici
o 2.1.2 (Matrius invertibles) La matriu A Mn (K) es diu invertible si existeix
una matriu B Mn (K) tal que AB = BA = 1n ; si es aix, la matriu amb aquestes propietats
es u
nica, se li diu la matriu inversa de la matriu A i es denota A1 .
El subconjunt de Mn (K) de les matrius invertibles sanomena grup lineal i es denota GLn (K).
El grup lineal GLn (K), tal i com el seu nom indica, es un grup amb operacio el producte de
matrius: el producte AB de matrius invertibles tambe es invertible i te per inversa la matriu
(AB)1 = B 1 A1 , producte de les inverses respectives canviades dordre, i si A es invertible
la seva inversa tambe ho es, amb (A1 )1 = A.
Definici
o 2.1.3 (Matriu transposada) Si A = (aij ) Mmn (K), la seva matriu transposada es la matriu At = (cij ) Mnm (K) amb entrades
cij = aji ,
1 6 i 6 n,
1 6 j 6 m.
Proposici
o 2.1.4 La transposici
o de matrius satisf`
a les propietats seg
uents:
(A + B)t = At + B t ,
(AB)t = B t At ,
(A)t = At ,
(At )t = A.
A mes, si A es invertible tambe ho es la seva transposada, amb inversa (At )1 = (A1 )t .
CAPITOL 2. MATRIUS
34
Definici
o 2.1.5 (Matriu sim`
etrica) Una matriu quadrada A es diu simètrica si At = A.
Definici
o 2.1.6 (Tra
ca) La traca duna matriu quadrada A = (aij ) Mn (K) es la suma dels
elements de la diagonal: Tr(A) = a11 + a22 + + ann .
Proposici
o 2.1.7 La traca satisf`
uents:
Tr(A + B) = Tr(A) + Tr(B),
Tr(xA) = x Tr(A),
Tr(At ) = Tr(A),
Tr(AB) = Tr(BA).
Matrius amb entrades a un anell. Es poden considerar tambe matrius amb entrades a
coeficients en un anell commutatiu unitari qualsevol que no te perquè ser un cos. Per exemple a
lanell Z dels nombres enters o a lanell K[X] dels polinomis a coeficients en un cos K o a lanell
Z/nZ de les classes de congruència m`
odul n. Les operacions amb aquest tipus de matrius es
defineixen exactament igual i satisfan les mateixes propietats. Tot el que sha dit en aquesta
seccio sobre matrius a coeficients en un cos val tambe per a matrius a coeficients en un anell
commutatiu unitari.
Problemes
2.1. Quin es el resultat de multiplicar una matriu per una matriu diagonal? Quina diferència hi ha
quan se la multiplica per lesquerra o per la dreta?
2.2. Doneu exemples de matrius quadrades amb les caracterstiques seg
uents:
1. dues matrius A, B tals que 0 6= AB 6= BA 6= 0,
2. dues matrius no nul.les amb producte igual a zero,
3. tres matrius A, B, C tals que A 6= B i amb AC = BC 6= 0.
2.3. Expliqueu perquè en general no es compleixen, per a matrius A, B Mn (K), les igualtats seg
uents:
(A + B)(A B) = A2 B 2 ,
(A + B)2 = A2 + 2AB + B 2 ,
i determineu quines s
on les condicions necessàries i suficients sobre A i B per tal que es compleixin.
2.4. Trobeu totes les matrius quadrades de mida 2 i 3, respectivament, que commuten amb les matrius:

3 1 0
2 1
A=
i B = 0 3 1 .
1 3
0 0 3
2.5. Determineu totes les matrius A M2 (R) tals que:
1. A2 = 0;
2. A2 = A;
3. A2 = 12 .

a b
2.6. Sigui A =
M2 (K). Comproveu que si ad bc 6= 0 aleshores la matriu es invertible i la
c d
seva matriu inversa es:

1
d b
.
A1 =
ad bc c a
Recprocament, demostreu que si la matriu A es invertible aleshores per forca ha de ser ad bc 6= 0
(i, per tant, la seva ve donada per lexpressio anterior).
CAPITOL 2. MATRIUS
35

a b
M2 (K). Comproveu que A2 (a + d)A + (ad bc)12 = 02 i deduu daquesta
c d
identitat que A es invertible si, i nomes si, ad bc 6= 0, i que, en aquest cas, la seva inversa es
1
(A (a + d)12 ), que coincideix amb lexpressio del problema anterior.
A1 = bcad
2.7. Sigui A =
2.8. Calculeu, per a cada

seg
uents:
1 0
A = 1 1
1 1
enter n Z per al qual tingui sentit, la potència n-èsima de les matrius
0
0
1
1
B = 1
1
1
1
1
1
1
1

C=
0
1

1
0
0
D = 0
0
a
0
0
b
c .
0
2.9. Sigui A M2 (K) una matriu no nul.la. Sigui U = h12 , A, A2 , A3 , . . .i M2 (K) el subespai
generat per les potències de A i sigui V = {B M2 (K) : AB = BA} el subespai de les matrius
que commuten amb A. Demostreu que:
1. dim U = 1 o 2, i calculeu aquesta dimensio en funcio de la matriu A.
2. dim V = 2 o 4, i calculeu aquesta dimensio en funcio de la matriu A.
3. Si A 6= 12 per a un escalar , aleshores U = V .
2.10. Una matriu quadrada A = (aij ) Mn (K) es diu triangular superior si aij = 0 sempre que i > j.
Comproveu que les matrius triangulars superiors son un subespai vectorial de Mn (K) que es tancat
pel producte de matrius.
Caracteritzeu les matrius triangulars superiors invertibles i calculeu la matriu inversa.
2.11. Per a cada enter r > 0 es denota Tr (K) el subconjunt de les matrius A = (aij ) Mn (K) tals que
aij = 0 sempre que i + r > j. Comproveu que si A Tr (K) i B Ts (K) aleshores AB Tr+s (K).
2.12. Demostreu que les matrius A Mn (K) que commuten amb totes les demes matrius de Mn (K)
s
on les de la forma I n amb K.
: estudieu les condicions que cal imposar a la matriu A per assegurar que commuta amb
Indicacio
la matriu E ij de la base can`
onica.
2.13. Doneu condicions necess`
aries i suficients per tal que una matriu diagonal sigui invertible, i si ho es
calculeu la seva inversa. Feu el mateix amb les matrius triangulars superiors (matrius (aij ) amb
aij = 0 sempre que i > j).
2.14. Siguin A, B Mn (K) matrius simètriques (una matriu quadrada es simètrica si es igual a la seva
transposada).
1. Demostreu que el producte AB es una matriu simètrica si, i nomes si, A i B commuten.
2. Comproveu que si A es invertible aleshores A1 es simètrica.
3. Comproveu que, per tota matriu C Mn (K), la matriu C t AC es simètrica.
4. Digueu quines de les matrius seg
uents son simètriques:
A2 B 2 ,
(A + B)(A B),
ABA,
ABAB.
2.15. Una matriu quadrada A Mn (K) es diu nilpotent si existeix un enter n > 1 tal que la matriu An
es la matriu zero.
1. Demostreu que una matriu nilpotent no es invertible.
2. Doneu un exemple duna matriu A Mn (K) amb An = 0 però An1 6= 0.
3. Sigui A Mn (R) amb A 6= 0 i A2 = 0. Demostreu que AAt 6= 0.
CAPITOL 2. MATRIUS
36
2.16. Matrius per blocs. De vegades conve construir una matriu a partir de matrius mes petites (blocs)
de la manera seg
uent: siguin Aij Mmi nj (K) matrius de mides mi nj per a 1 6 i 6 r i
1 6 j 6 s. Aleshores la matriu
A11 A12 A1s

A21 A22 A2s
A= .
..
..
..
.
.
Ar1
es la matriu que mida m n amb m =
Aij en una disposici
o rectangular.
Pr
i=1
Ar2
mi i n =
Ars
Ps
j=1
nj que sobte en posar les matrius
Sigui B = (B ij ) Mmn una matriu donada per blocs de les mateixes mides: B ij
Mmi nj . Comproveu que la matriu suma C = A + B es una matriu per blocs C = (C ij )
que sobtenen sumant els blocs corresponents: C ij = Aij + B ij .
Sigui B = (B jk ) Mnp una matriu donada per blocs de mides B jk Mnj pk per a
1 6 j 6 s i 1 6 k 6 t. Comproveu que la matriu producte C = AB es la matriu donada per
blocs C = (C ik ) amb
s
X
C ik =
Aij B jk .
j=1
2.17. Siguin A M42 (K) i B M24 (K) matrius
1
0
AB =
1
0
tals que:
0
1
0
1
1
0
1
0
0
1
.
0
1
Trobeu la matriu BA.
2.2
Matrius elementals
Una transformaci
o elemental de files duna matriu A Mmn es una transformacio elemental
de vectors, tal com sha definit a la definicio 1.4.1 per a famlies de vectors qualsevol, aplicada
a les files de la matriu, vistes com a vectors de Kn . Es recorda que nhi ha de tres tipus:
Tipus I: intercanviar dues files,
Tipus II: multiplicar una fila per un escalar no nul,
Tipus III: sumar-li a una fila un m
ultiple duna altra fila.
Es defineixen de manera an`
aloga les transformacions elementals de columnes.
Definici
o 2.2.1 (Matrius elementals) Sanomenen matrius elementals les matrius quadrades de Mn (K) dun dels tres tipus seg
uents:
Tipus I: Er,s es la matriu identitat 1n amb les files r i s intercanviades.
Tipus II: Er () es la matriu identitat 1n excepte que arr = on es un escalar 6= 0.
Tipus III: Er,s () es la matriu identitat 1n excepte que ars = on es un escalar i r 6= s.
CAPITOL 2. MATRIUS
37
Les matrius elementals es poden escriure en termes de la matriu identitat i de les matrius
de la base can`
onica E ij de la manera seg
uent:
Er,s = 1n E rr E ss + E rs + E sr ,
Er () = 1n + ( 1)E r,r ,
Er,s () = 1n + E r,s .
Son matrius invertibles, amb inverses:

1
Er,s
= Er,s ,
Er ()1 = Er (1 ),
Er,s ()1 = Er,s ().
Lema 2.2.2 El producte E A Mmn (K) duna matriu elemental E Mm (K) per una matriu
A Mmn (K) produeix en A lefecte daplicar una transformaci
o elemental de files, de la
manera seg
uent:
multiplicar per E = Er,s intercanvia les files r-èsima i s-èsima de A;
multiplicar per E = Er () multiplica la fila r-èsima de A per lescalar no nul ,
multiplicar per E = Er,s () suma a la fila r-èsima de A la seva fila s-èsima multiplicada
per lescalar .
En fer el producte AE duna matriu A Mmn (K) per una matriu elemental E Mn (K) per
la dreta es produeix lefecte an`
aleg en les columnes de A.
Definici
o 2.2.3 (Forma esglaonada) Una matriu A Mmn (K) es diu que est`
a en forma
esglaonada per files (resp. esglaonada reduda) si les seves files estan en forma esglaonada (resp.
esglaonada reduda) com a vectors de Kn , segons la definici
o 1.4.3.
El concepte de forma esglaonada per columnes (resp. esglaonada reduda) es defineix anàlogament.
De fet, les condicions destar en forma esglaonada per files i per columnes sintercanvien luna
amb laltra quan es canvia una matriu per la seva transposada.
Proposici
o 2.2.4 (Eliminaci
o gaussiana) Tota matriu A Mmn (K) es pot transformar
en una matriu esglaonada per files (resp. esglaonada reduda) A0 Mmn (K) aplicant una
seq
uència de transformacions elementals de files. A mes, existeix una matriu invertible P
Mm (K) tal que A0 = P A.
Definici
o 2.2.5 (Forma can`
onica reduda) Una matriu es diu que est`
a en forma canònica
per tant,
reduda quan est`
a en forma esglaonada reduda tant per files com per columnes. Es,
una matriu formada per quatre blocs de la forma seg
uent:

1r
0rv
Mmn (K),
amb r + u = m i r + v = n.
0ur 0uv
Corol.lari 2.2.6 Tota matriu A es pot transformar en una matriu A0 en forma can`
onica reduda
fent transformacions elementals de files i de columnes. A mes, existeixen matrius invertibles P
i Q tals que A0 = P AQ.
CAPITOL 2. MATRIUS
38
Problemes
2.18. Trobeu la forma esglaonada reduda
1
2
2
1
per files de la matriu:

2
4
5
1
3
6
7
2
5
5
7
3
4
2
3
5
2
6
7
3
3
1
1
2
2.19. Trobeu les formes esglaonades redudes per files i per columnes de la matriu:
1 1 0 1
A = 1 2 1 1
0 3 1 2
i doneu matrius quadrades invertibles P i Q tals que P A i AQ son aquestes formes esglaonades
redudes.
2.20. Siguin E ij les matrius de la base canònica de Mmn (K), que tenen zeros a totes les entrades
excepte a lentrada de la fila i columna j, on hi ha un 1. Comproveu que lefecte de multiplicar
una matriu A Mmn (K) per matrius E ij es el seg
uent:
Si E ij M`m , el producte E ij A M`n (K) es la matriu amb totes les files iguals a zero
excepte la fila i-èsima, que conte la fila j-èsima de la matriu A.
Si E ij Mnp , el producte A E ij Mmp (K) es la matriu amb totes les columnes iguals
a zero excepte la columna j-èsima, que conte la columna i-èsima de la matriu A.
Calculeu el producte de les matrius E ij Mmn (K) i E k` Mnp (K).
2.21. Escriviu les matrius elementals Er,s , Er () i Er,s () en termes de la base canònica de Mn (K);
comproveu que s
on invertibles i calculeu les seves inverses.
2.22. Demostreu que tota matriu invertible es producte de matrius elementals.
2.23. Definiu amb precisi
o la condici
o de que la matriu A = (aij ) Mn (K) estigui en forma esglaonada
reduda per files i descriviu un algorisme que passi duna matriu A a una matriu equivalent A0 en
forma esglaonada reduda per files, i que doni tambe una matriu invertible P tal que A0 = P A.
Escriviu un programa en el vostre llenguatge de programacio favorit que dugui a la pràctica aquest
algorisme.
2.3
Rang
Definici
o 2.3.1 (Rang per files i columnes) El rang per files duna matriu A Mmn (K)
es el m`
axim nombre de files que s
on linealment independents com a vectors de Kn . An`
alogament,
el rang per columnes es el m`
axim nombre de columnes independents com a vectors de Km .
Proposici
o 2.3.2 El rangs per files i per columnes duna matriu s
on iguals.
Definici
o 2.3.3 (Rang) El rang duna matriu A Mmn (K) es el m`
axim nombre de files o
columnes independents.
CAPITOL 2. MATRIUS
39
C`
alcul del rang. Com que el rang duna famlia de vectors es mante en fer transformacions
elementals, i el rang duna matriu esglaonada per files (resp. columnes) es el nombre de files
(resp. columnes) diferents de zero, la manera mes simple de calcular el rang duna matriu es
passant a una forma esglaonada per files o columnes fent transformacions elementals.
Corol.lari 2.3.4 Sigui A Mn (K). Les condicions seg
uents s
on equivalents:
1. el rang per columnes de A es igual a n,
2. existeix una matriu Q Mn (K) tal que AQ = 1n ,
3. el rang per files de A es igual a n,
4. existeix una matriu P Mn (K) tal que P A = 1n ,
5. el rang de A es igual a n,
6. la matriu A es invertible.
En aquest cas, les matrius P i Q s
on iguals i s
on la matriu inversa de A.
Lema 2.3.5 Tota matriu invertible A GLn (K) es producte de matrius elementals.
Definici
o 2.3.6 (Matrius equivalents) Dues matrius es diuen equivalents per files si es pot
passar de luna a laltra a traves duna successi
o de transformacions elementals de files. De
manera an`
aloga es defineix el concepte de matrius equivalents per columnes. Les dues matrius es
diuen simplement equivalents si es pot passar de luna a laltra fent transformacions elementals
tant de files com de columnes.
Proposici
o 2.3.7 Dues matrius A, B Mmn (K) s
on:
equivalents per files si, i nomes si, existeix P GLm (K) tal que B = P A;
equivalents per columnes si, i nomes si, existeix Q GLn (K) amb B = AQ;
equivalents si, i nomes si, existeixen matrius invertibles P i Q tals que B = P AQ.
Proposici
o 2.3.8 Dues matrius de la mateixa mida s
on equivalents si, i nomes si, tenen el
mateix rang.
Problemes
2.24. Calculeu el rang de les matrius seg
uents:
2.25. Sigui A Mn (K) una matriu quadrada. Es consideren sistemes AX = b amb matriu A. Demostreu que les condicions seg
uents s
on equivalents:
1. existeix un vector de constants b tal que el sistema AX = b es compatible determinat,
2. per a tot vector de constants b el sistema AX = b es compatible determinat,
3. la matriu A es invertible.
2.26. Sigui A = (aij ) Mn (K) amb coeficients aij = i + j. Quin es el rang de A?
CAPITOL 2. MATRIUS
40
2.27. Resoleu les equacions AX = B amb:

2.28. Donades matrius A Mmn (K) i B Mmp (K) doneu condicions necessàries i suficients per tal
que lequaci
o AX = B tingui soluci
o X Mnp (K).
2.29. Sigui A Mmn (K). Comproveu que les matrius X Mnp (K) tals que AX = 0mp son un
subespai vectorial de Mnp (K) i calculeu la seva dimensio.
2.30. Sigui V un K-espai vectorial i sigui {v i }16i6n una famlia de vectors. Demostreu que la dependència o independència lineal daquests vectors es equivalent a la de cadascuna de les dues
famlies {wi }16i6n seg
uents:
1. Donats dos ndexs diferents r 6= s, siguin
(
vi ,
si
wi =
v r + v s ,
si
i 6= r,
i = r,
per a un
K.
2. Per a cada i = 1, . . . , n sigui wi = i v i amb coeficient i K, i 6= 0.

