Transparencies

ÀLGEBRA LINEAL
Transparències
UPC
ETSEIAT
Rafel Amer
Vicenç Sales
Rafel Amer
Vicenç Sales
Pàgina 1 de 150
© 2010 Rafel Amer i Vicenç Sales
Aquesta obra es distribueix sota la llicència creative-commons amb les condicions Reconeixement-No comercial-
Compartir de la versió 2.5 d’aquesta llicència. Resumint:
Sou lliure de:
UPC
copiar, distribuir i comunicar públicament l’obra;
ETSEIAT fer-ne obres derivades;

amb les condicions següents:
Reconeixement. Heu de reconèixer els crèdits de l’obra de la manera especificada per l’autor o el llicencia-
dor (però no d’una manera que suggereixi que us donen suport o rebeu suport per l’ús que feu de l’obra).
No comercial. No podeu utilitzar aquesta obra per a finalitats comercials.
Compartir amb la mateixa llicència. Si altereu o transformeu aquesta obra, o en genereu obres derivades,
només podeu distribuir l’obra generada amb una llicència idèntica a aquesta.
• Quan reutilitzeu o distribuı̈u l’obra, heu de deixar ben clar els termes de la llicència de l’obra.
• Alguna d’aquestes condicions pot no aplicar-se si obteniu el permı́s del titular dels drets d’autor.
Rafel Amer
• No hi ha res en aquesta llicència que menyscabi o restringeixi els drets morals de l’autor.
Vicenç Sales Podeu trobar el text complet de la llicència a l’adreça

http://creativecommons.org/licenses/by-nc-sa/2.5/es/legalcode.ca
Escola Superior d’Enginyeries Industrial, Aeroespacial i Audiovisual de Terrassa
Colom, 11
Pàgina 2 de 150
08222 Terrassa
Introducció
Aquestes transparències d’Àlgebra Lineal són el resultat de les classes impartides per la
Secció de Terrassa del Departament de Matemàtiques a l’Escola Superior d’Enginyeries
Industrial, Aeroespacial i Audiovisual de Terrassa des de la posada en marxa del nou pla
d’estudis.
De forma paral.lela a la introducció dels diferents conceptes, s’han inclòs exemples il-
lustratius amb l’objectiu de facilitar-ne la comprensió. No cal oblidar, però, que per a això
és imprescindible l’esforç i el treball personal de l’estudiant, tant pel que fa a l’estudi de
les qüestions teòriques com a la resolució d’exercicis. Esperem que aquests apunts els hi
siguin d’utilitat i els aconsellem que intentin assimilar les diferents nocions combinant el
seu estudi amb la resolució simultània d’exercicis relacionats amb elles.
Els temes que es tracten són habituals en qualsevol curs d’Àlgebra Lineal. Aixı́, hi ha un
capı́tol inicial centrat en l’estudi de la part operativa del curs, que serveix de base per a
UPC la part conceptual, formada pels tres darrers. D’altra banda, s’ha parat especial atenció
ETSEIAT
als aspectes i les aplicacions geomètriques i és per això que cada secció de naturalesa
algebraica va seguida de la seva geomètrica derivada. En aquest sentit, a l’hora de presen-
tar les diferents qüestions i poder analitzar-les i relacionar-les millor, s’utilitza el mateix
exemple per a cada secció algebraica i la seva corresponent geomètrica amb el propòsit de
que serveixi de fil conductor de totes dues.
Finalment, encara que inicialment aquestes transparències han estat pensades per a es-
tudiants de Graus d’Enginyeria, també poden ser útils als de Matemàtiques, Fı́sica i, en
Rafel Amer general, a tots aquells que hagin de cursar la matèria d’Àlgebra Lineal.
Vicenç Sales
R AFEL A MER I V ICENÇ S ALES
Pàgina 3 de 150
Bibliografia relacionada
Per a la mostra de resolució d’exercicis basats en aquestes transparències podeu consultar

la col.lecció d’exercicis resolts següent:
Amer, R.; Sales, V.
ÀLGEBRA LINEAL. Exercicis resolts.
http://atenea.upc.edu/moodle/login/index.php
Per a la resolució personal d’exercicis com els anteriors basats en aquestes transparències
UPC podeu consultar la col.lecció d’exercicis següent:
ETSEIAT Amer, R.; Sales, V.

ÀLGEBRA LINEAL. Exercicis.
http://atenea.upc.edu/moodle/login/index.php
Rafel Amer
Vicenç Sales
Pàgina 4 de 150
Índex
1 CÀLCUL MATRICIAL 7
1.1 Matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Esglaonament de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Menors d’una matriu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.5 Reducció de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.6 Matriu adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
UPC 2 ESPAIS VECTORIALS I AFINS 43

ETSEIAT
2.1 L’espai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 L’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3 L’espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.4 L’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Rafel Amer
Vicenç Sales 2.5 Orientació a l’espai vectorial i l’espai vectorial euclidià . . . . . . . . . . . . . . 67
Pàgina 5 de 150 2.6 Orientació a l’espai afı́ i l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . 73

3 TRANSFORMACIONS LINEALS I AFINS 79
3.1 Transformacions lineals de l’espai vectorial . . . . . . . . . . . . . . . . . . . . 79
3.2 Transformacions afins de l’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.3 Transformacions lineals de l’espai vectorial euclidià . . . . . . . . . . . . . . . 91
3.4 Transformacions afins de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 97
3.5 Transformacions lineals euclidianes de l’espai vectorial euclidià . . . . . . . . 103
3.6 Transformacions afins euclidianes de l’espai afı́ euclidià . . . . . . . . . . . . . 109
UPC 4 FORMES I VARIETATS QUADRÀTIQUES I MÍNIMS QUADRATS 115

ETSEIAT
4.1 Formes quadràtiques de l’espai vectorial . . . . . . . . . . . . . . . . . . . . . . 115
4.2 Varietats quadràtiques de l’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3 Formes quadràtiques de l’espai vectorial euclidià . . . . . . . . . . . . . . . . . 127
4.4 Varietats quadràtiques de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 133

Rafel Amer
Vicenç Sales 4.5 Mı́nims quadrats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Pàgina 6 de 150 4.6 Llocs geomètrics de l’espai afı́ i de l’espai afı́ euclidià . . . . . . . . . . . . . . . 145
1 CÀLCUL MATRICIAL
Matrius
Observació 1.1 Una matriu m × n és 

una famı́lia d’elements o coeficients reals:
1 n

a1 . . . a1
 .. ..  .
A= . . 
a1m . . . anm
Siguin A i B matrius m × n.
Definició 1.2 La suma A + B és la matriu m × n d’element per a i = 1, . . . , m i j = 1, . . . , n

aji + bji .
• La matriu formada només per zeros es diu nul.la i s’escriu 0.

• I l’obtinguda canviant el signe de tots els elements, oposada d’A i s’escriu −A.
Teorema 1.3 (a) A + (B + C) = (A + B) + C.

(b) A + 0 = A.
(c) A + (−A) = 0.
(d) A + B = B + A.
UPC • (a) es diu associativa; (b), element neutre; (c), element oposat; i (d), commutativa.
• I per l’associativitat escriurem A + B + C.
ETSEIAT
Proposició 1.4 (a) −(−A) = A.

(b) −(A + B) = (−A) + (−B).
Escriurem A − B en lloc de A + (−B); i pel segon apartat anterior escriurem també −A − B.
Teorema 1.5 La solució de les equacions matricials A + X = B i X + A = B és X = B − A.

Rafel Amer Exemple 1.6 Donades les matrius respectives A i B següents, es té
     
Vicenç Sales −4 −4 2 3 0 2 −1 −4 4
A + B =  2 −4 −4  +  1 3 0  =  3 −1 −4  .
Pàgina 7 de 150 −4 2 −4 1 2 4 −3 4 0
Observació 1.7 • Les matrius 1 × n es diuen matrius-fila; i les m × 1, matrius-columna.
• La fila Ai és la formada pels elements a1i , . . . , ani ; i la columna Aj , la dels aj1 , . . . , ajn .
Siguin α un nombre real –anomenat escalar– i A una matriu m × n.
Definició 1.8 El producte αA és la matriu m × n d’element per a i = 1, . . . , m i j = 1, . . . , n

αaji .
(a) es diu distributiva respecte la suma de matrius; (b), distributiva respecte la suma
d’escalars; (c), compatible amb el producte per escalars; i (d), producte per la unitat.
Teorema 1.9 (a) α(A + B) = αA + αB.

(b) (α + β)A = αA + βA.
(c) (αβ)A = α(βA).
(d) 1A = A.
Per la compatibilitat escriurem αβA.
Proposició 1.10 (a) αA = 0 si, i només si, α = 0 o A = 0.

(b) αA = αB si, i només si, α = 0 o A = B.
UPC
(c) αA = βA si, i només si, α = β o A = 0.
ETSEIAT (d) (−α) A = α (−A) = −(αA).
Per aquest darrer apartat escriurem −αA; i, en particular, tenim que (−1) · A = −A.
Teorema 1.11 (a) Si α = 0 i A 6= 0 aleshores l’equació matricial αX = A no té solució.

(b) Si α = 0 i A = 0 aleshores qualsevol matriu X és solució de l’equació matricial αX = A.
(c) Si α 6= 0 aleshores la solució de l’equació matricial αX = A és X = α1 A.
Rafel Amer Exemple 1.12 Amb les matrius A i B de l’exemple anterior, tenim que
       
Vicenç Sales −4 −4 2 −2 −2 1 3 0 2 9 0 6
1 1 1
− A= 2 −4 −4 =  1 −2 −2  i 3A = 3 1 3 0 =  3 9 0.
6 6 3
Pàgina 8 de 150 −4 2 −4 −2 1 −2 1 2 4 3 6 12
Observació 1.13 • Les matrius n × n es diuen quadrades d’ordre n.
• I la seva diagonal és la formada pels elements amb igual subı́ndex que superı́ndex.
Siguin A i B matrius m × n i n × p, respectivament.
Definició 1.14 El producte AB és la matriu m×p d’element per a i = 1, . . . , m i j = 1, . . . , p

a1i bj1 + . . . + ani bjn .
• La matriu quadrada amb 1 a la diagonal i 0 a fora es diu identitat i es nota In o I.

• I la quadrada amb −1 a la diagonal i 0 a fora, menys identitat i es nota −In o −I.
Teorema 1.15 (a) A(BC) = (AB)C.

(b) IA = A = AI.
(c) A(B + C) = AB + AC i (B + C)A = BA + CA.
(d) (αA)B = α(AB) = A(αB).
• (a) es diu associativa; (b), element neutre; (c), distributiva; i (d), compatible.
• Per l’associativitat i la compatibilitat escriurem ABC i αAB, respectivament.
• I, per l’associativitat, si A és quadrada tenim les seves potències: Ak = A · .(k)
. . · A.
UPC Proposició 1.16 (a) A · 0 = 0 = 0 · A.

(b) (−A)B = −(AB) = A(−B).
ETSEIAT
Per aquest darrer apartat escriurem −AB.
Observació 1.17 • No commutativitat: N’hi ha matrius A i B amb AB 6= BA.

• No invertibilitat: N’hi ha matrius A amb AB 6= I o BA 6= I per a tota matriu B.
• No simplificabilitat: N’hi ha matrius A, B i C amb A 6= 0, B 6= C i AB = AC o BA = CA.
• Existència de divisores de zero: N’hi ha matrius A i B amb A 6= 0, B 6= 0 i AB = 0.
Rafel Amer Exemple 1.18 Donades les matrius A i B dels exemples anteriors, obtenim
    
Vicenç Sales −4 −4 2 3 0 2 −14 −8 0
AB =  2 −4 −4   1 3 0  =  −2 −20 −12  .
Pàgina 9 de 150 −4 2 −4 1 2 4 −14 −2 −24
Observació 1.19 • Les matrius quadrades tals que aji = 0 per a tot i, j = 1, . . . , n amb
i > j es diuen triangulars superiors; i si passa el mateix amb i < j, triangulars inferiors.
• Les matrius obtingudes suprimint files i columnes senceres d’una certa matriu es
diuen submatrius d’aquesta.
• I si A i B són matrius respectives m × n i p × n, la matriu (m + n) × p amb les columnes
A1 , . . . , An d’A i les B 1 , . . . , B n de B s’escriu (A|B) i es diu matriu ampliada d’A amb B.
Sigui A una matriu m × n.
Definició 1.20 La transposada At és la matriu n × m d’element per a i = 1, . . . , n i j =

1, . . . , m
aij .
Tenim que 0t = 0, I t = I i (−I)t = −I.
Teorema 1.21 (a) (At )t = A.

(b) (A + B)t = At + B t .
(c) (αA)t = αAt .
(d) (AB)t = B t At .
UPC
És fals en general, per tant, que (AB)t = At B t .
ETSEIAT
Proposició 1.22 (a) (−A)t = −(At ).
(b) (Ak )t = (At )k .
Pel primer apartat anterior escriurem −At .
Teorema 1.23 La solució de l’equació matricial X t = A és X = At .
Rafel Amer Exemple 1.24 Amb les matrius A i B dels exemples anteriors es té que
 t      
Vicenç Sales −4 −4 2 −4 2 −4 3 0 2 3 1 1
At =  2 −4 −4  =  −4 −4 2 i Bt =  1 3 0  =  0 3 2  .
Pàgina 10 de 150 −4 2 −4 2 −4 −4 1 2 4 2 0 4
Sigui A una matriu quadrada d’ordre n.
Definició 1.25 A és simètrica si, i només si,

At = A .
0, I i −I són simètriques.
Proposició 1.26 A és simètrica si, i només si, per a tot i, j = 1, . . . , n

aij = aji .
Les matrius A + At , At A i AAt són sempre simètriques.
Teorema 1.27 (a) Si A i B són simètriques aleshores A + B és simètrica.

(b) Si A és simètrica aleshores αA és simètrica.
(c) Si A és simètrica aleshores At és simètrica.
UPC
ETSEIAT
El producte de matrius simètriques, en canvi, pot no ser simètrica.
Proposició 1.28 (a) Si A és simètrica aleshores −A és simètrica.

(b) Si A és simètrica aleshores Ak és simètrica.
Rafel Amer
Exemple 1.29 Les matrius A i B dels exemples anteriors no són simètriques ja que
   
Vicenç Sales −4 2 −4 3 1 1
At =  −4 −4 2  6= A i B t =  0 3 2  6= B .
Pàgina 11 de 150 2 −4 −4 2 0 4
Definició 1.30 A és ortogonal si, i només si,

At A = I .
I i −I són ortogonals; però 0, en canvi, no.
Teorema 1.31 Si A és ortogonal llavors té igual o més files que columnes.
Per tant, si m < n llavors A no pot ser ortogonal.
Proposició 1.32 A és ortogonal quadrada si, i només si,

AAt = I .
A és quadrada en el segon apartat següent perquè si no At tindrà més columnes que files.
Teorema 1.33 (a) Si A i B són ortogonals llavors AB és ortogonal.

(b) Si A és ortogonal quadrada llavors At és ortogonal quadrada.
UPC La suma i el producte per escalars de matrius ortogonals, en canvi, pot no ser ortogonal.
ETSEIAT
Proposició 1.34 (a) Si A és ortogonal llavors −A és ortogonal.
(b) Si A és ortogonal quadrada llavors Ak és ortogonal quadrada.
Exemple 1.35 Les matrius A i B d’abans no són ortogonals ja que

    
−4 2 −4 −4 −4 2 36 0 0
At A =  −4 −4 2   2 −4 −4  =  0 36 0  6= I
2 −4 −4 −4 2 −4 0 0 36
Rafel Amer
i     
Vicenç Sales 3 1 1 3 0 2 11 5 10
B t B =  0 3 2   1 3 0  =  5 13 8  6= I .
Pàgina 12 de 150 2 0 4 1 2 4 10 8 20
Determinants
Observació 1.36 • Una permutació de N = {1, . . . , n} és una reordenació dels elements.
• El conjunt de permutacions de N es nota per Pn i té n! = n(n − 1) · . . . · 2 · 1 elements.
• Diem que i, j ∈ N amb i < j estan invertits en σ ∈ Pn si j apareix abans que i en σ.
• I es diu que el signe de σ és 1 si el seu nombre d’inversions és parell i −1 si és senar.
Definició 1.37 S’anomena determinant d’A al nombre real

a11 . . . an1
det A = |A| = ... .. = X (σ)aσ1 . . . aσn .
. 1 n
a1n . . . ann σ∈Pn
• Tenim que det 0 = 0, det I = 1 i det (−I) = (−1)n .

• Per a ordres 1, 2 i 3 tenim les fórmules respectives
a11 , a11 a22 − a21 a12 i a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a21 a12 a33 − a11 a32 a23
que, en el cas d’ordre 3, s’anomena regla de Sarrus.
Teorema 1.38 (a) det (A1 . . . B i + C i . . . An ) = det (A1 . . . B i . . . An ) + det (A1 . . . C i . . . An ).

UPC (b) det (A1 . . . αAi . . . An ) = α det (A1 . . . Ai . . . An ).
(c) det (A1 . . . Ai . . . Ai . . . An ) = 0.
ETSEIAT
• (a) i (b) reben el nom de multilinealitat; i (c), alternança.
• Tant les propietats anteriors com les següents són igualment vàlides per a files.
Proposició 1.39 (a) det (A1 . . . 0 . . . An ) = 0.

(b) det (A1 . . . Aj . . . Ai . . . An ) = − det (A1 . . . Ai . . . Aj . . . An ).
(c) det (A1 . . . Ai + αAj . . . Aj . . . An ) = det (A1 . . . Ai . . . Aj . . . An ).
Rafel Amer
Exemple 1.40 Calculem el determinant de la matriu A següent amb la regla de Sarrus:
 
Vicenç Sales −4 −4 2
det  2 −4 −4  = −64 + 8 − 64 − 32 − 32 − 32 = −216 .
Pàgina 13 de 150 −4 2 −4
Definició 1.41 Si Aji és la submatriu d’A sense la fila i i la columna j, l’adjunt d’aji és
αij = (−1)i+j det Aji .
• És fàcil recordar el signe de cada element amb l’anomenada regla dels escacs:
 
+ − + ···
 − + − ··· 
 + − + ···  .
 
 
.. .. .. . .
. . . .
• El teorema següent es diu regla de Laplace o desenvolupament per files o columnes.
Teorema 1.42 det A = a1i αi1 + . . . + ani αin = aj1 α1j + . . . + ajn αnj .
Podem trobar un determinant llavors posant zeros en una fila o columna, fent transforma-
cions elementals fins que tots els elements menys un siguin 0 i desenvolupant per ella.
Proposició 1.43 Si A és triangular llavors det A = a11 · . . . · ann .

Per tant, podem triangular la matriu primer posant zeros i aplicar aquesta propietat.
UPC
Teorema 1.44 (a) det (αA) = αn det A.
ETSEIAT
(b) det (AB) = det A · det B.
(c) det At = det A.
En general, el determinant de la suma de matrius no segueix cap fórmula senzilla.
Proposició 1.45 (a) det (−A) = (−1)n det A.

(b) det (Ak ) = (det A)k .
Rafel Amer Exemple 1.46 Calculem el determinant de la matriu A anterior amb la regla de Laplace:
Vicenç Sales −4 −4 2 −4 −4 2
1 1
2 −4 −4 = · 0 −12 −6 = · (−4) · (72 + 36) = −216 .
2 2
Pàgina 14 de 150 −4 2 −4 F2 ∼2F2 +F1 0 6 −6
F3 ∼F3 −F1
Definició 1.47 • A és directa si, i només si,

det A > 0 .
• I A és inversa si, i només si,
det A < 0 .
I i −I d’ordre parell són directes; i −I d’ordre senar, inversa.
Teorema 1.48 (a) • Si A és directa i α > 0 llavors α A és directa; i si α < 0 llavors α A és
directa si n parell i inversa si n senar.
• Si A és inversa i α > 0 llavors α A és inversa; i si α < 0 llavors α A és
inversa si n parell i directa si n senar.
(b) • Si A i B són directes o inverses llavors AB és directa.
• Si A és directa i B inversa o viceversa llavors AB és inversa.
(c) • Si A és directa llavors At és directa.
• Si A és inversa llavors At és inversa.
La suma de matrius directes o inverses, en canvi, pot no ser directa o inversa.

UPC
ETSEIAT
Proposició 1.49 (a) • Si A és directa llavors −A és directa si n parell i inversa si n senar.
• Si A és inversa llavors −A és inversa si n parell i directa si n senar.
(b) • Si A és directa llavors Ak és directa.
• Si A és inversa llavors Ak és directa si k parell i inversa si k senar.
Exemple 1.50 La matriu d’abans

 
−4 −4 2
Rafel Amer
A =  2 −4 −4 
Vicenç Sales −4 2 −4
és inversa ja que, com hem vist en els exemples anteriors,
Pàgina 15 de 150
det A = −216 < 0 .
Definició 1.51 A és singular si, i només si,

det A = 0 .
• Per tant, les matrius quadrades es poden classificar en singulars, directes i inverses.
• 0 és singular; però I i −I, en canvi, no.
Teorema 1.52 (a) Si A és singular llavors αA és singular.

(b) Si A o B són singulars llavors AB és singular.
(c) Si A és singular llavors At és singular.
La suma de matrius singulars, en canvi, pot no ser singular.

UPC
ETSEIAT
Proposició 1.53 (a) Si A és singular llavors −A és singular.
(b) Si A és singular llavors Ak és singular.
Exemple 1.54 La matriu d’abans

 
−4 −4 2
Rafel Amer
A =  2 −4 −4 
Vicenç Sales −4 2 −4
no és singular ja que, com hem vist en els exemples anteriors,
Pàgina 16 de 150
det A = −216 6= 0 .
Teorema 1.55 Si A és ortogonal quadrada llavors el seu determinant és 1 o −1.
Per tant, les de determinant 1 són les directes; i les de determinant −1, les inverses.
Observació 1.56 És fals, però, que si el determinant de A és 1 o −1 llavors A és ortogonal
perquè això només assegura que és directa o inversa.
I és ortogonal directa; i −I, directa si l’ordre és parell i inversa si és senar.
Observació 1.57 Lògicament, les propietats de les matrius ortogonals directes i inverses
s’obtenen combinant les de les matrius ortogonals amb les de les directes i inverses.
Les matrius quadrades ortogonals d’ordre 2 són fàcils de reconèixer.
Proposició 1.58 Les matrius quadrades ortogonals directes i inverses d’ordre 2 són

a −b a b
i
b a b −a
UPC 2 2
amb a + b = 1, respectivament.
ETSEIAT
Exemple 1.59 La matriu
   
−4 −4 2 −2 −2 1
1 1 1
A =  2 −4 −4  = 1 −2 −2 
6 6 3
−4 2 −4 −2 1 −2
és ortogonal inversa ja que
     
−4 2 −4 −4 −4 2 36 0 0
1 1 1
At A =  −4 −4 2  ·  2 −4 −4  =  0 36 0  = I
Rafel Amer 6 6 36
2 −4 −4 −4 2 −4 0 0 36
Vicenç Sales i 3
1 1 1
det A = det A = · (−216) = −1 .
Pàgina 17 de 150
6 6 216
Definició 1.60 A és antisimètrica si, i només si,

At = −A .
0 és antisimètrica; però I i −I, en canvi, no.
Proposició 1.61 (a) A és antisimètrica si, i només si, per a tot i, j = 1, . . . , n
aij = −aji .
(b) Si A és antisimètrica aleshores aii = 0 per a tot i = 1, . . . , n.
• La matriu A − At és sempre antisimètrica.

• I 0 és l’única que és simètrica i antisimètrica.
Teorema 1.62 (a) Si A i B són antisimètriques aleshores A + B és antisimètrica.

(b) Si A és antisimètrica aleshores αA és antisimètrica.
(c) Si A és antisimètrica aleshores At és antisimètrica.
El producte de matrius antisimètriques, en canvi, pot no ser antisimètrica.
Proposició 1.63 (a) Si A és antisimètrica aleshores −A és antisimètrica.

UPC (b) Si A és antisimètrica aleshores Ak és antisimètrica si k és senar i simètrica si és parell.
ETSEIAT Per a les matrius antisimètriques d’ordre parell la propietat següent és falsa, en general.
Proposició 1.64 Les matrius antisimètriques d’ordre senar són singulars.
El teorema següent es coneix com a descomposició d’una matriu quadrada.
1
Teorema 1.65 A = 2 (A+At )+ 21 (A−At ), amb 1
2 (A+At ) simètrica i 1
2 (A−At ) antisimètrica.
Rafel Amer
Exemple 1.66 La matriu A d’abans no és antisimètrica ja que At 6= −A i es descompon en
     
Vicenç Sales −4 −4 2 −4 −1 −1 0 −3 3
1 1
A + At + A − At =  −1 −4 −1  +  3

 2 −4 −4  = 0 −3  .
2 2
Pàgina 18 de 150 −4 2 −4 −1 −1 −4 −3 3 0
Esglaonament de matrius
Definició 1.67 Anomenem transformacions elementals per files a les següents:

• intercanviar una fila i i una fila j;
• multiplicar una fila i per un nombre no nul α;
• sumar a una fila i el producte d’una altra fila j per un nombre no nul α.
Això equival a muliplicar la matriu per les matrius respectives següents per l’esquerra:
• la que té 1 a la diagonal excepte 0 a (i, i) i (j, j) i 0 a la resta excepte 1 a (i, j) i (j, i);
• la que té 1 a la diagonal excepte α a (i, i) i 0 a la resta;
• la que té 1 a la diagonal i 0 a la resta excepte α a (i, j).
Definició 1.68 Una matriu està en forma esglaonada per files si, i només si:
(i) les files amb tots els coeficients iguals a zero són les últimes;
(ii) el primer coeficient no nul de cada fila és a la dreta del corresponent de la fila anterior;
(iii) els coeficients per sota de cada coeficient no nul anterior són zero tots.
• Aquests coeficients s’anomenen pivots.
• I si A és quadrada s’obté una triangular superior.
UPC Observació 1.69 Permutant files amb files posteriors en cada columna si cal, s’obtenen
pivots no nuls; i posant zeros després per sota dels pivots s’obté la forma esglaonada.
ETSEIAT
Aquest procés s’anomena esglaonament; i el procediment descrit, mètode de Gauss.
Observació 1.70 • Les transformacions elementals i la forma esglaonada per colum-

nes es defineixen igual.
• I les propietats són les mateixes, però multiplicant per la dreta.
Exemple 1.71 Esglaonem per files la matriu A següent pel mètode de Gauss:
       
Rafel Amer 1 1 3 1 1 1 3 1 1 1 3 1 1 1 3 1
1 2 4 2 0 1 1 1 0 1 1 1 0 1 1 1
Vicenç Sales 
0 1
 '  '  ' .
1 1 0 1 1 1 0 0 0 0 0 0 0 1
Pàgina 19 de 150
2 0 4 1 F2 ∼F2 −F1 0 2 2 1 F3 ∼F3 −F2 0 0 0 1 F ↔F 0 0 0 0
F4 ∼2F1 −F4 F4 ∼2F2 −F4 3 4
Aplicant transformacions elementals per files successivament s’obté una expressió
α1 Ai1 + . . . + αk Aik ,
que s’anomena combinació lineal de les files Ai1 , . . . , Aik amb escalars α1 , . . . , αk ∈ R.
Definició 1.72 Es diu que una fila Ai d’una matriu A és combinació lineal d’unes altres
files Ai1 , . . . , Aik si, i només si, existeixen escalars α1 , . . . , αk tals que Ai és la combinació
lineal de les files Ai1 , . . . , Aik amb els escalars α1 , . . . , αk .
Una fila és combinació lineal d’una altra si, i només si, són múltiples.
Definició 1.73 Es diu que les files Ai1 , . . . , Aik són linealment independents si, i només
si, combinacions lineals seves amb escalars diferents donen files diferents.
Les files no linealment independents es diuen linealment dependents.
Teorema 1.74 Són equivalents:

(a) les files Ai1 , . . . , Aik són linealment independents;
(b) l’única combinació lineal seva que dona la fila nul .la és la de tots els escalars nuls;
(c) cap d’elles és nul .la ni combinació lineal de les altres.
• Una fila és linealment independent si, i només si, és no nul.la.
• I dues files són linealment independents si, i només si, no són múltiples l’una de l’altra.
UPC
ETSEIAT Observació 1.75 • La combinació lineal i la dependència i independència lineal de

columnes es defineixen d’igual forma.
• I també les propietats són anàlogues.
Exemple 1.76 A partir de la matriu esglaonada obtinguda abans per a la matriu A
 
1 1 3 1
0 1 1 1
0 0 0 1 ,
 
Rafel Amer 0 0 0 0
Vicenç Sales es dedueix que la tercera fila és combinació lineal de les dues primeres –ja que la tercera i
quarta files s’havien permutat– per ser completament nul.lla la tercera fila. I, en canvi, la
Pàgina 20 de 150 primera, segona i quarta files són linealment independents.
Proposició 1.77 El nombre màxim de files i columnes linealment independents és igual.
0 és l’única matriu que no té cap fila ni cap columna linealment independent.
Definició 1.78 Al nombre màxim anterior se l’anomena rang de la matriu.
• Escriurem rg A en tal cas; i és clar que rg A ≤ mı́n {m, n}.

• rg I = rg (−I) = n; i 0 és l’única amb rang 0.
• El rang d’una matriu no nul.la és 1 quan les files –o columnes– són proporcionals.
Teorema 1.79 (a) El rang és invariant per transformacions elementals.

(b) k files o columnes són linealment independents si, i només si, el rang d’elles és k.
(c) Una fila o columna és combinació lineal d’unes altres si, i només si, el rang obtingut
en afegir-la és el mateix.
• En particular, en aplicar el mètode de Gauss el rang no varia.

• I el rang és, doncs, el nombre de pivots o el de files no completament nul.les obtingudes.
Teorema 1.80 (a) rg (αA) = rg A, si α 6= 0.

(b) rg AB ≤ mı́n {rg A, rg B}.
UPC (c) rg At = rg A.
ETSEIAT El rang de la suma de matrius, en canvi, no té cap relació amb els rangs de cadascuna.
Proposició 1.81 (a) rg (−A) = rg A.

(b) rg A ≥ rg A2 ≥ . . . ≥ rg Ak ≥ . . . .
Exemple 1.82 Com que en la matriu esglaonada obtinguda a partir de la matriu A anterior
 
1 1 3 1
0 1 1 1
 
Rafel Amer 0 0 0 1
Vicenç Sales
0 0 0 0
el nombre de files no completament nul.les –o nombre de pivots– és 3, es dedueix que
Pàgina 21 de 150 rg A = 3 .
Definició 1.83 Es diu que A és regular si, i només si,

rg A = n .
I i −I són regulars; però 0, en canvi, no.
Proposició 1.84 Si P és regular aleshores rg P A = rg A = rg AP .
En particular, si P i Q són regulars aleshores rg P AQ = rg A.
Teorema 1.85 (a) Si A és regular i α 6= 0 aleshores αA és regular.

(b) Si A i B són regulars aleshores AB és regular.
(c) Si A és regular aleshores At és regular.
La suma de matrius regulars, en canvi, pot no ser regular.
Proposició 1.86 (a) Si A és regular aleshores −A és regular.

(b) Si A és regular aleshores Ak és regular.
UPC Les submatrius quadrades regulars d’ordre màxim d’una matriu m × n són les formades
per files i columnes linealment independents en nombre màxim.
ETSEIAT
Teorema 1.87 Les files i columnes corresponents als pivots obtinguts pel mètode de
Gauss formen submatrius quadrades regulars d’ordre màxim de matrius del tipus m × n.
Exemple 1.88 La matriu A anterior no és regular, ja que

rg A 6= 4 .
I com que en l’aplicació del mètode de Gauss dels exemples anteriors la tercera i la quarta
Rafel Amer
files s’han permutat, es té que una submatriu quadrada regular d’ordre màxim de A és
 
Vicenç Sales 1 1 1
Ae =  1 2 2.
Pàgina 22 de 150 2 0 1
Siguin A una matriu m × n i α, P i X matrius-columna n × 1, m × 1 i m × 1 respectivament.
Definició 1.89 Es diu que una expressió és paramètrica lineal si és de la forma
X = Aα + P .
• α es diu matriu dels paràmetres; A, matriu de coeficients; P , matriu de termes

independents; i X, matriu d’incògnites.
• I si P = 0 es diu que l’expressió lineal és homogènia.
Teorema 1.90 rg (A|X − P ) = rg A.
El procés següent s’anomena eliminació de paràmetres lineals.
Observació 1.91 • Aplicant el mètode de Gauss a la matriu (A|X − P ) i imposant la

condició dels rangs anterior, s’obté un sistema d’equacions lineals amb equacions que
les incògnites x1 , . . . , xn de l’expressió paramètrica lineal satisfan per a tot α1 , . . . , αk .
• I si l’expressió paramètrica lineal és homogènia, l’anterior sistema és també homogeni.
UPC
Exemple 1.92 Eliminem paràmetres pel mètode de Gauss de l’expressió paramètrica lineal
ETSEIAT
x = 2 + α + β + 3γ + δ 
    
 1 1 3 1 x−2 1 1 3 1 x−2
y = 2 + α + 2β + 4γ + 2δ 

1 2 4 2 y−2  0 1 1 1 −x + y 
;   '  '
z =β+γ+δ 

 0 1 1 1 z  0 1 1 1 z 
2 0 4 1 t − 4 F2 ∼F2 −F1 0 2 2 1 2x − t F3 ∼F3 −F2


t = 4 + 2α + 4γ + δ F4 ∼2F1 −F4 F4 ∼2F2 −F4
   
1 1 3 1 x−2 1 1 3 1 x−2
0 1 1 1 −x + y  0 1 1 1 −x +y 
  ' .
Rafel Amer 0 0 0 0 x−y+z   0 0 0 1 −4x + 2y + t 
Vicenç Sales 0 0 0 1 −4x + 2y + t F ↔F 0 0 0 0 x−y+z
3 4
I com que rg A = 3, cal que rg (A|X − P ) = 3 també, que equival a que
Pàgina 23 de 150
x − y + z = 0.
• Els sistemes d’equacions lineals o sistemes lineals s’escriuen en la forma AX = B.
• A es diu matriu de coeficients; B, de termes independents; i X, d’incògnites.
• I la seva resolució és el procés invers del d’eliminació de paràmetres lineals.
Definició 1.93 • Diem que és compatible si té solucions i incompatible si no en té.
• I si és compatible en diem determinat si en té una i indeterminat si en té més d’una.
Si B = 0 en diem homogenis, que són compatibles ja que x1 = . . . = xn = 0 n’és solució.
Teorema 1.94 (a) Un sistema lineal AX = B és compatible si, i només si,
rg (A|B) = rg A .
(b) Un sistema lineal AX = B és compatible determinat si, i només si,
rg (A|B) = rg A = n .
• Aquest resultat s’anomena teorema de Rouché–Fröbenius.

