Algebra Lineal I Matricial Per L'engenyeria Quimica - M Isabel Garcia Planas & M. Dolors Magret - 2004 PDF

Eines dàlgebra lineal i matricial per a la
enginyeria qumica
Mara Isabel Garca Planas
Maria Dolors Magret Planas
Primera edicio: Setembre 2004

Editor: las autores
ISBN: 84-609-2021-6
Dipòsit legal: B-37 847-04
c Ma Isabel Garca Planas, M. Dolors Magret
Index
Presentaci
o
1 Estructures algebraiques: grups, anells, cossos
11
1.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
11
1.2
Estructures algebraiques . . . . . . . . . . . . . . . . . .
12
1.3
El cos dels nombres complexos . . . . . . . . . . . . . . .
13
1.4
Lanell dels polinomis . . . . . . . . . . . . . . . . . . . .
16
1.5
Apèndix: Cossos finits . . . . . . . . . . . . . . . . . . .
19
1.6
Aplicacio a la qumica . . . . . . . . . . . . . . . . . . .
21
1.7
Comentaris finals . . . . . . . . . . . . . . . . . . . . . .
22
1.8
Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
1.9
Exercicis resolts amb Maple . . . . . . . . . . . . . . . .
26
2 Espais vectorials
29
2.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.2
Definicio i propietats . . . . . . . . . . . . . . . . . . . .
30
2.3
Subespais vectorials . . . . . . . . . . . . . . . . . . . . .
33
2.4
Dependència i independència lineal . . . . . . . . . . . .
34
2.5
Sistemes de generadors . . . . . . . . . . . . . . . . . . .
35
2.6
Bases. Dimensio . . . . . . . . . . . . . . . . . . . . . . .
36
2.7
Suma i interseccio de subespais vectorials . . . . . . . . .
38
2.8
Suma directa. Complementari . . . . . . . . . . . . . . .
40
4
2.9
Producte escalar. Bases ortonormals . . . . . . . . . . .
42
2.10 Apèndix A . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2.11 Apendix B . . . . . . . . . . . . . . . . . . . . . . . . . .
50
2.12 Apèndix C . . . . . . . . . . . . . . . . . . . . . . . . . .
52
2.13 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . .
54
2.14 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .
56
2.15 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.16 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .
61
3 Matrius i sistemes de equacions
63
3.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
63
3.2
Notacions i terminologia . . . . . . . . . . . . . . . . . .
64
3.3
Rang duna matriu . . . . . . . . . . . . . . . . . . . . .
71
3.4
Transformacions elementals duna matriu . . . . . . . . .
72
3.5
Inversa duna matriu . . . . . . . . . . . . . . . . . . . .
80
3.6
Sistemes dequacions lineals . . . . . . . . . . . . . . . .
83
3.7
Aplicacio 1 . . . . . . . . . . . . . . . . . . . . . . . . . .
86
3.8
Aplicacio 2 . . . . . . . . . . . . . . . . . . . . . . . . . .
87
3.9
Apèndix . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
89
90
3.12 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
96
4 Aplicacions lineals
99
4.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
99
4.2
Concepte daplicacio lineal . . . . . . . . . . . . . . . . .
99
4.3
Determinacio duna aplicacio lineal . . . . . . . . . . . .
101
4.4
Nucli i imatge duna aplicacio lineal . . . . . . . . . . . .
103
4.5
Isomorfisme natural associat a una base . . . . . . . . . .
106
5
4.6
Matriu associada a una aplicacio lineal . . . . . . . . . .
107
4.7
Canvis de base . . . . . . . . . . . . . . . . . . . . . . .
108
4.8
Subespais invariants per un endomorfisme . . . . . . . .
111
4.9
Operacions amb aplicacions lineals . . . . . . . . . . . .
113
4.10 El grup lineal . . . . . . . . . . . . . . . . . . . . . . . .
115
4.11 Apèndix A . . . . . . . . . . . . . . . . . . . . . . . . . .
116
4.12 Apèndix B . . . . . . . . . . . . . . . . . . . . . . . . . .
118
121
4.14 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
121
127
5 Determinants
129
5.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
129
5.2
Permutacions . . . . . . . . . . . . . . . . . . . . . . . .
129
5.3
Definicio de determinant i propietats . . . . . . . . . . .
131
5.4
Càlcul de determinants . . . . . . . . . . . . . . . . . . .
134
5.5
Aplicacio 1 . . . . . . . . . . . . . . . . . . . . . . . . . .
137
5.6
Aplicacio 2 . . . . . . . . . . . . . . . . . . . . . . . . . .
137
5.7
Aplicacio 3 . . . . . . . . . . . . . . . . . . . . . . . . . .
138
5.8
Aplicacio 4 . . . . . . . . . . . . . . . . . . . . . . . . . .
139
5.9
Determinant dun endomorfisme . . . . . . . . . . . . . .
140
141
142
5.12 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
142
146
6 Diagonalitzaci
o dendomorfismes
147
6.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
147
6.2
Vectors propis i valors propis . . . . . . . . . . . . . . . .
147
6.3
Polinomi caracterstic . . . . . . . . . . . . . . . . . . . .
152
6
6.4
Endomorfismes diagonalitzables . . . . . . . . . . . . . .
155
6.5
Teorema de diagonalitzacio . . . . . . . . . . . . . . . . .
157
6.6
El Teorema de Cayley-Hamilton . . . . . . . . . . . . . .
159
6.7
Apèndix A . . . . . . . . . . . . . . . . . . . . . . . . . .
162
6.8
Apèndix B . . . . . . . . . . . . . . . . . . . . . . . . . .
163
6.9
164
165
6.11 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
165
170
7 Endomorfismes ortogonals i sim`

etrics
173
7.1
Introduccio . . . . . . . . . . . . . . . . . . . . . . . . .
173
7.2
Aplicacio lineal adjunta . . . . . . . . . . . . . . . . . . .
173
7.3
Endomorfismes ortogonals . . . . . . . . . . . . . . . . .
175
7.4
Endomorfismes simètrics . . . . . . . . . . . . . . . . . .
179
7.5
Apèndix . . . . . . . . . . . . . . . . . . . . . . . . . . .
184
7.6
187
7.7
Comentaris finals . . . . . . . . . . . . . . . . . . . . . .
188
7.8
Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . .
189
Bibliografia
194
Aquesta es una versio revisada per la profesora Ma Isabel Garca Planas,

dels apunts de la asignatura editats el curs passat.
Barcelona 18-VII-2005
Presentaci
o
Aquest llibre recull el material preparat per als estudiants de lassignatura

dàlgebra lineal de la titulacio denginyeria qumica de la UPC. Es tracta
dun llibre bàsic daquesta matèria, tot i que shi ha introdut alguns
elements especfics.
El nucli bàsic està constitut pels temes clàssics en un llibre dàlgebra
lineal: espais vectorials, aplicacions lineals entre espais vectorials i diagonalitzacio dendomorfismes. Junt a aquests temes centrals apareixen
aquells que son, a banda de la seva importància en si mateixos, les eines
amb què habitualment es treballa en estudiar els anteriors: nombres complexos, polinomis, matrius, sistemes lineals dequacions, determinants.
En tots aquests captols es donen les definicions dels diferents conceptes,
aix com els resultats essencials, amb la demostracio corresponent en la
majoria dels casos i exemples abundants. Sha volgut, a mes, incloure en
cada captol una breu nota històrica, comentaris en finalitzar els captols
sobre la seva importància i aplicabilitat, exemples de resolucio dalguns
exercicis mecànics utilitzant el programa Maple i aplicacions a làmbit
de la qumica.
En ser llibre destudi recomenat als estudiants, cada captol consta duna
àmplia col.leccio dexercicis, amb les solucions corresponents.
La intencio de les autores es oferir als estudiants un text complet dàlgebra
lineal bàsica que els permet assolir un cert grau de soltura en la resolucio
dels excercicis i, al mateix temps, introduir-se en labstraccio de les demostracions, en la visualitzacio de com resoldre exercicis amb lajut dun
ordinador i entreveure la gran aplicabilitat daquesta matèria, tant en
9
10
làmbit de la propia matemàtica o de lenginyeria qumica com en altres
camps.
Volem agrair als Drs. Francesc Mas, Catedràtic de Qumica-Fsica de la
Facultat de Qumica de la Universitat de Barcelona i Josep J. Centelles,
Professor de Bioqumica tambe de la Facultat de Qumica de la Universitat de Barcelona, les converses que han permes elaborar els apartats
dedicats a les aplicacions a la qumica.
Les autores
Barcelona, 31 dagost de 2004.
Captol 1
Estructures algebraiques:
grups, anells, cossos
1.1
Introducci
o
Va ser cap a finals del segle XIX que es van desenvolupar teories abstractes com làlgebra commutativa. Es pot situar els inicis de la teoria
de grups en lobra de Lagrange i Gauss (segle XVIII) però sobretot en
lobra de Galois (1811-1832), tot i que no apareix una definicio fins finals
dels segle XIX amb Cayley, entre altres. Alguns autors han considerat la
teoria de grups com la major fita de les matemàtiques del segle XX. Els
conceptes de cos i extensio de cossos, anells i ideals apareixen en treballs
de Galois, Dedekind (1831-1916), Kronecker (1823-1891) i D. Hilbert
(1862-1943). Aquesta teoria va ser axiomatitzada i sistematitzada per
Noether (1882-1935). La introduccio dels nous elements han permès la
utilitzacio de làlgebra no nomes en altres branques de les matemàtiques,
sino tambe en altres disciplines, com per exemple la mecànica.
Els exemples mes bàsics danells commutatius son el conjunt dels nombres
enters i el conjunt dels polinomis amb coeficients en un cos.
Lorigen dels polinomis es pot situar en la matemàtica babilònica (1500
aC) on apareix un algorisme de resolucio dequacions polinòmiquesde
segon grau. La matemàtica grega va fer tambe aportacions en aquest
sentit, però van ser els àrabs els qui van jugar un paper fonamental,
11
12
Captol 1. Estructures algebraiques: grups, anells, cossos
especialment Al-Khwarizmi (850 dC) en lobra del qual es classificaven

les equacions fins a segon grau i es donaven mètodes per a resoldre-les.
En el segles XIII i XIV van florir les Aritmètiques mercantils que van
constituir el nexe entre làlgebra dels àrabs i la dels algebristes del
s. XV. Cardan utilitzava ja quantitats que no eren nombres reals. Bombelli (1572) va desenvolupar eines per manipular aquests nombres (nombres complexos), que encara no sexpressaven en la forma binòmica actual. La primera demostracio del teorema fonamental de làlgebra satribueix a Gauss (1949), tot i que anteriorment shavien fet diverses demostracions: Argand, Euler, Lagrange-Laplace,..., fins i tot el mateix
Gauss lany 1749.
1.2
Estructures algebraiques
Sigui C un conjunt, en el què es defineix una operacio, que notarem per

+.
Definici
o 1.2.1. Es diu que C es un grup quan es compleixen les propietats seg
uents:
1. Per a x, y, z C qualssevol, (x + y) + z = x + (y + z).
2. Existeix un element en C, que notarem per 0 i al que anomenarem
element neutre, tal que x+0 = 0+x per a qualsevol element x C.
3. Per a tot x C existeix un element x0 C de manera que x + x0 =
x0 + x = 0.
Quan, a mes, es compleix la propietat seg
uent:
4. Per a x, y C qualssevol x + y = y + x
es diu que C es un grup commutatiu.
Suposem ara que en el conjunt C tenim definides dues operacions, que
notarem per + i .
Definici
o 1.2.2. Direm que C es un anell quan C es un grup commutatiu
amb + (es a dir, es compleixen les quatre propietats anteriors) i, a mes,
tambe es compleixen les propietats seg
uents.
1.3. El cos dels nombres complexos
13
5. Per a x, y, z C qualsevol, (x y) z = x (y z).

6. Per a x, y, z C qualssevol, (x + y) z = x z + y z.
Quan a mes, es compleix que:
7. Per a x, y C qualssevol, x y = y x, es diu que C es un anell
commutatiu.
Quan C es un anell commutatiu i, a mes,
8. Existeix un element de C, que notarem per 1 i al que anomenarem
element unitat, tal que x 1 = x per a qualsevol element x C
direm que C es un anell commutatiu amb element unitat.
Finalment, si tambe tenim la propietat seg
uent:
9. Per a tot x C, x 6= 0, existeix un element x0 C de manera que
x x0 = 1 es diu que C es un cos.
Exemple 1.2.1. El conjunt Z dels nombres enters amb la suma es un grup

commutatiu.
El conjunt Z dels nombres enters amb la suma i el producte es un anell
commutatiu amb element unitat, però no es un cos.
El conjunt Q dels nombres racionals i el conjunt R dels nombres reals,
amb la suma i el producte son cossos.
1.3
El cos dels nombres complexos
Existeixen equacions quadràtiques que no tenen cap solucio a R. Per

exemple, lequacio x2
+ 1 = 0. Sintrodueix i com la solucio daquesta
equacio, es a dir, i = 1. En aquesta seccio definirem el conjunt dels
nombres complexos, aix com les operacions bàsiques en aquest conjunt.
Definici
o 1.3.1. Un nombre complex es un nombre de la forma a + bi,
amb a i b nombres reals.
14
En el conjunt dels nombres complexos

C = {a + bi | a, b R}
es poden definir les operacions suma i producte de la manera seg
uent:
(a + bi) + (c + di) = (a + b) + (c + d)i
(a + bi) (c + di) = (ac bd) + (ad + bc)i
Remarca. Amb aquestes operacions el conjunt dels nombres complexos
es un cos.
Tot nombre complex es pot representar geomètricament com un vector
(a, b) R2 .
A la notacio habitual a + bi se li diu expressio binòmica de z. Diem part
real de z a a i part imaginària de z a b. Ho notem Re (z) = a, Im (z) = b.
A continuacio veurem alguns conceptes usuals en treballar amb nombres
complexos.
Definici
o 1.3.2. Donat un nombre complex z = a + bi, sanomena conjugat de z al nombre a bi i el notem per z.
Es verifiquen les propietats seg
uents:
1. z z 0 = z z 0 ,
z, z 0 C.
2. z + z 0 = z + z 0 ,
3. z + z R,
z, z 0 C.
z C.
4. z = z z R.
Definici
odul
o 1.3.3. Donat un nombre complex z = a + bi sanomena m`
2
2
de z a a + b i el notem per |z|.
El mòdul dun nombre complex verifica les propietats seg
uents:
1. |z| R i |z| 0,
z C.
2. |z| = 0 z = 0.
3. |z + z 0 | |z| + |z 0 | z, z 0 C.
1.3. El cos dels nombres complexos
15
4. |z z 0 | = |z| |z 0 | z, z 0 C.
El mòdul del nombre complex z = a+bi representa la distància a lorigen
de lextrem del vector (a, b) R2 .
Linvers dun nombre complex z = a + bi es:
z
z
1
=
= 2.
z
zz
|z|
Remarca. Atès que
z
|z|
te mòdul 1, existeix un angle [0, 2) tal que

z
= cos + i sin
|z|
Definici
o 1.3.4. A aquest angle se lanomena argument de z, i el notem
per arg (z) = .
Es verifiquen les propietats seg
uents:
1. arg (z z 0 ) = arg (z) + arg (z 0 ) z, z 0 C.

2. arg z1 = arg (z) z C, z 6= 0.
El nombre z el podem escriure com
z = |z|(cos + i sin ) = |z|ei .
Lexpressio |z|ei sanomena forma exponencial del nombre complex z.
Tambe es freq
uent la notacio |z| que rep el nom de forma polar del
nombre z.
A partir de la formula de Moivre:
(cos + i sin )n = cos n + i sin n
es dedueix que, donat un nombre complex z = |z|ei , la seva potència
n-èsima es:
z n = (|z|(cos + i sin ))n = |z|n (cos n + i sin n)
o be, expressant-ho en forma exponencial:
z n = |z|n ein .
16
Fent servir el raonament anterior tenim que si z = |z|ei C, aleshores

les seves arrels n-èsimes (els nombres complexos u tals que un = z) son:

p
+ 2k
+ 2k
n
+ i sin
, 0 k n 1.
|z| cos
n
n
Les representacions geomètriques de les arrels n-èsimes dun
p nombre complex z es troben totes sobre la circumferència de radi n |z| i equidisten
entre elles (es a dir, son els vèrtexs dun polgon regular).
Exemple 1.3.1. Les arrels sisenes de z = 1 son:
z1 = 1
2
2
+ i sin
z2 =
cos
6
6
4
4
z3 =
cos
+ i sin
6
6
z4 = 1
8
8
z5 =
cos
+ i sin
6
6
10
10
z6 =
cos
+ i sin
6
6
que son els vèrtexs dun exàgon regular de radi 1.
Remarca. En multiplicar un nombre complex z pel nombre z = cos +
i sin el que fem, des del punt de vista geomètric, es un gir de centre
lorigen i angle , en sentit antihorari.
Aquest es un resultat que pot esser u
til a lhora de resoldre problemes.
1.4
Lanell dels polinomis
Considerarem, en aquesta seccio, polinomis duna variable amb coeficients en un cos commutatiu, que serà bàsicament Q, R o C. Mes concretament, estudiarem com determinar les arrels dun polinomi (i les
seves respectives multiplicitats) i la seva descomposicio en producte de
factor primers. Tambe veurem el mnim com
u m
ultiple i el màxim com
u
divisor de dos o mes polinomis.
Sigui p(t) = a0 + a1 t + a2 t2 + + an tn K[t] un polinomi de grau n
amb coeficients en el cos commutatiu K.
1.4. Lanell dels polinomis
17
Definici
o 1.4.1. Direm que es una arrel de p(x) de multiplicitat m
N, m 1, si p() = p0 () = p00 () = = p(m1) () = 0 i p(m) () 6= 0.
Si m = 1 direm que es una arrel simple; si m = 2, doble, etc. En
general, per a m 2, direm que es arrel m
ultiple.
Recordem que p() = a0 + a1 + a2 2 + + an n es el valor de p(t) en
.
Proposici
o 1.4.1. es una arrel de p(t) de multiplicitat m si, i nomes
si, (t )m divideix p(t) i (t )m+1 ja no divideix p(t), es a dir: p(t) =
(t )m q(t) amb q(t) K[t], q() 6= 0.
Demostraci
o. Lenunciat es pot deduir fàcilment si considerem el desenvolupament de Taylor del polinomi p(t) K[t] en t = :
p(t) = p(a)+
p0 (a)
p00 (a)
p(n) (a)
(ta)+
(ta)2 + +
(ta)n ,
1!
2!
n!
a K
aplicant-lo al cas a = .
Remarca.
1. Si p(t) = a0 +a1 t+ +an tn i a0 , a1 , . . . , an Z, aleshores la fraccio
irreductible a/b es arrel de p(t) si, i nomes si, a es divisor de a0 i b
ho es de an (regla de Ruffini).
2. Siguin p(t) = a0 + a1 t + + an tn R[t] i C. Si es arrel de
p(t), aleshores el conjugat de ,
, tambe es arrel de p(t).
Definici
o 1.4.2. Un polinomi p(t) K[t], diem que es primer (o irreductible) a K[t] si no es possible escriurel com a producte de dos polinomis de K[t] ambdos amb grau mes petit que el de p(t). En aquest cas,
els seus u
nics divisors son els polinomis constants o be del tipus p(t)
essent K, 6= 0.
Exemple 1.4.1. Els polinomis de grau 1 son primers.
Remarca.
1. Un polinomi pot ser irreductible sobre un cos però no ser-ho sobre
un altre cos. Per exemple, t2 + 1 es primer a R[t] però no ho es a
C[t] (ja que a C[t], t2 + 1 = (t + i)(t i)).
18
2. A C[t] els u
nics polinomis primers son els de grau 1 mentre que a
R[t] tambe ho son el de segon grau amb discriminant negatiu.
Teorema 1.4.1. Tot polinomi p(t) K[t] amb grau p(t) 1 es pot
escriure com a producte de polinomis irreductibles de K[t] (sanomena
descomposici
o de p(t) en factors primers a K[t]):
p(t) = (p1 (t))m1 . . . (pr (t))mr
on K, pi (t) K[t] primers i m`
onics i, 1 i r.
Un polinomi sanomena mònic quan el coeficient del terme de grau màxim,
anomenat principal, es igual a 1.
Exemple 1.4.2. t3 +2t2 t+4 es mònic, no aix el polinomi 4t3 +2t2 t+1.
Remarca. La descomposicio dun polinomi p(t) en factors primers es
u
nica, llevat de lordre dels factors.
El resultat seg
uent es conegut com a Teorema fonamental de làlgebra.
Teorema 1.4.2. Tot polinomi p(t) C[t] de grau n te n arrels a C.
Una formulacio equivalent seria: tot polinomi p(t) R[t] descompon en
producte de factors lineals i factors de grau 2 amb discriminant negatiu.
Definici
o 1.4.3. Siguin p1 (t), . . . , pn (t) K[t]. Anomenem m`
axim com
u
divisor daquests polinomis a un polinomi d(t) K[t] tal que
1) es divisor de cadascun dels polinomis donats,
2) qualsevol altre divisor com
u de tots es divisor de d(t),
3) es mònic.
Posarem:
d(t) = m.c.d.(p1 (t), . . . , pn (t))
I anomenem mnim com
u m
ultiple dels esmentats polinomis a un polinomi
m(t) K[t] tal que
1) es m
ultiple de cadascun dels polinomis donats,
2) qualsevol altre m
ultiple com
u de tots es m
ultiple de m(t),
19
1.5. Apèndix: Cossos finits
3) es mònic.
Posarem:
m(t) = m.c.m.(p1 (t), . . . , pn (t))
Proposici
o 1.4.2. Si p(t) = q(t)c(t) + r(t) amb grau r(t) < grau p(t) i
q(t) 6= 0, llavors m.c.d. (p(t), q(t)) = m.c.d. (q(t), r(t)).
Laplicacio reitarada daquest resultat es coneix com lalgorisme dEuclides per a trobar el màxim com
u divisor de dos polinomis p(t) i q(t).
Exemple 1.4.3. Considerem els polinomis p(t) = t10 t6 t4 + 1 i q(t) =
t5 t3 t2 + 1. Per a calcular m.c.d(p(t), q(t)) podem procedir de la
forma seg
uent, aplicant el resultat anterior.
p(t) = (t5 + t4 + 3t3 + 6t2 + 11t + 23)q(t) + (45t4 + 45t3 45t 45)
Llavors:
m.c.d(p(t), q(t)) = m.c.d(q(t), 45t4 + 45t3 45t 45) = t4 + t3 t 1.
El màxim com
u divisor i el mnim m
ultiple de dos polinomis estan relacionats de la manera seg
uent.
Proposici
o 1.4.3. Si d(t) = m.c.d. (p(t), q(t)) es el màxim com
u divisor
i m(t) es el mnim com
u m
ultiple de dos polinomis p(t) i q(t), aleshores:
m(t) =
p(t)q(t)
an bm d(t)
essent an i bm els coeficients principals de p(t) i de q(t), respectivament.
1.5
Ap`
endix: Cossos finits
A mes dels exemples de cossos ja esmentats: Q, R i C, hi ha altres cossos,

alguns dels quals tenen un nombre finit delements (cossos finits).
Es diu que un cos K es finit quan te un nombre finit delements. A aquest
nombre delements se li diu lordre del cos.
20
Galois va provar que una condicio necessària i suficient per a que existeixi
un cos finit de q elements es que q sigui potència dun nombre primer.
Sindica per Fq el cos finit de q elements.
Donat m Z qualsevol, es diu que dos nombres enters x, y son congruents
mòdul m, i ho indicarem per x y (mod. m), quan la diferència x y
es un m
ultiple de m.
Per a cada nombre enter x, posarem [x] a la classe daquest nombre enter,
que es el conjunt format per tots els nombres enters que son congruents
amb ell. I posarem Z/mZ al conjunt format per aquestes classes.
A Z/mZ podem definir una suma i un producte de la manera seg
uent:
(a) [x] + [y] = [x + y], x, y Z.
(b) [x][y] = [xy], x, y Z.
fàcil comprovar que aquestes operacions estan ben definides.
Es
A continuacio presentem les taules de les operacions de suma i producte
per a m 4.
+ [0]
[0] [0]
[1] [1]
[1]
[1]
[0]
[0]
[1]
[0] [1]
[0] [0]
[0] [1]
+
[0]
[1]
[2]
[0]
[0]
[1]
[2]
[1]
[1]
[2]
[0]
[2]
[2]
[0]
[1]
[0]
[1]
[2]
[0]
[0]
[0]
[0]
[1]
[0]
[1]
[2]
[2]
[0]
[2]
[1]
[0]
[0]
[1]
[2]
[3]
[1]
[1]
[2]
[0]
[0]
[2]
[2]
[3]
[1]
[1]
[3]
[3]
[0]
[2]
[2]
[0]
[1]
[2]
[3]
[0]
[0]
[0]
[0]
[0]
[1]
[0]
[1]
[2]
[3]
[2]
[0]
[2]
[0]
[2]
m=2
m=3
m=4
+
[0]
[1]
[2]
[3]
[3]
[0]
[3]
[2]
[1]
Observem que a Z/4Z hi ha divisors de zero i que els elements que no

son divisors de zero son aquells nombres enters primers amb 4.
En el cas general, es compleix la condicio seg
uent.
21
1.6. Aplicacio a la qumica
Z/mZ es un cos si, i nomes si, m es un nombre primer.

p
A mes, si m = p es un nombre primer, es verifica que p[1] = [1]+.^. .+[1] =

[0] i p es diu que es la caracterstica del cos.
Els cossos de la forma Z/pZ, amb p un nombre primer, sanomenen cossos
primers.
1.6
Aplicaci
o a la qumica
C`
alcul del volum crtic
En estudiar les equacions destat dels gasos cal tenir en compte el proces
de condensacio, que te lloc a temperatures baixes i pressions elevades.
A temperatures elevades i pressions baixes, els gasos compleixen la llei
dels gasos ideals:
P V = nRT
A valors de pressio elevats, el gas deixa de complir la llei dels gasos
ideals, ja que les molècules de gas interaccionen entre si. Llavors el
comportament dels gasos reals lexpressa millor (tot i no ser rigurosament
exacta) lequacio dels gasos reals de van der Waals que, per a un mol de
gas, es:
a
P+
(Vm b) = RT
Vm
per a unes certes constants a, b R (depenents de cada gas). Observeu
que en el cas en què a = b = 0 retrobem lequacio dels gasos ideals.
Per exemple, en el cas del diòxid de carboni(CO2 ), els valors daquestes
constants es:
a = 3.592atm`2 /mol2 ,
b = 0.0427`/mol
Per a cada gas, existeix una certa temperatura, lanomenada temperatura

crtica, per sobre de la qual el gas no es pot condensar per mes que
saugmenti la pressio. La pressio necessària per condensar un gas a la
seva temperatura crtica sanomena pressi
o crtica. En el cas del diòxid
de carboni, aquestes temperatura i pressio crtiques son:
Tc = 304.28K,
Pc = 73, 0atm
22
Podem reescriure la llei dels gasos reals de van der Waals de la forma
seg
uent:
pVm3 (bP + RT )Vm2 + aVm ab = 0
Sobserva que aquesta funcio es polinòmica, i els valors de Vm , per a unes
certes temperatures i pressio, son les arrels del polinomi de grau 3:
p(t) = pt3 (bP + RT )t2 + at ab
Aquest polinomi pot tenir tres arrels reals, o be tenir-ne una de sola.
En el cas en què hi ha tres arrels (quan no estem en les condicions de
temperatura i pressio crtiques), les dues arrels mes gran i mes petita
corresponen als volums molars de les fases vapor i lquid en equilibri. En
les condicions de pressio i temperatura crtica del gas, larrel es u
nica, i
es lanomenat volum crtic.
En el cas del diòxid de carboni esmentat anteriorment, aquest volum
crtic es igual a Vc = 0.014687`.
1.7
Comentaris finals
Els nombres complexos i els polinomis han estat tractats al llarg daquest
captol fent especial èmfasi en aquells aspectes pràctics que seran utilitzats en temes posteriors, per exemple el càlcul del polinomi caracterstic
i dels valors propis dun endomorfisme en el tema 6. Sense descuidar
la rigurositat, sha preferit fugir dun llenguatge que suposi un alt grau
dabstraccio en tot allò en què era possible fer un tractament mes directe.
No obstant això, shan introdut al comencament del captol les nocions
de les estructures algebraiques bàsiques per familiaritzar lestudiant amb
elles. No es pot oblidar que al llarg del segle XX hi ha hagut un interès
creixent en lanàlisi destructures cada cop mes generals, passant-se de
làlgebra clàssica a làlgebra abstracta.
Malgrat aquesta creixent abstraccio, els descobriments mes recents de
la fsica confirmen la relacio entre estructures matemàtiques i fenomens
experimentals (cossos dels nombres p-àdics i teoria de les s
uper-cordes,
per exemple).
Daltra banda, la teoria de grups te importants aplicacions a la qumica:
Orgànica i inorgànica, i a la fsicoqumica.
Aix, per exemple, tenim els grups de les operacions de simetria que
es poden dur a terme sobre una molècula (una operacio de simetria es
23
1.8. Exercicis
aquella transformacio que duu la molècula a una configuracio que no es

pot distingir de loriginal, atenent tant a lcomposicio com a lorientacio).
La majoria daquests grups son finits, però tambe nhi ha dinfinits.
1.8
Exercicis
1. Expresseu en forma exponencial els nombres complexos seg

uents:
(a) 4 4i .
(b)
3 + 3i .
(c) 6 + 2 3i .
2. Escriviu en forma binòmica els nombres complexos seg
uents expressats en forma exponencial
(a) 6ei/4 .
3. Calculeu:
(a) (2 +
s
4. Calculeu:
(b) 4ei/3 .
3i)5 .
(c) 5ei .
(b) (1 + i)6 .
(1 + 3i)60
.
(1 + i)20
5. Trobeu z C tals que z 2 = (1 + i)2 .

6. Calculeu les arrels vuitenes de la unitat.
7. Calculeu les arrels quartes de z = 16i.
3
1
8. Si u es una de les tres arrels c
ubiques de +
i, i w es una
2
2
1
3
i, determineu: 2iwu2 .
arrel quadrada de
2
2
9. Representeu gràficament el lloc geomètric dels punts que son representacio geomètrica dels z C que satisfan:
(a) Re z Im z 0
(b) Im z (Re z)2 .
10. Proveu que nomes hi ha dos nombres complexos tals que la seva
3
suma es igual a 2 i el seu producte es igual a .
4
11. Determineu R per tal que
3+2i
1i
+ i sigui un nombre real.
24
12. Proveu que 1 es arrel dels polinomis p1 (t) = t4 2t3 + 2t 1,

p2 (t) = t3 3t2 + 3t 1, p3 (t) = t5 3t4 + 2t3 + 2t2 3t + 1.
Determineu en cada cas la seva multiplicitat.
13. Per a quins valors de la constant a R els polinomis p(t) = t5 +
at4 + 7t3 2t2 + 4t 8, q(t) = t5 6t4 + at3 8t2 tenen 2 com a
arrel m
ultiple? Quina es la seva multiplicitat en cada cas?
14. Per a quin valor de la constant a R el polinomi p(t) = t4 at + 1
es m
ultiple del polinomi q(t) = t2 t + a?
15. Estudieu quins dels polinomis seg
uents te arrels m
ultiples i, en cas
4
2
afirmatiu, determineu-les: (a) p1 (t) = t 2t + 1 (b) p2 (t) = t4
5t3
+
9t2
7t
+
2
5
3
(c) p3 (t) = t + 3t 4t.
16. Determineu el polinomi mònic p(t) R[t] de grau 5 que verifica
que 2 es arrel doble de p(t), p(0) = p0 (0) = 0 i p(3) = 2.
17. Sigui p(t) R[x] un polinomi tal que 2 es arrel triple de p(t),
p000 (0) = 6 i p00 (0) = 2. Determineu p(t) de grau mnim.
18. Trobeu un polinomi mònic de grau 5 tal que p(0) = 10, i p0 (t) te
com arrel simple 1 i com a arrel triple -2.
19. Calculeu a per a que els polinomis de R[t] p(t) = t2 (3 + a)t + 3a i
q(t) = t2 4t + 4 tinguin una arrel comuna.
20. Sigui p(t) R[t]. Si la resta de dividir p(t) per (t + 1) es 3, per
(t 3) es 4, quina es la resta de dividir p(t) per t2 2t 3?
21. Calculeu la resta de dividir per t 1 el polinomi
p(t) = tn + (n 1)tn1 + tn2 + (n 3)tn3 .
22. Determineu les arrels reals i doneu la descomposicio en factors
irreductibles dels polinomis de R[t] seg
uents a R[t] i C[t]:
(a) t3 + t2 8t 12 (b) t3 6t2 + 11t 6
(c) t5 5t4 + 7t3 2t2 + 4t 8 (d) t5 3t4 + 4t3 4t2 + 3t 1
23. Determineu el desenvolupament de Taylor del polinomi p(t) =
t5 3t3 + 5 en els punts t = 1 i t = 2. Utilitzant aquest desenvolupament, determineu la resta de la divisio de p(t) per t 1,
(t 1)2 , t 2 i (t 2)3 .
25
1.8. Exercicis
24. Considereu un polinomi mònic de grau 3 tal que la resta de dividirlo per t 1 es 1 i la resta de la divisio per t + 2 es -2. Quina es la
resta de la divisio per (t 1)(t + 2)?
25. Factoritzeu com a producte de polinomis primers a Q[t], R[t] i C[t]
respectivament, els polinomis segents:
(a) t4 t2 2 (b) t4 3t2 + 2.
(c) t4 1 (d) t4 2t3 11t2 + 12t + 36.
26. Calculeu el màxim com
u divisor de les parelles de polinomis seg
uents,
descomponent-los primer com a producte de factors primers:
(a) p1 (t) = t4 7t3 + 17t2 17t + 6
q1 (t) = t4 2t3 + t2
(b) p2 (t) = t4 1
q2 (t) = t4 6t3 + 13t2 12t + 4
(c) p3 (t) = t4 2t3 + t2 2t
q3 (t) = t4 2t3 7t2 + 20t 12
(d) p4 (t) = t4 4t2 + 4
q4 (t) = t4 + t3 5t2 + t 6
Determineu tambe el mnim com
u m
ultiple daquestes parelles de
polinomis.
27. Trobeu dos polinomis p1 (t), q1 (t) tals que:
m.c.d.(p(t), q(t)) = p1 (t)p(t) + q1 (t)q(t)
en cadascun dels casos seg
uents:
(a) p(t) = t4 3t3 + 4t2 + 2t 1, q(t) = t3 t2 + 2t + 2.
(b) p(t) = t4 2t2 + 1, q(t) = t4 + 3t2 4.
La igualtat anterior sanomena identitat de Bezout.
28. Escriviu la taula de la suma i del producte a Z/5Z i comproveu que
es un cos.
29. Determineu elements [x], [y] a Z/6Z que no son [0] i que no tenen
invers.
30. Lequacio polinòmica t2 1 = 0 te quatre solucions a Z/8Z. Quines
son?
26
31. Quins polinomis t2 a son irreductibles a Z/6Z[t]?
32. Determineu 25 i 7 a Z/9Z.
1.9
Exercicis resolts amb Maple
Parts reals i imagin`

aria dun nombre complex
> Re((1/3)-(4/5)*I);
1
3
> Im((1/3)-(4/5)*I);
4
5
Conjugat dun nombre complex
> conjugate(1-(1/2)*I);
1+
1
I
2
Operacions amb nombres complexos

> (2*(3-4*I)-(1+I)/(3-5*I));
103 140
I
17
17
C`
alcul del m`
odul i largument
> abs(10/7-I);
27
1.9. Exercicis resolts amb Maple
149
7
> argument(1+I);
4
Pas a forma polar
> polar(4+4*I);
polar(4
2,
)
4
Pas a forma bin`

omica
> evalc(polar(3,Pi/3));
3 3
+ I 3
2 2
Operacions amb polinomis
> with(LinAlg):
> 3t 4-4 t 2+1-(5/4)(t 3-4);
3 t4 4 t2 + 6
5 3
t
4
Quocient i resta de la divisi

o entera
> quo(t 6-3t 4+t 2-1,t 3-4 t+1,t);
t3 + t 1
> rem(t 6-3t 4+t 2-1,t 3-4 t+1,t);
5 t2 5 t
28
C`
alcul darrels
> x:=RootOf(t 5-19/4t 4+13t 3+14t-15/4-39/2t 2);
x := RootOf(4 Z 5 19 Z 4 + 52 Z 3 + 56 Z 15 78 Z 2 )
> allvalues(x);
3
, 1, 1, 1 + 2 I, 1 2 I
4
Factoritzaci
o
Sobre els reals
> factor(t 4-7/2t 3+11/2t 2-14t+6);
(t 3) (2 t 1) (t2 + 4)
2
Sobre els complexos
> factor(t 4-7/2t 3+11/2t 2-14t+6,I);
(t + 2 I) (t + 2 I) (t 3) (2 t 1)
2
Sobre cossos finits

> Factor(t 4-7/2t 3+11/2t 2-14t+6) mod 7;
(t + 4) (t + 3) (t2 + 4)
M`
axim com
u divisor i mnim com
u m
ultiple
> gcd(t 8+9t 4-t-t 7-9t 3+1,t 4+4t 2-7t- t 3+3);
t1
> lcm(t 8+9t 4-t-t 7-9t 3+1,t 4+4t 2-7t-t 3+3);
(t7 + 9 t3 1) (t4 + 4 t2 7 t t3 + 3)
Captol 2
Espais vectorials
2.1
Introducci
o
Lestructura despai vectorial es una abstraccio del conjunt dels vectors

lliures del pla o de lespai ordinari i de les seves propietats.Aix, sintrodueix un model abstracte despai vectorial i es desenvolupen conceptes i
propietats que siguin vàlides en tots els casos.
La geometria cartesiana introduda en el segle XVII es va veure com a
insuficient cap el segle XIX, donant aix lloc a la seva axiomatitzacio i al
naixement del concepte abstracte despai vectorial.
Les idees despai vectorial, independència lineal, dimensio i producte escalar estan presents en els treballs de Gauss, Cayley i Grassman (finals
segle XVIII i XIX), tot i que no utilitzen aquests noms. La definicio
axiomàtica despai vectorial real apareix per primer cop en un llibre
de Peano (1888). A finals del segle XIX i comencaments del segle XX
sorgeixen els espais vectorials de dimensio infinita.
La introduccio de productes escalars es deguda a Schmidt (1907), tot i
que es poden trobar precedents a lobra de Hilbert i Schwarz, per exemple.
Existeixen moltes aplicacions en les què sutilitzen bases ortonormals i
projeccions ortogonals sobre subespais vectorials.
29
30
Captol 2. Espais vectorials
2.2
Definici
o i propietats
Comencem aquest captol donant la definicio despai vectorial.

