Algebra Lineal

“Fonaments Matemàtics de l’Enginyeria d’Edificació”
Tema II
Àlgebra lineal
Equip Docent de la Secció EPSEB del Departament de

Matemàtica Aplicada I. Curs 2009-10
Índex
3 Espais vectorials i transformacions lineals 1
Coneixements previs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Introducció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1 Espais vectorials. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.1 Dependència i independència lineal . . . . . . . . . . . . . . . . . . . . . 6
3.1.2 Subespai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.3 Bases i dimensió . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1.4 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Matrius i determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.1 Operacions amb matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.2 Tipus de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.4 Càlcul del rang d’una matriu per determinants . . . . . . . . . . . . . . . 22
3.2.5 Matriu inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.6 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Canvi de base en un espai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . 25
i
ii ÍNDEX
3.3.1 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.1 Definició . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4.2 Norma associada a un producte escalar . . . . . . . . . . . . . . . . . . . 31
3.4.3 Expressió del producte escalar en una base . . . . . . . . . . . . . . . . . 32
3.4.4 Expressió matricial del producte escalar . . . . . . . . . . . . . . . . . . 33
3.4.5 Ortogonalitat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.6 Canvi de coordenades entre bases ortonormals . . . . . . . . . . . . . . . 36
3.4.7 Producte vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.8 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Transformacions lineals. Representació matricial 45
4.1 Definició i caracterització . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2 Matriu d’una aplicació lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4 Sistemes d’Equacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.4.1 Definició de sistemes d’equacions lineals . . . . . . . . . . . . . . . . . . 54
4.4.2 Classificació dels sistemes d’equacions lineals . . . . . . . . . . . . . . . . 55
4.4.3 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.5 Mètodes numèrics de resolució de sistemes lineals determinats . . . . . . . . . . 58
4.5.1 Mètode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.5.2 Descomposició LU. Mètode de Crout i Dolittle . . . . . . . . . . . . . . . 59

ÍNDEX iii
4.5.3 Descomposició pel Mètode de Txoleski . . . . . . . . . . . . . . . . . . . 62
4.6 Canvi de base per a un endomorfisme . . . . . . . . . . . . . . . . . . . . . . . . 62
4.7 Determinant d’un endomorfisme . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.8 Exemples d’aplicacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.9 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5 Diagonalització d’endomorfismes 73
Coneixements previs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Introducció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1 Vectors propis (veps) i valors propis (vaps) . . . . . . . . . . . . . . . . . . . . . 75
5.2 Endomorfismes diagonalitzables . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.3 Endomorfismes simètrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.4 Exercicis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Capı́tol 3
Espais vectorials i transformacions

lineals
1
2 CAPÍTOL 3. ESPAIS VECTORIALS I TRANSFORMACIONS LINEALS
Coneixements previs
Les habilitats de càlcul que cal posseir per a treballar correctament aquesta lliçó són:
• Operar amb vectors i matrius.
• Càlcul del rang d’una matriu.
• Resoldre sistemes d’equacions lineals, pel mètode de Gauss, etc.
Introducció
En cursos anteriors el lector ha utilitzat els conceptes de vector i matriu, però en aquest tema
donarem els conceptes d’espai vectorial, base i dimensió, a fi que pugui entendre de forma
raonable el concepte de canvi de base en un espai vectorial, i com repercuteix aquest canvi de
base en les matrius de les transformacions lineals. És en aquest marc teòric on s’enquadra el
concepte de vector i valor propi i el de matriu diagonalitzable que veurem més endavant.
3.1 Espais vectorials. Bases
Moltes magnituds que estudiem en la ciència i en la tècnica vénen avaluades amb un sol número
real; d’aquestes magnituds en diem magnituds escalars. Exemples d’aquestes magnituds són:
la massa, la temperatura, la càrrega elèctrica. Nosaltres emprarem com a escalars els nombres
reals. Per contra, hi ha magnituds que per avaluar-les hem de donar més d’una dada; són els
casos de la velocitat, la força, l’acceleració, les tensions. Per avaluar una força, hem de donar
la seva magnitud, direcció i el sentit en els quals actua. Aquestes magnituds s’acostumen a
representar mitjançant segments orientats que anomenarem vectors.
Ja coneixem de cursos anteriors com se sumen aquests vectors, utilitzant la regla del par-
al.lelogram, i com es multipliquen per escalars.
3.1. ESPAIS VECTORIALS. BASES 3
y+r ay
r
y
y
x ax
t x x+t
Figura 3.1: Operacions en espais vectorials
Enunciarem ara les propietats mı́nimes que caracteritzen de forma intrı́nseca aquests conjunts
de segments orientats. A tots els conjunts que compleixin aquestes propietats mı́nimes els
anomenarem espais vectorials, i els seus elements vectors, és a dir, que seran vectors els
segments orientats, les velocitats, les forces, etc...
Un espai vectorial és un conjunt E, format per elements que en direm vectors, i que junta-
ment amb un cos de nombres, anomenats escalars, compleixen les següents propietats:
i) Existeix una operació que en direm suma de vectors, que associa a cada parell de vectors
u, v la seva suma u + v i que satisfà:
1.- u + v = v + u per a tots els vectors u, v de E.

2.- u + (v + w) = (u + v) + w per a tots els vectors u, v, w de E.
3.- Existeix un únic vector de E, que anomenarem zero, 0, tal que:
u + 0 = 0 + u = u per a tots els vectors u de E.
4.- Per a tot vector u existeix un únic vector que denotarem per −u,
tal que u + (−u) = 0.
ii) Existeix una operació, que anomenarem producte d’un escalar per un vector, que a
cada escalar λ i a cada vector u els associa un vector λu i que satisfà:
1.- λ(µu) = (λµ)u per a tots els escalars λ, µ i tots els vectors u de E.
2.- (λ + µ)u = λu + µu per a tots els escalars λ, µ i tots els vectors u de E.
3.- λ(u + v) = λu + λv per a tots els escalars λ i per a tots els vectors u, v de E.
4.- 1 · u = u per a tot vector u de E.
Si els escalars són nombres reals direm que l’espai vectorial és sobre R.
Si els escalars són els nombres complexos, direm que E és un espai vectorial sobre C.
Exemple: Amb la suma i el producte habitual R és un espai vectorial sobre R. Com ja és ben
conegut, la interpretació geomètrica dels nombres reals és una recta.
−2 −1 0 1 2 3
a
- u = (a)
u
Figura 3.2: La recta real
Exemple : Parells ordenats de nombres reals. Els vectors del pla es representen per R2 =
R × R = {(a, b) : a ∈ R, b ∈ R}, és a dir, el conjunt de parells ordenats de nombres reals.
Les operacions que fan que aquest conjunt tingui estructura d’espai vectorial són
a) la suma definida per (a, b) + (a′ , b′ ) = (a + a′ , b + b′ )

b) el producte d’un vector per un escalar λ(a, b) = (λa, λb), λ ∈ R.
Gràficament, cada parell (a, b) s’identifica amb el segment orientat del pla que té per coorde-
nades cartesianes les de la seva punta (a, b).
u = (a, b)
b 1
Figura 3.3: Representació gràfica.
Amb aquesta representació la suma de vectors equival a la suma de segments orientats seguint
la llei del paral.lelogram.
. . . .. u + v = (2, 3)
. Á .
v = (−1, 2)
. . . . . ..
. ..
K ..
e2 .
1 u = (3, 1)
6
-
e1
Figura 3.4: Llei del paral.lelogram
El producte d’un escalar per un vector equival a la dilatació o contracció de la longitud del
vector, segons que λ sigui més gran o més petit que 1, i a un canvi de sentit, segons si λ és més
gran o més petit que 0.
Per utilitzar vectors amb el programa Maple carregarem la llibreria LinearAlgebra. Fem un
exemple numèric de suma de vectors i producte d’un vector per un escalar
> with(LinearAlgebra):
> u:=Vector([3,1]);
 
3
u :=  
1
> v:=Vector([-1,2]);
 
−1
v :=  
2
> u+v;
 
2
 
3
> 2*u;
 
6
 
2
De manera anàloga podrı́em estudiar R3 = R × R × R, R4 , . . . , Rn .
3.1.1 Dependència i independència lineal
Basant-nos en la definició d’espai vectorial hem de retrobar el concepte de direcció i dimensió

que de forma intuı̈tiva ja coneixem.
En un espai vectorial, el que tenim són vectors amb els que podem fer sumes i productes per
escalars, aixó és el que anomenarem combinacions lineals, generant aixı́ un altre vector del
mateix espai.
Una combinació lineal de vectors és una expressió de la forma