• I quan el sistema lineal és compatible indeterminat diem graus de llibertat a n − rg A.
Observació 1.95 Podem resoldre sistemes lineals aplicant el mètode de Gauss:

• primer es troba el caràcter aplicant el mètode de Gauss a la matriu ampliada (A|B);
• i si és compatible, s’aı̈lla la incògnita d’un pivot i se substitueix a les equacions d’abans.
UPC Exemple 1.96 Resolguem pel mètode de Gauss el sistema lineal

x + y + 3z + t =5 
    
ETSEIAT  1 1 3 1 5 1 1 3 1 5
x + 2y + 4z + 2t =9 

1 2 4 2 9 0 1 1 1 4
;   '  '
y + z + t =4 

 0 1 1 1 4  0 1 1 1 4
2 0 4 1 4 F2 ∼F2 −F1 0 2 2 1 6 F3 ∼F3 −F2


2x + 4z + t =4 F4 ∼2F1 −F4 F4 ∼2F2 −F4
   
1 1 3 1 5 1 1 3 1 5 
x + y + 3z + t =5 
0 1 1 1 4 0 1 1 1 4 

0 0 0 0 0
 ' 
0 0 0 1 2
; y + z + t =4 .

t =2

Rafel Amer 0 0 0 1 2 F ↔F 0 0 0 0 0
3 4
Vicenç Sales I ara, com que rg (A|B) = rg A = 3 < 4, es té que el sistema lineal és compatible indetermi-
nat amb 4 − 3 = 1 grau de llibertat. I llavors, aı̈llant i substituint, obtenim les solucions:
Pàgina 24 de 150 x = 1 − 2z ; y = 2−z; t = 2.
Menors d’una matriu
Definició 1.97 S’anomena menor d’ordre k d’A al determinant de qualsevol submatriu

quadrada d’ordre k de A.
Els menors d’ordre 1 són els elements de la matriu.
Definició 1.98 Es diu que un menor M 0 és una orla d’un altre menor M si la submatriu
que correspon a M 0 s’obté afegint una fila i una columna a la corresponent a M .
Es diu també que el menor M 0 s’ha obtingut orlant el menor M .
Observació 1.99 En general, es parla de mètode dels menors en tots aquells procedi-
ments que utilitzen menors i orles.
UPC
Exemple 1.100 Considerem la matriu
ETSEIAT  
1 1 3 1
1 2 4 2
A=  0 1 1 1.

2 0 4 1
El menor d’ordre 2 corresponent a les dues primeres files i columnes és
1 1
= 1.
1 2
Rafel Amer
I els menors obtinguts orlant aquest menor amb la tercera fila i les altres columnes són
Vicenç Sales 1 1 3 1 1 1
1 2 4 = 1 2 2 = 0.
Pàgina 25 de 150 0 1 1 0 1 1
Proposició 1.101 k files d’A són linealment independents si, i només si, existeix algun
menor d’ordre k no nul obtingut a partir d’aquestes files.
Tant aquesta propietat com la següent són igualment vàlides en el cas de columnes.
Proposició 1.102 Si k files d’A són linealment independents i M és un menor d’ordre k
no nul obtingut amb aquestes mateixes files i les columnes que sigui llavors una altra fila
és combinació lineal d’aquestes si, i només si, tots els menors obtinguts orlant el menor
M anterior amb la nova fila i totes les altres columnes són iguals a 0.
Exemple 1.103 Considerem la matriu anterior

 
1 1 3 1
1 2 4 2
A=  0 1 1 1.

UPC
2 0 4 1
ETSEIAT Com que el menor d’ordre 2 format per les dues primeres files i columnes
1 1
1 2
era no nul, obtenim que les dues primeres files són linealment independents.
I com que els menors obtinguts orlant aquest menor amb la tercera fila i les altres colum-
nes
1 1 3 1 1 1
Rafel Amer
1 2 4 i 1 2 2
Vicenç Sales 0 1 1 0 1 1
eren tots dos nuls, es dedueix que la tercera fila és combinació lineal de les dues primeres
Pàgina 26 de 150 files i, en particular, que les tres primeres files són linealment dependents.
Teorema 1.104 El rang d’A és l’ordre màxim dels seus menors no nuls.
Exemple 1.105 Calculem el rang de la matriu anterior pel mètode dels menors:
 
1 1 3 1
1 2 4 2
A=  0 1 1 1.

2 0 4 1
Com que, en orlar amb la tercera fila els dos menors han estat nuls, passem ara a orlar
amb la quarta fila. Llavors tenim que
1 1 3
1 2 4 =0
2 0 4
però, en canvi,
1 1 1
1 2 2 = 16= 0 .
2 0 1
I com que hem vist que la tercera fila és combinació lineal de les dues primeres, obtenim
que no poden haver-hi quatre files linealment independents.
UPC
Per tant, el rang no pot ser 4 i, en conseqüència, tenim que
ETSEIAT
rg A = 3 .
Observació 1.106 Observem que ens hem estalviat calcular el determinant

1 1 3 1
1 2 4 2
0 1 1 1
Rafel Amer
2 0 4 1
Vicenç Sales
gràcies a l’ús de les propietats dels menors i la combinació lineal de files que hem fet.
Aquesta forma de procedir és interessant aplicar-la sempre que sigui possible.
Pàgina 27 de 150
Teorema 1.107 A és regular si, i només si,

det A 6= 0 .
Per tant, les matrius quadrades regulars són les no singulars o, el que és el mateix, les
directes o inverses.
Observació 1.108 • En conseqüència, les files i columnes linealment independents en

nombre màxim d’una m × n són les corresponents a menors no nuls d’ordre màxim.
• I, en particular, les submatrius quadrades regulars d’ordre màxim d’una m × n són
també les corresponents a menors no nuls d’ordre màxim.
UPC Exemple 1.109 La matriu anterior

 
1 1 3 1
ETSEIAT
1 2 4 2
A=
0

1 1 1
2 0 4 1
no és regular ja que
rg A 6= 4 .
Llavors, tenint en compte que el menor no nul d’ordre màxim trobat abans correspon a la
primera, segona i quarta files i la primera, segona i quarta columnes, sobté la submatriu
Rafel Amer
quadrada regular d’ordre màxim de la matriu A
 
Vicenç Sales 1 1 1
e =  1 2 2.
A
Pàgina 28 de 150 2 0 1
Siguin A una matriu m × n i α, P i X matrius-columna n × 1, m × 1 i m × 1, respectivament.
Observació 1.110 Per eliminar els paràmetres d’una expressió paramètrica lineal X =
Aα + P només cal imposar la condició
rg A = rg (A|X − P )
a la matriu (A|X − P ), fent el càlcul dels rangs pel mètode dels menors.
Exemple 1.111 Eliminem paràmetres pel mètode dels menors de l’expressió paramètrica
lineal
x = 2 + α + β + 3γ + δ 


y = 2 + α + 2β + 4γ + 2δ 

.
z =β+γ+δ 



t = 4 + 2α + 4γ + δ
En primer lloc, la matriu corresponent és
 
1 1 3 1 x−2
1 2 4 2 y−2
 .
0 1 1 1 z 
UPC
2 0 4 1 t−4
ETSEIAT Llavors, com hem vist en exemples anteriors, tenim que rg A = 3 i una submatriu regular
d’ordre màxim és la formada per la primera, segona i quarta files i la primera, segona i
quarta columnes.
Per tant, imposant la condició anterior dels rangs, tenim que ha de ser també rg (A|X −P ) =
3. I això equival a
1 1 1 x−2
1 2 2 y−2
Rafel Amer =0
0 1 1 z
Vicenç Sales 2 0 1 t−4
que, desenvolupant, queda
Pàgina 29 de 150
x − y + z = 0.
Els sistemes lineals AX = B amb matriu A regular es diuen de Cramer.
Teorema 1.112 Si un sistema lineal AX = B és de Cramer llavors, per a tot i = 1, . . . , n,

det (A1 . . . Ai−1 B Ai+1 . . . An )
xi = .
det A
• Aquesta fórmula s’anomena regla de Cramer.
• I el procés següent, mètode de Cramer.
Observació 1.113 Podem resoldre sistemes lineals de la forma següent:

• primer es troba el seu caràcter aplicant el mètode dels menors a (A|B);
• i si és compatible, s’aplica la regla de Cramer al sistema de Cramer obtingut suprimint
les files que no són d’A
e i passant restant els termes que no són d’A
e als independents.
Exemple 1.114 Resolguem pel mètode de Cramer el sistema lineal

x + y + 3z + t =5 
  
 1 1 3 1 5
x + 2y + 4z + 2t =9 

1 2 4 2 9
; 
0 1 1 1 4 .

y + z + t =4 

2 0 4 1 4


2x + 4z + t =4
En primer lloc, tal com hem vist en exemples anteriors, tenim que rg A = 3. I com que
UPC 1 1 1 5
1 2 2 9
= 0,
ETSEIAT 0 1 1 4
2 0 1 4
és rg (A|B) = rg A = 3 i el sistema és compatible indeterminat i equivalent al de Cramer

x + y + t =5 − 3z 


1 1 1 5 − 3z

x + 2y + 2t =9 − 4z ;  1 2 2 9 − 4z  .
2 0 1 4 − 4z

2x + t =4 − 4z

I llavors, aplicant la regla de Cramer, s’obtenen les solucions:
Rafel Amer
5 − 3z 1 1 1 5 − 3z 1 1 1 5 − 3z
Vicenç Sales
9 − 4z 2 2 1 9 − 4z 2 1 2 9 − 4z
4 − 4z 0 1 2 4 − 4z 1 2 0 4 − 4z
Pàgina 30 de 150 x= = 1 − 2z ; y= = 2−z; t= = 2.
det A det A det A
Reducció de matrius
Definició 1.115 Es diu que A està en forma reduı̈da per files si, i només si:
(i) les files amb tots els coeficients iguals a zero són les últimes;
(ii) el primer coeficient no nul de cada fila és a la dreta del corresponent de la fila anterior;
(iii) els coeficients per sota i per sobre de cada coeficient no nul anterior són zero tots.
• Els coeficients no nuls anteriors s’anomenen pivots.

• La diferència entre les formes esglaonada i reduı̈da per files és que en aquesta els zeros
no només estan per sota dels pivots sinó que també ho estan per sobre.
Observació 1.116 Podem trobar la forma reduı̈da per files d’una matriu permutant files
amb files posteriors si cal en cada columna per tal d’obtenir pivots no nuls i posant zeros
després per sota i per sobre dels pivots.
Aquest procés s’anomena reducció; i el procediment descrit, mètode de Gauss–Jordan.
UPC Observació 1.117 • La forma reduı̈da per columnes es defineix igual.

• I les propietats són també les mateixes.
ETSEIAT
Exemple 1.118 Reduı̈m per files la matriu A següent pel mètode de Gauss–Jordan:
   
1 1 3 1 1 1 3 1
1 2 4 2 0 1 1 1

0
 '  '
1 1 1  0 1 1 1
2 0 4 1 F2 ∼F2 −F1 0 2 2 1 FF1 ∼F 1 −F2
∼F −F
F4 ∼2F1 −F4 3 3 2
F4 ∼2F2 −F4
     
Rafel Amer
1 0 2 0 1 0 2 0 1 0 2 0
Vicenç Sales
0 1 1 1 0 1 1 1 0 1 1 0

0
 '  ' .
0 0 0 0 0 0 1 0 0 0 1
Pàgina 31 de 150 0 0 0 1 F ↔F
0 0 0 0 F 0 0 0 0
3 4 2 ∼F2 −F3
Siguin A una matriu m × n, X 1 , . . . , X k matrius-columna n × 1 i B 1 , . . . , B k matrius-columna
m × 1.
Definició 1.119 Els sistemes lineals amb igual matriu del sistema es diuen simultanis.
Són, per tant, sistemes lineals del tipus

AX 1 = B 1 , . . . , AX k = B k .
Observació 1.120 Podem resoldre sistemes simultanis pel mètode de Gauss-Jordan:

• primer es determina el caràcter aplicant el mètode de Gauss a (A|B 1 . . . B k );
• i pels que siguin compatibles, la solució es calcula aı̈llant la incògnita de cada equació.
Exemple 1.121 Resolguem pel mètode de Gauss–Jordan els sistemes lineals

x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
 
x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i .
y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
Matricialment, tenim:
   
1 1 3 1 5 4 1 1 3 1 5 4
1 2 4 2 9 6 0 1 1 1 4 2
UPC 
0 1 1 1 4 2
 '0 1 1 1 4 2
 '
2 0 4 1 4 5 F2 ∼F2 −F1 0 2 2 1 6 3 FF1 ∼F ∼F1 −F2
ETSEIAT −F 3 3 2
F4 ∼2F1 −F4 F4 ∼2F2 −F4
     
1 0 2 0 1 2 1 0 2 0 1 2 1 0 2 0 1 2
0 1 1 1 4 2 0 1 1 1 4 2 0 1 1 0 2 1

0
 '  ' .
0 0 0 0 0 0 0 0 1 2 1 0 0 0 1 2 1
0 0 0 1 2 1 F ↔F
0 0 0 0 0 0 F 0 0 0 0 0 0
3 4 2 ∼F2 −F3
Per tant, rg A = rg (A|B 1 ) = 3 i rg A = rg (A|B 2 ) = 3 i tots dos són compatibles indeterminats

Rafel Amer
amb 4−3 = 1 grau de llibertat. I aı̈llant la incògnita de cada equació, obtenim les solucions:
0 0
 
x = 1 − 2z  x = 2 − 2z 
Vicenç Sales
 
y =2−z i y0 = 1 − z0 .
0
 
t=2 t =1
 
Pàgina 32 de 150
Siguin A, X i B matrius m × n, n × p i m × p respectivament.
Teorema 1.122 (a) L’equació matricial AX = B té solució si, i només si,
rg (A|B) = rg A .
(b) L’equació matricial AX = B té solució única si, i només si,
rg (A|B) = rg A = n .
L’equació matricial AX = B és equivalent als sistemes simultanis AX 1 = B 1 , . . . , AX p = B p .
Observació 1.123 Podem resoldre l’equació AX = B pel mètode de Gauss–Jordan:

• primer es determina si té solució aplicant el mètode de Gauss a (A|B);
• i si té solució, aquesta és la matriu que té per columnes les dels sistemes simultanis.
Exemple 1.124 Resolguem pel mètode de Gauss–Jordan l’equació matricial

x x0
    
1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2  .
    
2 0 4 1 t t0 4 5
L’equació anterior equival als sistemes lineals simultanis
x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
 
UPC x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i
ETSEIAT y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
que, com hem vist en l’exemple anterior, tenen solucions
0 0
 
x = 1 − 2z 
 x = 2 − 2z 

0 0
y =2−z i y =1−z .
0
 
t=2 t =1
 
En conseqüència, les solucions de l’equació matricial són
Rafel Amer
x x0 1 − 2z 2 − 2z 0
   
Vicenç Sales  y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
Pàgina 33 de 150 t t0 2 1
Siguin X, A i B matrius m × n, n × p i m × p respectivament.
Proposició 1.125 L’equació matricial XA = B és equivalent a la At X t = B t .
Ja que la segona s’obté transposant la primera.
Observació 1.126 Podem resoldre l’equació XA = B pel mètode de Gauss–Jordan:

• primer es transposa l’equació anterior, obtenint l’equació matricial
At X t = B t ;
• ara es resol aquesta pel mètode de Gauss–Jordan per a equacions del tipus AX = B;
• finalment, es transposa la solució X t de l’equació anterior i s’obté la solució final:
t
X = Xt .
Exemple 1.127 Resolguem pel mètode de Gauss–Jordan l’equació matricial

 
1 1 0 2
x y z t  1 2 1 0 
= 5 9 4 4
.
x0 y 0 z 0 t0  3 4 1 4 

4 6 2 5
1 2 1 1
Transposant, ens queda l’equació matricial del tipus AX = B
x x0
    
1 1 3 1 5 4
UPC  1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2 
    
ETSEIAT
2 0 4 1 t t0 4 5
que, com hem vist en l’exemple anterior, té solució
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
I transposant aquesta matriu, s’obtenen les solucions de l’equació matricial inicial:
Rafel Amer  0
t
1 − 2z 2 − 2z
 2 − z 1 − z0 

Vicenç Sales x y z t 1 − 2z 2 − z z 2
= = .
x0 y 0 z 0 t0 z0  2 − 2z 0 1 − z 0 z 0 1
 
z
Pàgina 34 de 150 2 1
Sigui A una matriu quadrada no nul.la d’ordre n.
Definició 1.128 A és invertible si, i només si, existeixen matrius quadrades A0 i A00 amb
AA0 = I i A00 A = I .
Això equival a que AX = I i XA = I tinguin solucions.
Definició 1.129 A és simplificable si, i només si, per a tota matriu quadrada B i tota C
AB = AC =⇒ B = C i BA = CA =⇒ B = C .
Això equival a que X = Y sigui l’única solució de AX = AY i XA = Y A.
Definició 1.130 A és divisora de zero si, i només si, existeix una matriu quadrada B 6= 0
tal que
AB = 0 o BA = 0 .
Això equival a que AX = 0 i XA = 0 tinguin solucions no nul.les.

UPC (a) A és invertible;
(b) A és simplificable;
ETSEIAT
(c) A és no divisora de zero;
(d) A és regular.
En particular, les matrius I i −I són invertibles, simplificables i no divisores de zero.
Proposició 1.132 Si A és regular aleshores les equacions matricials

AX = I i XA = I
Rafel Amer
tenen solució única i és, a més, la mateixa per a totes dues.
Vicenç Sales
Exemple 1.133 Tal com hem vist, la matriu A dels exemples anteriors és singular i, per
Pàgina 35 de 150
tant, també no invertible, no simplificable i divisora de zero.
Sigui A una matriu regular.
Definició 1.134 Diem inversa d’A a l’única matriu que és solució de AX = I i XA = I.
• S’escriu A−1 i es té, en conseqüència, que AA−1 = A−1 A = I.

• I, en particular, I −1 = I i (−I)−1 = −I.
Teorema 1.135 (a) (A−1 )−1 = A.

(b) (αA)−1 = α1 A−1 , si α 6= 0.
(c) (AB)−1 = B −1 A−1 .
(d) (At )−1 = (A−1 )t .
És fals en general, per tant, que (AB)−1 = A−1 B −1 .
Proposició 1.136 (a) (−A)−1 = −(A−1 ).

(b) (Ak )−1 = (A−1 )k .
Pel primer apartat anterior escriurem −A−1 .
Teorema 1.137 Si A és regular aleshores AX = B i XA = B tenen solucions respectives

X = A−1 B i X = BA−1 .
UPC
Aplicant el mètode de Gauss–Jordan a (A|I) es troba la inversa d’A.
ETSEIAT
Proposició 1.138 (a) Si A és simètrica aleshores A−1 és simètrica.
(b) A és ortogonal si, i només si, A−1 = At –i, en tal cas, A−1 = At és també ortogonal–.
Exemple 1.139 Calculem la inversa de la submatriu A

e d’A pel mètode de Gauss–Jordan:
   
1 1 1 1 0 0 1 1 1 1 0 0
1 2 2 0 1 0 '  0 1 1 −1 1 0 '
2 0 1 0 0 1 F2 ∼F2 −F1 0 2 1 2 0 −1 F1 ∼F1 −F2
Rafel Amer F ∼2F1 −F3 F3 ∼2F2 −F3
  3   
Vicenç Sales 1 0 0 2 −1 0 1 0 0 2 −1 0 2 −1 0
 0 1 1 −1 1 0 '0 1 0 3 −1 −1  =⇒ A e−1 =  3 −1 −1  .
Pàgina 36 de 150 0 0 1 −4 2 1 F ∼F −F 0 0 1 −4 2 1 −4 2 1
2 2 3
Matriu adjunta
Sigui A una matriu quadrada d’ordre n ≥ 2.
Definició 1.140 La matriu adjunta Aad d’A és la matriu quadrada d’ordre n d’elements
αij
els adjunts dels elements aji de A per a tot i, j = 1, . . . , n.
Tenim que 0ad = 0, I ad = I i (−I)ad = (−1)n−1 I.
Observació 1.141 Recordem la regla dels escacs sobre el signe de cada coeficient:
 
+ − + ···
− + − ··· 
.
 
+ − + ··· 
 
.. .. .. . .
. . . .
t
En particular, pel teorema següent, les matrius A i Aad sempre commuten.
t t
Teorema 1.142 A Aad = Aad A = (det A) I.
UPC
Exemple 1.143 Donada la matriu
ETSEIAT  
1 1 1
e =  1 2 2,
A
2 0 1
la seva matriu adjunta és
2 2 1 2 1 2
 
−
 0 1 2 1 2 0 
 ad    
1 1 1   2 3 −4
Rafel Amer ead =  1 2 2 
 1 1 1 1 1 1  

A − 0 1
= − = −1 −1 2.
2 1 2 0 
Vicenç Sales 2 0 1 


 0 −1 1
 1 1 1 1 1 1 
−
Pàgina 37 de 150 2 2 1 2 1 2
Proposició 1.144 det Aad = (det A)n−1 .
I, en particular, es dedueix que Aad és regular si, i només si, A és regular.
Proposició 1.145 (a) Si rg A = n llavors rg Aad = n.

(b) Si rg A = n − 1 llavors rg Aad = 1.
(c) Si rg A ≤ n − 2 llavors rg Aad = 0.
En conseqüència, doncs, es té que Aad = 0 si, i només si, rg A ≤ n − 2.
Teorema 1.146 (a) (Aad )ad = (det A)n−2 A.

(b) (αA)ad = αn−1 Aad .
(c) (AB)ad = B ad Aad .
ad t
(d) At = Aad .
• L’adjunta de la suma, en canvi, no és la suma de les adjuntes, en general.

• I pel darrer apartat anterior, tenim que també
UPC ad ad
A At = At A = (det A) I .
ETSEIAT
Proposició 1.147 (a) (−A)ad = (−1)n−1 Aad .

ad k
(b) Ak = Aad .
ad −1
(c) A−1 = Aad .
Exemple 1.148 La transposada de l’adjunta de la matriu A

e anterior és
Rafel Amer  ad t  t  
Vicenç Sales t 1 1 1 2 3 −4 2 −1 0
ead = 
A  1 2 2   =  −1 −1

2  =  3 −1 −1  .
Pàgina 38 de 150
2 0 1 0 −1 1 −4 2 1
Teorema 1.149 Si A és regular llavors
1 ad t
A−1 = A .
det A
En general, es parla de mètode de l’adjunta en tots aquells procediments que utilitzen la

inversa, però calculada a partir d’aquesta fórmula.
Proposició 1.150 Si A és regular llavors

1
det A−1 =

.
det A
En particular, doncs, tenim la propietat següent.
Proposició 1.151 (a) Si A és directa llavors A−1 és directa.

(b) Si A és inversa llavors A−1 és inversa.
UPC
A les matrius quadrades d’ordre senar la propietat següent no té sentit per ser singulars.
ETSEIAT
Proposició 1.152 Si A és antisimètrica llavors A−1 és antisimètrica.
Exemple 1.153 Calculem la inversa de la matriu A

e anterior pel mètode de l’adjunta:
 ad t    
1 1 1 2 −1 0 2 −1 0
Rafel Amer
e−1 = 1 1
A ·  1 2 2   = ·  3 −1 −1  =  3 −1 −1  .
 
1 1 1 1
Vicenç Sales
2 0 1 −4 2 1 −4 2 1
1 2 2
Pàgina 39 de 150 2 0 1
Siguin A, X i B matrius m × n, n × p i m × p respectivament.
Observació 1.154 Podem resoldre l’equació AX = B pel mètode de l’adjunta:

• primer trobem si té solució aplicant el mètode dels menors a (A|B);
• i si en té, resolem l’equació equivalent A
eXe =B e –obtinguda suprimint les files que no
són del menor no nul d’ordre màxim i passant a la columna de termes independents les
incògnites que no són del menor–, calculant la inversa pel mètode de l’adjunta en
e =A
X e−1 B
e.
Exemple 1.155 Resolguem pel mètode de l’adjunta l’equació matricial

x x0
      
1 1 3 1 5 4 1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 ; (A|B) =  1 2 4 2 9 6  .
 
=
0
 
 0 1 1 1 z z   4 2 0 1 1 1 4 2
2 0 4 1 t t 0 4 5 2 0 4 1 4 5
Com que
1 1 3 1 1 1 1 5 1 1 1 4
1 1 1
1 2 4 2 1 2 2 9 1 2 2 6
1 2 2 = 1 6= 0 i = = = 0,
0 1 1 1 0 1 1 4 0 1 1 2
2 0 1
2 0 4 1 2 0 1 4 2 0 1 5
tenim que rg A = rg (A|B) = 3 i obtenim, per tant, que l’equació matricial té infinites
UPC solucions. I suprimint la darrera fila i passant a l’altre costat les incògnites z i z 0 s’obté
x x0 5 − 3z 4 − 3z 0
    
1 1 1
ETSEIAT  1 2 2   y y 0  =  9 − 4z 6 − 4z 0 
2 0 1 t t0 4 − 4z 5 − 4z 0
que, multiplicant per l’esquerra per la inversa de la matriu calculada anteriorment, queda
−1 
x x0 5 − 3z 4 − 3z 0 1 − 2z 2 − 2z 0
     
1 1 1
 y y 0  =  1 2 2   9 − 4z 6 − 4z 0  =  2 − z 1 − z 0  .
t t0 2 0 1 4 − 4z 5 − 4z 0 2 1
0 0 0
Finalment, substituint x, x , y, y , t i t a la matriu incògnita s’obtenen les solucions:
Rafel Amer
x x0 1 − 2z 2 − 2z 0
   
Vicenç Sales  y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
Pàgina 40 de 150 t t0 2 1
Siguin X, A i B matrius m × n, n × p i m × p respectivament.
Observació 1.156 Podem resoldre l’equació XA = B pel mètode de l’adjunta:

• primer transposem l’equació anterior, obtenint l’equació
At X t = B t ;
• ara es resol aquesta pel mètode de l’adjunta per a equacions del tipus AX = B;
• finalment, es transposa la solució X t de l’equació anterior i s’obté la solució final:
t
X = Xt .
Exemple 1.157 Resolguem pel mètode de l’adjunta l’equació matricial

 
1 1 0 2
x y z t  1 2 1 0 = 5 9 4 4 .

x0 y 0 z 0 t0  3 4 1 4  4 6 2 5
1 2 1 1
Transposant, ens queda l’equació matricial del tipus AX = B
x x0
    
1 1 3 1 5 4
UPC  1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2 
    
ETSEIAT
2 0 4 1 t t0 4 5
que, com hem trobat en l’exemple anterior pel mètode de l’adjunta, té solució
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
I transposant aquesta matriu, s’obtenen les solucions:
Rafel Amer  0
t
1 − 2z 2 − 2z
 2 − z 1 − z0 

Vicenç Sales x y z t 1 − 2z 2 − z z 2
= = .
x0 y 0 z 0 t0 z0  2 − 2z 0 1 − z 0 z 0 1
 
z
Pàgina 41 de 150 2 1
Siguin A una matriu m × n, X 1 , . . . , X k matrius-columna n × 1 i B 1 , . . . , B k matrius-columna
m × 1.
Observació 1.158 Podem resoldre sistemes simultanis pel mètode de l’adjunta:

• primer trobem el caràcter de cadascun aplicant el mètode dels menors a (A|B 1 . . . B k );
• i llavors, pels que siguin compatibles, determinem la solució de l’equació matricial
A e =B
eX e pel mètode de l’adjunta –essent B la matriu formada per les columnes de termes
independents dels sistemes anteriors–, obtenint aixı́ les solucions
e 1, . . . , X
X ep
corresponents a les columnes de la matriu X. e
Exemple 1.159 Resolguem pel mètode de l’adjunta els sistemes lineals

x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
 
x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i .
y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
En primer lloc, tal com hem vist en exemples anteriors, tenim que rg A = rg (A|B 1 ) = 3 i
rg A = rg (A|B 2 ) = 3 i obtenim, per tant, que tots dos sistemes són compatibles indetermi-
nats amb 4 − 3 = 1 grau de llibertat. I llavors, agrupant-los en l’equació matricial
UPC
x x0
    
1 1 3 1 5 4
ETSEIAT
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2  ,
    
2 0 4 1 t t0 4 5
tal com hem vist en exemples anteriors, obtenim que la seva solució és
x x0 1 − 2z 2 − 2z 0
   
 y y0  =  2 − z 1 − z0  .
t t0 2 1
Rafel Amer
I, en conseqüència, les solucions són, respectivament,
0 0
 
x = 1 − 2z  x = 2 − 2z 
Vicenç Sales
 
0 0
y =2−z i y =1−z .
0
 
t=2 t =1
 
Pàgina 42 de 150
2 ESPAIS VECTORIALS I AFINS
L’espai vectorial
Observació 2.1 En el context següent, els elements (x1 , . . . , xn ) ∈ Rn representen vectors.

Siguin ~x = (x1 , . . . , xn ) i ~y = (y1 , . . . , yn ) vectors de Rn i α ∈ R –que s’anomena escalar–.
Definició 2.2 • La suma de ~x i ~y és el vector de Rn

~x + ~y = (x1 + y1 , . . . , xn + yn ) .
• I el producte de α i ~x és el vector de Rn
α~x = (αx1 , . . . , αxn ) .
• ~0 = (0, . . . , 0) s’anomena vector nul.

• I −~x = (−x1 , . . . , −xn ), vector oposat de ~x.
Teorema 2.3 (a) (~x + ~y ) + ~z = ~x + (~y + ~z).

(b) ~0 + ~x = ~x.
(c) ~x + (−~x) = ~0.
(d) ~x + ~y = ~y + ~x.
~y ~x + ~y
−2~x
−~x
UPC ~x
2~x 3~x
ETSEIAT ~x
Teorema 2.4 (a) α(~x + ~y ) = α~x + α~y .

(b) (α + β)~x = α~x + β~x.
(c) α(β~x) = (αβ)~x.
(d) 1~x = ~x.
Per aquests dos teoremes, les propietats són les mateixes que les homònimes de matrius.
Rafel Amer
Observació 2.5 Rn amb la suma i el producte per escalars s’anomena espai vectorial.
Vicenç Sales
Exemple 2.6 Si ~x = (2, 1, 1) i ~y = (−5, 8, 4) aleshores

Pàgina 43 de 150
~x + ~y = (2, 1, 1) + (−5, 8, 4) = (−3, 9, 5) i −2~x = −2(2, 1, 1) = (−4, −2, −2) .
• Un sistema vectorial és un conjunt finit v = {~v1 , . . . , ~vk } de vectors.
• I es diu que és no nul si, i només si, tots els seus vectors són no nuls.
Definició 2.7 Diem matriu d’un sistema vectorial v a la que té per columnes els vectors.
Siguin v = {~v1 , . . . , ~vk } un sistema vectorial i ~x un vector de Rn .
Definició 2.8 • La combinació lineal de v i els escalars α1 , . . . , αk és

α1~v1 + . . . + αk~vk .
• ~x és combinació lineal de v si, i només si, existeixen escalars α1 , . . . , αk tals que ~x és
la combinació lineal de v i α1 , . . . , αk :
~x = α1~v1 + . . . + αk~vk .
• v és independent –o ~v1 , . . . , ~vk linealment independents– si, i només si, combinacions
lineals seves amb escalars diferents donen vectors diferents:
α1~v1 + . . . + αk~vk = β1~v1 + . . . + βk~vk =⇒ α1 = β 1 , . . . , α k = β k ;
i v és dependent –o ~v1 , . . . , ~vk linealment dependents– si, i només si, no és independent.
• I el rang de v és el nombre màxim de vectors linealment independents que conté.
Les combinacions lineals, la dependència i independència lineal i el rang de vectors són

totalment anàlegs als conceptes homònims referits a les files o columnes d’una matriu.
UPC
Observació 2.9 Per això totes les seves propietats són també les mateixes.
ETSEIAT
Combinació lineal L. dependents (rang 2) L. independents (rang 3)
~v2
~x = α1~v1 + α2~v2
~v1
Exemple 2.10 Amb els vectors (2, 1, 1) i (−5, 8, 4) i el sistema v = {(1, 1, 0), (1, 0, 1), (1, −1, 2)},
     
1 1 1 2 −5 1 1 1 2 −5 1 1 1 2 −5
Rafel Amer  1 0 −1 1 8 '  0 −1 −2 −1 13  '  0 −1 −2 −1 13  .
Vicenç Sales
0 1 2 1 4 F ∼F −F 0 1 2 1 4 F ∼F +F 0 0 0 0 17
2 2 1 3 3 2
Per tant, el vector (2, 1, 1) és combinació lineal de v per ser compatible aquest sistema, el
Pàgina 44 de 150 (−5, 8, 4) no ho és per ser incompatible i v és dependent ja que la seva matriu no té rang 3.
Sigui V un subconjunt no buit de Rn .
Definició 2.11 Es diu que V és un subespai vectorial de Rn si, i només si:
(i) si ~x, ~y ∈ V aleshores ~x + ~y ∈ V ;
(ii) si α ∈ R i ~x ∈ V aleshores α~x ∈ V .
{~0} és un subespai, dit nul; Rn també, que es diu total; i si V 6= {~0}, Rn en direm estricte.

(a) V és un subespai vectorial;
(b) tota combinació lineal de vectors de V és de V ;
(c) existeixen ~v1 , . . . , ~vk ∈ Rn tals que V és el conjunt de les seves combinacions lineals;
(d) les components dels vectors de V són solucions d’un sistema lineal homogeni AX = 0.
Escriurem V = h~v1 , . . . , ~vk i i V : AX = 0 en els dos darrers casos; i es té que {~0} = h~0i.
Definició 2.13 • {~v1 , . . . , ~vk } es diu sistema de generadors de V .

• I AX = 0, equacions implı́cites o cartesianes de V .
~v2
~v1
UPC V
Obtenim aixı́ les equacions de tipus vectorial: la vectorial ~x = α1~v1 + . . . + αk~vk ; les
ETSEIAT
paramètriques –desenvolupant l’anterior terme a terme–; i, en el cas d’un sol generador
~v = (v1 , . . . , vn ), també la contı́nua –aı̈llant l’únic paràmetre–: xv11 = . . . = xvnn .
Observació 2.14 L’eliminació de paràmetres lineals homogenis i la resolució de sistemes

lineals homogenis permet passar d’equacions paramètriques a implı́cites i viceversa.
Exemple 2.15 Donats els subespais V = h(2, 1, 1)i i V 0 = h(1, 1, 0), (1, 0, 1), (1, −1, 2)i, les
Rafel Amer equacions vectorial i paramètriques de V 0 per exemple són

Vicenç Sales
x =α + β + γ  
(x, y, z) = α(1, 1, 0) + β(1, 0, 1) + γ(1, −1, 2) i y =α − γ .