Definici
o 2.2.1. Diem que un conjunt E es un espai vectorial sobre un
cos commutatiu K si tenim definida una operacio interna (suma) en E
que compleix:
1. (x + y) + z = x + (y + z), x, y, z E
2. existeix 0 E tal que x E es x + 0 = 0 + x = x
3. x E existeix x E tal que x + (x) = (x) + x = 0
4. x + y = y + x, x, y E
i una operacio externa (producte per escalars)
K E E
(, x) 7 x
que compleix:
5. (x + y) = x + y, K, x, y E
6. ( + )x = x + x, , K, x E
7. (x) = ()x, , K, x E
8. 1x = x, x E
Observeu que E amb loperacio suma te estructura de grup.

Els elements dE sanomenen vectors i els elements de K sanomenen
escalars.
Exemple 2.2.1. Rn amb les operacions ordinàries de suma:
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
i de producte per escalars dR:
(x1 , . . . , xn ) = (x1 , . . . , xn )
es un espai vectorial sobre R.
2.2. Definicio i propietats
31
En efecte. Loperacio suma compleix les quatre propietats seg

uents.
1. Donats (x1 , . . . , xn ), (y1 , . . . , yn ), (z1 , . . . , zn ) Rn qualssevol,
((x1 , . . . , xn ) + (y1 , . . . , yn )) + (z1 , . . . , zn ) =
= (x1 + y1 , . . . , xn + yn ) + (z1 , . . . , zn ) =
= ((x1 + y1 ) + z1 , . . . , (xn + yn ) + zn ) =
= (x1 + (y1 + z1 ), . . . , xn + (yn + zn )) =
= (x1 , . . . , xn ) + (y1 + z1 , . . . yn + zn ) =
= (x1 , . . . , xn ) + ((y1 , . . . , yn ) + (z1 , . . . , zn ))
2. Donat (x1 , . . . , xn ) Rn qualsevol,
(x1 , . . . , xn ) + (0, . . . , 0) = (0, . . . , 0) + (x1 , . . . , xn ) = (x1 , . . . , xn )
3. Donat (x1 , . . . , xn ) Rn qualsevol, existeix (x1 , . . . , xn ) Rn tal
que
(x1 , . . . , xn )+(x1 , . . . , xn ) = (x1 , . . . , xn )+(x1 , . . . , xn ) = (0, . . . , 0)
4. Donats (x1 , . . . , xn ), (y1 , . . . , yn ) Rn qualssevol,
(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn ) =
= (y1 + x1 , . . . , yn + xn ) = (y1 , . . . , yn ) + (x1 , . . . , xn )
I loperacio producte per escalars dR compleix les quatre propietats
seg
uents.
5. Donats (x1 , . . . , xn ), (y1 , . . . , yn ) Rn qualssevol, per a tot R,
((x1 , . . . , xn ) + (y1 , . . . , yn )) = (x1 + y1 , . . . , xn + yn ) =
((x1 + y1 ), . . . , (xn + yn )) = (x1 + y1 , . . . , xn + yn ) =
= (x1 , . . . , xn ) + (y1 . . . , yn ) = (x1 , . . . , xn ) + (y1 , . . . , yn )
6. Donats , R qualssevol, per a tot (x1 , . . . , xn ) Rn ,
( + )(x1 , . . . , xn ) = (( + )x1 , . . . , ( + )xn ) =
= (x1 , . . . , xn ) + (x1 , . . . , xn ) = (x1 , . . . , xn ) + (x1 , . . . , xn )
7. Donats , R qualssevol, per a tot (x1 , . . . , xn ) Rn ,
((x1 , . . . , xn )) = (x1 , . . . , xn ) =
= ((x1 ), . . . , (xn )) = (()x1 , . . . , ()xn ) = ()(x1 , . . . , xn )
8. Donat (x1 , . . . , xn ) Rn ,
1 (x1 , . . . xn ) = (1 x1 , . . . , 1 xn ) = (x1 , . . . , xn )
32
Exemple 2.2.2. K[t], amb les operacions habituals de suma de polinomis

i producte per escalars de K, es un espai vectorial sobre K.
En efecte.
Recordem que, donats dos polinomis a(t) = a0 + a1 t + + an tn i b(t) =
b0 +b1 t+ +bm tm , amb n m, la seva suma es el polinomi a(t)+b(t) =
(a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm + am+1 tm+1 + + an tn . Aquesta
operacio interna compleix les quatre propietats seg
uents.
1. Donats a(t) = a0 + a1 t + + an tn , b(t) = b0 + b1 t + + bm tm ,
c(t) = c0 + c1 t + + c` t` , pertanyents a K[t], amb n m `,
(a(t) + b(t)) + c(t) = ((a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm +
+am+1 tm+1 + + an tn ) + (c0 + c1 t + + c` t` )
= ((a0 + b0 ) + c0 ) + ((a1 + b1 ) + c1 )t + + ((a` + b` ) + c` )t` +
+(a`+1 + b`+1 )t`+1 + + (am + bm )tm + am+1 tm+1 + + an tn
= (a0 + (b0 + c0 )) + (a1 + (b1 + c1 ))t + + (a` + (b` + c` ))t` +
+(a`+1 + b`+1 )t`+1 + + (am + bm )tm + am+1 tm+1 + + an tn
= (a0 + a1 t + + an tn ) + ((b0 + c0 ) + (b1 + c1 )t + + (b` + c` )t` +
+b`+1 t`+1 + + bm tm ) = a(t) + ((b(t) + c(t))) .
2. Donat a(t) = a0 + a1 t + + an tn pertanyent a K[t], a(t) + 0 = a(t) =
0 + a(t).
3. Donat a(t) = a0 + a1 t + + an tn pertanyent a K[t], existeix a(t) =
a0 a1 t an tn , pertanyent tambe a K[t], tal que a(t) + (a(t)) =
(a(t)) + a(t) = 0.
4. Donats a(t) = a0 + a1 t + + an tn , b(t) = b0 + b1 t + + bm tm
pertanyents a K[t], amb n m (cosa que podem suposar sense pèrdua
de generalitat),
a(t) + b(t) = (a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm + am+1 tm+1
+ + an tn
= (b0 + a0 ) + (b1 + a1 )t + + (bm + am )tm + am+1 tm+1
+ + an tn
= b(t) + a(t) .
Recordem tambe que el producte dun polinomi a(t) = a0 +a1 t+ +an tn
pertanyent a K[t] per un escalar K ve definit per a(t) = (a0 ) +
(a1 )t + + (an )tn . Aquesta operacio externa compleix les propietats
seg
uents.
2.3. Subespais vectorials
33
5. Donats a(t) = a0 + a1 t + + an tn , b(t) = b0 + b1 t + + bm tm

pertanyents a R[t], amb n m (cosa que podem suposar sense pèrdua
de generalitat) i per tot K.
(a(t) + b(t)) = ((a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm +

+am+1 tm+1 + + an tn )
= (a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm
+am+1 tm+1 + + an tn
= (a0 + b0 ) + (a1 + b1 )t + + (am + bm )tm
+am+1 tm+1 + + an tn
= [a0 + a1 t + + am tm + am+1 tm+1 + . . .
+an tn ] + [b0 + b1 t + + bn tn ]
= a(t) + b(t)
6. Donats , K i per a tot a(t) = a0 + a1 t + + an tn R[t],
( + )a(t) =
=
=
=
(( + )a0 ) + (( + )a1 )t + + (( + )an )tn

(a0 + a0 ) + (a1 + a1 )t + + (an + an )tn
[a0 + a1 t + + an tn ] + [a0 + a1 t + + an tn ]
a(t) + a(t) .
7. Donats , K i per a tot a(t) = a0 + a1 t + + an tn K[t],

(a(t)) = (a0 + a1 t + + an tn )
= (a0 ) + (a1 )t + + (an )tn
= ()a0 + ()a1 t + + ()an tn = ()a(t) .
8. Donat a(t) = a0 + a1 t + + an tn pertanyent a K[t], 1 a(t) = a(t).
2.3
Subespais vectorials
Un subconjunt no buit dun espai vectorial E es diu que es un subespai

vectorial quan es un espai vectorial amb les operacions de suma i producte
per escalars indudes per les dE.
Definici
o 2.3.1. Un subconjunt no buit F E es un subespai vectorial
dE quan compleix:
34
1. Per a x, y F qualssevol, el vector x + y pertany tambe a F .

2. Per a x F qualsevol, i per a tot K, el vector x pertany
tambe a F .
Exemple 2.3.1. A R3 el conjunt F format per els vectors (x1 , x2 , x3 ) tals
que x1 + x2 + x3 = 0, es un subespai vectorial. En efecte:
1. Donats x = (x1 , x2 , x3 ), y = (y1 , y2 , y3 ) qualssevol de F , x + y F ,
ja que
x1 +y1 +x2 +y2 +x3 +y3 = (x1 +x2 +x3 )+(y1 +y2 +y3 ) = 0+0 = 0
2. Donat x = (x1 , x2 , x3 ) F qualsevol i per a tot R, x F ja
que
x1 + x2 + x3 = (x1 + x2 + x3 ) = 0 = 0
Exemple 2.3.2. El conjunt de polinomis de K[t] format per aquells polinomis el grau dels quals es mes petit o igual que n donat forma un
subespai vectorial. En canvi, el conjunt dels polinomis de K[t] de grau
exactament igual a n no es un subespai vectorial.
2.4
Depend`
encia i independ`
encia lineal
Els vectors dR2 que determinen un triangle son linealment independents,

mentre que els que estan alineats son linealment dependents. A R3 , els
vectors que determinen un tetràedre son linealment independents, mentre
que els que son coplanaris son linealment dependents. En aquesta seccio
veurem la generalitzacio daquest concepte a un espai vectorial qualsevol.
Definici
o 2.4.1. Una combinaci
o lineal dels vectors u1 , . . . , um dE es
un vector de la forma x = 1 u1 + + m um amb 1 , . . . , m K.
Definici
o 2.4.2. Un conjunt de vectors {u1 , . . . , um } dE es diu que
es linealment dependent si existeix una combinacio lineal dells igual al
vector 0:
1 u1 + + m um = 0
amb no tots els escalars nuls. En cas contrari, diem que el conjunt es li a dir, si quan 1 u1 + + m um = 0, aleshores
nealment independent. Es
necessàriament 1 = = m = 0.
35
2.5. Sistemes de generadors
Exemple 2.4.1. Considerem el conjunt de polinomis de R2 [t] seg

uent:
{t2 + t + 1, 2t2 2t 1, 2t2 + t}
Aquest conjunt de polinomis es linealment independent. En canvi, el
conjunt
{t2 + t + 1, 2t2 2t + 1, 3t2 t + 2}
es linealment dependent, ja que
1(t2 + t + 1) + 1(2t2 2t + 1) 1(3t2 t + 2) = 0.
Remarca. Equivalentment, un conjunt de vectors {u1 , . . . , um } dE

es linealment dependent quan un dels vectors es combinacio lineal dels
restants. I el conjunt es linealment independent quan cap dels vectors no
es una combinacio lineal de la resta.
2.5
Sistemes de generadors
Un altre concepte clau es el de generadors dun subespai vectorial.

Definici
o 2.5.1. Donat un conjunt de vectors {u1 , . . . , um } dE, denotem per [u1 , . . . , um ] el conjunt de les combinacions lineals daquests
vectors. Aquest conjunt (que es el menor subespai vectorial de E que
conte el conjunt) sanomena el subespai vectorial generat o (engendrat)
pels vectors u1 , . . . , um .
Definici
o 2.5.2. En general, donat un conjunt de vectors i un subespai
vectorial dE, es diu que generen el subespai F o que formen un sistema
de generadors dF si F = [u1 , . . . , um ]; es a dir, si existeixen m escalars
1 , . . . , m K tals que
x = 1 u1 + + m um
x F
Exemple 2.5.1. El conjunt {(1, 2), (2, 1)} es un sistema de generadors de

R2 .
Exemple 2.5.2. El conjunt {1, t, t2 } es un sistema de generadors de R2 [t].
36
2.6
Bases. Dimensi
o
Definici
o 2.6.1. Diem que una famlia de vectors u = {u1 , . . . , un } es
una base i notarem per u = (u1 , . . . , un ) dun espai vectorial E (respectivament, dun subespai vectorial F ) si {u1 , . . . , un } es linealment independent i [u1 , . . . , un ] = E (respectivament, [u1 , . . . , un ] = F ).
Definici
o 2.6.2. Si E te una base formada per n vectors, es diu que la
dimensio dE es n.
Exemple 2.6.1. La dimensio del subespai vectorial de R5 [t] engendrat pels
polinomis
{1 + 2t t2 + t3 , 1 + t t2 , 1 t2 t3 }
es igual a 2, ja que un dells es combinacio lineal dels altres dos i, per
tant, nomes nhi ha 2 que siguin linealment independents.
Si la dimensio dE es n i {v1 , . . . , vr }, r < n, es un conjunt de vectors
dE linealment independent, aleshores (v1 , . . . , vr ) es pot ampliar fins a
obtenir una base dE, tal com veiem en el teorema seg
uent.
Teorema 2.6.1 (Steinitz). Sigui (u1 , . . . , un ) una base dE i sigui
(v1 , . . . , vr ) amb r n, un conjunt de vectors linealment independents
dE. Aleshores es possible substituir r vectors de la base donada pels r
vectors del conjunt, de manera que el conjunt resultant sigui una altra
base dE.
Demostraci
o. Escrivim v1 com a combinacio lineal dels vectors de la base
(v1 , . . . , vn ) dE:
v1 = 1 u1 + . . . + n un
Algun dels escalars i es no nul, ja que v1 6= 0. Suposem, per exemple,
1 6= 0. Aleshores podem escriure
u1 =
2
n
1
v1 u2 . . .
un
1
1
1
(2.1)
Els vectors {v1 , u2 , . . . , un } son linealment independents. En efecte. Suposem

1 v 1 + 2 u2 + . . . + n un = 0
Substituint,
1 (1 u1 + . . . + n un ) + 2 u2 + . . . + n un =
(1 1 )u1 + (2 1 + 2 )u2 + . . . + (n 1 + n )un = 0
37
2.6. Bases. Dimensio
En ser {u1 , u2 , . . . , un } linealment independents,

1 1 = 2 1 + 2 = . . . = n 1 + n = 0
don 1 = 0 (ja que 1 6= 0) i, per tant, tambe 2 = . . . = n = 0.
A mes, aquest conjunt de vectors es un sistema de generadors dE, ja
que, tenint en compte (2.1)
[u1 , u2 , . . . , un ] = [v1 , u2 , . . . , un ]
Aix doncs, (v1 , u2 , . . . , un ) es una altra base dE. Podem reiterar el
proces, escrivint ara v2 com a combinacio lineal dels vectors daquesta
nova base:
v2 = 1 v1 + 2 u2 + . . . + n un
Aleshores algun dels escalars 2 , . . . , n es no nul ja que, altrament, v1 i
v2 serien linealment dependents. Si, per exemple, es 2 6= 0, el conjunt
(v1 , v2 , u3 , . . . , un ) es una nova base dE.
Reiterant daquesta forma el proces, obtenim una base dE que conte els
vectors v1 , . . . , vr .
Remarca. Son conseq
uència del Teorema de Steinitz les afirmacions
seg
uents.
1. Si la dimensio dE es n i {v1 , . . . , vn } es un conjunt de vectors dE
linealment independent, aleshores aquest conjunt es una base dE.
2. Tota base dE està formada pel mateix nombre de vectors.
A mes, si la dimensio dE es n i {v1 , . . . , vn } es un sistema de generadors
dE, aleshores (v1 , . . . , vn ) es una base dE.
A continuacio veiem una important caracteritzacio dels conjunts que son
base.
Proposici
o 2.6.1. Si u = (u1 , . . . , un ) es una base dE, per a tot vector
x de E existeixen n escalars x1 , . . . , xn K u
nics, tals que
x = x 1 u1 + + x n u n .
Definici
o 2.6.3. Aquests escalars x1 , . . . , xn sanomenen les components
de x en la base u.
38
Exemple 2.6.2. Considerem la base (1, t, t2 ) de R2 [t]. Les components dels

polinomis 2t2 + t + 1, t2 + 1, t 2 en aquesta base son, respectivament:
1, 1, 2
1, 0, 1
2, 0, 1
2.7
Suma i intersecci
o de subespais vectorials
La interseccio de dos subespais vectorials F1 i F2 ,
F1 F2 = {x E x F1 i x F2 }
sempre es un subespai vectorial dE. En canvi, però, la unio de subespais
vectorials no es, en general, un subespai vectorial.
Definici
o 2.7.1. Donats F1 i F2 subespais vectorials de E, anomenem
subespai suma dF1 i F2 el subespai vectorial dE:
F1 + F2 = {x E x = x1 + x2 , x1 F1 , x2 F2 }
Remarca. F1 + F2 es el menor subespai vectorial dE que conte F1 i F2 .

Si F1 = [u1 , . . . , ur ] i F2 = [v1 , . . . , vs ], llavors:
F1 + F2 = [u1 , . . . , ur , v1 , . . . , vs ] .
Les dimensions dels subespais F1 , F2 , F1 + F2 i F1 F2 estan relacionades
de la manera seg
uent.
Teorema 2.7.1 (Formula de Grassman). Si F1 i F2 s
on dos subespais
vectorials qualssevol dE, aleshores:
dim(F1 + F2 ) = dim F1 + dim F2 dim(F1 F2 )
2.7. Suma i interseccio de subespais vectorials
39
Demostraci
o. Sigui (u1 , . . . , um ) una base dF1 F2 . Ampliem aquesta
base a una base (u1 , . . . , um , vm+1 , . . . , vr ) dF1 i (u1 , . . . , um , wm+1 , . . . , ws )
dF2 .
Aleshores (u1 , . . . , um , vm+1 , . . . , vr , wm+1 , . . . , ws ) es base dF1 + F2 , don
es dedueix fàcilment lenunciat. En efecte. Vegem en primer lloc que
aquests vectors son linealment independents. Suposem que existeix una
combinacio lineal dells que es el vector nul,
1 u1 + . . . + m um + m+1 vm+1 + . . . + r vr + m+1 wm+1 + . . . + s ws = 0

Aleshores:
1 u1 +. . .+m um +m+1 vm+1 +. . .+r vr = m+1 wm+1 . . .s ws F1 F2
i, per tant,
m+1 wm+1 . . . s ws = 1 u1 + . . . + m um
don dedum
1 u1 + . . . + m um + m+1 wm+1 + . . . + s ws = 0
En ser aquesta una combinacio lineal dels vectors de la base dF2 considerada,
1 = . . . = m = m+1 = . . . = s = 0
i llavors es:
1 u1 + . . . + m um + m+1 vm+1 + . . . + r vr = 0
Però aquesta es una combinacio lineal dels vectors de la base dF1 considerada i, per tant,
1 = . . . = m = m+1 = . . . = r = 0
Daltra banda, donat x F1 + F2 qualsevol, x = x1 + x2 amb x1 F1 i
x2 F2 , es a dir,
x = (1 u1 + . . . + m um + m+1 vm+1 + . . . + r vr )+
+(1 u1 + . . . + m um + m+1 wm+1 + . . . + s ws ) =
= (1 + 1 )u1 + . . . + (m + m )um +
+m+1 vm+1 + . . . + r vr + m+1 wm+1 + . . . + s ws
i, per tant,
{u1 , . . . , um , vm+1 , . . . , vr , wm+1 , . . . , ws }
es un sistema de generadors dF1 + F2 .
40
En general, donats p subespais vectorials F1 , . . . , Fp , tambe es compleix

que F1 Fp es un subespai vectorial dE. Es defineix el subespai
suma de F1 , . . . , Fp com el subespai vectorial
F1 + + Fp = {x E | x = x1 + + xp , xi Fi , i, 1 i p}
Remarca. Si reunim sistemes de generadors de cadascun dels subespais
obtenim un sistema de generadors del subespai suma F1 + + Fp .
2.8
Suma directa. Complementari
En aquesta seccio, tractarem un tipus especial de suma de subespais

vectorials.
Definici
o 2.8.1. Donats dos subespais vectorials F1 i F2 dE diem que
la suma F1 + F2 es directa si tot vector x F1 + F2 sexpressa de forma
u
nica com a x = x1 + x2 amb x1 F1 , x2 F2 . En aquest cas escriurem
F1 F2 .
Exemple 2.8.1. A R3 considerem els subespais F1 = {(x, y, z) R3 |
x + y + z = 0} i F2 = {(x, y, z) R3 | x y + z = 0}. Observem que
(0, 2, 0) = (0, 1, 1) + (0, 1, 1) F1 + F2
(0, 2, 0) = (1, 1, 2) + (1, 1, 2) F1 + F2
per tant la suma no es directa. En canvi si considerem els subespais
G1 = [(1, 0, 1)] i G2 = [(2, 1, 3)],
1 (1, 0, 1) + 1 (2, 1, 3) = 2 (1, 0, 1) + 2 (2, 1, 3)
te solucio si i nomes si 1 = 2 i 1 = 2 . Per tant, la suma es directa.
Proposici
o 2.8.1. S
on equivalents les afirmacions seg
uents:
1. F1 + F2 = F1 F2 .
2. F1 F2 = {0}.
3. La reuni
o de bases dF1 i F2 es una base dF1 + F2 .
41
2.8. Suma directa. Complementari
Corol.lari 2.8.1. Si la suma F1 + F2 es directa, es compleix

dim(F1 F2 ) = dim F1 + dim F2
Exemple 2.8.2. Si considerem els mateixos subespais que en lexemple

anterior es veu que
F1 F2 = [(1, 0, 1)],
i G1 G2 = {0}.
Cas de mes de dos subespais.

Si F1 , . . . , Fp son subespais vectorials, la suma F1 + + Fp diem que es
directa si tot vector v F1 + + Fp sexpressa de forma u
nica com a
x = x1 + + xp amb xi Fi , per a tot i, 1 i p.
Proposici
o 2.8.2. S
on equivalents les afirmacions seg
uents:
1. F1 + + Fp = F1 Fp .
2. Fi (F1 + . . . + Fi1 + Fi+1 + . . . + Fp ) = {0} i,
1 i p.
3. Si (ui1 , . . . , uiri ) es una base dFi , llavors (u11 , . . . , u1r1 , . . . , up1 , . . . , uprp )
es una base dF1 + + Fp .
Definici
o 2.8.2. Si F es un subespai vectorial de E, un subespai complementari dF (en E) es qualsevol subespai G dE tal que F G = E.
Si G es un complementari dF ,
dim E = dim F + dim G
Remarca. Noteu que un subespai vectorial F admet diferents complementaris.
Si (v1 , . . . , vr ) es una base dF , un complementari dF es pot trobar
completant la base dF fins a trobar una base dE
(v1 , . . . , vr , vr+1 , . . . , vn )
Llavors G = [vr+1 , . . . , vn ] es un complementari dF (en E), es a dir,
F G = E.
42
Exemple 2.8.3. A R3 [t] els subespais vectorials

G1
G2
G3
G4
= [1 + t2 , 1 + t3 ]
= [t + t2 , 1 + t3 ]
= [1 t + t2 t3 , 1 + t + t2 + t3 ]
= [t2 , t3 ]
son complementaris dF = [1, t].
2.9
Producte escalar. Bases ortonormals
Conceptes geomètrics que en el cas dels espais R2 i R3 son fàcilment

identificables, es poden introduir en un espai vectorial real qualsevol.
Sigui E un espai vectorial sobre R.
Definici
o 2.9.1. Un producte escalar (euclidi) en E es una aplicacio
E E R
(u, v) hu, vi
que verifica les propietats seg
uents:
i) hu1 + u2 , vi = hu1 , vi + hu2 , vi u1 , u2 , v E.
ii) hu, vi = hu, vi u, v E, R.
iii) hu, vi = hv, ui u, v E.
iv) hu, ui 0 u E i hu, ui = 0 si, i nomes si u = 0.
Exemple 2.9.1. Considerem a R2 , per a tota parella de vectors u =
(x1 , x2 ), v = (y1 , y2 ), laplicacio que ve definida per:
hu, vi = x1 y1 + x2 y2
clar que verifica les propietats de producte escalar.
Es
En general, a Rn laplicacio
h(x1 , . . . , xn ), (y1 , . . . , yn )i = x1 y1 + . . . + xn yn
es un producte escalar. Sanomena el producte escalar ordinari dRn .
43
2.9. Producte escalar. Bases ortonormals
En tot espai vectorial sobre R de dimensio finita es pot definir un producte escalar. Si escollim una base (u1 , . . . , un ) donats dos vectors qualssevol u = x1 u1 +. . .+xn un , v = y1 u1 +. . .+yn un podem definir laplicacio
E E R
(u, v) hu, vi = x1 y1 + . . . + xn yn
(2.2)
No es difcil provar que es verifiquen totes les propietats del producte

escalar.
Un altre producte escalar en E es el que ve definit de la forma seg
uent:
hu, vi = 2x1 y1 + x1 y2 + x2 y1 + . . . + x1 yn + xn y1 + 2x2 y2 + x2 y3 +
+x3 y2 + . . . + x2 yn + xn y2 + 2xn yn
Un cop definit un producte escalar en un espai vectorial, podem introduir
les nocions geomètriques de norma dun vector i angle entre dos vectors.
Definici
o 2.9.2. Donat un vector u, definim la norma o longitud del
vector u com:
p
kuk = + hu, ui
(2.3)
Les propietats de la norma dun vector son:

i) kuk 0 u E i kuk = 0 si, i nomes si, u = 0.
ii) kuk = || kuk u E, R.
iii) |hu, ui| kuk kvk u, v E (desigualtat de Cauchy-Schwartz).
iv) ku + vk kuk + kvk u, v E (desigualtat triangular).
Remarca. Observeu que, donat un vector u E, no nul, el vector
es un vector unitari (de norma 1).
Exemple 2.9.2. A R3 , amb el producte escalar que ve definit per
h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 y1 + x2 y2 + x3 y3
es te:
k(2, 3, 4)k =
29,
k(1, 1, 2)k =
6,
1 1
, ,0 = 1
2 2
u
kuk
44
Definici
o 2.9.3. Donats u, v E no nuls, definim langle entre aquests
dos vectors com langle [0, ] tal que:
cos =
hu, vi
kuk kvk
(2.4)
Les propietats de langle entre dos vectors son:

i) angle(u, v) = angle(v, u) u, v E.
ii) Si > 0 i > 0 angle(u, v) = angle(u, v) u, v E.
iii) angle(u, v) = angle(u, v) u, v E.
iv) angle(u, v) + angle(u, v) = u, v E.
Exemple 2.9.3. A R2 , amb el producte escalar que ve definit per
h(x1 , x2 ), (y1 , y2 )i = x1 y1 + x2 y2
es te:
angle((1, 0), (1, 1)) =
,
4
angle((1, 1), (1, 0)) =
3
.
4
El concepte de vectors perpendiculars per a vectors de R2 i de R3 , es

pot generalitzar en el cas dun espai vectorial on sha definit un producte
escalar.
Sigui E un espai vectorial real amb un producte escalar. Un tal espai
sanomena espai vectorial euclidià.
Definici
o 2.9.4. Donats dos vectors u, v E direm que son ortogonals
si
hu, vi = 0
Clarament es verifiquen les propietats intutives sobre perpendicularitat.

i) Si u, v E son ortogonals, angle(u, v) =
.
2
ii) Si u, v E son ortogonals ku + vk2 = kuk2 + kvk2 (teorema de

Pitàgores).
2.9. Producte escalar. Bases ortonormals
45
Remarca. Si a un espai vectorial E considerem el producte escalar

definit a (2.2) aleshores els vectors de la base u1 , . . . , un son tots de norma
1 i dos a dos ortogonals.
Definici
o 2.9.5. Sigui E un espai vectorial real en el què sha definit
un producte escalar. Es diu que una base (u1 , . . . , un ) es ortonormal si
verifica:
kui k = 1 1 i n,
(2.5)
hui , uj i = 0, per a tot i, j amb i 6= j.
Donat un vector u 6= 0 qualsevol de l espai vectorial E (on sha definit un

producte escalar) podem considerar el conjunt de vectors perpendicaulars
a aquest vector:
u = {v E | hu, vi = 0}
fàcil provar que aquest conjunt es un subespai vectorial, que sanomeEs
na subespai ortogonal a u.
De fet, podem calcular el conjunt de vectors perpendiculars a tots els
vectors dun subespai F :
F = {v E | hu, vi = 0, u F }
Remarca. Tambe es fàcil provar que F es un subespai vectorial.
F sanomena el complement ortogonal dF .
Exemple 2.9.4. A R3 , amb el producte escalar definit per
h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 y1 + x2 y2 + x3 y3
si F = [(2, 1, 1), (0, 2, 3)], aleshores:
F = {(x1 , x2 , x3 ) R3 | 2x1 + x2 x3 = 2x2 + 3x3 = 0} = [(5, 6, 4)]
Proposici
o 2.9.1. Si F es un subespai vectorial qualsevol dE, aleshores:
E = F F
46
Escriurem:
E = F F .
Del fet de que la suma es directa es dedueix que la descomposicio dun
vector u E qualsevol com a suma dun vector de F i dun vector de
F es u
nica: u = u1 + u2 amb u1 F i u2 F u
nics.
Definici
o 2.9.6. Sanomena projecci
o ortogonal dun vector u E sobre
F la component sobre F de la descomposicio en suma ortogonal dF i
F .
Exemple 2.9.5. Sigui u = (1, 3) R2 . La projeccio ortogonal de u sobre
F = {(x, y) R2 | x = y} es v = (2, 2), ja que (1, 3) = 2(1, 1) 1(1, 1)
on ((1, 1)) es una base de F i ((1, 1)) de F .
2.10
Ap`
endix A
Espais vectorials de dimensi

o infinita
Suposem que tenim un espai vectorial E sobre un cos commutatiu K.
Una combinacio lineal del conjunt de vectors u1 , . . . , um , . . . (no necessàriament finit) dE es tot vector de la forma x = 1 u1 + + m um + . . .
amb 1 , . . . , m , K, (suma finita, es a dir si el conjunt no es finit
quasi tots els i son nuls).
Un conjunt de vectors {u1 , . . . , um , . . . } dE es diu que es linealment
dependent si existeix una combinacio lineal dells que es el vector 0, es a
dir:
1 u1 + + m um + = 0
amb no tots els escalars nuls.
En general, direm que un conjunt no buit qualsevol de vectors dE es
linealment dependent si conte un subconjunt finit linealment dependent
i que es linealment independent en cas contrari, es a dir, si tot subconjunt
finit dell es linealment independent.
Diem que una famlia de vectors u = (u1 , . . . , un , . . . ) es una base dun espai vectorial E si {u1 , . . . , un , . . . } es linealment independent i
[u1 , . . . , un , . . . ] = E.
Si no existeix una famlia finita de vectors que sigui base dE direm que
E te dimensio infinita.
47
2.10. Apèndix A
Si u = (u1 , . . . , un , . . . ) es una base dE, per a tot vector x de E existeixen

escalars x1 , . . . , xn , . . . u
nics tals que
x = x 1 u1 + + x n un + . . . .
Aquests escalars x1 , . . . , xn , . . . sanomenen les components de x en la
base u.
El concepte de suma de subespais, suma directa i complementaris es el
mateix que en el cas dels espais vectorials de dimensio finita. Noteu, però,
que, en aquest cas, si considerem subespais vectorials F , G de dimensio
infinita, la formula de Grassman no es pot aplicar.
Hi ha molts exemples despais vectorials de dimensio infinita.
Exemple 2.10.1. El conjunt E = K[t] de tots els polinomis amb coeficients reals es un espai vectorial sobre K de dimensio infinita. Una base
dell es el conjunt de polinomis
{1, t, t2 , . . . , tn , . . . }
`
ja que qualsevol polinomi es combinacio lineal dells. Obviament,
però,
no hi ha cap conjunt finit de polinomis que sigui base dE. Suposem que
un conjunt de polinomis
{p1 (t), p2 (t), . . . , pm (t)}
es una base de K[t], i els graus respectius daquests polinomis son:
n1 , n2 , . . . , nm . Aleshores, posant n0 = max{n1 , n2 , . . . , nm } tenim que
per exemple, el polinomi tn0 +1 no pertany al subespai generat per
{p1 (t), p2 (t), . . . , pm (t)}.
Exemple 2.10.2. El conjunt E format per les successions numèriques
(x1 , x2 , . . . , xn , . . . ) amb x1 , x2 , . . . , xn , R, on la suma i el producte
per escalars estan definits de la forma habitual, es un R-espai vectorial.
Una base daquest espai vectorial es la formada per les successions
s1 = (1, 0, 0, 0, . . . , 0, . . .)
s2 = (0, 1, 0, 0, . . . , 0, . . .)
s3 = (0, 0, 1, 0, . . . , 0, . . .)
...
Exemple 2.10.3. Amb la suma i el producte per escalars habitual, el conjunt de les funcions reals de variable real es un espai vectorial sobre R de
dimensio infinita. En aquest cas, a diferència dels anteriors, no podem
trobar cap base.
48
En un espai vectorial de dimensio infinita la definicio de subespai vectorial es la mateixa. Tambe es defineixen de la mateixa manera el subespai
vectorial suma dun nombre (finit o no) de subespais vectorials, la interseccio de subespais i el complementari.
Observeu que, en un espai vectorial de dimensio infinita, els subespais
vectorials poden ser de dimensio finita i tambe poden ser de dimensio
infinita.
Exemple 2.10.4. En lespai vectorial R[t], els conjunts de polinomis Rn [t]
son subespais vectorials de dimensio finita (= n+1). Subespais vectorials
de dimensio infinita son, per exemple,
F = [1, t2 , t4 , t6 , . . . , t2n2 , . . .]
G = [1, 3t3 , 6t6 , . . . , 3(n 1)t3(n1) , . . .]
H = [t, t3 , t5 , . . . , t2n1 , . . .]
En aquest cas, es clar que H es un complementari dF a R[t], ja que
F H = R[t].
En canvi, el subespai suma F + G no es igual a R[t], ja que, per exemple,
el polinomi t no pertany a F + G. La interseccio F G es igual a
[1, t6 , t12 , . . . , t6(n1) , . . .].
Exemple 2.10.5. A lespai vectorial format per les successions reals, el
conjunt
F = (x1 , x2 , . . . , xn , . . . ) E xi = 0 i 5 .
es un subespai vectorial dE de dimensio 4, ja que una base nes el conjunt
de successions:
s1
s2
s3
s4
= (1, 0, 0, 0, 0, . . . , 0, . . . )
= (0, 1, 0, 0, 0, . . . , 0, . . . )
= (0, 0, 1, 0, 0, . . . , 0, . . . )
= (0, 0, 0, 1, 0, . . . , 0, . . . )
En canvi, el conjunt
G = (x1 , x2 , . . . , xn , . . . ) E xi = 0 i < 5
49
2.10. Apèndix A
es un subespai vectorial dE de dimensio infinita, ja que una base nes el

conjunt (no finit) de successions:
s1 = (0, 0, 0, 0, 1, 0, 0, 0, . . . , 0, . . . )
s2 = (0, 0, 0, 0, 0, 1, 0, 0, . . . , 0, . . . )
s3 = (0, 0, 1, 0, 0, 0, 1, 0, . . . , 0, . . . )
...
Exemple 2.10.6. A lespai vectorial sobre R de les funcions contnues dR

en R, les funcions f (t) = cos t i g(t) = sin t son linealment independents.
En efecte. Suposem que existeixen escalars 1 , 2 R de manera que
1 cos t + 2 sin t = 0
per a tot t R. En particular, per a t = 0, tenim 1 = 0 i, per a t = 2 ,
tenim 2 = 0.
Per tant, les funcions cos t i sin t son linealment independents.
A mes, el conjunt de funcions reals de variable real
C = {sin t, sin(2t), . . . , sin(nt), . . . }
es linealment independent.
En efecte. En aquest cas hem de veure que tot subconjunt finit de C es
linealment independent. Sigui S un tal subconjunt,
S = {sin(i1 t), sin(i2 t), . . . , sin(im t)}
amb i1 i2 im . Suposem ara que tenim una combinacio lineal,
amb no tots els coeficients nuls, daquestes funcions que es la funcio
nulla, es a dir,
i1 sin(i1 t) + i2 sin(i2 t) + + ir sin(im t) = 0 ,
t R.
Posem m = max{i1 , i2 , . . . , im }. Aleshores existeix una combinacio lineal