λ1~v1 + λ2~v2 + · · · + λn~vn , λ1 , λ2 , . . . , λn escalars
~v1 , ~v2 , . . . , ~vn vectors
Exemple :
2(1, 0, 0) + 3(0, 1, 0) + 5(0, 0, 1) = (2, 3, 5)
2(1, 1, 1) + (0, 1, 0) − 4(2, 1, 1) = (−6, −1, −2)
Donem ara un altre concepte important en espais vectorials, la dependència o independència

lineal. Donat un conjunt de vectors, volem estudiar les relacions que hi ha entre ells.
Direm que un vector ~v és linealment dependent dels vectors ~v1 , ~v2 , . . . , ~vn si ~v pot ser escrit
com una combinació lineal de ~v1 ,~v2 ,. . . ,~vn , és a dir,
~v = λ1~v1 + λ2~v2 + · · · + λn~vn
per a certs escalars λ1 , λ2 , . . . , λn .
En cas contrari direm que ~v és linealment independent de ~v1 , ~v2 , . . . , ~vn .
Un conjunt de vectors {~u1 , ~u2 , . . . , ~ur } són linealment independents si cap d’ells és combi-
nació lineal dels altres.
A R3 , quatre vectors són sempre linealment dependents.
Exemple: Dependència i independència lineal.
a) El vector (10, 7, 6), és combinació lineal dels vectors (1, 1, 1), (0, 1, 0), (2, 1, 1)?
Hem de resoldre l’equació vectorial

(10, 7, 6) = x(1, 1, 1) + y(0, 1, 0) + z(2, 1, 1)
és a dir, el següent sistema de tres equacions:


10 = x + 2z 
7 = x + y + z que té per solució x = 2, y = 1, z = 4.
6 = x + z

La resposta és, doncs, SÍ, perquè (10, 7, 6) = 2(1, 1, 1) + (0, 1, 0) + 4(2, 1, 1)
Per resoldre aquest sistema amb el programa Maple, podem fer servir directament l’ordre solve,
introduint les 3 equacions, o l’ordre LinearSolve, entrant la matriu del sistema d’equacions.
> solve(x+2*z=10,x+y+z=7,x+z=6,x,y,z);
{z = 4, y = 1, x = 2}
b) El vector v = (1, 3, 0), és combinació lineal dels vectors u1 = (1, 2, 1), u2 = (1, 1, 1), u3 =
(2, 3, 2)?
L’equació vectorial que hem de resoldre és
(1, 3, 0) = x(1, 2, 1) + y(1, 1, 1) + z(2, 3, 2)
o 
1 = x + y + 2z 
3 = 2x + y + 3z
0 = x + y + 2z

Aquest sistema és incompatible, observem que si es satisfà la primera equació no es pot satisfer
la tercera i per tant, el vector (1, 3, 0) és linealment independent dels vectors (1, 2, 1), (1, 1, 1),
(2, 3, 2).
Observem que també es pot aplicar el mètode de Gauss i llavors obtenim sistemes equivalents
de vectors on finalment es veu fàcilment el rang:
   
u1 1 2 1 u1 1 2 1  
u 1 1 2 1
u2  1 1 1 ∼ 1
 u − u 2  0
 1 0 
 ∼ u 1 − u2  0 1 0 
u3  2 3 2  2u1 − u3  0 1 0 
2u1 − u2 − v 0 0 1
v 1 3 0 u1 − v 0 −1 1
Observem que de la segona matriu es pot deduir la següent relació u1 − u2 = 2u1 − u3

d’on u3 = u1 + u2 i per tan el vector u3 = (2, 3, 2) és combinació lineal dels vectors u1 =
(1, 2, 1) i u2 = (1, 1, 1). En canvi, en la tercera matriu observem que no és possible trobar
cap més combinació lineal, per tan el vector (1, 3, 0) és linealment independent dels vectors
{(1, 2, 1), (1, 1, 1), (2, 3, 2)}.
Per introduir-ho en el programa Maple ho farem de la següent manera:

> A:=Matrix([[1,2,1],[1,1,1],[2,3,2],[1,3,0]]);
 
1 2 1
 
 1 1 1 
 
A := 
 
 2 3 2 

 
1 3 0
Aplicarem el mètode de Gauss:

> GaussianElimination(A);
 
1 2 1
 
 0 −1 0 
 
 
 0 0 −1 
 
 
0 0 0
Observem que això només ens diu que aquests 4 vectors són dependents però no ens dona la
relació entre ells. Ens podria semblar que v és combinació lineal dels vectors {u1 , u2 , u3 }, però
no ho és.
Si li demanem que resolgui el sistema, aquest és el resultat:

> B:=<<1,2,1>|<1,1,1>|<2,3,2>>;
 
1 1 2
 
B :=  2 1 3 
 
 
1 1 2
> LinearSolve(B,<1,3,0>);
Error, (in LinearAlgebra:-LA_Main:-LinearSolve) inconsistent system
Anomenarem rang d’un conjunt de vectors al màxim nombre de vectors linealment inde-
pendents que conté.
Exemple : El conjunt de vectors {(1, 2, 1), (1, 1, 1), (2, 3, 2)} és de rang 2, en canvi, el conjunt
{(1, 2, 1), (1, 1, 1), (1, 3, 0)} és de rang 3.
3.1.2 Subespai vectorial
En un espai vectorial podem considerar diferents classes de subconjunts de vectors. Ens in-
teressen aquells subconjunts que compleixin les propietats d’espai vectorial, i els anomenarem
subespais vectorials. En particular, si F és un subespai vectorial, llavors ~0 ∈ F .
Sigui la recta y = 1, F = {(x, 1) ∈ R2 }. Es un subconjunt d’R2 però no es espai vectorial.
. .u
..
1 + u2 ∈
6 F
. ¸ ...
. . ... ...
.. e2 .
i u2I u1 * 1
6
F
¼−u1 6∈ F
Figura 3.5: Un subconjunt que NO és subespai vectorial
Considerem ara en R2 la recta y = 2x. F = {(x, 2x) ∈ R2 } és un subconjunt de R2 ,
u1 + u2 ∈ F
¸
¸ u2
u1
¸
F
®
−u1 ∈ F
Figura 3.6: Un subconjunt que és subespai vectorial
(0, 0) ∈ F , totes les combinacions lineals d’elements de F estan en F i es compleixen totes les
propietats, aleshores, F és subespai vectorial.
Sigui E un espai vectorial i un subconjunt F ⊆ E, direm que F és un subespai vectorial

de E si, amb les operacions de E (suma i producte per escalars) es compleixen les propietats
d’espai vectorial.
Observem que donat un conjunt de vectors de E, {v1 , v2 , . . . , vn }, el conjunt F de totes les

combinacions lineals possibles formades a partir d’aquests vectors és un subespai vectorial,
l’anomenarem el subespai vectorial generat pel conjunt de vectors {v1 , v2 , . . . , vn }. Als
vectors {v1 , v2 , . . . , vn } els anomenarem generadors de F .
Escriurem F = hv1 , v2 , . . . , vn i.
Exemples:
a) Els vectors (1, 0, 0), (0, 1, 0), (0, 0, 1) generen tot R3 .
b) Els vectors (1, 0, 0), (0, 1, 1) generen un subespai de R3 que es F = h(1, 0, 0), (0, 1, 1)i =
{x(1, 0, 0) + y(0, 1, 1), ∀x, y ∈ R} = {(x, y, y) ∈ R3 , ∀x, y ∈ R} i es pot representar com els
vectors que estan sobre el pla y − z = 0.
. .(0, 1, 1)
(1, 1, 1).. . . µ
.
.....
..
) y
(1, 0, 0)
x
Figura 3.7: Subespai vectorial
c) Els vectors (1, 0, 0), (0, 1, 1), (1, 1, 1) generen el mateix subespai que l’exemple b). Observeu
que el vector (1,1,1) és la suma dels dos anteriors i no ens aporta nous elements a l’espai
h(1, 0, 0), (0, 1, 1)i.
Solament ens ocuparem d’espais vectorials generats per un nombre finit de vectors.
3.1.3 Bases i dimensió
Si tenim un espai vectorial, vistes les definicions anteriors, serà interessant conèixer uns vectors
que generin aquest espai, i que siguin els menys possibles. Per a aconseguir que un conjunt
de generadors d’un espai vectorial sigui mı́nim, haurem d’escollir els que siguin linealment
independents. Aquest conjunt de vectors l’anomenarem base de l’espai vectorial i el nombre
de vectors d’una base direm que és la dimensió de l’espai vectorial.
Siguin {v1 , v2 , . . . , vr } un conjunt de generadors de l’espai vectorial E. Si un d’aquests vectors