Pàgina 45 de 150 z =β + 2γ

Siguin {~v1 , . . . ~vn } sistema de generadors i AX = 0 equacions implı́cites d’un subespai V .
Definició 2.16 • Diem que {~v1 , . . . ~vn } és una base de V si no es pot prescindir de cap
vector sense que deixin de ser un sistema de generadors.
• I diem que AX = 0 són minimals si no es pot prescindir de cap equació sense que
deixin de ser unes equacions implı́cites.
• El subespai nul és l’únic sense bases; i el total, l’únic sense equacions minimals.
• I tant en l’eliminació de paràmetres lineals i la resolució de sistemes lineals com en
l’eliminació d’elements redundants, s’obtenen bases i equacions minimals.
Teorema 2.17 (a) Les bases són els sistemes de generadors linealment independents.
(b) Totes les bases d’un subespai vectorial no nul tenen el mateix nombre de vectors.
Aquest darrer apartat s’anomena teorema de les bases.
Definició 2.18 S’anomena dimensió de V al nombre comú de vectors de les seves bases.
• Escriurem dim V en tal cas; i es té dim Rn = n i, per conveni, dim {~0} = 0.
• Diem recta vectorial si dim V és 1, pla vectorial si és 2 i hiperplà vectorial si és n − 1.
UPC
Teorema 2.19 (a) Si V ⊆ V 0 aleshores dim V ≤ dim V 0 .
ETSEIAT
(b) V = V 0 si, i només si, V ⊆ V 0 i dim V = dim V 0 .
(c) dim V = rg C = n − rg A.
Exemple 2.20 Eliminant vectors redundants i paràmetres del subespai V 0 d’abans tenim:
     
1 1 1 x 1 1 1 x 1 1 1 x
 1 0 −1 y  '  0 −1 −2 −x + y  '  0 −1 −2 −x + y  .
0 1 2 z F ∼F −F 0 1 2 z F ∼F +F
0 0 0 −x + y + z
2 2 1 3 2 3
Rafel Amer
Per tant, una base, unes equacions implı́cites minimals i la dimensió respectives de V 0 són
Vicenç Sales {(1, 1, 0), (1, 0, 1)} , x−y−z =0 i 2.
I com que (2, 1, 1) pertany a V perquè 2 − 1 − 1 = 0 però dim V = 1 i dim V 0 = 2, es té que
0
V ⊂ V0.
Pàgina 46 de 150
Siguin B = {~e1 , . . . , ~en } i C la seva matriu.
Proposició 2.21 B és base de Rn si, i només si, C és regular.
Siguin B = {~e1 , . . . , ~en } una base i ~x un vector de Rn .
Definició 2.22 Diem components de ~x respecte B als únics escalars x1 , . . . , xn tals que
~x = x1~e1 + . . . + xn~en .
• Escrivim ~x = (x1 , . . . , xn )B .
• I es té que ~e1 = (1, 0, . . . , 0)B , . . . , ~en = (0,0 . . . , 0, 1)B .
x 4
3
6 y0 6
7
5
2 4
3
3
1 2
−6 −3 3 6
−1
−3
−2
−3
−1
~x
−4 −2
−5
−6
−6 −3
−7
Siguin ~x = (x1 , . . . , xn )B , ~y = (y1 , . . . , yn )B i α ∈ R.
UPC
Teorema 2.23 ~x + ~y = (x1 + y1 , . . . , xn + yn )B i α~x = (αx1 , . . . , αxn )B .
ETSEIAT
• Destaca la base canònica: Bc = {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)}.
• I es té que (x1 , . . . , xn )Bc = (x1 , . . . , xn ).
• Per això, quan no se n’especifica cap, s’entén que la base donada és la canònica.
Observació 2.24 El teorema anterior permet treballar amb components en una base
qualsevol en lloc de vectors per a tots els conceptes que depenguin de la suma de vectors
i del producte d’escalars per vectors.
Rafel Amer
Vicenç Sales Exemple 2.25 Donat el vector (1, 1, 0) i la base B 0 = {(1, 2, 3), (1, 2, 2), (1, 1, 1)}, de
(1, 1, 0) = x0 (1, 2, 3) + y 0 (1, 2, 2) + z 0 (1, 1, 1)
Pàgina 47 de 150
s’obté x0 = −1, y 0 = 1 i z 0 = 1. Per tant, tenim que (1, 1, 0) = (−1, 1, 1)B0 .
Siguin B 0 i B 00 dues bases de Rn .
Definició 2.26 Diem matriu de canvi de base C de B 00 a B 0 a la que té per columnes les
components dels vectors de la base B 00 respecte B 0 .
C
B 0 es diu base vella; B 00 , nova; i es representa en la forma (Rn , B 00 ) −−−−−−−−→ (Rn , B 0 ).
y 00
x0 4
3
6 y0 6
7
1
5
2 4
3
3
1 2
−1 1
−6 −3 3 6
−1 1 x00
−3
−2
−3
−1
~x
−4 −2
−1
−5
−6
−6 −3
−7
Siguin X 0 i X 00 les matrius-columna respectives de les components de ~x respecte B 0 i B 00 .
Teorema 2.27 X 0 = CX 00 .
Aquesta és l’anomenada fórmula del canvi de base de B 00 a B 0 .
UPC
Teorema 2.28 (a) La matriu de canvi de base de B a B 0 és C −1 .
ETSEIAT (b) Si P i Q són les matrius de canvi de base respectives de B 00 a B i de B 00 a B aleshores
la matriu de canvi de base de B 00 a B 0 és P −1 Q.
Exemple 2.29 La fórmula del canvi de base de la base B 0 d’abans a la Bc és

x = x0 + y 0 + z 0 
    0  
x 1 1 1 x 
 y  =  2 2 1   y0  ' y = 2x0 + 2y 0 + z 0 .
z 3 2 1 z0 z = 3x0 + 2y 0 + z 0


Rafel Amer En conseqüència, substituint aquestes expressions a l’equació implı́cita
Vicenç Sales x−y−z =0
del pla vectorial V d’abans, obtenim la seva equació implı́cita en la base B 0 :
Pàgina 48 de 150
(x0 + y 0 + z 0 ) − (2x0 + 2y 0 + z 0 ) − (3x0 + 2y 0 + z 0 ) = 0 ' 4x0 + 3y 0 + z 0 = 0 .
L’espai afı́
Observació 2.30 En el context següent, (x1 , . . . , xn ) pot representar un punt o un vector.
Siguin x = (x1 , . . . , xn ) un punt i ~v = (v1 , . . . , vn ) un vector de Rn .
Definició 2.31 S’anomena suma de x i ~v al punt

x + ~v = (x1 + v1 , . . . , xn + vn ) .
• L’únic vector ~v tal que x + ~v = y es diu vector lliure d’origen x i extrem y i s’escriu −
→
xy.
• I si x = (x1 , . . . , xn ) i y = (y1 , . . . , yn ) llavors
−
→ = (y − x , . . . , y − x ) .
xy 1 1 n n
Teorema 2.32 (a) x + ~v = x + ~v si, i només si, ~v = ~v ; i −

→=−→ si, i només si, y = z.
0 0
xy xz
0 0 −
→ −
→ −
→
(b) (x + ~v ) + ~v = x + (~v + ~v ); i xy + yz = xz.
• (a) es diu determinació.

0
• I pel segon apartat escriurem x + ~v + ~v .
UPC Proposició 2.33 (a) x + ~v = x si, i només si, ~v = ~0; i −

→ = ~0 si, i només si, x = y.
xy
−
→ −
→
(b) Si x + ~v = y llavors y + (−~v ) = x; i yx = −xy.
ETSEIAT
Per aquest darrer apartat escriurem y − ~v = x.
x + ~v y
−
→
xy
~v
x x
Observació 2.34 Rn amb la suma de vectors, el producte d’escalars per vectors i la suma
Rafel Amer
de punts i vectors es coneix com a l’espai afı́.
Vicenç Sales
Exemple 2.35 La suma del punt (0, 1, 1) i el vector (−5, 8, 4) és el punt
Pàgina 49 de 150
(0, 1, 1) + (−5, 8, 4) = (−5, 9, 5) .
Siguin x1 = (x11 , . . . , x1n ), . . . , xk = (xk1 , . . . , xkn ) punts de Rn .
Observació 2.36 • S’anomena baricentre de x1 , . . . , xk al punt b de Rn tal que

−−→ −−→
b x1 + . . . + b xk = ~0 ,
1
x +...+xk 1 k

que és b = 1 k 1 , . . . , xn +...+x
k
n
, per la qual cosa s’escriu b = x1 +...+x
k
k
.
• I en el cas de dos punts, el baricentre es diu punt mig.
Siguin p un punt de Rn i V un subespai vectorial de Rn .
Definició 2.37 El conjunt L = p + V s’anomena varietat lineal determinada per p i V .

• Els punts i Rn –que es diu total– són varietats lineals; i les altres es diuen estrictes.
• p es diu punt de pas; V , subespai director o direcció; i els vectors de V , directors.
Teorema 2.38 (a) Els punts de L són les sumes de p i combinacions lineals de ~v1 , . . . , ~vk .
(b) Un subconjunt no buit de Rn és una varietat lineal si, i només si, les coordenades dels
punts de L són solucions d’un sistema lineal compatible AX = B.
Escriurem L = p + h~v1 , . . . , ~vk i i L : AX = B; i es té que {p} = p + h~0i.
Definició 2.39 Es diu que AX = B són unes equacions implı́cites o cartesianes de L.

UPC
Obtenim aixı́ les equacions de tipus vectorial: la vectorial x = p + α1~v1 + . . . + αk~vk ; les
ETSEIAT
paramètriques –desenvolupant l’anterior terme a terme–; i, en el cas d’un sol generador
~v = (v1 , . . . , vn ), també la contı́nua –aı̈llant l’únic paràmetre–: x1v−p
1
1
= . . . = xnv−p
n
n
.
Observació 2.40 L’eliminació de paràmetres lineals i la resolució de sistemes lineals

compatibles permet passar d’equacions paramètriques a implı́cites i viceversa.
Exemple 2.41 Donades les varietats lineals L = p + V = (−5, 9, 5) + h(2, 1, 1)i i L0 = p0 + V 0 =
Rafel Amer (0, 1, 1) + h(1, 1, 0), (1, 0, 1), (1, −1, 2)i, les equacions de tipus vectorial de L0 per exemple són

x =α + β + γ 
Vicenç Sales 
(x, y, z) = (0, 1, 1) + α(1, 1, 0) + β(1, 0, 1) + γ(1, −1, 2) i y =1 + α − γ .

z =1 + β + 2γ
Pàgina 50 de 150

Diem sistemes afins als conjunts {p; ~v1 , . . . , ~vk } amb p punt i {~v1 , . . . , ~vk } sistema vectorial.
Definició 2.42 • Els sistemes afins {p; ~v1 , . . . , ~vk } formats per un punt de pas de L i una
base de V es diuen referències de L.
• I es diu que unes equacions implı́cites de L són minimals si no es pot prescindir de
cap d’elles sense que deixin de ser-ho.
• Els punts són els únics sense referències; i la total, l’única sense equacions minimals.
• I tant en l’eliminació de paràmetres lineals com en la resolució de sistemes lineals
s’obtenen sempre referències i equacions implı́cites minimals.
Proposició 2.43 Si L = p + V : AX = B llavors V : AX = 0.
Aquest procés es coneix com a homogeneı̈tzació de les equacions implı́cites.
Definició 2.44 Se’n diu dimensió d’una varietat lineal L = p + V a la dimensió de V .
• Escriurem dim L en tal cas; i si és 0 tenim els punts, mentre que si és n tenim Rn .
• Diem recta afı́ si dim L és 1, pla afı́ si és 2 i hiperplà afı́ si és n − 1.
UPC Teorema 2.45 (a) Si L ⊆ L0 llavors dim L ≤ dim L0 .

(b) L = L0 si, i només si, L ⊆ L0 i dim L = dim L0 .
ETSEIAT
(c) dim L = rg C = n − rg A.
~v2
p
~v1
L
Exemple 2.46 Eliminant vectors redundants i paràmetres de la varietat lineal L0 tenim
     
1 1 1 x 1 1 1 x 1 1 1 x
Rafel Amer
 1 0 −1 y − 1  ' 0 −1 −2 −x + y − 1  ' 0 −1 −2 −x + y − 1 
0 1 2 z − 1 F2 ∼F1 −F2 0 1 2 z−1 F ∼F +F
0 0 0 −x + y + z − 2
Vicenç Sales F3 ∼F3 +F1 3 3 2
i una referència, unes equacions implı́cites minimals i la dimensió respectives de L0 són

Pàgina 51 de 150
{(0, 1, 1); (1, 1, 0), (1, 0, 1)} , x − y − z = −2 i 2.
0 0
Siguin L = p + V = p + h~v1 , . . . , ~vk i i L0 = p0 + V 0 = p0 + h~v1 , . . . , ~vk0 i dues varietats lineals,
Definició 2.47 • L i L0 són paral.leles si, i només si,

V ⊆V0 o V0 ⊆V .
• I L i L0 es tallen o són secants si, i només si,
L ∩ L0 6= ∅ .
• Si dim L = dim L0 , la condició anterior de paral.lelisme passa a ser V = V 0 .
• Per la propietat següent, Lx s’anomena varietat lineal paral.lela d’igual dimensió que
k
L que passa per x.
Proposició 2.48 Lx = x + V és paral .lela a L, dim Lx = dim L i Lx passa per x.

k k k
−→
El vector pp0 s’anomena vector de posició relativa de L i L0 .

(a) L i L0 són secants;
−→ 0 0
(b) pp0 és combinació lineal del sistema vectorial {~v1 , . . . , ~vk , ~v1 , . . . , ~vk0 };
(c) el sistema lineal obtingut reunint les equacions implı́cites de L i L0 és compatible.
UPC Si L i L0 són no paral.leles i secants diem que són estrictament secants; si són paral.leles i
no secants, estrictament paral.leles; i si són no paral.leles i no secants, que s’encreuen.
ETSEIAT
Proposició 2.50 L i L0 són paral .leles i secants si, i només si, L ⊆ L0 o L0 ⊆ L.
Inclosa (iguals) Estrictament paral.leles Estrictament secants S’encreuen

Rafel Amer
Exemple 2.51 Les varietats lineals L = p + V i L0 = p0 + V 0 anteriors són estrictament
Vicenç Sales paral.leles, ja que V ⊂ V 0 com hem vist a la secció anterior i el punt de pas (−5, 9, 5) de L
no pertany a L0 perquè
Pàgina 52 de 150 −5 − 9 − 5 = −19 6= −2 .
Siguin R = {O; B} = {O; ~e1 , . . . , ~en } una referència i x un punt de Rn .
−→
Definició 2.52 Diem coordenades de x respecte R a les components de O x respecte B.
• Escrivim x = (x1 , . . . , xn )R .
• Es té que O = (0, . . . , 0)R , O + ~e1 = (1, 0, . . . , 0)R , . . . , O + ~en = (0, . . . , 0, 1)R .
−→
• I O x s’anomena vector de posició de x respecte R.
Teorema 2.53 Les coordenades de x són les solucions del sistema lineal
x = O + x1~e1 + . . . + xn~en .
Siguin x = (x1 , . . . , xn )R i ~v = (v1 , . . . , vn )B .
Teorema 2.54 x + ~v = (x1 + v1 , . . . , xn + vn )R .

y0 7
9
8
6
4
7
6
p x0
5
3 3
4
2 2
3
1 1
1
−1 −1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
UPC −5
−6
ETSEIAT • Destaca la referència canònica: Rc = {(0, 0, . . . , 0); (1, 0, . . . , 0), . . . , (0, 0, . . . , 1)}.
• I es té que (x1 , . . . , xn ) = (x1 , . . . , xn )Rc .
• Per això, quan no se n’especifica cap, s’entén que la referència donada és la canònica.
Observació 2.55 El teorema anterior permet treballar amb coordenades respecte d’una
referència qualsevol i components en la seva base en lloc de punts i vectors respecti-
vament, per a tots els conceptes que depenguin de la suma de vectors, del producte
Rafel Amer
d’escalars per vectors i de la suma de punts i vectors.
Vicenç Sales Exemple 2.56 Amb la referència R0 = {(0, 1, 1); (1, 2, 3), (1, 2, 2), (1, 1, 1)} i el punt (1, 2, 1) és
(1, 2, 1) = (0, 1, 1) + x0 (1, 2, 3) + y 0 (1, 2, 2) + z 0 (1, 1, 1) ,
Pàgina 53 de 150
d’on x0 = −1, y 0 = 1 i z 0 = 1. Per tant, tenim que (1, 2, 1) = (−1, 1, 1)R0 .
Siguin R0 = {O0 ; B 0 } i R00 = {O00 ; B 00 } dues referències de Rn .
Definició 2.57 S’anomena matriu del nou origen M a la que té per columnes les coor-
denades del punt O00 respecte R0 .
R0 es diu referència vella; i R00 , nova.
y0 x00
9
7
1
8
6
4
7
6
p x0
−1
5
3 3
4
2 2
1
1 1
2
1
−1 −1 y 00
−1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Siguin X 0 i X 00 les matrius-columna respectives de les coordenades de x respecte R0 i R00 .
Teorema 2.58 X 0 = M + CX 00 .
Aquesta és l’anomenada fórmula del canvi de referència de R00 a R0 .

UPC
ETSEIAT Observació 2.59 I tenim també la fórmula del canvi de referència invers de R0 a R00
X 00 = C −1 (X 0 − M ) = −C −1 M + C −1 X 0 .
Exemple 2.60 La fórmula del canvi de referència de la referència R0 d’abans a la Rc és

x = x0 + y 0 + z 0
      0  
x 0 1 1 1 x 

0 0 0 0
 y  =  1 +  2 2 1 y  ' y = 2x + 2y + z + 1 .
z 1 3 2 1 z0 z = 3x0 + 2y 0 + z 0 + 1


Rafel Amer En conseqüència, substituint aquestes expressions a l’equació implı́cita
Vicenç Sales x − y − z = −2
del pla afı́ L d’abans, obtenim la seva equació implı́cita en la referència R0 :
0
Pàgina 54 de 150
(x0 + y 0 + z 0 ) − (2x0 + 2y 0 + z 0 + 1) − (3x0 + 2y 0 + z 0 + 1) = −2 ' 4x0 + 3y 0 + z 0 = 0 .
L’espai vectorial euclidià
Siguin ~x = (x1 , . . . , xn ) i ~y = (y1 , . . . , yn ) vectors de Rn .
Definició 2.61 S’anomena producte escalar de ~x i ~y a l’escalar

~x · ~y = x1 y1 + . . . + xn yn .
Matricialment, és ~x · ~y = X t Y ; i si ~x · ~y = 0 diem que ~x i ~y són ortogonals i posem ~x ⊥ ~y .
Teorema 2.62 (a) ~x · (~y + ~z) = ~x · ~y + ~x · ~z.

(b) (α~x) · ~y = α(~x · ~y ) = ~x · (α~y ).
(c) ~x · ~y = ~y · ~x.
(d) ~x · ~x ≥ 0.
(e) ~x · ~x = 0 si, i només si, ~x = ~0.
(a) i (b) es diuen bilinealitat; (c), simetria; i (d) i (e), definició positiva.
Proposició 2.63 (a) ~0 · ~x = ~x · ~0 = 0.

(b) (−~x) · ~y = −(~x · ~y ) = ~x · (−~y ).
Pel primer apartat del teorema escriurem α~x · ~y ; i pel darrer de la proposició, −~x · ~y .
Observació 2.64 Rn amb la suma de vectors, el producte d’escalars per vectors i el

UPC
producte escalar de vectors es coneix com a l’espai vectorial euclidià.
ETSEIAT 0 0
Siguin v = {~v1 , . . . , ~vk } i v 0 = {~v1 , . . . , ~vk0 } dos sistemes vectorials de Rn .
Observació 2.65 La matriu de tots els productes escalars respectius és Gv,v0 = C t C 0 .
En particular, si els sistemes vectorials són iguals queda Gv = C t C.
Teorema 2.66 (a) Gv és simètrica.

Rafel Amer (b) det Gv ≥ 0 i det Gv = 0 si, i només si, v és linealment dependent.
Vicenç Sales (c) Si k = n aleshores det Gv = (det C)2 .
Exemple 2.67 El producte escalar dels vectors ~x = (1, 1, 0) i ~y = (1, 0, 1) és
Pàgina 55 de 150
~x · ~y = (1, 1, 0) · (1, 0, 1) = 1 · 1 + 1 · 0 + 0 · 1 = 1 .
Sigui ~x un vector de Rn .
Definició 2.68 S’anomena norma de ~x a l’escalar positiu

√
k ~x k = ~x · ~x .
També es diu mòdul; i diem vectors unitaris als de norma 1.
Teorema 2.69 (a) k ~x k = 0 si, i només si, ~x = ~0.

(b) k α~x k = |α| k ~x k.
(c) k ~x + ~y k ≤ k ~x k + k ~y k.
1
Pel tercer apartat, k~
xk ~x és unitari; i el darrer apartat s’anomena desigualtat triangular.
~x ~y ~x
k ~x k
~x
c~y
Siguin ~x i ~y dos vectors de Rn .
Teorema 2.70 |~x · ~y | ≤ k ~x k k ~y k.
Aquesta fórmula s’anomena desigualtat de Schwarz i dona sentit a la definició següent.

UPC
ETSEIAT
Definició 2.71 S’anomena angle format pels vectors no nuls ~x i ~y al valor entre 0 i π
~x · ~y
~xc~y = arccos .
k ~x k k ~y k
Això equival a l’anomenada fórmula clàssica del producte escalar: ~x · ~y = k ~x k k ~y k cos ~xc~y .
Proposició 2.72 (a) ~x i ~y són linealment dependents si, i només si, ~xc~y = 0 o ~xc~y = π.
Rafel Amer
(b) ~x i ~y són ortogonals si, i només si, ~xc~y = π2 .
Vicenç Sales Exemple 2.73 L’angle format pels vectors ~x = (1, 1, 0) i ~y = (1, 0, 1) és
(1, 1, 0) · (1, 0, 1) 1 1 π
c~y = arccos
~x = arccos √ √ = arccos = .
Pàgina 56 de 150
k (1, 1, 0) k · k (1, 0, 1) k 2· 2 2 3
Sigui v = {~v1 , . . . , ~vk } un sistema vectorial no nul.
Definició 2.74 • v és ortogonal si, i només si, ~vi · ~vj = 0 per a tot i, j = 1, . . . , n amb i 6= j.
• I v és ortonormal si, i només si, v és ortogonal i tots els seus vectors són unitaris.
Els sistemes ortogonals d’un vector són els vectors no nuls; i els ortonormals, els unitaris.
Teorema 2.75 (a) v és un sistema ortogonal si, i només si, Gv és diagonal.
(b) Els sistemes ortogonals són independents.
(c) Si v és un sistema independent i
0
0 0
!
0 0 ~v1 · ~v2 0 0 ~v1 · ~vk 0 ~vk−1 · ~vk 0
~v1 = ~v1 i ~v2 = ~v2 − 0 0 ~v1 , . . . , ~vk = ~vk − v + ... + 0
0 ~ ~v
~v1 · ~v1 1 ~vk−1 · ~vk−1 k−1
0 0
~v1 · ~v1
0 0
aleshores v 0 = {~v1 , . . . , ~vk } és un sistema ortogonal.
(d) det Gv0 = det Gv .
• Per l’apartat (b), diem bases ortogonals als sistemes ortogonals d’un subespai vectorial.
• I l’apartat (c) es coneix com a mètode de Gram–Schmidt.
Teorema 2.76 (a) v és un sistema ortonormal si, i només si, Gv = I.

(b) Els sistemes ortonormals són ortogonals.
UPC (c) Normalitzant els vectors d’un sistema ortogonal se n’obté un d’ortonormal.
ETSEIAT I, com abans, diem bases ortonormals als sistemes

0
ortonormals d’un subespai vectorial.
~v3 ~v3
00
~v3 00 0
~v2 ~v2
~v2
00 0
~v1 ~v1 = ~v1
Exemple 2.77 Ortogonalitzant per Gram–Schmidt el sistema {(1, 1, 0), (1, 0, 1)}, tenim
0 0 (1,1,0)·(1,0,1)
Rafel Amer ~v1 = (1, 1, 0) i ~v2 = (1, 0, 1) − (1,1,0)·(1,1,0) (1, 1, 0) = (1, 0, 1) − 12 (1, 1, 0) ' (1, −1, 2) .
Vicenç Sales I normalitzant aleshores els vectors, tenim els sistemes ortogonal i ortonormal respectius

1 1
Pàgina 57 de 150
{(1, 1, 0), (1, −1, 2)} i √ (1, 1, 0), √ (1, −1, 2) .
2 6
Sigui V un subespai vectorial de Rn .
Definició 2.78 Diem subespai ortogonal V ⊥ de V al conjunt de vectors de Rn que són

ortogonals a tots els vectors de V .
• Se l’anomena també l’ortogonal només.

• I es té que {~0}⊥ = Rn i (Rn )⊥ = {~0}.
Proposició 2.79 (a) V ⊥ és un subespai vectorial.

(b) (V ⊥ )⊥ = V .
(c) dim V ⊥ = n − dim V .
(d) V ⊆ V 0 si, i només si, V 0 ⊥ ⊆ V ⊥ .
(b) es diu doble ortogonal.
Teorema 2.80 Si {~v1 , . . . , ~vk } és un sistema de generadors de V aleshores

V ⊥ = {~x ∈ Rn : ~v1 · ~x = 0, . . . , ~vk · ~x = 0} .
• Matricialment, és Gv,x = 0 o, equivalentment, C t X = 0.

• En particular, les components dels vectors d’un sistema de generadors de V són coefici-
ents d’equacions implı́cites de V ⊥ ; i també viceversa, per la propietat del doble ortogonal.
UPC
ETSEIAT Teorema 2.81 (a) La reunió de bases de V i V ⊥ és una base de Rn .

(b) La reunió de bases ortogonals de V i V ⊥ és una base ortogonal de Rn .
(c) La reunió de bases ortonormals de V i V ⊥ és una base ortonormal de Rn .
V⊥
V
Rafel Amer
Exemple 2.82 El subespai ortogonal del subespai V = h(1, 1, 0), (1, 0, 1)i és
Vicenç Sales ) )
⊥ (1, 1, 0) · (x, y, z) =0 x + y =0
V : ' =⇒ V ⊥ = h(1, −1, −1)i .
Pàgina 58 de 150 (1, 0, 1) · (x, y, z) =0 x + z =0
0
Siguin ~x un vector i V un subespai vectorial de Rn i siguin ~x i ~x ∗ dos vectors més de Rn .
0
Definició 2.83 • Es diu que ~x és la projecció ortogonal de ~x sobre V si, i només si,
0 0
~x ∈ V i ~x − ~x ∈ V ⊥ .
• I es diu que ~x ∗ és el simètric de ~x respecte de V si, i només si,
~x + ~x ∗ ∈ V i ~x − ~x ∗ ∈ V ⊥ .
0
~x i ~x ∗ són únics.
0
Teorema 2.84 (a) ~x ∗ = 2~x − ~x.
00
(b) Si ~x és la projecció ortogonal de ~x sobre el subespai ortogonal V ⊥ de V aleshores
0 00
~x = ~x − ~x .
~x
00 0
~x = ~x − ~x
0
~x V
~x ∗

0
(a) ~x és la projecció ortogonal de ~x sobre V .
0
UPC (b) k ~x − ~x k ≤ k ~x − ~y k per a tot ~y ∈ V .
0
(c) ~x = x01~v1 + . . . + x0k~vk , amb V = h~v1 , . . . , ~vk i i x01 , . . . , x0k solucions del sistema Gv X 0 = Gv,x .
ETSEIAT
0
• En particular, si {~v1 , . . . , ~vk } és base ortogonal de V aleshores ~x = ~v~v11·~·~
x
v1 + . . . + ~v~vkk·~·~
v1 ~
x
vk .
vk ~
0 ~v ·~
x
• I si V té un sol generador ~v aleshores ~x = ~v·~v ~v .
0
• Pel segon apartat anterior, ~x es coneix també com a millor aproximació de ~x en V .
0 0 0
Proposició 2.86 (a) (~x ) = ~x i (~x ∗ )∗ = ~x.
0
(b) ~x = ~x si, i només si, ~x ∈ V ; i ~x ∗ = ~x si, i només si, ~x ∈ V .
0
Rafel Amer (c) ~x = ~0 si, i només si, ~x ∈ V ⊥ ; i ~x ∗ = −~x si, i només si, ~x ∈ V ⊥ .
Vicenç Sales
Exemple 2.87 La projecció ortogonal del vector (−5, 8, 4) sobre el subespai V d’abans és
0 (1, −1, −1) · (−5, 8, 4) −17 1
Pàgina 59 de 150 ~x = (−5, 8, 4) − (1, −1, −1) = (−5, 8, 4) − (1, −1, −1) = (2, 7, −5) .
(1, −1, −1) · (1, −1, −1) 3 3
Sigui C la matriu d’una base B de Rn .
Proposició 2.88 B és ortonormal si, i només si, C és ortogonal.
Siguin B = {~e1 , . . . , ~en } una base ortonormal i ~x un vector de Rn .
Teorema 2.89 ~x = (~x · ~e1 , . . . , ~x · ~en )B .
Siguin ~x = (x1 , . . . , xn )B i ~y = (y1 , . . . , yn )B .
Teorema 2.90 ~x · ~y = x1 y1 + . . . + xn yn .
Siguin ara B 0 i B 00 dues bases ortonormals de Rn i C la matriu de canvi de base de B 00 a B 0 .
Teorema 2.91 C és ortogonal.
• Per això C s’anomena matriu ortogonal de canvi de base en aquest cas.

• En els canvis de base entre bases ortonormals queda
UPC X 0 = CX 00 , amb C ortogonal ,
que es coneix com a fórmula del canvi ortogonal de base de B 00 a B 0 .
ETSEIAT
Observació 2.92 • El segon teorema anterior permet treballar amb components en una
base ortonormal qualsevol en lloc de vectors per a tots els conceptes que depenguin de la
suma de vectors, del producte d’escalars per vectors i del producte escalar de vectors.
• Però en el cas de les bases no ortonormals, en canvi, caldrà fer un canvi de base a una
ortonormal.
Rafel Amer
Exemple 2.93 Donada la base ortonormal B = 31 (−1, 2, 2), 13 (2, −1, 2), 13 (2, 2, −1) , les com-

Vicenç Sales ponents del vector (1, 1, 0) respecte B són

1 1 1 1 1 4
(1, 1, 0) · (−1, 2, 2), (1, 1, 0) · (2, −1, 2), (1, 1, 0) · (2, 2, −1) = , , .
Pàgina 60 de 150
3 3 3 3 3 3
L’espai afı́ euclidià
Observació 2.94 Rn amb la suma de vectors, el producte d’escalars per vectors, el pro-
ducte escalar de vectors i la suma de punts i vectors es coneix com a l’espai afı́ euclidià.
Siguin p0 , p1 , . . . , pk punts de Rn i considerem el sistema vectorial v = {−

p−→ −−→
0 p1 , . . . , p0 pk }.
Definició 2.95 • Es diu paral.lelepı́pede de vèrtex p0 i vèrtexs adjacents p1 , . . . , pk a

πn (p0 , p1 , . . . , pk ) = {p0 + α1 − p− → −−→
0 p1 + . . . + αk p0 pk : 0 ≤ α1 , . . . , αk ≤ 1} .
• I es diu sı́mplex de vèrtexs p0 , p1 , . . . , pk a
σn (p0 , p1 , . . . , pk ) = {p0 + α1 − p−→ −−→
0 p1 + . . . + αk p0 pk : 0 ≤ α1 , . . . , αk i α1 + . . . + αk ≤ 1} .
• k es diu ordre.
• Si k = 0 són tots dos p0 ; si k = 1 són també iguals i en diem segments; si k = 2 en diem
paral.lelograms i triangles; i si k = 3, paral.lelepı́pedes també i tetraedres.
Observació 2.96 Notem per V el volum [o longitud (L) si k = 1 i àrea (A) si k = 2].
0 0
Si v 0 = {~v1 , . . . , ~vn } és el sistema ortogonal trobat a partir de v per Gram–Schmidt, es té
0 0 0 0 0 0 0 0
det Gv = det Gv0 = (~v1 · ~v1 ) · . . . · (~vk · ~vk ) = k ~v1 k2 · . . . · k ~vk k2 = (k ~v1 k · . . . · k ~vk k)2 .
UPC
√ √
det Gv
ETSEIAT
Teorema 2.97 V [πn (p0 , p1 , . . . , pk )] = det Gv i V [σn (p, p1 , . . . , pk )] = k! .
Si k = 0 es té V [πn (p0 )] = V [σn (p0 )] = 0; i si k = 1, L [πn (p0 , p1 )] = L [σn (p0 , p1 )] = k−

p−→
0 p1 k.
| det C|
Proposició 2.98 V [πn (p0 , p1 , . . . , pn )] = | det C| i V [σn (p0 , p1 , . . . , pn )] = n! .
Exemple 2.99 Donat el paral.lelepı́pede de vèrtex (0, 1, 1) i vèrtexs adjacents (1, 2, 1), (1, 1, 2)
−−−−−−−−−−→ −−−−−−−−−−→ −−−−−−−−−−−−→
i (−5, 9, 5), tenim que (0, 1, 1) (1, 2, 1) = (1, 1, 0), (0, 1, 1) (1, 1, 2) = (1, 0, 1) i (0, 1, 1) (−5, 9, 5) =
Rafel Amer
(−5, 8, 4). Per tant, el volum és
 
Vicenç Sales 1 1 −5
V = det  1 0 8  = | − 17| = 17 .
Pàgina 61 de 150 0 1 4
Sigui L = p + V una varietat lineal de Rn .
Observació 2.100 • El subespai ortogonal V ⊥ de V es diu subespai associat W a L.

• Es diu també subespai normal; i els seus vectors, associats o normals.
• I és clar que L = p + W ⊥ .
La fórmula del teorema següent s’anomena desigualtat de Schwarz generalitzada.

q
t G 0) ≤
√ √
Teorema 2.101 det (Gv,v 0 v,v det Gv det Gv0 .
0 0
Siguin L i L0 varietats lineals amb referències respectives {p; ~v1 , . . . , ~vk } i {p0 ; ~v1 , . . . , ~vk0 }.
Definició 2.102 Diem angle format per L i L0 que no siguin punts al valor entre 0 i π
2
q
t G 0)
det (Gv,v 0 v,v
L
d 0
L = arccos √ √ .
det Gv det Gv0
0 0
Siguin ara L = p + W ⊥ = p + hw ~ n−k i ⊥ i L0 = p0 + W 0 ⊥ = p0 + hw
~ 1, . . . , w ~ n−k0 i ⊥ .
~ 1, . . . , w
Teorema 2.103 L’angle format per L i L0 és

q q
UPC det (G t G 0)
t
det (Gw,w
0 v,w 0 Gw,w 0 )
π v,w
LdL0 = − arccos √ √ = arccos √ √ .
ETSEIAT 2 det Gv det Gw0 det Gw det Gw0
Per tant, per a dues rectes, una recta i un hiperplà i dos hiperplans tenim, respectivament,
0 0 0
|~v · ~v | π |~v · w
~ | |w
~ ·w
~ |
L
d L0 = arccos , L
d L0 = − arccos i L
d L 0 = arccos .
k ~v k k ~v 0 k 2 k ~v k k w~0k kw
~ kkw~0k
w
~ ~v
0
Rafel Amer
Exemple 2.104 Per a la recta L = (−5, 9, 5) + h(2, 1, 1)i i el pla L0 : x − y − z = −2, l’angle és
Vicenç Sales π |(2, 1, 1) · (1, −1, −1)| π 0 π π
L
d L0 = − arccos = − arccos √ √ = − = 0 .
2 k (2, 1, 1) k k (1, −1, −1) k 2 6· 3 2 2
Pàgina 62 de 150 . 0
I són estrictament paral leles perquè (−5, 9, 5) no pertany a L ja que −5 − 9 − 5 = −19 6= −2.
Siguin L = p + V = p + W ⊥ i L0 = p0 + V 0 = p0 + W 0 ⊥ dues varietats lineals de Rn .