(amb no tots els coeficients nuls) de les funcions sin t, sin(2t), . . . , sin(mt)
que es la funcio nulla,
1 sin t + 2 sin(2t) + + m sin(mt) = 0 ,
S es un subconjunt finit de Cm :
{sin t, sin(2t), . . . , sin(mt)}
t R.
50
I el conjunt de funcions
{sin t, sin(2t), . . . , sin(mt)}
es linealment independent.
Es pot veure per induccio sobre m.
Si m = 1, es obvi.
Suposem ara la hipòtesi certa fins a m 1, i suposem que
1 sin t + 2 sin(2t) + + m1 sin((m 1)t) + m sin(mt) = 0 ,
(2.6)
t R. Derivant dos cops aquesta expressio obtenim

1 sin t42 sin(2t) (m1)2 m1 sin((m1)t)m2 m sin mt = 0 ,
(2.7)
2
t R. Multipliquem (2.7) per m i li sumem (2.6):
(m2 1)1 sin t+(m2 4)2 sin(2t)+ +(m2 (m1)2 )m1 sin((m1)t) = 0,
t R. Per hipòtesi dinduccio,
(m2 1)1 = (m2 4)2 = = (m2 (m 1)2 )m1 = 0
don 1 = 2 = = m1 = 0.
Substituint a (2.6) obtenim
m sin mt = 0 don tambe m = 0 .
2.11
Apendix B
Espais vectorials sobre cossos finits

Suposem que tenim un conjunt E que es un espai vectorial sobre un cos
finit K (veure Apèndix del captol 1). Totes les definicions vistes al llarg
daquest captol son aplicables a aquest cas: combinacio lineal de vectors,
dependència/independència lineal, sistemes de generadors, bases, subespais vectorials, suma i interseccio de subespais. L
unica diferència es
que, en aquest cas, els coeficients de les combinacions lineals son al cos
finit K.
51
2.11. Apendix B
Observeu, però, que si E es un espai vectorial sobre el cos finit K de q

elements de dimensio n, aleshores E es un espai vectorial format per q n
vectors. En particular, tots els subespais vectorials dE tenen un nombre
finit de vectors.
Nomes poden tenir un nombre infinit de vectors els espais vectorials sobre
un cos finit de dimensio infinita.
Exemple 2.11.1. Un codi es un conjunt de seq
uències de smbols, en
què cada smbol està escollit entre els dun alfabet. Cadascuna de les
seq
uències del codi sanomena paraula.
Un codi lineal C sobre Z/qZ es un subespai vectorial de (Z/qZ)n .
Els codis definits sobre (Z/2Z)n sanomenen binaris, els definits sobre
(Z/3Z)n , ternaris, i, en general, els definits sobre (Z/qZ)n sanomenen
q-aris.
A continuacio es mostren tres codis sobre Z/2Z.
C1 0
0
1
1
0
1
0
1
C2 0
0
1
1
0
1
0
1
0
1
1
0
C3
0
0
1
1
0
1
0
1
0
1
1
0
0
0
1
1
0
1
0
1
Sanomena dimensio dun codi lineal C a la seva dimensio com a subespai

vectorial sobre Z/qZ. Direm tambe que la seva longitud es n.
En particular, un codi C lineal de dimensio k conte q k paraules.
Sanomena codi dual de C al codi
C = {x (Z/qZ)n | < x, y >= 0 y C}
En general, donat un codi qualsevol, sanomena distància de Hamming
entre dues paraules com el nombre de smbols en què difereixen. I sanomena distància mnima a la mes petita entre totes les distàncies entre
paraules diferents del codi, que es representa per d(C).
Donat un codi lineal C, sanomena pes duna paraula x C al nombre
de components no nulles daquesta paraula. Lindicarem per: w(x).
Quan el codi es lineal, es immediat comprovar que d(x, y) = w(x y)
donades dues paraules x, y de C qualssevol. Tambe es fàcil veure que
d(C) = min{w(x) | x C }.
52
2.12
Ap`
endix C
Espai vectorial quocient

Definici
o 2.12.1. Siguin E un espai vectorial sobre un cos commutatiu
K i F un subespai vectorial dE. Posarem x + F = {y E | y =
x + u, u F }. El conjunt
E/F = {x + F | x E}
amb les operacions suma i producte per escalars, definides mitjancant:
(x + F ) + (y + F ) = (x + y) + F
(x + F ) = x + F
te estructura despai vectorial sobre K i sanomena espai vectorial quocient dE per F .
Els elements x + F de lespai E/F sanomenen classes mòdul F .
Observeu que el vector nul a E/F es 0 + F = F .
Es compleix:
x + F = y + F x y F,
x, y E .
Com a conseq
uència, es te:
x + F = 0 + F = F x F .
Dues classes x + F , y + F o be son iguals o be (x + F ) (y + F ) = (son
disjuntes).
Els conceptes de vectors dE/F linealment dependents/independents, sistemes de generadors i bases es poden reduir al càlcul dels subespais suma
i interseccio de dos subespais adequats.
Donades les classes u1 + F, . . . , us + F dE/F es compleix:
[u1 + F, . . . , us + F ] = E/F [u1 , . . . , us ] + F = E .
Daltra banda, si u1 , . . . , us son linealment independents, el conjunt
{u1 + F, . . . , us + F } es linealment independent si, i nomes, si
[u1 , . . . , us ] F = {0}.
53
2.12. Apèndix C
Com a conseq
uencia, (u1 + F, . . . , us + F ) es base dE/F si, i nomes, si
[u1 , . . . , us ] F = E.
Observeu que lanàlog daquest resultat es vàlid en el cas despais vectorials de dimensio infinita. En el cas de subespais vectorials de dimensio
finita, la dimensio de lespai vectorial quocient es pot deduir del resultat
anterior, obtenint-se aix:
dim(E/F ) = dim E dim F
Exemple 2.12.1. Sigui F el subespai vectorial de R4 generat pels vectors
{(0, 1, 0, 2), (1, 1, 1, 1), (1, 0, 1, 1)} .
Considereu a R4 /F els vectors (3, 1, 1, 0) + F i (2, 1, 0, , 1) + F .
Estudiarem si aquests vectors son una base de R4 /F .
Observem en primer lloc que els vectors que generen F son linealment
dependents. Per tant, dim F = 2 i dim R4 /F = dim R4 dim F =
4 2 = 2. Aix, els dos vectors de R4 /F donats poden ser linealment
independents i, en aquest cas, tambe serien una base de R4 /F .
Suposem que tenim una combinacio lineal dels vectors (3, 1, 1, 0) + F i
(2, 1, 0, 1) + F que es igual al vector nul,
1 ((3, 1, 1, 0) + F ) + 2 ((2, 1, 0, 1) + F ) = 0 + F .
Aleshores
(1 (3, 1, 1, 0) + 2 (2, 1, 0, 1)) + F = 0 + F
Això nomes es possible si
1 (3, 1, 1, 0) + 2 (2, 1, 0, 1) = (31 + 22 , 1 2 , 1 , 2 )
pertany a F ; es a dir, si i nomes si,
1 = 2 = 0
a dir, que els dos vectors donats son linealment independents.
Es
a
Una altra forma de fer lestudi es utilitzant la proposicio darrera. Es
dir, comprovant que
[(0,1,0,2),(1,-1,1,-1),(1,0,1,1] [(3,-1,1,0),(2,-1,0,1)] = {0} .
54
2.13
Aplicaci
o a la qumica
Lespai vectorial de les funcions dona dun sistema

La mecànica clàssica nomes es aplicable a partcules macroscòpiques. Per
a lestudi deles partcules microscòpiques fa falta la mecànica quàntica.
Les funcions dona van ser introdudes per Schrodinger lany 1926. Permeten determinar la probabilitat de trobar les partculesa en una zona
de lespai.
El conjunt de les funcions dona dun sistema constitueix un espai vectorial sobre el cos C, que, a mes, es un espai de Hilbert.
Si un sistema consta dN partcules, les seves funcions dona son aplicacions
: R3N C
((x1 , y1 , z1 ), . . . , (xN , yN , zN )) ((x1 , y1 , z1 ), . . . , (xN , yN , zN ))
Considerem el conjunt de funcions dona dun sistema. Amb la suma i el
producte per escalars de C aquest conjunt te estructura despai vectorial
sobre C.
De forma similar a com sha introdut una mètrica en els espais vectorials
reals, es pot fer en el cas despais vectorials complexos, introduint un
producte hermtic.
Donat E un espai vectorial complex, un producte hermtic en E es una
aplicacio
E E C
(u, v) hu, vi
que verifica les propietats seg
uents:
i) hu1 + u2 , vi = hu1 , vi + hu2 , vi u1 , u2 , v E.
ii) hu, vi = hu, vi u, v E, R.
iii) hu, vi = hv, ui u, v E.
iv) hu, ui 0 u E i hu, ui = 0 si, i nomes si u = 0.
Observeu que la propietat (iii) implica que hu, ui R i, per tant, te sentit
(iv).
55
Donat un vector u, es defineix la norma del vector u com:

p
kuk = + hu, ui
Donats u, v E no nuls, definim langle entre aquests dos vectors com
langle [0, ] tal que:
cos =
hu, vi
kuk kvk
La distància entre dos vectors es: d(u, v) = ku vk.

Donats dos vectors u, v E direm que son ortogonals si
hu, vi = 0
Una base dE es diu que es ortogonal si els vectors que la formen son
dos a dos ortogonals, i que es ortonormal si aquests vectors son, a mes,
unitaris.
Un tal espai vectorial E sanomena espai vectorial hermtic.
En lespai vectorial les funcions com abans es defineix el producte
hermtic seg
uent:
Z
Z
< 1 , 2 >=
...
1 2
Les funcions per a les quals aquesta integral es convergent reben el nom
de funcions de quadrat integrable. El conjunt daquestes funcions el
denotarem per E.
El primer postulat de la qumica quàntica afirma que en cada instant, el
sistema queda completament descrit per una funcio dona : R3N C
de classe C 2 i de norma 1.
A mes, dins dE qualsevol successio de funcions que es de Cauchy es
tambe convergent (recordeu que això no passa sempre; quan es aix per
a tota successio, es diu que lespai es complet).
Aix, E es un espai vectorial complex hermtic i complet. Un tal espai
sanomena un espai de Hilbert.
56
2.14
Comentaris finals
Els espais vectorials constituiexen el nucli de làlgebra lineal. Son utilitzats en problemes tan diversos com son ara, per exemple, la resolucio
dequacions diferencials i de recurrència. Els axiomes dels espais vectorials expressen propietats algebraiques de moltes classes dobjectes que
es troben sovint a lanalisi, tambe tenen gran importància els espais vectorials de funcions (continues, analtiques, mesurables,...). Els espais
vectorials mes emprats son els reals i els complexos.
2.15
Exercicis
1. Estudieu la dependència o independència lineal de les famlies de

vectors dR4 seg
uents:
(a) {(1, 1, 2, 2), (2, 1, 3, 4), (7, 1, 0, 2)}
(b) {(1, 1, 2, 3), (2, 1, 0, 4), (5, 1, 0, 0), (1, 0, 1, 0)}
(c) {(0, 1, 3, 2), (2, 7, 3, 4), (5, 1, 2, 2), (8, 9, 3, 4), (6, 3, 2, 4)}
2. Considereu els subconjunts dR3 [t] seg
uents:
F1 = {P (t) | P (0) = P (1)}.
F2 = {P (t) | P (0) = P (1)}.
F3 = {P (t) | P (1) = P (1)}.
F4 = {P (t) | 1 = P (1)}.
Fi un subespai vectorial? Justifiqueu la resposta.
Es
3. Determineu per a quins valors de les constants a, b, c R son subespai vectorial els conjunts dR4 seg
uents:
F1 = {(x1 , x2 , x3 , x4 ) R4 | ax1 bx2 + c = 0}
F2 = {(x1 , x2 , x3 , x4 ) R4 | x1 x2 = x3 x4 = a}
F3 = {(x1 , x2 , x3 , x4 ) R4 | (x1 x2 )(x2 x3 ) = ab}
4. Considereu de les famlies de vectors dR4 segents:
(a) {(1, 1, 2, 2), (2, 1, 3, 4), (1, 0, 7, 1)}
(b) {(1, 1, 2, 2), (2, 1, 3, 4), (1, 0, 7, 1)}
2.15. Exercicis
57
(c) {(1, 1, 2, 2), (2, 1, 3, 4), (1, 2, 1, 6)}

Doneu la dimensio del subespai que engendren, aix com una base
daquest subespai.
5. A R4 considerem els subespais vectorials seg
uents:
F = [(1, 0, 1, 2, 2), (3, 1, 1, 0, 2), (2, 1, 2, 2, 4), (0, 0, 0, 2, 1)]
G = [u]
Trobeu una base dF .
dim(F + [u]) dim F = dim[u]?
Es
6. Trobeu la dimensio del subespai vectorial dR6 :
Fa = {(x1 , x2 , x3 , x4 , x5 , x6 | ax1 + x4 = ax2 + x5 = ax3 + x6 = 0}
segons els diferents valors da R.
7. Determineu la dimensio i una base dels subespais vectorials
dE = R4 [t]:
(a) F1 = {p(t) E | p0 (0) = 0}
(b) F2 = {p(t) E | p(0) = p0 (0) p0 (1) = 0}
(c) F3 = {p(t) E | p(t) = p(0) + p0 (0)t + p00 (0)t2 }
(d) F4 = {p(t) E | p(t) = p(1) + p0 (0)t + p(0)t2 + p(0)t3 }
8. El mateix que a lexercici anterior, si E = R[t].
9. Trobeu una base dels subespais vectorials dR4 engendrats pels conjunts de vectors seg
uents:
(a) {(1, 1, 0, 1), (0, 1, 1, 1), (2, 1, 0, 1)}
(b) {(1, 1, 1, 0), (2, 1, 1, 0), (3, 0, 2, 0)}
(c) {(1, 1, 0, 1), (1, 1, 1, 1), (2, 0, 1, 2), (0, 2, 1, 0)}
10. El mateix que a lexercici anterior en el cas dels subespais vectorials
dR3 [t] engendrats per:
(a) {1, t + t2 , t3 }
(b) {1, 1 + t, 1 + t + t2 , t + t2 }
(c) {t + t2 , t t2 , t3 , 1 + t2 , 1 + t3 }
58
11. Determineu la dimensio de C2 considerat com a espai vectorial

sobre R i sobre C.
12. Determineu la dimensio de C2 [t] considerat com a espai vectorial
sobre R.
13. A E = R5 considereu el subespai vectorial F engendrat pel conjunt
de vectors,
{(1, 1, 0, 1, 1), (0, 1, 0, 1, 1), (1, 0, 0, 0, 2), (2, 1, 0, 0, 1)}
Determineu una base dF i amplieu-la a una base dR5 .
14. A E = R4 , considereu els subespais vectorials
F1 = {(x1 , x2 , x3 , x4 ) R4 | x1 x2 = 0}
F2 = {(x1 , x2 , x3 , x4 ) R4 | 2x1 3x2 = x3 = 0}
F3 = {(x1 , x2 , x3 , x4 ) R4 | x2 = x3 = x4 }
Trobeu F1 F2 , F1 F3 , F2 F3 , F1 F2 F3 , F1 + F2 , F1 + F3 ,
F2 + F3 , F1 + F2 + F3 .
15. A E = R[t], determineu F + G si
F = {p(t) E | p(t) = p0 (0)t + p00 (0)t3 }
G = [1 + t2 , t t3 , t4 ]
directa la suma?
Es
16. A R5 considerem els subespais vectorials seg
uents:
F = [(1, 0, 2, 1, 3)]
G = [(1, 0, 0, 1, 0), (0, 1, 0, 0, 0), (0, 0, 1, 1, 0)]
H = [(1, 0, 2, 1, 0), (1, 0, 1, 0, 1)]
directa la suma?
a) Trobeu F + G. Es
directa la suma?
b) Trobeu F + G + H. Es
17. Doneu tres complementaris del subespai vectorial
F = {(x1 , x2 , x3 , x4 ) R4 | x1 x2 + 2x3 = 3x1 x4 = 0}
18. Doneu tres complementaris del subespai vectorial
F = {p(t) R4 [t] | p(0) + p00 (0) = p000 (0) = 0}
59
2.15. Exercicis
19. Discutiu quines de les famlies seg

uents de vectors dR3 son bases
ortonormals, amb el producte escalar ordinari dR3 ,
a) {(0, 1, 0), (
2
2
2
2
,
0,
),
(
,
0,
)}
2
2
2
2
b) {(1, 1, 0), (1, 1, 0), (0, 0, 1)}

c) {
2
2
2
2
,
,
0),
(
,
, 0)}
2
2
2
2
1
1
d) {(1, 0, 0), (1, 1, 0), (1, 1, 1)}.
2
3
20. Sigui E un espai vectorial sobre K i siguin F1 . . . Fr subespais vectorials tals que
E = F1 . . . Fr
Estudieu si es cert, i proveu-ho en cas afirmatiu, si per a tot subespai vectorial G dE es:
G = (G F1 ) (G Fr )
21. Considereu a R3 el producte escalar:
h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 y1 +x1 y2 +x2 y1 +2x2 y2 +x2 y3 +x3 y2 +3x3 y3 .
Estudieu si les famlies de vectors seg
uents son, o no, una base
ortonormal, respecte daquest producte escalar.
(a) {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
(b) {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
1
1
1
(c) { (1, 0, 0), (1, 1, 1), (1, 1, 1)}
5
2
3
1
1
(d) { (0, 0, 1), (1, 0, 0), (3, 3, 1)}
3
6
22. Doneu una base del subespai vectorial F en els casos seg
uents:
(a) E = R3 , h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = x1 + y1 + x2 y2 + x3 y3 ,
F = [(1, 1, 1), (2, 1, 1)].
(b) E = Rn , h(x1 , . . . , xn ), (y1 , . . . , yn )i = x1 + y1 + . . . + xn yn ,
F = {(x1 , . . . , xn ) | x1 + 2x3 + + nxn = 0}.
R1
(c) E = R3 [t], < P, Q >= 0 P Q, F = [1 + t, 1 + t2 ].
R1
(d) E = R4 [t], < P, Q >= 1 P Q, F = [t2 , t3 + 2t4 ].
60
Comproveu prèviament si els donats son, en efecte, productes escalars dE.

23. Considerem lespai euclidi ordinari R3 . Trobeu la projeccio ortogonal sobre F = [(2, 1, 0), (0, 0, 1)] del vector (0, 5, 4).
24. Doneu la projeccio ortogonal sobre el subespai vectorial F del vectors indicats, en cadascun dels casos seg
uents.
(a) E = R3 , F = [(1, 0, 1), (0, 1, 1)], v = (1, 1, 1)
(b) E = Rn , F = {(x1 , . . . , xn ) | x1 xn = 0}, v = (1, 2, . . . , n)
R1
(c) E = R3 [t], < P, Q >= 0 P Q, F = [1, 1 + t2 ], v = 1 t
R1
(d) E = R4 [t], < P, Q >= 1 P Q, F = [1 + t, 1 + t4 ], v = 1 + t3
25. A E = R4 considereu el subespai vectorial
F = {(x1 , x2 , x3 , x4 ) R4 | x1 + x2 x3 x4 = 0}
Estudieu si es:
a) 2 ((1, 0, 1, 1) + F ) 3 ((0, 1, 1, 2) + F ) = (2, 1, 5, 2) + F
b) 2 ((1, 0, 1, 1) + F ) 3 ((0, 1, 1, 2) + F ) = (3, 0, 7, 6) + F
26. Si E = R3 [t] i F = {P (t) | P (t) = P (1)+P (0)t+P (1)t2 }, estudieu
la dependència o independència lineal dels vectors (t+t2 )+F i 1+F .
Doneu una base dE/F .
27. Calculeu la dimensio i trobeu una base dR4 /F , essent
F = [(1, 0, 1, 1), (0, 1, 1, 2), (1, 1, 0, 1)]
28. Sigui E lespai vectorial (Z/5Z)4 . Estudieu en E la dependència/independència lineal dels conjunts de vectors:
{(1, 1, 2, 0), (2, 1, 1, 0)}
{(1, 1, 0, 3), (2, 1, 1, 1), (0, 1, 0, 1)}
29. Essent E lespai vectorial de lexercici anterior, determineu la dimensio i una base del subespai vectorial F format pels vectors
(x1 , x2 , x3 , x4 ) tals que x1 + 2x2 = 3x3 + 4x4 = 0.
Escriviu tots els vectors daquest subespai.
30. Sigui E lespai vectorial format pels vectors (x1 , x2 , x3 ) amb xi
Z/3Z. Determineu els subespais vectorials dE de dimensio 2.
2.16
61
Introducci
o de vectors
> with(LinearAlgebra):
> v1:= 12-3;
v1 := [1, 2, 3]
> v2:= -314;
v2 := [0, 2, 1]
> v3:= 02-1;
v2 := [0, 2, 1]
> v4:= -125;
v4 := [1, 2, 5]
Obtenci
o duna base dun subespai a partir dun sistema de generadors
> Basis({v1,v2,v3,v4});
{[1, 2, 3], [0, 2, 1], [1, 2, 5]}
Obtenci
o duna base del subespai suma
> SumBasis([[v1], [v2,v3]]);
[[1, 2, 3], [0, 2, 1]]
62
Obtenci
o duna base del subespai intersecci
o
> IntersectionBasis([ [v1,v3],[v2,v4]]);
[[0, 2, 1]]
Obtenci
o duna base ortogonal pel m`
etode de Gram-Schmidt
> GramSchmidt([v1,v2,v4]);
1
32 8 16
1
[[1, 2, 3], , 1,
,
,
,
]
2
2
21 21 21
Captol 3
Matrius i sistemes de
equacions
3.1
Introducci
o
Els primers origens els trobem en problemes que apareixen en tauletes a

Babilònia (cap a lany 300 aC) i que condueixen a sistemes dequacions
lineals. Però es sobretot a la Xina (200 aC - 100 aC) en què es troba el
primer exemple de matriu: es planteja un problema i es disposen els
coeficients en files i columnes, a mes de proposar la seva resolucio fent
elimnacio gaussiana.
La paraula matriu no apareix fins lany 1850 amb Sylvester (1850). Lany
1858, Cayley va publicar Memoir on the theory of matrices, on dona les
definicions doperacions amb matrius, incloent-hi inverses.
Actualment, làlgebra matricial ha esdevingut una branca important de
làlgebra. La seva estructura constitueix una eina molt adequada per a
emmagatzemar informacio i descriure relacions.
Tractarem nomes matrius definides sobre el cos real R o be el cos complex
C (es a dir, els coeficients de les quals pertanyen a R o a C) si be les
matrius es poden definir sobre un cos qualsevol, o fins i tot sobre anells.
63
64
3.2
Captol 3. Matrius i sistemes de equacions
Notacions i terminologia
Definici
o 3.2.1. Anomenarem matriu dordre n m a coeficients en un
cos commutatiu K a un conjunt de n m elements del cos distributs en
n files i m columnes i que notarem per
a11 . . . a1m
.. ,
aij K.
A = ...
.
an1 . . . anm
Lelement aij està en la fila i i en la columna j. A vegades notarem una
matriu simplement per A = (aij ).
Exemple 3.2.1.
A1 =
1.01 2 3.2
,
1.1 3 2.5

2
3
A2 = 1 0
3
2
A1 es una matriu dordre 2 3 i A2 es una matriu dordre 3 2.

Les matrius dordre 1 m (es a dir, amb una sola fila) reben el nom de
vectors fila i les matrius dordre n 1 (es a dir, amb una sola columna)
reben el nom de vectors columna.
Exemple 3.2.2. Les matrius

4
3
1 2 1 ,
2
son un vector fila i un vector columna, respectivament.
Notarem per Mnm (K) el conjunt de les matrius dordre n m a coeficients en el cos K. En el cas particular en què n = m denotarem aquest
conjunt simplement per Mn (K).
Operacions amb matrius
Suma
Definici
o 3.2.2. Donades dues matrius A = (aij ) i B = (bij ), amb
A, B Mnm (K) (es a dir, del mateix ordre) definim la suma daquestes
dues matrius com la matriu
C = (cij ) = (aij + bij )
65
3.2. Notacions i terminologia
Proposici
o 3.2.1. El conjunt Mnm (K), amb loperaci
o suma, te estructura de grup commutatiu.
a dir, es verifiquen les propietats seg
Es
uents.
a) Associativa: (A + B) + C = A + (B + C).
b) Commutativa: A + B = B + A.
c) Existència delement neutre, que es la matriu 0 (els elements de la qual
son tots nuls), ja que A + 0 = A per a qualsevol matriu A Mnm (K).
Aquesta matriu rep el nom de matriu nul .la.
d) Existència delement simètric: donada una matriu A = (aij ) Mnm (K)
existeix A de manera que A+(A) = 0 (en efecte, nhi a prou a prendre
A = (aij )).
Notaci
o. Donades dues matrius A, B Mnm (K), loperacio A + (B)
la notarem simplement per A B.
Producte
Definici
o 3.2.3. Donades dues matrius A Mnm (K), B Mmp (K),
amb A = (aij ) i B = (bij ) dordres respectius n m i m p, definim el
producte daquestes dues matrius per
!
m
X
aik bkj
C = (cij ) =
k=1
Proposici
o 3.2.2. Loperaci
o producte verifica les propietats seg
uents.
a) Associativa: (AB)C = A(BC).
b) Distributiva respecte de la suma: A(B + C) = AB + AC, (A + B)C =
AC + BC.
c) En el cas n = m, existeix element unitat, que es la matriu In = (ij )
amb ij = 0 si i 6= j i ii = 1, ja que AIn = In A = A per a qualsevol
matriu A Mn (K). La matriu In Mn (K) rep el nom de matriu
identitat dordre n. A vegades, i si no hi ha posibilitat de confusi
o, es
denota simplement per I.
Remarca. En el cas n = m i, atès que donades dues matrius qualssevol
sempre es pot obtenir el seu producte, tenim que Mn (K) es un anell amb
unitat.
66
Remarca. Loperacio producte no es commutativa. En realitat, si

A Mnm (K) i B Mmp (K) podem efectuar el producte AB però
el producte BA pot efectuar-se nomes si n = p. En el cas de dues matrius quadrades A, B del mateix ordre es poden efectuar els productes
AB i BA, però les matrius aix obtingudes no tenen per què coincidir.
En efecte, podem considerar les matrius
1
0
A = 1 1 1 M13 (R), B = 0 1 M32 (R)

1 4
Podem fer el producte AB,
1 0
AB = 1 1 1 0 1 = 2 5
1 4
però no es possible efectuar el producte BA.
En el cas de dues matrius quadrades, considerem, per exemple,
1 0
1 1
,
B=
A=
0 2
2 1
En aquest cas existeixen AB i
trius diferents:
1
AB =
2
1
BA =
0
BA pero aquests productes son dues ma

1
1 0
1 2
=
1
0 2
2 2
0
1 1
1 1
=
2
2 1
4 2
possible que, sense que ni A ni B siguin matrius nul.les, el

Remarca. Es
producte AB o BA (o ambdos, en el cas en que tinguin sentit) siguin la
matriu nul.la. Diem aleshores que les matrius A i B son divisors de zero.
Com a exemples, podem considerar els seg
uents.
1 2
1 1 0
0
0
1 2 =
0 0 0
0 0
3 5
1 2 3
2 2
= 0 0
1 1
67
1 1
1 1
1 1
1 1
1 1
0 0
=
=
1 1
1 1
1 1
0 0
Observem tambe que, sense ser A = B, pot ser AC = BC:
1 1
1 1
0 0
1 1
0 0
=
=
0 0
1 1
1 1
1 1
0 0
i CA = CB:
1 1
1 1
1 1
0 0
1 1
0 0
1 1
=
=
1 1
1 1
1 1
Aix doncs, no es vàlida la llei de simplificacio.

Producte per un escalar
Donada una matriu A = (aij ) Mnm (K) i un element qualsevol del cos
K definim el producte de lescalar per la matriu A de la manera
seg
uent:
(aij ) = (aij )
Remarca. Sigui A Mnm (K). Aleshores
A = (In )A = A(Im )
Les matrius de la forma In reben el nom de matrius escalars.
Proposici
o 3.2.3. Loperaci
o producte per escalars de K verifica les
propietats seg
uents.
a) Associativa: (A) = ()A.
b) Distributiva respecte de la suma de matrius: (A + B) = A + B.
c) Distributiva respecte de la suma descalars: ( + )A = A + A.
d) 1 A = A.
El conjunt Mmn (K) amb les operacions suma i producte per escalars de
K te estructura despai vectorial sobre K.
Alguns tipus especials de matrius
68
Definici
o 3.2.4. Anomenarem matriu triangular superior a una matriu
A = (aij ) tal que aij = 0 per a tot i > j.
Anomenarem matriu triangular inferior a una matriu A = (aij ) tal que
aij = 0 per a tot i < j.
Anomenarem matriu diagonal a una matriu A = (aij ) tal que aij = 0 per
a tot i 6= j.
Anomenarem matriu estrictament triangular superior a una matriu A =
(aij ) tal que aij = 0 per a tot i j.
Anomenarem matriu estrictament triangular inferior a una matriu A =
(aij ) tal que aij = 0 per a tot i j.
Exemple 3.2.3. Considerem les matrius
0.3 2.2 4.2

1
0
A1 = 0 1.01 4.9 , A2 = 2.4 9.1
0
0
1
0.9 2
0 0.01 2.1
2 , A5
A4 = 0 0
0 0
0
0
0.3 0 0
0 , A3 = 0 1.01 0 ,
8.1
0
0 1
0 0 0
= 2.4 0 0
0.9 2 0
La matriu A1 es triangular superior, la matriu A2 es triangular inferior,

la matriu A3 es diagonal, la matriu A4 es estrictament triangular superior
i la matriu A5 es estrictament triangular inferior.
Les matrius escalars son casos especials de matrius diagonals.
Transposicio
Definici
o 3.2.5. Donada una matriu A = (aij ) Mnm (K), sanomena
matriu transposada dA (i la notarem per At ) a la matriu definida de la
forma
At = (aji ) Mmn (K)
a dir, At es la matriu que sobte a partir dA canviant files per
Es
columnes.
Exemple 3.2.4. Donada la matriu
1 1 0
A=
M23 (K),
0 1 2
69
la seva transposada es la matriu
1 0
At = 1 1 M32 (K)
0 2
. . vn M1m (K) la seva

Exemple 3.2.5. Si v es un vector fila v1 .
v1
..
t
transposada es un vector columna, v = . Mm1 (K). Recprocament,
vn
la transposada dun vector columna es un vector fila.
Les propietats seg
uents son utilitzades freq
uentment.
Proposici
o 3.2.4. Es verifiquen les igualtats seg
uents.
1.- (At )t = A
2.- (A)t = At
3.- (A + B)t = At + B t
4.- (AB)t = B t At
Anem ara a restringir-nos al cas en què les matrius son quadrades, es a
dir, n = m. En aquest cas A i At son ambdues matrius quadrades del
mateix ordre i te sentit preguntar-se si coincideixen, o be si es relacionen
dalguna manera peculiar.
Definici
o 3.2.6. Donada una matriu A Mn (K) direm que es simètrica
si, i nomes si,
A = At .
Exemple 3.2.6. La matriu
2
1
1
A = 2 0 1
1 1 2
es simètrica.
70
Definici
o 3.2.7. Donada una matriu A Mn (K) direm que es antisimètrica si, i nomes si,
A = At
0
1 0.5
2
A = 1 0
0.5 2
0
es antisimètrica.
Proposici
o 3.2.5. Donada una matriu A Mn (K) qualsevol, existeixen
una matriu S Mn (K) simètrica i una matriu T Mn (K) antisimètrica
tals que
A = S + T.
Demostraci
o. Considerem
1
S = (A + At )
2
1
T = (A At )
2
fàcil veure que S es simètrica, T es antisimètrica i A = S + T .
Es
Exemple 3.2.8. Sigui A =
S=
2 3
. Es te A = S + T amb
1 5
2 2
,
2 5
i T =
0 1
.
1 0
Tambe es fàcil comprovar lafirmacio de la proposicio seg

uent.
Proposici
o 3.2.6. Sigui A Mnm (K) una matriu qualsevol. Llavors
S = At A Mm (K) i R = AAt Mn (K) s
on matrius simètriques.
71
3.3. Rang duna matriu
Definici
o 3.2.8. Sigui A Mn (K). Es diu que A es ortogonal quan
AAt = At A = In .