vj és combinació lineal dels altres, aleshores {v1 , v2 , . . . , vj−1 , vj+1 . . . , vr } també generen E.
Segons aquesta proposició, si tenim un conjunt de generadors de l’espai vectorial E, podem

anar suprimint vectors que siguin combinació lineal dels altres, fins a arribar a un conjunt de
generadors que siguin linealment independents.
Una base d’un espai vectorial E és un conjunt ordenat {v1 , . . . , vn } de vectors de E, linealment
independents, tal que tot vector u de E es pot escriure com a combinació lineal de {v1 , . . . , vn }.
De la definició de base es dedueix que per a tot u ∈ E, es compleix u = λ1 v1 + . . . + λn vn i que

els λi són únics. Això ens servirà per definir les coordenades d’un vector.
Sigui {v1 , v2 , . . . , vn } una base de l’espai vectorial E. Les coordenades del vector u respecte
la base {v1 , v2 , . . . , vn } són els escalars (x1 , x2 , . . . , xn ), tal que
u = x1 v1 + x2 v2 + · · · + xn vn .
El vector ~u s’acostuma a escriure en la base {v1 , v2 , . . . , vn } com u = (x1 , x2 , . . . , xn ).
Fixada la base {v1 , v2 , . . . , vn } de l’espai vectorial E, les components d’un vector són úniques,
i un cop fixada la base identifiquem u amb les seves coordenades.
Exemple : En R3 , els vectors (1, 0, 0), (0, 1, 0), (0, 0, 1) formen una base. Normalment es
considera com la base que anomenarem natural.
En alguns àmbits, especialment a la fı́sica s’anomenen i, j, k.
k
6
-
i j
ª
Figura 3.8: Base natural.
La següent proposició és fonamental per a treure profit del concepte de base.
Tot espai vectorial E té bases, i totes les bases tenen el mateix nombre de vectors.
Si els vectors de E, v1 , v2 , . . . , vk són linealment independents, però no formen base, afegint uns
vectors convenients vk+1 , . . . , vn , es pot formar una base de E, {v1 , v2 , . . . , vk , vk+1 , . . . , vn }.
La dimensió d’un espai vectorial E és el nombre de vectors que formen una base qualsevol.
Escriurem dim E per indicar la dimensió de E. Observem que:
a) Una base d’un espai vectorial E, té el màxim nombre possible de vectors linealment
independents, és a dir, que en un espai vectorial de dimensió n, un conjunt de vectors
amb més de n vectors són linealment dependents.
Si tenim n vectors linealment independents, automàticament són generadors i, per tant,
formen una base.
b) Una base d’un espai vectorial E té el mı́nim nombre possible de generadors de E, és a
dir, que en un espai vectorial de dimensió n, un conjunt de menys de n vectors no pot
generar E i per tant tampoc pot ser-ne una base.
Si tenim n vectors generadors de E, automàticament són linealment independents i, per
tant, formen una base.
c) Coneguda la dimensió de E, un nombre de generadors de E igual a la dimensió de E

formen base. Un nombre de vectors linealment independents igual a la dimensió de E,
formen base.
Exemple : Siguin v1 = (1, −2, 3, 2), v2 = (−3, −4, 3, −4), v3 = (2, 1, 0, 3) vectors de R4 .
Són linealment independents? en cas que no siguin linealment independents, suprimiu un vector
que sigui linealment dependent dels altres. Afegiu els vectors que faci falta fins a completar
una base de R4 .
Per facilitar els càlculs, col.loquem els tres vectors horitzontalment i ordenadament de la forma:
 
v1 1 −2 3 2
v2  −3 −4 3 −4 
v3 2 1 0 3
Fent combinacions lineals obtenim:

   
v1 1 −2 3 2 v1 1 −2 3 2
v2 + 3v1  0 −10 12 2 ∼ v2 + 3v1  0 −10 12 2 
v3 − 2v1 0 5 −6 −1 2(v3 − 2v1 ) + v2 + 3v1 0 0 0 0
I podem observar que v2 + 3v1 = −2(v3 − 2v1 )

3.1.4 Exercicis
1. Estudieu si els següents vectors R2 són independents. En el cas en que siguin dependents,
doneu la relació de dependéncia.
a) u1 = (1, 2) i u2 = (−2, 1)
b) v1 = (2, −2) i v2 = (−5, 5)
c) w1 = (5, −1), w2 = (−2, 3) i w3 = (1, 5)
Doneu una base i la dimensió dels següents subespais:
a) F =< u1 , u2 >
b) G =< v1 , v2 >
c) H =< w1 , w2 , w3 >
2. Estudieu si els següents vectors R3 són independents. En el cas en que siguin dependents,
doneu la relació de dependència.
a) u1 = (1, 1, 0), u2 = (2, 1, 1) i u3 = (1, 0, 1)

b) v1 = (1, 1, 0), v2 = (2, 1, 1) i v3 = (1, −1, 1)
c) w1 = (1, 1, 0), w2 = (2, 1, 1), w3 = (1, −1, 1) i w4 = (3, 2, 1)
Doneu una base i la dimensió dels següents subespais:
a) F =< u1 , u2 , u3 >
b) G =< v1 , v2 , v3 >
c) H =< w1 , w2 , w3 , w4 >
3. Donats els següents conjunts de vectors d’R3 :
a) {u1 = (1, 3, 2), u2 = (1, 0, −1), u3 = (2, −3, −5)}

b) {u1 = (0, 2, −1), u2 = (4, 3, −2), u3 = (4, 1, −1)}
c) {u1 = (1, 0, 1), u2 = (0, −2, 1), u3 = (3, 1, −5)}
Es demana, en cada cas, determinar si són linealment independents i, en cas contrari,

donar les relacions de dependència. Donar una base i la dimensió dels subespais generats
per aquests conjunts.
En quins casos el subespai generat és tot R3 ? En els casos en que no sigui aixı́, completeu
la base del subespai fins a obtenir una base de tot R3 .
4. Donats els següents conjunts de vectors d’R4 :
a) {u1 = (1, 2, 1, 3), u2 = (2, 1, 4, 3), u3 = (1, 3, 2, 1)}

b) {u1 = (1, 2, −1, 1), u2 = (3, −1, 2, 1), u3 = (2, −3, −3, 0), u4 = (4, 1, −5, 2)}
c) {u1 = (1, 2, −1, 1), u2 = (3, −1, 2, 1), u3 = (2, −3, 3, 0), u4 = (4, 1, 1, 2)}
Es demana, en cada cas, determinar si són linealment independents i, en cas contrari,

donar les relacions de dependència. Donar una base i la dimensió dels subespais generats
per aquests conjunts.
En quins casos el subespai generat és tot R4 ? En els casos en que no sigui aixı́, completeu
la base del subespai fins a obtenir una base de tot R4 .
5. Estudieu si el conjunt de vectors (0, x2 , x3 ) ∈ R3 és un subespai de R3 .
6. Dels subconjunts següents, digueu quins són subespais i doneu la dimensió i una base dels
que ho siguin:
A = {(x, x, x)/ x ∈ R}.