n
o
Pn
2.31. Sigui V un K-espai vectorial de dimensio n amb base {ei }16i6n . Sigui v i = j=1 aij ej : 1 6 i 6 m
una famlia de m vectors de lespai expressats com a combinacio lineal delements de la base {ei }.
Demostreu que la dependència o independència lineal de la famlia {v i } es equivalent a la de cadascuna de les famlies de m vectors {wi : 1 6 i 6 m} obtingudes a partir de la famlia {v i } pels
procediments seg
uents:
1. Intercanviant les coordenades corresponents aP
dos vectors de la base: es fixen dos ndexs r, s
entre 1 i n i es defineix wi = air es + ais er + j6=r,s aij ej .
2. Sumant a la coordenada respecte dun vector de la base un m
ultiple de la coordenada respecte
dun altre vector (diferent): es P
fixen dos ndexs diferents r 6= s entre 1 i n, i un escalar , i es
defineix wi = (air + ais )er + j6=r aij ej ,
3. Multiplicant les coordenades respecte de cada vector de P
la base per un escalar no nul: es
n
consideren escalars j K amb j 6= 0 i es defineix wi = j=1 j aij ej .
2.32. Demostreu, fent servir els dos problemes anteriors, que rang per files i el rang per columnes duna
matriu coincideixen.
2.4
Determinant
El determinant duna matriu quadrada A Mn (K) es defineix com lescalar obtingut sumant
tots els productes de n entrades de la matriu que contenen un element de cada fila i un de cada
columna, agafats de totes les maneres possibles, i afectats cadascun dun signe 1 que depèn de
la permutaci
o corresponent. O sigui:
Definici
o 2.4.1 (F
ormula de Leibniz) El determinant de A = (aij ) Mn (K) es lelement
de K definit per la f
ormula seg
uent:
det A =
X
Sn
sgn a1,(1) a2,(2) an,(n) =
X
Sn
sgn
n
Y
ai,(i) .
i=1
Proposici
o 2.4.2 (Determinant de la matriu transposada) En transposar una matriu el
determinant no canvia: det At = det A.
CAPITOL 2. MATRIUS
41
En la resta daquesta secci

o es far`
a servir la notacio a1 , . . . , an per indicar els n vectors fila
de la matriu A. La notaci
o det(a1 , . . . , an ) indica el determinant de la matriu A pensat com una
aplicacio Kn .n)
. . Kn K que a cada n vectors ai Kn els fa correspondre el determinant
de la matriu que te aquests vectors com a files. La proposicio anterior assegura que tot el que
val per al determinant com una funci
o de n vectors fila es tambe cert en termes de columnes.
Proposici
o 2.4.3 (Forma multilineal alternada) En relaci
o a les files de la matriu, el determinant te les propietats seg
uents:
1. En multiplicar una fila per un escalar K el determinant queda multiplicat per :
det(a1 , . . . , ai , . . . , an ) = det(a1 , . . . , ai , . . . , an ).
2. Si una fila es una suma de dos vectors de Kn , el determinant es la suma de dos determinants: els de les matrius que tenen les demes files iguals i en aquesta fila tenen cadascun
dels dos vectors:
det(a1 , . . . , ai + bi , . . . , an ) = det(a1 , . . . , ai , . . . , an ) + det(a1 , . . . , bi , . . . , an ).
3. Si la matriu te dues files iguals el determinant val zero:
det(a1 , . . . , ai , . . . , aj , . . . , an ) = 0
si
ai = aj .
Corol.lari 2.4.4 El determinant duna matriu te les propietats seg

uents:
1. si una fila es zero, el determinant val zero;
2. si una fila es m
ultiple duna altra, el determinant val zero;
3. si a una fila se li suma un m
ultiple duna altra, el determinant no canvia;
4. en intercanviar dues files, el determinant canvia de signe;
5. en permutar les files, el determinant queda multiplicat pel signe de la permutaci
o.
Corol.lari 2.4.5 (Regla de Cramer) Si A Mn (K) te determinant diferent de zero aleshores tot sistema lineal AX = b es compatible determinat i les components xi de la seva soluci
o
(x1 , . . . , xn ) Kn venen donades per la f
ormula:
xi =
det Ai
,
det A
on Ai denota la matriu A amb la columna i-èsima canviada pel vector b.

Proposici
o 2.4.6 (Determinant dun producte de matrius) El determinant es multiplicatiu respecte del producte de matrius:
det(AB) = det A det B.
Corol.lari 2.4.7 (Determinant de la matriu inversa) Una matriu invertible A GLn (K)
te determinant det A 6= 0, i el determinant de la inversa es det(A1 ) = (det A)1 .
CAPITOL 2. MATRIUS
42
Definici
o 2.4.8 (Adjunt i matriu adjunta) Sanomena adjunt (i, j)-èsim de la matriu A
Mn (K) el determinant, afectat del signe (1)i+j , de la matriu quadrada de mida n1 que sobte
en suprimir la fila i-èsima i la columna j-èsima de la matriu A. Es denota aij . La matriu
A = (aij ) formada per tots els adjunts de A sanomena matriu adjunta de la matriu A.
Teorema 2.4.9 (Regla de Laplace) Es te:
(
n
X
det A,
aik ajk =
0,
k=1
si
si
i = j;
i 6= j.
Corol.lari 2.4.10 (F
ormula per a la matriu inversa) Una matriu A Mn (K) es invertible si, i nomes si, det A 6= 0. En aquest cas, la seva matriu inversa es:
A1 = (det A)1 (A )t .
Determinant de matrius amb entrades a un anell. Per a matrius A Mn (A ) amb
entrades a un anell commutatiu unitari A qualsevol el determinant es defineix de la mateixa
manera i tot el que sha dit en aquesta seccio tambe val excepte el corol.lari 2.4.10. En el cas dun
anell la condici
o que garanteix la invertibilitat duna matriu es que el seu determinant sigui un
element invertible de lanell de coeficients. Si es aix aleshores la matriu inversa es pot calcular
exactament igual: es la transposada de ladjunta multiplicada per linvers del determinant.
Problemes
2.33. Comproveu els determinants seg
uents, calculant-los de diferents maneres: directament els de mida
3, triangulant, desenvolupant per una fila o columna, . . .

1
2
1 2 1
1
1
7
4

1 = 4,
1 = 49,
(c) 1 1
(b) 0 3
(a) 1 0 1 = 6,
1
3 1 1
3 2 2
1 1

1 4
2 3
1 + i

1i
2 + i

3 0
1 4
1 = 7(1 + i),
(d) 1 i 1 + 2i
(e)
= 87.
2i
1 2 1 5
i
1
2 1
1 1

21 86

32
16 8

1+i 1 2 0
11 43

16
8 4

2+i 3 4 3

= 31 3i.
217 81 40
20 = 1,
(f ) 53
(g)
4 + i 2 3 2
50 186

68
35 18

1i 2 4 6
14
52 19 10
5
2.34. Calculeu els determinants seg
uents:

(a)

1
2
3
4
5
2
3
4
5
6
3
4
5
6
7
4
5
6
7
8
5
6
7
8
9

1
2
3

1
0
3

1 2
0
(b)

..
..
..

.
.
.

1 2 3

. . . n
. . . n
. . . n
..
.
... 0
CAPITOL 2. MATRIUS
43
2.35. Resoleu les equacions:

3

(a) 1
2
x
1
0

1 + x

x
(b)
x
x

0
x = 4,
x
x
x
1+x
x
x
1+x
x
x

x
x
= 0.
x
1 + x
2.36. Calculeu el determinant seg

uent. Indicacio: es pot obtenir una matriu diagonal fent transformacions elementals primer de files i despres de columnes.

x a a ... a

a x a ... a

a a x ... a

.. .. ..
..

. . .
.

a a a ... x
2.37. Trobeu el determinant de la matriu A = (aij ) Mn (K) amb coeficients aij = |i j|.
2.38. Trobeu el determinant de la matriu A = (aij ) Mn (K) amb coeficients
(
(1)|ij| ,
si i 6= j,
aij =
2,
si i = j.
2.39. Sigui A Mn (R) una matriu quadrada simètrica no nul.la de traca zero. Demostreu que si n = 2
cert si n > 3? Es
cert a Mn (C)?
aleshores A es invertible. Es
2.40. Calculeu el determinant duna matriu elemental E . Demostreu directament, sense fer servir la
proposici
o 2.4.6, que per a tota matriu A Mn (K) i tota matriu elemental E es compleix:
det(E A) = det(E ) det(A).
Demostreu duna altra manera la proposicio 2.4.6 a partir de la identitat anterior.
2.41. Demostreu que tota matriu quadrada antisimètrica (o sigui, tal que At = A) de mida n senar te
determinant zero.
2.42. Siguin A, B Mn (K) tals que AB + A + B = 0n . Demostreu que AB = BA.

1 2
2.43. Sigui A =
. Expresseu A1 com a producte de matrius elementals.
1 1
2.44. Sigui A = (a1 , a2 , a3 ) M3 (K) la matriu amb files a1 , a2 i a3 . Sigui B la matriu B = (a1 +
a3 , a1 + a2 , a2 + a3 ), donada tambe per files. Determineu la matriu P tal que B = P A i expresseu
el determinant de B en funci
o del determinant de A.
2.45. Comproveu la identitat seg
uent,

1

1

.
..

1
coneguda amb el nom de determinant de Vandermonde:

a1 a21 an1
1

n1
2
a2 a2 a2 Y
(ai aj )
..
..
.. =
.
.
. i>j
an a2 an1
n
2.46. Demostreu que si t1 , ..., tn s

on elements dun cos K no nuls i tots diferents aleshores, per a tot enter
m Z, el conjunt de vectors {(tk1 , . . . , tkn ) : m 6 k 6 m + n 1} es una base de Kn .
CAPITOL 2. MATRIUS
44
2.47. Demostraci
o de la regla de Laplace. Sigui A = (aij ) = (a1 , . . . , an ) Mn (K). Sigui ei la
base can`
onica de Kn . Demostreu primerament que det(a1 , . . . , an1 , en ) = an,n i despres que, en
general, tambe es te det(a1 , . . . , ar1 , es , ar+1 , . . . , an ) = ar,s per a tot 1 6 r, s 6 n.
A partir daix`
o, aplicant la multilinealitat del determinant, doneu una altra demostracio de la regla
de Laplace.
2.48. Generalitzaci
o de la regla de Laplace. Sigui k un enter amb 1 6 k 6 n. Sigui Xk el conjunt
dels subconjunts de {1, 2, . . . , n} que contenen k elements. Per a cada I Xk , I c denotarà el
seu complementari. Es defineix I com la permutacio de Sn que envia els enters 1, 2, . . . , k als
elements de I agafats en ordre creixent, i els enters k + 1, . . . , n als elements de I c tambe agafats
en ordre creixent. Donats I, J Sk es denotarà A(I,J) Mk (K) la submatriu formada per les
entrades que estan a les files i columnes indicades dels conjunts I i J, respectivament. Les entrades
daquesta matriu s
on:
(I,J)
Ai,j = aI (i),J (j) ,
1 6 i, j 6 k.
Demostreu que, per a cada subconjunt I Xk , es te la formula:

X
c
c
det(A) =
sgn(I ) sgn(J ) det A(I,J) det A(I ,J ) .
JXk
Captol 3
Aplicacions lineals
Els objectes dinterès de les matem`
atiques sovint son conjunts on hi ha definida una estructura
addicional. Per exemple: conjunts ordenats, reticles, grups, anells, cossos, espais vectorials,
espais mètrics, espais topol`
ogics, espais euclidians, espais de Hilbert, etc. En aquest context,
les aplicacions que respecten les estructures amb les que es treballa reben el nom genèric de
homomorfismes o morfismes.
Lobjectiu daquest captol es estudiar les aplicacions que respecten lestructura despai vectorial: els morfismes despais vectorials. Aquestes aplicacions es diuen tambe aplicacions lineals
o transformacions lineals.
3.1
Aplicacions lineals
Definici
o 3.1.1 (Aplicaci
o lineal) Siguin U i V espais vectorials sobre un mateix cos K. Una
aplicacio lineal entre U i V es una aplicaci
o f : U V tal que:
f (u + v) = f (u) + f (v)
f (xv) = xf (v),
u, v U, x K.
Dit duna altra manera, una aplicacio lineal es una aplicacio que envia cada combinaci
o
lineal de vectors
o lineal de les imatges daquests vectors amb els mateixos
Pde U a laPcombinaci
xi v i = xi f (v i ).
coeficients: f
Es fan servir els termes monomorfisme, epimorfisme i isomorfisme per anomenar una aplicacio lineal que sigui injectiva, exhaustiva o bijectiva, respectivament.
Una aplicaci
o lineal dun espai vectorial en ell mateix f : V V sanomena endomorfisme
de lespai, i, si es bijectiva, sanomena automorfisme.
Es diu que el subespai W V es un subespai invariant dun endomorfisme f End(V ) si
f (W ) W . En aquest cas la restricci
o f |W de laplicacio f al subconjunt W es un endomorfisme
daquest subespai.
Proposici
o 3.1.2 (Imatges i antiimatges de subespais) Sigui f : V V 0 una aplicaci
o
0
0
lineal. Siguin W V i W V subespais. La imatge f (W ) = {f (w) : w W } de W i
lantiimatge f 1 (W 0 ) = {v V : f (v) W 0 } s
on subespais de V 0 i de V , respectivament.
Hi ha dos casos especialment importants dimatge i antiimatge dun subespai per una aplicacio lineal, que reben el un nom de nucli i imatge:
45
CAPITOL 3. APLICACIONS LINEALS
46
Definici
o 3.1.3 (Nucli i imatge) Sigui f : U V una aplicaci
o lineal. El seu nucli, que es
denota Ker f , es el subespai de U format pels vectors amb imatge zero:
Ker f = {u U : f (u) = 0} = f 1 ({0}).
La seva imatge, que es denota Im f , es el subespai de V format pels vectors que s
on imatge
dalgun vector:
Im f = {f (u) : u U } = {v V : u U, f (u) = v} = f (U ).
Proposici
o 3.1.4 Sigui f : U V una aplicaci
o lineal. Aleshores:
1. f es injectiva si, i nomes si, Ker f = {0}, i
2. f es exhaustiva si, i nomes si, Im f = V .
Proposici
o 3.1.5 (Dimensions del nucli i la imatge) Per a tota aplicaci
o lineal f : U V
es te:
dim Ker f + dim Im f = dim U.
Operacions amb aplicacions lineals. Les aplicacions lineals es poden sumar, multiplicar
per un escalar, o compondre entre elles, sempre que els espais siguin adequats, obtenint-se com
a resultat una aplicaci
o lineal, de la manera seg
uent:
Suma: siguin f, g : U V aplicacions lineals entre dos espais vectorials. La seva suma
f + g : U V es defineix posant (f + g)(v) = f (v) + g(v).
Producte per escalars: donades una aplicacio lineal f : U V i un escalar x K, el
producte (xf ) : U V es defineix com (xf )(v) = x(f (v)).
Composici
o: si f : U V i g : V W son aplicacions lineals tals que lespai de dest de
la primera coincideix amb lespai dorigen de la segona, aleshores la composicio de totes
dues aplicacions g a f , definida com (g a f )(u) = g(f (u)), es una aplicacio lineal U W .
Es denota Hom(U, V ), o tambe L (U, V ), el conjunt de totes les aplicacions lineals entre els
dos espais vectorials U i V . Amb la suma i el producte per escalars que sacaben de definir
aquest conjunt es un K-espai vectorial.
Es denota End(V ) = Hom(V, V ) el conjunt dels endomorfismes dun espai vectorial V . Com
en el cas despais diferents, amb la suma i el producte es un espai vectorial, però a mes amb
la suma i la composici
o es un anell amb unitat: lelement neutre de la composicio es laplicaci
o
en general un anell no commutatiu i a mes conte elements diferents de zero que
identitat. Es
no son invertibles. Els elements invertibles son els automorfismes i es denota Aut(V ) End(V )
el conjunt corresponent. Els automorfismes dun espai vectorial son un grup amb operacio la
composicio daplicacions.
Problemes
3.1. Digueu si s
on o no aplicacions lineals les aplicacions seg
uents:
1. f : K2 K definida per f (x, y) = x + y,

2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
f:
f:
f:
f:
f:
f:
f:
f:
f:
f:
f:
47
K2 K definida per f (x, y) = xy,

K2 K3 definida per f (x, y) = (x + 2y, x 2y, 3y),
K2 K2 definida per f (x, y) = (x + y + a, x y a), on a K,
K3 K2 definida per f (x, y, z) = (x + y az, y + az x), on a K,
R2 R4 definida per f (x, y) = (x + y, |x|, |y|, y),
K2 K definida per f (x, y) = x2 + y 2 ,
K[X] K[X] definida per f (p) = p + q, on q K[X] es un polinomi
K[x] Kn definida per f (p) = (p(a1 ), p(a2 ), ..., p(an )), on a1 , . . . , an K,
Mmn (K) Mn (K) definida per f (A) = M A, on M Mnm (K),
Mn (K) K definida per f (A) = tr(A),
Mn (K) K3 definida per f (A) = (tr(A), det(A), rang(A)).
3.2. Trobeu la dimensi

o i una base del nucli i de la imatge de les aplicacions lineals seg
uents, i digueu
si s
on un monomorfisme, un epimorfisme o un isomorfisme.
1.
2.
3.
4.
5.
f:
f:
f:
f:
f:
R2 R2 definida per f (x, y) = (x + 2y, 4x + 6y),

R2 R3 definida per f (x, y) = (x y, 3x + 2y, 5x + 5y),
R3 R2 definida per f (x, y, z) = (x + 2y + 3z, 3y + 2z x),
R4 R4 definida per f (x, y, z, t) = (x y + z, x + t, t z + y, t + x),
U V entre espais de dimensio quatre amb bases {ui } i {v i } definida per:
f (au1 + bu2 + cu3 + du4 ) = (a + d)v 1 + (a b + c)v 2 + (b c + d)v 3 + (a + d)v 4 .
3.3. Demostreu que la dimensi

o de lespai Hom(U, V ) es el producte de les dimensions dels dos espais
U i V.
3.4. Sigui f End(V ) un endomorfisme dun espai vectorial. Demostreu que si V es un espai de
dimensi
o finita aleshores les condicions seg
uents son equivalents:
1. Existeix un endomorfisme g End(V ) tal que f a g = Id,
2. Existeix un endomorfisme h End(V ) tal que h a f = Id,
3. f es bijectiu (o sigui, un isomorfisme).
i que en cas que es compleixin aleshores g = h = f 1 .
Doneu un exemple dun espai de dimensio infinita en que això no es compleix.
3.5. Considereu laplicaci
o lineal f : R2 R3 definida per f (3, 5) = (1, 1, 2) i f (3, 7) = (1, 1, ). Doneu,
per als diferents valors de , una base de Ker f i unes equacions que defineixin Im f .
3.6. Sigui f lendomorfisme de R3 amb f (1, 0, 0) = (1, 1, 0), f (0, 1, 0) = (0, 1, 1) i f (0, 0, 1) = (1, 0, 1).
Doneu equacions que defineixin els subespais Ker f i Im f .
3.7. Sigui f : R2 R3 laplicaci
o lineal definida per f (x, y) = (x + 2 y, x + y, x + y). Trobeu els
valors del par`
ametre per als quals sigui Ker f = h(1, 1)i i els valors per als quals sigui Im f =
{(x, y, z) R3 : x y = 0}.
3.8. Donat un endomorfisme f dun espai vectorial V de dimensio finita n, demostreu que:
1.
2.
3.
4.
Si n es senar, o si n es parell i rang f 6= n/2 aleshores Ker f 6= Im f .