2
2
0
2
2
0
A = 1 0
2
2
0
2
2
es ortogonal.
3.3
Rang duna matriu
Donada una matriu A Mnm (K), podem considerar el subespai vectorial de K n engendrat pels m vectors columna de la matriu A i calcular
la dimensio daquest subespai.
Exemple 3.3.1. Donada
3 2
A = 1 0
6 4
podem considerar el subespai

3
2
1 , 0
6
4
i veiem que la seva dimensio es 2.
De fet haurem pogut considerar el subespai vectorial de K m format pels
n vectors files de la matriu A.
Exemple 3.3.2. Considerem la mateixa matriu que en lexemple anterior.
En aquest cas podem considerar el subespai
3 2 , 1 0 , 6 4
72
Tambe en aquest cas podeu calcular la dimensio daquest subespai, i

observem que tambe es 2.
De fet, tenim el resultat seg
uent.
Proposici
o 3.3.1. La dimensio del subespai engendrat pels vectors columna duna matriu A coincideix amb la dimensio del subespai engendrat pels
vectors fila de la mateixa matriu.
Te per tant, sentit la definicio seg
uent.
Definici
o 3.3.1. Sanomena rang de la matriu A a la dimensio del subespai vectorial engendrat per les columnes (o files) dA. El denotarem per
rg A.
3.4
Transformacions elementals duna matriu
Presentem a continuacio una eina molt u

til per a calcular el rang duna
matriu, aix com per a trobar inverses de matrius invertibles i tambe per
a resoldre sistemes dequacions lineals.
Transformacions elementals de files
Sigui A una matriu de Mnm (K). Notarem per
1. T ij (A) la matriu que resulta de permutar les files i i j dA.
Exemple 3.4.1.
1
2
A=
9
5
1
3
8
5
1
4
,
7
5
5
T 24 (A) =
9
2
1
5
8
3
1
5
7
4
2. T i (A) la matriu que resulta de multiplicar la fila i-èsima dA per

un escalar 6= 0.
73
3.4. Transformacions elementals duna matriu
Exemple 3.4.2.
1
2
A=
9
5
1
4
,
7
5
1
3
8
5
6
T 32 (A) =
9
5
1 1
9 12
8 7
5 5
3. T i+j (A) la matriu que resulta de sumar a la fila i la fila j multiplicada per .
Exemple 3.4.3.
1
2
A=
9
5
1
4
,
7
5
1
3
8
5
7 10 13
2 3 4
T 1+32 (A) =
9 8 7
5 5 5
Cadascuna de les matrius anteriors direm que sha obtingut a partir de

la matriu A mitjancant una transformacio elemental de files.
Transformacions elementals de columnes
Sigui A una matriu de Mnm (K). Notarem per
1. Tij (A) la matriu que resulta de permutar les columnes i i j dA.
Exemple 3.4.4.
1
2
A=
9
5
1
3
8
5
1
4
,
7
5
1
2
T23 (A) =
9
5
1
4
7
5
1
3
8
5
2. Ti (A) la matriu que resulta de multiplicar la columna i-èsima dA

per un escalar 6= 0.
Exemple 3.4.5.
1
2
A=
9
5
1
3
8
5
1
4
,
7
5
1 3 1
2 9 4
T32 (A) =
9 24 7
5 15 5
74
3. Ti+j (A) la matriu que resulta de sumar a la columna i la columna

j multiplicada per .
Exemple 3.4.6.
1
2
A=
9
5
1
3
8
5
1
4
,
7
5
4 3 1
11 9 4
T1+32 (A) =
33 24 7
20 15 5
Cadascuna de les matrius anteriors direm que sha obtingut a partir de

la matriu A mitjancant una transformacio elemental de columnes.
A una matriu A se li poden aplicar un nombre finit de transformacions
elementals tant de files com de columnes, obtenint aix una matriu A0 .
Ho notarem A A0 .
f
Si volem precisar els tipus de transformacions realitzades notarem per

c
a transformacions de files i per a transformacions de columnes:
f
A A1 . . . Ar Ar+1 . . . A0 .
Exemple 3.4.7.
1 0 0
1 4 1
1 0 0
f
c
A = 2 0 1 A1 = 2 0 1 A2 = 2 1 0
1 1 4
1 0 0
1 4 1
Anem a veure que efectivament les transformacions elementals son una

eina per a calcular el rang duna matriu.
Proposici
o 3.4.1. Sigui {v1 , . . . , vm } un conjunt format per m vectors dun espai vetorial E dels quals les seves coordenades en una base
(u1 , . . . , un ) dE determinen les columnes de la matriu A Mnm (K).
Aleshores les columnes de les matrius T ij (A), T i (A), T i+j (A) s
on les
coordenades de la mateixa famlia de vectors en les bases
1
(u1 , . . . , uj , . . . , ui , . . . , un ), (u1 , . . . , ui , . . . , un ), i (u1 , . . . , ui , . . . , uj
ui , . . . , un ), respectivament.
75
Exemple 3.4.8. Siguin v1 , v2 , dos vectors dR3 les coordenades dels quals
en la base canònica (e1 , e2 , e3 ) son (3, 2, 1), (4, 0, 2). Les coordenades
daquests vectors en la base (e3 , e2 , e1 ) les obtenim fent
1 2
3 4
A = 2 0 , T 13 (A) = 2 0
3 4
1 2
Les coordenades dels vectors en la nova base son, doncs, (1, 2, 3) i (2, 0, 4),
respectivament.
Proposici
o 3.4.2. Sigui A Mmn (K) i A0 una matriu deduda dA
per transformacions elementals de files. Aleshores, si v1 , . . . , vn s
on els
0
0
vectors columna de la matriu A i v 1 , . . . , v n s
on els vectors columna de
la matriu A0 , les columnes vi1 , . . . , vip s
on linealment independents si, i
nomes si, les columnes corresponents v 0 i1 , . . . , v 0 ip de la matriu A0 tambe
ho son.
Corol.lari 3.4.1. En particular, r columnes de la matriu A son base del
subespai vectorial engendrat pels vectors columna dA si, i nomes si, les r
columnes corresponents de la matriu A0 son base del subespai engendrat
per les columnes dA0 .
Corol.lari 3.4.2. Sigui A0 una matriu obtinguda dA per transformacions elementals de files. Aleshores
rang A = rang A0
Les transformacions elementals de columnes tampoc no alteren el rang

duna matriu. Per això nomes cal tenir en compte la proposicio seg
uent.
Proposici
o 3.4.3. El subespai engendrat per n vectors v1 , . . . , vn dRm
coincideix amb el subespai engendrat per
a) {v1 , . . . , vj , . . . , vi , . . . , vn }.
b) {v1 , . . . , vi , . . . , vn }
c) {v1 , . . . , vi + vj , . . . , vn }.
76
Corol.lari 3.4.3. Si A0 es una matriu obtinguda dA per transformacions

elementals de columnes, aleshores
rang A = rang A0
Exemple 3.4.9. Anem a calcular el rang de la matriu
1 2 1 1
A = 3 1 2 0
4 3 3 1
Fent transformacions elementals de files tenim
1 2
1
1
1 2
1
1
1 2
1
1
f
f
f
A 0 5 1 3 0 5 1 3 0 5 1 3 =A0
0 0
0
0
0 5 1 3
4 3
3
1
Clarament rangA0 = 2 i, per tant, rang A = 2.
Tambe haguessim pogut obtenir el rang dA fent transformacions elementals de columnes:
1 0 1 1
1 0
0 1
1 0
0
0
c
c
c
A 3 5 2 0 3 5 1 0 3 5 1 3 = A00
4 5 3 1
4 5 1 1
4 5 1 3
Clarament rangA00 = 2 i, per tant, rang A = 2.
O tambe podem fer transformacions
columnes. Aix podem veure que
1 0
A ... 0 1
0 0
elementals tant de files com de
0 0
0 0 = A000
0 0
En els exemples anteriors, mitjancant transformacions elementals, hem

redut la matriu A donada a una matriu a una matriu esglaonada.
Definici
o 3.4.1. Direm que una
per files si te la forma seg
uent:
c1
^
0
.
.
.
0
?
0 . . . 0 0
. . .
R = 0 . . . 0 0
0 . . . 0 0
. . .
0 ... 0 0
matriu R Mnm (K) es r-esglaonada

c
...
...
...
...
...
...
...
2
^
0
0
r
^
... ...
... ...
... ...
. . . ? . . . (r
... 0 ...
... ...
... 0 ...
77
on 1 c1 < c2 < . . . < cr n indiquen les columnes on es troben les ?,

r es l
ultima fila no nul.la, els elements denotats per ? son no nuls i els
situats a lesquerra de cada ? en una mateixa fila i per sota de la fila r
son nuls.
0
0
0
0
1
0
0
0
2
0
0
0
1
1
0
0
3
0
4
0
1
2
1
0
es 3-esglaonada per files. En aquest cas, r = 3, c1 = 2, c2 = 4 i c3 = 5.

Proposici
o 3.4.4. Si R es una matriu r-esglaonada per files, les columnes
c1 , . . . , cr s
on base del subespai vectorial engendrat per les columnes de la
matriu.
Proposici
o 3.4.5. Sigui A una matriu, que mitjancant transformacions
elementals per files sha redut a una matriu del tipus R (esglaonada per
files). Aleshores, les columnes c1 , . . . , cr de la matriu A s
on base del
subespai vectorial engendrat per les columnes de la matriu.
Donada una matriu A, en fer-li transformacions elementals de files no
saltera el seu rang. Aix doncs, si un element aij es no nul, restant a
akj
la fila k-èsima, k > i, la fila i-èsima multiplicada per
tindrem una
aij
matriu del mateix rang en la qual lelement que està en el lloc (k, j) es
nul.
Repetint aquesta operacio, que anomanarem pivotatge per files, al voltant
dels elements no nuls, i, si conve, reordenant les files, tenim la proposicio
seg
uent.
Proposici
o 3.4.6. Sigui A una matriu de Mnm (K). Aleshores A te
rang r si, i nomes si, A es pot transformar mitjancant transformacions
elementals de files en una matriu r-esglaonada per files.
Remarca. Observem que la matriu esglaonada en què podem transformar una matriu A donada, mitjancant transformacions elementals de
files, no es u
nica.
78
Exemple 3.4.11. Les matrius
1 1 0
1 1 0
1 0 0
A 1 = 0 2 4 , A 2 = 0 1 2 , A 3 = 0 1 0
0 0 4
0 0 1
0 0 1
son 3-esglaonades per files de la matriu
1 1 0
A = 1 3 4
1 1 4
Anàlogament, tenim la definicio de matriu esglaonada per columnes.
Definici
o 3.4.2. Direm que una matriu es r-esglaonada per columnes si
te la forma seg
uent:
0 . . . 0 . . . 0
..
..
..
.
.
.
0 . . . 0 . . . 0
0 . . . 0 . . . 0
..
..
..
.
.
.
? . . . 0 . . . 0
..
..
..
.
.
.
. . . ? . . . 0
..
..
..
. ... . ... .
..
f1 ) ?
..
f2 )
.
..
f )
r
..
.
on 1 f1 < f2 < . . . < fr n indiquen les files on es troben les ?,

r es l
ultima columna no nul.la, els elements notats per ? son no nuls i
els situats damunt de cada ? en una mateixa columna i a la dreta de la
columna r son nuls.
0
1
3
0
0
0
0
1
2
0
0
0
0
1
0
0
0
0
es 3-esglaonada per columnes. En aquest cas, r = 3, f1 = 2, f2 = 4 i

f3 = 5.
79
`
Obviament,
la transposada duna matriu r-esglaonada per files es resglaonada per columnes i recprocament. Tenim doncs, resultats per
a matrius esglaonades per columnes anàlegs als enunciats per a matrius
esglaonades per files.
Proposici
o 3.4.7. Si R es una matriu r-esglaonada per columnes, les
files f1 , . . . , fr , son base del subespai vectorial engendrat per les files de
la matriu.
Proposici
o 3.4.8. Sigui A una matriu, que mitjancant transformacions
elementals per columnes sha redut a una matriu del tipus R (esglaonada
per columnes). Aleshores, les files f1 , . . . , fr de la matriu A s
on base del
subespai vectorial engendrat per les files de la matriu.
Donada una matriu A, en fer-li transformacions elementals de columnes
no saltera el seu rang. Aix doncs, si un element aij es no nul, restant
aik
a la columna k-èsima, k > j, la columna j-èsima multiplicada per
aij
tindrem una matriu del mateix rang en la qual lelement que està en el
lloc (i, k) es nul.
Repetint aquesta operacio, que anomenarem pivotatge per columnes, al
voltant dels elements no nuls i, si conve, reordenant les seves columnes,
tenim la proposicio seg
uent.
Proposici
o 3.4.9. Sigui A una matriu de Mnm (K). Aleshores A te
rang r si, i nomes si, A es pot transformar mitjancant transformacions
elementals de columnes en una matriu r-esglaonada per columnes.
Finalment podem concloure amb la proposicio seg
uent.
Proposici
o 3.4.10. Sigui A una matriu de Mnm (K). Aleshores
rang A = rang At .
Remarca. Les transformacions elementals per files duna matriu poden efectuar-se multiplicant per lesquerra aquesta matriu per determinades matrius anomenades matrius elementals per files que son el resultat
daplicar les mateixes transformacions elementals a la matriu identitat:
T ij (I) = E ij , T i (I) = E i , T i+j = E i+j .
80
Anàlogament, les transformacions elementals per columnes duna matriu

poden efectuar-se multiplicant per la dreta aquesta matriu per determinades matrius, anomanades matrius elementals per columnes, que son
el resultat daplicar les mateixes transformacions elementals a la matriu
identitat:
Tij (I) = Eij , Ti (I) = Ei , Ti+j = Ei+j .
Observem que tant les matrius elementals per files com les matrius elementals per columnes son matrius de rang màxim.
3.5
Inversa duna matriu
Definici
o 3.5.1. Sigui A Mnm (K).
B Mmn (K) tal que
Si existeix una matriu
AB = In Mn (K)
es diu que la matriu B es una inversa per la dreta dA. Si existeix una
matriu C Mmn (K) tal que
CA = Im Mm (K)
es diu que la matriu C es una inversa per la esquerra dA.
En el cas en què A es una matriu quadrada, si existeix inversa per la
dreta existeix tambe per lesquerra i ambdues coincideixen. En tal cas es
diu que la matriu A es invertible (o tambe regular) i a una tal matriu se la
denomina la inversa dA, que notarem per A1 (es immediat comprovar
que es u
nica).
1 1 0
A=
0 1 1
te, com inversa per la dreta, la matriu
B= 0
0
0
0
1
ja que AB = I2 . Mes precisament, qualsevol matriu de la forma
1+

B, =
1
3.5. Inversa duna matriu
81
amb , R qualssevol, es una inversa per la dreta de la matriu A. En

particular, les inversas per la dreta no son necessàriament u
niques. El
mateix passa amb les inverses per lesquerra.
Observeu que la matriu A no te cap inversa per lesquerra ja que no hi
ha cap C M32 (R) tal que CA = I3 .
El resultat que enunciem a continuacio determina les matrius que son
invertibles.
Proposici
o 3.5.1. Les matrius quadrades de rang màxim son les u
niques
matrius invertibles.
Exemple 3.5.2. Les matrius elementals (tant per files com per columnes)
son invertibles.
Proposici
o 3.5.2. Si A Mn (K) es una matriu invertible, aleshores es
verifiquen les propietats seg
uents.
1.- (A1 )1 = A.
2.- Si B es tambe una matriu invertible, (AB)1 = B 1 A1 .
1
3.- Sigui K, 6= 0. Aleshores (A)1 = A1 .
4.- (At )
= (A1 )t .
Demostraci
o. Comprovem per exemple 2):
(B 1 A1 )(AB) = B 1 (A1 A)B = B 1 In B = B 1 B = In .
Si una matriu es invertible, mitjancant transformacions elementals de

files es pot reduir a la matriu identitat. Atès que aquestes transformacions corresponen a multiplicar per matrius elementals la matriu donada,
tenim que, si denotem per Ep , . . . , E1 aquestes matrius elementals per
lesquerra,
Ep . . . E1 A = I
don E = Ep . . . E1 = A1 . Tenim doncs, una manera pràctica dobtenir
la matriu inversa duna matriu invertible. Anem a veure-ho amb un
exemple.
82
Exemple 3.5.3. Sigui la matriu
1 4 8
A = 0 1 2
1 2 3
Juxtaposem la matriu A i la matriu identitat I,
.
4 8 .. 1 0 0
0 1 2 ... 0 1 0 = A
..
1 2 3 . 0 0 1
1
Ara fem les transformacions elementals de files, necessàries per a convertir

A en I. Una vegada acabat el proces la matriu que apareix en el lloc que
ocupava la matriu I es la matriu A1 inversa de A:
1
f
A 0
(a)
0
1
f
0
(c)
1
f
0
(e)
0
4
1
6
4
1
0
0
1
0

..
8 . 1 0 0
1 4 8
f
..
0 1 2
2 . 0 1 0 (b)
.
11 .. 1 0 1
0 0 1

..
8 . 1
0
0
1
f
..
0 . 2 11 2
(d)
0
..
1 . 1 6 1
0
.
0 .. 1 4 0
.
0 .. 2 11 2
..
1 . 1 6 1
..
. 1
..
. 0
..
. 1
.
4 0 ..
.
1 0 ..
.
0 1 ..
6 1
48
11
Per tant,
A1
1 4 0
= 2 11 2
1 6 1
(a) A la tercera fila de A li sumem la primera, obtenint A1 .

(b) A la tercera fila de A1 multiplicada per 1 li sumem sis vegades la
segona dA1 obtenint A2 .
3.6. Sistemes dequacions lineals
83
(c) A la segona fila de A2 li restem dues vegades la tercera dA2 , obtenint

A3 .
(d) A la primera fila de A3 li restem vuit vegades la tercera, obtenint A4 .
(e) A la primera fila de A4 li restem quatre vegades la segona.
3.6
Sistemes dequacions lineals
Un sistema dequacions lineals es un conjunt digualtats de la forma
a11 x1 + . . . + a1n xn = b1
a21 x1 + . . . + a2n xn = b2
(3.1)
..................
...
am1 x1 + . . . + amn xn = bn
on aij i bi , 1 i n, 1 j m son elementes donats de K. Si
b1 = . . . = bm = 0 el sistema rep el nom de sistema homogeni.
Definici
o 3.6.1. Els termes x1 , . . . , xn son les inc`
ognites del sistema.
Cada n-pla (x01 , . . . , x0n ) delements de K que verifica el conjunt digualtats anteriors sanomena una solucio del sistema.
Observem que si el sistema es homogeni, la n-pla (0, . . . , 0) verifica el
sistema. Per tant, si el sistema es homogeni sempre te (almenys) una
solucio.
Definici
o 3.6.2. Quan un sistema te (almenys) una solucio, direm que
el sistema es compatible. I si no hi cap n-pla delements de K que sigui
solucio, direm que el sistema es incompatible.
Es tracta destudiar quan un sistema te solucio, i en cas de tenir-ne, si
es u
nica (sistema compatible determinat) o no (sistema compatible indeterminat).
Exemple 3.6.1. Considereu els sistemes dequacions lineals
x1 + x2 = 4
2x1 + 4x2 = 4
(1)
(2)
x1 x2 = 0
x1 + 2x2 = 2
El sistema (1) es compatible determinat i l
unica solucio es (x1 , x2 ) =
(2, 2). En canvi, el segon sistema es compatible indeterminat ja que
qualsevol parella (x1 , x2 ) amb x1 = 2 2x2 nes solucio.
84
Anem a donar un criteri per determinar si un sistema te solucio.

x1
b1
a11 . . . a1n
a11 . . .
..
.
.
.
.. , x= .. , b= .. , A= ...
A= .
xn
bm
am1 . . .
am1 . . . amn
Denotem
a1n b1
.. ,
..
.
.
amn bn
Aix, el sistema el podem escriure en forma matricial:

Ax = b
Teorema 3.6.1 (Rouche-Frobenius). Sigui Ax = b un sistema lineal
dequacions.
i) Si rg A = rg A = n = nombre dincògnites, el sistema te solucio
u
nica.
ii) Si rg A = rg A < n = nombre dincògnites, el sistema te infinites
solucions.
iii) Si rang A 6= rang A el sistema no te solucio.
Remarca. Si la matriu A del sistema es quadrada, el sistema es compatible determinat si, i nomes si, la matriu A es invertible. En aquest
cas, la solucio del sistema es:
x = A1 b
En general es fàcil, utilitzant transformacions elementals, determinar si
un sistema es, o no, compatible i, en cas afirmatiu, trobar la solucio o el
conjunt de solucions en cas de ser compatible indeterminat.
Observem que, donat un sistema Ax = b, i el que resulta en multiplicar
aquest per lesquerra per una matriu elemental E, EAx = Eb, ambdos o
be tenen el mateix conjunt de solucions o be ambdos son incompatibles.
Daltra banda, observem que
Ax = (AEij )(E ij x)
Per tant, si fem permutacions de columnes a la matriu A, aquestes es
compensen fent les permutacions de files corresponents a la matriu x.
85
3.6. Sistemes dequacions lineals
Passem ara a trobar el conjunt de solucions dun sistema (compatible).

A la matriu A podem fer-li transformacions elementals de files i permutacions de columnes fins a reduir-la a una matriu del tipus
Ir T c1
0 0 c2

c
on r es el rang de la matriu A i 1 es el resultat de reduir la matriu b.
c2
Si c2 6= 0, rang A 6= rang A i, per tant el sistema es incompatible.
Si c2 = 0, el sistema, despres de fer les transformacions elementals, es:
1
1
Ir T
x
c1
x
=
amb 2 = x
2
0 0
x
0
x
don dedum que el conjunt de solucions es
x=
c1 T x2
x2
Exemple 3.6.2. Considerem el sistema dequacions lineals
x1 + x2 + x3 = 3
x1 + x2 + 2x3 = 5
3x1 + 3x2 + 5x3 = 13

Per a estudiar
matriu A:
1 1
1 1
3 3
si te solucio, fem transformacions elementals per files a la

.
.
.
1 1 0 .. 1
1 1 1 .. 3
1 .. 3
f
f
.
0 0 1 ... 2
0 0 1 ... 2
2 .. 5

..
..
..
0 0 0 . 0
0 0 2 . 4
5 . 13
Veiem que el sistema es compatible indeterminat. Calculem el conjunt

de solucions fent una permutacio de columnes
.
1 0 1 .. 1
0 1 0 ... 2
..
0 0 0 . 0
86
El sistema donat es equivalent a

1 0 1
x1
1
0 1 0 x3 = 2
0 0 0
x2
0
i, per tant, el conjunt de solucions es
x1 = 1 x2
x2 = x2
x3 = 2
3.7
Aplicaci
o1
C`
alcul de la dimensi
o dun subespai
Podem utilitzar el que hem vist fins ara per a obtenir una base del subespai engendrat per un conjunt finit de vectors i, per tant, calcular la seva
dimensio.
Sigui E un espai vectorial de dimensio finita i (u1 , . . . , un ) una base dE.
Sigui F un subespai engendrat pels vectors v1 , . . . , vp . Si R es una matriu
r-esglaonada obtinguda a partir de la matriu A on les seves columnes son
les coordenades dels vectors vi en la base donada, els vectors vc1 , . . . , vcr
determinen una base dF .
Exemple 3.7.1. Siguin v1 = (1, 1, 1, 2), v2 = (2, 2, 2, 4), v3 = (3, 4, 1, 6) els
generadors dun subespai vectorial dR4 . Aleshores esglaonant la matriu
1
1
A=
1
2
2
2
2
4
c1
^
3
1
4
f
0
1 0
6
0
2
^
2 3
0 1
=R
0 2
0 0
podem concloure que v1 , v3 formen una base del subespai vectorial.
87
3.8. Aplicacio 2
3.8
Aplicaci
o2
Equacions que defineixen un subespai vectorial

Donat un subespai vectorial F dun espai vectorial E, les equacions que
defineixen aquest subespai son aquelles que relacionen entre elles les components, en una certa base dE, dels vectors daquest subespai (formen
un sistema dequacions lineal i homogeni).
Si {v1 , . . . , vm } es un sistema de generadors dun subespai vectorial F
dE, posant A a la matriu, els vectors columna de la qual son les components daquests vectors en una base (u1 , . . . , un ) dE, i anomenant B
a la matriu obtinguda afegint a A una darrera columna constituda per
les components x1 , . . . , xn , dun vector x dE, aleshores:
x F rg A = rg B .
En imposar això, si esglaonem la matriu B, obtenim les relacions que
han de complir les components x1 , . . . , xn dx per tal que aquest vector
sigui dF . Aquestes relacions entre components son les equacions que
determinen el subespai vectorial F .
Remarca. Diferents sistemes dequacions lineals i homogenis poden
definir el mateix subespai vectorial. Si el nombre dequacions (linealment independents) que defineixen un subespai F es m, llavors:
dim F = dim E m .
Exemple 3.8.1. Determinem les equacions del subespai F dR4 generat
per la famlia de vectors seg
uents:
{(1, 1, 0, 1), (0, 1, 0, 2)}
Un vector x = (x1 , x2 , x3 , x4 ) R4 pertany a F
1 0
1 0
1 1
1 1
rg
0 0 = rg 0 0
1 2
1 2
si i nomes si:
x1
x2
x3
x4
El rang de la primera matriu es 2. En imposar que el rang de la segona

matriu sigui tambe 2, trobem les equacions que busquem.
1 0
x1
1 0 x1
1 1 x2 f 0 1
x2 x1
0 0 x3 0 0
x3
0 0 3x1 2x2 + x4
1 2 x4
88
a dir,
Es
F = {(x1 , x2 , x3 , x4 ) R4 | 3x1 2x2 + x4 = x3 = 0} .
3.9
Ap`
endix
Inversa generalitzada de Moore-Penrose

Donada una matriu A Mnm (R), sanomena matriu inversa de MoorePenrose dA a una matriu dordre m n (quescriurem A+ ) que verifica:
1.- AA+ A = A
2.- A+ AA+ = A+
3.- (AA+ )t = AA+
4.- (A+ A)t = A+ A
Proposici
o 3.9.1. Sigui A Mnm (R) una matriu qualsevol. Aleshores
existeix una u
nica matriu A+ Mmn (R) que compleix les quatre condicions anteriors.
Demostraci
o. Sigui r = rg A. Aleshores existeixen P Mn (R) i Q
Mm (R) matrius invertibles tals que
Ir 0
A=P
Q
0 0
Partint les matrius P i Q segons la particio de la matriu

que
Ir 0
Q11
= P11 Q11
A = P11 P12
Q21
0 0
Ir 0
tenim
0 0
t
P11 i Q11 Qt11
Observem que P11 i Q11 son matrius de rang r. Per tant, P11
son matrius invertibles dordre r. Es fàcil comprovar que la matriu

t
t
Qt11 (Q11 Qt11 )1 (P11
P11 )1 P11
verifica les quatre condicions donades en la definicio.
89
Remarca. Si A Mn (R) es una matriu invertible, Aleshores A+ = A1 .

En el cas en què la matriu A te rang maxim es fàcil obtenir la matriu
A+ , segons es veu en el resultat seg
uent.
Proposici
o 3.9.2. Sigui A Mnm (R) una matriu que te rang màxim.
Aleshores,
(a) si n m, A+ = (At A)1 At .
(b) si n m, A+ = At (AAt )1 .
Exemple 3.9.1. Sigui
1 2
A = 1 2
1 2
La inversa de Moore-Penrose de la matriu A ve donada per
1 1 1 1
+
A =
.
15 2 2 2
3.10
Aplicaci
o a la qumica
Obtenci
o de lequaci
o de Michaelis-Menten
Suposem que tenim un enzim E que catalitza la reaccio S P i que
coneixem la seva concentracio total. Lenzim suneix al substrat S de
manera reversible per generar el complex ES. Aquest complex llibera el
producte P de manera irreversible, obtenint-se de nou lenzim lliure:
k1
*
E+S
ES
)
k1
ES
k2
E+P
Suposem que la concentracio [ES] es constant al llarg del temps:

0. Aleshores es pot procedir de la forma seg
uent.
0=
d[ES]
= k1 [E][S] (k1 + k2 )[ES]
dt
d[ES]
dt
90
A mes, [ET ] = [E] + [ES].

Tenim aix un sistema lineal de dues equacions amb dues incògnites: [E]
i [ES]:
k1 [S][E] (k1 + k2 )[ES] = 0

[E] + [ES] = [ET ]
Resolent-lo trobem que

[ES] =
k1 [S][ET ]
k1 [S] + (k1 + k2 )
Interessa conèixer la velocitat de la reaccio. Si suposem que la segona

equacio es la limitant, la velocitat seria v = k2 [ES], es a dir,
v=
La constant kM =
k2 k1 [S][ET ]
k2 [S][ET ]
=
2
k1 [S] + (k1 + k2 )
[S] + k1k+k
1
k1 +k2
k1
es lanomenada constant de Michaelis-Menten.
La màxima velocitat que es pot aconseguir es quan [ES] = [ET ]. Llavors:

vmax = k2 [ET ]. Aix sobte lexpressio:
v=
vmax [S]
[S] + km
anomenada equaci
o de Michaelis-Menten.
Aquest raonament es pot aplicar a altres tipus de mecanismes de cinètica
qumica enzimàtics o no-enzimàtics.
3.11
Comentaris finals
Les matrius son una eina molt adequada per a emmagatzemar informacio.
A mes, per a la resolucio de molts problemes les matrius han esdevingut
una eina molt u
til, ja que permeten expressar les relacions entre les diferentes variables involucrades duna forma clara i concisa.
Gracies a l
us de la notacio matricial, es poden arribar a conclusions que
daltre forma no resultarien evidents.
Els sistemes lineals dequacions sutilitzen per a la resolucio de circuits
amb elements lineals, en economia (descripcio de les relacions entre preus,
produccio i demanda, de sistemes econòmics, com el de Leontief), etc.
91
3.12. Exercicis
Les matrius son tambe un instrument fonamental en lestudi de les aplicacions lineals entre espais vectorials, que son els objectes dels que tractarem
en el captol seg
uent.
3.12
Exercicis
1. Donades les matrius
3 2
A=
9 4
0
C=
0
2
3
5
4
1
1
4
, B=
2
2
0
3
, D=
1
8
0
1
1
5
4
3 7
0 3
0 3
2
1
possible calcular At C + DB? I

Calculeu A + (C + D)B. Es
AB t + Dt ?
0.8 0.5 1.3

8 5 13
0 1.4 2.9
,
A = 8 4 29 , B=
0.2 1.1
3.2
4 1 6
0.4 1
6
0.8 0.5 1.3 2.4

C = 0 1.4 2.9 2.1
0.2 1.1
3.2 1.1
reduu-les a una forma esglaonada
a) per files.
b) per columnes.
3. Calculeu el rang de les
1 1 2
A= 0 1 0
1 2 2
matrius seg
uents:
1
0.1 0.2 0.3 0.4
1 , B = 0.2 0.3 0.4 0.5
3
0.3 0.4 0.5 0.6
1 1 2
1 1 1
C=
0 1 1 ,
2 0 3
1
2
D=
1
2
1
4
1
2
1
3
1
6
1
6
1
3
1
4
1
12
1
8
1
4
1
5
1
20
1
10
92
4. Estudieu quines de les matrius seg

uents son invertibles:
4
1 1 2 0
1 1 2
0
1
1
1
2
, C =
0 , B =
A = 0 1
1
0
1 1 1
1 1 1
0
1 3 4 2
5. Discutiu per a quins valors de
1
0
2
a
1 1 0
1 1 2
1 1 1
1 1 1
la constant a R, la matriu
0 1 0
1 1 0
1 3 1
2 1 0
es invertible, i trobeu en aquests casos la seva inversa.

6. Calculeu les inverses
A= 0
1
2
1
C=
1
1
1
2
1
1
de les matrius:
1 1
0.1 0.2 0.3
1 1 , B = 0.2 0.3 0.5
2 3
0.4 0.4 0.5
1
1
2
1
1
1
,
1
2
1 1 2 3
0 1 1 1
D=
0 0 2 1
0 0 1 1
7. Sigui A una matriu triangular superior (inferior) invertible. Proveu

que A1 es triangular superior (inferior).
8. Calculeu
0 1
0 0
2
.
Deduu daqu An , on A es la matriu
a b
A=
; a, b R qualssevol.
0 a
9. Sigui A Mn (K) una matriu estrictament triangular superior (inferior). Proveu que An = 0.
10. Es diu que una matriu A M3 (R) es màgica si en sumar els
elements de cada fila, de cada columna, de la diagonal principal, i
de la diagonal secundària sobte sempre el mateix valor. Construu
totes les matrius màgiques simètriques.
93
3.12. Exercicis
11. Es defineix traca duna matriu quadrada A Mn (K) i notarem

tr A, a la suma dels elements de la diagonal principal; es a dir,
si A = (aij ), tr A = a11 + . . . + ann . Aix, per exemple, si A
M2 (K), tr A = a11 + a22 . Sigui S Mn (K) invertible. Proveu que
tr (S 1 AS) = tr A.
12. Trobeu la inversa de la matriu
1 1 1
A = 1 1
1 1 2
segons els diferents valors d R.

13. Sigui
(C) una matriu invertible. Proveu
S Mn
que la
matriu
1 S 1 S 1
S S
es la inversa de la matriu X =
.
S S
2 S 1 S 1
14. Discutiu i resoleu en R el sistema:
3x + 2y + 5z
4x + 3y + 6z
5x + 4y + 7z
6x + 5y + 8z
= 1
= 2
= 3
=4
15. Determineu el valor de per a que el sistema
x+y+z =2
2x + 3y z = 2
3x + 4y =
sigui compatible i doneu el conjunt de solucions per a aquest valor
de .
16. Resoleu segons els valors de a, b, c, d R el sistema seg
uent:
x + 2y + 3z + 4t = a
2x + 3y + 4z + t = b
3x + 4y + z + 2t = c
4x + y + 2z + 3t = d
94
17. Resoleu en C el sistema de equacions:
x + y + z = a
x + wy + w2 z = b
x + w2 y + wz = b
sabent que w es una arrel c
ubica de la unitat.
18. Considereu el sistema AX
A = 1
1
= B, essent
2 a
1 a
3 a , B = 1 b
1 c
4 a
Discutiu el sistema segons els diferents valors de les constants

a, b R. Trobeu, en els casos en que sigui possible, el conjunt de
solucions.
19. Proveu que si els sistemes AX = B i XA = C tenen una solucio
comuna, aleshores es compleix BA = AC.
20. Discutiu, segons els diferents valors da, b R, el sistema
1 a
0 1 0
X=
1 b
0 0 1
i resoleu-lo en els casos en què sigui compatible.
21. Considerem les matrius de M2 (R) seg
uents:
1 0
4 4
1 2
2 9
A=
, B=
, C=
, D=
1 1
4 6
3 0
6 6
Discutiu i resoleu el sistema:
X + AY = B
X + CY = D
22. Determineu la dimensio dels subespais vectorials dR4 seg

uents:
F1
F2
F3
F4
= [(1, 1, 0, 2), (1, 1, 1, 1), (0, 2, 1, 1), (1, 1, 3, 1)]

= [(1, 1, 2, 1), (0, 1, 1, 2), (1, 2, 1, 1), (1, 1, 1, 0)]
= [(1, 1, 0, 1), (1, 1, 1, 1), (0, 2, 1, 0), (1, 3, 2, 1)]
= [(1, 1, 0, 1), (2, 2, 1, 1), (3, 1, 2, 2), (2, 0, 1, 1)]
i obteniu-ne una base.
95
3.12. Exercicis
23. Estudieu quina es la dimensio dels subespais vectorials dR5 seg

uents:
F1
F2
F3
F4
= {(x1 , x2 , x3 , x4 , x5 ) R5 | x1 x2 + x3 = 2x4 x5 = 0}
= {(x1 , x2 , x3 , x4 , x5 ) R5 | 2x1 x2 + x3 = 0}
= {(x1 , x2 , x3 , x4 , x5 ) R5 | x1 + 2x2 = x2 + 2x3 = x3 + 2x4 = 0}
= {(x1 , x2 , x3 , x4 , x5 ) R5 | 2x1 x2 + 3x3 = 4x1 x2 + 4x4 =
= 2x1 2x2 3x3 + 4x4 = 0}
24. Calculeu la dimensio dels subespais vectorials dR[t] seg

uents:
F = [1 t + 2t2 , 1 + t2 t3 , t4 t5 ]
G = [1 t, t2 t4 , 1 + t5 . t t2 + t4 + t5 ]
H = [2 t2 , 1 + t4 , 1 + t6 , t2 + t4 + t6 ]
25. Calculeu la dimensio dels subespais vectorials dR3 [t] seg
uents:
F = {p(t) R3 [t] | p(t) = p0 (t) + 6p00 (0)t2 }
1
1
G = {p(t) R3 [t] | p(0) = p00 (0) p000 (0)}
2
6
H = {p(t) R3 [t] | p(0) = p0 (0) p00 (1) = 0}
26. Calculeu la dimensio dels subespis vectorials dM2 (R) seg
uents:
1 1
4 1
1 1
0 5
F =
,
,
0 1
2 0
0 1
2 4
G=
1 1
2 1
0 1
1 0
,
,
0 1
1 1
1 1
1 0
27. Calculeu la dimensio dels subespais vectorials dM3 (R) seg

uents:
F1 = {A M3 (R) | A + At = 0}
F2 = {A
M3 (R) | trA = 0}
a11 a12 a13
F3 = A = a21 a22 a23 M3 (R) a12 + 2a13 = 2a22 + 3a33 = 0
a31 a32 a33

28. Trobeu les equacions que defineixen els subespais vectorials dR5
seg
uents:
F = [(2, 1, 1, 0, 0), (0, 1, 1, 2, 1)]
G = [(1, 3, 0, 0, 0), (1, 2, 0, 1, 0), (1, 2, 0, 3, 1)]
96
29. Trobeu les equacions que defineixen els subespais vectorials dR4 [t]
seg
uents: F = [1 + 2t, t2 ], G = [1 + t t2 , t2 t4 , 1 + t4 ].
30. Determineu les equacions que defineixen els subespais vectorials
dM2 (R) seg
uents:
1 1
2 1
1 2
F =
,
0 1
1 1
1 2
G =
1 1
2 1
0
3
2 2
,
,
2 1
0 1
4 1
4 2
31. Calculeu la inversa de Moore-Penrose de les matrius seg

uents:
10
0.5
1
1.2
A1 = 2.5 0 , A2 = 6.106 0.4
5.106 0.3
3.1 0.4
32. Proveu que (A+ )+ = A.
1 0 0
A1 =
,
0 0 0
1 0
A 2 = 0 0
0 0
+
Proveu que A+
1 = A2 i A2 = A1 .
3.13
Escriptura de matrius
> A:=Matrix([[1,2,3],[3,1,1]]);
A :=
1 2 3
3 1 1
97
> B:=Matrix([[1],[2]]);
B :=
1
2
> C:=Matrix([[1,2,-1],[3,0,1],[-1,1,1]]);
1 2 1
1
C := 3 0
1 1
1
Operacions amb matrius

> A1:=Matrix([[4,5,6],[0,0,-2]]);
A1 :=
4 5
6
0 0 2
> A+A1;
5 7
9
3 1 1
> multiply(Matrix([[1,2],[2,2],[-1,-1]]),Matrix([[1,1],[1,-1]]);
3 1
4
0
2
0
> transpose(A);
1 3
2 1
3 1
> inverse(C);
98
1
12
1
3
1
4
1
4
0
1
4
1
6
1
3
1
2
Resoluci
o de sistemes lineals
> LinearSolve(A,B);
3 1
+ t
5 5 1
1 8
t1
5 5
t1
Obtenci
o duna forma esglaonada per files
> ReducedRowEchelonForm(A);
1
1 0 5
8
0 1
5
C`
alcul del rang duna matriu
> rank(A);
2
Captol 4
Aplicacions lineals
4.1
Introducci
o
El concepte daplicacio lineal es, juntament amb el despai vectorial, fonamental en làlgebra lineal. La seva definicio actual tambe va ser donada
per Peano.
Les aplicacions lineals juguen un paper destacat en altres branques de la
matemàtica, com, per exemple, la geometria analtica (canvis de coordenades), en lanàlisi (transformades diferencials i integrals) i en la fsica.
A mes molts problemes relatius a aplicacions diverses es poden relacionar
amb aplicacions lineals.
En els captols 6 i 7 veurem exemples concrets per als casos daplicacions
lineals que satisfan determinades propietats.
En tot el que segueix, i si no sindica el contrari, considerarem aplicacions
entre espais vectorials de dimensio finita.
4.2
Concepte daplicaci
o lineal
Siguin E i F dos espais vectorials sobre un mateix cos commutatiu K i

f : E F una aplicacio.
99
100
Captol 4. Aplicacions lineals
Definici
o 4.2.1. Es diu que f es lineal si
f (x + y) = f (x) + f (y) , x, y E
f (x) = f (x) , K , x E
Exemple 4.2.1. Considerem laplicacio de R2 [t] en R2 [t] que ve definida

per f (p(t)) = 2p(t) + p0 (0)t.
Aquesta aplicacio es lineal. En efecte. Siguin p1 (t), p2 (t) R2 [t] qualssevol. Per a que f sigui lineal cal que f (p1 (t)+p2 (t)) = f (p1 (t))+f (p2 (t)).
f (p1 (t) + p2 (t)) = 2(p1 (t) + p2 (t)) + (p01 (0) + p02 (0))t
Daltra banda,
f (p1 (t)) + f (p2 (t)) = (2p1 (t) + p01 (0)t) + (2p2 (t) + p02 (0)t)
= 2(p1 (t) + p2 (t)) + (p01 (0) + p02 (0))t
Aix, f (p1 (t) + p2 (t)) = f (p1 (t)) + f (p2 (t)).
Siguin ara p(t) R2 [t], R qualssevol. Si f es lineal, tambe sha de
complir que f (p(t)) = f (p(t)).
f (p(t)) = 2(p(t)) + (p(0))t = (2p(t) + p0 (0)t) = f (p(t))
Aix doncs, tambe f (p(t)) = f (p(t)) i f es lineal.
En canvi, laplicacio g de R2 [t] en R2 [t] que ve definida per g(p(t)) =
2+p(t)+p0 (0)t no es lineal, ja que, per exemple, g(1)+g(t) = 3+(2+2t) =
5 + 2t però, en canvi, g(1 + t) = 2 + (1 + t) + t = 3 + 2t.
Exemple 4.2.2. En el cas E = K n i F = K m qualsevol aplicacio
f : K n K m del tipus
f (x1 , . . . , xn ) = (a11 x1 + . . . + a1n xn , . . . , am1 x1 + . . . + amn xn )
(4.1)
amb x = (x1 , . . . , xn ) K n ; aij K, 1 i m, 1 j n, es lineal.