B = {(x, y, x − y)/ x, y ∈ R}.
C = {(x, 2x − y, x − 2y)/ x, y ∈ R}.
D = {(x, y, 1)/ x, y ∈ R}.
E = {(x − 3y, x, y, y)/ x, y ∈ R}.
F = {(x, y, x − 3y, x + 1)/ x, y ∈ R}.
G = {(x + y, 2x − z, x + y + z, 0)/ x, y, z ∈ R}.
H = {(x, x2 , x)/ x ∈ R}.
7. Comproveu que el conjunt de vectors A = {(x, y, z, t)| x = y − 3z, z = t} és un subespai

de R4 . Calculeu la seva dimensió i trobeu-ne una base. Completeu aquesta base per
obtenir-ne una de R4 .
8. A R4 es donen els vectors u1 = (1, 1, 2, 1), u2 = (1, −1, 0, 1), u3 = (0, 0, −1, 1), u4 =
(1, 2, 2, 0) i v = (1, 1, 1, 1).
a) Demostreu que u1 , u2 , u3 i u4 formen una base.

b) Determineu les coordenades de v a la base {u1 , u2 , u3 , u4 }.
9. Comproveu que els vectors de R3 : u1 = (−1, 1, 1), u2 = (1, −1, 1) i u3 = (1, 1, −1) són
linealment independents i doneu les coordenades del vector v = (2, −3, −1) a la base
{u1 , u2 , u3 }.
10. Trobeu una base del subespai a R3 generat pels vectors u1 = (1, 2, 3), u2 = (2, 0, 1),
u3 = (3, −2, −1) i u4 = (1, −2, −2), i completeu aquesta base fins a una base de R3 .
11. Esbrineu si el subespai generat per (1, 2, 1) i (2, 3, 2) és o no el mateix que generen (1, 1, 0)
i (3, 8, 5).
12. Suposem que els vectors u, v, w són linealment independents. Demostreu que els vectors
{u + v, v + w, w + u} també són independents.
3.2. MATRIUS I DETERMINANTS 15
3.2 Matrius i determinants
Les matrius són una eina molt útil en diferents camps d’aplicació de l’àlgebra lineal tals com la
fı́sica, l’economia, el càlcul d’estructures, etc.. Una matriu és un conjunt de nombres col.locats
en files i columnes.
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A=  Matriu m × n
 
. .
 . 
am1 am2 . . . amn
Anomenem rang d’una matriu al màxim nombre de files o columnes linealment independents.
Per estudiar el rang d’un conjunt de vectors és útil col.locar els vectors en forma de matriu i
buscar el rang de la matriu.
3.2.1 Operacions amb matrius
a) Suma
Donades dues matrius del mateix ordre, A = (aij ) i B = (bij ), anomenem matriu suma de
A i B a la matriu que s’obté de la suma de cada terme de A amb el corresponent terme
de B:
A + B = (aij ) + (bij ) = (aij + bij )
Propietats de la suma:
i) Commutativa:
A+B =B+A
ii) Associativa:
A + (B + C) = (A + B) + C
iii) Element neutre:
A+0=0+A=A
iv) Elements simètrics:
A + (−A) = (−A) + A = 0
b) Producte d’una matriu per un escalar

Donat un nombre real k i una matriu A = (aij ) d’ordre (m × n), definim el producte de
k per A de la forma seüent:
kA = k(aij ) = (kaij )
que no significa altra cosa que la multiplicació del nombre k per cada un dels elements de
la matriu A
Propietats del producte escalar d’una matriu per un escalar:
i) Distributiva del producte respecte de la suma de matrius:
k(A + B) = kA + kB
ii) Distributiva del producte respecte de la suma de nombres reals:
(k + h)A = kA + hA
iii) Associativa entre nombres i matrius:
(k · h)A = k(h · A)
iv) Neutralitat del producte extern:

1·A=A
c) Producte de matrius
Donades les matrius A = (aij )m×n i B = (bij )n×p , anomenarem matriu producte de A per
B a la matriu C = (cik )m×p tal que
     
a11 a12 ... a1n b11 b12 ... b1p c11 c12 ... c1p
 a21 a22 ... a2n   b21 b22 ... b2p   c21 c22 ... c2p 
 · = 
 ... ... ... ...   ... ... ... ...   ... ... ... ... 
am1 am2 ... amn bn1 bn2 ... bnp cm1 cm2 ... cmp
m files, n columnes n files, p columnes m files, p columnes
Cada element de la matriu producte resulta de sumar els productes dels elements d’una
fila de la primera matriu per els elements corresponents d’una columna de la segona
matriu. m
X
cik = aij bjk = aij bij + ... + am bmj
j=1
Exigeix doncs que el nombre de columnes de la primera matriu coincideixi amb el nombre
de files de la segona.
La multiplicació de matrius no és commutativa. El producte de les matrius A per B i B
per A no són en general iguals.
Propietats: del producte de matrius:
i) Associativa:
(AB)C = A(BC)
ii) Distributiva a l’esquerra:
A(B + C) = AB + AC
iii) Distributiva a la dreta:
(A + B)C = AC + BC
iv) Producte per un escalar (k):
k(AB) = (kA)B = A(kB)

3.2.2 Tipus de matrius
a) Matriu d’una fila: és una matriu de dimensions 1 × n.
A = (a11 a12 ...a1n )
b) Matriu d’una columna: és una matriu de dimensions m × 1.

 
a11
 a21 
A=  ... 

am1
c) Matriu quadrada: és aquella matriu que té igual nombre de files que de columnes. Si
aquest nombre es n, la matriu s’anomena d’ordre n.
Els elements aij amb i = j formen la diagonal d’una matriu quadrada.
En el producte de matrius quadrades d’ordre n hi ha divisors de zero, per exemple
 
1 1 1 1
 0 1 0 1 
 
 0 0 1 0 
0 0 0 1
d) Matriu triangular: és una matriu quadrada que té nuls els elements que estan a un mateix
costat de la diagonal principal, tant per la part superior com la inferior.
 
1 1 1 1
 0 1 0 1 
 0 0 1 0  (Triangular inferior)
 
0 0 0 1
e) Matriu diagonal: és una matriu quadrada que té nuls els elements que estan a ambdós
costats de la diagonal principal.És a dir, aij = 0 ∀ i 6= j
 
1 0 0 0
 0 2 0 0 
 
 0 0 2 0 
0 0 0 1
f) Matriu identitat: és una matriu diagonal que té tots els elements de la diagonal principal
igual a 1.  
1 0 0
I= 0 1 0 
0 0 1
g) Matriu nul.la: és una matriu que té tots els elements iguals a 0. És a dir, aij = 0, ∀i, j
 
0 0 0 0
 0 0 0 0 
 
 0 0 0 0 
0 0 0 0
h) Matriu trasposta: la matriu trasposta At d’una matriu donada A, s’obté al convertir totes
les files de A en columnes i les columnes en files.
Si A = (aij )m×n aleshores At = (aji )m×n
Propietat:
(A · B)t = B t · At
   
1 1 1 1 1 0 0 0
 0 1 0 1   1 1 0 0 
A=
 0
 At =  
0 1 0   1 0 1 0 
0 0 0 1 1 1 0 1
i) Matriu Simètrica: És una matriu quadrada que coincideix amb la seva trasposta A = At
 
1 2 3
A = At =  2 0 5 
3 5 6
j) Matriu Antisimètrica: És una matriu quadrada que coincideix amb la oposada de la seva
trasposta A = −At .
3.2.3 Determinants
Clàssicament els determinants s’utilitzaven per resoldre sistemes d’equacions lineals. Actual-
ment, si el sistema té més de 3 equacions, aquest mètode ja no es considera pràctic. No
obstant, per discutir sistemes d’equacions dependents d’un paràmetre, per al càlcul dels valors
propis d’un endomorfisme, per calcular el volum determinat per 3 vectors o per la interpretació
com a factor d’escala entre volums, pensem que és necessari fer aquı́ una introducció sobre els
determinants.
Definirem un nombre real associat a una matriu quadrada, A, n × n (o equivalentment, un

nombre real associat a n vectors de Rn ), i n’hi direm determinant de A. Aquesta definició la
farem de forma recurrent en termes del determinant d’una matriu (n − 1) × (n − 1). Per fer-ho
necessitem primer definir el menor complementari i l’adjunt d’un element aij de la matriu.
Donada la matriu quadrada d’ordre n:

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A= .. .. . . . .. 
 