(a) L i L0 són paral .leles.
0 0
(b) V ⊥ ⊆ W o W ⊆ V ⊥ .
(c) W ⊆ W 0 o W 0 ⊆ W .
0
I si dim L + dim L0 = n, aquestes són V ⊥ = W i W = W 0 , respectivament.
Proposició 2.106 L i L0 són paral .leles si, i només si, l’angle que formen és 0.
Siguin L = p + V i L0 = p0 + V 0 dues varietats lineals de Rn .
Definició 2.107 L i L0 són perpendiculars si, i només si,

V0 ⊆V⊥ o V⊥ ⊆ V0.
• Si dim L + dim L0 = n, la condició anterior passa a ser V 0 = V ⊥ .

• Per la propietat següent, L⊥
x s’anomena varietat lineal perpendicular suplementària a
L que passa per x.
Proposició 2.108 L⊥
x = x+V
⊥ és perpendicular a L, dim L⊥ = n − dim L i L⊥ passa per x.
x x
UPC
Siguin L = p + V = p + W ⊥ i L0 = p0 + V 0 = p0 + W 0 ⊥ dues varietats lineals de Rn .
ETSEIAT

(a) L i L0 són perpendiculars.
(b) V ⊆ W 0 o W 0 ⊆ V .
(c) W ⊥ ⊆ W 0 o W 0 ⊆ W ⊥ .
I si dim L + dim L0 = n, aquestes són V = W 0 i W ⊥ = W 0 , respectivament.

Rafel Amer
Proposició 2.110 L i L0 són perpendiculars si, i només si, l’angle que formen és π
2.
Vicenç Sales
Exemple 2.111 La recta perpendicular al pla L0 d’abans que passa per (−5, 9, 5) és
Pàgina 63 de 150 (x, y, z) = (−5, 9, 5) + α(1, −1, −1) .
Siguin x un punt, L = p + V una varietat lineal de Rn i x0 i x∗ dos punts més de Rn .
Definició 2.112 • Es diu que x0 és la projecció ortogonal de x sobre L si, i només si,
−−→
x0 ∈ L i x0 x ∈ V ⊥ .
• I es diu que x∗ és el simètric de x respecte de L si, i només si,
x + x∗ −−→
∈L i x∗ x ∈ V ⊥ .
2
x0 i x∗ són únics.
∗
Teorema 2.113 (a) x+x 2 = x0 .
(b) x0 = p + −
p→
x i x∗ = p + −
p→
0
x ∗.
x
−
p→
x
L⊥
x
p
−
p→
0 0
x x L
−
p→x∗
x∗

UPC (a) x0 és la projecció ortogonal de x sobre L.
(b) d(x, x0 ) ≤ d(x, y) per a tot y ∈ L.
ETSEIAT
(c) x0 és la intersecció de L i de la seva perpendicular suplementària L⊥
x =x+V
⊥ per x.
Pel segon apartat anterior, x0 es coneix també com a millor aproximació de x en L.
0
Proposició 2.115 (a) (x0 ) = x0 i (x∗ )∗ = x.
(b) x0 = x si, i només si, x ∈ L; i x∗ = x si, i només si, x ∈ L.
Exemple 2.116 Substituint les equacions paramètriques de la recta perpendicular a
Rafel Amer
l’equació del pla L0 d’abans, es té que (−5 + α) − (9 − α) − (5 − α) = −2 o bé −19 + 3α = −2.
Vicenç Sales Per tant, α = 173 i la projecció ortogonaldel punt (−5, 9, 5) sobre L0 és, doncs, el punt

2 10 2
, ,− .
Pàgina 64 de 150
3 3 3
Siguin x i y dos punts de Rn .
Definició 2.117 S’anomena distància de x i y a l’escalar positiu

d(x, y) = k −→k.
xy
p
Aixı́, si x = (x1 , . . . , xn ) ∈ Rn i y = (y1 , . . . , yn ) ∈ Rn és d(x, y) = (y1 − x1 )2 + . . . + (yn − xn )2 .
Teorema 2.118 (a) d(x, y) = 0 si, i només si, x = y.

(b) d(y, x) = d(x, y).
(c) d(x, z) ≤ d(x, y) + d(y, z).
Les dues darreres
y propietats es diuen simetria i desigualtat triangular, prespectivament.
p L d(L, L0 ) = d(p, L) = d(p, p̄0 )
−
→
d(x, y) = k xy k L0
p̄0 L
x 0 0
Siguin L = p + V = p + h~v1 , . . . , ~vk i i L0 = p0 + V 0 = p0 + h~v1 , . . . , ~vk0 i varietats lineals de Rn .
Teorema 2.119 Existeixen punts x ∈ L i x0 ∈ L0 tals que per a tot y ∈ L i tot y 0 ∈ L0

d(x, x0 ) ≤ d(y, y 0 ) .
• L’escalar positiu d(x, x0 ) s’anomena distància de L a L0 .
UPC • En conseqüència, la distància entre varietats lineals secants és 0.
ETSEIAT 0 0
Proposició 2.120 Si dim L ≤ dim L0 i L = p0 +h~v1 , . . . , ~vk , ~v1 , . . . , ~vk0 i llavors d(L, L0 ) = d(p, L),
• En particular, si L i L0 són estrictament paral.leles llavors d(L, L0 ) = d(p, L0 ).

• Això redueix les distàncies de varietats lineals a distàncies de punts a varietats lineals.
Teorema 2.121 (a) d(p, L) = d(p, p̄0 ), essent p̄0 la projecció ortogonal de p sobre L.
V [πn (p̄, p̄1 , . . . , p̄k , p)] −−→ −−→
(b) d(p, L) = , essent {p̄; p̄ p̄1 , . . . , p̄ p̄k } referència de L.
Rafel Amer
V [πn (p̄, p̄1 , . . . , p̄k )]
| A1 p 1 + . . . + An p n + A0 |
Vicenç Sales (c) d(p, H) = , essent H : A1 x1 + . . . + An xn + A0 = 0 hiperplà de Rn .
k (A1 , . . . , An ) k
Pàgina 65 de 150 q 17 2 √
17 2 17 2
Exemple 2.122 Tenim d(L, L0 ) = d (−5, 9, 5), 23 , 10 2 17 3

3 , − 3 = 3 + − 3 + − 3 = 3 .
Sigui {p; ~v1 , . . . , ~vk } un sistema afı́ de Rn .
Definició 2.123 • {p; ~v1 , . . . , ~vk } és rectangular si, i només si, {~v1 , . . . , ~vk } és ortogonal.
• I {p; ~v1 , . . . , ~vk } és euclidià si, i només si, {~v1 , . . . , ~vk } és ortonormal.
• Com que els sistemes vectorials ortogonals són independents, diem referències rectan-
gulars als sistemes afins rectangulars d’una varietat lineal.
• I com que els sistemes vectorials ortonormals són també independents per ser ortogo-
nals, diem referències euclidianes als sistemes afins euclidians d’una varietat lineal.
Proposició 2.124 R = {O; B} = {O; ~e1 , . . . , ~en } és una referència euclidiana de Rn si, i
només si, la matriu C de la seva base B és ortogonal.
Siguin R = {O; ~e1 , . . . , ~en } una referència euclidiana i x un punt de Rn .
−→ −→
Teorema 2.125 x = (O x · ~e1 , . . . , O x · ~en )B .
En els canvis de referència entre referències euclidianes queda
X 0 = M + CX 00 , amb C ortogonal ,
que es coneix com a fórmula del canvi ortogonal de referència de R00 a R0 .
UPC Observació 2.126 • Podem treballar amb coordenades en una referència euclidiana
qualsevol i components en la seva base ortonormal en lloc de punts i vectors respec-
ETSEIAT
tivament, per a tots els conceptes que depenguin de la suma de vectors, del producte
d’escalars per vectors, de la suma de punts i vectors i del producte escalar de vectors.
• Però en el cas de les referències no euclidianes, en canvi, caldrà fer un canvi de
referència a una euclidiana.
Exemple 2.127 Amb la referència euclidiana R = (0, 1, 1); 13 (−1, 2, 2), 31 (2, −1, 2), 13 (2, 2, −1) ,

tenim que el vector de posició del punt (1, 2, 1) és el

−−−−−−−−−−→
Rafel Amer
(0, 1, 1) (1, 2, 1) = (1, 1, 0) .
En conseqüència, les coordenades del punt (1, 2, 1) respecte R són les components del
Vicenç Sales
vector (1, 1, 0) respecte la base ortonormal de R que, com hem vist a la secció anterior, són

1 1 4
Pàgina 66 de 150 , , .
3 3 3
Orientació a l’espai vectorial i l’espai vectorial euclidià
Considerem l’espai vectorial.
Observació 2.128 Com sabem, les matrius de bases de Rn són regulars.
Siguin B = {~e1 , . . . , ~en } una base de Rn i C la seva matriu.
Definició 2.129 • B és positiva si, i només si, C és directa.

• I B és negativa si, i només si, C és inversa.
Es diu també que la signatura de B (σ(B)) és 1 si és positiva o −1 si és negativa.
Observació 2.130 És clar que la base canònica és positiva.
x0 4
UPC 3
6 y0 6
7
5
2 4
ETSEIAT 3
3
1 2
−6 −3 3 6
−1
−2 −1
−3
−3
−4 −2
−5
−6
−6 −3
−7
Exemple 2.131 Donada la base B 0 = {(1, 2, 3), (1, 2, 2), (1, 1, 1)} de R3 , com que
Rafel Amer
1 1 1
Vicenç Sales 2 2 1 = −1 < 0 ,
3 2 1
Pàgina 67 de 150 0
es dedueix que B és negativa.
Observació 2.132 Com sabem, les matrius de canvi de base són regulars.
0 0
Siguin B 0 = {~e1 , . . . , ~en } i B = {~e1 , . . . , ~en } dues bases de Rn .
Definició 2.133 • B 0 i B 00 tenen la mateixa orientació si, i només si, totes dues són
positives o totes dues negatives.
• I B 0 i B 00 tenen diferent orientació si, i només si, una és positiva i l’altra negativa.
y 00
x0 4
3
6 y0 6
7
1
5
2 4
3
3
1 2
−1 1
−6 −3 3 6
−2
−1
−1
1
x00
−3
−3
−4 −2
−1
−5
−6
−6 −3
−7
Sigui ara C la matriu de canvi de base de B 00 a B 0 .

UPC
ETSEIAT
Proposició 2.134 (a) B 0 i B 00 tenen la mateixa orientació si, i només si, C és directa.
(b) B 0 i B 00 tenen diferent orientació si, i només si, C és inversa.
Es diu també que les directes conserven l’orientació; i que les inverses la canvien.
Observació 2.135 Per tant, les bases positives són les que tenen la mateixa orientació
Rafel Amer que la base canònica; i les negatives les que la tenen diferent.
Vicenç Sales
Exemple 2.136 Com que la base B 0 d’abans és negativa i la base canònica Bc és positiva,
Pàgina 68 de 150 es dedueix que B 0 i Bc tenen diferent orientació.
Considerem a partir d’ara l’espai vectorial euclidià en tot el que resta de secció.
Observació 2.137 Com sabem, les matrius de bases ortonormals de Rn són ortogonals.
Sigui B = {~e1 , . . . , ~en } una base ortonormal de Rn i C la seva matriu ortogonal.
Proposició 2.138 (a) B és positiva si, i només si, det C = 1.

(b) B és negativa si, i només si, det C = −1.
y 00 y0
6 6 7
x0 5 5
5
6
−7 4 4
−6 4
−5 3 3
3
−4
22 2
−3
−2
−1
11 1
5 6
x00
3 4
2
−6 −5 −4 −3 −2 −
−1
−11 11 2 3 4 5 6
−3 −2 1
−5 −4 −2 −1
−1
−6 2
−3 −2−2 3
−4 4
−3−3
5
−5
−4 −4 6
−6 7
−7 −5 −5
−6 −6
UPC
ETSEIAT Observació 2.139 I, igualment, les matrius de canvi de base entre bases ortonormals
són també ortogonals.
0 0 00 00
Siguin ara B 0 = {~e1 , . . . , ~en } i B 00 = {~e1 , . . . , ~en } dues bases ortonormals de Rn i C la seva
matriu ortogonal de canvi de base de B 00 a B 0 .
Proposició 2.140 (a) B 0 i B 00 tenen la mateixa orientació si, i només si, det C = 1.
Rafel Amer
(b) B 0 i B 00 tenen diferent orientació si, i només si, det C = −1.
Vicenç Sales
Exemple 2.141 La base negativa B 0 d’abans, malgrat tenir determinant −1, no és ortonor-
Pàgina 69 de 150
mal.
Sigui v = {~v1 , . . . , ~vn−1 } un sistema vectorial de Rn .
n
Teorema 2.142 Existeix √ un únic vector ~v1 ∧ . . . ∧ ~vn−1 de R tal que:
(i) k ~v1 ∧ . . . ∧ ~vn−1 k = det Gv ;
(ii) ~v1 ∧ . . . ∧ ~vn−1 és ortogonal a cada ~v1 , . . . , ~vn−1 ;
(iii) Si v és independent aleshores {~v1 , . . . , ~vn−1 , ~v1 ∧ . . . ∧ ~vn−1 } és base positiva de Rn .
Aquest vector ~v1 ∧ . . . ∧ ~vn−1 s’anomena producte vectorial de ~v1 , . . . , ~vn−1 .

~v1 ∧ ~v2
~v2
~v1
Sigui B = {~e1 , . . . , ~en } una base ortonormal de Rn i σ(B) la seva signatura.
Teorema 2.143 Si ~v1 = (v11 , . . . , v1n )B , . . . , ~vn−1 = (vn−1

1 , . . . , vn )
n−1 B aleshores
~e1 ... ~en
v 1 ... v1n
1
~v1 ∧ . . . ∧ ~vn−1 = (−1)n−1 · σ(B) · .. .. .
. .
UPC 1
vn−1 n
. . . vn−1
ETSEIAT
El segon membre d’aquesta ’igualtat’ és només una ’regla nemotècnica’ per al càlcul del
producte vectorial, entenent que aquest es fa desenvolupant-lo per la primera fila.
Observació 2.144 • A R3 es té la següent propietat molt coneguda:

k ~v1 ∧ ~v2 k = k ~v1 k k ~v2 k sin ~v[
1~
v2 .
• I a R2 el producte vectorial d’un sol vector ~x s’escriu ~x⊥ ; i si ~x = (x, y) és ~x⊥ = (−y, x).
Rafel Amer Exemple 2.145 El producte vectorial dels vectors (1, −1. − 1) i (−5, 8, 4) és
Vicenç Sales ~i ~j ~k
3−1 −1 −1 1 −1 1 −1
(−1) · σ (Bc ) · 1 −1 −1 = 1 · 1 · ,− , = (4, 1, 3) .
8 4 −5 4 −5 8
Pàgina 70 de 150 −5 8 −4
Proposició 2.146 (a) ~v1 ∧ . . . ∧ ~vi ∧ . . . ∧ ~vj ∧ . . . ∧ ~vn−1 = −~v1 ∧ . . . ∧ ~vj ∧ . . . ∧ ~vi ∧ . . . ∧ ~vn−1 .
(b) ~v1 ∧ . . . ∧ (~yi + ~zi ) ∧ . . . ∧ ~vn−1 = ~v1 ∧ . . . ∧ ~yi ∧ . . . ∧ ~vn−1 + ~v1 ∧ . . . ∧ ~zi ∧ . . . ∧ ~vn−1 .
(c) ~v1 ∧ . . . ∧ (α~vi ) ∧ . . . ∧ ~vn−1 = α(~v1 ∧ . . . ∧ ~vn−1 ).
(d) ~v1 ∧ . . . ∧ ~vn−1 = ~0 si, i només si, v és dependent.
(e) Si v és independent aleshores h~v1 ∧ . . . ∧ ~vn−1 i = h~v1 , . . . , ~vn−1 i⊥ .
(f) Si v és ortogonal aleshores {~v1 , . . . , ~vn−1 , ~v1 ∧ . . . ∧ ~vn−1 } és base ortogonal positiva de Rn .
(g) I si v és ortonormal, {~v1 , . . . , ~vn−1 , ~v1 ∧ . . . ∧ ~vn−1 } és base ortonormal positiva de Rn .
00
Sigui ~vi la projecció ortogonal de ~vi sobre el subespai vectorial h~v1 , . . . , ~vi−1 , ~vi+1 , . . . , ~vn−1 i⊥ ,
per a tot i = 1, . . . , n − 1.
00
Teorema 2.147 ~v1 ∧ . . . ∧ ~vi ∧ . . . ∧ ~vn−1 = ~v1 ∧ . . . ∧ ~vi ∧ . . . ∧ ~vn−1 .
És interessant notar que, tot i que el producte vectorial depèn de l’orientació, algunes
qüestions derivades d’aquest concepte no en depenen.
Observació 2.148 • Això passa, per exemple, amb la determinació de generadors d’un
subespai vectorial, ja que tot generador pot ser substituit sempre pel seu vector oposat.
• El mateix succeeix per al que fa als vectors ortogonals a un subespai, igualment per
UPC la mateixa raó anterior.
•√ Finalment, cal destacar també la norma del producte vectorial ja que és igual a
ETSEIAT
det Gv .
Exemple 2.149 Donats els vectors (1, −1, −1) i (−5, 8, 4) d’abans, les projeccions ortogonals
respectives sobre el subespai vectorial h(1, −1, −1)i i el seu ortogonal h(1, −1, −1)i⊥ són
0 (1, −1, −1) · (−5, 8, 4) 17
~x = (1, −1, −1) = − (1, −1, −1)
(1, −1, −1) · (1, −1, −1) 3
i
00 17 1
Rafel Amer ~x = (−5, 8, 4) − − (1, −1, −1) = (2, 7, −5)
3 3
Vicenç Sales i, per tant, tenim que
1
(1, −1, −1) ∧ (2, 7, −5) = (1, −1, −1) ∧ (−5, 8, 4) = (4, 1, 3) .
Pàgina 71 de 150
3
Siguin α ∈ [0, 2π), v = {~v1 , . . . , ~vn−2 } una base ortonormal d’un subespai vectorial V de Rn
(n > 1) i ~x un vector de Rn .
Definició 2.150 S’anomena rotació de ~x d’angle α al voltant de v al vector

e = ~x 0 + (cos α) ~x 00 + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x 00 ) ,
~x
0 00
on ~x i ~x són les projeccions ortogonals de ~x sobre V i V ⊥ , respectivament.
A R2 no hi ha base ortonormal ja que V és el subespai nul, en diem gir de ~x d’angle α

simplement i tenim que
e = (cos α) ~x + (sin α) ~x⊥ .
~x
0 00
Teorema 2.151 (a) ~x e = ~x + (cos α) ~x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x).
(b) La rotació de ~x d’angle α al voltant de {~v1 , . . . , −~vi , . . . , ~vn−2 } és igual a la rotació de ~x
d’angle −α al voltant de {~v1 , . . . , ~vi , . . . , ~vn−2 }.
En particular, a R3 es té que la rotació de ~x d’angle α al voltant de −~v és igual a la rotació
de ~x d’angle −α al voltant de ~v .
Proposició 2.152 (a) ~x e = ~x si, i només si, ~x ∈ V .

(b) ~x = (cos α) ~x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x) si, i només si, ~x ∈ V ⊥ .
e
UPC ~x
0
~x
ETSEIAT ~x
e
~v 00
α ~x
V⊥
V
4π √1 (1, −1, −1)
Exemple 2.153 Donats l’angle α = 3 i els vectors ~v = 3
i ~x = (−5, 8, 4), com
que les projeccions ortogonals del vector (−5, 8, 4) sobre h(1, −1, −1)i i h(1, −1, −1)i⊥ són,
respectivament,
0 17 00 1
Rafel Amer ~x = − (1, −1, −1) i ~x = (2, 7, −5) ,
3 3
Vicenç Sales com hem vist a l’exemple precedent, es té que
√
17 1 1 3 1
~x = − (1, −1, −1) − · (2, 7, −5) −
e · √ (1, −1, −1) ∧ (−5, 8, 4) = (−8, 4, 5) .
Pàgina 72 de 150 3 2 3 2 3
Orientació a l’espai afı́ i l’espai afı́ euclidià
Considerem l’espai afı́.
Observació 2.154 Com sabem, les matrius de bases de Rn són regulars.
Sigui R = {O; B} = {O; ~e1 , . . . , ~en } una referència de Rn .
Definició 2.155 • R és positiva si, i només si, B és positiva.

• I R és negativa si, i només si, B és negativa.
Sigui ara C la matriu de la base B.
Proposició 2.156 (a) R és positiva si, i només si, C és directa.
(b) R és negativa si, i només si, C és inversa.
Es diu també que la signatura de R (σ(R)) és 1 si és positiva o −1 si és negativa.
UPC
Observació 2.157 És clar que la referència canònica és positiva.
ETSEIAT
y0 9
7
8
6
x0
7
5
6
4
5
3 3
4
2 2
3
1 1
1
−1 −1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
Rafel Amer −5
−6
Vicenç Sales
Exemple 2.158 La referència R0 = {(0, 1, 1); (1, 2, 3), (1, 2, 2), (1, 1, 1)} de R3 és negativa ja
que, com hem vist a la secció anterior, la seva base B 0 = {(1, 2, 3), (1, 2, 2), (1, 1, 1)} és nega-
Pàgina 73 de 150
tiva.
Observació 2.159 Com sabem, les matrius de canvi de base són ortogonals.
0 0 00 00
Siguin R0 = {O0 ; B 0 } = {O0 ; ~e1 , . . . , ~en } i R00 = {O00 ; B 00 } = {O00 ; ~e1 , . . . , ~en } dues referències de
Rn .
Definició 2.160 • R0 i R00 tenen la mateixa orientació si, i només si, B 0 i B 00 tenen la
mateixa orientació.
• I R0 i R00 tenen diferent orientació si, i només si, B 0 i B 00 tenen diferent orientació.
y0 9
x00
7
1
8
6
x0
7
5
6
4
−1
5
3 3
4
2 2
1
1 1
y 00
2
2
1
−1 −1
−1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Proposició 2.161 (a) R0 i R00 tenen la mateixa orientació si, i només si, totes dues són
positives o totes dues negatives.
UPC (b) R0 i R00 tenen diferent orientació si, i només si, una és positiva i l’altra negativa.
ETSEIAT Sigui ara C la matriu de canvi de base de B 00 a B 0 .
Proposició 2.162 (a) R0 i R00 tenen la mateixa orientació si, i només si, C és directa.
(b) R0 i R00 tenen diferent orientació si, i només si, C és inversa.
Es diu també que les directes conserven l’orientació; i que les inverses la canvien.
Observació 2.163 Per tant, les referències positives són les que tenen la mateixa orien-
Rafel Amer
tació que la referència canònica; i les negatives les que la tenen diferent.
Vicenç Sales
Exemple 2.164 Com que la referència R0 d’abans és negativa i la referència canònica Rc
Pàgina 74 de 150 és positiva, es dedueix que R0 i Rc tenen diferent orientació.
Considerem a partir d’ara l’espai afı́ euclidià en tot el que resta de secció.
Observació 2.165 Com sabem, les matrius de bases ortonormals de Rn són ortogonals.
Sigui R = {O; B} = {O; ~e1 , . . . , ~en } una referència euclidiana de Rn i C la matriu ortogonal
de B.
Proposició 2.166 (a) R és positiva si, i només si, det C = 1.

(b) R és negativa si, i només si, det C = −1.
y 00 y0
6 6 7
x0 5 5
5
6
−7 4 4
−6 4
−5 3 3
3
−4
22 2
−3
−2
−1
11 1
5 6
x00
3 4
2
−6 −5 −4 −3 −2 −
−1
−11 11 2 3 4 5 6
−3 −2 1
−5 −4 −2 −1
−1
−6 2
−3 −2−2 3
−4 4
−3−3
5
−5
−4 −4 6
−6 7
−7 −5 −5
−6 −6
UPC
ETSEIAT Observació 2.167 I com sabem igualment, les matrius de canvi de base entre bases
ortonormals són també ortogonals.
0 0 00 00
Siguin ara R0 = {O; B 0 } = {~e1 , . . . , ~en } i R00 = {O; B 00 } = {~e1 , . . . , ~en } dues referències euclidi-
anes de Rn i C la matriu ortogonal de canvi de base de B 00 a B 0 .
Proposició 2.168 (a) R0 i R00 tenen la mateixa orientació si, i només si, det C = 1.
Rafel Amer
(b) R0 i R00 tenen diferent orientació si, i només si, det C = −1.
Vicenç Sales
Exemple 2.169 La referència negativa R0 d’abans, malgrat tenir determinant −1 la seva

Pàgina 75 de 150
base B 0 , no és euclidiana per no ser ortonormal B 0 , com hem vist a la secció anterior.
Recordem que una de les qüestions que es podien calcular amb el producte vectorial però
que en realitat no depenien de l’orientació, era la determinació de vectors ortogonals a un
subespai que, anàlogament, podem aplicar també a la determinació de vectors associats a
una varietat lineal.
Proposició 2.170 El producte vectorial dels vectors d’una base de vectors directors d’un
hiperplà afı́ és un vector associat a l’hiperplà afı́.
D’igual forma, una altra qüestió que es podia calcular amb el producte vectorial però
que, en realitat, tampoc no depenia de l’orientació era la determinació de generadors d’un
subespai vectorial que, per tant, podem aplicar també a la determinació de vectors direc-
tors d’una varietat lineal.
UPC
Proposició 2.171 El producte vectorial dels vectors associats a una recta afı́ és un vector
ETSEIAT
director de la recta afı́.
Exemple 2.172 Donat el pla afı́ de R3

(0, 1, 1) + h(1, 1, 0), (1, 0, 1)i ,
Rafel Amer el seu vector associat és el donat pel producte vectorial dels seus dos vectors directors:
Vicenç Sales
~i ~j ~k
(1, 1, 0) ∧ (1, 0, 1) = 1 1 0 = (1, −1, −1) .
Pàgina 76 de 150 1 0 1
La darrera qüestió considerada que es podia calcular amb el producte vectorial però que
en realitat no depenia de l’orientació, era la norma del producte vectorial.
Proposició 2.173 (a) V [πn (p0 , p1 , . . . , pn−1 )] = k− p−→ −−−−→

0 p1 ∧ . . . ∧ p0 pn−1 k.
k−
p−→ −−−−→
0 p1 ∧ . . . ∧ p0 pn−1 k
(b) V [σn (p0 , p1 , . . . , pn−1 )] = .
(n − 1)!
Amb aquesta fórmula completem, en particular, el cas de R3 que faltava per poder-se fer
sense haver d’aplicar la fórmula general:
k−
p−→ −−→
0 p1 ∧ p0 p2 k
A [π3 (p0 , p1 , p2 )] = k−
p−→ −−→
0 p1 ∧ p0 p2 k i A [σ3 (p0 , p1 , p2 )] = .
2
Observació 2.174 En particular, podem aplicar també aquesta forma de calcular volums
per al càlcul més senzill de distàncies entre varietats lineals.
Exemple 2.175 Considerem les rectes de R3

L = (−5, 9, 5) + h(1, 1, 0)i i L0 = (0, 1, 1) + h(1, 0, 1)i .
En primer lloc, cal determinar la seva posició relativa. És clar que no són paral.leles per
no ser proporcionals els vectors directors (1, 1, 0) i (1, 0, 1). A més, el seu vector de posició
relativa és el (−5, 9, 5) − (0, 1, 1) = (−5, 8, 4); i com que
     
UPC 1 1 −5 1 1 −5 1 1 −5
1 0 8 '  0 −1 13  '  0 −1 13  ,
ETSEIAT 0 1 4 F ∼F −F 0 1 4 F ∼F +F 0 0 17
2 2 1 3 2 3
es dedueix que tampoc no són secants i, en conseqüència, que s’encreuen.
Per tant, la seva distància és el quocient entre el volum determinat pels seus vectors
directors i el vector de posició relativa i l’àrea determinada pels seus vectors directors:
 
1 1 −5
det  1 0 8
√
Rafel Amer
0 0 1 4 | − 17| 17 17 17 3
d(L, L ) = = = =√ = .
Vicenç Sales k (1, 1, 0) ∧ (1, 0, 1) k ~i ~j ~k k (1, −1, −1) k 3 3
1 1 0
Pàgina 77 de 150 1 0 1
Siguin α ∈ [0, 2π), {p; v} = {p; ~v1 , . . . , ~vn−2 } una referència euclidiana d’una varietat lineal
L = p + V de Rn (n > 1) i x un punt de Rn .
Definició 2.176 S’anomena rotació de x d’angle α al voltant de p i v a

e=p+−
x →
pfx,
on −→
pfx és la rotació de −
p→
x d’angle α al voltant de v.
A R2 no hi ha base ortonormal ja que L és un punt, en diem gir de x d’angle α al voltant

de p simplement i tenim que
e = p + (cos α) −
x p→
x + (sin α) −
p→
x⊥ .
e=p+− p→
x + (cos α) − p→ x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ −
p→
0 00 00
Teorema 2.177 (a) x x ).
e=p+− p→x + (cos α) −
p→x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ − p→
0 00
(b) x x).
(c) La rotació de x d’angle α al voltant de p i {~v1 , . . . , −~vi , . . . , ~vn−2 } és igual a la rotació de
x d’angle −α al voltant de p i {~v1 , . . . , ~vi , . . . , ~vn−2 }.
En particular, a R3 es té que la rotació de x d’angle α al voltant de p i −~v és igual a la

rotació de x d’angle −α al voltant de p i ~v .
Proposició 2.178 (a) x e = x si, i només si, x ∈ L.

UPC e = p + (cos α) p x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ −
(b) x −
→ p→
x) si, i només si, x ∈ L⊥
p.
ETSEIAT x
−
p→x
0
x
e −
p→
x−
~v → 00
−→
pfx α px
p L⊥
p
L
Exemple 2.179 Per girar el punt (−5, 9, 5) un angle de 4π 3 al voltant del punt i el vector
1
(0, 1, 1) i √ (1, −1, −1)
Rafel Amer 3
−−−−−−−−−−−−→
Vicenç Sales respectius, calculem el vector de posició (0, 1, 1) (−5, 9, 5) = (−5, 8, 4). I com que en girar
aquest vector s’obté el vector (−8, 4, 5), com hem vist a la secció anterior, el punt buscat és
Pàgina 78 de 150 (0, 1, 1) + (−8, 4, 5) = (−8, 5, 6) .
3 TRANSFORMACIONS LINEALS I AFINS
Transformacions lineals de l’espai vectorial
Sigui f~ : Rn −→ Rn una aplicació que transforma vectors de Rn en vectors de Rn .
Definició 3.1 f~ és una transformació lineal si, i només si:

(i) f~(~x + ~y ) = f~(~x) + f~(~y ) per a tot ~x, ~y ∈ Rn ;
(ii) f~(α~x) = αf~(~x) per a tot α ∈ R i tot ~x ∈ Rn .
També s’anomenen endomorfismes lineals.
Observació 3.2 Tenim la nul.la, la identitat i la menys identitat, definides per

~0(~x) = ~0 , ~ x) = ~x
I(~ i ~ x) = −~x
(−I)(~
per a tot ~x ∈ Rn respectivament; i les altres es diuen estrictes.
Sigui f~ una transformació lineal.
Proposició 3.3 (a) f~(~0) = ~0.

(b) f~(−~x) = −f~(~x).
(c) f~(α1~v1 + . . . + αk~vk ) = α1 f~(~v1 ) + . . . + αk f~(~vk ).
UPC (d) Si {~v1 , . . . , ~vk } és dependent llavors {f~(~v1 ), . . . , f~(~vk )} és també dependent.
(e) rg {f~(~v1 ), . . . , f~(~vk )} ≤ rg {~v1 , . . . , ~vk }.
ETSEIAT (f) Si V = h~v1 , . . . , ~vk i llavors f~(V ) = hf~(~v1 ), . . . , f~(~vk )i i dim f~(V ) ≤ dim V .
(g) Si V és un subespai vectorial llavors f~−1 (V ) és subespai vectorial i dim f~−1 (V ) ≥ dim V .
El resultat següent es diu definició d’una transformació lineal per imatges.
Teorema 3.4 Si {~e1 , . . . , ~en } és base de Rn i {~v1 , . . . , ~vn } sistema vectorial, l’aplicació
f~(α1~e1 + . . . + αn~en ) = α1~v1 + . . . + αn~vn per a tot α1 , . . . , αn ∈ R
Rafel Amer ~ ~
és l’única transformació lineal tal que f (~e1 ) = ~v1 , . . . , f (~en ) = ~vn .
Vicenç Sales
Exemple 3.5 Podem considerar, doncs, la transformació lineal f~ : R3 −→ R3 tal que

Pàgina 79 de 150 f~(1, 0, 0) = (2, −1, −1) , f~(1, 1, 0) = (−2, 4, 3) i f~(1, 1, 1) = (4, −2, −2) .
Sigui B = {~e1 , . . . , ~en } una base de Rn .
Definició 3.6 Diem matriu associada a f~ en la base B a la matriu

 1
a1 . . . an1

A =  ... .. 