Quan E = F es diu que f es un endomorfisme dE.
En general, diem que una aplicacio f : E F entre dos conjunts es
injectiva si
f (x) = f (y) = x = y x, y E .
4.3. Determinacio duna aplicacio lineal
101
I que es exhaustiva si
y F existeix x E tal que y = f (x)
Si es alhora injectiva i exhaustiva es diu que es bijectiva.
Si f : E F es lineal i injectiva (respectivament, exhaustiva o bijectiva), es diu que f es un monomorfisme (respectivament, epimorfisme o
isomorfisme). Si f : E E es un endomorfisme bijectiu, es diu que f
es un automorfisme.
Propietats elementals.
Si f : E F es una aplicacio lineal, llavors:
1) f (0) = 0.
2) f (x) = f (x),
x E.
3) Si H es un subespai vectorial dE , f (H) = {y F | x

H, f (x) = y} es un subespai vectorial dF .
4) Si G es un subespai vectorial dF , f 1 (G) = {x E | f (x) G}
es un subespai vectorial dE.
4.3
Determinaci
o duna aplicaci
o lineal
Qualsevol aplicacio lineal queda totalment determinada coneixent les

imatges dels vectors duna base de lespai sortida.
Proposici
o 4.3.1. Tota aplicaci
o lineal f : E F queda determinada
de forma u
nica per les imatges dels vectors duna base dE.
Demostraci
o. En efecte, si f : E F es una aplicacio lineal i
u = (u1 , . . . , un ) es una base dE, donat x E qualsevol, si x =
x1 u1 + + xn un , en ser f lineal, serà
f (x) = x1 f (u1 ) + + xn f (un ) .
102
Exemple 4.3.1. Sigui f : R3 R3 una aplicacio lineal tal que f (1, 0, 1) =

(1, 0, 1), f (0, 1, 0) = (2, 0, 2) i f (0, 1, 1) = (0, 1, 0). Amb aquestes
dades podem calcular la imatge de qualsevol vector dR3 . Per exemple,
calculem f (2, 2, 3).
Atès que el conjunt {(1, 0, 1), (0, 1, 0), (0, 1, 1)} es linealment independent i, per tant, una base dR3 , existeixen 1 , 2 , 3 R (
unics) tals
que
(2, 2, 3) = 1 (1, 0, 1) + 2 (0, 1, 0) + 3 (0, 1, 1)
Daquesta igualtat, dedum
1 = 2, 2 = 1, 3 = 1
don
f (2, 2, 3)
= 2f (1, 0, 1) + (1)f (0, 1, 0) + f (0, 1, 1)

= 2(1, 0, 1) + (1)(2, 0, 2) + (0, 1, 0)
= (0, 1, 0)
Remarca. Si (u1 , . . . , un ) es una base dE i considerem una famlia

{v1 , . . . , vn } de vectors dF existeix una u
nica aplicacio lineal f : E F
tal que f (ui ) = vi , i, 1 i n i es la definida de la manera seg
uent:
si x = x1 u1 + . . . + xn un , llavors f (x) = x1 v1 + . . . + xn vn .
Remarca. Dues aplicacions lineals f, g : E F son iguals si donada
una base qualsevol de E, les imatges per f i per g dels vectors daquesta
base son les mateixes.
Les imatges dels vectors duna base de lespai de sortida per una aplicacio
lineal f : E F determinen el caràcter daquesta aplicacio.
Proposici
o 4.3.2. Sigui (u1 , . . . , un ) una base dE i sigui f : E F
una aplicacio lineal. Aleshores:
a) f es injectiva
{f (u1 ), . . . , f (un )} linealment independents.
b) f es exhaustiva [f (u1 ), . . . , f (un )] = F.
c) f es bijectiva
(f (u1 ), . . . , f (un )) es una base dF.
Exemple 4.3.2. Sigui f : R3 R4 [t] que ve definida per

f (x1 , x2 , x3 ) = (x1 +x2 )+(x1 x2 )t+(x1 +x3 )t2 +(x1 x3 )t3 +(x1 +x2 +x3 )t4
4.4. Nucli i imatge duna aplicacio lineal
103
La proposicio anterior ens diu que:

f es injectiva {f (e1 ), f (e2 ), f (e3 )} son linealment independents
essent (e1 , e2 , e3 ) la base natural de R3 . Calculem aquestes imatges:
f (e1 ) = 1 + t + t2 + t3 + t4
f (e2 ) = 1 t + t4
f (e3 ) = t2 t3 + t4
Les seves components, en la base (1, t, t2 , t3 , t4 ) dR4 [t], disposades com
a vectors columna, donen lloc a la matriu
1 1
0
1 1 0
1 1 0 0 2 0
1
A=
1 0
0 0 2
1 0 1 0 0 0
1 1
1
0 0 0
que te rang igual a 3, don dedum que {f (e1 ), f (e2 ), f (e3 )} son linealment
independents i, per tant, laplicacio f es injectiva En ser dim R4 [t] =
5, aquests vectors no podem generar R4 [t] i, per tant, laplicacio no es
exhaustiva.
4.4
Nucli i imatge duna aplicaci

o lineal
Donada una alicacio lineal f : E F podem considerar dos subespais

vectorials, dE i F , respectivament, anomenats nucli i imatge de f .
Definici
o 4.4.1. El nucli de f es:
Kerf = {x E | f (x) = 0}
Definici
o 4.4.2. La imatge de f es:
Im f = {y F | y = f (x) per a algun x E}
104
Remarca. Noteu que Ker f es el conjunt de les antiimatges del vector

nul i Im f es el conjunt de totes les imatges dels vectors dE. Ambdos
conjunts son subespais vectorials.
Exemple 4.4.1. Considereu laplicacio lineal
f : R3 R4
(x1 , x2 , x3 ) (x1 x2 , x1 + x2 , x2 x3 , x2 + x3 )
Aleshores:
Ker f = {(x1 , x2 , x3 ) R3 | x1 = x2 = x3 = 0} = {(0, 0, 0)}
Im f = {(x1 x2 , x1 + x2 , x2 x3 , x2 + x3 ) | x1 , x2 , x3 R}
= {x1 (1, 1, 0, 0) + x2 (1, 1, 1, 1) + x3 (0, 0, 1, 1) | x1 , x2 , x3 R}
= [(1, 1, 0, 0), (1, 1, 1, 1), (0, 0, 1, 1)]
immediat observar que
Remarca. Es
f es epimorfisme Im f = F
A mes si (u1 , . . . , un ) es una base dE i f : E F es lineal, es compleix
que
Im f = [f (u1 ), . . . , f (un )]
Les aplicacions lineals injectives venen caracteritzades pel resultat seg
uent.
Proposici
o 4.4.1. Donada una aplicaci
o f : E F lineal, f es
monomorfisme si, i nomes, si Ker f = {0}.
Demostraci
o. Suposem f injectiva. Si f (x) = 0, atès que tambe f (0) =
0, en ser f injectiva es x = 0.
Recprocament. Suposem ara que Ker f = {0}. Si x, y E son tals que
f (x) = f (y), es
f (x) f (y) = f (x y) = 0 = x y Ker f = x y = 0 = x = y,
i, per tant, f es injectiva.
Exemple 4.4.2. Laplicacio lineal f de lexemple anterior es injectiva, ja
que Ker f = {0}. En canvi, no es exhaustiva, ja que dim Im f = 3 i, per
tant, Im f 6= R4 .
4.4. Nucli i imatge duna aplicacio lineal
105
A nivell de dimensions es verifica la relacio seg

uent.
Teorema 4.4.1. Sigui f : E F una aplicaci
o lineal. Aleshores:
dim Ker f + dim Im f = dim E
Demostraci
o. Considerem una base (u1 , . . . , ur ) de Ker f , i lampliem a
una base (u1 , . . . , ur , ur+1 , . . . , un ) dE. Veurem que (f (ur+1 ), . . . , f (un ))
es una base dIm f i, per tant,
dim Im f = n r = dim E dim Ker f
com volem provar.
Vegem que (f (ur+1 ), . . . , f (un )) es, en efecte, una base dIm f . Suposem
que existeix una combinacio lineal daquests vectors que es igual al vector
nul:
r+1 f (ur+1 ) + . . . + n f (un ) = 0
En ser f lineal,
f (r+1 ur+1 + . . . + n un ) = 0
r+1 ur+1 + . . . + n un Ker f
r+1 ur+1 + . . . + n un = 1 u1 + . . . + r ur
1 u1 + . . . + r ur r+1 ur+1 . . . n un = 0
1 = . . . r = r+1 = . . . = n = 0
Aix, ja tenim que f (ur+1 ), . . . , f (un ) son linealment independents.
Vegem ara que generen el subespai Im f . Per a x E qualsevol, es
x = x1 u1 + . . . + xr ur + xr+1 ur+1 + . . . + xn un
i
f (x) = x1 f (u1 ) + . . . + xr f (ur ) + xr+1 f (ur+1 ) + . . . + xn f (un ) =
= xr+1 f (ur+1 ) + . . . + xn f (un )
en ser f (u1 ) = . . . = f (ur ) = 0.
Remarca. Com a conseq
uencia daquest teorema es dedueix que, si
f : E F es lineal, llavors:
f injectiva = dim E dim F
f exhaustiva = dim E dim F
f bijectiva = dim E = dim F
106
Tambe dedum del teorema anterior que, si dim E = dim F i f es injectiva, o be es exhaustiva, aleshores f es necessàriament bijectiva.
Exemple 4.4.3. Considerem laplicacio
f : R3 R4
(x1 , x2 , x3 ) (3x1 + x2 x3 , x2 + x3 , x1 x2 , x1 + 2x2 3x3 )
Per la remarca anterior, f pot ser injectiva, però no pot ser ni exhaustiva
ni bijectiva. A mes,
Ker f = {(x1 , x2 , x3 ) R3 | 3x1 + x2 x3 =
= x2 + x3 = x1 x2 , x1 + 2x2 3x3 = 0} = {(0, 0, 0)}
i, per tant, f es injectiva.
4.5
Isomorfisme natural associat a una base
Es diu que dos espais vectorials son isomorfs si existeix un isomorfisme

entre ells. Dos espais vectorials son isomorfs si, i nomes si, tenen la
mateixa dimensio. Es dedueix daqu que tot espai vectorial de dimensio
finita n es isomorf a Rn . Els isomorfismes entre Rn i lespai vectorial E
venen determinats en fixar bases a Rn i a E. Aix si (u1 , . . . , un ) es una
base de Rn i (v1 , . . . , vn ) es una base dE, laplicacio
f : Rn E
a1 u1 + . . . + an un a1 v1 + . . . + an vn
(4.2)
es un isomorfisme entre Rn i E.
Si fixem a Rn la base canonica (e1 , . . . , en ), tenim que els isomorfismes de
Rn en E venen determinats per les bases dE; es a dir, per a cada base
dE tenim un isomorfisme (4.2) diferent.
Definici
o 4.5.1. Lisomorfisme de Rn en E tal que f (a1 , . . . , an ) = a1 v1 +
. . .+an vn , sanomena lisomorfisme natural de Rn en E associat a la base
v = (v1 , . . . , vn ) dE.
Remarca. Observeu que donat un vector qualsevol v E, existeix un
u
nic (a1 , . . . , an ) Rn tal que
f (a1 , . . . , an ) = a1 v1 + . . . + an vn = v
a dir, lantiimatge f 1 (v) de v son les coordenades del vector v en la
Es
base donada dE.
4.6. Matriu associada a una aplicacio lineal
4.6
107
Matriu associada a una aplicaci

o lineal
Sigui A una matriu que te m files i n columnes. Laplicacio

fA : Rn Rm
que ve definida de la manera seg
uent: f (u) es el vector de Rm tal que
les seves coordenades, expressades en una matriu columna, coincideixen
amb AX, on X es la matriu dordre 1 n els elements del qual son
les coordenades de x. Observeu que laplicacio fA aix definida es una
aplicacio lineal.
1 3 7
A=
2 0 5
Laplicacio lineal que defineix aquesta matriu es

fA : R3 R2
(x1 , x2 , x3 ) (x1 + 3x2 + 7x3 , 2x1 + 5x3 )
Recprocament, si f es una aplicacio lineal dRn en Rm , laplicacio lineal

que sobte a partir de la matriu en la què les columnes son les coordenades
de les imatges dels vectors de la base canònica dRn es precisament f .
Indiquem per M (f ) aquesta matriu i li direm matriu de laplicaci
o.
Exemple 4.6.2. En les bases canòniques dR3 i R5 , la matriu de la aplicacio
f : R3 R5
(x1 , x2 , x3 ) (x1 x2 , x2 , x1 + x2 , x2 , x3 )
es:
M (f ) =
1 1 0
0 1 0
1 1 0
0 1 0
0 0 1
Una generalitzacio del resultat anterior a aplicacions lineals entre dos

espais vectorials E i F (de dimensio finita) ens dona la definicio seg
uent.
Definici
o 4.6.1. Sigui E, F dos espais vectorials sobre el cos commutatiu K de dimensions n i m, respectivament. Si (u1 , . . . , un ) es una
108
base qualsevol dE i (v1 , . . . , vm ) una base qualsevol dF , la matriu B

en la què les columnes estan constitudes per les coordenades, en la base
(v1 , . . . , vm ), de les imatges per laplicacio lineal f dels vectors u1 , . . . , un
rep el nom de matriu de la aplicaci
o lineal f en las bases (u1 , . . . , un ) i
(v1 , . . . , vm ).
Habitualment es denota aquesta matriu de la forma seg
uent: B = Mu,v (f ),
on u i v representen les bases (u1 , . . . , un ) i (v1 , . . . , vm ), respectivament.
Remarca. La matriu duna aplicacio depèn de les bases escollides, tant
en lespai de sortida com en el darribada.
Exemple 4.6.3. Siguin E = R2 [t] i F = M2 (R). Considerem laplicacio
lineal
f : R2 [t]
M2 (R)
a0 + a2 a1
2
a0 + a1 t + a2 t
a1 a2 a0
Si escollim les bases u = (1, t, t2 ) dR2 [t] i v = (( 10 00 ) , ( 00 10 ) , ( 01 00 ) , ( 00 01 ))
de M2 (R), la matriu de laplicacio lineal f en aquestes bases es:
1 0 1
0 1 0
Mu,v (f ) =
0 1 1
1 0 0
En canvi, si a R2 [t] haguessim près com a base u = (t2 , t, 1) i a M2 (R) la
mateixa dabans, la matriu de laplicacio en aquestes bases seria:
1 0 1
0 1 0
Mu,v (f ) =
1 1 0
0 0 1
En el cas dun endomorfisme dun espai vectorial E podem considerar

una mateixa base u = (u1 , . . . , un ) en lespai de sortida que en lespai
darribada, notant-se en aquest cas la matriu de laplicacio en aquesta
base simplement per Mu (f ).
4.7
Canvis de base
109
4.7. Canvis de base
Si u = (u1 , . . . , un ) es una base dun espai vectorial E, sabem que, per

a tot vector x dE, existeixen n escalars x1 , . . . , xn K u
nics tals que
x = x1 u1 + + xn un . (Aquests escalars x1 , . . . , xn sanomenen les components dx en la base de u).
Si u = (u1 , . . . , un ) es una altra base dE i y1 , . . . , yn son les components
dx en la base v, es a dir, x = y1 u1 + + yn un aleshores, la relacio entre
les components de x en la base u i les components de x en la base u ve
donada per
x1
y1
y1
x1
..
.
.
1 .
. = S .. .. = S ..
xn
yn
yn
xn
on S es la matriu que te per columnes les components de cadascun dels

vectors du en la base u (sanomena matriu del canvi de base, de la base
u a la base u).
Exemple 4.7.1. Anem a calcular la matriu del canvi de base, de la base
((0, 0, 2, 4), (4, 1, 4, 1), (1, 0, 0, 4), (3, 3, 2, 2))
a la base ((1, 1, 0, 1), (1, 0, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1)) dR4 .
Tenim que
2
2
2
(1, 1, 0, 1) + (1, 0, 1, 1) + ( )(0, 1, 1, 1)
3
3
3
+2(0, 0, 1, 1)
(4, 1, 4, 1) = (1)(1, 1, 0, 1) + 3(1, 0, 1, 1) + 2(0, 1, 1, 1)
+(0, 0, 1, 1)
(1, 0, 0, 4) = 2(1, 1, 0, 1) + (1, 0, 1, 1) + (2)(0, 1, 1, 1)
+(1)(0, 0, 1, 1)
(3, 3, 2, 2) = (2)(1, 1, 0, 1) + (1, 0, 1, 1) + (1)(0, 1, 1, 1)
+2(0, 0, 1, 1)
(0, 0, 2, 4) =
Aix, la matriu del canvi de base es la matriu

2
1
2
2
3
2
1
1
32 3
2
2
1
3
2
1 1 2
110
El resultat seg
uent es de gran importància, atès que permet obtenir la
relacio existent entre les matrius duna mateixa aplicacio lineal en bases
diferentes.
Proposici
o 4.7.1. Sigui f una aplicaci
o lineal de lespai vectorial E
en lespai vectorial F . Sigui A la matriu de laplicaci
o f en les bases
u = (u1 , . . . , un ) dE i v = (v1 , . . . , vm ) dF , B la matriu de laplicaci
of
en les bases u = (u1 , . . . , un ) dE i v = (v 1 , . . . , v m ) dF .
Si S es la matriu del canvi de base, de la base u = (u1 , . . . , un ) a la
base u = (u1 , . . . , un ) i T es la matriu del canvi de base, de la base
v = (v 1 , . . . , v m ) a la base v = (v1 , . . . , vm ), aleshores:
B = T 1 AS
En el cas dun endomorfisme dE, si considerem la mateixa base en lespai
de sortida i en lespai de arribada, la relaci
o anterior es de la forma:
B = S 1 AS
Exemple 4.7.2. Considerem laplicacio lineal f : R3 R5 , que ve definida per f (x1 , x2 , x3 ) = (x1 x2 , x2 , x1 +x2 , x2 , x3 ). Hem vist que la matriu
daquesta aplicacio, en les bases canòniques dR3 i R5 es:
1 1 0
0 1 0
1 1 0
0 1 0
0 0 1
Considerem ara les bases u = ((1, 0, 1), (1, 2, 1), (0, 1, 1)) dR3 i
v=((1, 0, 1, 1, 0), (0, 1, 1, 1, 0), (1, 1, 1, 0, 0), (0, 0, 1, 0, 1), (0, 0, 1, 1, 1))
4.8. Subespais invariants per un endomorfisme
111
dR5 . En aquestes bases la matriu de laplicacio f es

B = T 1 AS =
1 0 1
0 1 1
=
1 1 1
1 1 0
0 0 0
0
0
3
3
1
3
1
=
3
0
6
3 3
0 0
1 1 0
0 1 0 1 1 0
0 0

1 1
1 1 0 0 2 1 =
0 1
0 1 0
1 1 1
1 1
0 0 1
1
1
6
3
Remarca. Una conseq

uència especialment important daquest resultat
es el fet de que els rangs de les matrius duna mateixa aplicacio lineal
han de coincidir necessàriament. Te sentit, doncs, la definicio seg
uent.
Definici
o 4.7.1. Sanomena rang de laplicaci
o lineal f , i el denotarem
per rg f , al rang de la matriu de laplicacio (en bases qualssevol).
Remarca. Observeu que rg f = dim Im f .
4.8
Subespais invariants per un endomorfisme
Siguin f un endomorfisme dE i H un subespai vectorial dE.

Definici
o 4.8.1. Es diu que H es un subespai vectorial invariant per f
quan per a tot x H es f (x) H.
Una forma còmoda daveriguar quan es un subespai vectorial invariant
per un endomorfisme es la que ofereix el resultat seg
uent.
Proposici
o 4.8.1. Si (u1 , . . . , ur ) es una base dH, llavors:
H
es invariant per
f f (u1 ), . . . , f (ur ) H
112
Exemple 4.8.1. Sigui f : R3 R3 lendomorfisme la matriu del qual,

en una base (v1 , v2 , v3 ) dR3 es:
2 0
0
0 2 0
0
1 2
Sigui H el subespai vectorial dR3 engendrat pel vector [2v1 +v3 ]. Aleshores
H es un subespai invariant per f . En efecte. La imatge del vector 2v1 +v3
per aquest endomorfisme es igual a: 4v1 2v3 = 2(2v1 + v3 ) H.
En canvi, el subespai vectorial G = [v1 , v2 ] no es invariant per f , ja
que la imatge del vector v1 per lendomorfisme es igual a 2v1 G, però
f (v2 ) = v2 + v3
/ G.
Definici
o 4.8.2. Quan un subespai H es invariant per un endomorfisme
f dH podem considerar laplicaci
o restricci
o de f a H que notarem
f |H i que es defineix mitjancant
f |H : H H
x 7 f |H (x) = f (x)
Exemple 4.8.2. Sigui f lendomorfisme dR3 [t] que ve definit mitjancant:

f : R3 [t] R3 [t]
p(t) p0 (t) p00 (t)
H = R2 [t] es un subespai vectorial invariant per lendomorfisme f . En
efecte; v : (1, t, t2 ) es una base dH i observem que:
f (1) = 0 H
f (t) = 1 H
f (t2 ) = 2 + 2t H
Aleshores, la matriu de la restriccio
f|H : H H
p(t) p0 (t) p00 (t)
en la base v es:
0 1 2
0 0 2
0 0 0
4.9. Operacions amb aplicacions lineals
4.9
113
Operacions amb aplicacions lineals
Siguin E, F dos espais vectorials sobre K de dimensions n i m respectivament.

Siguin f, g : E F dues aplicacions lineals, i considerem laplicacio
suma
f + g : E F
x (f + g)(x) = f (x) + g(x)
Proposici
o 4.9.1. Laplicaci
o suma f + g es lineal.
La matriu de laplicacio lineal suma f + g es pot obtenir a partir de les
matrius de les aplicacions f i g.
Proposici
o 4.9.2. Siguin u, v bases dels espais vectorials E i F , respectivament. Aleshores:
Mu,v (f + g) = Mu.v (f ) + Mu,v (g)
Notaci
o. Posem L(E, F ) al conjunt de totes les aplicacions lineals entre
E i F.
Remarca. L(E, F ) amb loperacio suma es un grup commutatiu (ja que
f + g = g + f per a totes les aplicacions lineals f , g) lelement neutre del
qual es laplicacio nul.la 0 definida mitjancant 0(x) = 0 x E.
Si f : E F es lineal i K podem definir laplicacio
f : E F
x (f )(x) = f (x)
Proposici
o 4.9.3. Laplicaci
o f es lineal.
La relacio entre la matriu de laplicacio f i laplicacio f es la seg
uent.
Proposici
o 4.9.4. Siguin u, v bases dels espais vectorials E i F , respectivament. Aleshores:
Mu,v (f ) = Mu,v (f )
114
Remarca. L(E, F ) amb les operacions suma i producte per escalars

definides anteriorment es un espai vectorial sobre K.
A mes fixades bases u i v dels espais vectorials E i F , respectivament,
podem establir un isomorfisme
: L(E, F ) Mmn (K)
f Mu,v (f )
En particular, dimK L(E, F ) = dimK Mmn (K) = mn.
Siguin ara G un altre espai vectorial sobre K de dimensio p. Si
f : E F i g : F G son aplicacions lineals, podem considerar
la seva composicio
g f : E G
x (g f )(x) = g(f (x))
Proposici
o 4.9.5. Laplicaci
o g f es lineal.
La matriu de la composicio de dos aplicacions lineals es pot obtenir de
la forma seg
uent.
Proposici
o 4.9.6. Siguin u, v, w bases dels espais vetorials E, F i G,
respectivement. Aleshores:
Mu,w (g f ) = Mv,w (g) Mu,v (f )
Notaci
o. Posem End (E) al conjunt dendomorfismes dE.
Remarca. En el conjunt End(E) podem considerar les operacions de
suma i producte, essent aquest darrer la composicio dendomorfismes.
Amb aquestes operacions aquest conjunt te estructura danell amb unitat,
essent lelement unitat lendomorfisme identitat,
idE : E E
x idE (x) = x
Aquest anell, però, no es commutatiu ja que en general, f g 6= g f .
A mes te divisors de zero, ja que existeixen parelles dendomorfismes
ambdos no nuls, tals que f g = 0 o be g f = 0 (o be f g = g f = 0).
115
4.10. El grup lineal
Exemple 4.9.1. Considereu els endomorfimes dR2

f : R2 R2
(x1 , x2 ) (x2 , 0)
f : R2 R2
(x1 , x2 ) (x1 , 0)
Aleshores
(f g)(x1 , x2 ) = f (g(x1 , x2 )) = f (x1 , 0) = (0, 0) (x1 , x2 ) R2
En canvi,
(gf )(x1 , x2 ) = g(f (x1 , x2 )) = g(x2 , 0) = (x2 , 0) = f (x1 , x2 ) (x1 , x2 ) R2
4.10
El grup lineal
conegut que tota aplicacio bijectiva admet una aplicacio inversa. Si,
Es
a mes, laplicacio es lineal, es te la proposicio seg
uent.
Proposici
o 4.10.1. Siguin E i F dos espais vectorials i f : E F
una aplicaci
o lineal bijectiva. Aleshores laplicaci
o inversa
f 1 : F E
es lineal.
Demostraci
o. Siguin v1 i v2 dos vectors qualssevol dF , i siguin u1 =
1
f (v1 ) i u2 = f 1 (v2 ). Com que f (u1 ) = v1 i f (u2 ) = v2 , en ser f lineal
es te
f (u1 + u2 ) = v1 + v2
f (u1 ) = v1
Per tant,
f 1 (v1 + v2 ) = u1 + u2 = f 1 (v1 ) + f 1 (v2 )
f (v1 ) = u1 = f 1 (v1 )
A mes, a nivell matricial tenim la caracteritzacio seg

uent.
116
Proposici
o 4.10.2. Sigui f una aplicaci
o lineal bijectiva entre els espais
vectorials E i F , siguin u, v bases dE i F , respectivament. Aleshores:
Mv,u (f 1 ) = Mu,v (f )1
Remarca. Si g : F E es tal que f g = idF o be g f = idE llavors

g = f 1 .
Tenint en compte que la composicio daplicacions lineals es lineal i que la
composicio daplicacions bijectives es bijectiva es te el resultat seg
uent.
Proposici
o 4.10.3. Si E, F i G son tres espais vectorials, i f : E F
i g : G G son aplicacions lineals bijectives, es te que g f : E G
es lineal i bijectiva. A mes,
(g f )1 = f 1 g 1
Sigui E un espai vectorial. Si designem per Gl(E) el conjunt dautomorfismes dE, es pot provar que aquest conjunt te les propietats seg
uents.
i) Si f, g Gl(E) aleshores g f Gl(E).
ii) Si f Gl(E) aleshores f 1 Gl(E).
iii) Laplicacio identitat idE pertany a Gl(E).
Si en el conjunt Gl(E) es defineix la composicio com a operacio interna,
aquest te estructura de grup (no commutatiu, ja que, en general, f g 6=
g f ). Aquest grup sanomena el grup lineal.
4.11
Ap`
endix A
Aplicacions lineals entre espais vectorials de dimensi

o
infinita
Si E, i F son dos espais vectorials de dimensio infinita podem definir
anàlogament les aplicacions lineals entre E i F com aquelles aplicacions
f : E F tals que
117
4.11. Apèndix A
f (x1 + x2 ) = f (x1 ) + f (x2 ) x1 , x2 E

f (x) = f (x) x E K
Els conceptes de Ker f , Im f i subespais invariants per un endomorfisme
tambe son anàlegs. A mes, si u = (u1 , . . . , un , . . .) es una base dE,
Im f = [f (u1 ), . . . , f (un ), . . .]
i si H es un subespai vectorial de dimensio infinita dE amb base v =
(v1 , . . . , vn , . . .) aleshores H es invariant per un endomorfisme f dE si, i
nomes si,
f (v1 ), . . . , f (vn ), . . . H
En aquest cas es defineix rg f com la dimensio del subespai Im f .
Si f : E F es bijectiva aleshores la inversa de laplicacio f es una
aplicacio (lineal) g : F E tal que
f g = idF
g f = idE
Remarca. En aquest cas, pot ser f g = idF i g f 6= idE , o be

g f = idE i f g 6= idF .
A mes, tambe es possible f End(E) injectiu, però no exhaustiu, o be
exhaustiu però no injectiu.
Exemple 4.11.1. Sigui E el conjunt de les funcions reals de variable real
i considerem lendomorfisme dE
f : E E
F (t) F 0 (t)
clar que f no es injectiva, però si que es exhaustiva.
Es
Si
g : E E
Rt
F ( ) 0 F ( )d
aleshores, per a F ( ) E qualsevol,

R
0
t
(f g)(F (t)) = 0 F ( )d = F (t), utilitzant la regla de Leibnitz
Rt
(g f )(F (t)) = 0 F 0 ( )d = F (t) F (0), utilitzant el Teorema
fonamental del càlcul
Aix doncs, f g = idE però g f 6= idE .
118
Exemple 4.11.2. Considereu els endomorfismes de R[t] que venen definits

de la manera seg
uent.
fn : R[t]
p(t)
gn : R[t]
p(t)
R[t]
00
p(0) + p0 (0)t + p 2!(0) t2 + +
R[t]
(n)
(n+1)
p n!(0) tn + p (n+1)!(0) tn+1 + . . .
p(n1) (0) n1
t
(n1)!
fàcil veure que

Es
Ker fn = [tn , tn+1 , . . . ],
Im fn = Rn1 [t]
Im gn = [tn , tn+1 , . . . ],
Ker gn = Rn1 [t]
i, per tant, f g = 0 i g f = 0, però, en canvi, f 6= 0 i g 6= 0.

Si E es un espai vectorial de dimensio finita i F te dimensio infinita,
aleshores tambe son de dimensio finita els subespais Ker f i Im f i, a
mes, es compleix:
dim E = dim Ker f + Im f
4.12
Ap`
endix B
Teoremes disomorfisme
Siguin E i F dos espais vectorials de dimensio finita i f : E F una
aplicacio lineal. Siguin Ker f i Im f els subespais vectorials associats a
laplicacio.
Sigui G un subespai complementari de Ker f en E: E = G Ker f .
Aleshores tot vector u E sescriu de forma u
nica com u = u1 + u2 amb
u1 G i u2 Ker f .
Observeu que
f (u) = f (u1 + u2 ) = f (u1 ) + f (u2 ) = f (u1 ),
es a dir, nomes cal definir laplicacio sobre el complementari de Ker f .
Remarca. Daltra banda, observem que f no depèn del complementari
que considerem. En efecte, si H es un altre complementari de Ker f en
119
4.12. Apèndix B
E, es te E = H Ker f , i per a tot u E, u = v1 + v2 amb v1 H i

v2 Ker f . Llavors:
f (u) = f (v1 + v2 ) = f (v1 ) + f (v2 ) = f (v1 ) = f (u1 ),
ja que f (v1 ) f (u1 ) = f (v1 u1 ) = f (u2 v2 ) = 0 en ser u2 v2 Ker f .
Considerem doncs, laplicacio lineal f|G : G F definida per f|G (u1 ) =
f (u1 ). Aquesta aplicacio es clarament injectiva, don es dedueix la proposicio seg
uent.
Proposici
o 4.12.1. Laplicaci
o
f : G Im f
u1 f (u1 )
es un isomorfisme
Remarca. Del fet que f sigui un isomorfisme es dedueix que dim G =
dim Im f i, per tant, tenim el corol.lari seg
uent.
Corol.lari 4.12.1. Si f : E F es una aplicacio lineal, aleshores:
dim E = dim Ker f + dim Im f
De fet, la proposicio anterior es pot formular de forma mes general.