 . . . 
an1 an2 . . . ann
a) S’anomena menor complementari de l’element aij , que denotarem per Mij , al de-
terminant de la matriu quadrada d’ordre n − 1 que resulta de suprimir la fila i-èsima i la
columna j-èsima de A.
b) L’adjunt de l’element aij és el seu menor complementari afectat pel signe (−1)i+j .
L’adjunt de aij s’indica per Aij , és a dir, Aij = (−1)i+j Mij .
Observem que els signes dels adjunts són alternats:

¯ ¯
¯
¯ + − + ... ¯
¯
¯
¯ − + − ... ¯
¯
¯ + − + ... ¯
.. .. .. . .
¯ ¯
.
¯ ¯
¯ . . . ¯
a) El determinant d’ una matriu 1 × 1 és:
det(a) = a
b) El determinant d’ una matriu n × n és:

n
X
det(A) = a1j A1j
j=1
És a dir, el determinant és la suma del producte del cada element de la primera fila pel seu
adjunt.
Exemple : El determinant d’una matriu quadrada d’ordre 2

µ ¶ ¯ ¯
a11 a12 ¯ a a
= ¯¯ 11 12
¯
det A = det ¯=
a21 a22 a21 a22 ¯
= a11 A11 + a12 A12 = a11 det(a22 ) − a12 det(a21 ) = a11 a22 − a21 a12
Exemple : El determinant d’una matriu quadrada d’ordre 3

  ¯ ¯
a11 a12 a13 ¯ a11 a12 a13 ¯
¯ ¯
det  a21 a22 a23  = ¯¯ a21 a22 a23 ¯¯ =
a31 a32 a33 ¯ a31 a32 a33 ¯
= a11 A
¯ 11 + a12 A12
¯ + a13¯A13 = ¯ ¯ ¯
¯ a22 a23 ¯ ¯ a21 a23 ¯ ¯ a21 a22 ¯
= a11 ¯
¯ ¯ − a12 ¯ ¯ ¯ + a13 ¯
¯ ¯=
a32 a33 ¯ a31 a33 ¯ a31 a32 ¯
= a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a11 a32 a23 − a21 a12 a33 .
La primera fila, en aquesta definició, juga un paper especial. Però, de fet, veurem ara que pot
ser substituı̈da per qualsevol fila o columna.
Per a calcular el determinant d’una matriu amb el programa Maple ho farem de la següent
manera:
> B:=<<1| 2 | 1>, <1 | 1 | 1>, <3 |2 | 1>>;
 
1 2 1
 
B :=  1 1 1 
 
 
3 2 1
> Determinant(B);
Donada una matriu quadrada A d’ordre n i fixada la fila r-èsima (o columna t-èsima), el
determinant d’aquesta matriu és igual a la suma dels productes dels elements d’aquesta fila (o
columna) pels seus adjunts respectius.
n
X n
X
det A = arj Arj = ait Ait , per a tot r, t = 1, ..., n
j=1 i=1
Aquest resultat ens diu que el rang d’una matriu és el mateix calculat per files que per columnes.
En tota matriu quadrada A d’ordre n es compleix que
det A = det At .
A partir d’ara, farem servir la notació simplificada següent:

¯ ¯
¯ a11 a12 . . . a1n ¯
¯ ¯
¯ a21 a22 . . . a2n ¯
det A = ¯ .. .. . . .. ¯ = det(A1 , A2 , . . . , An )
¯ ¯
¯ . . . . ¯
¯ ¯
¯ an1 an2 . . . ann ¯
on Aj representa el vector columna j-èsima de la matriu.
Com a conseqüència de l’observació 3.2.3, totes les proposicions que enunciem a continuació
continuen essent vàlides canviant columnes per files.
Propietats dels determinants
1. Si multipliquem tots els elements d’una columna per un nombre real, el determinant
queda multiplicat per aquest nombre,
det(A1 , A2 , . . . , cAj , . . . , An ) = c · det(A1 , A2 , . . . , Aj , . . . , An ) .
2. Si es permuten dues columnes entre elles, el determinant canvia de signe,

det(A1 , . . . , Ai , . . . , Aj , . . . , An ) = − det(A1 , . . . , Aj , . . . , Ai , . . . , An ) .
3. Si dues columnes són iguals, el determinant és zero,

det(A1 , . . . , Ai , . . . , Ai , . . . , An ) = 0.
4. Si els elements d’una columna poden descompondre’s en suma de dos, aleshores el deter-
minant pot descompondre’s en suma de dos.
det A = det(A1 , A2 , . . . , A′i + A′′i , . . . , An ) =
= det(A1 , A2 , . . . , A′i , . . . , An ) + det(A1 , A2 , . . . , A′′i , . . . , An )
5. Si a una columna se li suma una combinació lineal de les restants, el determinant no varia,
Ã n
!
X
det A1 + λi Ai , A2 , . . . , An = det(A1 , A2 , . . . , An )
i=2
6. Si una columna és combinació lineal de les restants, el determinant és zero,
Ã n !
X
det λi Ai , A2 , . . . , An = 0
i=2
7. det(A1 , A2 , . . . , An ) = 0 ⇔ {A1 , A2 , . . . , An } són linealment dependents ⇔

rg{A1 , A2 , . . . , An } < n
Donades dues matrius quadrades A i B d’ordre n,

det(A · B) = det A · det B .
3.2.4 Càlcul del rang d’una matriu per determinants
El rang d’una matriu és el nombre màxim de vectors (files o columnes) linealment independents
que es pot extreure de la matriu. Si tenim en compte l’estudi de la dependència lineal de vectors,
a partir dels determinants, podem definir el rang d’una matriu, com l’ordre màxim dels seus
menors no nuls.
Amb aquest resultat podem calcular el rang d’una matriu o d’un conjunt de vectors utilitzant
determinants. Si una matriu té un menor d’ordre r no nul, per tal que el seu rang sigui r només
cal que s’anul.lin els menors d’ordre r + 1 obtinguts afegint una fila i una columna de la matriu
al menor d’ordre r no nul.
El rang de qualsevol matriu, no necessàriament quadrada, és r si existeix un menor d’ordre r

diferent de zero i tots els menors d’ordre r + 1 són zero.
¯ ¯
¯ 1 −2 ¯
Exemple: si ho fem per determinants, el determinant de segon ordre ¯ ¯ ¯ = −10 6= 0
¯ ¯ ¯ −3 ¯ −4 ¯
¯ 1 −2 3 ¯ ¯ 1 −2 2 ¯¯
¯ ¯ ¯
i els determinants de tercer ordre són ¯¯ −3 −4 3 ¯¯ = 0; ¯¯ −3 −4 −4 ¯¯ = 0, és a dir, que
¯ 2 1 0 ¯ ¯ 2 1 3 ¯
el vector v3 = (2, 1, 0, 3) és combinació lineal de v1 i v2 i, per tant, l’espai vectorial generat per
v1 i v2 és el mateix que l’espai generat per v1 , v2 i v3 .
Si afegim als vectors v1 i v2 els vectors v3 = (0, 0, 1, 0) i v4 = (0, 0, 0, 1)

¯ ¯
¯ 1 −2 3 2 ¯¯
¯
¯ −3 −4 3 −4 ¯¯
¯
¯ 0 = −10 6= 0 .
¯ 0 1 0 ¯¯
¯ 0 0 0 1 ¯
Per tant {v1 , v2 , v3 , v4 } formen una base de R4 .
3.2.5 Matriu inversa
Una matriu quadrada A, d’ordre n, direm que és regular si existeix una matriu quadrada,
indicada per A−1 que anomenarem matriu inversa de A, que compleix:
A · A−1 = A−1 · A = I
on I és la identitat d’ordre n. Determinant d’una matriu regular i de la seva inversa:
A és regular =⇒ det A 6= 0
1
i, a més a més, det A−1 = .
det A
Si A és regular, aleshores A · A−1 = I, d’on det A · det A−1 = 1 i, per tant, det A 6= 0 i
det A−1 = 1/ det A.
Càlcul d’una matriu inversa:

Donada la matriu quadrada A d’ordre n
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A= .. .. . . . .. 
 
 . . . 
an1 an2 . . . ann
si det A 6= 0, aleshores
 T
A11 A12 . . . A1n
−1 1  A21 A22 . . . A2n 
A = .. .. ..
 
det A  ..
.
 