. 
a1n . . . ann
que té per columnes les components respecte B de les imatges dels vectors de la base B.
Les matrius respectives de les transformacions lineals nul.la, identitat i menys identitat en
qualsevol base són la nul.la, la identitat i la menys identitat també.
Teorema 3.7 Si X és la matriu-columna de les components de ~x i X la de f~(~x) llavors

X = AX .
Aquesta fórmula es coneix com a expressió matricial de f~ en la base B.
Observació 3.8 I equival a l’anomenada expressió explı́cita de f~ en la base B:

f~(~x) = (a11 x1 + . . . + an1 xn , . . . , a1n x1 + . . . + ann xn ) .
Exemple 3.9 En la transformació lineal f~ d’abans, si A és la matriu en base canònica Bc

           
UPC 1 2 1 −2 1 4
A  0  =  −1  , A 1 =  4 i A  1  =  −2  ,
ETSEIAT
0 −1 0 3 1 −2
que es pot agrupar en    
1 1 1 2 −2 4
A  0 1 1  =  −1 4 −2  .
0 0 1 −1 3 −2
~
Per tant, la matriu de la transformació lineal f en la base canònica Bc és
  −1     
2 −2 4 1 1 1 2 −2 4 1 −1 0 2 −4 6
Rafel Amer
A =  −1 4 −2   0 1 1  =  −1 4 −2   0 1 −1  =  −1 5 −6  ;
Vicenç Sales −1 3 −2 0 0 1 −1 3 −2 0 0 1 −1 4 −5
i l’expressió explı́cita,
Pàgina 80 de 150
f~(~x) = (2x − 4y + 6z, −x + 5y − 6z, −x + 4y − 5z) .
Siguin B i B 0 bases de Rn i C la matriu de canvi de base de B 0 a B.
Teorema 3.10 Si la matriu de f~ en la base B és A llavors la matriu de f~ en la base B 0 és

A0 = C −1 AC .
Aquesta és la fórmula del canvi de base per a transformacions lineals.
−1
(Rn , B 0 ) −−−−−C
−−−−→ (Rn , B) −−−−−A
−−−−→ (Rn , B) −−−−C
−−−−−→ (Rn , B 0 )
↑
A0 = C −1 AC
& %
Proposició 3.11 (a) El rang de les matrius de f~ és igual en totes les bases.
(b) El determinant de les matrius de f~ és igual en totes les bases.
Escrivim rg f~ i det f~ i en diem rang de f~ i determinant de f~, respectivament.
Observació 3.12 Quan es passa de la matriu respecte B 0 a la matriu respecte B es té:

A = CA0 C −1 .
Exemple 3.13 Per a la transformació lineal f~ i la base B 0 = {(1, 1, 1), (1, 2, 2), (1, 2, 3)} tenim
UPC −1
(R3 , B 0 ) −−−−−C
−−−−→ (R3 , Bc ) −−−−−A
−−−−→ (R3 , Bc ) −−−−C
−−−−−→ (R3 , B 0 )
ETSEIAT
↑
0 −1
A = C AC
& %
amb la matriu de canvi de base de B 0 a Bc
 
1 1 1
C =  1 2 2.
1 2 3
Rafel Amer Per tant, la matriu associada a la transformació lineal f~ en la base B 0 és
 −1     
Vicenç Sales 1 1 1 2 −4 6 1 1 1 10 15 33
A0 =  1 2 2   −1 5 −6   1 2 2  =  −6 −9 −22  .
Pàgina 81 de 150 1 2 3 −1 4 −5 1 2 3 0 0 1
Diem polinomi caracterı́stic d’una matriu quadrada A a pA (x) = det (A − xI).
Proposició 3.14 El polinomi caracterı́stic de les matrius de f~ és igual en totes les bases.
Escrivim pf~(x) i en diem polinomi caracterı́stic de f~.
Definició 3.15 Diem que ~x 6= ~0 és vector propi de valor propi λ ∈ R de f~ si, i només si,
f~(~x) = λ~x .
Tenim f~(~x) = 0~x = ~0 per a λ = 0; f~(~x) = 1~x = ~x per a λ = 1: i f~(~x) = −1~x = −~x per a λ = −1.
Teorema 3.16 (a) Els valors propis són les arrels reals del polinomi caracterı́stic.
(b) Cada vector propi està associat a un únic valor propi.
(c) Vectors propis de valors propis diferents són linealment independents.
• Dels valors propis destaca la multiplicitat mλ com a arrel del polinomi caracterı́stic.
• Si és 1, direm que és simple; i en cas contrari, múltiple (doble si és 2, triple si és 3,...).
Definició 3.17 Vλ = {~x ∈ Rn : f~(~x) = λ~x} s’anomena subespai propi de valor propi λ.
UPC
En particular, Vλ − {~0} és el conjunt de vectors propis de valor propi λ.
ETSEIAT
Teorema 3.18 (a) Vλ és un subespai vectorial no nul d’equacions implı́cites (A−λI)X = 0.
(b) dim Vλ = n − rg (A − λI).
(c) 1 ≤ dim Vλ ≤ mλ ; i si λ és simple llavors dim Vλ = mλ = 1.
Exemple 3.19 El polinomi caracterı́stic de la transformació lineal f~ anterior és

2 − x −4 6
Rafel Amer pf~(x) = −1 5 − x −6 =
Vicenç Sales −1 4 −5 − x
(2 − x)(5 − x)(−5 − x) − 24 − 24 + 6(5 − x) + 24(2 − x) − 4(−5 − x) = −x3 + 2x2 − x = −x(x − 1)2
Pàgina 82 de 150
i, en conseqüència, f~ té el valor propi doble 1 i el valor propi simple 0.
Definició 3.20 f~ és diagonalitzable si, i només si, existeixen una base de vectors propis
B ∗ de Rn i una matriu diagonal D tals que f~ té matriu D en la base B ∗ .
I A és diagonalitzable si, i només si, existeixen C regular i D diagonal amb D = C −1 AC.
Proposició 3.21 A és diagonalitzable si, i només si, f~ és diagonalitzable.
Tenim en ambdós casos, doncs, que D = C −1 AC, AC = CD i A = CDC −1 .
Teorema 3.22 f~ és diagonalitzable si, i només si:

(i) el polinomi caracterı́stic té totes les arrels reals;
(ii) la multiplicitat de cada valor propi és igual a la dimensió del seu subespai propi.
• Aquest teorema es coneix com a condició necessària i suficient de diagonalització.
• Observem que la condició (ii) només cal comprovar-la per als valors propis múltiples.
Proposició 3.23 Si tots els valors propis són simples llavors f~ és diagonalitzable.
Aquesta propietat es coneix com a condició suficient de diagonalització.
UPC Teorema 3.24 Si A és simètrica llavors A és diagonalitzable.
ETSEIAT Exemple 3.25 En primer lloc, A no és simètrica i hi ha valor propis múltiples. I com que
 
1 −4 6 0
V1 :  −1 4 −6 0  i dim V1 = 3 − rg A = 3 − 1 = 2 = m1 ,
−1 4 −6 0
f~ és diagonalitzable. A més, {(4, 1, 0), (−6, 0, 1)} és base de V1 i {(−1, 1, 1)} de V0 ja que
     
2 −4 6 0 2 −4 6 0 2 −4 6 0
V0 :  −1 5 −6 0  '0 6 −6 0  '0 6 −6 0  ,
Rafel Amer −1 4 −5 0 F2 ∼2F2 +F1 0 4 −4 0 F ∼3F −2F 0 0 0 0
F3 ∼2F3 +F1 3 3 2
Vicenç Sales
d’on 
4 −6 −1
 
1

B ∗ = {(4, 1, 0), (−6, 0, 1), (−1, 1, 1)} , C =1 0 1 i D= 1 .

Pàgina 83 de 150 0 1 1 0
Definició 3.26 f~ és regular si, i només si, rg f~ = n; i és singular si, i només si, rg f~ < n.
I~ i −I~ són regulars; i ~0, singular.
Definició 3.27 f~ és directa si, i només si, det f~ > 0; i és inversa si, i només si, det f~ < 0.
I~ és directa; i −I,

~ directa si n parell i inversa si n senar.
Observació 3.28 f~ és regular si, i només si, f~ és directa o inversa.
Sigui A la matriu de f~ en certa base.
Teorema 3.29 (a) f~ és regular si, i només si, A és regular.
(b) f~ és directa si, i només si, A és directa.
(c) f~ és inversa si, i només si, A és inversa.
Sigui f~ una transformació lineal regular.
Proposició 3.30 (a) f~ és bijectiva i f~−1 és regular.

UPC
(b) Si {~v1 , . . . , ~vk } és independent llavors {f~(~v1 ), . . . , f~(~vk )} és també independent.
(c) rg {f~(~v1 ), . . . , f~(~vk )} = rg {~v1 , . . . , ~vk }.
ETSEIAT (d) Si {~v1 , . . . , ~vk } és base de V llavors {f~(~v1 ), . . . , f~(~vk )} és base de f~(V ).
(e) Si V és un subespai vectorial llavors dim f~(V ) = dim V i dim f~−1 (V ) = dim V .
En particular, si B = {~e1 , . . . , ~en } és base de Rn llavors B = {f~(~e1 ), . . . , f~(~en )} és base de Rn .
Teorema 3.31 (a) Si f~ és directa llavors B té igual orientació que B.
(b) Si f~ és inversa llavors B té diferent orientació que B.
Rafel Amer
Exemple 3.32 La transformació lineal f~ dels exemples anteriors és singular ja que
2 −4 6 2 2 −4 6
Vicenç Sales
~ 1
det f = −1 5 −6 = · 0 6 −6 = 0 .
2
Pàgina 84 de 150 −1 4 −5 F2 ∼2F2 +F1 0 4 −4
F3 ∼2F3 −F1
Transformacions afins de l’espai afı́
Sigui f : Rn −→ Rn una aplicació que transforma punts de Rn en punts de Rn .
Definició 3.33 f és una transformació afı́ si, i només si, existeix una transformació
lineal f~ tal que per a tot x ∈ Rn i tot ~v ∈ Rn
f (x + ~v ) = f (x) + f~(~v ) .
També s’anomenen afinitats.
Proposició 3.34 f~ és única.
• f~ es diu transformació lineal associada a f .

• Direm constant si f~ = ~0, translació si f~ = I,
~ antı́poda si f~ = −I~ i estricta en altre cas.
Observació 3.35 A més, la definida per a tot x ∈ Rn per

I(x) = x
es diu identitat i és una translació; i les altres translacions es diuen estrictes també.
Sigui f una transformació afı́.
−−−−−−→
Proposició 3.36 (a) f (x) f (y) = f~(− →
xy).
UPC (b) Si b és el baricentre de x1 , . . . , xk aleshores f (b) és el baricentre de f (x1 ), . . . , f (xk ).
(c) Si L = p + h~v1 , . . . , ~vn i aleshores f (L) = f (p) + hf~(~v1 ), . . . , f~(~vn )i i dim f (L) ≤ dim L.
ETSEIAT (d) Si L és una varietat lineal aleshores f −1 (L) és varietat lineal i dim f −1 (L) ≥ dim L.
(e) Si L i L0 són paral .leles aleshores f (L) i f (L0 ) són paral .leles.
(f) Si L i L0 són secants aleshores f (L) i f (L0 ) són secants.
El resultat segúent es diu definició d’una transformació afı́ per imatges.
Teorema 3.37 Si {O; ~e1 , . . . , ~en } és referència de Rn i {p; ~v1 , . . . , ~vn } sistema afı́, l’aplicació
Rafel Amer
f (O + α1~e1 + . . . + αn~en ) = p + α1~v1 + . . . + αn~vn per a tot α1 , . . . , αn ∈ R
és l’única transformació afı́ tal que f (O) = p i f (~e1 ) = ~v1 , . . . , f~(~en ) = ~vn .
~
Vicenç Sales
Exemple 3.38 Podem considerar, doncs, la transformació afı́ f : R3 −→ R3 tal que

Pàgina 85 de 150
f (1, 1, 1) = (2, 1, −2) i f~(1, 0, 0) = (2, −1, −1) , f~(1, 1, 0) = (−2, 4, 3) i f~(1, 1, 1) = (4, −2, −2) .
Considerem una referència R = {O; ~e1 , . . . , ~en } de Rn i siguin A la matriu de f~ en la base
B = {~e1 , . . . , ~en } i B la matriu-columna de les coordenades de f (O) en la referència R.
Teorema 3.39 Si X i X són les matrius-columna de les coordenades respectives de x i

f (x) en la referència R aleshores
X = AX + B .
Aquesta fórmula es coneix com a expressió matricial de f en la referència R.
Observació 3.40 I equival a l’anomenada expressió explı́cita de f en la referència R:

f (x) = (a11 x1 + . . . + an1 xn + b1 , . . . , a1n x1 + . . . + ann xn + bn ) .
Tenim, doncs, que les constants, les translacions i les antı́podes es caracteritzen per tenir
expressions matricials respectives en qualsevol referència del tipus
X =B, X =X +B i X = −X + B .
Observació 3.41 En particular, la identitat té expressió matricial en qualsevol referència

UPC
X =X.
ETSEIAT
Exemple 3.42 Si A és la matriu de f~ de la secció anterior, com que f (1, 1, 1) = (2, 1, −2), és
      
2 a 2 −4 6 1
 1  =  b  +  −1 5 −6   1  ,
−2 c −1 4 −5 1
d’on a = −2, b = 3 i c = 0 i l’expressió matricial de f en la referència canònica Rc queda
      
x̄ −2 2 −4 6 x
Rafel Amer  ȳ  =  3  +  −1 5 −6   y  ;
Vicenç Sales
z̄ 0 −1 4 −5 z
i, en particular, l’expressió explı́cita en la referència canònica Rc és
Pàgina 86 de 150 f (x) = (2x − 4y + 6z − 2, −x + 5y − 6z + 3, −x + 4y − 5z) .
0 0
Siguin R = {O; ~e1 , . . . , ~en } i R0 = {O0 ; ~e1 , . . . , ~en } dues referències de Rn i considerem la
fórmula del canvi de referència de la referència R0 a la referència R:
X = M + CX 0 .
Proposició 3.43 Si l’expressió matricial de la transformació afı́ f en la referència R és

X = AX + B
aleshores l’expressió matricial de la transformació afı́ f en la referència R0 és
0
X = A0 X 0 + B 0 ,
amb A0 = C −1 AC i B 0 = C −1 (AM + B − M ).
Aquesta és la fórmula del canvi de referència per a transformacions afins.
Observació 3.44 A la pràctica, A0 sı́ es calcula amb la fórmula del canvi de base an-
terior, però B 0 és millor calcular-la a partir del fet que B 0 és la matriu-columna de les
coordenades de f (O0 ) en la referència R0 .
Exemple 3.45 Donada la referència R0 = {(1, −1, 0); (1, 1, 1), (1, 2, 2), (1, 2, 3)}, amb un canvi
de base de la seva base B 0 = {(1, 1, 1), (1, 2, 2), (1, 2, 3)} a la base canònica Bc com hem vist
UPC
en la secció anterior, tenim que la matriu de la transformació lineal f~ en la base B 0 és
 
ETSEIAT 10 15 33
A0 =  −6 −9 −22  .
0 0 1
I com que
 −1         
1 1 1 2 −4 6 1 −2 1 8
B 0 =  1 2 2   −1 5 −6   −1  +  3  −  −1  =  −2  ,
1 2 3 −1 4 −5 0 0 0 −3
Rafel Amer obtenim que l’expressió matricial en la referència R0 de la transformació afı́ f és
 0     0 
Vicenç Sales x̄ 8 10 15 33 x
 ȳ 0  =  −2  +  −6 −9 −22   y 0  .
Pàgina 87 de 150 z̄ 0 −3 0 0 1 z0
Observem que si p és un punt qualsevol de Rn aleshores es té que per a tot x ∈ Rn
f (x) = f (p) + f~(−
p→
x) i X = P + A(X − P ) .
Definició 3.46 p és un punt fix de f si, i només si,

f (p) = p .
Per tant, els punts fixos són les solucions del sistema lineal
AX + B = X o (A − I)X = −B .
Proposició 3.47 El conjunt de punts fixos de f és una varietat lineal o el conjunt buit.
Si el conjunt de punts fixos de f és una varietat lineal es diu que f és amb punt fix.
Proposició 3.48 f té un únic punt fix si, i només si, l’1 no és valor propi de f~.
Sigui f una transformació afı́ amb punt fix p.
Teorema 3.49 (a) f (x) = p + f~(−

p→
x).
(b) X = P + A(X − P ).
UPC
• Per la darrera proposició, les constants i les antı́podes tenen un únic punt fix p i per això
en diem constant igual a p o antı́poda respecte de p i escrivim Kp i Ap , respectivament.
ETSEIAT • I es té que
Kp (x) = p + ~0(−
p→
x) = p i X = P + 0(X − P ) = P ;
~ −→ −→
Ap (x) = p − I(p x) = p − p x i X = P − I(X − P ) = −X + 2P .
Observació 3.50 La identitat té tots els seus punts fixos i és, per tant, amb punt fix.
Exemple 3.51 L’equació dels punts fixos de la transformació afı́ f és

           
Rafel Amer x −2 2 −4 6 x 1 −4 6 x 2
Vicenç Sales
 y  =  3  +  −1 5 −6   y  '  −1 4 −6   y  =  −3  .
z 0 −1 4 −5 z −1 4 −6 z 0
Pàgina 88 de 150 I com que aquest sistema és clarament incompatible, es té que f no és amb punt fix.
Si el conjunt de punts fixos de f és el conjunt buit es diu que f és sense punts fixos.
−−−→ −−−→
Proposició 3.52 f (x) = p + f~(−
p→
x) + p f (p), amb p f (p) 6= ~0.
L’aplicació definida per a tot x ∈ Rn per

Fp (x) = p + f~(−
p→
x)
→
− −−−→
es diu transformació afı́ amb punt fix associada a f ; i lp = p f (p), vector de lliscament.
→
− →
−
Proposició 3.53 (a) f (x) = Fp (x) + lp , amb lp 6= ~0.
−
→
(b) Fp és una transformació afı́ amb punt fix p tal que Fp = f~.
→
− →
−
(c) lp = lq si, i només si, − p→q ∈ V1 .
→
− →
−
(d) f (x) = Fp (x + lp ) si, i només si, lp ∈ V1 .
Sigui f una transformació afı́ sense punts fixos.
→
− →
− ~
Teorema 3.54 (a) f (x) = p + f~(−
p→ 6 0.
x) + lp , amb lp =
(b) X = P + A(X − P ) + Lp , amb Lp 6= 0.
UPC
• Les translacions estrictes són sense punts fixos ja que X = X + B amb B 6= 0.
• A més, pel penúltim apartat de la proposició anterior, el vector de lliscament és el mateix
ETSEIAT per a tot p ∈ Rn i per això en diem translació estricta de vector ~l 6= ~0 i escrivim T~l .
• I es té que
~−
T~l(x) = p + I( p→
x) + ~l = x + ~l i X = P + I(X − P ) + L = X + L .
→
− →
− →
−
Observació 3.55 Fp (x + lp ) = Fp (x) + lp si, i només si, lp ∈ V1 .
Exemple 3.56 Com que f és sense punts fixos, prenent per exemple p = (1, 1, 1), tenim que
→
−
Rafel Amer
lp = f (1, 1, 1) − (1, 1, 1) = (2, 1, −2) − (1, 1, 1) = (1, 0, −3) i l’expressió matricial es pot escriure
           
Vicenç Sales x̄ 1 2 −4 6 x 1 1
 ȳ  =  1  +  −1 5 −6   y  −  1  +  0  .
Pàgina 89 de 150 z̄ 1 −1 4 −5 z 1 −3
Definició 3.57 f és regular si, només si, la seva transformació lineal associada f~ és
regular; i és singular si, només si, la seva transformació lineal associada f~ és singular.
Les translacions i les antı́podes són regulars; i les constants, singulars.
Definició 3.58 f és directa si, només si, la seva transformació lineal associada f~ és
directa; i és inversa si, només si, la seva transformació lineal associada f~ és inversa.
Les translacions són directes; i les antı́podes, directes si n parell i inverses si n senar.
Observació 3.59 f és regular si, i només si, f és directa o inversa.
Sigui f una transformació afı́ regular.
Proposició 3.60 (a) f és bijectiva i f −1 és regular.

(b) Si {p; ~v1 , . . . , ~vk } és referència de L aleshores {f (p); f~(~v1 ), . . . , f~(~vk )} és referència de f (L).
(c) Si L és una varietat lineal aleshores dim f (L) = dim L i dim f −1 (L) = dim L.
UPC (d) Si L i L0 són estrictament paral .leles aleshores f (L) i f (L0 ) són estrictament paral .leles.
(e) Si L i L0 són estrictament secants aleshores f (L) i f (L0 ) són estrictament secants.
ETSEIAT
(f) Si L i L0 s’encreuen aleshores f (L) i f (L0 ) s’encreuen.
En particular, si R = {O; ~e1 , . . . , ~en } és referència de Rn aleshores R = {f (O); f~(~e1 ), . . . , f~(~en )}
és referència de Rn .
Teorema 3.61 (a) Si f és directa aleshores R té igual orientació que R.
Rafel Amer (b) Si f és inversa aleshores R té diferent orientació que R.
Vicenç Sales
Exemple 3.62 Com que f~ és singular, com hem vist a la secció anterior, es dedueix que f
Pàgina 90 de 150 és també singular.
Transformacions lineals de l’espai vectorial euclidià
Siguin B i B 0 bases ortonormals de Rn i C la matriu ortogonal de canvi de base de B 0 a B.
Observació 3.63 Com que ara C t = C −1 , es té que si la matriu de f~ en la base ortonormal
B és A llavors la matriu de f~ en la base ortonormal B 0 és
A0 = C t AC .
Sigui ara f~ : Rn −→ Rn una transformació lineal.
Definició 3.64 Diem que f~ és simètrica si, i només si, per a tot ~x, ~y ∈ Rn
f~(~x) · ~y = ~x · f~(~y ) .
Sigui {~e1 , . . . , ~en } una base de Rn .
Teorema 3.65 f~ és simètrica si, i només si, per a tot i, j = 1 . . . , n

f~(~ei ) · ~ej = ~ei · f (~ej ) .
~0, I~ i −I~ són simètriques.
UPC Observació 3.66 En les transformacions lineals de l’espai vectorial euclidià ens interes-
sarà sovint treballar en bases ortonormals. En tal cas, si la base inicial és no ortonormal
ETSEIAT
caldrà fer prèviament un canvi de base a una altra ortonormal.
Sigui A la matriu de f~ en una base ortonormal.
Teorema 3.67 f~ és simètrica si, i només si, A és simètrica.
Exemple 3.68 La transformació lineal f~ que en la base canònica Bc té matriu associada
Rafel Amer
 
1 −1 −1
1
Vicenç Sales A =  −1 1 1
3
−1 1 1
Pàgina 91 de 150
és simètrica, ja que Bc és ortonormal i A és simètrica.
Teorema 3.69 Les transformacions lineals simètriques són diagonalitzables.
El teorema anterior es dedueix del fet que les transformacions lineals simètriques tenen
matriu associada simètrica en les bases ortonormals.
Proposició 3.70 Vectors propis de valors propis diferents d’una transformació lineal
simètrica són ortogonals.
Exemple 3.71 El polinomi caracterı́stic de la transformació lineal f~ anterior és

1
3 −x − 13 − 31 −x − 31 − 13 −x − 31 − 13
pf~(x) = − 31 1
3 −x
1
3 = −x 13 − x 1
3 = 0 23 − x 2
3
1 1 1 1 1 1 1
−3 3 3 − x C ∼C +C 0 3 3 − x F ∼F −F 0 3 3 −x
1 1 2 2 2 1
= −x(x2 − x) = −(x − 1)x2

i, per tant, els valors propis són 1 (simple) i 0 (doble).
Llavors, els subespais propis venen donats per

     
−2 −1 −1 0 −2 −1 −1 0 1 −1 −1 0
1 1 1
UPC V1 : −1 −2 1 0 '  0 −3 3 0 i V0 : −1 1 1 0 ,
3 3 3
−1 1 −2 0 F2 ∼2F2 −F1 0 3 −3 0 −1 1 1 0
ETSEIAT F3 ∼2F3 −F1
que tenen solucions respectives y = −x i z = −x per a V1 i x = y + z per a V0 .
En conseqüència, les bases respectives són {(1, −1, −1)} i {(1, 1, 0), (1, 0, 1)} –i es verifica,
efectivament, que els vectors propis (1, 1, 0) i (1, 0, 1) de valor propi 0 són ortogonals al
vector propi (1, −1, −1) de valor propi 1–.
En definitiva, doncs, obtenim que f~ és diagonalitzable i que la base de vectors propis i les
Rafel Amer matrius de canvi de base i diagonal respectives són
   
Vicenç Sales 1 1 1 1
{(1, −1, −1), (1, 1, 0), (1, 0, 1)} ,  −1 1 0  i  0 .
Pàgina 92 de 150 −1 0 1 0
Interessen transformacions lineals que diagonalitzin en base ortogonal i ortonormal.
Definició 3.72 f~ és ortogonalment diagonalitzable si, i només si, existeixen una base
ortonormal de vectors propis B ∗∗ de Rn i una matriu diagonal D tals que f~ té matriu D
en la base B ∗∗ .
I A és ortogonalment diagonalitzable si, i només si, existeixen C ortogonal i D diagonal
amb D = C −1 AC = C t AC.
Proposició 3.73 A és ortogonalment diagonalitzable si, i només si, f~ és ortogonalment
diagonalitzable.
Tenim en ambdós casos, doncs, que D = C −1 AC = C t AC, AC = CD i A = CDC −1 = CDC t .
Teorema 3.74 (a) Reunint bases ortogonals de cada subespai propi d’una transformació
lineal simètrica s’obté una base ortogonal de vectors propis de Rn .
(b) Reunint bases ortonormals de cada subespai propi d’una transformació lineal
simètrica s’obté una base ortonormal de vectors propis de Rn .
Per tant, obtenim el resultat següent, que es coneix com a teorema espectral.
UPC
Teorema 3.75 f~ és ortogonalment diagonalitzable si, i només si, f~ és simètrica.
ETSEIAT
Exemple 3.76 En la transformació lineal f~ dels exemples anteriors, aplicant el mètode de
Gram–Schmidt als vectors propis (1, 1, 0) i (1, 0, 1) de valor propi 0 tenim
0
~v1 = (1, 1, 0) ;
0 (1,1,0)·(1,0,1)
~v2 = (1, 0, 1) − (1,1,0)·(1,1,0) (1, 1, 0) = (1, 0, 1) − 21 (1, 1, 0) = 12 (1, −1, 2) ' (1, −1, 2) .
I normalitzant el vector propi (1, −1, −1) de valor propi 1 i els dos vectors anteriors, obtenim
que f~ és ortogonalment diagonalitzable i que la base ortonormal i les matrius ortogonal de
Rafel Amer canvi de base i diagonal respectives són, doncs,
 √ √   
Vicenç Sales 2 3 1 1
1  √ √

1 1 1
√ (1, −1, −1), √ (1, 1, 0), √ (1, −1, 2) , √ −√2 3 −1  i  0 .
Pàgina 93 de 150
3 2 6 6 − 2 0 2 0
Definició 3.77 S’anomena projecció ortogonal vectorial sobre V a l’aplicació P~V de Rn

en Rn definida per a tot ~x ∈ Rn per
0
P~V (~x) = ~x .
• P~Rn = I~ i P~{~0} = ~0; i les altres es diuen estrictes (axial si V és recta i plana si V és pla).
• V es diu subespai de la projecció (eix si V és recta).
Teorema 3.78 (a) P~V és transformació lineal simètrica; i és singular excepte si V = Rn .
(b) P~V té els valors propis 1 i 0 amb V1 = V i V0 = V ⊥ .
Siguin {~v1 , . . . , ~vk } i {w ~ n } bases qualssevol de V i de V ⊥ , respectivament.

~ k+1 , . . . , w
Teorema 3.79 (a) P~V té matriu en la base reunió B 0 = {~v1 , . . . , ~vk , w ~ n}
~ k+1 , . . . , w
 
1
 . . (k) 
 . 
 
0
 1 
D =  .
 0 

 . . (n−k) 
UPC
 . 
0
ETSEIAT (b) A més, si les bases són ortogonals la reunió de bases anterior és una base ortogonal.
(c) I si les bases són ortonormals la reunió de bases anterior es una base ortonormal.
Siguin ara A0 i A00 les matrius respectives de P~V i P~V ⊥ en una base qualsevol.
Proposició 3.80 (A0 )2 = A0 i A0 + A00 = I.
Exemple 3.81 Per a la projecció ortogonal vectorial P~V sobre V = h(1, −1, −1)i, com que
Rafel Amer
V ⊥ = h(1, 1, 0), (1, 0, 1)i, es té P~ (1, −1, −1) = (1, −1, −1) i P~ (1, 1, 0) = P~ (1, 0, 1) = (0, 0, 0), d’on
      −1  
Vicenç Sales 1 1 1 1 0 0 1 0 0 1 1 1 1 −1 −1
1
A0  −1 1 0  =  −1 0 0  ' A0 =  −1 0 0   −1 1 0  =  −1 1 1.
3
Pàgina 94 de 150 −1 0 1 −1 0 0 −1 0 0 −1 0 1 −1 1 1
~V de Rn en Rn
Definició 3.82 S’anomena simetria vectorial respecte de V a l’aplicació S
n
definida per a tot ~x ∈ R per
~V (~x) = ~x ∗ .
S
~Rn = I~ i S
• S ~ ~ = I;
~ i les altres es diuen estrictes (axial si V és recta i plana si V és pla).
{0}
• V es diu subespai de simetria (eix si V és recta).
Teorema 3.83 (a) S ~V és transformació lineal simètrica i regular.

~
(b) SV té els valors propis 1 i −1 amb V1 = V i V−1 = V ⊥ .
Siguin {~v1 , . . . , ~vk } i {w ~ n } bases qualssevol de V i de V ⊥ , respectivament.

~ k+1 , . . . , w
Teorema 3.84 (a) S ~V té matriu en la base reunió B ∗ = {~v1 , . . . , ~vk , w ~ n}

~ k+1 , . . . , w
 
1
 . . (k) 
 . 
 
∗
 1 
D =  .
 −1 

 . . (n−k) 
UPC
 . 
−1
ETSEIAT (b) A més, si les bases són ortogonals la reunió de bases anterior és una base ortogonal.
(c) I si les bases són ortonormals la reunió de bases anterior es una base ortonormal.
~V i P~V en una base qualsevol.
Siguin ara A∗ i A0 les matrius respectives de S
Proposició 3.85 A∗ 2 = I i A∗ = 2A0 − I.

~V respecte del subespai vectorial V = h(1, −1, −1)i
Exemple 3.86 Per a la simetria vectorial S
Rafel Amer
d’abans, tenim que
     
Vicenç Sales 1 −1 −1 1 0 0 −1 −2 −2
1 1
A∗ = 2 ·  −1 1 1  −  0 1 0  =  −2 −1 2.
3 3
Pàgina 95 de 150
−1 1 1 0 0 1 −2 2 −1
Siguin α ∈ [0, 2π) i v = {~v1 , . . . , ~vn−2 } una base ortonormal d’un subespai V de Rn (n > 1).
~ αv de
Definició 3.87 S’anomena rotació vectorial d’angle α al voltant de v a l’aplicació R
n n n
R en R definida per a tot ~x ∈ R per
~ αv (~x) = ~x
R e.
~ v = I~ i R
• R ~v = S
~V ; i les altres es diuen estrictes.
0 π
• α es diu angle de gir; ~v1 , . . . , ~vn−2 , vectors de gir; i V , subespai de gir (eix a R3 ).
Teorema 3.88 (a) R ~ v és transformació lineal directa.

α
~ té el valor propi 1 amb V1 = V .
(b) R v
α
~ n−1 un vector unitari qualsevol de V ⊥ i w

Siguin ara w ~ n = ~v1 ∧ . . . ∧ ~vn−2 ∧ w
~ n−1 .
~ αv té matriu en la base ortonormal positiva Be = {~v1 , . . . , ~vn−2 , w

Teorema 3.89 R ~ n}
~ n−1 , w
 
1
. . (n−2)
.
 
 
e=
R

.

 1 
 cos α − sin α 
sin α cos α
UPC
A R2 no hi ha sistema ortonormal, en diem gir vectorial G ~ α d’angle α, la matriu d’abans

ETSEIAT
és la mateixa però sense uns i es dona en qualsevol base ortonormal positiva de R2 .
~ v del teorema anterior es diu reduı̈da.

Observació 3.90 La matriu de R α
1√
Exemple 3.91 Per a la rotació vectorial R ~ / 3(1,−1,−1) , amb el canvi de base de la base or-
4π/3
√ √ √
tonormal positiva B = { / 3(1, −1, −1), / 2(1, 1, 0), 1/ 6(1, −1, 2)} a la canònica –amb (1, 1, 0)
e 1 1
Rafel Amer vector ortogonal a (1, −1, −1) i (1, −1, −1) ∧ (1, 1, 0) = (1, −1, 2)–, s’obté la matriu
 √ √  √ √ t 
1
  
Vicenç Sales 2
√ √ 3 1 √ 2
√ √ 3 1 0 −1 0
Ae = √1  − 2 3 −1   −√1/2
1
3/2  √  − 2 3 −1  =  0 0 1.
6 − 2√ 6 √
Pàgina 96 de 150 0 2 − 3/2 − 1/2 − 2 0 2 −1 0 0
Transformacions afins de l’espai afı́ euclidià
Definició 3.92 S’anomena projecció ortogonal afı́ sobre L a l’ aplicació PL de Rn en Rn

definida per a tot x ∈ Rn per
PL (x) = x0 .
• PRn = I i Pp = Kp ; i les altres es diuen estrictes (axial si L és recta i plana si L és pla).
• L es diu varietat de projecció (centre si L és punt i eix si L és recta).
Teorema 3.93 (a) PL és transformació afı́; i és singular excepte si L = Rn .

(b) PL té punts fixos i la seva varietat lineal de punts fixos és L.
En particular, doncs, es té que

PL (x) = p + P~V (−
p→
x) .
UPC
Observació 3.94 Per tant, l’expressió matricial de PL és del tipus X = P + A(X − P ).
ETSEIAT
Exemple 3.95 Donada la projecció ortogonal afı́ PL sobre la varietat lineal
L = p + V = (1, 2, 2) + h(1, −1, −1)i ,
la seva projecció vectorial associada P~V té matriu associada en la base canònica
 
1 −1 −1
1
A0 =  −1 1 1
3
−1 1 1
com hem vist a la secció anteior i, en conseqüència, la seva expressió matricial en la
Rafel Amer
referència
   can
ònica 
és          
Vicenç Sales x̄ 1 1 −1 −1 x 1 2 1 −1 −1 x
1
 ȳ  =  2  +  −1 1
1 1   y  −  2  =  1  +  −1 1 1 y .
3 3
Pàgina 97 de 150 z̄ 2 −1 1 1 z 2 1 −1 1 1 z
Siguin L = p + V una varietat lineal de Rn i ~l un vector no nul.
Teorema 3.96 La transformació afı́ definida per a tot x ∈ Rn per

PL,~l (x) = PL (x) + ~l
és sense punts fixos si, i només si, ~l ∈
/ V ⊥.
Sigui ara ~l ∈
/ V ⊥ , que implica que L no pot ser un punt perquè aleshores V ⊥ = Rn .
Definició 3.97 PL,~l es diu projecció ortogonal afı́ amb lliscament ~l sobre L.
• PRn ,~l = T~l ; i les altres es diuen estrictes (axial si L és recta i plana si L és pla).
• L es diu varietat de projecció (centre si L és punt i eix si L és recta); i ~l, vector de
lliscament.
Teorema 3.98 (a) (a) PL,~l és transformació afı́; i és singular excepte si L = Rn .
(b) PL,~l (x) = P(p+~l)+V,P~V (~l) (x).
• Per aquest segon apartat, es diu que hi ha diferents representacions per a PL,~l .
UPC • La del teorema es diu normal i és la més important per tenir vector de lliscament de V .
ETSEIAT
• I en aquest cas, com que ~l ∈ V = V1 , es té que PL,~l (x) = PL (x) + ~l = PL (x + ~l).
Observació 3.99 Per tant, l’expressió matricial de PL,~l és del tipus X = P + A(X − P ) + L.
Exemple 3.100 L’expressió matricial en la referència canònica de la projecció ortogonal

afı́ amb lliscament (−1, 1, 1) sobre la varietat lineal
L = p + V = (1, 2, 2) + h(1, −1, −1)i
Rafel Amer
és             
Vicenç Sales x̄ 2 1 −1 −1 x −1 1 1 −1 −1 x
 ȳ  =  1  + 1  −1 1 1   y  +  1  =  2  +  −1
1
1 1 y .
3 3
Pàgina 98 de 150 z̄ 1 −1 1 1 z 1 2 −1 1 1 z
Definició 3.101 S’anomena simetria afı́ respecte de L a l’ aplicació SL de Rn en Rn

definida per a tot x ∈ Rn per
SL (x) = x∗ .
• SRn = I i Sp = Ap ; i les altres es diuen estrictes (axial si L és recta i plana si L és pla).
• L es diu varietat de simetria (centre si L és punt i eix si L és recta).
Teorema 3.102 (a) SL és transformació afı́ regular.

(b) SL té punts fixos i la seva varietat lineal de punts fixos és L.
En particular, doncs, es té que

~V (−
SL (x) = p + S p→
x) .
Observació 3.103 Per tant, l’expressió matricial de SL és del tipus X = P + A(X − P ).
UPC
ETSEIAT
Exemple 3.104 Donada la simetria afı́ SL respecte de la varietat lineal
L = p + V = (1, 2, 2) + h(1, −1, −1)i ,
~V té matriu associada en la base canònica
la seva transformació lineal associada S
 
−1 −2 −2
1
A∗ =  −2 −1 2
3
−2 2 −1
com hem vist a la secció anterior i, en conseqüència, la seva expressió matricial en la
Rafel Amer
referència
   can
ònica 
és          
Vicenç Sales x̄ 1 −1 −2 −2 x 1 4 −1 −2 −2 x
1
 ȳ  =  2  +  −2 −1 1
2   y  −  2  =  2  +  −2 −1 2 y .
3 3
Pàgina 99 de 150 z̄ 2 −2 2 −1 z 2 2 −2 2 −1 z
Siguin L = p + V una varietat lineal de Rn i ~l un vector no nul.