Si n = 2, aleshores o be Ker f = Im f o be Ker f Im f = {0}.
Si n = 3, aleshores o be Ker f Im f o be Im f Ker f o be Ker f Im f = {0}.
Per a tot n es te que V = Ker f Im f V = Ker f + Im f Ker f Im f = {0}.
48
3.9. A lespai R4 es considera el subespai V = {(x, y, z, t) R4 : x + y z = x t = 0} i lendomorfisme

definit per f (x, y, z, t) = x z, y + z t, x + y t, x y 2z + t). Calculeu la dimensio i una base
dels subespais V, f (V ), f 1 (V ) i comproveu que es te: f (f 1 (V )) ( V ( f 1 (f (V )).
3.10. Es considera lendomorfisme de R3 definit per f (x, y, z) = (x + y, x + 2 y, x + y + ( 1)z) en
funci
o dun par`
ametre R.
1. Trobeu la dimensi
o i una base del nucli i la imatge de f .
2. Sigui v = (1, 1, 2). Determineu els valors del paràmetre per als quals f1 ({v}) es no buit i
els valors per als quals el subespai f1 (hvi) es no trivial.
3. Sigui V R2 de dimensi
o 2. Determineu la dimensio de f (V ) en funcio de .
3.11. Sigui f lendomorfisme de R4 que sobre la base canònica pren els valors f (e1 ) = (1, 0, 1, 1), f (e2 ) =
(0, 1, 1, 0), f (e3 ) = (1, 1, 0, 1) i f (e4 ) = (0, 1, 0, 1).
1. Demostreu que si U, V s
on subespais no trivials tals que U V = R4 aleshores tambe R4 =
f (U ) f (V ).
2. Siguin U = {(x, y, z, t) R4 : 2x + y = z + t = 0}, V1 = {(x, y, z, t) R4 : y = z = x + t} i
V2 = {(x, y, z, t) R4 : y = z = x t}. Comproveu que per a cada i = 1, 2 es U Vi = R4 i
que f (U ) = U . Quant val f (Vi )?
3.12. Siguin f1 (x, y, z) = (x + y + 2z, 2x + y + z, x + 2y + z) i f2 (x, y, z) = (2y + z, x + 3y + z, x + y)
endomorfismes de R3 .
1. Doneu bases del nucli i la imatge dels endomorfismes f1 , f2 , f1 + f2 i f1 f2 .
2. Existeix algun vector v R3 diferent de zero tal que f1 (v) = f2 (v)? i que f1 (v) = f2 (v)?
Si nexisteixen trobeu-los tots.
3. Trobeu tots els vectors v R3 tals que f1 (v) = (1, 2, 1) + f2 (v).
3.13. Per a cada parell daplicacions f i g seg
uents calculeu la composicio g a f i, quan sigui possible, la
a
composici
o f g, i estudieu la injectivitat i exhaustivitat de totes dues aplicacions i de les composicions que estiguin definides:
1. f : R3 R3 definit per f (x, y, z) = (x + y, z, x + y), i
g : R3 R2 definit per g(x, y, z) = (x + z, y + z).
2. f : R3 R2 definit per f (x, y, z) = (x + 2y, y + z), i
g : R2 R3 definit per g(x, y) = (x, 2x + y, y).
3. f : R2 R4 definit per f (x, y) = (x, y, x + y, x y), i
g : R4 R3 definit per g(x, y, z, t) = (z t, x y + t, x y + z).
4. f : R2 R2 definit per f (x, y) = (x + y, x + y), i
g : R2 R2 definit per g(x, y) = (x y, x + y) amb paràmetre R.
3.14. Sigui {ui }16i63 una base dun K-espai vectorial de dimensio 3. Es considera lendomorfisme definit
per f (xu1 + yu2 + zu3 ) = (x + y + z)u1 + (2x y 2z)u2 + zu3 .
1. Demostreu que f i f 2 s
on isomorfismes i calculeu f 1 .
2. Demostreu que f + Id es un isomorfisme però que f 2 + Id no ho es.
3. Comproveu que (f + Id) a (f 2 + Id) = 2(f 2 + Id) i que f 2 + Id = f + f 1 .
3.15. Demostreu que dos endomorfismes f, g End(V ) dun espai vectorial de dimensio finita son auto cert lenunciat anàleg canviant composici
morfismes si, i nomes si, ho es la composicio f a g. Es
o
per suma? Es cert lenunciat an`

aleg si es suprimeix la condicio de dimensio finita?
Demostreu que un endomorfisme f dun espai vectorial de dimensio finita es un automorfisme si, i
nomes si, ho es una potència seva f k per a algun exponent k > 1.
49
3.16. Siguin W1 , W2 dos subespais no nuls dun espai vectorial V de dimensio finita. Demostreu que
existeix un endomorfisme no nul f End(V ) amb f (W1 ) W2 . Quan es pot afirmar que existeix
un endomorfisme amb f (W1 ) = W2 ?
3.17. Sigui f1 : R[X] R[X] laplicaci
o queRdona la derivada dun polinomi f1 (p) = p0 , i sigui f2 : R[X]
x
R[X] laplicaci
o definida per f2 (p) = 0 p(t) dt.
1. Demostreu que f1 es un R-endomorfisme de R[X] exhaustiu però no injectiu, i que f2 es un
R-endomorfisme de R[X] injectiu però no exhaustiu.
2. Comproveu que la composici
o f1 a f2 es bijectiva, mentre que la composicio f2 a f1 no es ni
injectiva ni exhaustiva.
3.18. Sigui f lendomorfisme de R3 definit per f (x, y, z) = (2x y, x, 2x 2y z). Comproveu que els
subespais U = h(1, 0, 1), (2, 1, 1)i i V = {(x, y, z) R3 : x = y} son subespais invariants per f i
trobeu les matrius de les restriccions f |U i f |V .
3.19. Sigui f End(R3 ) definit, en termes dun paràmetre R, per
f (x, y, z) = (2x + y + z, x + ( + 1)y + z, x + y + 2z).
Determineu els valors de per als quals els subespais seg
uents son invariants per f :
1. h(1, 1, 0)i,
2. h(1, 2, 1), (2, 1, 1)i,
3. h(1, 1, 1)i.
3.20. Sigui f End(R2 [X]) lendomorfisme determinat per:
f (1) = 2 X 2 ,
f (X 2 ) = 1 + 2X 2 ,
f (1 + X) = 2 + 2X X 2 .
Demostreu que W = h1 + x2 i es un subespai invariant per f i trobeu un subespai complementari

de W que tambe sigui invariant per f .
3.21. Siguin f1 , f2 : U V dues aplicacions lineals. Doneu condicions necessàries i suficients per tal que
existeixin automorfismes g Aut(U ) i h Aut(V ) tals que h a f2 = f1 a g.
3.22. Sigui V un espai vectorial de dimensio finita n i f : V V una aplicacio lineal. Demostreu que
V = Im f Ker f Im f = Im f 2 .
3.23. Sigui f : K[X] K[X] laplicaci
o definida per f (p) =
calculeu Ker f , Im f i Im f 2 .
p(X)p(0)
.
X
Demostreu que f es lineal,
3.24. Sigui V = W1 W2 . Demostreu que existeix un u

nic endomorfisme tal que f 2 = f , Ker f = W1 i
Im f = W2 .
3.2
Matriu duna aplicaci

o lineal
Sigui f : U V una aplicaci

o lineal entre dos K-espais vectorials de dimensio finita. Siguin
Bu = {u1 , . . . , un } i Bv = {v 1 , . . . , v m } bases dels espais U i V , respectivament.
Definici
o 3.2.1 (Matriu duna aplicaci
o lineal) La matriu de f en les bases Bu i Bv es la
matriu (aij ) Mmn (K) amb entrades determinades per les identitats:
f (uj ) =
m
X
i=1
aij v i ,
j = 1, . . . , n.
50
O sigui, es la matriu que te per columnes les coordenades dels vectors f (uj ), imatge dels vectors
de la base Bu de lespai de sortida U , en la base Bv de lespai darribada V .
Aquesta matriu es denota Mat(f ; Bu , Bv ) o amb altres notacions semblants, com per exemple MBu ,Bv (f ), o alguna cosa per lestil, on sespecifiquin laplicacio lineal i les bases que es
clar que aquesta matriu (un cop les bases estan fixades) determina completaconsideren. Es
ment laplicaci
o lineal f , ja que d
ona la imatge dels vectors duna base de U i, per linealitat, a
partir daquestes sobte la imatge de tots els vectors.
Si u = x1 u1 + + xn un i v = f (u) = y1 v 1 + + ym v m , aleshores es te:

y1
x1
a11 a12 a1n
a21 a22 a2n x2 y2

..
..
.. .. = .. .
.
.
. . .
am1 am2
amn
xn
ym
O sigui, Au = v, on A = (aij ) Mmn (K) es la matriu de laplicacio lineal f en les bases

considerades: A = Mat(f ; Bu , Bv ), i u i v representen en aquesta expressio les matrius columna
de les coordenades daquests dos vectors en les bases considerades.
Proposici
o 3.2.2 La relaci
o entre les operacions amb aplicacions lineals i les operacions que
corresponen a les matrius daquestes aplicacions es la seg
uent:
Mat(f + g; Bu , Bv ) = Mat(f ; Bu , Bv ) + Mat(g; Bu , Bv ),
Mat(xf ; Bu , Bv ) = x Mat(f ; Bu , Bv ), amb x K,
Mat(h a f ; Bu , Bw ) = Mat(h; Bv , Bw ) Mat(f ; Bu , Bv ),
on f, g Hom(U, V ), h Hom(V, W ), i Bu , Bv , Bw s
on bases de U, V i W , respectivament.
Proposici
o 3.2.3 Si Bu , Bu0 s
on dues bases de lespai U i Bv , Bv0 s
on dues bases de lespai V
aleshores la relaci
o entre les matrius duna aplicaci
o lineal f : U V en diferents bases es:
Mat(f ; Bu0 , Bv0 ) = Mat(Bv Bv0 ) Mat(f ; Bu , Bv ) Mat(Bu0 Bu ),
on apareixien les matrius del canvi de base en els espais U i V entre les dues bases considerades
en cada espai.
Aix, a partir de la matriu duna aplicacio lineal en unes bases es pot obtenir la matriu de la
mateixa aplicaci
o lineal en unes altres bases multiplicant a dreta i esquerra per les matrius de
canvi de base corresponents.
Proposici
o 3.2.4 Dues matrius de Mmn (K) s
on equivalents si, i nomes si, existeix una aplicaci
o lineal f : U V entre K-espais vectorials de dimensions n = dim U i m = dim V tal que
les dues matrius siguin la matriu de la mateixa aplicaci
o lineal f en algunes bases dels espais.
51
Corol.lari 3.2.5 Per a tota aplicaci

o lineal f : U V existeixen bases Bu i Bv dels dos espais
tals que la matriu Mat(f ; Bu , Bv ) es reduda; o sigui, es de la forma:
1 0 0 0 0 0
0 1 0 0 0 0
.. ..
.. .. ..
..
. .

. . .
.
1r
0r(nr)
0 0 1 0 0 0 =
,
0(mr)r 0(mr)(nr)
0 0 0 0 0 0
.. ..
.. .. ..
..
. .
. . .
.
0 0 0 0 0 0
on n = dim U , m = dim V , r = dim Im f i n r = dim Ker f .
Matriu dun endomorfisme. Si f End(V ) es un endomorfisme aleshores la matriu de f es
calcula fent servir una u
nica base B de lespai V per escriure tant les coordenades dun vector
v com les de la seva imatge f (v), i es denota simplement Mat(f ; B).
Si B 0 es una altra base de V , sigui P = Mat(B 0 B) la matriu del canvi de base. Aleshores:
Mat(f ; B 0 ) = P 1 Mat(f ; B) P .
Definici
o 3.2.6 (Matrius semblants) Dues matrius quadrades A, B Mn (K) es diuen sem a dir, si
blants (o conjugades) si s
on la matriu dun mateix endomorfisme en certes bases. Es
1
existeix una matriu invertible P GLn (K) tal que B = P AP .
Problemes
3.25. Sigui f lendomorfisme de R2 definit per f (x, y) = (2x y, 4x + 2y). Calculeu la matriu associada
a f en la base B = {(1, 1), (2, 3)}.
o lineal que en les bases canòniques te per matriu
1 1 2
0
0
1
.
1 1
0
1 1 1
Digueu si existeixen, i en
laplicaci
o lineal f sigui:
0 0
1 0
(a)
0 1
0 0
aquest cas trobeu-les, bases de R3 i de R4 en les quals la matriu de
0
0
,
0
1
1
1
(b)
0
0
1
1
0
0
0
0
,
0
0
2
2
(c)
2
2
2
2
2
2
2
2
.
2
2
3.27. Trobeu, si es possible, una aplicaci

o lineal f : R4 R3 tal que
Ker f = h(0, 1, 1, 1), (0, 1, 0, 1)i i
Im f = h(1, 0, 1), (2, 1, 0)i.
52
3.28. Es considera laplicaci

o lineal f : M2 (R) M3 (R) definida per

0
a a c
a b
f
= b 2d 0 a 2c .
c d
c
2c
3c
1. Calculeu la seva matriu en les bases canòniques dels espais.
2. Calculeu Ker f i Im f .
3. Doneu subespais complementaris dels dos espais de lapartat anterior.
o lineal f : M2 (R) R3 definida per

a b
f
= (a b + c d, a + d, 0).
c d
1.
2.
3.
4.
Calculeu la matriu en les bases canòniques dels espais.