. . . 
An1 An2 . . . Ann
és la matriu inversa de A.
Per tant, det A 6= 0 ⇐⇒ A és regular.
Per tant, la matriu inversa de A és la matriu dels adjunts de la transposada de A, dividida pel
det A.
Exemple: sigui la matriu  

2 1 −2
A =  1 −1 2 
3 1 1
Calculem, per determinants, la seva inversa:
det(A) = −9
 
2 1 3
At =  1 −1 1 
−2 2 1
la matriu d’adjunts és:  
−3 −3 0
 5 8 −6 
4 1 −3
per tant:  
−3 −3 0
1 
A−1 = 5 8 −6 
−9
4 1 −3
Fem el mateix exemple per calcular una matriu inversa amb el programa Maple:
> A1:=<<2 | 1 | -2>, <1 | -1 | 2>, <3 | 1 | 1>>;
 
2 1 −2
 
A1 :=  1 −1 2 
 
 
3 1 1
> A1^(-1);
 
1 1
3 3
0
 
 5
 − 9 − 89 2 
3

 
− 49 − 19 1
3
3.2.6 Exercicis
1. Calculeu els determinants següents:

¯ ¯ ¯ ¯
¯ ¯ ¯ −1 1 1 1 ¯ ¯ 1 2 −1 3 ¯
¯ x 1 2 ¯ ¯ ¯ ¯ ¯
¯ ¯ ¯ 1 −1 1 1 ¯ ¯ 0 2 −2 4 ¯
a) ¯¯ x + y 2 3 ¯¯. b) ¯¯ ¯. c) ¯¯ ¯.
¯ 1 1 −1 1 1 3 −1 5
¯ ¯
¯ x + 2y 3 4 ¯ ¯ ¯ ¯
¯ 1 1 1 −1 ¯ ¯ 2 1 7 −3 ¯
2. Demostreu, sense efectuar els desenvolupaments, que el primer dels determinants és nul i
que el segon és múltiple de 13.
¯ ¯ ¯ ¯
¯ 4 3 43 ¯ ¯ 4 2 7 ¯
¯ ¯ ¯ ¯
a) ¯¯ 5 1 51 ¯¯. b) ¯¯ 1 9 3 ¯¯.
¯ 2 7 27 ¯ ¯ 5 6 2 ¯
¯ ¯
¯ 2 x 3 ¯¯
¯
3. Resoleu l’equació següent: ¯¯ 5 7 12 ¯¯ = 0.
¯ 3 −1 2x ¯
3.3. CANVI DE BASE EN UN ESPAI VECTORIAL 25
3.3 Canvi de base en un espai vectorial
Cada una de les possibles bases d’un espai vectorial, constitueix un sistema de referència re-
specte al qual cada vector ve representat per les seves coordenades.
És a dir, que a un mateix vector li corresponen coordenades diferents, segons la base escollida.
En aquest apartat, estudiarem la relació que hi ha entre les components del mateix vector, però
referit aquest vector, a dues bases diferents.
Un dibuix en dimensió dos pot aclarir el que acabem de dir
....u.
.¸ ...
..... ...
... .
...
.....
.
.....
.. e
... 2
v2I 6 µ v1
-
e1
Figura 3.9: Canvi de base
¾
v1 = e1 + e2
v2 = −e1 + e2
u = 2e1 + 4e2 = 3v1 + v2
És a dir, el mateix vector u té coordenades (2, 4) en la base {e1 , e2 } i (3, 1) en la base {v1 , v2 }.
Sigui E un espai vectorial, {e1 , e2 , . . . , en } una base de E i u un vector de E que té coorde-
nades (x1 , x2 , . . . , xn ) en aquesta base. Si tenim una altra base de E formada pels vectors
{v1 , v2 , . . . , vn } que es poden expressar com
v1 = a11 e1 + a21 e2 + · · · + an1 en

v2 = a12 e1 + a22 e2 + · · · + an2 en
..
.
vn = a1n e1 + a2n e2 + · · · + ann en
volem veure com es relacionen les coordenades de u a la base {v1 , v2 , . . . , vn } amb les coordenades
(x1 , x2 , . . . , xn ). Si u = y1 v1 + y2 v2 + · · · + yn vn , podem substituir v1 , v2 , . . . , vn per les seves
expressions a la base {e1 , e2 , . . . , en }; fent-ho aixı́ tenim
u = (a11 y1 + a12 y2 + · · · + a1n yn )e1 + (a21 y1 + a22 y2 + · · · + a2n yn )e2 +

+(an1 y1 + an2 y2 + · · · + ann yn )en
Per tant 

 x1 = a11 y1 + a12 y2 + · · · + a1n yn
 x2 = a21 y1 + a22 y2 + · · · + a2n yn

..


 .
 x = a y + a y + ··· + a y
n n1 1 n2 2 nn n
Són les fórmules mitjançant les quals es relacionen les coordenades de u en ambdues bases.
En forma matricial s’escriu

     
x1 a11 a12 . . . a1n y1
 x2   a21 a22 . . . a2n   y2 
.. = .. · ..
     
 
 .   .   . 
xn an1 an2 . . . ann yn
Denotem per C la matriu

 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
C :=  ..
 

 . 
an1 an2 . . . ann
Anomenarem matriu de canvi de base de {v1 , v2 , . . . , vn } a {e1 , e2 , . . . , en } a la matriu que

passa de les coordenades (y1 , y2 , . . . , yn ) d’un vector en la base {v1 , v2 , . . . , vn } a les coordenades
(x1 , x2 , . . . , xn ) del mateix vector en la base {e1 , e2 , . . . , en }. És la matriu que té per columnes
les coordenades dels vectors v1 , v2 , . . . , vn , en la base {e1 , e2 , . . . , en }. Escriurem X = CY o
Y = C −1 X.
Com que la matriu de canvi de base té per columnes les components d’uns vectors que són
linealment independents, la matriu és invertible i, per tant, Y = C −1 X, que és el canvi invers.
Exemple: Canvi de base

Escriviu les coordenades del vector u = −1i + 7j + 4k a la base v1 = 2i + 3j + k, v2 = −4j − 2k,
v3 = 4i + 12j + 6k.
La matriu que ens passa de la base {v1 , v2 , v3 } a la base {i, j, k} és

 
2 0 4
C =  3 −4 12 
1 −2 6
El canvi que ens demanen és l’invers, és a dir, el que té per matriu
 
0 1 −2
C −1 =  3/4 −1 3/2 
1/4 −1/2 1
Per tant     
0 1 −2 −1 −1
 3/4 −1 3/2   7  =  −7/4 
1/4 −1/2 1 4 1/4
7 1
u = −v1 − v2 + v3 .
4 4
> U:=<-1, 7, 4>;V1:=<2, 3, 1>;V2:=<-4, 0, -2>;V3:=<4, 12, 6>;
 
−1
 
U :=  7 
 
 
4
 
2
 
V 1 :=  3 
 
 
1
 
−4
 
V 2 :=  0 
 
 
−2
 
4
 
V 3 :=  12 
 
 
6
> C1:=Matrix([V1,V2,V3]);
 
2 −4 4
 
C1 :=  3 0 12 
 
 
1 −2 6
> C1^(-1).U;
 
−1
 
 7 
 −4 
 
1
4
Donat un espai vectorial E qualsevol, i una base de E, a tot vector u de E li podem fer
correspondre les seves coordenades en aquesta base; aixı́, doncs, donada una base tenim una
identificació de E amb Rn .
3.3.1 Exercicis
1. Observant la figura, escriviu la matriu de canvi de base, de la base {i, j} a la {u, v}.
Calculeu les coordenades del vector w = 3i + 5j en la base {u, v}.
~j
~v
6
K
*
~u
30o-
~i
2. Donats els vectors de R3 : v1 = (2, 2, 1), v2 = (−1, 0, 1) i v3 = (1, 2, 3), escriviu la matriu
de canvi de la base usual a {v1 , v2 , v3 }.
a) Calculeu les coordenades a la base usual del vector de coordenades (2, 1, 3) a la base
{v1 , v2 , v3 }.
b) Calculeu les coordenades a la base {v1 , v2 , v3 } del vector (−3, 2, 1).
3. A R3 es considera una base {e1 , e2 , e3 }, on trobem els vectors v1 = 3e1 − e2 − e3 , v2 =

e1 + e2 + e3 i v3 = 2e1 − 2e2 .
a) Comproveu que els vectors {v1 , v2 , v3 } formen una base de R3 .