SL,~l (x) = SL (x) + ~l
/ V ⊥.
Sigui ara ~l ∈
/ V ⊥ , que implica que L no pot ser un punt perquè aleshores V ⊥ = Rn .
Definició 3.106 SL,~l es diu simetria afı́ amb lliscament ~l respecte de L.
• SRn ,~l = T~l ; i les altres es diuen estrictes (axial si L és recta i plana si L és pla).
• L es diu varietat de simetria (centre si L és punt i eix si L és recta); i ~l, vector de
lliscament.
Teorema 3.107 (a) SL,~l és transformació afı́ regular.

(b) SL,~l (x) = S(p+ 1 ~l)+V,P~V (~l) (x).
2
• Per aquest segon apartat, es diu que hi ha diferents representacions per a SL,~l .
UPC • La del teorema es diu normal i és la més important per tenir vector de lliscament de V .
ETSEIAT
• I en aquest cas, com que ~l ∈ V = V1 , es té que SL,~l (x) = SL (x) + ~l = SL (x + ~l).
Observació 3.108 Per tant, l’expressió matricial de SL,~l és del tipus X = P + A(X − P ) + L.
Exemple 3.109 L’expressió matricial en la referència canònica de la simetria afı́ amb

lliscament (−1, 1, 1) respecte de la varietat lineal
L = p + V = (1, 2, 2) + h(1, −1, −1)i
Rafel Amer
és             
Vicenç Sales x̄ 4 −1 −2 −2 x −1 3 −1 −2 −2 x
 ȳ  =  2  + 1  −2 −1 1
2   y  +  1  =  3  +  −2 −1 2 y .
3 3
Pàgina 100 de 150 z̄ 2 −2 2 −1 z 1 3 −2 2 −1 z
Siguin α ∈ [0, 2π) i {p; v} = {p; ~v1 , . . . , ~vn−2 } una referència euclidiana d’una varietat lineal
L = p + V de Rn (n > 1).
Definició 3.110 S’anomena rotació afı́ d’angle α al voltant de p i v a l’aplicació Rαp;v de

Rn en Rn definida per a tot x ∈ Rn per
Rαp;v (x) = x̃ .
• R0p;v = I i Rπp;v = SL ; i les altres es diuen estrictes.

• p es diu centre de gir; ~v1 , . . . , ~vn−2 , vectors de gir; α, angle de gir; V , direcció de gir; i
L, varietat de gir (eix a R3 ).
Teorema 3.111 (a) Rαp;v és transformació afı́ directa.

(b) Rαp;v té punts fixos i la seva varietat lineal de punts fixos és L.
• En particular, doncs, es té que

~ αv (−
Rαp;v (x) = p + R p→
x) .
• A R no hi ha sistema ortonormal, en diem gir afı́ Gpα d’angle α al voltant de p i aquest
2
és l’únic punt fix que té.
Observació 3.112 Per tant, l’expressió matricial de Rαp;v és del tipus X = P + A(X − P ).
UPC
4π
Exemple 3.113 Donada la rotació afı́ d’angle 3 al voltant del punt i el vector respectius
ETSEIAT
1
(1, 2, 2) i√ (1, −1, −1) ,
3
~
la seva transformació lineal associada RV té matriu associada en la base canònica
 
0 −1 0
Ae= 0 0 1
−1 0 0
com hem vist a la secció anterior i, en conseqüència, la seva expressió matricial en la
Rafel Amer
referència
 can ònica
 és          
Vicenç Sales x̄ 1 0 −1 0 x 1 3 0 −1 0 x
 ȳ  =  2  +  0 0 1   y − 2
    = 0 +
   0 0 1   y .
Pàgina 101 de 150 z̄ 2 −1 0 0 z 2 3 −1 0 0 z
Siguin α ∈ [0, 2π), {p; v} = {p; ~v1 , . . . , ~vn−2 } una referència euclidiana d’una varietat lineal
L = p + V de Rn (n > 1) i ~l 6= ~0.

Rp;v~ (x) = Rαp;v (x) + ~l
α,l
/ V ⊥.
Sigui ara ~l ∈
/ V ⊥ , que implica n > 2 ja que L no pot ser un punt perquè aleshores V ⊥ = Rn .
Definició 3.115 Rp;v~ es diu rotació afı́ amb lliscament ~l d’angle α al voltant de p i v.
α,l
• Rp;v~ = T~l i Rp;v~ = SL,~l ; i les altres es diuen estrictes.

0,l π,l
• A R3 es diu moviment helicoı̈dal. I p es diu centre de gir; ~v1 , . . . , ~vn−2 , vectors de gir;
α, angle de gir; V , direcció de gir; L, varietat de gir (eix a R3 ); i ~l, vector de lliscament.
Teorema 3.116 (a) Rp;v~ és transformació afı́ directa.

α,l
p+ 12 ~l+ 2(1−cos
sin α
(~v ∧...∧~vn−2 ∧~l);v
α) 1
(b) Rp;v~ (x) = R ~V (~l) (x) per a tot α 6= 0.
α,l α,P
• Per aquest segon apartat, es diu que hi ha diferents representacions per a Rp;v~ .
α,l
UPC
• La del teorema es diu normal i és la més important per tenir vector de lliscament de V .
ETSEIAT • I en aquest cas, com que ~l ∈ V = V1 , es té que Rp;v~ (x) = Rαp;v (x) + ~l = Rαp;v (x + ~l).
α,l
Observació 3.117 Per tant, l’expressió matricial de Rp;v~ és del tipus X = P +A(X −P )+L.
α,l
Exemple 3.118 L’expressió matricial en la referència canònica del moviment helicoı̈dal

amb lliscament (−1, 1, 1) d’angle 4π
3 al voltant del punt i el vector respectius
1
(1, 2, 2) i √ (1, −1, −1)
Rafel Amer 3
és              
Vicenç Sales x̄ 3 0 −1 0 x −1 2 0 −1 0 x
 ȳ  =  0  +  0 0 1 y  +  1 =  1 +  0 0 1 y .
Pàgina 102 de 150 z̄ 3 −1 0 0 z 1 4 −1 0 0 z
Transformacions lineals euclidianes de l’espai vectorial euclidià
Sigui f~ : Rn −→ Rn una aplicació que transforma vectors de Rn en vectors de Rn .
Definició 3.119 f~ és una transformació lineal euclidiana si, i només si:
(i) f~ és una transformació lineal;
(ii) f~(~x) · f~(~y ) = ~x · ~y per a tot ~x, ~y ∈ Rn .
• També s’anomenen transformacions ortogonals o isometries lineals.

• I la primera condició anterior es dedueix de la segona i és, per tant, innecessària.
Teorema 3.120 f~ és una transformació lineal euclidiana si, i només si, per a tot ~x, ~y ∈ Rn
f~(~x) · f~(~y ) = ~x · ~y .
Sigui f~ una transformació lineal euclidiana.
Proposició 3.121 (a) k f~(~x) k = k ~x k.

\
(b) f~(~x) f~(~y ) = ~xc~y .
(c) Si {~v1 , . . . , ~vk } és ortogonal llavors {f~(~v1 ), . . . , f~(~vk )} és ortogonal.
(d) Si {~v1 , . . . , ~vk } és ortonormal llavors {f~(~v1 ), . . . , f~(~vk )} és ortonormal.
UPC Siguin f~ una transformació lineal i {~e1 , . . . , ~en } una base de Rn .
ETSEIAT
Teorema 3.122 f~ és euclidiana si, i només si, per a tot i, j = 1 . . . , n
f~(~ei ) · f~(~ej ) = ~ei · ~ej .
Exemple 3.123 La transformació lineal f~ que ve definida per

f~(1, 1, 1) = (−1, 1, −1) , f~(1, 1, 0) = (−1, 0, −1) i f~(1, 0, 0) = (0, 0, −1)
és euclidiana ja que
Rafel Amer
f~(1, 1, 1) · f~(1, 1, 1) = 3 = (1, 1, 1) · (1, 1, 1) , f~(1, 1, 1) · f~(1, 1, 0) = 2 = (1, 1, 1) · (1, 1, 0) ,
Vicenç Sales
f~(1, 1, 0) · f~(1, 1, 0) = 2 = (1, 1, 0) · (1, 1, 0) , f~(1, 1, 1) · f~(1, 0, 0) = 1 = (1, 1, 1) · (1, 0, 0) ,
f~(1, 0, 0) · f~(1, 0, 0) = 1 = (1, 0, 0) · (1, 0, 0) , f~(1, 1, 0) · f~(1, 0, 0) = 1 = (1, 1, 0) · (1, 0, 0) ,
Pàgina 103 de 150
perquè els altres tres casos són també iguals per ser simètric el producte escalar.
La identitat i la menys identitat són euclidianes –però la nul.la, en canvi, no–; i les altres
es diuen estrictes.
Teorema 3.124 Les simetries vectorials i les rotacions vectorials són euclidianes.
~
Les projeccions ortogonals vectorials, en canvi, no són euclidianes –excepte I–.
TRANSFORMACIONS LINEALS SIMÈTRIQUES EUCLIDIANES
PROJECCIONS ORTOGONALS VECTORIALS SI NO
SIMETRIES VECTORIALS SI SI
ROTACIONS VECTORIALS NO SI
~
En aquest esquema les projeccions ortogonals vectorials són, doncs, excepte I.
Proposició 3.125 La composició d’una rotació vectorial i la simetria vectorial respecte del
pla ortogonal al subespai de gir és commutativa i és una transformació lineal euclidiana:
h i h i
~ αv (~x) = S
C ~V ⊥ R~ αv (~x) = R
~ αv S~V ⊥ (~x) .
• En direm composició vectorial.

~v = S
• Es té que C ~V ⊥ i C
~ πv = −I;
~ i les altres es diuen estrictes.
0
UPC Teorema 3.126 (a) V = V−1 i V ⊥ = {~x ∈ Rn : C ~ αv (~x) = (cos α) ~x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x)}.
~ v ~ ~
(b) Cα (~x) = −PV (~x) + (cos α) PV ⊥ (~x) + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x).
ETSEIAT
La fórmula per a V ⊥ de les rotacions i composicions vectorials és la mateixa i es diu comú:
f~(~x) = (cos α) ~x + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x) .
~x
P~V (~x)
~ ~α
R v
(~x)
~v
α P~V ⊥ (~x)
Rafel Amer
V⊥
Vicenç Sales
V
~ ~
v
Cα (~x)
Pàgina 104 de 150 Exemple 3.127 La transformació lineal euclidiana f~ d’abans és estricta, ja que f~ 6= I,
~ −I.
~
Observació 3.128 En les transformacions lineals euclidianes treballarem en bases orto-
normals. Per tant, si la base inicial és no ortonormal caldrà fer prèviament un canvi de
base a una altra ortonormal.
Sigui A la matriu d’una transformació lineal f~ en una base ortonormal.
Teorema 3.129 f~ és euclidiana si, i només si, A és ortogonal.
Proposició 3.130 (a) rg f~ = n.

(b) det f~ = 1 o det f~ = −1.
Exemple 3.131 En la transformació lineal euclidiana f~ d’abans, si A és la matriu en base

UPC
canònica Bc llavors
           
1 −1 1 −1 1 0
ETSEIAT A 1 =  1 , A 1 =  0 i A 0 =  0 ,
1 −1 0 −1 0 −1
que es pot agrupar en
   
1 1 1 −1 −1 0
A 1 1 0 =  1 0 0 .
1 0 0 −1 −1 −1
Per tant, la matriu de f~ en la base canònica Bc és
   −1     
Rafel Amer −1 −1 0 1 1 1 −1 −1 0 0 0 1 0 −1 0
Vicenç Sales A= 1 0 0·1 1 0 =  1 0 0 0 1 −1  =  0 0 1
−1 −1 −1 1 0 0 −1 −1 −1 1 −1 0 −1 0 0
Pàgina 105 de 150 –que és efectivament ortogonal–.
Proposició 3.132 (a) Si λ és una arrel del polinomi caracterı́stic llavors |λ| = 1.
(b) Si ~u i ~v són vectors propis de valors propis respectius 1 i −1 llavors ~u i ~v són ortogonals.
• Per tant, els valors propis només poden ser 1 i −1.

• Les arrels complexes conjugades del polinomi caracterı́stic són del tipus cos α ± (sin α) i.
Teorema 3.133 El polinomi caracterı́stic de les transformacions lineals euclidianes és

pf~(x) = (−1)n (x − 1)p (x + 1)q x2 − 2 (cos α1 ) x + 1 . . . x2 − 2 (cos αr ) x + 1 ,

amb p + q + 2r = n.
Aixı́, si pf~(x) = (−1)n (x − 1)p (x + 1)q (x2 + a1 x + 1) . . . (x2 + ar x + 1) (amb −2 < a1 , . . . , ar < 2) és
a1 ar
cos α1 = − , . . . , cos αr = − .
2 2
Teorema 3.134 Considerem una transformació lineal euclidiana estricta de R2 .

MATRIU ASSOCIADA en BASE ORTONORMAL TIPUS

a b
A= (amb a2 + b2 = 1) Simetria vectorial (axial)
b −a

a −b
A= (amb a2 + b2 = 1) Gir vectorial
UPC b a
ETSEIAT Considerem una transformació lineal euclidiana estricta de Rn .

POLINOMI CARACTERÍSTIC TIPUS
pf~(x) = (−1)n (x − 1)k (x + 1)n−k Simetria vectorial
pf~(x) = (−1)n (x − 1)n−2 (x2 + ax + 1) (amb −2 < a < 2) Rotació vectorial
pf~(x) = (−1)n (x + 1)n−2 (x2 + ax + 1) (amb −2 < a < 2) Composició vectorial
Exemple 3.135 Com que per a la transformació lineal euclidiana f~ anterior tenim que
Rafel Amer −x −1 0
Vicenç Sales
pf~(x) = 0 −x 1 = −x3 + 1 = −(x − 1)(x2 + x + 1) ,
−1 0 −x
Pàgina 106 de 150 es dedueix que f~ és una rotació vectorial estricta.
Observació 3.136 A R3 els vectors de gir de les taules següents es redueixen a un sol
vector unitari ja que els subespais vectorials considerats són llavors rectes vectorials.
Classificar una transformació lineal euclidiana és donar el tipus i elements caracterı́stics.
Teorema 3.137 Considerem una transformació lineal euclidiana estricta de R2 .

TIPUS ELEMENTS CARACTERÍSTICS
Simetria vectorial (axial) •Eix de simetria: V1
•Angle de gir: cos α = a i sin α = b en base ortonormal positiva
Gir vectorial o cos α = a i sin α = −b en base ortonormal negativa
Considerem una transformació lineal euclidiana estricta de Rn .
Simetria vectorial •Subespai de simetria: V1
•Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
Rotació vectorial •Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
•Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V−1
Composició vectorial •Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
⊥
•Pla de simetria: V−1
Exemple 3.138 Com que f~ és una rotació vectorial estricta, trobem el subespai propi V1 :
UPC 
−1 −1 0 0
 
−1 −1 0 0
 
−1 1 0 0

ETSEIAT
V1 :  0 −1 1 0 '  0 −1 1 0 '  0 −1 1 0  .
−1 0 −1 0 F ∼F −F 0 1 −1 0 F ∼F +F 0 0 0 0
3 3 1 3 3 2
Llavors tenim x = −y = −z i el vector de gir és, doncs, el √1 (−1, 1, 1).

3
A més, cos α = − 21 . I prenent un vector ortogonal al vector de gir com el (1, 1, 0), tenim
~i ~j ~k
    
0 −1 0 1 −1
 0 0 1 1 =  0 i −1 1 1 = (−1, 1, −2)
−1 0 0 0 −1 1 1 0
Rafel Amer
i la fórmula comú és (−1, 0, −1) = − 21 (1, 1, 0) + (sin α) √13 (−1, 1, −2). Llavors, igualant les
√
Vicenç Sales
terceres components, s’obté − √23 sin α = −1. Per tant, sin α = 23 i l’angle de gir és α = 2π3 .
Pàgina 107 de 150 I, en resum, obtenim que f~ és la rotació vectorial d’angle 2π 1
al voltant del vector √ (−1, 1, 1).
3 3
Proposició 3.139 Si f~ és una transformació lineal euclidiana llavors f~ és regular.
Sigui A la matriu d’una transformació lineal f~ en una base ortonormal.
Teorema 3.140 (a) f~ és euclidiana directa si, i només si, A és ortogonal directa.
(b) f~ és euclidiana inversa si, i només si A és ortogonal inversa.
I~ és euclidiana directa; i −I,

~ euclidiana directa si n parell i euclidiana inversa si n senar.
Observació 3.141 No n’hi ha prou només amb que A sigui directa o inversa.
Proposició 3.142 (a) f~(V ⊥ ) = [f~(V )]⊥ .

(b) Si {~v1 , . . . , ~vk } base ortogonal de V llavors {f~(~v1 ), . . . , f~(~vk )} base ortogonal de f~(V ).
(c) Si {~v1 , . . . , ~vk } base ortonormal de V llavors {f~(~v1 ), . . . , f~(~vk )} base ortonormal de f~(V ).
En particular, si B = {~e1 , . . . , ~en } és una base ortogonal de Rn llavors B = {f~(~e1 ), . . . , f~(~en )}
és també una base ortogonal de Rn ; i si B és ortonormal llavors B és també ortonormal.
UPC
ETSEIAT
Teorema 3.143 (a) Si f~ és directa llavors B té la mateixa orientació que B.
(b) Si f~ és inversa llavors B té diferent orientació que B.
El resultat següent es deriva del fet que el producte vectorial també depén de l’orientació.
Proposició 3.144 (a) Si f~ és directa llavors f~(~x1 ∧ . . . ∧ ~xn−1 ) = f~(~x1 ) ∧ . . . ∧ f~(~xn−1 ).
(b) Si f~ és inversa llavors f~(~x1 ∧ . . . ∧ ~xn−1 ) = −f~(~x1 ) ∧ . . . ∧ f~(~xn−1 ).
Rafel Amer Exemple 3.145 La transformació lineal euclidiana f~ anterior és directa per ser A directa:
Vicenç Sales 0 −1 0
det A = 0 0 1 = 1.
Pàgina 108 de 150 −1 0 0
Transformacions afins euclidianes de l’espai afı́ euclidià
Sigui f : Rn −→ Rn una aplicació que transforma punts de Rn en punts de Rn .
Definició 3.146 f és una transformació afı́ euclidiana si, i només si:
(i) f és una transformació afı́;
(ii) f~ és una transformació lineal euclidiana.
També s’anomenen transformacions euclidianes, isometries afins o moviments.
Observació 3.147 Estem fusionant, un altre cop, l’espai afı́ i l’espai vectorial euclidià.
Sigui f una transformació afı́ euclidiana.
Proposició 3.148 (a) d[f (x), f (y)] = d(x, y).

(b) V [πn (f (p), f~(~v1 ), . . . , f~(~vk ))] = V [πn (p, ~v1 , . . . , ~vk )].
UPC
(c) V [σn (f (p), f~(~v1 ), . . . , f~(~vk ))] = V [σn (p, ~v1 , . . . , ~vk )].
ETSEIAT (d) d[f (L), f (L0 )] = d(L, L0 ).
(e) Si {p; ~v1 , . . . , ~vk } és rectangular aleshores {f (p); f~(~v1 ), . . . , f~(~vk )} és també rectangular.
(f) Si {p; ~v1 , . . . , ~vk } és euclidià aleshores {f (p); f~(~v1 ), . . . , f~(~vk )} és també euclidià.
(g) Si L i L0 són perpendiculars aleshores f (L) i f (L0 ) són perpendiculars.
\
(h) f (L) f (L0 ) = L d L0 .
Exemple 3.149 La transformació afı́ f tal que

Rafel Amer f (1, 3, −1) = (−1, 0, 3)
Vicenç Sales i
f~(1, 1, 1) = (−1, 1, −1) , f~(1, 1, 0) = (−1, 0, −1) i f~(1, 0, 0) = (0, 0, −1)
Pàgina 109 de 150 ~
és euclidiana per ser f transformació lineal euclidiana, com s’ha vist a la secció anterior.
Les translacions i les antı́podes són euclidianes –però les constants, en canvi, no–; i les
altres es diuen estrictes.
Teorema 3.150 Les simetries afins, les simetries afins amb lliscament, les rotacions
afins i les rotacions afins amb lliscament són euclidianes.
Les projeccions ortogonals afins i les projeccions ortogonals afins amb lliscament, en canvi,
no són euclidianes –excepte les translacions–.
Proposició 3.151 La composició d’una rotació afı́ i la simetria afı́ respecte del pla per-
pendicular a la varietat de gir pel centre de gir és commutativa
h i
Cαp;v (x) = SL⊥
p
[Rα
p;v
(x)] = Rα
p;v
S ⊥
Lp (x)
~ v.
i és una transformació afı́ euclidiana amb transformació lineal euclidiana associada C α
• En direm composició afı́.

• Es té que C0p;v = SL⊥
p
i Cπp;v = Ap ; i les altres es diuen estrictes.
UPC
Teorema 3.152 (a) p és l’únic punt fix de Cαp;v si α 6= 0.
ETSEIAT ~ αv (−
(b) Cαp;v (x) = p + C p→
x) = p − P~V (−
p→
x) + (cos α) P~V ⊥ (−
p→
x) + sin α (~v1 ∧ . . . ∧ ~vn−2 ∧ −
p→
x).
x
p;~
v
PL (x)
Rα (x) −
~v p→
x
v −
R~ ~α (p→
x) α PL ⊥p
(x)
⊥
p L p
Rafel Amer
~ α~v (−
C p→
x) L
Vicenç Sales
Cαp;~v (x)
Exemple 3.153 La transformació afı́ euclidiana f d’abans és estricta, ja que la seva trans-
Pàgina 110 de 150 formació lineal euclidiana f~ és també estricta, com hem vist a la secció anterior.
Observació 3.154 En les transformacions afins euclidianes treballarem en referències
euclidianes. Per tant, si la referència inicial és no euclidiana caldrà fer prèviament un
canvi de referència a una altra euclidiana.
Considerem l’expressió matricial

X = AX + B
d’una transformació afı́ f en una referència euclidiana.
Teorema 3.155 f és euclidiana si, i només si, A és ortogonal.
Exemple 3.156 Donada la transformació afı́ euclidiana f de l’exemple precedent, tenim

en compte la matriu A de f~ de la secció anterior i que
f (1, 3, −1) = (−1, 0, 3) ,
UPC es té que
      
ETSEIAT
−1 a 0 −1 0 1
 0 =  b+ 0 0 1 3 ,
3 c −1 0 0 −1
d’on a = 2, b = 1 i c = 4 i l’expressió matricial de f en la referència canònica Rc queda
      
x̄ 2 0 −1 0 x
 ȳ  =  1  +  0 0 1 y 
z̄ 4 −1 0 0 z
–on la matriu  
Rafel Amer
0 −1 0
Vicenç Sales 0 0 −1 
1 0 0
Pàgina 111 de 150 és, efectivament, ortogonal–.
Observació 3.157 Com sabem, les transformacions afins amb transformació lineal as-
sociada que no té el valor propi 1 tenen punt fix únic i, per tant, són amb punts fixos.
Aquest és el cas dels girs afins estrictes i de les composicions afins estrictes.
Proposició 3.158 f és una transformació afı́ euclidiana sense punts fixos si, i només si,
existeixen una transformació afı́ euclidiana F amb punt fix i un únic vector no nul ~l ∈ V1
tals que per a tot x ∈ Rn
f (x) = F (x) + ~l = F (x + ~l) .
A les simetries i rotacions afins amb lliscament el vector ~l és el de la representació normal.
Teorema 3.159 Considerem una transformació afı̀ euclidiana estricta de R2 .

TRANSFORMACIÓ LINEAL ASSOCIADA AMB PUNTS FIXOS SENSE PUNTS FIXOS
Simetria vectorial (axial) Simetria afı́ (axial) Simetria afı́ (axial) amb lliscament
Gir vectorial Gir afı́ —
Considerem una transformació afı̀ euclidiana estricta de Rn .

TRANSFORMACIÓ LINEAL ASSOCIADA AMB PUNTS FIXOS SENSE PUNTS FIXOS
Simetria vectorial Simetria afı́ Simetria afı́ amb lliscament
UPC
Rotació vectorial Rotació afı́ Rotació afı́ amb lliscament
ETSEIAT Composició vectorial Composició afı́ —
Exemple 3.160 Com hem vist a la secció anterior, la transformació lineal euclidiana f~
associada a la transformació afı́ euclidiana f dels exemples anteriors és la rotació vectorial
d’angle 2π √1
3 al voltant del vector 3 (−1, 1, 1).
D’altra banda, tenim que l’equació dels punts fixos és
           
2 0 −1 0 x x −1 −1 0 x −2
Rafel Amer 1+ 0 0 1 y  =  y  '  0 −1 1   y  =  −1  ,
Vicenç Sales
4 −1 0 0 z z −1 0 −1 z −4
que és incompatible.
Pàgina 112 de 150 Per tant, no té punts fixos i, en conseqüència, f és un moviment helicoı̈dal.
Classificar una transformació afı́ euclidiana és donar el tipus i elements caracterı́stics.
Teorema 3.161 Considerem una transformació afı̀ euclidiana estricta de R2 .

Simetria afı́ (axial) • Eix de simetria: p + V1 , amb p punt fix
−−−→
Simetria afı́ (axial) •Eix de simetria: p + V1 , amb − −p−f→(p) ∈ V1
amb lliscament •Vector de lliscament: ~l = p f (p) ∈ V1
•Centre de gir: punt fix p
Gir afı́ •Angle de gir: cos α = a i sin α = b en referència euclidiana positiva
o cos α = a i sin α = −b en referència euclidiana negativa
Considerem una transformació afı̀ euclidiana estricta de Rn .
Simetria afı́ •Varietat de simetria: p + V1 , amb p punt fix
−−−→
Simetria afı́ •Varietat de simetria: p + V1 , amb p f (p) ∈ V1
−−−→
amb lliscament •Vector de lliscament: ~l = p f (p) ∈ V1
•Centre de gir: punt fix p
Rotació afı́ •Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
•Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
−−−→
•Centre de gir: p, amb p f (p) ∈ V1
Rotació afı́ •Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
amb lliscament •Angle de gir: cos α amb polinomi caracterı́stic−−−i→sin α amb fórmula comú
•Vector de lliscament: ~l = p f (p) ∈ V1
UPC •Centre de gir: punt fix p
Composició afı́ •Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V−1
•Angle de gir: cos α amb polinomi caracterı́stic ⊥
i sin α amb fórmula comú
ETSEIAT •Pla de simetria: V−1
Exemple 3.162 Considerem la transformació afı́ euclidiana f dels exemples anteriors. Si

−−−→
ara p = (a, b, c) és un punt qualsevol, imposant que p f (p) ∈ V1 , tenim
          
2 0 −1 0 a a −1 −1 −1 0 −β − 2
1+ 0 0 1 b −  b = β  1 '  0 −1 1 β −1 ,
4 −1 0 0 c c 1 −1 0 −1 β−4
Rafel Amer que resulta ser compatible si, i només si, β = 1. A més, en tal cas, una solució és per
Vicenç Sales
exemple a = 3 i b = c = 0 i tenim aixı́ el punt (3, 0, 0) i el vector de lliscament (−1, 1, 1).
2π
I obtenim, en definitiva, que f és el moviment helicoı̈dal d’angle 3 al voltant del punt
Pàgina 113 de 150 (3, 0, 0) i el vector √13 (−1, 1, 1) amb lliscament de vector (−1, 1, 1).
Proposició 3.163 Si f és una transformació afı́ euclidiana aleshores f és regular.
Considerem l’expressió matricial

X = AX + B
d’una transformació afı́ f en una referència euclidiana.
Teorema 3.164 (a) f és euclidiana directa si, i només si, A és ortogonal directa.
(b) f és euclidiana inversa si, i només si, A és ortogonal inversa.
Les translacions són euclidianes directes; i les antı́podes, euclidianes directes si n parell i
euclidianes inverses si n senar.
Observació 3.165 No n’hi ha prou només amb que A sigui directa o inversa.
Sigui f una transformació afı́ euclidiana.
Proposició 3.166 (a) Si {p; ~v1 , . . . , ~vk } és una referència rectangular de L aleshores
{f (p); f~(~v1 ), . . . , f~(~vk )} és una referència rectangular de f (L).
UPC (b) Si {p; ~v1 , . . . , ~vk } és una referència euclidiana de L aleshores {f (p); f~(~v1 ), . . . , f~(~vk )} és
una referència euclidiana de f (L). ⊥
(c) Si L = p + W ⊥ aleshores f (L) = f (p) + f~(W ) .

ETSEIAT
En particular, si R = {O; ~e1 , . . . , ~en } és una referència rectangular de Rn aleshores R =

{f (O); f~(~e1 ), . . . , f~(~en )} és també una referència rectangular de Rn ; i si R és euclidiana
aleshores R és també euclidiana.
Teorema 3.167 (a) Si f és directa aleshores R té igual orientació que R.
Rafel Amer
(b) Si f és inversa aleshores R té diferent orientació que R.
Vicenç Sales
Exemple 3.168 La transformació afı́ euclidiana f anterior és directa ja que la seva trans-
Pàgina 114 de 150 formació lineal euclidiana f~ és també directa, com s’ha vist a la secció anterior.
4 FORMES I VARIETATS QUADRÀTIQUES I MÍNIMS QUADRATS
Formes quadràtiques de l’espai vectorial
Sigui ~q : Rn −→ R una aplicació que transforma vectors de Rn en escalars.
Definició 4.1 ~q és una forma quadràtica en la base B = {~e1 , . . . , ~en } si, i només si, per a
tot vector ~x ∈ Rn de components (x1 , . . . , xn ) en la base B
~q(~x) = a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n ,
j
amb ai ∈ R per a tot i, j = 1, . . . , n.
Com a cas particular, tenim la forma quadràtica nul.la definida per a tot ~x ∈ Rn per
~0(~x) = 0 .
Proposició 4.2 (a) ~q(~0) = 0.

(b) ~q(α~x) = α2 ~q(~x).
aj +ai
• Considerem els valors qij = i 2 j per a tot i, j = 1, . . . , n.
• Es té aleshores que ~q(~e1 ) = a11 = q11 , . . . , ~q(~en ) = ann = qnn .
• Els coeficients qii amb i = 1, . . . , n s’anomenen quadràtics purs; i els qij amb i, j = 1, . . . , n
i i 6= j, quadràtics creuats.
• Tenim aixı́ una matriu simètrica Q, que s’anomena matriu de ~q en la base B.
UPC • I obtenim aleshores l’expressió matricial de ~q en la base B:
 1
q1 . . . q1n
 
x1
ETSEIAT  .
t
X QX = x1 . . . xn  .. .
..   ... 
.
 
qn1 . . . qnn xn
Observació 4.3 La forma quadràtica nul.la té matriu nul.la en qualsevol base.
Exemple 4.4 La forma quadràtica definida en la base canònica Bc per
~q(~x) = 4x2 + y 2 + z 2 − 4xy + 4xz − 2yz
Rafel Amer
s’escriu en forma matricial   
Vicenç Sales
4 −2 2 x
~q(~x) = x y z  −2 1 −1   y  .
Pàgina 115 de 150
2 −1 1 z
Considerem la fórmula del canvi de base d’una base B 0 a una base B
X = CX 0 .
Teorema 4.5 Si ~q(~x) = X t QX és l’expressió de ~q en la base B aleshores la seva expressió

en la base B 0 és
t
~q(~x) = X 0 Q0 X 0 , amb Q0 = C t QC .
Aquesta és la fórmula del canvi de base per a formes quadràtiques.
Proposició 4.6 El rang de les matrius de ~q és igual en totes les bases.
Escrivim rg ~q i en diem rang de ~q.
Observació 4.7 El determinant, en canvi, depèn de la base, ja que

det Q0 = det C t QC = (det C t ) · det Q · det C = (det C)2 · det Q .
UPC
ETSEIAT Exemple 4.8 Donada la base B 0 = {(1, 2, 1), (2, 1, −2), (−1, 2, −2)} i la forma quadràtica ~q
d’abans, la matriu de canvi de base de la base B 0 a la base canònica Bc és
 
1 2 −1
C =2 1 2
1 −2 −2
i, per tant, la seva matriu en la base B és0
 t     
1 2 −1 4 −2 2 1 2 −1 1 1 −6
Rafel Amer Q0 = C t QC =  2 1 2   −2 1 −1   2 1 2 =  1 1 −6  .
Vicenç Sales
1 −2 −2 2 −1 1 1 −2 −2 −6 −6 36
I obtenim aixı́ que l’expressió de ~q en la base B 0 és
2 2 2
Pàgina 116 de 150 ~q(~x) = x0 + y 0 + 36z 0 + 2x0 y 0 − 12x0 z 0 − 12y 0 z 0 .
Ja que les transformacions elementals per files són equivalents a multiplicar per l’esquerra
la matriu i les de columnes a fer-ho per la dreta, aplicant successivament les mateixes
transformacions elementals per files i columnes resulta una matriu obtinguda multiplicant
per una matriu per la dreta i per la transposada per l’esquerra:
Q0 = C t QC .
Observació 4.9 Considerem ara les transformacions elementals del mètode de Gauss.
• Aplicant les mateixes transformacions per files i columnes a Q se n’obté una diagonal:
D = C t QC .
• Aplicant les transformacions per files a I s’obté la matriu
C tI = C t .
• En particular, aplicant les transformacions per files a (Q|I) i les mateixes transforma-
cions per columnes a Q només s’obtenen simultàniament les matrius
D i Ct .
Parlem, en tal cas, de mètode de Gauss per a formes quadràtiques.
Proposició 4.10 L’expressió de ~q en tota base B 00 obtinguda pel mètode de Gauss és
2 2
~q(~x) = d1 x001 + . . . + dn x00n .
UPC
• d1 , . . . , dn són els elements de la diagonal de D, s’anomenen valors i no són únics.
ETSEIAT
• La forma quadràtica nul.la té tots els valors nuls i és l’única amb aquesta caracterı́stica.
Teorema 4.11 El conjunt de vectors de valor 0 –incloent el nul– és un subespai vectorial.
Exemple 4.12 Per a la forma quadràtica ~q dels exemples anteriors tenim:

     
4 −2 2 1 0 0 4 −2 2 1 0 0 4 0 0 1 0 0
 −2 1 −1 0 1 0  ' 0
 0 0 1 2 0 '0 0 0 1 2 0 .
Rafel Amer
2 −1 1 0 0 1 F2 ∼2F2 +F1 0 0 0 1 0 −2 C2 ∼2C2 +C1 0 0 0 1 0 −2
Vicenç Sales F3 ∼−2F3 +F1 C3 ∼−2C3 +C1
Per tant, la base i l’expressió respectives obtingudes són
2
Pàgina 117 de 150 B 00 = {(1, 0, 0), (1, 2, 0), (1, 0, −2)} i ~q(~x) = 4x00 .
00 00
En particular, si la matriu en la base {~e1 , . . . , ~en } és diagonal amb valors d1 , . . . , dn aleshores
00 00
q(~e1 ) = d1 , . . . , q(~en ) = dn .
00 00 00 00 00 00
Teorema 4.13 Si {~e1 , . . . , ~er , ~er+1 , . . . , ~er+s , ~er+s+1 , . . . , ~en } és una base en la que la matriu
de la forma quadràtica ~q és diagonal amb els r primers valors estrictament positius, els s
següents estrictament negatius i els n − r − s darrers nuls aleshores, en la base
( )
1 00 1 00 1 00 1 00 00 00
B∗ = p ~e1 , . . . , p ~er , p ~er+1 , . . . , p ~er+s , ~er+s+1 , . . . , ~en ,
|d1 | |dr | |dr+1 | |dr+s |
l’expressió de ~q és
~q(~x) = x∗1 2 + . . . + x∗r 2 − x∗r+1 2 − . . . − x∗r+s 2 , amb r + s = rg ~q.
Aquesta base es diu conjugada; i l’expressió anterior –que sı́ és única–, vectorial reduı̈da.
Observació 4.14 En tal cas, els valors només poden ser 1, −1 i 0 i la matriu diagonal és
 
1
. . (r)
.
 