Proposici
o 4.12.2 (Primer teorema disomorfisme). Siguin E i F dos
espais vectorials de dimensio finita sobre un cos K i f una aplicaci
o lineal
dE en F . Aleshores, existeix un u
nic isomorfisme despais vectorials fe
de E/Ker f en Im f tal que f = i fe , on es la projecci
o natural
dE en E/Ker f i essent i la inclusio natural dIm f en F .
E

F
i
(4.3)
fe
E/Ker f Im f
Lisomorfisme fe sanomena isomorfisme natural indut per f .
Demostraci
o. Laplicacio fe ve definida de la forma:
fe : E/Ker f Im f
x + Ker f f (x)
A partir de la remarca anterior es fàcil veure que està ben definida, i que
es lineal i bijectiva.
120
Remarca. Siguin E i F dos espais vectorials de dimensio finita i

f : E F una aplicacio lineal. Siguin Ker f i Im f els subespais
vectorials associats a laplicacio.
Sigui G un subespai complementari de Ker f en E: E = G Ker f . Hem
vist que si considerem a E una base formada per la reunio duna base
u = (u1 , . . . , unr ) de G amb una base u0 = (unr+1 , . . . , un ) de Ker f ,
es te que (f (u1 ), . . . , f (unr )) es una base v dIm f . Prenent doncs, a
E/Ker f la base [u] = (u1 + Ker f, . . . , unr + Ker f ) induda per la dE,
i a Im f la base v, la matriu de laplicacio fe : E/Ker f Im f en
aquestes bases, es:
e=
A
. . . = Inr
1
Sigui E un espai vectorial i F i G dos subespais vectorials tals que F G.
possible definir una aplicacio
Es
g : E/F E/G
x + F x + G
Observeu que aquesta aplicacio:
1. està ben definida: si x + F = x1 + F llavors x x1 F G don
x + G = x1 + G ,
2. es lineal:
(a) g((x + F ) + (y + F )) = g((x + y) + F ) = (x + y) + G =
(x + G) + (y + G) = g(x + F ) + g(y + F ),
(b) g((x + F )) = g(x + F ) = x + G = (x + G) = g(x + F )
3. Ker g = G/F ja que, si x + G = 0, es x G, don els elements del
nucli son de la forma x + F , amb x G.
Tenim doncs, la proposicio seg
uent.
Proposici
o 4.12.3 (Segon teorema disomorfisme). Sigui E un espai
vectorial i siguin F i G dos subespais vectorials tals que F G. Aleshores
existeix un u
nic isomorfisme ge de (E/F )/(G/F ) en E/G tal que g = ge
on es la projecci
o natural de E/F en (E/F )/(G/F ).
4.13. Comentaris finals
121
Sigui ara E un espai vetorial i F i G dos subespais vectorials dE. Es

possible definir una aplicacio h : F (F + G)/G de la forma h(x) =
x + G. Aquesta aplicacio:
1. esta ben definida ja que, si x F , es x F + G,
2. es lineal,
3. Ker h = F G (si h(x) = x + G = 0, es x G).
A mes, aquesta aplicacio es exhaustiva ja que x + y + G = x + G per a
tot x + y + G (F + G)/G.
Tenim doncs, la proposicio seg
uent.
Proposici
o 4.12.4 (Tercer teorema disomorfisme). Sigui E un espai
vetorial i F i G dos subespais vectorials dE. Aleshores existeix un u
nic
e
e
isomorfisme h de F/F G en (F + G)/G tal que h = h , on es la
projecci
o natural de F en F/F G.
Remarca. De lisomorfisme entre els espais F/F G i (F + G)/G es
dedueix que dim F/F G = dim(F + G)/G, don
dim F dim F G = dim(F + G) dim G
dim(F + G) = dim F + dim G dim F G
que es la formula de Grassman, vista en el captol 2,7.
4.13
Comentaris finals
Hi ha un gran nombre de problemes que es poden relacionar amb les

aplicacions lineals: fsics, econòmics, biològics, etc. Alguns dells es comentaran en els captols 6 i 7 seg
uents. A mes, la connexio existent entre
aplicacions lineals i matrius facilita els càlculs. Cal tenir en compte tambe
el fet de que molts problemes arbitraris, no lineals, es poden aproximar
a traves daplicacions lineals que son, des del punt de vista matemàtic,
ben conegudes.
4.14
Exercicis
1. Discutiu si les aplicacions seg

uents son, o no, lineals:
122
(a) f : R3 R4
(x1 , x2 , x3 ) 7 (3x1 + 5x2 , x2 + x3 , x2 5x3 , x1 + x2 + x3 ).
(b) f : R3 R2
(x1 , x2 , x3 ) 7 (x1 + a, bx2 ) per a un certs a, b R.
(c) f : Rn [t] Rn [t]
p(t) 7 p(t)+p0 (0)p0 (t)+p00 (0)p00 (t)+ +p(n) (0)p(n) (t).
(d) f : M2 (R) M2 (R)
a b
ab
a+b
7
c d
c + 2d a b + c d
(e) f : R3 M2 (R)
ax1
bx2
(x1 , x2 , x3 ) 7
per a uns certs a, b, c
cx3 x1 + x2 + x3
R.
2. Estudieu quines de les aplicacions lineals seg
uents son injectives,
exhaustives i/o bijectives.
(a) f : R2 [t] R2 [t]
p(t) 7 p(0) + 3p00 (t)
(b) f : M2 (R) M2 (R)
a b
a+b ab
7
c d
c+d cd
(c) f : R4 R4
(x1 , x2 , x3 , x4 ) 7 (x1 x2 , x3 x4 , x1 , x3 ).
(d) f : R3 R2
(x1 , x2 , x3 ) 7 (x1 + x2 , x2 x3 ).
(e) f : R2 R3
(x1 , x2 ) 7 (3x1 x2 , x1 + 5x2 , 2x1 4x2 )
3. Sigui u = (u1 , u2 , u3 , u4 ) una base dR4 . Sigui f lendomorfisme
dR4 que verifica:
f (u1 ) = u3 ,
f (u2 ) = 2u3 ,
f (u3 ) = u1 + u4 ,
f (u4 ) = u2 u3 .
Quina es la imatge del vector v = 2u1 3u3 + 4u4 ? I la del vector
w = u1 u2 + u3 u4 ?
123
4.14. Exercicis
4. Sigui f : R3 R3 una aplicacio lineal tal que f (1, 0, 1) = (3, 0, 2),

f (0, 1, 0) = (1, 1, 2) i f (3, 1, 0) = (1, 0, 0). Què val f (1, 1, 2)?
5. Considereu laplicacio lineal f : R4 R4 que ve definida per
(x1 , x2 , x3 , x4 ) 7 (x1 + 2x2 , x2 + 2x3 , x3 + 2x4 , 2x1 + x4 )
Calculeu f 1 (1, 1, 1, 1) (conjunt dantiimatges del vector (1, 1, 1, 1)).
6. Determineu els subespais vectorials Ker f i Im f per a laplicacio
lineal
f : R3 R3
(x1 , x2 , x3 ) (x1 + x2 x3 , x1 x2 + x3 , x1 + x2 + x3 )
7. Doneu la matriu de lendomorfisme f de R3 que ve definit per
f (x1 , x2 , x3 ) = (2x1 + 3x2 x3 , x1 + 2x2 x3 , x2 + 2x3 )
en la base canònica dR3 i en la base u = ((1, 1, 0), (0, 1, 1), (2, 0, 1)).
8. Considereu laplicacio lineal
4
f :M2 (R)
R
a b
(a + b d, c + d, b 2c + d, a d)
c d
Doneu la matriu de f en les

1 0
0 1
0
u=
,
,
0 0
0 0
1
bases

0
0 0
,
dM2 (R), i
0
0 1
v = ((1, 1, 0, 1), (1, 1, 2, 0), (1, 1, 0, 2), (0, 1, 1, 1)) dR4 .

9. Calculeu la imatge del vector dR3 , les coordenades del qual, en
la base u : ((1, 0, 1), (2, 1, 1), (1, 0, 2)) son: 1,-2,3 per laplicacio
lineal
f : R3 R3 [t]
(x1 , x2 , x3 ) (x1 + x2 ) + (x1 x3 )t + x3 t2 + x2 t3
10. Siguin f lendomorfisme dR2 [t] que ve definit per:
f (p(t)) = 3p(t) p0 (0)t p00 (0)t2
Què val rgf ?
124
11. Siguin f lendomorfisme dR2 [t] que ve definit per:

f (a + bt + ct2 ) = a + b + (a b)t + (b + c)t2
Trobeu la matriu de f en la base (1 + t, 1 t, 1 t2 ) de R2 [t].
12. Sigui f lendomorfisme dM2 (R) tal que:
1 0
1 1
(a) f
=
0 0
2 3
0 1
3 2
(b) f
=
0 0
1 0
1 0
1 0
(c) Nucf =
,
1 0
0 1
Determineu la matriu de f en la base
0 0
0 0
0 1
1 0
,
,
,
0 1
1 0
0 0
0 0
de M2 (R).
13. Sigui f lendomorfisme dR3 tal que
Nucf = [(2, 1, 0), (2, 0, 1)],
f (1, 0, 0) = (2, 0, 1).
Determineu la matriu de f en la base natural dR3 .

14. Sigui w = (w1 , w2 , w3 ) una base dR3 , F = [w1 ] i G = [w5 ]. Sigui g
lendomorfisme dR3 tal que
(a) F i G son invariants per g.
(b) g(w1 + w2 ) = g(w2 w3 ) = 2w1 + w2 .
Determineu la dimensio de Ker g.
15. Sigui f : R3 R2 laplicacio lineal definida mitjancant f (x, y, z) =
(2x y, 2y + z), i g : R2 R3 definida mitjancant g(x, y) =
(4x + 2y, y, x + y). Sigui u = (u1 , u2 , u3 ) una base dR3 , amb
u1 = (1, 0, 0), u2 = (1, 1, 0), u3 = (1, 1, 1), i v = (v1 , v2 ) una base
dR2 , amb v1 = (1, 0) i v2 = (1, 1).
(a) Trobeu la matriu de f i la matriu de g en las bases naturals.
(b) Doneu una base de Ker f i una base de Im g.
125
4.14. Exercicis
(c) Calculeu les matrius de f i de g en las bases u i v.

16. Sigui f lendomorfisme dR4 tal que f (e1 ) = e1 e2 , f (e3 ) = e1 i
Ker f = [e1 + e2 , e3 e4 ]. Estudieu si es R4 = Ker f Im f .
17. Sigui E un espai vectorial sobre un cos commutatiu K de dimensio
n, i sigui f End(E). Proveu que els subespais vectorials Ker f i
Im f son invariants per lendomorfisme f .
18. Siguin f : E F i g : F G dos aplicacions lineals, amb E,
F i G espais vectorials sobre un cos commutatiu K de dimensio
finita. Proveu que rg (g f ) rg f . Si g es injectiva, aleshores es
te la igualtat.
19. Sigui f : R2 [t] R2 [t] laplicacio lineal que ve definida per:
f (p(t)) = 2(p(0) p00 (0))t + (p00 (0) p0 (0) p(0))t2
invariant per f el subespai vectorial F = [1 + 2t, 1 t2 ]?
Es
20. Siguin f : M2 (R) M3 (R), g : M3 (R) M2 (R) les aplicacions
lineals que venen definides per:
a b a
a b
f
= c d c
c d
a c d
a b c
a b
d e f
g
=
d e
g h i
invertible laplicacio f g? I g f ?
Es
21. Sigui f un endomorfisme dR4 tal que f (e1 ) = e1 +e2 , e1 e2 Kerf .
Proveu que el subespai vectorial F = [e1 , e2 ] es invariant per f i
doneu la matriu de lendomorfisme restriccio f|F en la base (e1 , e2 )
dF .
22. Sigui f un endomorfisme dun espai vectorial E de dimensio n i sigui
F un subespai vectorial dE engendrat pels vectors {v1 , . . . , vm } tals
que f (vi ) = i vi i {1, . . . , m}. Proveu que F es un subespai
invariant per lendomorfisme f .
126
23. Sigui f lendomorfisme dM2 (R) que ve definit per:
a b
3a + b
4a b
f
=
c d
7a + b + 2c + d 17a 6b c
el subespai F =
Es
2 4
1 2
,
invariant per f ?
7 17
1 6

f (p(t)) = 2p(t) 3p0 (t).
(a) Trobeu la matriu de f 1 en la base (1, t, t2 ) de R2 [t].
(b) Escriviu f 1 en funcio de f .
25. Siguin f , g els endomorfismes de R2 [t] que venen definits mitjancant:
f (1) = 1 + 12 t2
f (t) = 2 t + t2
f (t2 ) = 2t2
1
7
1
g(a + bt + ct2 ) = (a + b + 2c) + bt ( a + b + c)t2
4
4
2
(a) Doneu la matriu de f en la base (1, t, t2 ) dR2 [t].
(b) Doneu la matriu de f g en la base (1, t, t2 ) dR2 [t].
f bijectiva?
(c) Es
f invertible? Si ho es, doneu la matriu de f 1 en la base
(d) Es
(1, t, t2 ).
f g invertible?
(e) Es
(f) Trobeu (f g)1 (1 t2 ).
(g) Trobeu Im(f g).
26. Sigui f un endomorfisme dR2 [t] que ve definit per
f (a + bt + ct2 ) = (a + 2b + c) + (a + b)t + (a + 2b + c)t2 .
Trobeu les dimensions de Ker f i Im f segons els diferents valors
d R.
127
27. Siguin f1 , f2 i f3 els endomorfismes dR3 [t] seg

uents:
f1 : R3 [t] R3 [t]
p(t) p(0) + p(0)t
f2 : R3 [t] R3 [t]
p(t) p0 (t)
f3 : R3 [t] R3 [t]
p(t) p(0)
f3 = f2 f1 ? Es
f3 = f1 f2 ?
Es
28. Sigui E un espai vectorial sobre K i siguin F1 . . . Fr subespais vectorials tals que
E = F1 Fr
Sigui f un endomorfisme dE. Estudieu si es cert, i proveu-ho en
cas afirmatiu, si per a tot subespai vectorial G dE, G es invariant
per f si, i nomes si, ho son els subespais G F1 , . . . G Fr .
29. Sigui lendomorfisme de Rn que a cada vector li fa correspondre la
seva projeccio ortogonal sobre el subespai vectorial F fixat. Proveu:
a) Nuc f =F .
b) Im f = F .
c) 2 = .
30. Siguin F un subespai vectorial de Rn i sigui G F . Siguin F i
G els endomorfismes de Rn que a cada vector li fan correspondre
la seva projeccio ortogonal sobre els subespais vectorials F i G.
Proveu que F G = G F = 0.
4.15
> A := Matrix([[1,2,3],[2,3,4],[3,4,5]]);
1 2 3
A := 2 3 4
3 4 5
128
Obtenci
o duna base del subespai nucli duna matriu
> F := NullSpace(A);
F := 2
1
Obtenci
o duna base del subespai imatge
> G:=ColumnSpace(A);

1
0
G := 0 , 1
1
2
Captol 5
Determinants
5.1
Introducci
o
Sembla que la primera referència als determinants es a Japo, quan Seki (1683) en un llibre en què per a resoldre problemes es disposaven les
dades en forma matriciali donava regles per fer els càlculs que conduen
a la solucio. Aproximadament en la mateixa època apareixen a Europa
publicacions sobre la resolucio de sistemes dequacions utilitzant determinants, sense fer servir encara la paraula determinant, que va introduir Gauss (1801). Abans, però, ja havien donat mètodes per a resoldre
sistemes dequacions amb determinants Leibnitz, MacLaurin, Cramer i
Bezout, per exemple. De fet, la nocio de matriu va ser posterior a la de
determinant.
La discussio de lexistència i nombre de solucions va ser realitzat per
Smith, Kronecker i Cayley, entre altres.
5.2
Permutacions
Definici
o 5.2.1. Una permutaci
o dun conjunt C de cardinal n (es a dir,
amb n elements) es una aplicacio bijectiva
s : C C
El nombre de permutacions de C, si el cardinal de C es n, es n!.

129
130
Captol 5. Determinants
Exemple 5.2.1. Una permutacio s del conjunt Cn = {1, 2, . . . , n} es una

aplicacio bijectiva
s : Cn Cn
i 7 s(i)
1in
Les permutacions del conjunt C2 son

s1 : C2
7
C2
1
7 s1 (1) = 1
2
7 s1 (2) = 2
s2 : C2
7
C2
1
7 s2 (1) = 2
2
7 s2 (2) = 1
i les permutacions del conjunt C3 son

s1 : C3
1
2
3
7
C3
7 s1 (1) = 1
7 s1 (2) = 2
7 s1 (3) = 3
s2 : C3
1
2
3
7
C3
7 s2 (1) = 2
7 s2 (2)7 = 3
7 s2 (3) = 1
s3 : C3
1
2
3
7
C3
7 s3 (1) = 3
7 s3 (2) = 1
7 s3 (3) = 2
s4 : C3
1
2
3
7
C3
7 s4 (1) = 3
7 s4 (2) = 2
7 s4 (3) = 1
s5 : C3
1
2
3
7
C3
7 s5 (1) = 2
7 s5 (2) = 1
7 s5 (3) = 3
s6 : C3
1
2
3
7
C3
7 s6 (1) = 1
7 s6 (2) = 3
7 s6 (3) = 2
Definici
o 5.2.2. Donada una permutacio s, del conjunt Cn ={1, 2, . . . , n},
diem que s(i) i s(j) presenten inversio si i < j i s(i) > s(j). El signe
duna permutacio es defineix com a (s) = +1 si el nombre dinversions
que presenta la permutacio s es parell i (s) = 1 si aquest nombre es
senar.
Exemple 5.2.2. El signe de la permutacio s2 del conjunt C3 del exemple
anterior es +1, i el de la permutacio s3 del mateix exemple es 1.
5.3. Definicio de determinant i propietats
5.3
131
Definici
o de determinant i propietats
Sigui
a11 . . .
...
A=
an1 . . .
a1n
. . . Mn (K)
ann
Definici
o 5.3.1. Sanomena determinant de la matriu A a:
det A =
(s)a1s(1) . . . ans(n)
sSn
on Sn indica el conjunt de totes les permutacions de Cn .

Aix doncs, el determinant de la matriu A es la suma de n! sumands,
essent cada sumand producte de n elements de la matriu, pertanyents a
files i columnes diferents i afectat del signe + o segons que el nombre
dinversions de la permutacio corresponent sigui parell o senar.
Exemple 5.3.1.
i) El determinant duna matriu quadrada dordre 2
a11 a12
A2 =
a21 a22
es igual a:
det(A2 ) = a11 a22 a21 a12
Aix, per exemple,
2 1
det
3 1
= 2 1 (3) 1 = 5
ii) El determinant duna matriu quadrada dordre 3
a11 a12 a13

A3 = a21 a22 a23
a31 a32 a33
es igual a:
det(A3 ) = a11 a22 a33 +a21 a12 a33 +a11 a32 a23 a13 a22 a31 a21 a12 a33 a11 a32 a23
132
Aix, per exemple,
1 1 3
det 2 1 0 =111+2(1)1+32(1)3142(1)11(1)0 =17
4 1 1
Remarca. De la definicio de determinant anterior, es poden deduir de

forma immediata les propietats seg
uents.
1. El determinant duna matriu triangular (superior o inferior) es igual
al producte dels elements que son sobre la diagonal principal de la
matriu.
2. En particular, el determinant duna matriu diagonal es igual al
producte dels elements que son sobre la diagonal i el determinant
de la matriu identitat val 1.
3. Si en un determinant una columna es zero, el determinant val zero.
Exemple 5.3.2.
1 1 3
det 0 2 1 = 1 2 3 = 6
0 0 3
Altres conseq
uències de la definicio de determinant sexpressen en les
propietats seg
uents.
Propietats
Posarem a1 , . . . , an K n als vectors columna de la matriu A.
1. En intercanviar dues columnes, el determinant canvia
de signe:
det (a1 , . . . , ai , . . . , aj , . . . , an ) = det (a1 , . . . , aj , . . . , ai , . . . , an )
2. En multiplicar els elements duna columna per un escalar K, el determinant queda multiplicat per
aquest escalar:
det (a1 , . . . , ai , . . . , an ) = det (a1 , . . . , ai , . . . , aj , . . . , an )
e
`ncia es dedueix que det (A) = n det(A).
Com a consequ
133
5.3. Definicio de determinant i propietats
s suma dels dos

3. Si un vector columna duna matriu e
vectors columna de dues altres matrius, aleshores:
det(a1 , . . . , ai + a0 i , . . . , an ) = det(a1 , . . . , ai , . . . , an ) + det (a1 , . . . , a0 i , . . . , an )
s combinacio
lineal dels altres
4. Si un vector columna e
vectors columna, el determinant val zero.
dues columnes
4.1 En particular, quan una matriu te
que son iguals o proporcionals, el determinant val

zero:
det(a1 , . . . , ai , . . . , ai , . . . , an ) = 0
4.2 Si a un vector columna se li suma una combinacio

lineal dels restants vectors columna, el determis igual al determinant de la matriu que resulta e
nant de la primera matriu.
Altres propietats:
5. det(A) = det(At ).
n apliPer tant, totes les propietats enunciades fins ara so
cables fent la substitucio de columnes per files.

Altres propietats, que no es poden deduir directament a
mateixa de determinant so
n les segu
ents.
partir de la definicio
6. det (AB) = det (A) det (B).
s una matriu invertible, det (A1 ) = det1 (A) .
7. Si A e
s senzill
El coneixement daquestes propietats permet fer me
`lcul dels determinants.
el ca
Exemple 5.3.3.
1 1 0 3
1
4 1
0 12
4
det
= det
2 2
2
1 6
1 1 3 1
1
0 0
0
5 0
0
= 10
4 1
0
0 3 2
134
En la primera igualtat hem utilitzat la propietat (4.2), canviant la segona

columna de la matriu, c2 , per la seva suma amb la primera columna,
c1 + c2 , i la quarta columna de la matriu, c4 , per la seva suma amb la
primera columna multiplicada per 3, c4 3c1 .
6 1 0 3
2
2 1 2 1
0
det
2 0 1 2 = det 0
0
2 0 0 2
4+0=4
1 0 3
4
1 2 1
2
+ det
2
0 1 2
0 0 2
2
1 0 3
1 2 1
=
0 1 2
0 0 2
En la primera igualtat hem utilitzat la propietat 3, descomponent la

primera columna en suma de les dues primeres columnes de les matrius
en el segon membre de la igualtat. En la segona igualtat hem utilitzat
(4.1) per deduir que el segon determinant es nul, en observar que la
primera columna es igual a la suma de la segona i la quarta.
5.4
C`
alcul de determinants
A continuacio presentem propietats no immmediates dels determinants

que son especialment u
tils de cara a permetre el seu càlcul.
Desenvolupament per una fila o una columna
El determinant de la matriu A es pot calcular mitjancant el desenvolupament per una fila i qualsevol, 1 i n,
in
det A = ai1 (1)i+1
i1 + + ain (1)i+n
Anàlogament es pot fer el desenvolupament del determinant per una
columna j qualsevol, 1 j n,
det A = a1j (1)1+j
1j + + anj (1)n+j
nj
on
ij es el determinant de la matriu dordre n 1 formada pels elements que no pertanyen a la fila i ni a la columna j (sanomena menor
complementari de lelement aij ).
5.4. Càlcul de determinants
Exemple 5.4.1.
1 2
1 2
det
0 1
4 2
135
1 0
1 1 0
2 1 0
3 1
2 3 1 1 1 3 1 +
=
0
1 0
4 1 1
2 1 1
1 1
1 2 1
1 2 0
(1) 1 2 1 0 1 2 3 =
4 2 1
4 2 1
= 1 (1) + (1) 6 = 5
Observeu que hem triat el desenvolupament per la tercera fila, ja que, en

fer-ho aix nomes ens calia avaluar dos determinants. El mateix hauria
passat escollint la quarta columna.
Regla de Laplace
El determinant dA es pot fer de forma mes general a partir del desenvolupament pels menors dordre p de p files i1 , . . . , ip :
X
i ...i
i ...i
det A =
(1)i1 +...+ip +j1 +...+jp j11 ...jpp
j11 ...jpp
1j1 <...<jp n
o b, pels menors dordre p de p columnes j1 , . . . , jp :

X
i ...i
i ...i
det A =
(1)i1 +...+ip +j1 +...+jp j11 ...jpp
j11 ...jpp
1i1 <...<ip n
i1 . . . ip
es el determinant de la matriu que resulta de considerar els
j1 . . . jp
elements que pertanyen a les p files i1 , . . . , ip i a les p columnes j1 , . . . , jp ,
i . . . ip
i
1
es el determinant de la matriu que resulta de considerar
j1 . . . jp
els elements que no pertanyen a les p files i1 , . . . , ip ni a les p columnes
j1 , . . . , jp (menors complementaris).
on
Son conseq
uència de la regla de Laplace les propietats seg
uents.
A C
Si la matriu es triangular per blocs, es a dir, de la forma
,
0 B
A 0
o be
, llavors
C B
A C
A 0
det
= det A det B i det
= det A det B
0 B
C B
136
En general,
A 1 B2
0 A2
det 0 0
.
..
..
.
0 0
i
det
. . . . . . Bp
C3 . . . Cp
.
.
A3 . . .. = det A1 det A2 . . . det Ap

.
..
. ..
. . . . . . Ap
A1 0 . . . . . . 0
B2 A2 0 . . . 0
..
.
.
. C3 A3 . . ..
..
..
. . . ..
.
.
.
Bp C p . . . . . . A p
Exemple 5.4.2. Anem a calcular
2
4
det
0
1
= det A1 det A2 . . . det Ap
1 0 3
2 1 0
1 1 2
1 1 1
utilitzant el desenvolupament pels menors dordre 2 amb les files 1 i 3.

Aquests son:
2 1
2
13
=
= 2,
13 =
0
0 1
1 0
1
= 1, 13
=
24 =
1 1
1
13
12
13
23
2 3
0
13
= 8,
= 2, 14 =
1
4
2
0 3
3
13
= 3.
= 1, 34 =
2
1 2
Els menors complementaris son:
4
4 1
4 2
13
13
13
= 3,
e14 =
= 2,
e13 =
e12 =
1 1
1
1 1
1
2 0 = 2,
2 1 = 1,
e13
e13
e13
34 =
24 =
23 =
1
1 1
1 1
0
= 4,
1
0
= 1.
1
Finalment,
2 1 0 3
4 2 1 0
det
0 1 1 2 =
1 1 1 1
= 2 2 + (2) (3) (8) 4 (1) (1) + (1) 2 3 (1) = 34
137
5.5. Aplicacio 1
Observeu que, en fer el desenvolupament per dos files, hem reduit el

càlcul al de determinats dordre 2. En general, la reduccio es al càlcul
de determinants dordre p i n p, si fem el desenvolupament per p files
o columnes.
5.5
Aplicaci
o1
C`
alcul del rang duna matriu
a dir,
El rang duna matriu es igual a lordre del major menor no nul. Es
si A Mn (K), rang A = r si, i nomes si, existeix un menor dordre r no
nul i tots els menors dordre superior a r son nuls.
Exemple 5.5.1. El rang de la matriu
2 1 3 4
2 1 0
1
0 0 3 3
es igual a 2, ja que aquesta matriu te un menor dordre 2 no nul:
1 3
1 0 = 3 6= 0
i tots els menors dordre 3 son
2 1 3
2
2 1 0 = 0, 2
0 0 3
0
5.6
nuls:
1 4
1 1 = 0,
0 3
2 3 4
1 0
=0
1
0 3 3
Aplicaci
o2
C`
alcul de la inversa duna matriu
De la seccio anterior es dedueix que A es invertible si, i nomes si, det A 6=
0.
En el cas que det A 6= 0, podem trobar la matriu inversa de la matriu A,
A1 , mitjancant
en1
e21 . . . (1)n+1
(1)1+1
e11 (1)2+1
1+2 1
1
en2
e22 . . . (1)n+2
e2 (1)2+2
(1)
A1 =
...
...
...
det A
n+n n
2+n 2
1+n 1
en
en . . . (1)
(1)
en (1)
138
Exemple 5.6.1. El determinant de la matriu
2 1 1
0 2
1
1 1 2
es igual a 13. Aquesta matriu, doncs, es invertible (ja que te rang igual
a 3) i la seva inversa es
5 1 3
1
1
5 2
13
2 3
4
5.7
Aplicaci
o3
Determinaci
o del conjunt de solucions dun sistema
dequacions lineals compatible (regla de Cramer)
Suposem que tenim un sistema dequacions AX = B compatible, amb
A Mmn (K) i rg A = rg(A|B) = r, r n. Si r = n, el sistema es
compatible determinat i es pot trobar la solucio mitjancant la regla de
Cramer.
Si r < n, existeix un menor dA dordre r no nul. Si suposem que aquest
es, per exemple, el format per les r primeres files i columnes dA, llavors,
per a cada conjunt de valors arbitraris xr+1 , . . . , xn tenim un sistema de
r equacions amb r incògnites x1 , . . . , xr compatible determinat i podem
aplicar la regla de Cramer.
Exemple 5.7.1. Considerem el sistema lineal dequacions
2x1 x2 + x3 = 1
2x1 + x2
= 3
(que es compatible indeterminat).
La matriu del sistema,
A=
2 1 1
2 1 0
te rang 2. El menor format per les dues primeres columnes, però, es nul.
Prendrem, doncs, el menor format per les columnes primera i tercera.
2x1 + x3 = 1 + x2
2x1
= 3 x2
139
5.8. Aplicacio 4
Aleshores, aplicant la regla de Cramer, obtenim:
1 + x2 1
3 x2 0
3 + x2
x1 =
2 1
2 0
x2 = x 2
2 1 + x2
2 3 x2
=
x3 =
2 1
2 0
amb x2 R qualsevol.
5.8
Aplicaci
o4
Estudi de la depend`
encia/independ`
encia lineal duna
famlia de n vectors en un espai vectorial de dimensi
o
n.
Un conjunt de n vectors en un espai vectorial E de dimensio finita n es
una base daquest espai vectorial si, i nomes si, la matriu formada amb les
components daquests vectors en una base qualsevol dE te determinant
no nul.
Exemple 5.8.1. Considerem els vector de R3
{(1, 1, 0), (2, 2, 3), (1, 2, 0)}
Aquests vectors son linealment independents si, i nomes si,
1
2 1
det 1 2 2 6= 0
0
3 0
En aquest cas, aquest determinant val 9. Dedum, doncs, que els vectors
donats son linealment independents.
140
5.9
Determinant dun endomorfisme
El resultat seg
uent permet fer la definicio de determinant dun endomorfisme.
Proposici
o 5.9.1. Si f es un endomorfisme dun espai vectorial E de
dimensio finita n, aleshores la matriu daquest endomorfisme en tota base
qualsevol dE te el mateix determinant.
Demostraci
o. En efecte. Si A i B son les matrius de lendomorfisme en
dues bases diferents, sabem (vegeu captol 4, seccio 7) que la relacio que
hi ha entre elles es:
B = S 1 AS
Aleshores
det(B) = det S 1 det(A) det(S) =
1
det(A) det(S) = det(A)
det(S)
Amb això, te sentit la definicio seg

uent.
Definici
o 5.9.1. Sanomena determinant de lendomorfisme f al determinant de la matriu daquest endomorfisme, en una base qualsevol.
tambe conegut que els endomorfismes bijectius son aquells les maEs
trius dels quals, en una base qualsevol, tenen rang màxim. Per tant,
podem concloure que un endomorfisme es bijectiu si, i nomes si, el seu
determinant es no nul.
Exemple 5.9.1. Considerem lendomorfisme
f : R3 R3
(x1 , x2 , x3 ) (2x1 x2 , x1 + 3x2 , x1 x3 )
La matriu daquest endomorfisme, en la
2 1
A= 1 3
1 0
base natural dR3 , es
0
0
1
el determinant de la qual es det A = 7. Aix doncs, det f = 7.
141
5.10
Aplicaci
o a la qumica
M`
etode dorbitals moleculars de H
uckel
Aquest mètode saplica a molècules orgàniques amb dobles enllacos conjugats i permet obtenir les energies relatives aproximades dels orbitals
moleculars expressats com a combinacions lineals dels orbitals atòmics.
Per a obtenir les energies daquests orbitals moleculars es procedeix de la
forma seg
uent. Utilitzant que els millors orbitals moleculars son aquells
que minimitzen lenergia total, obtenim un sistema dequacions lineal i
homogeni per als escalars que resulten dexpressar els orbitals moleculars
en funcio dels orbitals atòmics, que te solucions no trivials per als valors
per als quals det(A()) es nul, essent A() la matriu que te com a
elements el valor a la diagonal principal, i la resta dels elements son 1
o 0 depenent de si els àtoms de carboni estan, o no, enllacats.
Aix, en el cas del 1, 3butadiè, la matriu que sobte es la matriu A4 ()
de lexercici 7 daquest tema, en el cas del 1,3,5-hexatriè, es la matriu
A6 () daquest mateix exercici i, en el cas dun poliè conjugat amb n
àtoms de carboni qualsevol, amb n parell, es la matriu An ().
Per tant, en aquests casos, els valors buscats son les arrels dels polinomis:
t4 3t2 + 1
t6 5t4 + 6t2 1
...
1
(n 2)(n 3) n4
tn (n 1)tn2 +
t
+ (1) 2 n
2
Per exemple, en el cas del 1,3-butadiè, sobtenen les arrels:
1
1 1
1 1
1 1
1
5 + ,
5 + ,
5 + ,
5
2
2 2
2 2
2 2
2
Aleshores les energies dels orbitals moleculars es prenen com a:
i = i
on saproxima a lenergia dels orbitals atòmics p lliures dels carbonis,
es un paràmetre semiempric que es calcula a partir de la longitud
dona dabsorcio de la molècula en q
uestio i i son els valors obtinguts
anteriorment.
142
5.11
Comentaris finals
El càlcul de determinants apareixen en una gran quantitat de problemes,

no nomes en àlgebra lineal (per exemple en el captol seg
uent, per a
estudiar la diagonalitzacio dun endomorfisme necessitarem el seu polinomi caracteristic, que es un determinant) sino tambe en la geometria
(càlcul del volum dun paralleleppede, orientacio de lespai, obtencio
de les equacions de rectes o circunferències que passen per punts donats
del pla, o be plans o esferes que passen per punts donats de lespai) o
lanàlisi infinitesimal (estudi dextrems relatius de funcions de mes duna
variable), per exemple. Un altre exemple de l u
s de determinants son
els determinants de Slater n-electrònics, que son funcions que es poden
formar a partir dun conjunt complet de spinorbitals. De fet, qualsevol
funcio dona n-electrònica es pot escriure com a combinacio de determinants de Slater normalitzats.
5.12
Exercicis
1. Determineu el signe de les permutacions de C5 : s t , t s , s1 , t1

si
s : C5
1
2
3
4
5
7
7
7
7
7
7
C5
s(1) = 4
s(2) = 3
s(3) = 5
s(4) = 1
s(5) = 2
t : C5
1
2
3
4
5
7
7
7
7
7
7
C5
t(1) = 1
t(2) = 5
t(3) = 2
t(4) = 4
t(5) = 3
2. Trobeu el valor dels determinants de les matrius de M3 (R) seg

uents:
0
1
A=@ 4
7
1
3
7 A,
1
0
1
2
1
C = @ 1
1
1
3
2
1
1
0 A,
1
0
B=@ 1
0
0
1
D=@ 2
4
1
1
1
1
0
1 A
0
1
2
2
1
3
4 A
3
3. Trobeu el valor dels determinants de les matrius de M4 (R) seg

uents:
0
0
B 2
B
A=@
2
0
0
1
1
1
1
2
3
1
1
1
.1 C
C,
3 A
2
0
B 2
B
B=@
2
1
1
1
2
1
1
1
1
2
1
0
0 C
C
1 A
0
143
5.12. Exercicis
0
1
B 0
B
C=@
0
1
1
1
2
1
0
2
2
2
1
0
1 C
C,
0 A
0
1
B 0
B
D=@
0
1
1
0
1
1
1
1
2
2
1
2
1 C
C
0 A
2
4. Proveu que
0
1
B 1
B
V2 = det @
1
1
1
x31
Y
x32 C
C=
(xj xi )
x33 A
1i<j4
x34
x21
x22
x23
x24
x1
x22
x3
x4
En general,
0
1
B 1
B
Vn = det B
B ...
@ ...
1
per a
n2
x1
x2
...
...
xn
x21
x22
...
...
x2n
...
...
...
...
...
xn1
1
x2n1
...
...
n1
xn
1
C
Y
C
C=
(xj xi )
C
A 1i<jn
lanomenat determinant de Van der Monde).