b) Trobeu les coordenades del vector e = 2e1 − e2 + 4e3 en aquesta base.
4. Doneu la fórmula del canvi de coordenades quan es passa, a R2 , de la base {(1, 2), (0, 1)}
a la base {(−1, 0), (−1, −1)}.
3.4 Espai vectorial euclidià
c
a
ab
4 + c2 = (a + b)2
2
a2 + b2 = c2
Estudiarem ara els conceptes de norma o mòdul d’un vector, d’angle format per dos vectors,
i de projecció ortogonal d’un vector sobre un altre. La funció matemàtica que ens permetrà
introduir aquests conceptes de forma estructurada i senzilla és el producte escalar.
En un espai vectorial es defineix el concepte de paral.lelisme, però si, a més a més, tenim un
producte escalar, llavors també té sentit parlar de perpendicularitat i distància, complint-se els
axiomes de la Geometria Euclidiana. Això justifica que a aquests espais els anomenem espais
vectorials Euclidians.
Finalment, a partir del producte escalar i dels determinants, definirem el producte vectorial a
R3 , concepte de gran utilització, per exemple, en l’estudi del moment d’una força.
3.4.1 Definició
Un espai vectorial direm que és euclidià quan està dotat d’un producte escalar. Donarem
primer la definició de producte escalar.
Donat un espai vectorial E sobre R, anomenem producte escalar en E una aplicació del
producte cartesià E × E en R, és a dir, que a cada parell de vectors assigna un nombre real,
3.4. ESPAI VECTORIAL EUCLIDIÀ 31
E×E → R
(u, v) → u · v
que compleix les propietats següents:
i) a) u · (v1 + v2 ) = u · v1 + u · v2
b) (u1 + u2 ) · v = u1 · v + u2 · v
c) (λu) · v = λ(u · v) = u · (λv)
Partint d’aquesta propietat es diu que l’aplicació és una forma bilineal.
ii) u · v = v · u
Es diu que és una forma simètrica.
iii) u · u ≥ 0 i u · u = 0 si, i només si, u = ~0

Aleshores es diu que és definida positiva.
Resumint, un producte escalar és una forma bilineal simètrica definida positiva.
Exemple: Producte escalar a Rn
El producte escalar usual que nosaltres utilitzarem a Rn és el següent:
Siguin u i v dos vectors d’Rn que en la base natural tenen coordenades (x1 , x2 , . . . , xn ) i
(y1 , y2 , . . . , yn ) respectivament, llavors:
u · v = x1 y1 + x2 y2 + . . . + xn yn
El parell (E, ·) l’anomenarem espai vectorial euclidià.
3.4.2 Norma associada a un producte escalar
Donat un espai vectorial euclidià (E, ·) sobre R, es defineix la norma d’un vector, u ∈ E,
com p
|| u ||= + (u · u)
Exemple: Norma d’un vector a Rn
A Rn , amb el producte escalar que hem vist a l’exemple ??, la norma d’un vector és la seva
longitud. Observem que per n = 2, si u = (x1 , x2 ), llavors
p q
|| u ||= + (u · u) = x21 + x22
u
1
x2
x1
Figura 3.10: Norma d’un vector.
que és el teorema de pitàgores.
Donat un espai vectorial euclidià (E, ·) sobre R,
a) Anomenarem vectors unitaris als vectors de norma 1.

v
b) Si v 6= 0, el seu normalitzat és:
kvk
Nota: en molts llibres tècnics als vectors unitaris en diuen versors.
3.4.3 Expressió del producte escalar en una base
Sigui {e1 , . . . , en } una base de E i siguin

n
X
u= x i ei
i=1
n
X
v= yj e j
j=1
les expressions de u i v en aquesta base; aleshores, aplicant les propietats de la bilinealitat:

Ã n ! Ã n ! n X n
X X X
u·v = xi ei · yj ej = xi yj ei · ej
i=1 j=1 i=1 j=1
fet que demostra la proposició següent.
Donat un espai vectorial E i fixada una base, l’expressió del producte escalar queda unı́vocament
determinada coneixent els productes escalars dels elements de la base:
ei · ej per a i = 1, . . . , n, j = 1, . . . , n.
Aquesta proposició ens permet donar la següent definició:
Sigui {e1 , . . . , en } una base d’un espai vectorial, E. Podem definir la matriu
   
e1 · e1 e1 · e2 . . . e1 · en g11 g12 . . . g1n
 e2 · e1 e2 · e2 . . . e2 · en   g21 g22 . . . g2n 
G= .. = ..
   

 .   . 
en · e1 en · e2 . . . en · en gn1 gn2 . . . gnn
com a matriu associada al producte escalar referent a la base {e1 , . . . , en } de E.

També rep el nom de matriu de la mètrica en aquesta base.
Exemple: Matriu del producte escalar usual a R3

Considerem, a R3 , la base natural {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)}. Siguin u i v dos
vectors d’R3 que en aquesta base tenen coordenades (x1 , x2 , x3 ) i (y1 , y2 , y3 ) respectivament, i
sigui:
u · v = x1 y1 + x2 y2 + x3 y3
el producte escalar usual. Llavors, la matriu d’aquest producte escalar en aquesta base és
G = I.
3.4.4 Expressió matricial del producte escalar
Donats dos vectors u i v i les seves expressions a la base {e1 , . . . , en } de E, podem associar-los
una matriu:
   
x1 y1
 x2   y2 
u=X= .. i v=Y = ..
   
 
 .   . 
xn yn
i, aleshores, el producte escalar s’expressa de la forma següent:
   
g11 g12 . . . g1n y1
t
 g21 g22 . . . g2n   y2 
u · v = X GY = (x1 , . . . , xn ) ·  .. · .. .
   
 .   . 
gn1 gn2 . . . gnn yn
Exemple: Expressió matricial del producte escalar a R3

A l’exemplede matriu del producte escalar usual a R3 l’expressió matricial del producte escalar
és:      
y1 1 0 0 y1
u · v = (x1 , x2 , x3 ) ·  y2  = (x1 , . . . , xn ) ·  0 1 0  ·  y2  = X t · Y
y3 0 0 1 y3
Exemple: Matriu del producte escalar

Sigui {e1 , e2 , e3 } la base natural de R3 i ϕ la forma bilineal simètrica la matriu de la qual a
la base anterior és la matriu identitat (ϕ és el producte escalar de R3 .) Trobeu la matriu del
producte escalar en la base
e′1 = 3e1 − 5e3

e′2 = e1 + e2 + e3
e′n = 2e1 − 3e2 + 2e3
Aplicant la definició, les components de la matriu del producte escalar en la base {e′1 , e′2 , e′3 }
són
′
g11 = e′1 · e′1 = (3, 0, −5) · (3, 0, −5) = 34
′ ′
g12 = g21 = e′1 · e′2 = (3, 0, −5) · (1, 1, 1) = −2
′
g13 = g31 = e′1 · e′3 = (3, 0, −5) · (2, −3, 2) = −4
′
′
g22 = e′2 · e′2 = (1, 1, 1) · (1, 1, 1) = 3
′ ′
g23 = g32 = e′2 · e′3 = (1, 1, 1) · (2, −3, 2) = 1
′
g33 = e′3 · e′3 = (2, −3, 2) · (2, −3, 2) = 17
Per tant,
 
34 −2 −4
G′ =  −2 3 1 
−4 1 17
Si tenim la matriu G’ del producte escalar en la nova base, i volem fer el producte escalar dels
vectors V1=(2,3,1) i V2=(-4,0,-2), de components en la base {e1 , e2 , e3 },
> V1:=<<2 | 2 | 1>>;
G:=<<34 | -2 | -4>, <-2 | 3 | 1>, <-4 | 1 | 17>>;
V2:=<<-4>, <0>, <-2>>;
h i
V 1 := 2 2 1
 
34 −2 −4
 
G :=  −2 3 1
 

 
−4 1 17
 
−4
 
V 2 :=  0 
 
 
−2
> V1.G.V2;
[−262]
3.4.5 Ortogonalitat
Amb el producte escalar de dos vectors definim el cosinus de l’angle que formen. Diem que
dos vectors són perpendiculars quan aquest angle és de 90o graus, en aquest cas el cosinus és
0. Per això anomenem ortogonals als vectors que donen producte escalar 0.
Donats dos vectors u, v ∈ (E ·), no nuls, definim el cosinus de l’angle que formen, θ, com
u·v
cos θ =
kuk kvk
Tenim doncs el següent:

u · v =k u k · k v k · cos α, on α és l’angle entre u i v.
Si u · v = 0, cos α = 0 i α = 90◦ o α = π/2.
I aixı́ definim:
a) Donats u, v ∈ (E ·) direm que són ortogonals si u · v = 0, i ho representarem per u⊥v.
b) Un conjunt de vectors direm que són ortogonals si són ortogonals dos a dos.
c) Un conjunt de vectors direm que és un conjunt de vectors ortonormals si són ortog-
onals i de norma 1.
d) Una base ortonormal és una base formada per vectors ortonormals.
Exemple: Base ortonormal