Calculeu Ker f i Im f .
Doneu subespais complementaris dels dos espais de lapartat anterior.
Calculeu la matriu de f en la base del problema 1.7 per a lespai de matrius i la base
(1, 1, 1), (0, 1, 1), (0, 0, 1) per a lespai R3 .
3.30. Calculeu el nucli i la imatge de laplicacio lineal

respecte les bases can`
oniques dels dos espais es:
1
2
0 4
1 1
3.31. Estudieu si les matrius seg
uents s
on
1 1
A = 1 0
0 1
f : R4 R2 [X] tal que la seva matriu associada

1
0
1
2
2 .
2
equivalents:
0 0
1
0 1 ,
B = 1
0 1
2
3.32. Trobeu f ((3, 3, 4)), on f es lendomorfisme

v 1 = (1, 0, 0), v 2 = (2, 3, 0), v 3 = (3, 0, 2) es:
1
0
1
0
1
1
1
1
0
0
0 .
0
de R3 tal que la seva matriu associada en la base

1
1
0
0
1 .
1
Quines s
on les antiimatges de (5, 3, 2) per f ?
3.33. Sigui B = {v 1 , . . . , v n } una base dun K-espai vectorial V . Donats n escalars 1 , . . . , n K no
nuls, es considera la base B{1 ,...,n } de V que sobte en multiplicar cada v i per lescalar i , es a
dir, B{1 ,...,n } = {1 v 1 , . . . , n v n }. Determineu la relacio entre les matrius dun endomorfisme
f End(V ) en les bases B i B{1 ,...,n } . Què es pot dir daquestes dues matrius en el cas que
1 = = n ? Quan s
on iguals aquestes dues matrius?
3.3
Espai quocient
Sigui V un K-espai vectorial i sigui W V un subespai. Es defineix la relacio seg

uent entre els
vectors de V :
u v u v W,
53
que es una relaci

o dequivalència. Es denota V /W el conjunt quocient, el que sol denotar-se V /
quan es tracta de quocients per relacions dequivalència en conjunts en general. Els elements de
V /W son les classes dequivalència dels vectors de V :
[v] = {u V : u v} = {v + w : w W } = v + W.
O sigui, la classe dequivalència dun vector v es el conjunt format pels vectors que sobtenen
sumant el vector v a tots els vectors del subespai. Per exemple, si W = hwi es la recta generada
pel vector w aleshores els elements de V /W son les rectes de V paral.leles a la recta W (i el
mateix si es tracta de subespais de dimensio mes gran).
Com en tota relaci
o dequivalència hi ha una aplicacio canònica : V V /W que envia
cada vector a la seva classe: (v) = [v].
En el conjunt quocient V /W es defineixen una suma de classes i un producte de classes per
escalars a partir de la suma i el producte per escalars de vectors representants de les classes:
[u] + [v] := [u + v],
[v] := [v].
Proposici
o 3.3.1 (Espai quocient)
1. La suma i el producte per escalars de classes a partir de representants estan ben definides
i donen al conjunt quocient estructura de K-espai vectorial.
2. Laplicaci
o can`
onica : V V /W es un epimorfisme amb nucli Ker = W .
3. dim(V /W ) = dim V dim W .
Proposici
o 3.3.2 (Teorema disomorfisme) Per a tota aplicaci
o lineal f : U V es considera lespai quocient U/ Ker f . Aleshores laplicaci
o U/ Ker f Im f V que envia cada classe
[u] al vector f (u) est`
a ben definida i es un isomorfisme despais vectorials.
Proposici
o 3.3.3 (Endomorfisme indut a lespai quocient) Sigui f End(V ) un endomorfisme i sigui W V un subespai invariant. Laplicaci
o f |V /W : V /W V /W definida per
f |V /W ([v]) = [f (v)] est`
a ben definida i es un endomorfisme de lespai quocient V /W .
Problemes
3.34. Es consideren els subespais seg
uents de R4 :
V1 = h(1, 0, 1, 0), (0, 1, 0, 1), (0, 0, 1, 1)i,
V2 = {(x, y, z, t) R4 : x + y + z + t = x + y z + t = 0},
V3 = h(2, 1, 2, 1)i,
V4 = h(2, 1, 0, 1)i,
V5 = {(x, y, z, t) R4 : 2x + y + 4z = 2x + 3y + 4t = 0},
V6 = h(5, 2, 0, 3), (1, 2, 0, 1)i
Determineu les inclusions Vi Vj i, per a cadascuna, doneu una base de lespai quocient Vj /Vi .
54
3.35. Segon teorema disomorfisme. Siguin V, W U subespais vectorials. Considereu laplicacio lineal
V , V + W (V + W )/W composicio de la inclusio amb laplicacio canònica en lespai quocient,
que envia cada vector v V a la classe [v] = v + W V + W . Comproveu que es un epimorfisme,
calculeu el seu nucli, i deduu un isomorfisme de lespai (V + W )/W amb un espai quocient de
lespai V .
3.36. Tercer teorema disomorfisme. Siguin W V U inclusions despais vectorials. Demostreu que
laplicaci
o U/W U/V que envia la classe [u]W = u + W a la classe [u]V = u + V està ben
definida i es un epimorfisme. Calculeu el seu nucli i deduu un isomorfisme entre U/V i un espai
quocient de lespai U/W .
3.37. Sigui f un endomorfisme dun espai vectorial V i sigui W U un subespai invariant per f .
Quina relaci
o hi ha entre les matrius de f End(V ), de la seva restriccio f |W End(W ) al subespai
invariant W i de lendomorfisme f |V /W End(V /W ) indut a lespai quocient si es prenen bases
com les del problema anterior?
3.4
Espai dual
Un cos K es pot considerar com a espai vectorial sobre ell mateix, de dimensio 1. Tot element
no nul es una base. En particular, agafant com a base la unitat 1 K la coordenada de cada
element de K en aquesta base es el mateix element.
Definici
o 3.4.1 (Forma lineal) Sigui V un K-espai vectorial. Una forma lineal a V es una
aplicaci
o lineal : V K de V en lespai vectorial 1-dimensional K.
El mateix nom forma lineal es fa servir tambe per anomenar els polinomis homogenis de
grau 1 en varies variables: polinomis F = a1 X1 + a2 X2 + + an Xn amb coeficients ai K.
La relacio entre aquests dos tipus dobjectes, que justifica el fet que es diguin igual, es produeix
(en espais de dimensi
o finita) en fixar una base
P de lespai. Sigui B = {v 1 , . . . , v n } una base de
V . Aleshores, en avaluar un polinomi F =
ai Xi en les coordenades dun vector de V sobte
una aplicacio lineal F : V K, amb:
F (v) = a1 x1 + + an xn ,
si v = x1 v 1 + + xn v n ,
i tota aplicaci
o lineal V K sobte daquesta manera
o
Pn a partir duna forma. En efecte, laplicaci
lineal : V K prove de la forma lineal F = i=1 (v i )Xi que te per coeficients els valors de
laplicacio en els vectors de la base. Es te aix una bijeccio (que de fet es un isomorfisme despais
vectorials) entre lespai Hom(V, K) i lespai de les formes lineals en n variables sobre K.
Definici
o 3.4.2 (Espai dual) Sigui V un K-espai vectorial. L espai dual de V es el K-espai
vectorial Hom(V, K) de les formes lineals. Es denota V .
Proposici
o 3.4.3 (Base dual) Sigui V un espai vectorial de dimensi
amb base v 1 , . . . , v n .

P o finita
xi v i = xi s
on una base de
Aleshores les aplicacions lineals v i : V K definides posant v i
lespai dual V , que sanomena base dual de la base de partida.

Tota base del dual V dun espai de dimensi
o finita V es la base dual duna base de V .
Corol.lari 3.4.4 (Dimensi
o de lespai dual) Si V es de dimensi
o finita, dim V = dim V .
55
En dimensi
o infinita sha danar amb compte. Tot i que el dual V dun espai de dimensi
o
infinita V te tambe dimensi
o infinita, la seva dimensio es estrictament mes gran (en el sentit de
cardinals infinits) que la dimensi
o de lespai V .
Definici
o 3.4.5 (Aplicaci
o lineal dual) Sigui f : U V una aplicaci
o lineal. L aplicaci
o
dual de f es laplicaci
o f : V U definida posant f () = a f , per a cada forma lineal
tambe una aplicaci
: V K. Es
o lineal.
Proposici
o 3.4.6 (Matriu de laplicaci
o dual) Siguin Bu i Bv bases dels espais vectorials
de dimensi
o finita U i V i siguin Bu i Bv les bases duals corresponents. Aleshores, per a cada
aplicaci
o lineal f : U V , amb dual f : V U , es te:
Mat(f ; Bv , Bu ) = Mat(f ; Bu , Bv )t
Corol.lari 3.4.7 (Canvi de bases duals) Siguin Bu i Bv dues bases dun espai vectorial de
dimensi
o finita V . Aleshores la matriu que d
ona els canvi de les bases duals respectives es:
Mat(Bu Bv ) = (Mat(Bu Bv )1 )t .
Problemes
3.38. Sigui B la base de R3 formada pels vectors v 1 = (1, 0, 0), v 2 = (0, 1, 0) i v 3 = (a, b, 1). Calculeu la
base dual B = {v 1 , v 2 , v 3 } i trobeu la forma lineal : R3 R que en aquesta base te coordenades
(1, 1, 1).
3.39. Es consideren els vectors v 1 = (5, 1, 2), v 2 = (4, 1, 1) i v 3 = (3, 0, 1) de R3 i la forma (x, y, z) =
2x + 3y z. Comproveu que els v i son una base de R3 i calculeu les coordenades de en la seva
base dual.
3.40. Es consideren les formes lineals 1 (x, y, z) = 2x + y + z, 2 (x, y, z) = x + 3y z i 3 (x, y, z) =
x 7y + z. Determineu els valors del paràmetre per als quals aquestes tres formes son linealment dependents i en aquest cas doneu una relacio de dependència lineal. Quan les formes siguin
independents doneu les coordenades dun vector (a, b, c) R3 en la base de lespai que tingui les
formes i com a base dual.
3.41. Sigui V un K-espai vectorial amb base {v 1 , v 2 , v 3 } i sigui {v 1 , v 2 , v 3 } la base dual corresponent.
Comproveu que les formes 1 = v 1 v 2 , 2 = v 1 v 3 , 3 = v 2 + v 3 son una base de V i trobeu
la base de V de la qual s
on base dual.
3.42. Sigui V el dual de lespai dual de V (de vegades se li diu lespai bidual ). Demostreu que laplicaci
o
V V que envia cada vector v a la forma lineal v : V K definida per v () = (v) es un
monomorfisme despais vectorials que, si V es de dimensio finita, es un isomorfisme.
3.43. Per a cada R es denota : Rn [X] R laplicacio que a cada polinomi p(X) li fa correspondre
el seu valor p(). Siguin 1 , 2 , . . . , n+1 nombres reals diferents.
1. Demostreu que les n + 1 formes lineals 1 , . . . , n+1 son una base de lespai dual Rn [X] .
Sigui B = {p1 (X), . . . , pn+1 (X)} la base de Rn [X] que la te per dual.
2. Trobeu les coordenades dun polinomi p(X) Rn [X] en la base B.
56
3. Demostreu que donats n + 1 nombres reals qualsevol 1 , . . . , n+1 el polinomi

p(X) =
n+1
X
i pi (X)
i=1
es l
unic polinomi de Rn [X] tal que p(i ) = i per a tot i = 1, . . . , n + 1.
4. Siguin a < b dos nombres reals. Demostreu que existeix una u
nica (n + 1)-tupla de nombres
reals (x1 , x2 , . . . , xn+1 ) Rn+1 tal que
Z
p(t) dt =
a
n+1
X
xi p(i )
i=1
per a tot polinomi p(X) Rn [X].

o lineal definida per f (x, y) = (3x y, 5x 2y, 4x + 2y, 7x +
3y). Siguin Bu = {(1, 2), (1, 1)} i Bv = {(1, 1, 1, 1), (1, 1, 1, 2), (0, 1, 1, 1), (1, 1, 0, 0)}
bases de tots dos espais. Calculeu les bases duals corresponents i calculeu directament les matrius
Mat(f ; Bu , Bv ) i Mat(f ; Bv , Bu ) sense fer servir la proposicio 3.4.6.
3.45. Sigui f End(R3 ) definit per f (x, y, z) = (x + y + 2z, x z, y + 3z).
1. Doneu bases del nucli i la imatge de f i del seu dual f .
T
2. Comproveu que Im f = Ker f Ker .
T
3. Comproveu que Ker f = Im f Ker .
3.46. Siguin w V i V un vector i una forma dun espai vectorial i el seu dual. Demostreu que
laplicaci
o f : V V definida per f (v) = v + (v)w es un endomorfisme, i calculeu el seu dual f .
Captol 4
Endomorfismes
Donada una aplicaci
o lineal f : U V entre dos espais vectorials diferents, es poden triar bases
de tots dos espais de tal manera que la matriu en aquestes bases sigui molt senzilla: una matriu
en forma can`
onica reduda del tipus ( 10 00 ). A mes, donada una matriu qualsevol es molt fàcil
decidir si existeixen bases en les quals laplicacio lineal f tingui aquesta matriu: la condicio es
que el rang de la matriu coincideixi amb la dimensio del subespai imatge.
En canvi, per a endomorfismes dun mateix espai f : V V , on la matriu es calcula fent
servir una u
nica base, els problemes anàlegs als anteriors son molt mes difcils. Lobjectiu
daquest captol es estudiar lexistència de bases en les quals la matriu dun endomorfisme sigui
especialment senzilla, i la manera de trobar-les, aix com la caracteritzacio de les matrius que
representen un endomorfisme donat en alguna base.
4.1
Vectors propis i valors propis
Definici
o 4.1.1 (Vectors i valors propis) Sigui f : V V un endomorfisme dun K-espai
vectorial V .
Un vector v V es un vector propi de lendomorfisme f si v 6= 0 i existeix un escalar
K tal que f (v) = v.
Un escalar K es un valor propi de lendomorfisme f si existeix un vector v 6= 0 amb
f (v) = v.
A cada vector propi v li correspon un u
nic valor propi : lescalar tal que f (v) = v. En
canvi, per a cada escalar que sigui un valor propi hi ha molts vectors propis que el tenen com a
valor propi:
Definici
o 4.1.2 (Subespai propi) Donats un endomorfisme f End(V ) i un escalar K
es considera lendomorfisme f := f Id End(V ). El seu nucli:
V = Ker(f ) = {v V : f (v) = v}
es un subespai vectorial de V format pel vector zero i per tots els vectors propis de f amb valor
propi , en cas que nhi hagi algun. Sanomena subespai propi de valor propi .
57
CAPITOL 4. ENDOMORFISMES
58
Per definici
o, lescalar es un valor propi de lendomorfisme f si, i nomes si, el subespai
propi Ker(f ) es no trivial (diferent de lespai {0})
Sigui A = (aij ) = Mat(f ; B) Mn (K) la matriu de f en alguna base B de V . Aleshores la
matriu de f Id en aquesta mateixa base es la matriu
a11
a12
a1n
a21
a22
a2n
Mat(f Id; B) = A 1n = .
.
..
.
.
.
.
.
an1
an2
ann
obtinguda restant lescalar a totes les entrades de la diagonal de A. Per tant, per a calcular
V sha de resoldre el sistema lineal homogeni de matriu A 1n .
Proposici
o 4.1.3 Si 1 , . . . , r s
on valors propis diferents dun endomorfisme els subespais
propis corresponents estan en suma directa:
V1 + V2 + + Vr = V1 V2 Vr .
Corol.lari 4.1.4 Siguin 1 , . . . , r valors propis diferents de lendomorfisme f End(V ) i, per
o de
a cada i , sigui Bi = {v i,1 , . . . , v i,ti } una base del subespai propi Vi . Aleshores, la reuni
totes aquestes bases ri=1 Bi es una famlia de vectors linealment independent de lespai V .
Problemes
4.1. Com es veu en la matriu dun endomorfisme A = (aij ) = Mat(f, B) quins vectors de la base B
s
on vectors propis? Com es la matriu dun endomorfisme en una base formada per vectors propis?
4.2. Trobeu la matriu en la base can`
onica dun endomorfisme f End(R3 ) tal que:
1. f (e1 ) + f (e3 ) = e1 + e3 ,
2. f (e1 ) + f (e2 ) = e1 + e2 , i
3. els vectors del subespai U V interseccio de U = {(x, y, z) R3 : z + y 2x = 0} i
V = h(2, 0, 3), (1, 0, 1)i s
on vectors propis de valor propi 1.
4.2
Polinomi caracterstic
Definici
o 4.2.1 (Polinomi caracterstic) El polinomi caracterstic duna matriu quadrada
A = (aij ) Mn (K) es el polinomi:

a11 X
a12
a1n

a21
a22 X
a2n

Char(A; X) := det(A X1n ) =

..
..
..

.
.
.

an1
an2
ann X
El polinomi caracterstic dun endomorfisme f End(V ) dun espai de dimensi
o finita V es
defineix com el de la matriu de lendomorfisme en una base B qualsevol de lespai:
Char(f ; X) := Char(A; X)
amb
A = Mat(f ; B)
on
es una base de
V.
59
Proposici
o 4.2.2 (Propietats del polinomi caracterstic) Sigui f End(V ) un endomorfisme i sigui A = Mat(f ; B) Mn (K) la seva matriu en una base. Aleshores:
1. El polinomi caracterstic de f est`
a ben definit: no depèn de la base escollida per calcular-lo;
2. Char(A; X) te grau n i el coeficient de X n es (1)n ;
3. el coeficient de X n1 de Char(A; X) es (1)n1 Tr(A);
4. el terme independent de Char(A; X) es el determinant det(A).
En alguns textos el polinomi caracterstic de la matriu A es defineix com det(X1n A).
Aquest polinomi difereix del que sha definit aqu en el producte per lescalar (1)n . Per tant en
dimensio parell tots dos coincideixen i per a dimensio senar sha de canviar el signe. Les arrels
del polinomi caracterstic i les multiplicitats de cadascuna son les mateixes si es fa servir una
definicio o laltra. El polinomi det(X1n A) es sempre mònic, el coeficient de X n1 es Tr(A)
i el terme independent es (1)n det(A).
Teorema 4.2.3 Un escalar K es un valor propi dun endomorfisme f End(V ) si, i nomes
si, es una arrel del seu polinomi caracterstic.
Definici
o 4.2.4 (Multiplicitats dels valors propis) Sigui K un valor propi de lendomorfisme f End(V ). Es defineixen:
La multiplicitat algebraica de es la seva multiplicitat com a arrel del polinomi caracterstic de f : la m`
axima potència m tal que (X )m divideix Char(f ; X).
La multiplicitat geomètrica de es la dimensi
o del subespai propi V = Ker(f Id).
Proposici
o 4.2.5 Les multiplicitats algebraica ma () i geomètrica mg () dun valor propi
satisfan les desigualtats: 1 6 mg () 6 ma ().
Problemes
4.3. Trobeu els valors propis racionals, reals i complexos de les matrius seg
uents:

0 1
0 1
cos
(a)
(b)
(c)
1 0
1 0
sin
3 13 10
10
(d) 1 3
0 1
3
3
1
(g)
0
1
19
1
0
4
4 28
0
4
2 1
1
7
1
(e) 1
1
6 2
3 0
(h)
0 7
2 0
15 17
7 6
5
3
3
2
0
1
21
9
11
6
1
(f ) 4
4
6
7
(i)
3
21
0
0
1
0
sin
cos
7
0
28
1
1
4
1
0
0
4
2
2
1
7
4.4. Siguin B i B 0 dues bases dun espai vectorial real V de dimensio dos i sigui A = Mat(B B 0 )
la matriu del canvi de base. Demostreu que existeix un vector no nul v V amb coordenades
(a, b) en la base B i coordenades (a, b) en la base B 0 per a algun nombre real si, i nomes si,
Tr(A)2 > 4 det(A).
60
4.5. Sigui f lendomorfisme de R3 definit per f (x, y, z) = (x + y, x + ay z, x + y bz).