 
 

 1 


 −1 

 . . (s) .

UPC

 . 

 −1 

ETSEIAT  0 
 
 . .

 . (n−r−s) 
0
Exemple 4.15 En la forma quadràtica ~q dels exemples anteriors, com que l’únic element
no nul de la diagonal principal és el 4, el vector corresponent és el
1 1
p (1, 0, 0) = (1, 0, 0)
Rafel Amer |4| 2
Vicenç Sales i tenim que una base conjugada i l’expressió vectorial reduı̈da respectives són

1
∗
B = (1, 0, 0), (1, 2, 0), (1, 0, −2) i ~q(~x) = x∗ 2 .
Sigui ~q una forma quadràtica no nul.la.
Definició 4.16 Diem que ~q és definida positiva si, i només si, per a tot vector no nul ~x
~q(~x) > 0 .
Anàlogament, diem que ~q és definida negativa si, i només si, per a tot vector no nul ~x
~q(~x) < 0 .
Observació 4.17 I diem que ~q és definida si, i només si, és definida positiva o definida
negativa.
El menor ∆k d’A format per les seves primeres k files i columnes es diu menor principal
d’ordre k.
Observació 4.18 En particular, per tant, el menor principal d’ordre 1 és

∆1 = |a11 | = a11 .
El teorema següent es coneix com a criteri de Sylvester.

UPC
ETSEIAT Teorema 4.19 (a) ~q és definida positiva si, i només si,
∆1 > 0, ∆2 > 0, . . . , ∆n > 0 .
(b) ~q és definida negativa si, i només si,
∆1 < 0, ∆2 > 0, . . . , (−1)n ∆n > 0 .
Exemple 4.20 Donada la forma quadràtica ~q dels exemples anteriors, com que
∆1 = |4| = 4 > 0 ,
Rafel Amer
no és definida negativa. I com que
Vicenç Sales 4 −2
∆2 = = 0,
−2 1
Pàgina 119 de 150
tampoc no és definida positiva i, en conseqüència, és no definida.
Definició 4.21 Diem que ~q és semidefinida positiva si, i només si:
(i) ~q(~x) ≥ 0 per a tot vector ~x;
(ii) existeix un vector no nul ~y tal que ~q(~y ) = 0.
Anàlogament, diem que ~q és semidefinida negativa si, i només si:

(i) ~q(~x) ≤ 0 per a tot vector ~x;
(ii) existeix un vector no nul ~y tal que ~q(~y ) = 0.
Definició 4.22 Diem que ~q és indefinida si, i només si, existeixen vectors ~x i ~y tals que
~q(~x) > 0 i ~q(~y ) < 0 .
Afegint les dues definides, obtenim els cinc tipus de formes quadràtiques no nul.les.
Teorema 4.23 Considerem una forma quadràtica no nul .la.

VALORS TIPUS
Tots estrictament positius Definida positiva
Tots estrictament negatius Definida negativa
Tots positius i no tots estrictament positius Semidefinida positiva
Tots negatius i no tots estrictament negatius Semidefinida negativa
UPC
Almenys un estrictament positiu i almenys un estrictament negatiu Indefinida
ETSEIAT En particular, si considerem les expressions vectorials reduı̈des les condicions anteriors
equivalen respectivament a que els valors siguin tots 1, tots −1, tots 1 o 0 i no tots 1, tots
−1 o 0 i no tots −1 i almenys un 1 i almenys un −1.
Observació 4.24 Classificar vectorialment una forma quadràtica no nul.la és donar el
tipus, una base conjugada i l’expressió vectorial reduı̈da.
Exemple 4.25 Donada la forma quadràtica ~q dels exemples anteriors, com que té 1 valor
Rafel Amer estrictament positiu –el 4– i 2 nuls, s’obté que ~q és la forma quadràtica semidefinida positiva
Vicenç Sales de base conjugada i expressió vectorial reduı̈da respectives

1
∗
B = (1, 0, 0), (1, 2, 0), (1, 0, −2) i ~q(~x) = x∗ 2 .
Varietats quadràtiques de l’espai afı́
Sigui q : Rn −→ R una aplicació que transforma punts de Rn en escalars i considerem el
conjunt Vq = {x ∈ Rn : q(x) = 0}.
Definició 4.26 Vq és una varietat quadràtica en la referència R = {O; ~e1 , . . . , ~en } si, i
només si, per a tot x ∈ Rn de coordenades (x1 , . . . , xn ) en la referència R
q(x) = a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n + a1 x1 + . . . + an xn + a ,
amb algun coeficient aji no nul.
• En direm cònica si n = 2 i quàdrica si n = 3.

• Ens referirem a la varietat quadràtica Vq amb l’equació q(x) = 0.
aj +ai
• Els coeficients qij = i 2 j amb i, j = 1, . . . , n es diuen quadràtics (purs si i = j i creuats
si i 6= j); els li = a2i amb i = 1, . . . , n, lineals; i l’a, independent.
• Tenim una matriu simètrica Q o part quadràtica i una matriu-columna L o part lineal.
• I l’equació q(x) = 0 en la referència R s’escriu ara en la forma matricial
 1
q1 . . . q1n
   
x1 x1
t t
 . . .  . 
X QX + 2L X + a = x1 . . . xn  .. ..   ..  + 2 l1 . . . ln  ..  + a = 0 .
  
qn1 . . . qnn xn xn
UPC
Proposició 4.27 ~q(~x) = X t QX és una forma quadràtica en la base B = {~e1 , . . . , ~en }.
ETSEIAT
~q és no nul.la i s’anomena forma quadràtica associada a la varietat quadràtica q(x) = 0.
Observació 4.28 Si els coeficients de l’equació són enters i algun dels coeficients dels
termes quadràtics creuats o lineals és senar, es pot multiplicar per 2 abans l’equació.
Exemple 4.29 Per a la quàdrica d’equació en la referència canònica Rc

4x2 + y 2 + z 2 − 4xy + 4xz − 2yz + 4x + 2y = 0 ,
Rafel Amer
la seva forma matricial és    
Vicenç Sales
4 −2 2 x x
x y z  −2 1 −1   y  + 2 2 1 0  y  + 0 = 0 .
Pàgina 121 de 150 2 −1 1 z z
Considerem la fórmula del canvi de referència d’una referència R0 = {O0 ; B 0 } a una re-
ferència R = {O; B}
X = M + CX 0 .
Teorema 4.30 Si X t QX + 2Lt X + a = 0 és l’equació de q(x) = 0 en la referència R llavors

la seva equació en la referència R0 és
 0 t
Q = C QC ;

t t
X 0 Q0 X 0 + 2L0 X 0 + a0 = 0 , amb L0 = C t (QM + L) ;
 0
a = M t QM + 2Lt M + a = q(O0 ) .

Aquesta és la fórmula del canvi de referència per a varietats quadràtiques.
Observació 4.31 • La nova part quadràtica Q0 només depèn de la nova base.

• La nova part lineal L0 , en canvi, depèn tant de la nova base com del nou origen.
• El nou terme independent a0 només depèn del nou origen.
Exemple 4.32 Donada la referència R0 = {(1, 1, 1); (1, 2, 1), (2, 1, −2), (−1, 2, −2)} i la quàdrica
anterior, com que el canvi de referència de R0 a Rc ve definit per
      0 
x 1 1 2 −1 x
UPC  y = 1+2 1 2   y0  ,
z 1 1 −2 −2 z0
ETSEIAT
es té que
 t     
1 2 −1 4 −2 2 1 2 −1 1 1 −6
Q0 = C t QC =  2 1 2   −2 1 −1   2 1 2 =  1 1 −6  ;
1 −2 −2 2 −1 1 1 −2 −2 −6 −6 36
 t        
1 2 −1 4 −2 2 1 2 6
L0 = C t (QM + L) =  2 1 2   −2 1 −1   1  +  1  =  7;
Rafel Amer
1 −2 −2 2 −1 1 1 0 −12
Vicenç Sales
a0 = q(1, 1, 1) = 4 · 12 + 12 + 12 − 4 · 1 · 1 + 4 · 1 · 1 − 2 · 1 · 1 + 4 · 1 + 2 · 1 = 10 .
Per tant, l’equació de la quàdrica en la referència R0 és
Pàgina 122 de 150 x0 2 + y 0 2 + 36z 0 2 + 2x0 y 0 − 12x0 z 0 − 12y 0 z 0 + 12x0 + 14y 0 − 24z 0 + 10 = 0 .
• Q0 és diagonal si, i només si, la nova base B 0 és conjugada (de ~q).
• L0 = 0 si, i només si, QM + L = 0 (ja que C és regular).
• a0 = 0 si, i només si, el nou origen O0 pertany a la varietat quadràtica.
Definició 4.33 Diem centres d’una varietat quadràtica a les solucions del sistema lineal
QX + L = 0 .
Direm que la varietat quadràtica és amb centre si té centres; i sense centre si no en té.
Observació 4.34 Considerem ara una varietat quadràtica amb centre q(x) = 0.
• Sigui B ∗ = {~e1∗ , . . . , ~ek∗ , ~ek+1 en∗ } una base conjugada de ~q –en la que la matriu diagonal
∗ , .. . ,~
té, doncs, k uns i menys uns primer i n − k zeros després a la diagonal principal–.
• I sigui O∗ un centre qualsevol de la varietat quadràtica.
Proposició 4.35 L’equació en la referència {O∗ ; B ∗ } és

±ex1 2 ± . . . ± x
e2 + e
a = 0,
k amb e a=M ft QM
f + 2Lt M
f + a.

∗ ∗ 1 ∗ 1 ∗ ∗ ∗
• Les referències R = O ; √ ~e1 , . . . , √ ~ek , ~ek+1 , . . . , ~en en cas que es tingui que e a 6= 0
|e
a| |ea|
i R∗ = O∗ ; ~e1∗ , . . . , ~ek∗ , ~ek+1
∗ , .. . ,~
en∗ en cas que e

a = 0 es diuen conjugades.
UPC • I les equacions següents amb l’1 aı̈llat si e a 6= 0 o sense modificar si e
a = 0, afins reduı̈des.
ETSEIAT Teorema 4.36 L’equació afı́ reduı̈da en tota referència conjugada és
(
∗2 ∗2 ∗ 2 ∗ 2 1 , si O∗ no pertany a la varietat quadràtica;
x1 + . . . + xr − xr+1 − . . . − xr+s =
0 , si O∗ sı́ pertany a la varietat quadràtica.
Exemple 4.37 La quàdrica d’abans té com a base conjugada de la seva part quadràtica a

∗ 1
B = (1, 0, 0), (1, 2, 0), (1, 0, −2) ,
2
Rafel Amer com hem vist a la secció anterior. I és sense centre per ser incompatible el sistema lineal
        
Vicenç Sales 4 −2 2 x 2 0 4 −2 2 −2
 −2 1 −1   y  +  1  =  0  '  −2 1 −1 −1  .
Pàgina 123 de 150 2 −1 1 z 0 0 2 −1 1 0
Observació 4.38 Observem que els casos
x∗1 2 + x∗2 2 = 0 , x∗1 2 − x∗2 2 = 0 , x∗1 2 = 1 , −x∗1 2 = 1 i x∗1 2 = 0
corresponen a parells d’hiperplans estrictament secants imaginaris, estrictament secants
reals, estrictament paral.lels reals, estrictament paral.lels imaginaris i iguals respectius
) ) ) ) )
x∗1 + x∗2 i = 0 x∗1 + x∗2 = 0 x∗1 = 1 x∗1 = i x∗1 = 0
, , , i .
x∗1 − x∗2 i = 0 x∗1 − x∗2 = 0 x∗1 = −1 x∗1 = −i x∗1 = 0
• Per comoditat, parlarem senzillament de parell d’hiperplans secants o paral.lels en lloc

d’estrictament secants o estrictament paral.lels, respectivament.
• Els parells d’hiperplans iguals s’anomenen també hiperplans dobles.
Definició 4.39 Les varietats quadràtiques que són parells d’hiperplans es diuen dege-
nerades; i les que no ho són, no degenerades.
UPC
Sigui O∗ un centre qualsevol d’una varietat quadràtica amb centre q(x) = 0.
ETSEIAT
Teorema 4.40 (a) q(x) = 0 és un parell d’hiperplans secants si, i només si,
rg ~q = 2 i O∗ hi pertany.
(b) q(x) = 0 és un parell d’hiperplans paral .lels si, i només si,
rg ~q = 1 i O∗ no hi pertany.
(c) q(x) = 0 és un parell d’hiperplans iguals si, i només si,
Rafel Amer rg ~q = 1 i O∗ hi pertany.
Vicenç Sales
Pàgina 124 de 150 Exemple 4.41 La quàdrica dels exemples anteriors és no degenerada per ser sense centre.
En diagonalitzar la part quadràtica l’origen no canvia i, per tant, L∗ = C t (Q · 0 + L) = C t L.
Observació 4.42 Considerem ara una varietat quadràtica sense centre q(x) = 0.
Llavors hi ha algun coeficient lineal no nul –que, reordenant, podem suposar que és ln∗ –.
Observació 4.43 • Sigui B ∗∗ la nova base conjugada obtinguda substituint cada vector
~ei∗ tal que li∗ sigui no nul –per a i = k + 1, . . . , n − 1– i el vector ~en∗ pels vectors respectius
~ei∗∗ = ln∗~ei∗ − li∗~en∗ i ~en∗∗ = |2l1∗ | ~en∗ .
n
• I sigui O∗∗ un punt de la varietat quadràtica tal que L∗∗ = C ∗ t (QX + L) tingui nuls tots
els seus coeficients excepte l’anterior –amb C ∗ matriu de canvi de base de B ∗∗ a B–.
• La referència R∗∗ = {O∗∗ ; B ∗∗ } es diu conjugada.
• I l’equació següent amb l’xn∗∗ aı̈llada, afı́ reduı̈da.
Teorema 4.44 L’equació afı́ reduı̈da en tota referència conjugada és

∗∗ 2 2 2 ∗∗ 2
x∗∗
n = x1 + . . . + x∗∗
r − x∗∗
r+1 − . . . − xr+s , amb r + s < n.
Exemple 4.45 Com que

1 t    1    
2 1 1 2 2 0 0 2 1
0 2 0 1 =  1 2 0 1 =  4
UPC
0 0 −2 0 1 0 −2 0 2
ETSEIAT té no nuls els dos coeficients 4 i 2 del valor 0, tenim que
1 1
2(1, 2, 0) − 4(1, 0, −2) = (−2, 4, 8) ' (−1, 2, 4) i |2·2| = 4
i s’obté B ∗∗ = 21 (1, 0, 0), (−1, 2, 4), 41 (1, 0, −2) com a nova base conjugada. Llavors, com que

 1         
2 0 0 4 −2 2 a 2 2a − b + c + 1
 −1 2 4   −2 1 −1   b  +  1  =  0 ,
1 0 −2 2 −1 1 c 0 2
ha de ser 2a − b + c + 1 = 0, és a dir, b = 2a + c + 1. I substituint ara a l’equació de la quàdrica
3 1
queda 8a + 2c + 3 = 0 d’on, agafant a = 0 per exemple, es té c = − 2 i b = − 2 i obtenim l’origen
Rafel Amer
1 3
Vicenç Sales 0, − 2 , − 2 . Per tant, una referència conjugada i l’equació afı́ reduı̈da respectives són

1 3 1 1
∗∗
R = 0, − , − ; (1, 0, 0), (−1, 2, 4), (1, 0, −2) i z ∗∗ = −x∗∗ 2 .
Pàgina 125 de 150
2 2 2 4
• A R2 i R3 els diferents casos reben un nom especial, que es coneix com a tipus.
• I classificar afinment una varietat quadràtica és donar una referència conjugada i
l’equació afı́ reduı̈da –i, a R2 i R3 , el tipus–.
CENTRE rg ~q CENTRE a la CÒNICA EQUACIÓ AFÍ REDUÏDA TIPUS de CÒNICA

NO 1 —– ∗∗
y = ±x ∗∗ 2 paràbola
x∗∗ 22 + y ∗∗ 22 = 1 el.lipse real
SÍ 2 NO x −y =1 hipèrbola
−x∗ 2 − y ∗ 2 = 1 el.lipse imaginària
SÍ 2 SÍ ±x∗∗ 22 ± y ∗∗ 22 = 0 rectes secants imaginàries
±x ∓ y = 0 rectes secants reals
x∗ 22= 1 rectes paral.leles reals
SÍ 1 NO rectes paral.leles imaginàries
−x∗ = 1
SÍ 1 SÍ ±x∗ 2 = 0 rectes iguals o recta doble
Ens limitem a les varietats quadràtiques reals (en aquest quadre i el següent, de vermell).
CENTRE rg ~q CENTRE a la QUÀDRICA EQUACIÓ AFÍ REDUÏDA TIPUS de QUÀDRICA

—– z ∗∗ = ±x∗∗ 22 ± y ∗∗ 22 paraboloide el.lı́ptic
NO 2 z ∗∗ = ±x∗∗ ∓ y ∗∗ paraboloide hiperbòlic
NO 1 —– z ∗∗ = ±x∗∗ 2 cilindre parabòlic
x∗ 2 + y ∗∗ 22 + z ∗∗ 22 = 1
∗2 el.lipsoide real
3 x∗ 2 + y ∗ 2 − z ∗ 2 = 1 hiperboloide d’una fulla
SÍ NO x −y −z =1 hiperboloide de dues fulles
−x∗ 2 − y ∗ 2 − z ∗ 2 = 1 el.lipsoide imaginari
UPC
3 ±x∗ 2 ± y ∗ 2 ± z ∗ 2 = 0 con imaginari
SÍ SÍ ±x∗ 2 ± y ∗ 2 ∓ z ∗ 2 = 0 con real
ETSEIAT
x∗ 2 + y ∗ 2 = 1 cilindre el.lı́ptic real
SÍ 2 NO x∗ 2 − y ∗ 2 = 1 cilindre hiperbòlic
−x∗ 2 − y ∗ 2 = 1 cilindre el.lı́ptic imaginari
2 ±x∗ 22 ± y ∗ 22 = 0 plans secants imaginaris
SÍ SÍ ±x∗ ∓ y ∗ = 0 plans secants reals
x∗ 2 = 1 plans paral.lels reals
SÍ 1 NO plans paral.lels imaginaris
−x∗ 2 = 1
SÍ 1 SÍ ±x∗ 2 = 0 plans iguals o pla doble
Rafel Amer Exemple 4.46 Per tant, en definitiva, tenim que la quàdrica dels exemples anteriors és el
Vicenç Sales cilindre parabòlic de referència conjugada i equació afı́ reduı̈da respectives

1 3 1 1
∗∗
R = 0, − , − ; (1, 0, 0), (−1, 2, 4), (1, 0, −2) i z ∗∗ = −x∗∗ 2 .
Pàgina 126 de 150 2 2 2 4
Formes quadràtiques de l’espai vectorial euclidià
Observació 4.47 Treballarem en bases ortonormals. Per tant, si la base inicial és no
ortonormal caldrà fer prèviament un canvi de base a una altra ortonormal.
Considerem la fórmula del canvi de base entre les bases ortonormals B 0 i B

X = CX 0 , amb C ortogonal.
Teorema 4.48 Si ~q(~x) = X t QX és l’expressió de ~q en la base ortonormal B aleshores la

seva expressió en la base ortonormal B 0 és
t
~q(~x) = X 0 Q0 X 0 , amb Q0 = C t QC = C −1 QC .
Exemple 4.49 Considerem la base B 0 = {(1, 2, 1), (2, 1, −2), (−1, 2, −2)} i la forma quadràtica
~q que en aquesta base B 0 ve donada per
2 2 2
~q(~x) = x0 + y 0 + 36z 0 + 2x0 y 0 − 12x0 z 0 − 12y 0 z 0 .
Aleshores, com que la matriu de canvi de base de la base canònica Bc a la base B 0 és
 −1  
UPC 1 2 −1 2 6 5
1 
C =2 1 2 = 6 −1 −4 
ETSEIAT 19
1 −2 −2 −5 4 −3
i la matriu de ~q en la base B 0
 
1 1 −6
Q0 =  1 1 −6  ,
−6 −6 36
es té que la seva matriu en la base canònica Bc és
  t      
2 6 5 1 1 −6 2 6 5 4 −2 2
1 1 
Rafel Amer
Q = C t Q0 C =   6 −1 −4   1 1 −6  6 −1 −4  =  −2 1 −1 
19 19
Vicenç Sales −5 4 −3 −6 −6 36 −5 4 −3 2 −1 1
i, en conseqüència, l’expressió de ~q en la base canònica Bc és
Pàgina 127 de 150
~q(~x) = 4x2 + y 2 + z 2 − 4xy + 4xz − 2yz .
En particular, en els canvis ortogonals de bases es té que
Q0 = C −1 QC
i, per tant, tots els conceptes que eren invariants per canvis de base en les transformacions
lineals ho seran també en els canvis ortogonals de base de formes quadràtiques.
Proposició 4.50 El polinomi caracterı́stic de totes les matrius d’una forma quadràtica
respecte d’una base ortonormal és el mateix.
El resultat següent sobre polinomis és conegut com a teorema de Descartes.
Observació 4.51 Si les arrels d’un polinomi són totes reals aleshores el nombre d’arrels
estrictament positives seves coincideix amb el nombre de canvis de signe entre coeficients
consecutius no nuls del polinomi.
Com que les arrels del polinomi caracterı́stic són els valors propis, tenim aquest resultat.
UPC
ETSEIAT Teorema 4.52 El nombre de valors propis estrictament positius és igual al nombre de
canvis de signe entre coeficients consecutius no nuls del polinomi caracterı́stic.
Exemple 4.53 En la forma quadràtica ~q anterior el seu polinomi caracterı́stic és

4 − x −2 2
p(x) = −2 1 − x −1 = (4 − x)(1 − x)2 + 4 + 4 − 4(1 − x) − (4 − x) − 4(1 − x)
Rafel Amer 2 −1 1 − x
Vicenç Sales = (4 − x)(1 − 2x + x2 ) + 8 − 4 + 4x − 4 + x − 4 + 4x = −x3 + 6x2 .
I com que hi ha 1 canvi de signe només, es dedueix que hi ha també 1 valor propi estricta-
Pàgina 128 de 150 ment positiu només.
En particular, com que l’expressió vectorial reduı̈da d’una forma quadràtica és igual en
totes les bases també serà la mateixa, en particular, per a les bases ortonormals.
Proposició 4.54 El nombre de valors nuls, estrictament positius i estrictament nega-

tius és igual, respectivament, al nombre de valors propis nuls, estrictament positius i
estrictament negatius.
I podem calcular aleshores aquests últims de la forma següent:

• el nombre de valors propis nuls és igual al nombre de cops que es pot treure factor
comú la x del polinomi caracterı́stic;
• el nombre de valors propis estrictament positius és igual al nombre de canvis de signe
entre coeficients consecutius no nuls del polinomi caracterı́stic;
• el nombre de valors propis estrictament negatius s’obté restant de n el nombre de valors
propis nuls i el d’estrictament positius.
Teorema 4.55 Considerem una forma quadràtica no nul .la.

VALORS PROPIS TIPUS
UPC
Tots estrictament positius Definida positiva
ETSEIAT Tots estrictament negatius Definida negativa
Tots positius i no tots estrictament positius Semidefinida positiva
Tots negatius i no tots estrictament negatius Semidefinida negativa
Almenys un estrictament positiu i almenys un estrictament negatiu Indefinida
Exemple 4.56 En la forma quadràtica ~q dels exemples precedents, com que hi ha dues
Rafel Amer x que es poden treure factor comú del polinomi caracterı́stic, tenim que hi ha dos valors
Vicenç Sales
propis nuls. I com hem vist ja que hi ha 1 valor propi estrictament positiu, es té que hi ha
3−2−1=0
Pàgina 129 de 150 valors propis estrictament negatius i, en conseqüència, ~q és semidefinida positiva.
El fet que la fórmula del canvi ortogonal de base sigui la mateixa en les formes
quadràtiques i les transformacions lineals simètriques permet trobar, a partir de la matriu
simètrica Q, una matriu diagonal D i una matriu ortogonal de canvi de base C tals que
D = C t QC = C −1 QC .
Teorema 4.57 En tota base ortonormal de vectors propis B ∗ l’expressió de ~q és

  ∗ 
λ1 x1
∗ ∗
 . .   .. 
~q(~x) = x1 . . . xn  .  . ,
λn x∗n
essent λ1 , . . . , λn els valors propis.
Aquesta expressió s’anomena euclidiana reduı̈da.
UPC
Observació 4.58 L’expressió euclidiana reduı̈da anterior és
~q(~x) = λ1 x∗1 2 + . . . + λn x∗n 2 ,
ETSEIAT
essent λ1 , . . . , λn els valors propis.
Exemple 4.59 Com que és clar que la descomposició factorial del polinomi caracterı́stic
de la forma quadràtica ~q és
−x3 + 6x2 = −x2 (x − 6) ,
Rafel Amer es dedueix que els valors propis són
Vicenç Sales
6 (simple) i 0 (doble)
i, en conseqüència, l’expressió euclidiana reduı̈da és
Pàgina 130 de 150 ~q(~x) = 6x∗ 2 .
Observació 4.60 Com que estem diagonalitzant ortogonalment, la base ortonormal de
diagonalització és una base ortonormal de vectors propis, que s’obté com en les transfor-
macions lineals simètriques.
Aquestes bases ortonormals de vectors propis s’anomenen principals.
Observació 4.61 Classificar euclidianament una forma quadràtica no nul.la és donar
el tipus, una base principal i l’expressió euclidiana reduı̈da.
Exemple 4.62 En la forma quadràtica ~q anterior, el subespai propi de valor propi 6 és
     
−2 −2 2 0 −2 −2 2 0 −2 −2 2 0
V6 :  −2 −5 −1 0  '  0 −3 −3 0 '  0 −3 −3 0  ,
2 −1 −5 0 F2 ∼F2 −F1 0 −3 −3 0 F ∼F −F 0 0 0 0
F3 ∼F3 +F1 3 3 2
que té solució x = 2z i y = −z i, per tant, una base seva és {(2, −1, 1)}.
A més, el subespai propi de valor propi 0 és
UPC    
4 −2 2 0 4 −2 2 0
ETSEIAT V0 : −2
 1 −1 0 '0 0 0 0 ,
2 −1 1 0 F2 ∼2F2 +F1 0 0 0 0
F3 ∼2F3 −F1
que té solució z = −2x + y i, per tant, una base seva és {(1, 0, −2), (0, 1, 1)}.
Aleshores, aplicant el mètode d’ortogonalització de Gram–Schmidt a aquests vectors tenim:
0
~v1 = (1, 0, −2) ;
0 (1,0,−2)·(0,1,1)
(1, 0, −2) = (0, 1, 1) − − 52 (1, 0, −2) = 15 (2, 5, 1) ' (2, 5, 1) .

~v2 = (0, 1, 1) − (1,0,−2)·(1,0,−2)
Rafel Amer I normalitzant els tres vectors propis tenim que, en definitiva, ~q és la forma quadràtica
Vicenç Sales semidefinida positiva de base principal i expressió euclidiana reduı̈da respectives

1 1 1
∗
B = √ (2, −1, 1), √ (1, 0, −2), √ (2, 5, 1) i ~q(~x) = 6x∗ 2 .
Pàgina 131 de 150 6 5 30
Podem considerar la forma quadràtica ~q de Rn com el conjunt de vectors de Rn+1 tals que
xn+1 = ~q(~x) .
Observació 4.63 En particular, podem il.lustrar els diferents tipus de formes

quadràtiques de R2 a partir de la representació gràfica a R3 de les equacions reduı̈des.
Aixı́, a l’esquema següent se suposa que a > 0 i b > 0 en el cas euclidià (el vectorial
correspon a a = b = 1) i els gràfics que hi ha són els corresponents als primers casos de
cada equació, tenint en compte que els dels segons són els mateixos però cap per avall.
TIPUS EQUACIÓ GRÀFIC
Definida positiva z ∗ = a x∗ 2 + b y ∗ 2
Definida negativa z ∗ = −a x∗ 2 − b y ∗ 2
Semidefinitiva positiva z ∗ = a x∗ 2
UPC
Semidefinida negativa z ∗ = −a x∗ 2
ETSEIAT
z ∗ = a x∗ 2 − b y ∗ 2
Indefinida
z ∗ = −a x∗ 2 + b y ∗ 2
Rafel Amer
Vicenç Sales Exemple 4.64 El conjunt de vectors de R4 corresponent a l’expressió reduı̈da de la forma
quadràtica ~q dels exemples anteriors és el donat per
Pàgina 132 de 150
t∗ = 6x∗ 2 .
Varietats quadràtiques de l’espai afı́ euclidià
Observació 4.65 Treballarem en referències euclidianes. Per tant, si la referència inicial

és no euclidiana caldrà fer prèviament un canvi de referència a una altra euclidiana.
Considerem la fórmula del canvi de referència entre les referències euclidianes R0 i R

X = M + CX 0 , amb C ortogonal.
Teorema 4.66 Si X t QX + 2Lt X + a = 0 és l’equació de q(x) = 0 en la referència euclidiana

R llavors la seva equació en la referència euclidiana R0 és
 0 t −1
Q = C QC = C QC ;

t t
X 0 Q0 X 0 + 2L0 X 0 + a0 = 0 , amb L0 = C t (QM + L) = C −1 (QM + L) ;

 0
a = M t QM + 2Lt M + a = q(O0 ) .
Exemple 4.67 Donada la quàdrica d’equació

x0 2 + y 0 2 + 36z 0 2 + 2x0 y 0 − 12x0 z 0 − 12y 0 z 0 + 12x0 + 14y 0 − 24z 0 + 10 = 0
respecte R0 = {(1, 1, 1); (1, 2, 1), (2, 1, −2), (−1, 2, −2)}, el canvi de referència de Rc a R0 surt de
 0   0   13 
− 19
       
x 1 1 2 −1 x x 2 6 5 x
1
 y  =  1 + 2 1 2   y 0  =⇒  y 0  =  − 19 1 
+  6 −1 −4   y  .
19
UPC z 1 1 −2 −2 z0 z0 4
19
−5 4 −3 z
Per tant, es té que
ETSEIAT   t      
2 6 5 1 1 −6 2 6 5 4 −2 2
1 1
Q =C t Q0 C =   6 −1 −4   1 1 −6   6 −1 −4  =  −2 1 −1  ;
19 19
−5 4 −3 −6 −6 36 −5 4 −3 2 −1 1
t    13  
− 19
    
2 6 5 1 1 −6 6 2
t 0 0 1  1 
L =C (Q M + L ) =  6 −1 −4   1 1 −6   − 19 +  7   = 1;

19
−5 4 −3 −6 −6 36 4
19
−12 0
13 2 1 2 4 2
a =q − 13 1 4
+ 2 · − 13 1 13 4

19 , − 19 ,19 = − 19 + − 19 + 36 · 19 19 · − 19 − 12 · − 19 · 19
Rafel Amer
1 4 13 1 4

Vicenç Sales − 12 · − 19 · 19 + 12 · − 19 + 14 · − 19 − 24 · 19 + 10 = 0 .
En conseqüència, l’equació de la quàdrica en la referència canònica Rc és
Pàgina 133 de 150
4x2 + y 2 + z 2 − 4xy + 4xz − 2yz + 4x + 2y = 0 .
Definició 4.68 Diem varietat de simetria a tota varietat lineal tal que el simètric de tot
punt de la varietat quadràtica respecte d’ella pertanyi també a la varietat quadràtica.
En particular, si és un punt o una recta en diem centre o eix de simetria, respectivament.
Proposició 4.69 (a) Un punt és un centre de simetria si, i només si, és un centre.
(b) La intersecció de varietats de simetria estrictament secants és varietat de simetria.
Els eixos de simetria són intersecció de n − 1 hiperplans de simetria; i els centres, de n.
Teorema 4.70 Siguin ~l = (l1 , . . . , ln ) i ~x = (x1 , . . . , xn ).

VARIETAT QUADRÀTICA VECTORS i VALORS PROPIS HIPERPLÀ de SIMETRIA
Qualsevol ~v vector propi de valor propi λ 6= 0 ~v · (λ~x + ~l) = 0
Amb centre ~v vector propi de valor propi 0 ~v · ~x + α = 0, amb α ∈ R
Sense centre w~ vector ortogonal a ~l ~ · ~x + α = 0, amb α ∈ R
w
i a tot vector propi de valor propi λ 6= 0
~ és vector propi de valor propi 0 i tots els vectors anteriors són associats i propis.
A més, w
Definició 4.71 Diem vèrtex a la intersecció d’un eix de simetria i la varietat quadràtica.
UPC Exemple 4.72 La quàdrica d’abans és sense centre per ser incompatible el sistema lineal
        
ETSEIAT
4 −2 2 x 2 0 4 −2 2 −2
 −2 1 −1   y  +  1  =  0  '  −2 1 −1 −1  .
2 −1 1 z 0 0 2 −1 1 0
A més, com hem vist a la secció anterior, l’únic valor propi no nul és el 6, que té com a
vector propi corresponent el (2, −1, 1). Per tant, w ~ = ~v ∧ ~l = (2, −1, 1) ∧ (2, 1, 0) = (−1, 2, 4) i
obtenim l’eix de simetria donat per la intersecció dels dos plans de simetria següents:
) ) )
(2, −1, 1) · [6(x, y, z) + (2, 1, 0)] = 0 12x − 6y + 6z + 3 = 0 x = − 13 − 2z
' =⇒ .
Rafel Amer
(−1, 2, 4) · (x, y, z) = 0 −x + 2y + 4z = 0 y = − 16 − 3z
17 17
Vicenç Sales
I substituint x i y a l’equació de la quàdrica queda −14z − 12 = 0. Per tant, z = − 168 , d’on
x = − 11 23
84 i y = − 168 i el vèrtex és

11 23 17
Pàgina 134 de 150 − , ,− .
84 168 168
Observació 4.73 Considerem ara una varietat quadràtica amb centre q(x) = 0.
• Sigui B ∗ = {~e1∗ , . . . , ~ek∗ , ~ek+1 en∗ } una base principal de ~q en la que la matriu diagonal
∗ , .. . ,~
té k valors propis no nuls primer i n − k zeros després a la diagonal principal.