(Es
5. Calculeu els determinants de les matrius seg

uents:
t 2 0 0
t 1 1 0 0
t 1 1 1 1
2 t 2 0
1 t 1 1 0
1 t 1 1 1
A(t) = 0 2 t 2 B(t) = 1 1 t 1 1 C(t) = 1 1 t 1 1
0 1 1 t 1
11 11 11 1t 1t
0 0 2 t
0 0 1 1 t
6. Calculeu els determinants de les matrius seg
uents:
t 10
a) A2 (t) = | 1t 1t | , b) A3 (t) = 1 t 1 ,
0 1 t
t 1 0 ... 0 0 0
1 t 1 ... 0 0 0
...
... ... ,
d) An (t) = ...
... ...
0 0 0 ... ...1 t ...1
t 1 0 0
1
t
1
0
c) A4 (t) = 0 1 t 1 ,
0 0 1 t
0 0 0 ... 0 1 t
7. Estudieu quin es el rang de les matrius seg u

ents.
1 3 1
1 2 3 4
3 3 1
1 1 5 2
A = 2 0 2 , B = 1
3 2 3
5 1 1
1
C=
1
1 3
1 1
5 1
2 2
2
1
2
1
1
0
1
1
2
1
0
4
1
3
4
D=
2 1 3
0
1
2
3
4
1
0
1
4
1
1
1
3
2
3
1
1
3
1
3
144
8. Estudieu si son invertibles les matrius seg

uents i, en cas de ser-ho,
calculeu les seves inverses.
1 0 1 2
1 3 2 5
3 1
3 3 0 1
A = 1 1 2 1 , B = 02 2
1 1 0
2
1 2
C=
1
3
0
1
1
2
0
2
3
2
1
2
3
4 3 5 2
1 1
3
2
1
3
1
0
1
0
2
2
,D =
3
1
1
1
3
0
0
1
0
0
2
1
2
2
2
1
2
2
0
3
0
1
3
0
3
9. Sigui A una matriu de Mn (R) tal que Ap = 0 per a un cert p N

(una tal matriu sanomena nilpotent). Proveu que det(A) = 0.
10. Resoleu els sistemes lineals dequacions seg
uents, utilitzant la regla
de Cramer.
2x1 3x2 + x3 x4 = 0 x1 2x2 + 2x3 + x4 = 1

3x1 2x2 + x4 = 0
x1 2x2 + 3x3 = 1
2x1 3x3 + x4 = 1
x1 + 3x2 x3 = 1
x1 x2 + x3 x4 + 2x5
x1 x2 + x3 x4 + 2x5
x1 + 2x2 + x3 2x5
x1 x3 + 2x4 + x5
=2
3x1 + 2x2 + x3 + x6 = 1
=2
x1 + 2x4 + x5 = 1
=1
2x1 + 3x5 x6 = 0
=1
11. Estudieu si son, o no, linealment independents, els conjunts de

vectors seg
uents.
a) {(2, 1, 3), (4, 5, 3), (2, 1, 1)}, {(1, 1, 3), (2, 1, 3), (2, 5, 3)}
dR3 .
b) {(1, 2, 1, 2), (2, 1, 0, 0), (3, 1, 2, 2), (2, 1, 1, 1)},
{(1, 1, 1, 2), (0, 0, 1, 1), (0, 1, 2, 0), (1, 1, 2, 2)} dR4 .
12. Estudieu per a quins valors de son linealment independents els
conjunts de vectors seg
uents.
a) {(1, , 2), (1, , 3), (2, 1, 1)} dR3 .
b) {(1, , 0, 1), (1, 1, 0, 0), (1, 1, 0, ), (1, 0, 2, 1)} dR4 .
13. Calculeu el determinant dels endomorfismes seg
uents.
a)
f : R4 R4
(x1 , x2 , x3 , x4 ) (x1 + x2 x3 , x1 x2 + x3 , x1 x4 , x3 + x4 )
145
5.12. Exercicis
b)
f : R3 [t] R3 [t]
p(t) p(t) + p00 (t)
c)
f : M2 (R)
M2 (R)

a b
a d
c d
c b
14. Considereu laplicacio f : M2 R que ve definida per f (A) =

det(A). Estudieu si es f lineal.
15. Siguin f, g endomorfismes bijectius dun espai vectorial E de dimensio finita. Determineu, en funcio de det(f ) i det(g), els determinants dels endomorfismes seg
uents:
f g, g f, (f g)1 , (g f )1 .
16. Sigui A M2 (R) fixa. Considereu els endomorfismes dM2 (R) que
venen definits per:
f1 (M ) = AM, f2 = M A, f3 (M ) = At M, f4 = M At
Proveu que: det(f1 ) = det(f2 ) = det(f3 ) = det(f4 ).
17. Siguin F , G dos subespais vectorials dR4 tals que F G = R4 .
Siguin f , g dos endomorfismes bijectius dF i G, respectivament.
Definim lendomorfisme h dR4 per: h(x) = f (x1 ) + g(x2 ) si x =
x1 + x2 amb x1 F , x2 G. Proveu que h es tambe bijectiu.
Indicacio: Proveu prèviament que F i G son invariants per h.
18. Sigui E = End (Rn ) i considereu el conjunt C = {f E | det(f ) 6=
0}. Proveu que C amb loperacio composicio es un grup (no commutatiu), però que amb loperacio suma no es grup.
19. Sigui f lendomorfisme dRn que ve definit per f (x) = x x
Rn , amb R fix (un tal endomorfisme sanomena homtècia).
Determineu què val det(f ).
20. Sigui f lendomorfisme dRn que a cada vector dRn li fa correspondre la projeccio ortogonal daquest vector sobre un subespai
F 6= {0}, Rn fixat. Proveu que det(f ) = 0.
21. Siguin F1 , . . . , Fp subespais vectorials dRn tals que Rn = F1
. . . Fp . Siguin fi els endomorfismes que a cada vector dRn li
fan correspondre la seva projeccio ortogonal sobre el subespai Fi ,
1 i p. Determineu el valor de det(f1 + . . . + fp ).
146
5.13

C`
alcul de determinants
> A := Matrix([[1,2,8,1,1,2,0],[0,0,1,2,2,-3,4],[-1,-2,1,2,3,4,5],[1,2,0,0,0, 3,4],[1,2,2,-2,3,-3,0],[4,1,1,2,3,-4],[1,1,1,0,0,0,2]]);
A :=
1
2 8
1 1
2 0
0
0 1
2 2 3 4
1 2 1
2 3
4 5
1
2 0
0 0
3 4
1 2 2 2 3 3 0
4
1 1
2 3 4 0
1
1 1
0 0
0 2
> Determinant(A);
11277
> B:=Matrix([[1,a,3-a],[3,1+a,2],[4*a,2,-1]]);
1
a
3a
2
B := 3 1 + a
4a
2
1
> Determinant(B);
13 16 a + 4 a3
Captol 6
Diagonalitzaci
o
dendomorfismes
6.1
Introducci
o
Hem vist al captol 4 que, donat un endomorfisme dun espai vectorial E

sobre un cos commutatiu K, f : E E, la seva matriu varia segons la
base en la qual sexpressi. Si f En alguns casos es possible trobar una
base dE en la què la matriu de lendomorfisme es diagonal. Direm en
aquest cas que lendomorfisme es diagonalitzable.
Conceptes claus per estudiar si un endomorfisme es diagonalitzable son
el polinomi caracterstic i els valors propis, que van ser introduts per
Cayley, i el polinomi anul.ldor mnim que va introduir Frobenius.
Lanomenat Teorema de Cayley-Hamilton va ser provat per matrius dordre 2,3 per Cayley, dordre 4 per Hamilton. El cas general va ser provat
per Frobenius.
Al llarg daquest captol, E serà un espai vectorial sobre un cos commutatiu K de dimensio n, i f un endomorfisme dE.
6.2
Vectors propis i valors propis
A lhora destudiar si un endomorfisme es diagonalitzable necessitem

conèixer el concepte de vector propi.
147
148
Captol 6. Diagonalitzacio dendomorfismes
Definici
o 6.2.1. Un vector v E es diu que es un vector propi df si
v 6= 0 i existeix K tal que f (v) = v.
Definici
o 6.2.2. Un escalar K es diu que es un valor propi df si
existeix v E, v 6= 0 tal que f (v) = v.
Llavors, diem que v es un vector propi de valor propi i que es un
valor propi associat al vector propi v.
Proposici
o 6.2.1. Sigui f End (E). Aleshores:
1. {vectors propis de f associats a } = Ker(f id) {0}.
2. valor propi de f Ker(f id) 6= {0} rg(f id) < n
det(f id) = 0
Demostraci
o.
1. v es vector propi de lendomorfisme f si, i nomes si,
v 6= 0 i f (v) = v per a un cert K. Però:
f (v) = v f (v) v = 0 f (v) id(v) = 0
(f id)(v) = 0 v Ker(f id)
2. es un valor propi de lendomorfisme f si, i nomes si, existeix
v Ker(f id) {0}. Però:
v Ker(f id) {0} Ker(f id) 6= {0}
dim Ker(f id) > 0 dim Im(f id) < n
rg (f id) < n det(f id) = 0
Exemple 6.2.1. Sigui f lendomorfisme dR3 que ve donat per

f (x, y, z) = (3x + y + 3z, 4x + 3y + 3z, 2x + y + z)
Aleshores 1 es valor propi daquest endomorfisme, ja que la matriu de f
en la base canònica dR3 es:
3 1 3
M = Me (f ) = 4 3 3
2 1 1
6.2. Vectors propis i valors propis
149
i
rg (M I) = 2
A mes, els vectors propis de valor propi 1 son els vectors no nuls que
pertanyen al subespai vectorial
Nuc (M I) = [e1 2e2 ]
Remarca. Els vectors propis de valors propi df son els vectors x E

les components x1 , . . . , xn dels quals, en la base u, verifiquen el sistema
x1
(A I)X = 0 on X = ... .
xn
si A es la matriu de lendomorfisme f en la base u.
Aquest sistema es sempre compatible indeterminat, ja que es homogeni
i rg (A I) < n.
Exemple 6.2.2. Sigui f lendomorfisme dR3 la matriu del qual, en la base
u = ((1, 1, 0), (2, 1, 1), (0, 1, 3)) es
1 0 1
A = 2 1 1
1 0 1
Aleshores 2 es valor propi de lendomorfisme f i els vectors propis df de
valor propi 2 son aquells les components x1 , x2 , x3 dels quals, en la base
u, satisfan el sistema:

1 0
1
x1
2 3 1 x2 = 0
x3
1
0 1
a dir, son aquells tals que x1 = x2 = x3 (6= 0). Aix doncs, els vectors
Es
propis de valor propi 2 de lendomorfisme f son els vectors de la forma:
v = [(1, 1, 0) + (2, 1, 1) + (0, 1, 3)] = (3, 1, 4)
amb R, 6= 0.
Remarca. Pot ser u
til, a lhora de buscar valors propis, tenir present el
seg
uent.
150
1. Si A Mn (K) es una matriu triangular (superior o inferior) amb

elements (a11 . . . ann ) a la diagonal principal, aleshores els valors
propis de lendomorfisme f que te com a matriu associada, en una
certa base, la matriu A, son a11 , . . . , ann , ja que rg (A aii I) < n.
2. Si A = Mu (f ) i, en sumar tots els vectors columnes dA obtenim
un vector columna del

tipus
1
1

.. = ..
.
.
1
llavors, es un valor propi ja que això significa que:

f (v1 )+ +f (vn ) = f (v1 + +vn ) = v1 + +vn = (v1 + +vn )
es a dir,
f (v1 + + vn ) = (v1 + + vn )
i, per tant, v1 + + vn serà un vector propi associat al valor propi
.
3. De forma anàloga, si en sumar els vectors columna i1 , . . . , ip obtenim un nou vector columna amb un mateix escalar a les files
i1 , . . . , ip i la resta zeros, aquest es un valor propi i vi1 +. . .+vip
es un vector propi associat a aquest valor propi ja que
f (vi1 + . . . + vip ) = f (vi1 ) + . . . + f (vip ) = (vi1 + . . . + vip ) .
Exemple 6.2.3. Lendomorfisme f dR4 que te per matriu, en la base
natural dR4 ,
1 3 2 3
0
2 0 1
A=
1 1 1 2
2 3 2 2
te 3 com a valor propi, ja que la suma dels vectors columna de la matriu
A es el vector columna

3
3

3
3
El resultat seg
uent es clau en la caracteritzacio dels endomorfimes diagonalitzables.
6.2. Vectors propis i valors propis
151
Proposici
o 6.2.2. Siguin 1 , . . . , m valors propis diferents df . Aleshores,
si v1 , . . . , vm s
on vectors propis de valors propis 1 , . . . , m , respectivament, v1 , . . . , vm s
on linealment independents.
Demostraci
o. La farem per induccio sobre m.
Si m = 1, lenunciat es clar ja que un vector propi es no nul.
Suposem lenunciat cert per a un conjunt amb, com a màxim, m 1
vectors propis. Si v1 , . . . , vm son vectors propis df de valors propis
diferents 1 , . . . , m i, per a uns certs escalars 1 , . . . , m K es te:
1 v1 + . . . + m vm = 0 aleshores tambe
(f m id)(1 v1 + . . . + m vm ) =
1 (f m id)v1 + . . . + m (f m id)vm =
1 f (v1 ) 1 m v1 + . . . + m f (vm ) m m vm =
1 1 v1 1 m v1 + . . . + m m vm m m vm =
1 (1 m )v1 + . . . + m (m1 m )vm1 = 0.
Per hipòtesi dinduccio v1 , . . . , vm1 son linealment independents. Per
tant, 1 (1 m ) = . . . = m1 (m1 m ) = 0.
En ser 1 , . . . , m1 tots diferents entre si, necessàriament es 1 = . . . =
m1 = 0. Llavors:
1 v1 + . . . + m vm = m vm = 0
don m = 0 ja que vm es vector propi i, per tant, vm 6= 0. Aix doncs,
v1 , . . . , vm son linealment independents.
Exemple 6.2.4. Sigui f lendomorfisme dR3 que ve donat per

f (x, y, z) = (2x + z, 3y, 2z) .
Aleshores 2 i 3 son els valors propis daquest endomorfisme, ja que la
matriu de f en la base canònica dR3 es:
2 0 1
M = Me (f ) = 0 3 0
0 0 2
i observem que
rg (M 2I) = rg (M 3I) = 2
152
Els vectors propis de valor propi 2 son els vectors no nuls que pertanyen
al subespai vectorial
Nuc (M 2I) = [e1 ]
i els vectors propis de valor propi 3 son els vectors no nuls del subespai
vectorial
Nuc (M 3I) = [e2 ]
clar que els vectors propis corresponens a cadascun dels dos valors
Es
propis son linealment independents.
Remarca. Aquest resultat ens permet afirmar que si 1 , . . . , m son els
valors propis dun endomorfisme f aleshores la suma dels subespais
Nuc (f 1 I) + + Nuc (f m I)
es directa.
No necessàriament, però, la suma anterior ha de ser igual a E, la qual
cosa es veu per exemple en lexemple anterior.
6.3
Polinomi caracterstic
Comencem observant el fet seg

uent.
Proposici
o 6.3.1. Si u, v son dues bases dE i A = Mu (f ), B = Mv (f ),
llavors det(A tI) = det(B tI).
Aquest resultat ens permet definir el polinomi caracterstic dun endomorfisme.
Definici
o 6.3.1. Sanomena polinomi caracterstic df a:
Qf (t) = det(A tI)
essent A Mn (K) la matriu de f en una base qualsevol.
Remarca. Observem que QA (t) = det(A tI) = det(A tI)t =
det(At tI).
Una altra manera de calcular el polinomi caracterstic dun endomorfisme
es la seg
uent.
153
6.3. Polinomi caracterstic
Proposici
o 6.3.2.
Qf (t) = (1)n tn + (1)n1 1 tn1 + + (1)nk k tnk + + n ,
on 1 , . . . , k , . . . , n son, respectivament, les sumes dels menors dordre
k de la matriu A = (aij )1i,jn sobre la diagonal principal, es a dir,
dels menors:
k
``11 ...`
...`k ,
amb 1 `1 < `2 < . . . < `k n
En particular:
1 = tr A = a11 + . . . ann
n = det A
Exemple 6.3.1. El polinomi caracterstic de

matriu del qual, en una certa base dR5 es
4 1
2
0
12 3 5
0
0
0
1
0
M =
0 0
2 1
0 0
1
0
lendomorfisme f dR5 , la
8
9
1
3
1
es
Qf (t) = t3 (t + 1)(t 7).
Una forma alternativa de determinar els valors propis dun endomorfisme

f es la que ens proporciona el resultat seg
uent.
Proposici
o 6.3.3. Els valors propis dun endomorfisme f son les arrels
de Qf (t).
Demostraci
o.
K es valor propi de f det(A I) = 0 es arrel de Qf (t)
154
Exemple 6.3.2. Considerem lendomorfisme f dR4 la matriu del qual, en

una base v dR4 es
2 1 1 1
1 2 1 1
A=
1 1 2 1
0 2 2 3
El polinomi caracterstic de f es:
Qf (t) = (t 1)2 (t 3)(t 4).
Els valors propis de f son, doncs, 1 = 1 (amb multiplicitat algebraica
2), 2 = 3 i 3 = 4.
Remarca. Noteu que si f diagonalitza i A es la seva matriu en una
certa base u de E, i D es la matriu en una base de vectors propis de f
(D serà una matriu diagonal) llavors
tr A = 1 + + n
det A = 1 n
essent 1 , . . . , n els elements de la diagonal principal de D, es a dir, els

valors propis.
Exemple 6.3.3. Lendomorfisme f dR3 que ve donat per
f (x, y, z) = (x 2y 2z, 2x y 3z, 2z)
te valors propis 3, 1, 2 ja que la matriu de f , en la base canònica dR3
es:
1 2 2
M = Me (f ) = 2 1 3
0
0
2
i Qf (t) = det(A tI) te aquestes arrels. La matriu de f , en una base
formada per vectors propis, es la matriu diagonal:
1
2
155
6.4. Endomorfismes diagonalitzables
6.4
Endomorfismes diagonalitzables
Per acabar aquest captol veurem sota quines condicions existeix una
base dE de manera que la matriu de lendomorfisme f , en aquesta base,
es una matriu diagonal.
Definici
o 6.4.1. Diem que lendomorfisme f es diagonalitzable (o simplement que f diagonalitza) si existeix una base v dE tal que
Mv (f ) =
1
0
..
.
0
2
...
...
0
0
..
.
...
on i K
En aquest cas, 1 , . . . , n son els valors propis de A.

Aix doncs, f es diagonalitzable si, i nomes si, existeix una base v =
(v1 , . . . , vn ) dE formada per vectors propis de f .
De forma anàloga, es parla de matrius diagonalitzables. Diem que una
matriu A Mn (K) es diagonalitzable, o que A diagonalitza, si lendo a dir, si
morfisme f : K n K m associat a A es diagonalitzable. Es
existeix S Mn (K) invertible tal que
AS = D =
1
0
..
.
0
2
...
...
..
0
0
0
..
.
on sj K n (vector columna j-èsima de S) es un vector propi de fA

associat al valor propi j .
De forma immediata es pot comprovar el resultat seg
uent.
Proposici
o 6.4.1. Si 1 , . . . , m son els valors propis dun endomorfisme
f aleshores f es diagonalitzable si, i nomes si,
E = Ker (f 1 id) Ker (f m id)
156
Exemple 6.4.1. Lendomorfisme f dR3 que ve definit per:

f (x1 , x2 , x3 ) = (x1 + x2 , x2 , x3 )
te valors propis 1, 1, 2. Els vectors propis associats son els vectos no
nuls dels subespais
Ker (f +id) = [(1, 0, 0)],
Ker (f id) = [(1, 0, 0)],
Ker (f 2id) = [(1, 3, 0)]
Aleshores:
R3 = Ker (f + id) Ker (f id) Ker (f 2id)
i, per tant, concloem que f es un endomorfisme diagonalitzable. La seva
matriu, en la base ((1, 0, 0), (1, 0, 0), (1, 3, 0)), es:
1
2
No tots els endomorfismes son diagonalitzables. La causa es troba en la
desigualtat seg
uent.
Proposici
o 6.4.2. Si K es una arrel de Qf (t) de multiplicitat d,
llavors
(1 ) dim Ker (f id) d .
Demostraci
o. Sigui (u1 , . . . , vm ) una base de Ker(f id). Ampliem
aquesta base del subespai Ker(f id) a una base dE:
u = (u1 , . . . , um , um+1 , . . . , un )
En aquesta base, la matriu de lendomorfisme f es de la forma
? ... ?
..
..
...
.
.
Im A1
? . . . ?
=
0 A2
? . . . ?
0
.
.
.
..
..
..
0 ? ... ?
157
6.5. Teorema de diagonalitzacio
ja que f (u1 ) = u1 , . . . , f (um ) = um . Aleshores:
Im tIm
A1
Qf (t) = det
= ( t)m det(A2 tI)
0
A2 tInm
i per tant, la multiplicitat algebraica del valor propi es mes gran o igual
que m.
Si per a algun dels valors propis de f no es te la igualtat, no es pot

aconseguir trobar una base dE formada per vectors propis de f i, per
tant, lendomorfisme no diagonalitza. Això es el que veurem de forma
mes precisa en la seccio seg
uent.
6.5
Teorema de diagonalitzaci
o
A continuacio enunciem el resultat principal del captol.

Teorema 6.5.1. Si 1 , . . . , m son tots els valors propis de f , cadascun
amb la seva multiplicitat:
a) Qf (t) descompon totalment, es a dir, es de la
forma:
f diagonalitza
Qf (t) =(1)n (t 1 )d1 (t 2 )d2 . . . (t s )ds
b) dim Ker (f i id) = di , i, 1 i s
Demostraci
o. Suposem que f es diagonalitzable. Aleshores existeix una
1
bae v = (v1 , . . . , vd11 , . . . , v1m , . . . , vdmm ) en la qual la matriu df es
D=
..
(d1
...
..
(dm
Llavors, el polinomi caracterstic df es:

Qf (t) = det(D tI) = (1 t)d1 . . . (m t)dm
(apreciem que descompon totalment).
158
A mes,
dim Ker (f 1 id) = n rang(f 1 id) =
0
(d1
.
..
.
.
= n rang
= n(n d1 ) = d1
.
. . (dm
.
m
..
.
dim Ker (f m id) = n rang(f m id) =
1
(d1
...
...
= n rang
= n(n dm ) = dm
(dm
...
0
Recprocament. Suposem que es compleixen les condicions a) i b) del

enunciat del teorema. Aleshores existeixen
v11 , . . . , vd11 Ker(f 1 id) linealment independents
..
.
v1m , . . . , vdmm Ker(f m id) linealment independents
En ser aquests conjunts de vectors propis de valor propi diferent, son
linealment independents entre si (veure prop. 2 a 6.2) i atès que nhi
ha en total d1 + . . . + dm = grau Qf (t) = n = dim E formen una base
dE. Aix, existeix una base dE constituda per vectors propis de f i,
per tant, f es diagonalitzable.
Remarca.
1. Observem que la condicio a) sempre es dona quan K = C.
2. A mes, si es una arrel de Qf (t) de multiplicitat 1, la condicio b)
del primer teorema de diagonalitzacio sempre es compleix (veure
Prop. 6 a 6.4). Aix, nomes cal comprovar la condicio b) per a les
arrels de Qf (t) amb multiplicitat mes gran que 1.
6.6. El Teorema de Cayley-Hamilton
6.6
159
El Teorema de Cayley-Hamilton
Sigui f un endomorfisme de lespai vectorial E, sigui p(t) K[t],

p(t) = a0 + a1 t + a2 t2 + + am tm un polinomi.
Definici
o 6.6.1. Es diu que el polinomi p(t) anulla f quan lendomorfisme dE, a0 id + a1 f + a2 f 2 + + am f m es igual a lendomorfisme
nul.
Dentre tots els polinomis que anullen un endomorfisme f , el polinomi
mònic de grau mnim sanomena polinomi anul .lador mnim df .
Li posarem: pf (t).
Remarca. Si p(t) es un polinomi qualsevol que anul.la f , aleshores p(t)
es un m
ultiple de pf (t). Per a comprovar aquesta afirmacio nomes cal
tenir en compte que si fem la divisio entera de polinomis de p(t) entre
pf (t), la resta, en tenir grau mes petit que pf (t), ha de ser 0.
Exemple 6.6.1. Considereu lendomorfisme dR2 la matriu del qual, en la
base natural dR2 es:
2 1
A=
0 2
Son polinomis anulladors daquest endomorfisme:
1. p1 (t) = t2 4t + 4
2. p2 (t) = t3 7t2 + 16t 12
3. p3 (t) = t4 4t3 + 3t2 + 4t 4
ja que
1. p1 (f ) = f 2 4f + 4id = 0
2. p2 (f ) = f 3 7f 2 + 16f 12id = 0
3. p3 (f ) = f 4 4f 3 + 3f 2 + 4f 4id = 0
la qual cosa es comprova de forma immediata a partir de la matriu daquests endomorfismes:
1. p1 (A) = A2 4A + 4I = 0
160
2. p2 (A) = A3 7A2 + 16A 12I = 0

3. p3 (A) = A4 4A3 + 3A2 + 4A 4I = 0
Dentre ells, es p1 (t) = t2 4t + 4 el de grau menor. A mes, no hi ha cap
polinomi de grau 1 que anulli lendomorfisme. En efecte. Si nhi hagues
un de la forma q(t) = t + a, aleshores hauria de ser q(A) = A + aI = 0
la qual cosa es veu que no es possible. Per tant, doncs, el polinomi
p1 (t) = t2 4t+4 es el polinomi anullador mnim daquest endomorfisme.
De totes maneres, es clar que no es pràctic anar provant amb polinomis
de grau cada cop mes gran per trobar el polinomi anullador mnim. Els
resultats seg
uents ofereixen una informacio important per a trobar-lo.
Proposici
o 6.6.1. Les arrels del polinomi anullador mnim dun endomorfisme son els valors propis daquest.
Remarca. Les multiplicitats algebraiques dels valors propis no tenen
per què coincidir amb les multiplicitats daquests valors com a arrels del
polinomi anullador mnim (tot i que sempre son mes petites o iguals que
aquestes).
Teorema 6.6.1 (de Cayley-Hamilton). El polinomi caracterstic dun
endomorfisme lanulla.
Una de les formes possibles de provar aquests dos darrers resultats es
tenint en compte el Teorema de triangulacio que hem inclòs en lApèndix
daquest captol.
Finalitzem aquest apartat veient en un cas concret com podem aplicar
aquests resultats.
Exemple 6.6.2. Sigui f un endomorfisme dR3 , del què sabem que nes
anul.lador el polinomi p(t) = t2 (t 2)(t 3). Amb això podem deduir
que els valors propis de f pertanyen al conjunt {0, 2, 3}. Els casos que
es poden donar son els seg
uents.
1. 0 es l
unic valor propi de f . Aleshores el polinomi caracterstic de
f es Qf (t) = t3 i pf (t) es, o be t o be t2 .
2. 2 es l
f es Qf (t) = (t 2)3 i pf (t) = t 2.
6.6. El Teorema de Cayley-Hamilton
161
3. 3 es l
f es Qf (t) = (t 3)3 i pf (t) = t 3.
4. 0 i 2 son els valors propis de f . Aleshores el polinomi caracterstic
de f , Qf (t), es o be t2 (t 2) o be t(t 2)2 i pf (t) es, o be t(t 2)
o be t2 (t 2).
5. 0 i 3 son els valors propis df . Aleshores el polinomi caracterstic
de f , Qf (t), es, o be t2 (t 3) o be t(t 3)2 i pf (t) es, o be t(t 2)
o be t2 (t 3).
6. 2 i 3 son els valors propis de f . Aleshores el polinomi caracterstic
de f , Qf (t), es, o be =(t 2)2 (t 3) o be (t 2)(t 3)2 i pf (t) es,
o be (t 2)t(t 2).
7. 0, 2 i 3 son valors propis de f . Aleshores el polinomi caracterstic
de f es Qf (t) = t(t 2)(t 3) i pf (t) es tambe t(t 2)(t 3).
Del Teorema de Cayley-Hamilton es pot deduir una forma de trobar
lendomorfisme invers dun endomorfisme bijectiu.
Exemple 6.6.3. Sigui f lendomorfisme dR3 la matriu del qual, en la base
natural, es:
2 1 1
A= 1 2 1
1 1 2
El polinomi caracterstic daquest endomorfisme es igual a
Qf (t) = (t 1)2 (t 4)
Per tant,
(A I)2 (A 4I) = A3 6A2 + 9A 4I = 0
don es pot deduir
9
1 2 3
A A+ I A=I
9
2
4
i, per tant,
1
3
9
A1 = A2 A + I
9
2
4
162
6.7
Ap`
endix A
Triangulaci
o dendomorfismes
En general, encara que un endomorfisme dun espai vectorial de dimensio
finita no sigui diagonalitzable, s que es possible de trobar una base en
la què la seva matriu es senzilla: la forma reduda de Jordan, que es una
matriu diagonal a blocs, i triangular. Trobar aquesta forma reduda excedeix dels objectius daquest curs. Incloem aqu, no obstant, el resultat
que afirma que per a tot endomorfisme existeix una base en la què la
seva matriu es triangular (superior), ja que amb ell es poden completar
les demostracions dels resultats que es presentaven en la darrera seccio
daquest tema. L
unica condicio que necessitem imposar es que el polinomi caracterstic de lendomorfisme descompongui totalment en K (si
treballem sobre C això sempre passa).
Teorema 6.7.1. Sigui f un endomorfisme dun espai vectorial E de
dimensio finita n. Si els valors propis d f s
on tots a K, aleshores existeix
una base dE tal que la matriu df en aquesta base es triangular superior,
amb els valors propis a la diagonal.
Demostraci
o. Per induccio sobre n.
Si n = 1, no hi ha res a provar.
Suposem ara el resultat cert per a espais vectorials de dimensio fins a
n 1. Sigui 1 un dels valors propis de f , i v1 un vector propi de valor
propi 1 . Considerem una base dE de la qual sigui el primer vector v1 ,
u = (v1 , u2 , . . . , un )
Posem F = [u2 , . . . , un ].
La matriu de lendomorfisme f en la base u es de la forma:
1 a12 . . . a1n
A = ..
.
B
0
Posem g a lendomorfisme dF la matriu del qual, en la base (u2 , . . . , un )
es B. Atès que Qf (t) = det(AtI) = (1 t)Qg (t), els valors propis de g
163
6.8. Apèndix B
seran 2 , . . . , n , els restants valors propis de f . Per hipòtesi dinduccio,

existeix una base (v2 , . . . , vn ) dF tal que la matriu de g en aquesta base
es triangular superior amb els valors propis 2 , . . . , n a la diagonal.
Observeu que v = (v1 , v2 , . . . , vn ) es una base dE, i la matriu de lendomorfisme f en aquesta base es triangular, amb 1 , 2 , . . . , n a la diagonal, com es volia provar.
6.8
Ap`
endix B
Descomposici
o a valors singulars
Si A Mmn (K) es una matriu quadrada qualsevol, la matriu At A es
simètrica, com es comprova fàcilment. Pel teorema espectral real, aquesta
matriu diagonalitza.
Definici
o 6.8.1. Sanomenen valors singulars de la matriu A a larrel
quadrada (positiva) dels valors propis de la matriu At A.
La relacio entre el rang de la matriu A i els seus valors singulars ve
expressat en el resultat seg
uent.
Proposici
o 6.8.1. El nombre de valors singulars no nuls duna matriu
es igual al rang daquesta matriu.
A mes, es compleixen la relacio seg
uent.
Proposici
o 6.8.2. El producte dels valors singulars duna matriu coincideix amb el determinant daquesta matriu en valor absolut.
Si s1 , . . . sr , 0, . . . , 0 son els valors singulars duna matriu A, aleshores podem descompondre la matriu A en producte duna matriu en la diagonal
de la qual apareixen aquests valors singulars i de dues matrius ortogonals.
Teorema 6.8.1. Si A Mmn (K) te valors singulars
aleshores es pot escriure
s1
..
s1
sr
..
A=S
T o be A = S
.
0
.
.
.
0
.
sr
..
..
.
0 ... 0
no nuls s1 , . . . sr ,
0 ...
..
.
0
.. T
.
0 ...
164
segons si m > n o be m < n, respectivament, i essent S i T matrius

ortogonals.
Exemple 6.8.1. Els valors singulars
0
A= 1
0
de la matriu
0 18
0 11
1 6
son: 22.69, 1.02 i 0.39.
6.9
Aplicaci
o a la qumica
Efecte Stark
Considerem el desdoblament que es produeix en el segon nivell energètic
dun àtom dhidrogen per efecte dun camp elèctric extern dintensistat
F i dirigit segons leix z. Suposem que làtom es troba en algun estat del
nivell E2 . Es pot prescindir del factor dspin en les funcions dona del
sistema, ja que ni el hamiltonià no pertorbat ni la pertorbacio inclouen
operadors dspin.
Els orbitals 2s , 2px , 2py , 2pz son una base del subespai corresponent.
La matriu que representa la pertorbacio en aquesta base es:
0
0 0 3F
0
0 0
0
A=
0
0 0
0
3F 0 0
0
els valors propis de la qual son: 3F , 0(2) i 3F .
(0)
Es dedueix daqu que la pertorbacio ha desdoblat el nivell E2 de làtom

allat en tres nivells, un dells doblement degenerat.
Calculem els vectors propis corresponents a cada valor propi:
Ker (A + 3F ) = [(1, 0, 0, 1)]
Ker A = [(0, 1, 0, 0), (0, 0, 1, 0)]
Ker (A 3F ) = [(1, 0, 0, 1)]
Obtenim daquesta manera una base de lespai formada per vectors propis:
1
1
(1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, 1)
2
2
165
6.10. Comentaris finals
i que, a mes, es ortonormal (en el captol seg

uent veurem que això sempre
es possible, quan la matriu es real i simètrica).
Concloem que les funcions dordre zero correctes son:
(0)
(0)
1 2s
2
2 = 2px
(0)
3 = 2py
(0)
4 = 12 2s
6.10
1 2p
z
2
1 2p
z
2
Comentaris finals
El conjunt de matrius que son diagonalitzables es genèric dins de lespai de les matrius quadrades. Això significa que, donada una matriu
a latzar, tenim una màxima probabilitat de que aquesta matriu sigui
diagonalitzable.
El treballar amb la forma diagonal dun endomorfisme, quan aquest es
diagonalitzable, es molt aventatjos des del punt de vista operatiu, ja que
facilita els càlculs. A mes, subministra informacio de lendomorfisme.
La diagonalitzacio de matrius sutilitza en molts problemes de diferents
camps: economia, demografia, explotacions forestals o agrcoles,... en
què els models matemàtics dels sistemes tendeixen a una configuracio
permanent per a periodes de temps grans.
Aix per exemple, levolucio de les cadenes de Markov. A mes, el càlcul de
potències duna matriu, en base a la seva diagonalitzacio, permet fer estimacions a llarg perode de la propagacio de caracterstiques hereditàries
danimals i plantes en genètica; lestudi del creixement duna poblacio
respecte el temps i la distribucio de las edats, etc.
Els vectors propis son molt utilitzats en mecànica en relacio amb els
sòlid-rigids, ja que son els eixos principals dinèrcia.
6.11
Exercicis
1. Trobeu els valors propis de lendomorfisme dR4 que ve definit per

f (x1 , x2 , x3 , x4 ) = (x1 + x3 , 2x2 x4 , x3 + x4 , 2x4 )
166
2. Trobeu els valors propis de lendomorfisme dR5 que ve definit per

f (x1 , x2 , x3 , x4 , x5 ) = (x1 , x1 + 2x2 , x3 , x5 , x4 )
3. Sigui f lendomorfisme dR6
dR6 , es
1
0
1
M =
0
0
0
la matriu del qual, en la base canònica
2
1 0 2 5
1 0 0 0 0
3 1 0 8 9
0
0 2 0 0
0
0 0 4 12
0
0 0 1 3
Trobeu el seu polinomi caracterstic.

4. Trobeu el polinomi caracterstic de lendomorfisme f dR3 que ve
donat per
f (x, y, z) = (3y + 2z, 2x y, x 2z) .
5. Estudieu la diagonalitzacio dels endomorfismes dR3 les matrius
dels quals, en la base canònica dR3 , son:
1 4 2
1 2 0
A = 2 3 0 B = 0 3 0
1 1 1
2 1 2
6. Estudieu la diagonalitzacio dels endomorfismes dR4 la matriu dels
quals, en la base canònica dR4 , son:
1 0 1 0
0 1 0 0
2 1 3 0
, B = 0 0 1 0
A=
1 0 1 0
0 0 0 1
0 0
0 2
0 0 0 0
7. Estudieu la diagonalitzacio sobre R de lendomorfisme f dR3 [t] que
ve definit per
f (a0 + a1 t + a2 t2 + a3 t3 ) =
= (a0 a1 ) + 2a1 t a2 t2 + (a2 + 2a3 )t3 .
8. Estudieu la diagonalitzacio de lendomorfisme f dR3 [t] que ve
definit per f (P (t)) = P 00 (t) P 0 (0)t.
167
6.11. Exercicis

f (x, y, z) = (3x, y + az, 3x + bz)
Per a quins valors de a, b R es f diagonalitzable?
f (e1 ) = f (e2 ) = a(e1 + e2 e3 + e4 ),
f (e3 ) = f (e4 ) = b(e1 + e4 )
Estudieu la diagonalitzacio de f , segons els diferents valors de a, b
R i, en el cas en què sigui diagonalitzable, trobeu una base de
vectors propis.
11. Sigui f un endomorfisme dun espai vectorial E sobre K de dimensio n. Proveu que f es injectiu si, i nomes si, Qf (0) 6= 0.
12. Considereu lendomorfisme dR4 que ve definit per
f (e1 + e2 ) = 2(e1 e2 )
f (e1 e2 + e3 ) = e1 e2 + 3e3
f (2e2 + e3 ) = 2e1 2e2 + 3e3
f (e4 ) = 0
(a) Trobeu els valors propis daquest endomorfisme, i, per a cadascun dells, trobeu el subespai que formen els vectors propis
(junt amb el vector nul).
(b) Estudieu si diagonalitza.
f (e1 ) = f (e2 ) = (e1 + e3 ),
e3 Ker f
(a) Estudieu si f es diagonalitzable.

(b) En cas afirmatiu, trobeu una base de vectors propis i la matriu
D de f en aquesta base.
14. Sigui f lendomorfisme dR[t] que ve definit per
f (p(t)) = tp00 (t) + t2 p000 (t)
(a) Proveu que R3 [t] = {p(t) R[t] | gr p 3} es un subespai
invariant per f .
168
(b) Trobeu la matriu de f
en la base (1, t, t2 , t3 ) de R3 [t].
R3 [t]
(c) Estudieu la diagonalitzacio de lendomorfisme anterior.