1. Determineu els valors de a i b per als quals el vector (1, 1, 0) es un vector propi de f i el
subespai {(x, y, z) R3 : y + z = 0} es un subespai invariant per f .
2. Determineu els valors de a i b per als quals 1 es un valor propi de f . Per a quins valors 1 es
valor propi de f amb multiplicitat algebraica 2?
4.6. Sigui f End(V ) i sigui U V un subespai propi. Sigui f |U End(U ) la restriccio de lendomorfisme al subespai U . Demostreu que el polinomi caracterstic Char(f |U ; X) divideix el polinomi
caracterstic Char(f ; X).
4.7. Sigui f End(V ) i sigui U V un subespai propi. Sigui W = V /U lespai vectorial quocient
corresponent. Comproveu que laplicacio f |W : W W definida per f |W ([v]) = [f (v)] està ben
definida i es un endomorfisme de W , i demostreu que
Char(f ; X) = Char(f |U ; X) Char(f |W ; X).
4.8. Sigui f End(V ). Demostreu que existeix una base de V en la qual la matriu de f es triangular
si, i nomes si, Char(f ; X) descompon completament en producte de polinomis de grau 1.
4.9. Sigui f un endomorfisme dun R-espai vectorial E de dimensio finita. Demostreu que lendomorfisme f te com a mnim un valor propi si, i nomes si, existeix com a mnim un subespai invariant
per f de dimensi
o senar.
4.10. Calculeu el polinomi caracterstic de la matriu seg
uent:
0 0 0
a0
1 0 0
a1
0 1 0
a2
Mn (K).
.. ..
..
..
. .
.
.
0 0 1 an1
4.11. Sigui R un anell no necess`
ariament commutatiu (amb unitat). Les matrius amb entrades a lanell
R i les operacions amb aquestes matrius es defineixen com en el cas dun cos, i tot funciona
exactament igual. La definici
o de determinant tambe val per a matrius quadrades de Mn (R).
Comproveu que en aquest cas la f
ormula de Laplace no val en general per a matrius de Mn (R).
Sigui A = (aij ) Mn (K). Justifiqueu perquè per a calcular el determinant seg
uent:

a11 1n A
a12 1n
a1n 1n

a21 1n
a
1
a2n 1n
22
n

..
..
..

.
.
.

an1 1n
an2 1n
ann 1n A
a lanell de matrius Mn (R) amb entrades a lanell no commutatiu R = Mn (K) s que es pot fer
servir la f
ormula de Laplace. Quant dona aquest determinant?
4.3
Endomorfismes diagonalitzables
Definici
o 4.3.1 (Endomorfismes i matrius diagonalitzables) Un endomorfisme es diu diagonalitzable si existeix una base de lespai formada per vectors propis.
Una matriu quadrada A Mn (K) es diu diagonalitzable si existeix una matriu invertible
P Mn (K) tal que P 1 AP sigui una matriu diagonal.
61
a dir, un endomorfisme es diagonalitzable si, i nomes si, existeix una base de lespai en la
Es
qual la matriu de lendomorfisme es una matriu diagonal.
Teorema 4.3.2 Un endomorfisme f es diagonalitzable si, i nomes si, es compleixen les dues
condicions seg
uents:
1. El seu polinomi caracterstic descompon completament en producte de factors de grau 1:
Char(f ; X) = (1)n (X 1 )m1 (X 2 )m2 (X r )mr .
2. Per a cada valor propi i de f les multiplicitats algebraica i geomètrica coincideixen:
dim(Vi ) = mi
i = 1, 2, . . . , r.
Corol.lari 4.3.3 Tot endomorfisme f End(V ) dun espai de dimensi

o n tal que el seu polinomi
caracterstic Char(f ; X) tingui n arrels diferents segur que diagonalitza.
Problemes
4.12. Trobeu els valors i vectors propis de les matrius seg
uents i digueu si son diagonalitzables:

1 1
1 1
3 1
(a)
(b)
(c)
1 1
0 2
4
1
2
(d) 3
3
0
1
3
0
3
1
2
0
2
0
1
0
0
(g) 1
0
2
(e) 4
1
4
(h) 3
0
0 1
2 1
0 2
3
2
0
1
1
1
2
(f) 0
1
0
(i) 1
1
20
3
7
4
0
2
1 0
2 0
1 1
4.13. Sabent que (1, 2) i (1, 3) s

on vectors propis duna matriu A M2 (R) de valors propis 1 i 3,
respectivament, calculeu An per a n > 1.
4.14. Determineu els valors dels par`
ametres reals per als quals les matrius seg
uents son diagonalitzables
i, en aquest cas, doneu la seva forma diagonal:

5 0 0
1 0 0
3 0 1
a b
(a)
(b) 0 1 b
(c) a 1 0
(d) 1 4 a
b a
3 0 a
b c 2
1 0 5
4.15. Demostreu que els endomorfismes f, g : M2 (R) M2 (R) definits per

0 1
t
f (A) = A
i
g(A) =
A
1 0
s
on tots dos diagonalitzables i trobeu una base de vectors propis per a cadascun.
62

o f End(R2 [x]) definida per:
f (1) = 2 x2 ,
f (x2 ) = 2x2 1,
f (1 + x) = 2 + 2x x2 .
1. Trobeu la matriu A de f en la base canònica {1, x, x2 } de lespai R2 [x].

2. Doneu una base de R2 [x] en la qual la matriu D de f sigui diagonal.
3. Trobeu una matriu P M3 (R) invertible tal que P D = AP .
4.17. Sigui f un endomorfisme dun K-espai vectorial E de dimensio 4. Suposis que existeix v E
tal que els vectors v, f (v), f 2 (v), f 3 (v) son linealment independents, i que f 4 (v) = v. Demostreu
que si K = C aleshores lendomorfisme f es diagonalitzable, però que si K = R aleshores f no es
diagonalitzable.
4.18. Determineu els endomorfismes f de R3 que verifiquin les condicions que sespecifiquen i, en cada
cas, calculeu el seu polinomi caracterstic.
1. Que tingui els vectors propis (1, 0, 0), (1, 1, 0) i (1, 0, 1) amb valors propis 2, 1 i 1, respectivament.
2. Amb nucli Ker f = h(0, 0, 1)i i tal que W = {(x, y, z) R3 : x + y = z} sigui el subespai
generat pels vectors propis de valor propi 2.
3. Amb un u
nic valor propi real, nucli Ker f = h(0, 0, 1)i, i tal que W = {(x, y, z) R3 : x + y =
z} sigui un subespai vectorial invariant.
4. No diagonalitzable tal que (1, 0, 0) i (0, 1, 1) siguin vectors propis de valor propi 1.
4.19. Sigui A M2 (R) de traca t = Tr(A). Demostreu que si t es un valor propi de A aleshores
Am = tm1 A per a tot natural m > 1.
4.20. Siguin f, g End(E) s
on endomorfismes dun espai de dimensio finita. Demostreu que si v es un
vector propi de g a f de valor propi 6= 0 aleshores f (v) es un vector propi de f a g de valor propi
. Què passa si = 0? Demostreu que si g a f es invertible i diagonalitzable aleshores f a g tambe
es diagonalitzable.
4.21. Es consideren les matrius
1
A= 0
0
3 1
2 1
1 0
1
i B = 1
0
2 1
1 2 .
0 2
1. Comproveu que les matrius A i B no son R-diagonalitzables però que la matriu BA s que
ho es.
2. Trobeu una matriu diagonal D M3 (R) i dues matrius invertibles P , Q M3 (R) de manera
que BA = P DP 1 i AB = QDQ1 .
: Pot ser u
Indicacio
til el problema anterior.
4.22. Sigui f End(Rn ) i sigui (b1 , . . . , bn , ) Rn+1 un vector fixat. Es defineix g End(Rn+1 ) per:
g(x1 , . . . , xn , xn+1 ) = (y1 , . . . , yn , 0) + xn+1 (b1 , . . . , bn , ),
on (y1 , . . . , yn ) = f (x1 , . . . , xn ).
1. Relacioneu les matrius de totes dues aplicacions lineals en les bases canòniques.
2. Demostreu que si (c1 , . . . , cn ) es un vector propi de f aleshores (c1 , . . . , cn , 0) es un vector
propi de g, i que si (b1 , . . . , bn ) = (f Id)(d1 , . . . , dn ) aleshores (d1 , . . . , dn , 1) es un vector
propi de g.
63
3. Suposis que f es diagonalitzable. Demostreu que g es diagonalitzable si, i nomes si,

(b1 , . . . , bn ) Im(f Id).
4.23. Sigui f End(R3 ) definit per f (x, y, z) = (x + y z, x y + z, x + y z), i sigui g End(R4 )
definit per g(x, y, z, t) = (x y z + t, x y + z + 2t, x + y z + t, 3t).
1. Doneu bases dels subespais nucli i imatge de lendomorfisme f + 3 Id. Calculeu, en cas que
existeixin, les antiimatges de (1, 2, 1) per aquest endomorfisme.
2. Justifiqueu que f i g s
on diagonalitzables i, en cada cas, doneu una base de vectors propis.
: Pot ser u
Indicacio
til el problema anterior.
4.24. Calculeu An , on A es la matriu:

(a)
2
1

1
2

(b)
4
6

2
3
1
(c) 1
0
1
0
1
1
0
0
4.25. Trobeu una matriu A M2 (R) tal que A =

65
33
.
66 34
4.26. Sigui f lendomorfisme de R3 que te per matriu en la base canònica
1 2 3
1 1 .
Mat(f ; {ei }) = 0
1 1 2
Estudieu si f es diagonalitzable. Es consideren els subespais U i V de R3 definits, respectivament,
per les equacions x y + z = 0 i x y + 2z = 0. Demostreu que tant U com V son invariants per f
i estudieu si les restriccions f |U i f |V son diagonalitzables, donant, si es el cas, la forma diagonal
de la restricci
o corresponent.
4.27. Sigui V un K-espai vectorial de dimensio finita i f End(V ). Per a cada polinomi P (X) =
a0 + a1 X + a2 X 2 + + an X n K[X] es defineix lendomorfisme
P (f ) = a0 Id +a1 f + a2 f 2 + + an f n End(E).
1. Trobeu la relaci
o que hi ha entre els valors propis de f i de P (f ).
2. Si f es invertible, trobeu la relacio que hi ha entre els valors propis de f i de f 1 .
3. Demostreu que si f diagonalitza, aleshores P (f ) i f 1 (si f es invertible) tambe diagonalitzen
i trobeu la relaci
o entre les formes diagonals respectives.
(1)
(n)
4.28. Es consideren n successions {xk }k>0 , . . . , {xk }k>0 delements dun cos K definides de manera
recurrent per una expressi
o lineal, de la manera seg
uent: els termes (k + 1)-èsims de cada successi
o
a dir, existeix una
s
on combinacions lineals dels termes k-èsims de totes les n successions. Es
(1)
(2)
(n)
matriu A Mn (K) tal que si xk = (xk , xk , . . . , xk ) Kn denota el vector de Kn que te per
components els termes k-èsims de les n successions, aleshores xk+1 = Axk per a cada k > 0.
Determineu totes les successions de nombres reals {ak }k>0 i {bk }k>0 verificant:
ak+1 = 2bk
bn+1 = 3an + 5bn .
64
4.29. Una successi

o definida per una recurrència lineal de grau n es una successio {xk }k>0 delements
dun cos K tal que cada terme (a partir del terme n-èsim) sobte com una combinacio lineal dels
n termes anteriors:
xk+n = a0 xk + a1 xk+1 + + an1 xk+n1 ,
k > 0,
per a uns
ai K.
Digueu com es pot trobar una f

ormula que per al terme general duna successio recurrent fent servir
la diagonalitzaci
o de matrius i quin paper hi juga en el càlcul daquest terme general el polinomi
a0 + a1 X + + an1 X n1 + X n K[X].
Calculeu el terme general de la successio de Fibonacci {1, 1, 2, 3, 5, 8, 13, 21, 34, . . . }, definida per la
f
ormula recurrent:
F0 = 1, F1 = 1,
Fk+2 = Fk + Fk+1 , k > 0.
4.30. Sigui
A = a1
a2
a
0
a1
a2
a ,
0
a R, a 6= 0.
1. Demostreu que A es invertible i trobeu A1 usant el Teorema de Cayley-Hamilton.

2. Estudieu la diagonalitzaci
o de A, i en els casos en que això sigui possible, trobeu una matriu
P tal que P 1 AP sigui diagonal.
3. Calculeu An per a cada n Z.
4.31. Trobeu tots els endomorfismes f End(R3 ) que compleixen totes les condicions seg
uents:
1.
2.
3.
4.
5.
he1 , e2 i i he3 i s
on subespais invariants per f ,
Ker(f ) = h(1, 2, 0)i,
la matriu de f en la base ordin`
aria es simètrica,
Tr(f ) = 6, i
1 es un valor propi de f .
4.32. Una matriu A Mn (K) es diu nilpotent si existeix un enter k > 1 tal que Ak = 0. Sigui A una
matriu nilpotent.
1. Demostreu que A es conjugada dalguna matriu triangular superior estricta: una matriu (uij )
amb entrades uij = 0 si i > j.
2. Demostreu que An = 0.
3. Trobeu el polinomi caracterstic de la matriu A i, fent servir aquest, trobeu el de la matriu
A + 1n .
4. Calculeu det(A + 1n ).
5. Demostreu que det(A + B) = det(B) per a tota matriu B Mn (K) que commuti amb A.
4.33. Sigui K el cos dels nombres reals o complexos. Recordis que lexponencial dun nombre real o
P k
complex x ve donada per la sèrie de potències exp(x) = k=1 xk! . Es defineix lexponencial duna
matriu quadrada A Mn (K) com la matriu que resulta en sumar la sèrie:
X 1
1
1
1
exp(A) = 1n + A + A2 + A3 + + An + =
Ak .
2
6
n!
k!
k=0
Digueu com es pot calcular lexponencial duna matriu diagonalitzable i calculeu lexponencial de
les matrius seg
uents:

1
0
0
1 1
3 9 + 2
log 2
0 ,
(a)
,
(b) 0
(c)
.
2 0
1
3
1 2 log 2 0
65
P
4.34. Estudieu la convergència de la sèrie k=0 Ak per a una matriu diagonalitzable A Mn (R) i en
cas que sigui convergent digueu quina es la suma de la sèrie.
4.4
Forma de Jordan
Dacord amb el teorema 4.3.2 hi ha dues obstruccions a que un endomorfisme pugui diagonalitzar:
Primera: que el polinomi caracterstic de lendomorfisme no tingui prou arrels.
Segona: que per a algun valor propi no hi hagi suficients vectors propis; o sigui, que la
multiplicitat geomètrica sigui estrictament menor que la multiplicitat algebraica.
Es dirà que un polinomi P (X) K[X] descompon completament o que descompon en factors
lineals si te tantes arrels com el seu grau comptant multiplicitats. O sigui, si:
P (X) = a0 + a1 X + + an X n = an (X 1 )m1 (X 2 )m2 (X t )mt
amb arrels i K de multiplicitats mi .
Els cossos en els quals tot polinomi no constant te una arrel sanomenen algebraicament
tancats. Aquesta condici
o es equivalent al fet que tot polinomi descompongui completament.
`
El Teorema Fonamental de lAlgebra
assegura que el cos C dels nombres complexos es un cos
algebraicament tancat.
Sigui f End(V ) un endomorfisme. Per a cada enter k > 1 es denotarà f k End(V )
lendomorfisme f a a f obtingut fent la composicio de f amb ell mateix k vegades. Per a cada
escalar K es denotar`
a f lendomorfisme f Id End(V ).
Definici
o 4.4.1 (Vectors propis generalitzats) Sigui f End(V ). Un vector propi generalitzat de valor propi de lendomorfisme f es un vector no nul v V tal que fk (v) = 0 per
a algun exponent k > 1.
Un cicle de vectors propis generalitzats de valor propi o cicle de Jordan es una successi
o
de vectors no nuls v 1 , v 2 , . . . , v ` tals que f (v ` ) = v `1 , . . . , f (v 2 ) = v 1 i f (v 1 ) = 0. El vector
v ` sanomena generador del cicle. La longitud del cicle es el nombre ` de vectors que el formen.
Definici
o 4.4.2 (Base de Jordan) Una base de Jordan per a un endomorfisme f End(V )
es una base formada per la reuni
o de cicles de Jordan per a aquest endomorfisme.
Aix, en un cicle de Jordan v 1 , . . . , v ` de valor propi cada vector v k es un element de
Ker(fk ) r Ker(fk1 ). En particular, el primer vector del cicle v 1 es un vector propi de valor
propi . Es dir`
a que diversos cicles de Jordan son independents si els subespais que generen
estan en suma directa.
Lema 4.4.3 Sigui v 1 , . . . , v ` un cicle de Jordan de valor propi per a un endomorfisme f
End(V ). Aleshores,
1. Els vectors v i s
on linealment independents.
2. Per a tot escalar K, el subespai hv 1 , v 2 , . . . , v ` i es invariant per f = f Id.
3. Si 6= aleshores f es un automorfisme de lespai hv i i16i6` .
66
Forma de Jordan. Sanomena bloc de Jordan la matriu de la restriccio de lendomorfisme