• I sigui O∗ un centre qualsevol de la varietat quadràtica.
Proposició 4.74 L’equació en la referència euclidiana {O∗ ; B ∗ } és

λ1 x∗1 2 + . . . + λk x∗k 2 + a∗ = 0 ,
amb a∗ = M ∗ t QM ∗ + 2Lt M ∗ + a.
• La referència euclidiana R∗ = {O∗ ; B ∗ } es diu principal.

• I dividint per a∗ si a∗ 6= 0 i aı̈llant l’1 en tal cas, obtenim l’equació euclidiana reduı̈da.
UPC
ETSEIAT
Teorema 4.75 L’equació euclidiana reduı̈da en tota referència principal és

(
x∗1 2 x∗r 2 x∗r+1 2 x∗r+s 2 1 , si O∗ no pertany a la varietat quadràtica;
+ . . . + − − . . . − =
a21 a2r a2r+1 a2r+s 0 , si O∗ sı́ pertany a la varietat quadràtica.
Rafel Amer
Exemple 4.76 La quàdrica d’abans té com a base principal de la seva part quadràtica a

Vicenç Sales
∗ 1 1 1
B = √ (2, −1, 1), √ (1, 0, −2), √ (2, 5, 1) ,
6 5 30
Pàgina 135 de 150
com hem vist a la secció anterior.
Observació 4.77 Considerem ara una varietat quadràtica sense centre q(x) = 0.
∗∗ , . . . , ~
• Si {~ek+1 ∗∗ } és una base ortonormal de h~
en−1 e1∗ , . . . , ~ek∗ , ~li ⊥ i ~en∗∗ = ±~e1∗∗ ∧ . . . ∧~en−1
∗∗ llavors
B ∗∗ = {~e1∗ , . . . , ~ek∗ , ~ek+1

∗∗
, . . . , ~en∗∗ }
és una nova base principal en la que s’eliminen tots els coeficients lineals menys un i el
terme independent.
• I sigui O∗∗ un vèrtex qualsevol de la varietat quadràtica.
Observació 4.78 Observem que el procés anterior de modificar la base principal només
cal fer-lo per a les varietats quadràtiques sense centre de valor propi 0 múltiple.
• A R2 , doncs, no es pot donar aquest cas.

• I a R3 , si ~v és el vector propi de valor propi no nul llavors la nova base principal és
( )
~v ~v ∧ ~l ~v ∧ (~v ∧ ~l)
, , .
k ~v k k ~v ∧ ~l k k ~v ∧ (~v ∧ ~l) k
Proposició 4.79 L’equació en la referència euclidiana {O∗∗ ; B ∗∗ } és

2 2 ∗∗
λ1 x∗∗
1 + . . . + λk x∗∗
k + 2 (~en · ~l) x∗∗
n = 0, amb k < n .
UPC • La referència euclidiana R∗∗ = {O∗∗ ; B ∗∗ } es diu principal.
• I aı̈llant xn∗∗ , obtenim l’equació euclidiana reduı̈da.
ETSEIAT
Teorema 4.80 L’equació euclidiana reduı̈da en tota referència principal és

2
x∗∗ 2
x∗∗ 2 x∗∗
r+1 x∗∗
r+s
2
x∗∗
n = 1
+ . . . + r
− − . . . − , amb r + s < n .
a21 a2r a2r+1 a2r+s
Exemple 4.81 Com que ~v ∧ (~v ∧ ~l) = (2, −1, 1) ∧ (−1, 2, 4) = (−2, −3, 1) i l’equació és
h i √
Rafel Amer
6x∗∗ 2 + 2 · √114 (−2, −3, −1) · (2, 1, 0) z ∗∗ = 6x∗∗ 2 − 14z ∗∗ = 0 ,
aı̈llant z ∗∗ , s’obtenen la referència principal i l’equació euclidiana reduı̈da respectives
Vicenç Sales
√
∗∗ 11 23 17 1 1 1 ∗∗ 3 14 ∗∗ 2
R = − , ,− ; √ (2, −1, 1), √ (−1, 2, 4), √ (−2, −3, 1) i z = x .
Pàgina 136 de 150 84 168 168 6 21 14 7
Definició 4.82 Les varietats quadràtiques no degenerades amb valors propis no nuls
iguals es diuen de revolució o circulars.
• A R2 aquesta situació només es pot donar en el cas de les el.lipses.

• I a R3 tenim els casos dels paraboloides el.lı́ptics, els el.lipsoides, els hiperboloides d’una
fulla, els hiperboloides de dues fulles, els cons i els cilindres el.lı́ptics.
Definició 4.83 Les esferes són varietats quadràtiques amb tots els valors propis iguals.
• Són, doncs, de revolució; a R2 es diuen circumferències i són el.lipses; i a R3 són

el.lipsoides.
• A més, D = λI i, per tant, l’equació dels centres (λI)X + L = 0 té solució única
1
X = − L.
λ
UPC Proposició 4.84 Les esferes són varietats quadràtiques no degenerades amb centre

l1 ln
ETSEIAT − ,...,− .
λ λ
Com que Q = CDC −1 = C(λI)C −1 = λI, l’equació en qualsevol referència euclidiana R és
λx1 2 + . . . + λxn 2 + 2l1 x1 + . . . + 2ln xn + a = 0 .
Rafel Amer
Observació 4.85 Són, per tant, les de coeficients quadràtics purs iguals i creuats nuls.
Vicenç Sales
Pàgina 137 de 150 Exemple 4.86 La quàdrica d’abans no és de revolució per ser cilindre parabòlic.
Classificar euclidianament una varietat quadràtica és donar una referència principal i
l’equació euclidiana reduı̈da –i, a R2 i R3 , el tipus–, afegint que és de revolució si ho és.
6 6 6
5 5 5
4 4 4
3 3 3
2 2 2
1 1 1
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6
−1 −1 −1
−2 −2 −2
−3 −3 −3
−4 −4 −4
−5 −5 −5
−6 −6 −6
∗∗ x∗∗ 2 x∗ 2 y∗ 2 x∗ 2 ∗2
y = a2 a2
+ =1 b2 a2
− yb2 = 1
paràbola el.lipse real hipèrbola
6 6 6
5 5 5
4 4 4
3 3 3
2 2 2
1 1 1
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6
−1 −1 −1
−2 −2 −2
−3 −3 −3
−4 −4 −4
−5 −5 −5
−6 −6 −6
∗2
x∗ 2 x∗ 2 x∗ 2
a2
− yb2 = 0 =1 a2
=0
a2
rectes secants reals rectes paral.leles reals rectes iguals o recta doble
Aquests i els següents són els gràfics en referència principal de les còniques i quàdriques.
∗∗ 2 ∗∗ 2 ∗2 ∗2 ∗2
x∗ 2 ∗2
x∗ 2 ∗2
x∗ 2
z ∗∗ = x a2 + y b2 a2
+ yb2 + zc2 = 1 a2
+ yb2 − zc2 = 0 − yb2 = 0 a2
paraboloide el.lı́ptic .
el lipsoide real con real plans secants reals
UPC
ETSEIAT ∗∗ 2 ∗∗ 2
x∗ 2 ∗2 ∗2
x∗ 2 ∗2
x∗ 2
z ∗∗ = x a2 − y b2 a2
+ yb2 − zc2 = 1 + yb2 = 1
a2
=1 a2
paraboloide hiperbòlic hiperboloide d’una fulla cilindre el.lı́ptic real plans paral.lels reals
∗∗ 2 ∗2 ∗2
x∗ 2 ∗2
x∗ 2 x∗ 2
z ∗∗ = x a2 a2
− yb2 − zc2 = 1 a2
− yb2 = 1 =0 a2
cilindre parabòlic hiperboloide de dues fulles cilindre hiperbòlic plans iguals o pla doble
Rafel Amer Exemple 4.87 Tenim, en conseqüència, que la quàdrica dels exemples anteriors és el
Vicenç Sales cilindre parabòlic de referència principal i equació euclidiana reduı̈da respectives
√
∗∗ 11 23 17 1 1 1 ∗∗ 3 14 ∗∗ 2
R = − , ,− ; √ (2, −1, 1), √ (−1, 2, 4), √ (−2, −3, 1) i z = x .
Pàgina 138 de 150 84 168 168 6 21 14 7
Mı́nims quadrats
Com sabem, tot sistema lineal de m equacions i n incògnites

a11 x1 + . . . + an1 xn =b1 


...............

a1m x1 + . . . + anm xn =bm

es pot escriure matricialment en la forma AX = B:

 1
a1 . . . an1
   
x1 b1
 .. ..   ..  =  ..  .
 . .  .   . 
am . . . anm
1 xn bm
Observació 4.88 Però tenim igualment que tot sistema lineal de m equacions i n
incògnites es pot escriure matricialment també en la forma x1 A1 + . . . + xn An = B:
 1
an1
   
a1 b1
x1  ...  + . . . + xn  ..  =  ..  .
  
UPC .   . 
a1m anm bm
ETSEIAT
Exemple 4.89 Podem escriure el sistema lineal


x + y + z = −5 

x−z =8

y + 2z = 4

Rafel Amer
en la forma        
Vicenç Sales 1 1 1 −5
x  1  + y  0  + z  −1  =  8  .
Pàgina 139 de 150 0 1 2 4
Considerem els vectors de Rm donats per les columnes
 1  n  
a1 a1 b1
 ..   .. 
1 n
A =  . ,...,A =  .  i B =  ...  ,
 
a1m anm bm
que notarem igual:
A1 = (a11 , . . . , a1m ), . . . , An = (an1 , . . . , anm ) i B = (b1 , . . . , bm ) .
Proposició 4.90 El sistema lineal AX = B és compatible si, i només si, B és combinació
lineal de A1 , . . . , An .
Això vol dir que resoldre un sistema lineal és equivalent a determinar tots els escalars pels
quals les combinacions lineals dels vectors
A1 , . . . , A n
amb els escalars anteriors són el vector B .
Observació 4.91 Parlarem, en tal cas, de la interpretació vectorial de la resolució de

sistemes lineals.
UPC Exemple 4.92 Donat el sistema lineal anterior


ETSEIAT x + y + z = −5 

x−z =8 ,

y + 2z = 4

esglaonant, tenim:
     
1 1 1 −5 1 1 1 −5 1 1 1 −5
1 0 −1 8 '  0 −1 −2 13  '  0 −1 −2 13  .
0 1 2 4 F 0 1 2 4 F 0 0 0 17
2 ∼F2 −F
1 3 ∼F3 +F2
Rafel Amer Aleshores, es té que
Vicenç Sales rg A = 2 i rg (A|B) = 3
i, per tant, el sistema és incompatible i, en conseqüència, el vector (−5, 8, 4) no és combi-
Pàgina 140 de 150 nació lineal dels vectors (1, 1, 0), (1, 0, 1) i (1, −1, 2).
Anàlogament, podem considerar el vector de Rm donat per la columna
 1
a1 x1 + . . . + an1 xn − b1

AX − B =  ..
,
 
.
a1m x1 + . . . + anm xn − bm
que notarem igual:
AX − B = (a11 x1 + . . . + an1 xn − b1 , . . . , a1m x1 + . . . + anm xn − bm ) .
Definició 4.93 Diem vector error de X = (x̄1 , . . . , x̄n ) ∈ Rn en el sistema lineal AX = B a

AX − B = (a11 x̄1 + . . . + an1 x̄n − b1 , . . . , a1m x̄1 + . . . + anm x̄n − bm ) .
S’acostuma a dir que

AX − B
és l’error quadràtic corresponent a l’aproximació
X = (x̄1 , . . . , x̄n ) .
Proposició 4.94 El vector error de X és el vector nul si, i només si, X és solució del
UPC sistema lineal AX = B.
ETSEIAT
Exemple 4.95 En el sistema lineal anterior

x + y + z = −5 

x−z =8 ,

y + 2z = 4

es té que per a x̄ = 1, ȳ = 0 i z̄ = −1 és
          
1 1 1 1 −5 0 −5 5
Rafel Amer  1 0 −1   0  −  8  =  2  −  8  =  −6 
Vicenç Sales
0 1 2 −1 4 −2 4 −6
i, en conseqüència, el vector error és el
Pàgina 141 de 150 (5, −6, −6) .
Definició 4.96 Diem error quadràtic de X = (x̄1 , . . . , x̄n ) en el sistema lineal AX = B a
= k x̄1 A1 + . . . + x̄n An − B k = k AX − B k .
Observem que, al contrari que els anteriors –que eren d’espai vectorial–, el concepte que
acabem d’introduir ara –que fa servir el de norma– és d’espai vectorial euclidià.
Proposició 4.97 L’error quadràtic de X = (x̄1 , . . . , x̄n ) en el sistema lineal AX = B és

q
= (a11 x̄1 + . . . + an1 x̄n − b1 )2 + . . . + (a1m x̄1 + . . . + anm x̄n − bm )2 .
Es diu també que és l’error quadràtic de l’aproximació X = (x̄1 , . . . , x̄n ).
Proposició 4.98 L’error quadràtic de l’aproximació X = (x̄1 , . . . , x̄n ) és 0 si, i només si,
X = (x̄1 , . . . , x̄n ) és solució del sistema lineal AX = B.
Això vol dir que trobar les millors solucions és equivalent a determinar tots els escalars
que fan mı́nima la norma del vector error
UPC
k x1 A1 + . . . + xn An − B k = k AX − B k .
ETSEIAT
Observació 4.99 Parlarem, en tal cas, de la interpretació euclidiana de la resolució de

sistemes lineals.
Exemple 4.100 En el sistema lineal


x + y + z = −5 

Rafel Amer x−z =8 ,

y + 2z = 4

Vicenç Sales
es té que per a x̄ = 1, ȳ = 0 i z̄ = −1 l’error quadràtic és
p √
Pàgina 142 de 150 = k (5, −6, −6) k = 52 + (−6)2 + (−6)2 = 97 .
Observació 4.101 Com sabem, el vector que minimitza la norma de la diferència ente un
vector donat i un altre qualsevol d’un subespai vectorial és la seva projecció ortogonal.
Per tant, els valors que minimitzen l’error quadràtic són els coeficients de la combinació
lineal que apareixen en el càlcul de la projecció ortogonal de B sobre el subespai vectorial
generat per A1 , . . . , An .
Observació 4.102 Obenim aixı́, una nova versió equivalent de la interpretació euclidi-
ana de la resolució de sistemes lineals.
El procés per determinar els valors anteriors s’anomena mètode dels mı́nims quadrats.
Teorema 4.103 Les millors solucions del mètode dels mı́nims quadrats del sistema lineal
AX = B són les solucions del sistema lineal compatible
At AX = At B .
I aquest sistema lineal At AX = At B és compatible determinat si, i només si,
rg A = n .
Proposició 4.104 Si un sistema lineal AX = B és compatible aleshores les solucions

UPC trobades pel mètode dels mı́nims quadrats són les solucions exactes del sistema AX = B.
ETSEIAT
Exemple 4.105 En el sistema lineal anterior, aplicant la fórmula At AX = At B, tenim que
           
1 1 0 1 1 1 x 1 1 0 −5 2 1 0 x 3
1 0 1   1 0 −1   y  =  1 0 1 8 '  1 2 3   y  =  −1  .
1 −1 2 0 1 2 z 1 −1 2 4 0 3 6 z −5
I llavors, esglaonant, queda
     
2 1 0 3 2 1 0 3 2 1 0 3
 1 2 3 −1  ' 0 3 6 −5
  ' 0
 3 6 −5  ,
Rafel Amer
0 3 6 −5 F ∼2F −F 0 3 6 −5 F ∼F −F 0 0 0 0
2 2 1 3 3 2
Vicenç Sales
que té solució
3z + 7 −6z − 5
x= i y= .
Pàgina 143 de 150
3 3
Com hem vist, les solucions obtingudes pel mètode dels mı́nims quadrats són les de menor
error quadràtic. Ens interessarà saber, doncs, quin és aquest error quadràtic mı́nim.
Teorema 4.106 Si el sistema lineal

At AX = At B
és compatible indeterminat aleshores l’error quadràtic és igual per a totes les solucions.
Això permet trobar l’error quadràtic comú a totes elles tan sols calculant l’error quadràtic
d’una qualsevol.
Proposició 4.107 Un sistema lineal AX = B és compatible si, i només si, l’error quadràtic
de les solucions obtingudes pel mètode dels mı́nims quadrats és 0.
UPC
ETSEIAT Exemple 4.108 En el sistema lineal anterior, prenent per exemple z = 0, la solució és
7 5
x= , y=− i z = 0.
3 3
En conseqüència, es té que
           
1 1 1 7 −5 2 −5 17
 1 −1 0  · 1  −5  −  8  = 1  7  −  8  = 1  −17 
3 3 3
0 2 1 0 4 −5 4 −17
Rafel Amer
i, per tant, l’error quadràtic corresponent a totes les solucions trobades pel mètode dels
mı́nims quadrats és
Vicenç Sales s √
17 2 17 2 17 2 17 3

17 17 17
= ,− ,− = + − + − = .
Pàgina 144 de 150 3 3 3 3 3 3 3
Llocs geomètrics de l’espai afı́ i de l’espai afı́ euclidià
Considerem l’espai afı́.
Observació 4.109 Els conjunts de punts de l’espai afı́ que satisfan certes propietats
geomètriques es coneixen com a llocs geomètrics.
Els llocs geomètrics venen determinats per certes equacions que verifiquen les coordena-
des dels seus punts.
Observació 4.110 Per comoditat, ens referirem als llocs gomètrics directament a partir
de les seves equacions.
Considerem dos hiperplans de Rn d’equacions en certa referència R

A1 x 1 + . . . + An x n + A0 = 0 i A01 x1 + . . . + A0n xn + A00 = 0 .
Teorema 4.111 El lloc geomètric dels punts que pertanyen a algun dels hiperplans és
(A1 x1 + . . . + An xn + A0 )(A01 x1 + . . . + A0n xn + A00 ) = 0 .
UPC Recı́procament, igualant coeficients de la relació

ETSEIAT
a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n + a1 x1 + . . . + an xn + a
= (A1 x1 + . . . + An xn + A0 )(A01 x1 + . . . + A0n xn + A00 ) ,
es poden determinar els diferents coeficients i, en particular, cadascun dels hiperplans.
Observació 4.112 Els llocs geomètric anteriors són, doncs, els parells d’hiperplans reals.
Exemple 4.113 Donats els plans d’equacions 2x + y − z + 1 = 0 i x − 2y + 3z − 2 = 0, tenim

Rafel Amer que l’equació d’aquest parell de plans és
Vicenç Sales (2x + y − z + 1)(x − 2y + 3z − 2) = 0
que, multiplicant, queda
Pàgina 145 de 150
2x2 − 2y 2 − 3z 2 − 3xy + 5xz + 5yz − 3x − 4y + 5z − 2 = 0 .
Donats dos hiperplans de Rn d’equacions A1 x1 +. . .+An xn +A0 = 0 i A01 x1 +. . .+A0n xn +A00 = 0
en certa referència R, considerem les varietats quadràtiques d’equacions
(A1 x1 + . . . + An xn + A0 )(A01 x1 + . . . + A0n xn + A00 ) + α = 0 , amb α 6= 0 .
Definició 4.114 Es diu que aquests hiperplans són asimptòtics a la varietat quadràtica.
Les interseccions dels hiperplans són centres de la varietat que, per tant, és amb centre.
Proposició 4.115 q(x) = 0 té hiperplans asimptòtics si, i només si, té equació afı́ reduı̈da
x∗1 2 − x∗2 2 = 1 .
• A R2 aquestes varietats quadràtiques són les hipèrboles i les rectes es diuen ası́mptotes.
• I a R3 són els cilindres hipèrbòlics.
Teorema 4.116 Si O∗ és un centre d’una varietat amb centre q(x) = 0 amb hiperplans
asimptòtics aleshores el seu parell d’hiperplans asimptòtics és la varietat d’equació
q(x) − q(O∗ ) = 0 .
Considerem a partir d’ara l’espai afı́ euclidià en tot el que resta de secció.
Proposició 4.117 q(x) = 0 té hiperplans asimptòtics si, i només si, té equació euclidiana
UPC reduı̈da
x∗1 2 x∗2 2
ETSEIAT
− 2 = 1.
a2 b
Les varietats q(x) = 0 amb hiperplans asimptòtics perpendiculars es diuen equilàteres.
Proposició 4.118 q(x) = 0 és equilàtera si, i només si, a = b.

Exemple 4.119 Les varietats de plans asimptòtics 2x + y − z + 1 = 0 i x − 2y + 3z − 2 = 0 són
2x2 − 2y 2 − 3z 2 − 3xy + 5xz + 5yz − 3x − 4y + 5z − 2 + α = 0
Rafel Amer i són, doncs, cilindres hiperbòlics. I el que passa pel punt (1, −1, 0) és el que verifica que
Vicenç Sales 2 · 12 − 2 · (−1)2 − 3 · 02 − 3 · 1 · (−1) + 5 · 1 · 0 + 5 · (−1) · 0 − 3 · 1 − 4 · (−1) + 5 · 0 − 2 + α = 0
que, operant, queda 2 + α = 0. Per tant, es té que α = −2 i la seva equació és, en definitiva,
Pàgina 146 de 150
2x2 − 2y 2 − 3z 2 − 3xy + 5xz + 5yz − 3x − 4y + 5z − 4 = 0 .
Siguin C un punt de Rn i r > 0 un escalar.
Definició 4.120 El punt C es diu centre; i l’escalar r, radi.
Siguin R una referència euclidiana qualsevol i (c1 , . . . , cn ) les coordenades de C respecte R:

C = (c1 , . . . , cn )R .
Teorema 4.121 El lloc geomètric dels punts que disten r de C és

(x1 − c1 )2 + . . . + (xn − cn )2 = r2 .
• Desenvolupant, s’obté l’equació

x12 + . . . + x2n − 2c1 x1 − . . . − 2cn xn + c12 + . . . + cn2 − r2 = 0
que, com sabem, correspon a les esferes reals.
• A R2 tenim, doncs, les circumferències reals.
• I, recı́procament, dividint primer l’equació de l’esfera real pel coeficient comú dels termes
quadràtics purs i igualant coeficients després en la igualtat
x12 + . . . + x2n + l1 x1 + . . . + ln xn + a = x12 + . . . + x2n − 2c1 x1 − . . . − 2cn xn + c12 + . . . + cn2 − r2 ,
es poden determinar el centre i el radi:
l1 l1
q
UPC c1 = − , . . . , cn = − i r = c12 + . . . + cn2 − a .
2 2
ETSEIAT
Definició 4.122 La propietat geomètrica del lloc geomètric es diu definició mètrica.
Exemple 4.123 Considerem l’esfera d’equació

x2 + y 2 + z 2 − 2x − 4y − 7 = 0 .
Aleshores, es pot escriure en la forma
(x − 1)2 − 1 + (y − 2)2 − 4 + (z − 0)2 − 7 = 0
Rafel Amer
o, el que és el mateix,
Vicenç Sales (x − 1)2 + (y − 2)2 + (z − 0)2 = 12 .
Per tant, el centre i el radi són, respectivament,
√
Pàgina 147 de 150
(1, 2, 0) i 2 3.
• Siguin F i F 0 dos punts de Rn i k > 0 un escalar √ tals que k > d(F, F 0 ).
• Definim a = k2 , c = d(F, O∗ ) = d(F 0 , O∗ ) i b = a2 − b2 . Per tant, tenim que
k = 2a i a2 = b2 + c2 .
Definició 4.124 • Els punts F i F 0 es diuen focus; i l’escalar k, constant.

• a es diu semieix major; b, semieix menor; i c, semidistància focal.
Sigui R∗ la referència euclidiana d’origen el punt mig O∗ de F i F 0 amb vector director
unitari ~e1∗ de la recta per O∗ , F i F 0 i base ortonormal {~e2∗ , . . . , ~en∗ } del seu hiperplà associat:
R∗ = {O∗ ; ~e1∗ , . . . , ~en∗ } .
Teorema 4.125 (a) El lloc geomètric dels punts tals que la suma de les distàncies a F i
F 0 és k és
x1∗ 2 x2∗ 2 x∗ 2
2
+ 2 + . . . + n2 = 1 ;
a b b
(b) les coordenades dels focus són
(c, 0, (n−1)
. . . , 0) i (−c, 0, (n−1)
. . . , 0) .
• La referència anterior és principal; i l’equació, euclidiana reduı̈da.
• En particular, a R2 tenim el.lipses reals; i a R3 , el.lipsoides reals de revolució.
• I fent un canvi de referència, es pot trobar l’equació en qualsevol referència.
UPC
Definició 4.126 La propietat geomètrica del lloc geomètric es diu definició mètrica.
ETSEIAT
Exemple 4.127 Considerem el lloc geomètric dels punts tals que la suma de les distàncies
a (0, 1, 0) i (2, 3, 0) és 4, Llavors, com que (2, 3, 0) − (0, 1, 0) = (2, 2, 0) ' (1, 1, 0), podem agafar
un vector ortogonal a aquest com el (−1, 1, 0) i el producte vectorial de tots dos (1, 1, 0) ∧
(−1, 1, 0) = (0, 0, 2) i normalitzar-los i el punt mig 0+2 1+3 0+0

2 , 2 , 2 = (1, 2, 0) dels punts i tenim

1 1
R∗ = (1, 2, 0); √ (1, 1, 0), √ (−1, 1, 0), (0, 0, 1) .
2 2
Rafel Amer I com que el semieix major és a = 42 = 2, la semidistància focal c = d[(1, 2, 0), (2, 3, 0)] =
√ √ 2 √
q
p
Vicenç Sales (2 − 1) + (3 − 2) + (0 − 0) = 2 i el semieix menor b = 22 − 2 = 2, l’equació queda
2 2 2
x∗ 2 y∗ 2 z ∗ 2
Pàgina 148 de 150 + + = 1.
4 2 2
• Siguin F i F 0 dos punts de Rn i k > 0 un escalar √ tals que k < d(F, F 0 ).
• Definim a = k2 , c = d(F, O∗ ) = d(F 0 , O∗ ) i b = c2 − a2 . Per tant, tenim que
k = 2a i c2 = a2 + b2 .
Definició 4.128 • Els punts F i F 0 es diuen focus; i l’escalar k, constant.

• a es diu semieix real; b, semieix imaginari; i c, semidistància focal.
Sigui R∗ la referència euclidiana d’origen el punt mig O∗ de F i F 0 amb vector director

unitari ~e1∗ de la recta per O∗ , F i F 0 i base ortonormal {~e2∗ , . . . , ~en∗ } del seu hiperplà associat:
R∗ = {O∗ ; ~e1∗ , . . . , ~en∗ } .
Teorema 4.129 (a) El lloc geomètric dels punts tals que el valor absolut de la diferència
de les distàncies a F i F 0 és k és
x1∗ 2 x2∗ 2 xn∗ 2
− − . . . − = 1;
a2 b2 b2
(b) les coordenades dels focus són
(c, 0, (n−1)
. . . , 0) i (−c, 0, (n−1)
. . . , 0) .

• En particular, a R2 tenim hipèrboles; i a R3 , hiperboloides de dues fulles de revolució.
• I fent un canvi de referència, es pot trobar l’equació en qualsevol referència.
UPC
ETSEIAT Definició 4.130 La propietat geomètrica del lloc geomètric es diu definició mètrica.
Exemple 4.131 Donat l’hiperboloide de dues fulles de referència i equació respectives

x∗ 2 y∗ 2 z ∗ 2

∗ 1 1
R (1, 2, 0); √ (1, 1, 0), √ (−1, 1, 0), (0, 0, 1) i − − = 1,
2 2 4 2 2
√ √ √ 2
q
com que a = 4 = 2 llavors k = 2 · 2 = 4; i com que, a més, b = 2, es té que c = 22 + 2 =
√ √ √
6. Per tant, els focus són ( 6, 0, 0)R∗ i (− 6, 0, 0)R∗ , és a dir,
Rafel Amer √ 1 √ √ √ 1 √ √
(1, 2, 0)+ 6· √ (1, 1, 0) = 1 + 3, 2 + 3, 0 i (1, 2, 0)− 6· √ (1, 1, 0) = 1 − 3, 2 − 3, 0 .
Vicenç Sales 2 2
En conseqüència, la definició mètrica és:
√ lloc geomètric
√ dels
√ punts√ tals
que el valor absolut
Pàgina 149 de 150 de la diferència de les distàncies a 1 + 3, 2 + 3 i 1 − 3, 2 − 3 és 4.
Siguin F un punt i D = p + V un hiperplà de Rn tals que F ∈
/ D i p la distància de F a D.
Definició 4.132 El punt F es diu focus; l’hiperplà D, directriu; i l’escalar p, paràmetre.

Sigui R∗∗ la referència euclidiana d’origen el punt mig O∗∗ de F i de la projecció ortogonal
de F sobre D amb base ortonormal {~e1∗∗ , . . . , ~en−1
∗∗ } de V i vector associat unitari ~
en∗∗ a D:
R ∗∗ = {O ∗∗ ; ~e1∗∗ , . . . , ~en∗∗ } .
Teorema 4.133 Segons quin sigui el sentit del vector associat ~en∗∗ , es té, respectivament:
(a) el lloc geomètric dels punts que equidisten de F i de D és
x ∗∗ 2 x ∗∗ 2 x ∗∗ 2 x ∗∗ 2
xn∗∗ = 1 + . . . + n−1 o xn∗∗ = − 1 − . . . − n−1 ;
2p 2p 2p 2p
(b) les coordenades del focus són p p
0, (n−1)
. . . , 0, o 0, (n−1)
... ,0 − ;
2 2
(c) l’equació de l’hiperplà directriu és
p p
x∗∗
n =− o x∗∗
n = .
2 2
• En particular, a R2 tenim paràboles; i a R3 , paraboloides el.lı́ptics de revolució.
UPC • I fent un canvi de referència, es pot trobar l’equació en qualsevol referència.
ETSEIAT Definició 4.134 La propietat geomètrica del lloc geomètric es diu definició mètrica.
Exemple 4.135 Donat el paraboloide el.lı̀ptic de revolució de referència i equació

∗∗ 1 1
R = (1, 2, 0); √ (1, 1, 0), √ (−1, 1, 0), (0, 0, 1) i z ∗∗ = −x∗∗ 2 − y ∗∗ 2
2 2
respectivament, i tenint en compte que el canvi de referència de Rc a R0 és ortogonal, tenim
 ∗∗   −1       
x 1 −1 0 x−1 1 1 0 x−1 x+y−3
1
 y ∗∗  = √  1 1 1
Rafel Amer 1 0   y − 2  = √  −1 1 0   y − 2  = √  −x + y − 1  ,
z ∗∗ 2 0 0 1 z 2 0 0 1 z 2 z
Vicenç Sales
d’on
h i2 h i2
Pàgina 150 de 150 z=− √1 (x
2
+ y − 3) − √12 (−x + y − 1) ' 2x2 + 2y 2 − 4x − 8y + 2z + 10 = 0 .

Transparencies

Uploaded by

Document Information

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

Transparencies

Uploaded by

Copyright:

Available Formats

ÀLGEBRA LINEAL

ETSEIAT fer-ne obres derivades;

No comercial. No podeu utilitzar aquesta obra per a finalitats comercials.

Vicenç Sales Podeu trobar el text complet de la llicència a l’adreça

Per a la mostra de resolució d’exercicis basats en aquestes transparències podeu consultar

ETSEIAT Amer, R.; Sales, V.

1.3 Esglaonament de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.4 Menors d’una matriu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1.5 Reducció de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

1.6 Matriu adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

UPC 2 ESPAIS VECTORIALS I AFINS 43

2.2 L’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2.3 L’espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

2.4 L’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

Vicenç Sales 2.5 Orientació a l’espai vectorial i l’espai vectorial euclidià . . . . . . . . . . . . . . 67

Pàgina 5 de 150 2.6 Orientació a l’espai afı́ i l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . 73

3.1 Transformacions lineals de l’espai vectorial . . . . . . . . . . . . . . . . . . . . 79

3.2 Transformacions afins de l’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . 85

3.3 Transformacions lineals de l’espai vectorial euclidià . . . . . . . . . . . . . . . 91

3.4 Transformacions afins de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 97

3.5 Transformacions lineals euclidianes de l’espai vectorial euclidià . . . . . . . . 103

3.6 Transformacions afins euclidianes de l’espai afı́ euclidià . . . . . . . . . . . . . 109

UPC 4 FORMES I VARIETATS QUADRÀTIQUES I MÍNIMS QUADRATS 115

4.2 Varietats quadràtiques de l’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . 121

4.3 Formes quadràtiques de l’espai vectorial euclidià . . . . . . . . . . . . . . . . . 127

4.4 Varietats quadràtiques de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 133

Vicenç Sales 4.5 Mı́nims quadrats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

Observació 1.1 Una matriu m × n és 

Definició 1.2 La suma A + B és la matriu m × n d’element per a i = 1, . . . , m i j = 1, . . . , n

• La matriu formada només per zeros es diu nul.la i s’escriu 0.

Teorema 1.3 (a) A + (B + C) = (A + B) + C.

Proposició 1.4 (a) −(−A) = A.

Escriurem A − B en lloc de A + (−B); i pel segon apartat anterior escriurem també −A − B.

Teorema 1.5 La solució de les equacions matricials A + X = B i X + A = B és X = B − A.

Siguin α un nombre real –anomenat escalar– i A una matriu m × n.

Definició 1.8 El producte αA és la matriu m × n d’element per a i = 1, . . . , m i j = 1, . . . , n

Teorema 1.9 (a) α(A + B) = αA + αB.

Per la compatibilitat escriurem αβA.

Proposició 1.10 (a) αA = 0 si, i només si, α = 0 o A = 0.

Teorema 1.11 (a) Si α = 0 i A 6= 0 aleshores l’equació matricial αX = A no té solució.

Definició 1.14 El producte AB és la matriu m×p d’element per a i = 1, . . . , m i j = 1, . . . , p

• La matriu quadrada amb 1 a la diagonal i 0 a fora es diu identitat i es nota In o I.

Teorema 1.15 (a) A(BC) = (AB)C.

UPC Proposició 1.16 (a) A · 0 = 0 = 0 · A.

Observació 1.17 • No commutativitat: N’hi ha matrius A i B amb AB 6= BA.

Sigui A una matriu m × n.

Definició 1.20 La transposada At és la matriu n × m d’element per a i = 1, . . . , n i j =

Tenim que 0t = 0, I t = I i (−I)t = −I.

Teorema 1.21 (a) (At )t = A.

Pel primer apartat anterior escriurem −At .

Teorema 1.23 La solució de l’equació matricial X t = A és X = At .

Definició 1.25 A és simètrica si, i només si,

Proposició 1.26 A és simètrica si, i només si, per a tot i, j = 1, . . . , n

Les matrius A + At , At A i AAt són sempre simètriques.

Teorema 1.27 (a) Si A i B són simètriques aleshores A + B és simètrica.

Proposició 1.28 (a) Si A és simètrica aleshores −A és simètrica.

Definició 1.30 A és ortogonal si, i només si,

I i −I són ortogonals; però 0, en canvi, no.

Per tant, si m < n llavors A no pot ser ortogonal.

Proposició 1.32 A és ortogonal quadrada si, i només si,

Teorema 1.33 (a) Si A i B són ortogonals llavors AB és ortogonal.

Exemple 1.35 Les matrius A i B d’abans no són ortogonals ja que

Sigui A una matriu quadrada d’ordre n.

Definició 1.37 S’anomena determinant d’A al nombre real