15. Trobeu els valors propis i els vectors propis de lendomorfisme f
dR3 la matriu del qual, en una base dR3 , es
a a a
M = a a a a R ; a 6= 0 .
a a a
16. Per a quins valors de les constants a,
1 a
2 b
A=
3 c
b, c, d, e i f , la matriu
d
e
f
te com a vectors propis (1, 0, 1), (1, 1, 0) i (0, 1, 1)?

f (p(t)) = ap(t) p00 (0)t2
amb R. Quins son els valors propis i els vectors propis df ?
18. Existeix alguna base dR2 [t] formada per vectors propis de lendomorfisme f dR2 [t] que te com a matriu associada, en la base
(1, t, t2 ),
1 2 3
A = 12 1 1 ?
1
1 1
3
En cas afirmatiu, doneu una base formada per vectors propis df .
19. Estudieu la diagonalitzacio, segons els diferents valors d, de la
matriu
1 + 1 +
A=
0
0
2
20. Estudieu la diagonalitzacio de lendomorfisme dR4 la matriu del
qual, en la base natural dR4 , es:
1 0
0 a
0 a a 0
0 a a 0
a 0
0 1
169
6.11. Exercicis
segons els valors del paràmetre a R. En els casos en què sigui

diagonalitzable, doneu una base dR4 formada per vectors propis.
21. Estudieu la diagonalitzacio, segons els diferents valors da i b, constants no nulles, de lendomorfisme f dR3 que te com a matriu
associada, en la base natural,
1 a ab
M = a1 1 b
1
1
1
ab
b
En el cas en què diagonalitzi, doneu una base de vectors propis.
22. Sigui f lendomorfisme dM2 (R) tal que

0
1 0
=
f
1
0 0

0 1
0
f
=
0 0
1

0
0 0
=
f
1
1 0

0
0 0
=
f
1
0 1
1
,
1
1
,
1
1
,
1
1
,
1
Estudieu si es f diagonalitzable.
23. Considereu lendomorfisme dR2 [t] que te per matriu, en la base
(1, t, t2 ),
0 3 9
A = 13 0 3
1
1
0
9
3
(a) Proveu que aquest endomorfisme diagonalitza.
(b) Trobeu una base dR2 [t] formada per vectors propis.
(c) Determineu A1 a partir del Teorema de Cayley-Hamilton.
(d) Calculeu Ap , per a p N.
24. Calculeu Am , per a m N, si
2 0 0
A = 0 1 2
0 0 3
170
25. Sigui f un endomorfisme dun K-espai vectorial E de dimensio

finita n, i sigui un valor propi df . Proveu que els subespais
vectorials Im (f id) i Ker(f id) son invariants per f .
26. Sigui f un endomorfisme dun K-espai vectorial E de dimensio
finita n, i sigui un valor propi df i v un vector propi de f de
valor propi .
(a) Proveu per induccio que m es un valor propi df m , per a
m 1.
(b) Proveu que v es un vector propi dmf de valor propi m.
(c) Sigui g un altre endomorfisme, si u es un vector propi de g f
de valor . Proveu que f (u) es un vector propi df g de valor
propi .
27. Sigui f un endomorfisme dun K-espai vectorial E de dimensio 3
tal que f 3 f 2 8f + 12id = 0. Quin es el polinomi caracterstic
df ? Què es pot dir del polinomi anul.lador mnim df ?
28. Sigui f un endomorfisme de Rn , f 6= id, tal que f 2 2f + id = 0.
Determineu Qf (t) i pf (t).
29. Construir un endomorfisme de R3 tal que el seu polinomi anullador
mnim sigui t2 (t 3).
6.12
> A:=Matrix ([[1,1,1,2],[1,1,2,1],[1,2,1,1],[2,1,1,1]]);
1
1
A :=
1
2
1
1
2
1
1
2
1
1
2
1
1
1
C`
alcul del polinomi caracterstic
> CharacteristicPolynomial(A,t);
t4 4 t3 6 t2 + 4 t + 5
C`
alcul dels valors propis
> Eigenvalues(A,output=list);
[5, 1, 1, 1]
C`
alcul dels vectors propis
> Eigenvectors(A);
1
1 1 1
0
5 1 1
0 1
1 , 1 1
0
1
1
1 1
1
0
C`
alcul del polinomi anullador mnim
> MinimalPolynomial(A,t);
5 t 5 t2 + t3
C`
alcul dels valors singulars
> SingularValues(A, output=list)
[5, 1, 1, 1]
171
172
Captol 7
Endomorfismes ortogonals i
sim`
etrics
7.1
Introducci
o
Tot i que les matrius ortogonals .ja havien estat utilitzades per Hermite
(segle XIX) va ser Frobenius qui va introduir formalment aquest concepte.
En aquest captol estudiarem dos casos especials dendomorfismes de Rn ,
els ortogonals i els simètrics. A Rn hi considerarem el producte escalar
ordinari. Es pot fer un estudi mes general daquests tipus daplicacions:
els endomorfismes ortogonals i simètrics definits sobre un espai vectorial
euclidià qualsevol.
7.2
Sigui
Aplicaci
o lineal adjunta
a11
..
A= .
. . . a1n
..
.
am1 . . . amn
la matriu duna aplicacio lineal f : Rn Rm en les bases canòniques.
Podem considerar la matriu transposada At , que representa la matriu
173
174
Captol 7. Endomorfismes ortogonals i simètrics
duna aplicacio lineal f 0 : Rm Rn . Observem que donats x =

(x1 , . . . , xn ) Rn i y = (y1 , . . . , ym ) Rm qualssevol es te hf (x), yi =
hx, f 0 (y)i, ja que:
hf (x), yi = (a11 x1 + . . . + a1n xn )y1 + . . . + (am1 x1 + . . . + amn xn )ym =
hx, f 0 (y)i = (a11 y1 + . . . + am1 ym )x1 + . . . + (a1n y1 + . . . + amn ym )xn
Definici
o 7.2.1. Donada una aplicacio lineal f : Rn Rm , es defineix
laplicacio f 0 : Rm Rn i sanomena aplicaci
o adjunta df , com l
unica
aplicacio que verifica
hf (x), yi = hx, f 0 (y)i.
Si escrivim la matriu df en bases ortonormals, la matriu df 0 en les

mateixes bases, tant a Rn com a Rm , es la matriu transposada de la
matriu df .
Exemple 7.2.1. Sigui f : R2 R3 tal que f (x1 , x2 ) = (3x1 + x2 , x1
x2 , 5x2 ). Les matrius df i f 0 en les bases canòniques dR2 i R3 son
3 1
A = 1 1 ,
0 5
i A =
3 1 0
,
1 1 5
respectivament.
Propietats
Siguin f , g endomorfismes qualssevol de Rn . Aleshores:
i) (f + g)0 = f 0 + g 0
ii) (f )0 = f 0
iii) (f 0 )0 = f
iv) (f g)0 = g 0 f 0
v) Si f es invertible (f 0 )1 = (f 1 )0 .
175
7.3. Endomorfismes ortogonals
7.3
Endomorfismes ortogonals
Observem que
f : R3 R3
(x1 , x2 , x3 ) (x1 , x2 , x3 )
g : R3 R3
(x1 , x2 , x3 ) (x3 , x1 , x2 )
son aplicacions que conserven les longituds dels vectors i els angles. Es
a dir,
kf (x)k = kxk,
kg(x)k = kxk,
hf (x), f (y)i = hx, yi
hg(x), g(y)i = hx, yi
per a vectors x, y R3 qualssevol.
`
Obviament
això no passa sempre. Per exemple, si considerem laplicacio
3
h : R R3 , definida de la forma h(x) = 4x per a tot x R3 , veiem
que kh(x)k = 4kxk, x R3 .
Estem interessats en veure quins endomorfismes dRn conserven el producte escalar i, per tant, la norma i els angles. Observeu que es equivalent
dir que un endomorfisme de Rn conserva el producte escalar que dir que
conserva la norma.
Definici
o 7.3.1. Els endomorfismes de lespai euclidià Rn tals que
hf (u), f (v)i = hu, vi per a vectors u, v Rn qualssevol sanomenem
ortogonals.
El resultat seg
uent justifica el nom que reben aquests endomorfismes.
Teorema 7.3.1. Sigui A la matriu dun endomorfime f dRn en una base
ortonormal. Aleshores, f es ortogonal si, i nomes si, aquesta matriu es
ortogonal:
A1 = At
(7.1)
Demostraci
o. En efecte. Si u es la base ortonormal considerada
en E,
x1
..
aleshores donats vectors x, y E qualssevol, posem X = . , Y =
xn

y1
..
. a les matrius columna formades amb les components dels vectors
yn
176
x, y en la base u, respectivament. Aleshores:

hf (x), f (y)i = (AX)t AY = X t (At A)Y
i hx, yi = X t Y don es dedueix que necessàriament At A = I.
Equivalentment, f es ortogonal si, i nomes si, laplicacio adjunta es igual
a laplicacio inversa.
Exemple 7.3.1. Sigui f un endomorfisme dR3 la matriu del qual, en la
base canònica, es:
0 1 0
A = 0 0 1
1 0 0
Observem que
0 0 1
0 1 0
1 0 0
At A = 1 0 0 0 0 1 = 0 1 0
0 1 0
1 0 0
0 0 1
Per tant, A1 = At i f es ortogonal.
De la definicio dendomorfisme ortogonal es desprèn que tot endomorfisme ortogonal transforma bases ortonormals en bases ortonormals. El
recproc tambe es cert.
Teorema 7.3.2. Un endomorfisme es ortogonal si, i nomes si, transforma bases ortonormals en bases ortonormals.
Remarca. Com a conseq
uència daquesta propietat, tenim que els endomorfismes ortogonals son bijectius.
Presentem a continuacio els endomorfismes ortogonals dR2 i R3 . Abans,
però, necessitem fer lobservacio seg
uent.
Remarca. Sigui f un endomorfisme ortogonal dRn
a) Si lendomorfisme f diagonalitza, els u
nics valors propis possibles
son 1 i 1, ja que
kf (x)k = kxk = || kxk = kxk x Rn
i això nomes es possible si || = 1.
7.3. Endomorfismes ortogonals
177
b) Si f es un endomorfisme ortogonal dRn , aleshores | det f | = 1; es

a dir, els u
nics valors possibles per a det f son 1 i -1, ja que si A es
la matriu df en una base ortonormal,
At A = I = det(At ) det(A) = 1 = (det(A))2 = 1
c) Si v1 i v2 son vectors propis df corresponents als valors propis 1 i
-1 respectivament.
hv1 , v2 i = hf (v1 , f (v2 )i = hv1 , v2 i = hv1 , v2 i,
don dedum que hv1 , v2 i = 0; per tant, v1 i v2 son ortogonals.
Passem ja a obtenir els endomorfismes ortogonals dR2 . Els u
nics
2
endomorfismes ortogonals dR que diagonalitzen son els que tenen
per matrius, en una base ortonormal,
1 0
1 0
1 0
,
,
.
0 1
0 1
0 1
Si lendomorfisme no diagonalitza, la seva matriu en una base
ortonormal qualsevol es de la forma:
cos sin
sin cos
1 0
1 0
,
son casos particulars que correObserveu que
0 1
0 1
sponen a = 0, , respectivament. Aix doncs, els endomorfismes
ortogonals de R2 son els que tenen per matriu, en una certa base
ortonormal,
1 0
0 1
que geomètricament correspon a fer una simetria respecte duna
recta, i els que tenen per matriu, en qualsevol base ortonormal
dR2
cos sin
sin cos
que geomètricament correspon a fer un gir de centre lorigen i angle
.
El signe depèn de lorientacio de la base (es a dir, si S es la matriu de canvi de base respecte de la base canònica, i det S = 1 es
sin
sin
( cos
es ( cos
sin cos )).
sin cos ) i, si det S = 1,
178
Exemple 7.3.2. Sigui f lendomorfisme ortogonal la matriu del qual

en la base canònica es
cos sin
sin cos
0 1
Considerem la base u1 = e2 , u2 = e1 . Aleshores S =
, per
1 0
tant det S = 1. La matriu de lendomorfisme en aquesta nova
base es
cos sin
0 1
cos sin
0 1
=
sin cos
1 0
sin cos
1 0
Anem a estudiar quins son els endomorfismes ortogonals dR3 .

Sigui f un endomorfisme ortogonal dR3 . Sigui 1 un valor propi, 1 =
1 o be 1 = 1 (en tenir el polinomi caracterstic df grau 3, almenys
ha de tenir una arrel real). Posem F = [v1 ] si v1 es un vector propi de
mòdul 1 de valor propi 1 . El subespai vectorial F es invariant per f , i,
per tant, tambe ho es F . Siguin v2 , v3 F tals que v = (v1 , v2 , v3 ) es
una base ortogonal dR3 . En la base (v2 , v3 ) la matriu df|F ha de ser
de la forma
cos sin
sin cos
i, per tant, en la base v, la matriu df es de la forma:
cos sin
sin cos
Hem trobat aix, doncs, tots els endomorfismes ortogonals dR3 .
Geomètricament, els que en una certa base ortonormal tenen per matriu
cos sin
sin cos
corresponen a fer un gir dangle al voltant de la recta [v1 ].
Els que en una certa base ortonormal tenen per matriu
cos sin
sin cos
7.4. Endomorfismes simètrics
179
corresponen a fer un gir dangle al voltant de la recta [v1 ], seguida duna

simetria especular respecte del pla [v2 , v3 ].
Per a valors concrets dels angles ( = 0, , ...) tenim que corresponen
a simetries especulars respecte dun pla, simetries axials respecte duna
recta, simetries centrals.
Mes en general, es demostra que els endomorfismes ortogonals dRn son
els que tenen per matriu associada, en una certa base ortonormal, una
matriu de la forma:
...
.
.
.
cos 1 sin 1
sin
cos
1
1
...
cos m sin m
sin m cos m
7.4
Endomorfismes sim`
etrics
En el captol anterior hem estudiat la diagonalitzacio dendomorfismes.

Els endomorfismes diagonalitzables es poden expressar matricialment de
forma senzilla. Anem a veure amb un exemple que si un endomorfisme
diagonalitza en una base ortonormal de vectors propis, es pot donar una
interpretacio geomètrica de lendomorfisme.
Exemple 7.4.1. Sigui f : R2 R2 lendomorfisme que te per matriu, en
la base canònica,
2 0
0 3
Observem que el vector e1 es transforma en el vector de la mateixa direccio i sentit però de norma 2, i que el vector e2 es transfoma en el vector
amb la mateixa direccio i sentit però de norma 3.
Tots els vectors del pla de norma 1 (son els que verifiquen x21 + x22 = 1)
es transformen en
x21 x22
+
=1
4
9
180
(es a dir, la circumferència de radi 1 sha deformat en lel.lipse de semieixos

2 i 3).
Aquesta intrepretacio no shauria pogut fer tan fàcilment, si la base dels
vectors propis considerada no hagues estat ortonormal.
Els endomorfismes simètrics, que definim a continuacio, representen un
conjunt dendomorfismes que diagonalitzen i per als quals podem trobar
una base ortonormal de vectors propis.
Definici
o 7.4.1. Donat un endomorfisme f dRn , es diu que es simètric
si coincideix amb el seu adjunt
f = f0
Alguns autors anomenen aquest tipus dendomorfismes deformacions.

De la propia definicio es desprèn la proposicio seg
uent.
Proposici
o 7.4.1. Un endomorfisme simètric es aquell tal que la seva
matriu en una base ortonormal es simètrica.
A continuacio veiem exemples dendomorfismes simètrics.
Proposici
o 7.4.2. Sigui f : Rn Rn un endomorfisme qualsevol.
Aleshores f 0 f es simètric.
Demostraci
o.
(f 0 f )0 = f 0 (f 0 )0 = f 0 f.
Un exemple important es el seg

uent.
Exemple 7.4.2. Sigui F un subespai vectorial dRn de dimensio r i sigui
G el seu complementari ortogonal. Considerem lendomorfisme
: Rn = F G Rn
u + v u
fàcil veure que aquest endomorfisme es simètric (rep el nom de proEs
jecci
o ortogonal dRn sobre el subespai F ).
181
Un altre exemple no menys important es el seg

uent.
Exemple 7.4.3. Sigui F un subespai vectorial dRn de dimensio r i sigui
G el seu complementari ortogonal. Considerem lendomorfisme
: Rn = F G Rn
u + v u v
fàcil veure que aquest endomorfisme es simètric (rep el nom de simetria
Es
dRn respecte el subespai F ). Observem que aquest endomorfisme, a mes,
es ortogonal.
El resultat mes important daquest tipus dendomorfismes es el seg
uent.
Teorema 7.4.1 (Teorema espectral real). Tot endomorfisme simètric
diagonalitza en una base ortonormal, formada per vectors propis.
Per a la demostracio daquest teorema necessitem els lemes seg
uents.
Lema 7.4.1. Siguin u i v dos vectors propis de valors propis i diferents. Aleshores u i v s
on ortogonals.
Demostraci
o.
hf (u), vi = hu, vi = hu, vi
hf (u), vi = hu, f (v)i = hu, vi = hu, vi
per tant ( )hu, vi = 0 i com que 6= es te que u i v son ortogonals.
Lema 7.4.2. El polinomi caracterstic de tot endomorfisme simètric descompon completament a R.

Passem ara a demostrar el teorema espectral real.
Demostraci
o. Es fa per induccio sobre n =dim E.
Si n = 1, lenunciat del teorema es evident. Suposem, doncs, que es
cert fins a dimensio n 1. Sigui 1 un valor propi (real) de lendomorfisme f , i sigui v1 un vector propi de f de valor propi 1 unitari.
Podem identificar el subespai [v1 ] amb Rn1 . Per la hipòtesi dinduccio, la restriccio de lendomorfisme f al subespai [v1 ] ademet una base
ortonormal (v2 , . . . , vn ) de vectors propis, en ser tambe aquest endomor fàcil comprovar ara que (v1 , . . . , vn ) es una
fisme restriccio simètric. Es
n
base ortonormal dR formada per vectors propis de f .
182
Exemple 7.4.4. Sigui f lendomorfisme dR2 amb matriu en la base canònica
3 1
A=
1 3
Clarament f es simètric, ja que la seva matriu
es
simètrica. Observem
!
!
2 2
2
2
que en la base ortonormal u1 =
,
, u2 =
,
lendo2 2
2
2
morfisme diagonalitza:

2
2
2
2
3
1
4 0
2
2
2
=
1 3
0 2
2
2
2
2
2
2
2
2
a dir, la circumferència unitat es transforma en una el.lipse de semieixos
Es
4 i 2, en les direccions dels vectors propis.
Aix doncs, si f es un endomorfisme simètric amb polinomi caracterstic
Qf (t) = (1)n (t 1 )n1 . . . (t r )nr , es te que
Rn = Ker (f 1 id) . . . Ker (f r id)
Com a conseq
uència daquest teorema tenim el resultat seg
uent.
Corol.lari 7.4.1. Si 1 , . . . , r son els valors propis de lendomorfisme
f i 1 , . . . , r son els endomorfismes projeccio ortogonal de Rn sobre els
subespais vectorials Ker (f 1 id), . . . , Ker (f r id), aleshores:
f = 1 1 + + r r
Aquesta sanomena la descomposici

o espectral de lendomorfisme f .
Atès que i i = i per a i, . . . , r i que i j = 0 si i 6= j, es dedueix
daquest corollari que
m
f m = m
1 1 + + r r
A mes, daquesta darrera igualtat es dedueix que

p(f ) = p(1 )1 + + p(r )r
183
per a tot polinomi p(t) R[t]. De fet, si es una funcio analtica

qualsevol,
(f ) = (1 )1 + + (r )r
La lectura en llenguatge matricial del teorema espectral es la seg
uent.
Si A Mn (R) es una matriu simètrica, existeix una matriu ortogonal S
tal que S t AS es una matriu diagonal. El corol.lari anterior te la seg
uent
interpretacio a nivell matricial.
Si 1 , . . . , r son els valors propis de la matriu A amb multiplicitats
respectives n1 , . . . , nr , aleshores:
1

0

t
A = 1
S
..

S + . . . + r S t

(n1
0
.
..
..
1
.
. . (nr
Aquesta es lanomenada descomposici

o espectral de la matriu A.
Exemple 7.4.5. Considereu la matriu
2 3
3 2
A=
0 0
3 3
0
0
1
0
3
3
0
2
Els seus valors propis son: 1(2), 1 i 8.

Posem S a la matriu els vectors columna de
ortonormal de vectors propis de la matriu A,
1
1
0 13
2
6

1
1
0 13
6
S= 2
0 0 1 0
2
0
0 13
6
la qual formen una base
La descomposicio espectral de la matriu A es:

1
0
0
t
t
t
1
0
0
A = (1) S
S + S
S +8 S
S
0
1
0
0
De fet per a un endomorfisme qualsevol tenim la proposicio seg

uent.
184
Proposici
o 7.4.3. Sigui f un endomorfisme qualsevol dRn . Aleshores
el podem descompondre en composici
o dun endomorfismes simètric (deformacio) per un endomorfisme ortogonal (que conserva la forma).
Exemple 7.4.6. Sigui f lendomorfisme dR2 la matriu del qual en base
canonica es
2 1
A=
2 1
que no es ni simètric ni ortogonal.
Observem que

2
2
2 1
2 2 2 2 0
A=
=
=OS
2 1
2
2
0
2
2
2
O es una matriu ortogonal i S es simètrica i els valors propis de S son
les arrels quadrades positives dels valors propis dAt A.
Exemple 7.4.7. Sigui f lendomorfisme dR2 la matriu del qual en base
canònica es
2 4
A=
2 4
que no es ni simètric ni ortogonal.
Observeu que
2 4
A=
= 10
1
2 4
10

1 2 2
5
10

3 4 2
10
5

4 2

5 = O S
8 2
O es una matriu ortogonal i S es simètrica i els valors propis dS son

larrel quadrada positiva del valor propi no nul dAt A i 0.
7.5
Ap`
endix
Quasi-inversa duna matriu
185
7.5. Apèndix
Sigui A una matriu de Mnm (R). Considerem la matriu At A, que es una

matriu simètrica i per tant, diagonalitza, essent els seus valors propis
positius o nuls:
1
...
..
.
0
i > 0 per a 1 i r. Denotem per
2
..
D =
.
.
r
Considerem la matriu dordre m n

1
D
0
+
=
0 0
on
D=
(7.2)
..
Definici
o 7.5.1. Sanomena quasi-inversa de la matriu A Mnm (R) a
la matriu
A+ = V + U
on V i U son matrius ortogonals formades per les basesortonormals
de (v1 , . . . , vm ) dRm i (u1 , . . . , un ) dRn tals que Avi = i ui , per a
1 i r.
Els vectors de V es determinen buscant una base ortonormal en la qual la
1
matriu At A diagonaliza, els vectors u1 , . . . , ur fent ui = vi i despres
i
es completa a una base ortonormal.
1 2
A = 1 2 .
1 2
186
Aleshores
AA=
3 6
6 12
i els seus valors propis son 15 i 0, per tant
15
t = 15 0 0 .
0
0 0
Determinem V : v1 es un vector propi normalitzat de valor propi 15
1
de At A, v1 = (1, 2); v2 es el vector propi de valor propi 0, tambe
5
1
normalitzat, v2 = (2, 1),
5

5 3 5
5
5
V =
2 5
5
5
5
Per calcular U fem
1
u1 = Av1 =
15
!
3 3 3
,
,
3 3 3
i completem a una base ortonormal dR3 .

Finalment,
1
A =
15
+
1 1 1
.
2 2 2
Observem que si la matriu A es quadrada i invertible aleshores A+ = A1 .

La matriu quasi-inversa serveix per a resoldre sistemes dequacions lineals
sobredeterminats, es a dir sistemes que son incompatibles però la incompatibilitat ve donada per errors de medicio. Es tracta, doncs, de resoldre
aquests sistemes de forma aproximada. Si tenim el sistema Ax = b,
incompatible aleshores donem com a solucio aproximada la donada per
x0 = A+ b
Aquesta solucio es la que millor aproxima per mnims quadrats.
Proposici
o 7.5.1. Donat el sistema Ax = b, es verifica que:
187
i) la solucio x0 = A+ b minimitza kAx bk respecte a x.

ii) de tots els vectors x que minimitzan kAx bk, x0 es de norma
mnima
Geomètricament, tenim que la incompatibilitat dun sistema Ax = b es
deguda a que b
/ Im A. Per tant, si canviem b per una altre vector
b1 Im A el nou sistema Ax = b1 es compatible. Es tracta doncs de
canviar b per b1 Im A que sigui el mes proper, i aquest es la projeccio
ortogonal de b sobre el subespai vectorial Im A, b1 = Im A (b).
En el cas particular en que la matriu A Mnm (R) del sistema es de
rang màxim igual a m n, es te que la solucio del sistema que millor
aproxima per mnims quadrats ve donada per
x = (At A)1 At b
Observem que A(At A)1 At es la matriu de la projeccio ortogonal dRm
sobre el subespai vectorial generat per les columnes de la matriu A.
En el cas general, la solucio del sistema que millor aproxima per mnims
quadrats es x solucio de Ax = b1 (en aquest cas, el sistema es compatible
indeterminat) de norma mnima, la qual cosa equival a exigir que tambe
x (Ker A) .
7.6
Aplicaci
o a la qumica
La llei de Lambert-Beer
La llei de Lambert-Beer afirma que labsorbància duna mostra es proporcional a la seva concentracio (c) i al gruix de la mostra que atravessa
el feix de llum (`):
A = `c
La constant de proporcionalitat sanomena absorvitat molar i es constant per a una mostra determinada.
En el laboratori sovint per a determinar la concentracio duna mostra
problema sutilitzen patrons de concentracions conegudes i es determina
labsorcio utilitzant un espectrofotòmetre. A partir daquestes concentracions i absorbàncies determinades es busca la recta patro, que es la
recta que millor aproxima els punts (ci , Ai ) per mnims quadrats.
188
Per exemple, suposem que les dades que hem obtingut son:
10
20
30
40
ci
mM
mM
mM
mM
Ai
0.2
0.3
0.4
0.7
Aleshores la recta de la forma y = ax + b que millor aproxima aquest

9
punts es: y = 500
x.
Finalment, es determina la concentracio de la mostra amb lequacio
daquesta recta.
7.7
Comentaris finals
Sovint apareixen en la fsica i tambe en la qumica endomorfismes ortogonals i simètrics.

Donada una molècula, una operacio de simetria molecular es aquella
que conserva les distàncies entre els nuclis dels àtoms que la formen i
la seva orientacio. Poden ser: girs respecte dun eix, simetries axials,
simetries especulars o simetries centrals. Sha vist en aquest captol que
el conjunt daplicacions ortogonals amb la composicio te estructura de
grup no commutatiu. Tambe el conjunt de les operacions de simetria
duna molècula donada forma un grup no commutatiu. Aquest grup
sanomena el grup de simetria de la molècula. Aix per exemple, en el cas
duna molècula de metà (CH4 ), en què làtom de carboni es en el centre
dun cub i els àtoms dhidrogen son en quatre vèrtexs no consecutius
del mateix cub, els elements daquest grup son: id, les simetries axials
respecte dels eixos perpendiculars a cada parell de cares oposades del cub
i que passen pel seu centre, les simetries especulars respecte dels plans
parallels a un parell de cares del cub i que passen pel seu centre i els girs
dangle 2 amb eix un dels exisos perpendiculars a cada parell de cares
oposades del cub i que passen pel seu centre seguides de simetria respecte
del pla perpendicular (i que passa pel centre).
El Teorema espectral te una gran aplicabilitat dins de la mateixa àlgebra
i de la geometria (per exemple, permet provar lexistència duna forma
reduda duna forma quadràtica) i tambe en altres matèries: elasticitat i
resistència de materials, electricitat i mecànica. Aix, per exemple, quan
tenim un sòlid-rgid que es isòtrop i elàstic, sotmès a unes determinades
7.8. Exercicis
189
tensions, el Teorema espectral real ens assegura que existeixen tres direccions tals que la tensio aplicada a elles produeix una deformacio nomes
en aquella direccio (eixos principals de deformacio).
7.8
Exercicis
1. Donats els endomorfismes f1 , f2 dR2 les matrius dels quals, en la

base canònica dR2 , son:
4 6
14 6
A1 =
, A2 =
9 1
1 9
Determineu els seus endomorfismes adjunts.
2. Donats els endomorfismes f1 , f2 dR3 les matrius dels quals, en la
base canònica dR3 , son:
4 8 3
1 2 3
A1 = 0 1 0 , A2 = 4 1 2
4 3 7
0 0 1
determineu els seus endomorfismes adjunts.
3. Estudieu si son, o no, ortogonals, els endomorfismes dR2 les matrius dels quals, en la base canònica dR2 , son:
2 1
0 1
A1 =
, A2 =
,
1 1
1 0
!
3
1
1
1
2
2
A3 = 12 1 2 , A4 =
23 12
2
2
En cas afirmatiu, digueu quina transformacio representen.
4. Estudieu si hi ha elements que resten fixos en fer les transformacions
de lexercici anterior i, en cas afirmatiu, determineu-los
5. Estudieu si son, o no, ortogonals, els endomorfismes dR3 les matrius dels quals, en la base canònica dR3 , son:
1 2
1 2
2
1
0
1
0
3
3
3
3
3
3
0 , A3 = 23 13 13
A1 = 23 23 13 , A2 = 1 0
2
1
2
1
1
2
0 0 1
3
3
3
3
3
3
En cas afirmatiu, digueu quina transformacio representen.
190
6. Estudieu si hi ha elements que resten fixos en fer les transformacions

de lexercici anterior i, en cas afirmatiu, determineu-los
7. Sigui f lendomorfisme dR3 , la matriu del qual en base canonica
es
a b b
A = b a b
b b a
Quina condicio han de verificar a i b per tal de que lendomorfisme
sigui ortogonal?
8. Escriviu la matriu en la base canònica de lendomorfisme
dR2 tal
que el vector u1 = (1, 1) estransforma en el vector (0, 2) i el
ortogonal?
vector u2 = (1, 1) en el ( 2, 0). Es
9. Determineu la imatge del vector (3, 1) pel gir respecte de lorigen
de R2 dangle = (en sentit antihorari).

3
10. A R2 , determineu la matriu de la simetria respecte de la recta
2x = y en la base canònica dR2 .
11. Determineu la matriu, en la base natural dR3 , del gir deix
[(1, 1, 0)] i angle = .

4
12. Determineu la matriu, en la base natural dR3 , de la simetria axial
respecte de la recta x 2y = y 3z = 0.
13. Determineu la matriu, en la base natural dR3 , de la simetria especular respecte del pla x + 2y + 3z = 0.
14. Determineu la matriu, en la base natural dR3 , del gir deix la recta
x = y = z i angle = seguida de simetria especular respecte del

4
pla x + y + z = 0.
15. Sigui f un endomorfisme simètric de lespai euclidià ordinari R3 ,
tal que tr f = 0, (1,1,-1) es un vector propi df de valor propi 1 i
(1, 0, 1) Ker f . Justifiqueu quin dels vectors seg
uents es un vector
propi df de valor propi 1 i/o -1:
a) (1,-2,1), b) (1,-2,-1), c) (1,0,1), d) (1,0,-1), e) (1,1,1).
16. La imatge del vector (3, 4) R2 per un endomorfisme ortogonal es
(0, ). Determineu el valor d.
191
7.8. Exercicis
17. Siguin f, g End (E) tals que f es simetric i g es ortogonal. Proveu

que aleshores: (g f g 1 )0 g = g f .
18. Sigui f un endomorfisme de lespai euclidià E, tal que hf (u), vi =
hu, f (v)i, per a tot u, v E. Proveu que E = Ker f Im f .
19. Trobeu un endomorfisme ortogonal f dR2 tal que per a tot vector
u R2 , angle(u, f (u)) = .
3
1 0 0
A1 =
,
0 0 0
1 0
A 2 = 0 0
0 0
+
Proveu que A+
1 = A2 i A2 = A1 .
21. Resoleu utilitzant la matriu quasi-inversa el sistema
x =4
y =5
x+y =6
2x + y = 5
x + 2y = 4
22. Hem mesurat el volum dun gas 4 vegades i hem obtingut els
seg
uents valors, V1 = 150 cm3 , V2 = 153 cm3 , V3 = 150 cm3 , V4 =
151cm3 . Quin volum li assignarem mitjancant el mètode dels mnims
quadrats?
23. Calculeu la millor solucio aproximada del sistema:
2x1 + x2 x3 = 5
x1 x2 2x3 = 2
x1 + x2 = 1
x2 x3 = 1
24. Determineu la recta de la forma y = ax + b que aproxima millor,
per mnims quadrats, els punts: (1, 1), (0, 1), (2, 1), (4, 2).
192
Bibliografia
1. M. A. Barja, M. I. Garca, M. C. Hernando, M. D. Magret,
`
F. Planas, C. Puig: Algebra
Lineal. Problemes resolts i comentats.
Colleccio Aula Pràctica. Edicions UPC, 1993.
2. C. B. Boyer: Historia de la matemàtica. Madrid Alianza, 1996.
3. J. de Burgos: Algebra
lineal. McGraw Hill, 1993.
4. R. Carbo, J. A. Hernandez: Introducci
on a la teora de matrices.
Alhambra, 1983.
`
5. M. Castellet, I. Llerena: Algebra
lineal i geometria. Manuals de la
Universitat Autònoma de Barcelona, 1988.
6. J. Claret, F. Mas, F. Sagues: Termodin`
amica Qumica i Electroqumica. 2003.
7. J. W. Daniel, B. Noble: Algebra

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

y geometra. Addison Wesley UAM, 1994.
12. M. C. Hernando, M. D. Magret, C. Puig: Espais vectorials. Aplicacions lineals. Diagonalitzacio. Colleccio Aula Teòrica. Edicions
UPC, 1999.
193
194
13. S. Lang: Algebra

Lineal. Fondo Educativo Interamericano, 1976.
14. D. C. Lay: Linear Algebra and its Applications. Addison-Wesley,
1994.
15. J. C. Paniagua: Introducci
o a la programaci
o per a qumics. Edicions Universitat de Barcelona, 1997.
16. J. C. Paniagua, P. Alemany: Qumica Quàntica. 2000
17. G. Strang: Algebra

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

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

Lineal y Geometras Lineales. Editorial Eunibar, 1977.

Algebra Lineal I Matricial Per L'engenyeria Quimica - M Isabel Garcia Planas & M. Dolors Magret - 2004 PDF

Uploaded by

Copyright:

Available Formats

You might also like

Algebra Lineal I Matricial Per L'engenyeria Quimica - M Isabel Garcia Planas & M. Dolors Magret - 2004 PDF

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 I Matricial Per L'engenyeria Quimica - M Isabel Garcia Planas & M. Dolors Magret - 2004 PDF

Uploaded by

Copyright:

Available Formats

Eines d`algebra lineal i matricial per a la

Primera edicio: Setembre 2004

1 Estructures algebraiques: grups, anells, cossos

El cos dels nombres complexos . . . . . . . . . . . . . . .

Lanell dels polinomis . . . . . . . . . . . . . . . . . . . .

Ap`endix: Cossos finits . . . . . . . . . . . . . . . . . . .

Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

Depend`encia i independ`encia lineal . . . . . . . . . . . .

Suma i interseccio de subespais vectorials . . . . . . . . .

Suma directa. Complementari . . . . . . . . . . . . . . .

Producte escalar. Bases ortonormals . . . . . . . . . . .

2.13 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . .

2.14 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .

2.16 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

3 Matrius i sistemes de equacions

Rang duna matriu . . . . . . . . . . . . . . . . . . . . .

Transformacions elementals duna matriu . . . . . . . . .

Inversa duna matriu . . . . . . . . . . . . . . . . . . . .

Sistemes dequacions lineals . . . . . . . . . . . . . . . .

3.10 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . .

3.11 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .

3.13 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

Concepte daplicacio lineal . . . . . . . . . . . . . . . . .

Determinacio duna aplicacio lineal . . . . . . . . . . . .

Nucli i imatge duna aplicacio lineal . . . . . . . . . . . .

Isomorfisme natural associat a una base . . . . . . . . . .

Matriu associada a una aplicacio lineal . . . . . . . . . .

Subespais invariants per un endomorfisme . . . . . . . .

Operacions amb aplicacions lineals . . . . . . . . . . . .

4.10 El grup lineal . . . . . . . . . . . . . . . . . . . . . . . .

4.13 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .

4.15 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

Definicio de determinant i propietats . . . . . . . . . . .

Determinant dun endomorfisme . . . . . . . . . . . . . .

5.10 Aplicacio a la qumica . . . . . . . . . . . . . . . . . . .

5.11 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .

5.13 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

Vectors propis i valors propis . . . . . . . . . . . . . . . .

6.10 Comentaris finals . . . . . . . . . . . . . . . . . . . . . .

6.12 Exercicis resolts amb Maple . . . . . . . . . . . . . . . .

7 Endomorfismes ortogonals i sim`

Aplicacio lineal adjunta . . . . . . . . . . . . . . . . . . .

Aquesta es una versio revisada per la profesora Ma Isabel Garca Planas,

Aquest llibre recull el material preparat per als estudiants de lassignatura

Barcelona, 31 dagost de 2004.

Captol 1. Estructures algebraiques: grups, anells, cossos

especialment Al-Khwarizmi (850 dC) en lobra del qual es classificaven

Sigui C un conjunt, en el qu`e es defineix una operacio, que notarem per

1.3. El cos dels nombres complexos

5. Per a x, y, z C qualsevol, (x y) z = x (y z).

Exemple 1.2.1. El conjunt Z dels nombres enters amb la suma es un grup

El cos dels nombres complexos

Existeixen equacions quadr`atiques que no tenen cap solucio a R. Per

Captol 1. Estructures algebraiques: grups, anells, cossos

En el conjunt dels nombres complexos

1.3. El cos dels nombres complexos

te m`odul 1, existeix un angle [0, 2) tal que

Captol 1. Estructures algebraiques: grups, anells, cossos