f al subespai generat pels vectors dun cicle de Jordan v 1 , v 2 , . . . , v ` en la base formada per
una matriu de la forma:
aquests mateixos vectors. Es
1 0 0 0
0 1 0 0
0 0 0 0
J ,` = . . . .
.. .. M` (K),
.
.
.
.
. . .
. . .
0 0 0 1
0 0 0 0
on es el valor propi corresponent als vectors propis generalitzats v i del cicle i ` es la longitud
del cicle. Una matriu de Jordan es una matriu per blocs que tingui blocs de Jordan a la diagonal
i blocs de zeros a la resta:
J 1 ,`1
0
0
0
J 2 ,`2
0
..
..
.. .
.
.
.
.
.
.
0
0
J k ,`k
Els valors propis i dels blocs de Jordan que de la matriu no tenen perquè ser diferents: cada i
pot aparèixer en diferents blocs de Jordan de mides iguals o diferents. Cada caixa 0 daquesta
matriu en la posici
o (i, j) te mida ì `j .
La matriu dun endomorfisme f End(V ) en una base de lespai V que sigui una base de
Jordan per a f es una matriu de Jordan. Sanomena forma de Jordan duna matriu A una
matriu J , si existeix, que sigui conjugada de la matriu A; o sigui, tal que existeix una matriu
invertible P amb P 1 AP = J .
Teorema 4.4.4 (Forma de Jordan) Tot endomorfisme f End(V ) tal que Char(f ; X) descompon completament admet una base de Jordan.
Corol.lari 4.4.5 Sigui f End(V ) un endomorfisme amb
Char(f ; X) = (1)n
t
Y
(X i )mi .
i=1
Aleshores
dim Ker(fmi i )
= mi per a tot i = 1, . . . , t.
Proposici
o 4.4.6 Sigui f un endomorfisme que admet una base de Jordan. Sigui un valor
propi de f i siguin:
v 1,1 , . . . , v 1,`1 ,
v 2,1 , . . . , v 2,`2 ,
...,
v r,1 , . . . , v r,`r ,
els vectors propis generalitzats de valor propi en una base de Jordan de f , formats per r cicles
de Jordan de longituds `1 , `2 , . . . , `r .
Aleshores, per a cada k > 1, el nombre de vectors v i,j amb j 6 k es igual a dim Ker(fk ).
Corol.lari 4.4.7 El nombre de cicles de Jordan de valor propi que tenen longitud > ` en
una base de Jordan dun endomorfisme f es igual a dim Ker(f` ) dim Ker(f`1 ). Per tant, el
nombre de cicles de longitud igual a ` es 2 dim Ker(f` ) dim Ker(f`1 ) dim Ker(f`+1 ).
67
Corol.lari 4.4.8 (Classificaci

o dendomorfismes) Dues matrius amb el mateix polinomi caracterstic que descompongui completament s
on conjugades si, i nomes si, tenen la mateixa forma
de Jordan.
C`
alcul duna base de Jordan. Per a calcular una base de Jordan dun endomorfisme f es
fa el seg
uent. Primer es calcula el polinomi caracterstic i les seves arrels amb les multiplicitats
corresponents. Si el polinomi caracterstic no descompon completament a K[X] aleshores no hi
ha bases de Jordan. Suposis que s que descompon completament:
Y
Char(f ; X) = (1)n (X i )mi ,
i K.
Sigui = i un valor propi de multiplicitat algebraica m = mi . Es calculen les dimensions
dk dels subespais Ker(fk ) per a k = 1, 2, . . . fins a arribar a la potència per a la qual aquest
espai te dimensi
o m; sigui ` el primer exponent tal que dim Ker(f` ) = m. El càlcul duna base
de Jordan de vectors propis generalitzats de valor propi es pot organitzar preparant una taula
del tipus seg
uent, que sha danar omplint amb una base formada per cicles de vectors propis
generalitzats:
v 1,`1
v 1,`1 1
v 2,`2
v 2,`2 1
v 3,`3
..
.
v 1,3
v 1,2
v 1,1
..
.
v 2,3
v 2,2
v 2,1
v 3,3
v 3,2
v 3,1
v 4,3
v 4,2
v 4,1
v r2,2
v r2,1
v r1,1
v r,1
El nombre r de columnes de la taula, que es la longitud de la primera fila, es igual a la

dimensio del subespai propi dim Ker(f ) de valor propi , i es el nombre de cicles de Jordan de
valor propi que apareixen a la base de Jordan. Cada fila de la taula te llargada la diferència
dim Ker(fk ) dim Ker(fk1 ), de manera que els vectors de les files entre la primera i la k-èsima
formen una base del subespai Ker(fk ).
Cada columna conte un cicle de Jordan: la columna i-èsima conte els vectors dun cicle de
Jordan v i,1 , v i,2 , . . . , v i,ì , de longitud ì igual a laltura de la columna.
La taula sha danar omplint per columnes. Suposis que ja shan omplert les columnes fins la
(i1)-èsima. Sigui ì laltura de la columna i-èsima. Siguin v 1,ì , , v i1,ì els vectors que ja hi
ha en les columnes anteriors a aquesta altura. Aleshores es calcula un vector v i,ì tal que les classes [v 1,ì ], [v 2,ì ], . . . , [v i1,ì ], [v i,ì ] siguin independents a lespai quocient Ker(fì )/ Ker(fì 1 ).
Es posen a la columna i-èsima el vectors v i,ì i les seves successives imatges per f de dalt a
baix.
I aix successivament fins a omplir totes les columnes de la taula.
La reunio de tots els vectors daquests cicles de Jordan per a tots els valors propis de
lendomorfisme es una base de Jordan de tot lespai per a aquest endomorfisme.
Un exemple. A continuaci
o es fa un exemple dun bloc de Jordan complicat, en que els càlculs
shan de fer amb lajut dun software apropiat. Es considera lendomorfisme f End(R12 ) que
68
en la base can`
onica te la matriu A M12 (R) seg
uent:
A=
25
6
60
9
120
180
0
0
3
0
0
9
8
4
21
3
42
63
0
0
1
0
0
3
66
27
181
26
356
555
12
0
21
0
0
24
51
1
94
18
189
273
6
0
9
0
0
18
24
0
60
9
119
180
0
0
3
0
0
9
1
0
9
0
17
30
2
0
1
0
0
0
1
0
9
0
17
29
1
0
1
0
0
0
71
6
189
27
377
568
1
1
0
0
4
27
14
6
60
6
118
184
4
0
0
1
0
6
0
3
0
0
0
0
0
0
1
0
0
0
0
6
0
0
0
0
0
0
4
0
1
0
6
0
0
0
6
12
12
0
12
0
0
2
El seu polinomi caracterstic es:

Char(A; X) = (X + 1)10 (X 1)(X 2).
Es calculen els subespais propis de valors propis 1 i 2, obtenint-se:
V1 = h(0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 1, 0)i,
V2 = h(2, 0, 0, 0, 2, 4, 4, 0, 4, 0, 0, 1)i.
k ) = 10. Es calcula:
Per a k suficientment gran ha de ser dim Ker(f1
d1 = dim Ker(f1 ) = 5,
2
d2 = dim Ker(f1
) = 8,
3
d3 = dim Ker(f1
) = 9,
4
d4 = dim Ker(f1
) = 10.
Amb aquestes dades ja se sap lestructura en cicles de Jordan de valor propi 1. La taula que
contindrà els cicles de Jordan te quatre files de longituds d1 = 5, d2 d1 = 3, d3 d2 = 1 i
d4 d3 = 1, respectivament, que te la forma seg
uent:
v 1,4
v 1,3
v 1,2
v 1,1
v 2,2
v 2,1
v 3,2
v 3,1
v 4,1
v 5,1
k ), que es donen a continuaci

Es calculen bases dels espais Ker(f1
o en les files de les matrius
seg
uents, que estan totes en forma esglaonada per simplificar els càlculs posteriors:
base de Ker(f1 ) :
2
base de Ker(f1
):
1
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
1
0
2
8/3
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
1
3
1
1
0
0
0
0
0
1/3
0
2/3
8/9
1/3
0
0
0
2
0
1/3
8
0
0
0
11/3
8/3
2
0
0
0
0
1/2
0
1/2
0
0
0
0
0
0
0
0
1
2/3
0
4/3
16/9
2/3
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
3
base de Ker(f1
):
4
base de Ker(f1
):
69
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
1/3
0
2/3
8/9
1/3
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
2/3
0
4/3
16/9
2/3
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
4 )/ Ker(f 3 ).
Es comenca agafant un vector que tingui classe no nul.la a lespai quocient Ker(f1
1
4
Per exemple, el primer vector de la base de Ker(f1 ) es el vector v 1,4 = e1 , el primer de la base
3 ) gr`
canònica de R12 , que es veu clarament que aquest vector no pertany al subespai Ker(f1
acies
a tenir la base esglaonada daquest subespai. Per tant sobte el cicle de Jordan de longitud 4 de
3 (v ), f 2 (v ), f (v ), v )}, on les
la primera columna, que es {v 1,1 , v 1,2 , v 1,3 , v 1,4 } = {f1
1,4
1 1,4
1,4
1 1,4
coordenades dels quatre vectors s
on les files de la matriu seg
uent:
24
9 63 9 126 189 0 0
63
9
126
189 0 0
60
9
120
180 0 0
0
0
0
0
0 0 0
24 12
24 6
1
3 0 0 9
3 0 0
9
3 0 0
9
0 0 0
0
2 )/ Ker(f ) t
Ara es continua amb cicles de longitud 2. El quocient Ker(f1
e de dimensio 3.
1
El cicle de longitud 4 d
ona un vector daquest espai: la classe del vector v 1,2 . Si es recorre la
2 ) buscant vectors que, junt amb aquest, siguin una base del quocient, es troba
base de Ker(f1
el seg
uent: el primer vector ja va be, ja que la seva classe es independent de la classe de v 1,2 , i
per tant es pot agafar v 2,2 = (1, 0, 0, 0, 0, 0, 0, 31 , 0, 0, 23 , 0); el segon vector, que es e2 , no afegeix
res de nou ja que es una combinaci
o lineal de v 1,2 i de vectors del subespai Ker(f1 ); en canvi
la classe del tercer s que d
ona, en afegir-lo, una famlia de tres vectors independents en lespai
4
quocient. Per tant es pot agafar v 3,2 = (0, 0, 1, 0, 0, 0, 0, 32 , 11
dos cicles
3 , 0, 3 , 0). Es tenen aix
de Jordan mes: {v 2,1 , v 2,2 } i {v 3,1 , v 3,2 }, amb:
v 2,1 = f1 (v 2,2 ) = (1/3, 0, 3, 0, 17/3, 28/3, 1/3, 0, 1/3, 0, 0, 0)

v 3,1 = f1 (v 3,2 ) = (11/3, 0, 33, 0, 187/3, 317/3, 20/3, 0, 11/3, 0, 0, 0)
1 )/ Ker(f 0 ) dels vectors propis de
Per acabar, sha de considerar lespai Ker(f1 ) = Ker(f1
1
valor propi 1. Aquest espai te dimensio 5 i els cicles ja obtinguts contenen els tres vectors
independents v 1,1 , v 2,1 i v 3,1 . Recorrent la base daquest espai que sha calculat al comencament
es veu que els dos primers vectors formen una base junt amb aquests tres, i per tant es poden
afegir els dos cicles de Jordan de longitud 1 formats pels vectors:
v 4,1 = (1, 0, 0, 0, 1, 0, 0, 0, 2, 0, 0, 0)
v 5,1 = (0, 1, 0, 0, 0, 0, 1, 0, 0, 1/2, 0, 0).
70
Per tant, una base de vectors propis generalitzats de valor propi 1 es la seg
uent:
B = {v 1,4 , v 1,3 , v 1,2 , v 1,1 , v 2,2 , v 2,1 , v 3,2 , v 3,1 , v 4,1 , v 5,1 }
que consisteix en 10 vectors independents que formen 5 cicles de longituds 4, 2, 2, 1, 1. En
afegir a aquesta base els vectors propis de valors propis 1 i 2 sobte una base de vectors propis
generalitzats i la matriu del canvi daquesta base a la base canònica es la que te per columnes
les coordenades daquests 12 vectors:
24
24
9 12
63
63
9
9
126 126
189 189
P =
0
0
0
0
3
3
0
0
0
0
9
24
6
60
9
120
180
0
0
3
0
0
9
1
0
0
0
0
0
0
0
0
0
0
0
1/3
0
3
0
17/3
28/3
1/3
0
1/3
0
0
0
La forma de Jordan de la matriu A es:
1
P AP =
1
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1/3
0
0
2/3
0
0
0
0
0
1
0
0
0
0
0
0
0
11/3
0
33
0
187/3
317/3
20/3
0
11/3
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
2/3
11/3
0
4/3
0
1
0
0
0
1
0
0
0
2
0
0
0
0
1
0
0
0
0
1
0
0
1/2
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
2
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0
2
4
4
0
4
0
0
1
Problemes
4.35. Calculeu bases de
0 1
(a) 4 4
2 1
1
(e) 1
0
Jordan dels endomorfismes definits per les matrius seg

uents:
0
3 1 1
9
15
5
3
0 (b) 6 1
2 (c) 1 1 1 (d) 4
2
2
1
0
2 6 2
4
2 2
3 0
2 1
4
(f ) 4
12
1 1
1 1
3 3
3
(g) 1
0
3
3
1
26
15
3
4
(h) 1
1
1
1
8
0
0
2
6 3
1 1
3 2
4.36. Calculeu bases de
4
1
(a)
0
2
1
2
(d)
0
0
71
Jordan dels endomorfismes definits per les matrius seg

uents:
7
4 2 0 12
2 1
5
1 3 0
1
4 4 20
0
6 4 0
0
0
2
(c)
(b)
1
1
0
0
0
0 5 0
0
0
2
2 1
1
6 7 1
32 32 0 92
1 10 20
1 26 40
0 17 29
0
10
17
0
0
(e)
0
0
9
4
2
8
3
1
0
2
4
2
1
4
1
0
(f )
3
3
0
1
1
6
3
0
0
5
1
4
0 0 1
0 0 0
2 1 6
1 0 4
0 0 1
4.37. Es considera lendomorfisme de R4 definit per

f (x, y, z, t) = (2x, 4y 14z + 5t, y 4z + 2t, y 6z + 4t)
Trobeu els seus vectors propis i els vectors propis generalitzats, doneu una base de vectors propis
generalitzats i la matriu de f en aquesta base.
4.38. Trobeu totes les matrius A tals que
16
1
16
A2 = 0
13 25
0
0 .
3
4.39. Trobeu la forma de Jordan dun endomorfisme f End(R3 ) que compleixi les quatre condicions
seg
uents:
1.
2.
3.
4.
f (e1 ) + f (e2 ) + f (e3 ) = (1, 1, 1),

f (e1 ) f (e2 ) = f (1, 1, 2),
f2 = f, i
el subespai {(x, y, z) R3 : y + 2z = 0} h(1, 1, 0), (1, 0, 1)i es invariant per f .
4.40. Doneu la matriu de lendomorfisme f End(R3 ) que compleix les cinc condicions seg
uents:
1.
2.
3.
4.
5.
he1 , e2 i i he3 i s
on subespais invariants per f ,
Ker(f ) = h(1, 2, 0)i,
la matriu de f en la base ordin`
aria es simètrica,
Tr(f ) = 6, i
1 es un valor propi de f .
4.41. Per a cada permutaci

o Sn es considera lendomorfisme de C n que permuta les components
segons la permutaci
o donada; o sigui:
f (z1 , z2 , . . . , zn ) = (z(1) , z(2) , . . . , z(n) .
Doneu una base de Jordan per a aquest endomorfisme.
4.42. Es consideren les tres matrius de R3 seg
uents:
1 0 0
1 0
A1 = 1 1 0 , A2 = 0 3
1 0 1
0 1
1
4 ,
1
2
A3 = 2
1
1
1
1
1
2
2
Digueu quins parells de matrius Ai , Aj son semblants i, si ho son, trobeu una matriu P GL3 (R)
tal que Aj = P 1 Ai P .
72
4.43. Calculeu J 100 , on J M6 (K) es la matriu diagonal per blocs que te a la diagonal els tres blocs:

1 0
1
J 1 = (), J 2 =
, J 3 = 0 1 ,
0
0 0
amb K un escalar.
4.44. Doneu una expressi
o per a la potència J n,` per a tot enter n Z per al qual existeixi.
4.45. La evoluci
o temporal duna poblaci
o darbres ve descrita pel model matemàtic seg
uent:

1 1 a/5
xn
xn+1
,
=
yn
yn+1
2 1 9/5
amb a R un par`
ametre i on xn i yn representen les densitats de les classes darbres en formaci
o
i les classes darbres formats, respectivament.
1. Per a quins valors de a es te que = 1 es valor propi de la matriu?
2. Per a a = 1 trobeu la forma de Jordan i una base de Jordan de la matriu i estudieu el
comportament a llarg termini de la poblacio darbres.
3. Per a a = 4/5 trobeu la forma de Jordan i una base de Jordan de la matriu.
4. Estudieu el comportament a llarg termini de la poblacio per a a > 4/5.
4.46. Sestableix un tractament contra una plaga dinsectes de manera que en cada aplicacio dinsecticida
la poblaci
o dinsectes canvia segons la relacio:

xn
1 1 0
xn+1
yn+1 = 0 1 1 yn ,
1 1 0
zn+1
zn
on xn , yn i zn representen les quantitats dous, erugues i adults, respectivament.
1. Trobeu la forma de Jordan i una base de Jordan de la matriu.
2. Calculeu el nombre mnim daplicacions de linsecticida per acabar amb la plaga independentment de la poblaci
o inicial.
3. Quin es el nombre mnim daplicacions per acabar amb la plaga formada si hi ha 9576 ous,
3457 erugues i 9576 adults?
Captol 5
Espai euclidi`
a
En estudiar la geometria del pla R2 i de lespai R3 es consideren distàncies entre punts, rectes o
plans, langle que formen dos vectors o dues rectes, la nocio de perpendicularitat, etc.
Lobjectiu daquest captol es afegir a un R-espai vectorial qualsevol una nova estructura
que permet definir en aquest espai conceptes geomètrics anàlegs als esmentats. Es tracta del
producte escalar. Els R-espais vectorials on hi ha donat un producte escalar sanomenen espais
euclidians.
5.1
Espai euclidi`
a
Definici
o 5.1.1 (Forma bilineal) Sigui V un K-espai vectorial. Una forma bilineal a V es
una aplicaci
o : V V K que es lineal en cada variable. O sigui, tal que:
(u1 + u2 , v) = (u1 , v) + (u2 , v),
(u, v 1 + v 2 ) = (u, v 1 ) + (u, v 2 ),
(xu, v) = (u, xv) = x(u, v).
Una forma bilineal es diu simètrica si compleix:
(v, u) = (u, v).
Definici
o 5.1.2 (Producte escalar) Un producte escalar a un espai vectorial V sobre el cos
R dels nombres reals es una forma bilineal simètrica : V V R, que sacostuma a escriure
amb la notaci
o (u, v) = hu, vi, que compleixi la condici
o:
hu, ui > 0
pera a tot vector
u 6= 0.
Una forma bilineal que compleixi aquesta condici

o es diu que es definida positiva.
Es farà servir la notaci
o h, i per indicar un producte escalar en un espai vectorial.
De vegades el producte escalar de dos vectors es denota com uv. En usar aquesta notacio la
bilinealitat del producte escalar correspon a la propietat distributiva: (u1 +u2 )v = u1 v +u2 v
i u (v 1 + v 2 ) = u v 1 + u v 2 i al fet que el producte dun vector per un escalar commuta amb el
producte de vectors: (xu) v = u (xv) = x(u v), i la simetria del producte escalar correspon
a la propietat commutativa del producte de vectors: v u = u v.
73
`
CAPITOL 5. ESPAI EUCLIDIA
74
Exemples 5.1.3 Els exemples mes importants de productes escalars s

on:
A lespai vectorial Rn es defineix el producte escalar:
h(x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn )i = x1 y1 + x2 y2 + + xn yn .
A lespai C ([a, b], R) de les funcions reals contnues a linterval [a, b] es defineix el producte
escalar:
Z b
f (x)g(x) dx.
hf, gi =
a
Aquest mateix producte escalar es pot considerar en subespais daquest espai de funcions
contnues; per exemple al subespai format per les funcions polin`
omiques o a lespai de les
funcions [a, b] R definides per polinomis de grau 6 n.
Definici
o 5.1.4 (Espai euclidi`
a) Sanomena espai euclidià un R-espai vectorial V on hi ha
donat un producte escalar h, i. Si cal especificar tant lespai com el producte sescriu el parell
(V, h, i) per referir-se a un espai euclidi`
a.
Quan es parla de lespai euclidi`
a Rn o despais euclidians de funcions [a, b] R se sobreenten,
si no sespecifica res mes, que el producte escalar es el definit en els exemples anteriors 5.1.3.
Sigui W V un subespai. Si : V V K es una forma bilineal aleshores la seva restricci
o
com a aplicaci
o W W K tambe es una forma bilineal; si la forma es simètrica o definida
positiva a lespai aleshores tambe te aquesta propietat al subespai. Per tant, tot subespai
vectorial dun espai euclidi`
a te tambe estructura despai euclidià amb el producte escalar que
hereta del producte escalar de tot lespai.
Definici
o 5.1.5 (Norma) Siguip
(V, h, i) un espai euclidi`
a. Es defineix la norma dun vector
v V com el nombre real kvk = hv, vi.
Teorema 5.1.6 (Desigualtat de Cauchy-Schwarz) Per a tot parell de vectors dun espai
euclidi`
a es compleix la desigualtat seg
uent:
|hu, vi| 6 kuk kvk.
La igualtat es compleix si, i nomes si, els vectors u i v s
on linealment dependents.
Proposici
o 5.1.7 (Propietats de la norma) Sigui (V, h, i) un espai vectorial euclidi`
a. Laplicaci
o v 7 kvk : V R satisf`
uents:
1. kvk > 0,
kvk = 0 v = 0,
2. kxvk = |x| kvk, on |x| denota el valor absolut de lescalar x R,

3. ku + vk 6 kuk + kvk (desigualtat triangular).
Definici
o 5.1.8 (Dist`
ancia euclidiana) La distància (euclidiana) entre dos vectors dun espai vectorial euclidi`
a es defineix com la norma de la seva diferència: d(u, v) = ku vk.
Gràcies a les propietats de la norma vistes a la proposicio 5.1.7 es te:
`
75
Proposici
o 5.1.9 (Propietats de la distancia euclidiana) Sigui (V, h, i) un espai euclidi`
a. Laplicaci
o d : V V R definida com d(u, v) = ku vk compleix les propietats seg
uents:
1. d(u, v) > 0,
d(u, v) = 0 u = v,
2. d(v, u) = d(u, v), i

3. d(u, w) 6 d(u, v) + d(v, w) per a tot u, v, w V (desigualtat triangular).
Definici
o 5.1.10 (Angle) Langle que formen dos vectors no nuls dun espai euclidi`
a V es
defineix com langle [0, ] tal que:
cos =
hu, vi
.
kukkvk
Problemes
5.1. Siguin U , V dos R-espais vectorials i f : U V una aplicacio lineal. Donat un producte escalar
h, i : V V R a V es defineix h, if : U U R com hu, vif = hf (u), f (v)i per a tot u, v U .
Demostreu que h, if es un producte escalar a U si, i nomes si, f es injectiva.
5.2. Demostreu que laplicaci
o Kn Kn K definida per:
(x, y) =
n
X
aij xi yj ,
amb
x = (x1 , . . . , xn ), y = (y1 , . . . , yn ),
aij K,
i,j=1
es una forma bilineal, i que tota forma bilineal a lespai Kn ve donada per una expressio com
aquesta. Quina condici
o sobre els coeficients aij equival a que la forma sigui simètrica?
5.3. Digueu si les expressions seg
uents defineixen un producte escalar a R2 o no:
1. h(x1 , x2 ), (y1 , y2 )i = 2x1 y1 + x1 y2 + x2 y1 + 4x2 y2 ,
2. h(x1 , x2 ), (y1 , y2 )i = x1 y1 x2 y2 .
5.4. Demostreu que les aplicacions seg
uents son productes escalars sobre els espais corresponents:
1. hA, Bi = tr(A B t ) a lespai Mn (R),
R1
2. hp(x), q(x)i = 1 w(x)p(x)q(x) dx a lespai R2 [x] dels polinomis de grau 6 2, on w es una
funci
o contnua a valors reals positius a linterval [1, 1]: w(x) > 0 x [1, 1].
R1
3. hf, gi = 0 f (x)g(x) dx a lespai C ([0, 1], R) de les funcions contnues a linterval [0, 1].
i escriviu la desigualtat de Cauchy-Schwarz en cada cas.
p
5.5. Comproveu que la norma kvk = hv, vi dels vectors dun espai euclidià compleix les identitats
seg
uents, i interpreteu-les geomètricament:
1.
2.
3.
4.
ku + vk 6 kuk + kvk (desigualtat triangular),

ku + vk2 + ku vk2 = 2kuk2 + 2kvk2 (identitat del paral.lelogram),
ku + vk2 = kuk2 + kvk2 si, i nomes si, hu, vi = 0 (teorema de Pitàgores),
ku + vk ku vk 6 kuk2 + kvk2 , amb igualtat si, i nomes si, u v.
5.6. Determineu en quines condicions la desigualtat triangular es una igualtat.
`
76
R1
5.7. Es considera el producte escalar a lespai R2 [X] definit per hp, qi = 1 p(x)q(x) dx. Determineu
langle que formen els polinomis p(X) = 1 + X + X 2 i q(X) = 1 + X.
5.8. F
ormules de polaritzaci
o. Comproveu que en tot espai euclidià es compleixen les identitats seg
uents,
que permeten expressar qualsevol producte escalar en termes de normes de vectors:
hu, vi =
1

1
ku + vk2 kuk2 kvk2 =
ku + vk2 ku vk2 .
2
4
5.9. Isometries dun espai euclidi`

a. Sigui V un espai euclidià. Una isometria de V es una aplicaci
o
f : V V que conserva les dist`
ancies entre vectors: kf (u) f (v)k = ku vk per a tot u, v V .
1. Comproveu que les translacions Tw : V V , definides per Tw (u) = u + w, son isometries.
2. Demostreu que tota isometria f tal que f (0) = 0 conserva els productes escalars: per a tot
u, v V es compleix hf (u), f (v)i = hu, vi.
3. Demostreu que tota aplicaci
o que conserva els productes escalars es una aplicacio lineal.
4. Demostreu que tota isometria de V es la composicio duna isometria lineal i una translacio.
5.2
Matriu duna forma bilineal
Tots els espais que es consideren en aquesta seccio son de dimensio finita, com sempre que es
fan servir matrius per representar objectes de làlgebra lineal.
Definici
o 5.2.1 (Matriu duna forma bilineal) Sigui V un K-espai vectorial i sigui B =
{v 1 , . . . , v n } una base. La matriu duna forma bilineal : V V K en aquesta base es
defineix com:
(v 1 , v 1 ) (v 1 , v 2 ) (v 1 , v n )
(v 2 , v 1 ) (v 2 , v 2 ) (v 2 , v n )
Mat(; B) := (v i , v j ) 16i,j6n =
Mn (K).
..
..
..
.
.
.
(v n , v 1 ) (v n , v 2 )
(v n , v n )
El fet que la forma bilineal sigui simètrica equival a que la seva matriu en qualsevol base
sigui una matriu simètrica, es a dir, que coincideixi amb la seva transposada. Com sempre, la
notacio per indicar aquesta matriu pot ser molt variada: M(; B), MB (), etc.
De la mateixa manera que la matriu duna aplicacio lineal permet calcular laplicacio a partir
de les coordenades dels vectors, la matriu duna forma bilineal permet P
calcular el valor
Pque pren
la forma en dos vectors en funci
o de les seves coordenades. Si u =
xi v i i v =
yi v i son
vectors de V expressats en termes de la base B, el seu producte escalar es:

a11 a12 a1n
y1
a21 a22 a2n y2
(u, v) = x1 x2 xn .
aij = (v i , v j ).
..
.. .. ,
..
.
. .
an1 an2
ann
yn
Dient A = (aij ) Mn (K) a la matriu Mat(; B) de la forma bilineal en la base fixada aquesta
identitat matricial sescriu (u, v) = ut Av, on, com sempre en aquest tipus didentitats que
barregen matrius i vectors, els vectors u i v que hi apareixen shan dinterpretar com les matrius
columna de les seves coordenades en la base B.
`
77
Proposici
o 5.2.2 (Canvi de base) La relaci
o entre les matrius duna forma bilineal en dues
bases Bu i Bv de lespai es la seg
uent:
B = P t AP ,
amb
A = Mat(; Bv ),
B = Mat(; Bu )
P = Mat(Bu Bv ).
Definici
o 5.2.3 (Congru`
encia de matrius) Dues matrius quadrades A, B Mn (K) es diu
que s
on congruents si existeix una matriu invertible P GLn (K) tal que B = P t AP .
La relaci
o de congruència de matrius es `
obviament una relaci
o dequivalència.
Proposici
o 5.2.4 (Criteri de Sylvester) Sigui A = Mat(; Bu ) Mn (R) la matriu duna
forma bilineal simètrica en un espai vectorial real de dimensi
o finita n en una base u1 , . . . , un .
Aleshores la forma es un producte escalar (o sigui, es definida positiva) si, i nomes si, els seus
menors principals s
on tots estrictament positius:

det (aij )16i,j6k > 0
per a tot k = 1, 2, . . . , n.
Problemes
5.10. Es considera la forma bilineal : R2 R2 R definida per:

(x1 , x2 ), (y1 , y2 ) = x1 y1 + x2 y2 x1 y2 + 2x2 y1 .
1. Trobeu la seva matriu en la base canònica Be = {e1 , e2 }.
2. Trobeu la seva matriu en la base Bu = {u1 , u2 }, amb u1 = (1, 1) i u2 = (1, 2).
3. Existeix alguna base R2 en la qual la matriu de sigui simètrica?
ametres a, b R per
escalar:
1 1
(a) 1 3
1
a
als quals les matrius seg

uents defineixen un producte

1
1 a
0
(b)
.
a2 2
b
5.12. Reducci
o gaussiana de formes quadràtiques. Sigui : V V K una forma bilineal simètrica i
sigui A la seva matriu en alguna base.
1. Calculeu E t AE , on E es una matriu elemental.
2. Determineu els canvis que es produeixen en la matriu de quan saplica una transformaci
o
elemental a la base.
3. Demostreu que existeix una base de V en la qual la matriu de es una matriu diagonal.
5.3
Ortogonalitat
Sigui (V, h, i) un espai vectorial euclidià.

Definici
o 5.3.1 (Ortogonalitat) Dos vectors u, v V es diuen ortogonals (o perpendiculars) si hu, vi = 0. Aquesta condici
o es denota u v.
Dos subconjunts S, T V es diuen ortogonals, i es denota S T , si cada vector de lun es
ortogonal amb cada vector de laltre.
Una base B = {v i } de lespai V es diu ortogonal si cada vector de la base es ortogonal a
tots els demes: v i v j sempre que i 6= j. La base {wi } es diu ortonormal si es ortogonal i tots
els seus vectors s
on unitaris: kwi k = 1.
`
78
Si {w1 , . . . , wn } es una base ortonormal de lespai euclidià (V, h, i), aleshores les coordenades
dun vector es calculen com:
X
xi = hv, wi i,
si v =
xi w i
i el producte escalar de dos vectors o la norma dun vector es calculen a partir de les seves
coordenades amb les f
ormules habituals de lespai euclidià Rn :
qX
X
X
X
hu, vi =
xi yi i kuk =
x2i ,
si u =
xi w i , v =
yi wi .
Proposici
o 5.3.2 (Ortonormalitzaci
o de Gram-Schmidt) Sigui {u1 , . . . , un } una base de
lespai vectorial euclidi`
a (V, h, i). Els vectors definits recursivament de la manera seg
uent:
vk
,
wk =
kv k k
amb
v k = uk
k1
X
huk , wi i wi ,
i=1
per a k = 1, . . . , n, s
on una base ortonormal de lespai.
En alguns llocs la construcci
o daquesta base ortonormal es fa passant primer per una base
ortogonal definida per:
v k = uk
k1
X
huk , v i i
i=1
hv i , v i i
vi,
k = 1, . . . , n
i despres normalitzant els vectors daquesta base calculant wk = v k /kv k k per a cada k. Totes
dues maneres donen el mateix.
Corol.lari 5.3.3 (Exist`
encia de base ortonormal) Tot espai euclidi`
a de dimensi
o finita te
alguna base ortonormal. Tota base ortonormal dun subespai dun espai euclidi`
a pot ampliar-se
a una base ortonormal de tot lespai.
Definici
o 5.3.4 (Matriu ortogonal) Una matriu A Mn (K) es diu ortogonal si At A = 1n .
Notis que la condici
o At A = 1n equival a que A1 = At . Les matrius ortogonals son
invertibles i formen un subgrup de GLn (K), que sanomena grup ortogonal i es denota On (K).
Per a una matriu A Mn (R) la condicio de ser ortogonal equival a dir que les seves columnes
formen una base ortonormal de lespai euclidià Rn . Això es un cas particular de la seg
uent:
Proposici
o 5.3.5 Sigui Bw = {w1 , . . . , wn } una base ortonormal de lespai euclidi`
a V . Aleshores una altra base Bu = {u1 , . . . , un } es tambe ortonormal si, i nomes si, les matrius dels
canvis de base s
on matrius ortogonals.
`
79
Problemes
5.13. Siguin u, v dos vectors dun espai vectorial euclidià. Comproveu que els vectors u + v i u v s
on
ortogonals si, i nomes si, els vectors u i v tenen la mateixa norma.
5.14. Es considera el producte escalar a lespai de funcions contnues en linterval [t, t] definit per
Rt
hf, gi = t f (x)g(x) dx. Demostreu que les funcions sin(ax) i cos(bx) son ortogonals per a tots els
nombres reals a, b R.
5.15. Apliqueu el proces dortogonalitzaci
o de Gram-Schmidt a les bases seg
uents:
1. Base {(1, 1, 1), (1, 1, 1), (1, 1, 1)} a R3 amb el producte estàndard i amb el producte
escalar que en la base can`
onica te matriu:
2 1 1
1 1 1
1 1 3
2. Base {(1, 1, 1, 0), (1, 1, 0, 1), (1, 0, 1, 1), (0, 1, 1, 1)} a R4 amb el producte estàndard i amb el
producte escalar definit per:
hx, yi = x1 y1 x1 y2 x2 y1 + 2x2 y2 + x3 y3 + x3 y4 + x4 y3 + 2x4 y4 .
3. Bases {1, X, X 2 } i {X 2 , X, 1} a lespai R2 [X] amb el producte escalar:
Z t
hp(X), q(X)i =
p(x)q(x) dx
amb t un real > 0,
0
5.16. Escriviu la matriu del canvi de base Mat(Bu Bw ) duna base Bu qualsevol dun espai euclidi`
a
a la base ortonormal Bw obtinguda a partir della amb lalgorisme de Gram-Schmidt.
5.17. A lespai euclidi`
a R4 amb el producte escalar habitual,
1. trobeu una base del subespai ortogonal a F = h(1, 0, 2, 1), (0, 1, 2, 1)], i
2. trobeu equacions del subespai ortogonal a H = {(x, y, z, t) R4 : 2x + y + 3z y = 3x + 2y
2t = 0}.
5.18. A lespai euclidi`
a R3 es consideren els subespais F = {(x, y, z) R3 : x + ay + z = 0} i G =
3
{(x, y, z) R : x y = y bz = 0}, on a, b R. Per a quins valors dels paràmetres a i b els
subespais F i G s
on complementaris? per a quins valors son ortogonals?
5.19. Grup ortogonal. Sigui : V V K una forma bilineal simètrica. Demostreu que els automorfismes f Aut(V ) tals que (f (u), v) = (u, f (v)) per a tot u, v V formen un subgrup del grup
dautomorfismes.
Sigui A Mn (K) una matriu simètrica. Demostreu que les matrius invertibles P GLn (K) tals
que P t AP = A formen un subgrup del grup lineal.
5.4
Projecci
o ortogonal
Definici
o 5.4.1 (Subespai ortogonal) Sigui W V un subespai vectorial (o, mes en general,
un subconjunt qualsevol) dun espai euclidi`
a. Aleshores el conjunt:
{v V : v w, w W }
format pels vectors de lespai que s
on ortogonals a tots els de W es un subespai que sanomena
ortogonal del subespai (o conjunt) W i es denota W .
`
80
Observis que si W = hw1 , w2 , . . . , wr i aleshores

v W
v wi
i = 1, . . . , r.
En particular, si W Rn es el subespai generat per una famlia de vectors:

W = hx1 , x2 , . . . , xr i,
xi = (xi1 , xi2 , , xin )
aleshores el P
subespai ortogonal W es el subespai de les solucions del sistema dequacions lineals
homogeni { nj=1 xij Xj = 0 : i = 1, . . . , r}; o sigui, el sistema amb matriu
x11 x12 x1n

..
..
.. .
.
.
.
xr1 xr2
xrn
Definici
o 5.4.2 (Suma directa ortogonal) Una suma directa de subespais W = W1 W2
dun espai euclidi`
a es diu suma directa ortogonal si els dos subespais s
on ortogonals. En aquest
cas lespai suma es denota W = W1 W2 . El cas de mes de dos espais es fa de manera an`
aloga.
Teorema 5.4.3 (Teorema de la projecci
o ortogonal) Per a tot subespai W V dun espai euclidi`
a de dimensi
o finita, lespai V es la suma directa ortogonal
V = W W .
Corol.lari 5.4.4 Si W V es el subespai de les solucions dun sistema homogeni de m equacions lineals:
X
W = (x1 , . . . , xn ) Rn :
aij Xj = 0, i = 1, . . . m ,
j=1
aleshores el seu ortogonal W es el subespai generat pels m vectors

v 1 = (a11 , a12 , . . . , a1n ), . . . , v m = (am1 , am2 , . . . , amn ).
Corol.lari 5.4.5 Per a tot subespai W V dun espai euclidi`
a de dimensi
o finita, (W ) = W .
Definici
o 5.4.6 (Projecci
o ortogonal sobre un subespai) Sigui W V un subespai vectorial dun espai euclidi`
a. La projecci
o ortogonal de lespai V sobre el subespai W es laplicaci
o
lineal W : V W definida posant:
W (v) = w1
si
v = w1 + w2
amb
w1 W i w2 W .
Proposici
o 5.4.7 (Caracteritzaci
o de la projecci
o ortogonal) La projecci
o ortogonal en
un subespai dun vector v V es el vector del subespai que est`
a mes a prop de v:
d(v, W (v)) = min{d(v, w) : w W }.
La distància d(v, W ) dun vector v V a un subespai W V es defineix com la distància
mnima min{d(v, w) : w W } i la proposicio assegura que:
d(v, W ) = kW (v)k = kv W (v)k.
`
81
Proposici
o 5.4.8 (C`
alcul de la projecci
o ortogonal) Sigui w1 , . . . , wr una base del subespai W V . Aleshores les coordenades x1 , . . . , xr en aquesta base de la projecci
o ortogonal
W (v) dun vector v V en el subespai W s
on la soluci
o del sistema lineal Ax = b amb
hw1 , vi
x1
hw1 , w1 i hw1 , w2 i hw1 , wr i
hw2 , vi
x2
hw2 , w1 i hw2 , w2 i hw2 , wr i
,
i
b
=
,
x
=
A=
.. .
..
..
..
..
.
.
.
.
.
hwr , w1 i hwr , w2 i
hwr , wr i
xr
hwr , vi
En particular, si W es la recta generada pel vector w aleshores

W (v) =
hv, wi
w
hw, wi
i si w1 , . . . , wr es una base ortonormal del subespai W aleshores

r
X
W (v) =
hv, wi iwi .
i=1
M`
etode dels mnims quadrats. Siguin A Mmn (R) una matriu i b Rm un vector
columna. El sistema lineal Ax = b pot no tenir solucio. Això es el que passa en general en els
anomenats sistemes sobredeterminats, que son sistemes amb mes equacions que incògnites.
En aquesta situaci
o en que no hi ha solucions exactes pot ser dutilitat trobar solucions
aproximades: vectors x Rn tals que Ax aproximi b el millor possible. Aquesta condicio de
ser una bona aproximaci
o es pot definir amb precisio demanant que la distància euclidiana entre
el vector Ax i el vector b a lespai Rm sigui el mes petita possible.
Proposici
o 5.4.9 Els vectors x Rn que minimitzen el valor de la norma kAx bk s
on les
solucions del sistema lineal At Ax = At b.
Problemes
5.20. Comproveu que si en un espai euclidi`
a es considera la recta R = hwi generada pel vector w aleshores
per a tot vector v V es te:
hv, wi
v
w R .
hw, wi
5.21. Calculeu la dist`
ancia de (a, b) a la recta {(x, y) R2 : x = y}.
5.22. Trobeu el punt del pla W = {(x, y, z) R3 : x + y + z = 0} mes pròxim al punt (1, 2, 3).
5.23. Considereu el pla W = {(x, y, z) R3 : z = x + y} i trobeu, per a cada v = (a, b, c) R3 , el vector
del pla que est`
a mes a prop de v i digueu quina es la distància d(v, W ).
5.24. A Rn [X] es considera el producte escalar amb el qual la base {1, X, . . . , X n } es una base ortonormal.
Sigui W = {P (X) Rn [X] : P (1) = 0}.
1. Doneu una base del complementari ortogonal de W .
`
82
2. Demostreu que la dist`

ancia dun polinomi P (X) Rn [X] al subespai W es |P (1)|/ n + 1.
5.25. Trobeu una base ortonormal del subespai F E, amb:
1. E = R4 amb el producte escalar ordinari i F definit per lequacio x1 + x2 + x3 + x4 = 0.
2. F = E = R3 amb el producte escalar definit per la matriu:
1 1 1
A = 1 3 1 .
1 1 5
3. E = C ([0, 1], R) amb el producte escalar hf, gi =
R1
0
f g i F = h1, x, x2 i.
5.26. Sèries de Fourier. Es considera lespai euclidià V = C ([, ], R) de les funcions contnues a
linterval [, ] amb el producte escalar usual. Es consideren les funcions:
cos(nx) per a n > 0
sin(nx) per a n > 1.
(5.1)
Per a cada N > 0 es defineix el subespai:

TrigN = cos(nx) 06n6N + sin(nx) 16n6N .
1. Demostreu que les funcions (5.1) son ortogonals entre elles.
2. Calculeu la norma de les funcions (5.1).
3. Comproveu que les funcions (5.1) segueixen sent ortogonals i tenen la mateixa norma en
lespai C ([t, t + 2], R) de les funcions contnues en qualsevol interval de longitud 2.
4. Escriviu les coordenades de la projeccio ortogonal duna funcio f (x) V en el subespai TrigN .
5. Calculeu aquestes coordenades per a les funcions f (x) = x, f (x) = x2 i f (x) = x3 .
Tenint en compte que les funcions trigonomètriques son periòdiques de perode 2, si m 6= n,

Z
Z
1
sin((n + m)x) + sin((n m)x) dx
sin(nx) cos(mx) dx =
2

cos((n + m)x) cos((n m)x)
= 0,
=
2(n + m)
2(n m)
Z
1
cos(nx) cos(mx) dx =
cos((n + m)x) + cos((n m)x) dx
2

sin((n + m)x) sin((n m)x)
=
+
= 0,
2(n + m)
2(n m)
Z
Z
1
sin(nx) sin(mx) dx =
cos((n m)x) cos((n + m)x) dx
2

sin((n m)x) sin((n + m)x)
=
= 0.
2(n m)
2(n + m)
A mes, per a tot n > 1,

Z
Z
1
cos(2nx)
sin(nx) cos(nx) dx =
sin(2nx) dx =
= 0.
2
4n
`
83
2. La funci
o cos(0x) = 1 te norma 2. Per a n > 1 es te

Z
Z
sin(2nx) x
1
2
cos(2nx) + 1 dx =
+
cos (nx) dx =
= ,
2
4n
2

Z
Z
1
x sin(2nx)
2
sin (nx) dx =
1 cos(2nx) dx =
= .
2
2
4n
3. Es veu veient que les integrals anteriors calculades a linterval [t, t + 2] donen totes el
mateix resultat ja que al final es tracta de restar el valor de funcions trigonomètriques del tipus
sin(kx) o cos(kx) amb k un enter no nul, en els dos punts x = t i x = t + 2, en els quals prenen
el mateix valor per periodicitat.
4. Donat que les funcions s
on ortogonals i tenint en compte les seves normes, la projecci
o
ortogonal duna funci
o f (x) en el subespai TrigN es la funcio:
TrigN (f ) = a0 +
N
X
an cos(nx) + bn sin(nx)
n=1
amb coeficients:
Z
1
a0 =
f (x) dx,
2
1
an =
f (x) cos(nx) dx,
1
bn =
f (x) sin(nx) dx.
5.27. Polinomis de Txebixev. A lespai vectorial dels polinomis a coeficients reals es considera el producte
escalar:
Z
1
hp, qiw =
w(x)p(x)q(x) dx,
1
on w : [1, 1] R es una funci

o contnua positiva, anomenada funci
o pes. Els polinomis de
Txebixev s
on una famlia de polinomis en linterval
[1,
1]
que
s
o
n
ortogonals
per al producte
escalar corresponent a la funci

o pes w(x) = 1/ 1 x2 , i que es defineixen de manera recurrent
posant:
T0 (X) = 1, T1 (X) = X,
Tn+1 (X) = 2XTn (X) Tn1 (X), n > 1.
Calculeu els polinomis de Txebixev Tn fins a n = 5 i demostreu que la famlia {Tn }n>0 es una base
ortogonal de lespai R[X].
: Demostreu que posant x = cos es te Tn (x) = cos(n).
Indicacio
5.28. C`
alcul de la projecci
o ortogonal. Comproveu que la proposicio 5.4.8, interpretada convenientment,
tambe d
ona la projecci
o ortogonal dun vector en un subespai en termes duna famlia generadora
del subespai, que no necess`
ariament sigui una base.
5.29. Resoleu els sistemes sobredeterminats seg
uents tot comprovant primerament que les matrius tenen
el rang adequat. Calculeu tambe els residus de les solucions obtingudes, i deduu daquest càlcul
si algun dels sistemes plantejats es compatible.

1 3
1
x
(a) 1 2
= 1 ,
y
2 0
2

3 5 4
1
1 4
6
2
1
1 x
3
2 1 x
5

3
(b)
(c)
1 4
y = 5 ,
3 2 y = 4
2
2
2
z
1
4 5
3
0
1 2
0
`
84
5.30. Donades funcions f1 , f2 , . . . , fn es vol trobar la combinacio lineal f = a1 f1 + + an fn que

millor aproximi una colla de punts (x1 , y1 ), (x2 , y2 ), . . . , (xm , ym ). Digueu quin es el sistema lineal
sobredeterminat que d
ona la soluci
o.
5.31. Trobeu la recta de regressi
o que defineixen els punts seg
uents:
(1, 1), (3, 0), (5, 0), (7, 1), (9, 2), (12, 4).
5.32. Trobeu la par`
abola del tipus y = a+bx+cx2 que aproximi els quatre punts (0, 1), (1, 3), (2, 4), (3, 5)
2
R amb un error mnim.
5.5
Endomorfismes sim`
etrics
Definici
o 5.5.1 (Endomorfisme sim`
etric) Un endomorfisme f End(V ) dun espai vectorial euclidi`
a (V, h, i) es diu simètric (o autoadjunt) si per a tot parell de vectors u, v V es
compleix: hf (u), vi = hu, f (v)i.
Proposici
o 5.5.2 Un endomorfisme dun espai euclidi`
a es simètric si, i nomes si, la seva
matriu en una base ortonormal de lespai es una matriu simètrica.
Proposici
o 5.5.3 Tota matriu simètrica A Mn (R) te tots els vectors propis reals. O sigui,
el polinomi caracterstic Char(A; X) R[X] te tantes arrels reals com el seu grau, comptant
multiplicitats.
Teorema 5.5.4 (Teorema espectral) Tot endomorfisme simètric dun espai vectorial euclidi`
a diagonalitza i admet una base de vectors propis que, a mes, es una base ortonormal.
Corol.lari 5.5.5 (Versi
o matricial) Per a tota matriu simètrica A Mn (R) existeix una
matriu ortogonal P On (R) tal que la matriu P 1 AP es diagonal.
Problemes
5.33. Trobeu lendomorfisme simètric f End(R3 ) que compleix les tres condicions seg
uents:
1. f (1, 1, 1) = (2, 2, 2),
2. tr(f ) = 5,
3. (1, 1, 0) Ker f .
5.34. Lendomorfisme f End(R3 ) determinat per les imatges f (1, 1, 1) = (6, 4, 4), f (2, 1, 0) = (4, 5, 7) i
f (1, 2, 0) = (5, 4, 5), es simètric?
5.35. Trobeu una matriu ortogonal P i tal que P 1
i Ai P i sigui diagonal per a

2 1
2 2
1 1
A1 =
, A2 =
, A3 = 1 2
2 5
1 1
1 1
les matrius:
1
1 .
2
5.36. Sigui f End(E) un endomorfisme simètric dun espai vectorial real. Demostreu que
Ker f = Ker f m
per a tot enter m > 1.

Algebra Lineal

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra Lineal

Uploaded by

Copyright:

Available Formats

`

a11 X1 + a12 X2 + + a1n Xn = b1

a21 X1 + a22 X2 + + a2n Xn = b2

am1 X1 + am2 X2 + + amn Xn = bm

5X2 + 10X3 = 1 5X2 + 10X3 = 25 . Daquesta

Transformacions elementals. Leliminacio gaussiana consisteix a aplicar al sistema lineal

Sanomena matriu ampliada del sistema la matriu:

Naturalment, el conjunt de les solucions es el mateix i nomes canvia la manera de donar-lo.

0.2. Resoleu els sistemes lineals seg

0.3. Resoleu el sistema seg

0.5. Calculeu la forma esglaonada reduda del sistema seg

0.6. Resoleu els sistemes seg

de 4 equacions que contingui les dues primeres per`o no la tercera;

0.11. Doneu exemples de sistemes del tipus seg

1. de tres equacions amb tres inc`

4. de tres equacions amb quatre inc`ognites i solucio depenent de dos par`ametres T1 , T2 :

5. de dues equacions amb dues inc`ognites i solucio depenent de tres par`ametres T1 , T2 , T3 :

0.13. Discutiu els sistemes seg

0.14. Trobeu els valors del par`

Escalars, vectors i matrius

CAPITOL 1. ESPAIS VECTORIALS

El conjunt de totes les matrius m n sobre K es denota Mmn (K).

CAPITOL 1. ESPAIS VECTORIALS

: r, s Q} R es un cos amb les operacions de

CAPITOL 1. ESPAIS VECTORIALS

Calculeu, si estan definides, les matrius seg

CAPITOL 1. ESPAIS VECTORIALS

Alguns exemples importants despais vectorials son els seg

Kn es lespai de les n-tuples x = (x1 , . . . , xn ) delements xi del cos K. La suma i el producte

CAPITOL 1. ESPAIS VECTORIALS

amb coeficients aij K es un subespai vectorial de lespai Kn .

CAPITOL 1. ESPAIS VECTORIALS

x11 x21 xn1 X1

tingui solucio. Aplicant eliminaci

1.8. Digueu si els subconjunts definits a continuacio son o no subespais vectorials:

creixents: {f C (R, R) : x, y R, x 6 y f (x) 6 f (y)},

CAPITOL 1. ESPAIS VECTORIALS

Vectors independents, generadors i bases

La notacio v 1 , . . . , v n , o be {v 1 , . . . , v n }, o be {v i }16i6n indica una famlia de n vectors dun

O sigui, si el subespai hv 1 , . . . , v n i generat per aquests vectors es tot lespai V .

CAPITOL 1. ESPAIS VECTORIALS

Lema 1.3.3 Els vectors v 1 , . . . , v n s

CAPITOL 1. ESPAIS VECTORIALS

Demostreu que aquests vectors s

amb terme independent zero.

CAPITOL 1. ESPAIS VECTORIALS

Tipus II: Tr () multiplica el vector v r per lescalar 6= 0:

Tipus III: Tr,s () suma al vector v r el vector v s , amb K qualsevol i s 6= r:

CAPITOL 1. ESPAIS VECTORIALS

Es diu que una matriu A Mmn (K) est`

1.19. Per a cadascuna de les famlies de vectors de R4 seg

{(4, 5, 5, 4), (5, 6, 6, 5), (1, 3, 4, 0), (0, 4, 3, 1)}

Sistemes dequacions lineals

CAPITOL 1. ESPAIS VECTORIALS

CAPITOL 1. ESPAIS VECTORIALS

1.21. Resoleu els sistemes lineals seg

1.22. Resoleu el sistema seg

CAPITOL 1. ESPAIS VECTORIALS

1.25. Resoleu els sistemes seg

1.30. Digueu si existeixen sistemes equivalents al sistema:

que siguin de la forma seg

CAPITOL 1. ESPAIS VECTORIALS

4. de 2 equacions que contingui la tercera per`o cap de les altres dues;