La base natural de R3 , (1, 0, 0), (0, 1, 0), (0, 0, 1), amb el producte escalar usual, és una base
ortonormal.
Donat un espai euclidià de dimensió 3, tres vectors {e1 , e2 , e3 }, ortogonals entre ells i de mòdul
1, formen un conjunt de vectors linealment independents i per tant formen una base ortonormal.
Referida a aquesta base la mètrica pren la forma de la matriu identitat
   
e1 · e1 0 0 1 0 0
G= 0 e2 · e2 0 = 0 1 0 
0 0 e3 · e3 0 0 1
Per tant, l’expressió del producte escalar, donats
u = x 1 e1 + x2 e2 + x 3 e3
v = y1 e1 + y2 e2 + y3 e3 ,
pren la forma:
  
1 0 0 y1
u · v = (x1 x2 x3 )  0 1 0   y2  = x1 y1 + x2 y2 + x3 y3
0 0 1 y3
Es pot demostrar el següent resultat: la matriu del producte escalar en una base ortonormal és
la matriu identitat. En tot espai vectorial euclidià hi ha bases ortonormals.
Sigui (E, ·) un espai vectorial euclidià i F un subespai de E. El subespai ortogonal a F és

el conjunt de vectors de E que són ortogonals a tots els de F . El denotarem per:
F ⊥ = {u ∈ E | u · v = 0 per a tot v ∈ F }
3.4.6 Canvi de coordenades entre bases ortonormals
Dues bases d’un espai vectorial tenen la mateixa orientació, si el determinant de la corre-
sponent matriu de canvi de base és positiu. La base natural de Rn es considera orientada
positivament.
Exemple: Orientació
A la recta real, espai vectorial de dimensió 1, es considera que l’orientació positiva és la dels
reals positius. La matriu de canvi de base a R, és una matriu d’un únic element, és a dir, un
escalar, i el canvi de base és un canvi d’escala. Si el factor de canvi d’escala és positiu, es manté
la mateixa orientació; si és negatiu canvia l’orientació
Exemple: Base orientada negativament

La base {i, j, k} es considera orientada positivament. La base {j, i, k} és tal que la matriu C
de canvi de base té determinant −1
 
0 1 0
C= 1 0 0  det C = −1
0 0 1
per tant, la base {j, i, k} direm que està orientada negativament.
Si tenim un vector u de E i una base ortonormal {e1 , e2 , . . . , en }, les coordenades de u en

aquesta base s’obtenen fent els productes escalars de u pels vectors de la base, és a dir,
u = x 1 e1 + x 2 e2 + · · · + x n en
x1 = u · e1 , x2 = u · e2 , . . . , xn = u · en .
Exemple: Coordenades d’un vector en una base ortonormal.

Sigui R3 amb la base natural {i, j, k} i el vector u = 2i + 3j + 5k.
Sigui la base
³ √ √ ´ ³ √ √ ´
v1 = 1/ 2, 1/ 2, 0 v2 = 1/ 2, −1/ 2, 0 v3 = (0, 0, 1).
Per a demostrar que la base {v1 , v2 , v3 } és ortonormal, hem de calcular la norma (mòdul o
longitud) dels vectors:
k v1 k= 1 k v2 k= 1 k v3 k= 1
i veure que dos a dos són ortogonals:
v 1 · v2 = 0 v1 · v3 = 0 v2 · v3 = 0
Les coordenades de u en la base {v1 , v2 , v3 } són
5
x1 = u · v 1 = √
2
−1
x2 = u · v 2 = √
2
x3 = u · v 3 = 5
Observació 1. La matriu C de canvi de base entre dues bases ortonormals té per columnes
vectors, que són ortonormals i, per tant, si multipliquem C t · C estem multiplicant vectors
ortonormals entre ells, i la matriu que resulta d’aquest producte és la matriu identitat.
Podem enunciar, doncs, la proposició següent.
Si C és la matriu de canvi entre dues bases ortonormals, es compleix que C t · C = I i, per tant,
que C t = C −1 .
Les matrius que compleixen aquesta propietat s’anomenen matrius ortogonals.
3.4.7 Producte vectorial
Donada una base de l’espai euclidià R3 , {e1 , e2 , e3 }, ortonormal i orientada positivament, es

defineix l’aplicació següent:
R3 × R3 −→ R3 ¯ ¯
¯ e1 e2 e3 ¯
¯ ¯
(u, v) −→ u ∧ v = ¯¯ x1 x2 x3 ¯¯ =
¯ y1 y2 y3 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ x2 x3 ¯ ¯ x x
e1 − ¯¯ 1 3 ¯ e2 + ¯ x1 x2 ¯ e3
¯ ¯ ¯
=¯¯ ¯
y2 y3 ¯ y1 y3 ¯ ¯ y1 y2 ¯
anomenada producte vectorial.
Exemple: Producte vectorial

Calculem el producte vectorial de u = i + j + k i v = 2i + j + 3k.
¯ ¯
¯ i j k ¯
¯ ¯
u ∧ v = ¯¯ 1 1 1 ¯¯ = 2i − j − k
¯ 2 1 3 ¯
El producte vectorial amb Maple el farem amb la següent ordre

> CrossProduct(<1 | 1 | 1>,<2 | 1 | 3>);
Vector row ([2, −1, −1])
El producte vectorial compleix les propietats següents:
i) u ∧ u = 0.
ii) u ∧ v = −v ∧ u.
i) (u1 + u2 ) ∧ v = u1 ∧ v + u2 ∧ v,
ii) u ∧ (v1 + v2 ) = u ∧ v1 + u ∧ v2 ,
iii) (λu) ∧ v = λ(u ∧ v) = u ∧ (λv).
iii) k u ∧ v k=k u k k v k sin α, essent α l’angle que formen u i v.
iv u ∧ v = ~0 si, i només si, u i v són linealment dependents.
Donats tres vectors u, v, w, es defineix el producte mixt {u, v, w} d’aquests tres vectors de
la manera següent:
{u, v, w} = u · (v ∧ w) .
Càlcul efectiu del producte mixt

Si {e1 , e2 , e3 } és una base ortonormal orientada positivament i siguin u = x1 e1 + x2 e2 + x3 e3 ,
v = y1 e1 + y2 e2 + y3 e3 i z = z1 e1 + z2 e2 + z3 e3 , llavors:
¯ ¯
¯ x1 x2 x3 ¯
¯ ¯
{u, v, w} = ¯¯ y1 y2 y3 ¯¯ .
¯ z1 z2 z3 ¯
Demostració.
{u, v, w} =
µ¯ ¯ ¯ ¯ ¯ ¯ ¶
¯ y2 y3 ¯
¯ e 1 − ¯ y 1 y3
¯ ¯ ¯ y1 y2 ¯
= (x1 e1 + x2 e2 + x3 e3 ) · ¯¯ ¯ e2 + ¯
¯ z1 z2 ¯ e3 =
¯
z2 z3 ¯ ¯ z1 z3 ¯
¯ ¯
¯
¯ y y ¯
¯ ¯
¯ y y ¯
¯ ¯
¯ y y ¯ ¯
¯ ¯ x1 x2 x3 ¯¯
= x1 ¯¯ 2 3 ¯¯ − x2 ¯¯ 1 3 ¯¯ + x3 ¯¯ 1 2 ¯¯ = ¯¯ y1 y2 y3 ¯¯ .
z2 z3 z1 z3 z1 z 2 ¯ z 1 z2 z3 ¯
Donats u i v, el vector u ∧ v és ortogonal a u i v.

Aixı́ doncs, si u i v són vectors linealment independents aleshores u, v, u ∧ v formen una base
de R3 .
El producte vectorial u∧v és doncs un altre vector de direcció perpendicular a ambdós, de sentit
tal que u, v, u ∧ v sigui una base orientada positivament i de mòdul k u ∧ v k=k u k k v k sin α,
essent α l’angle que formen u i v.
Geomètricament, el mòdul de u ∧ v és l’àrea del paral.lelogram de costats u i v.
El producte mixt de tres vectors {a, b, c}, en valor absolut, és el volum del paral.lelepı́pede les
arestes concurrents del qual són aquests tres vectors.
Demostració. Observeu que k b ∧ c k és l’àrea de la base d’aquest paral.lelepı́pede. D’altra

banda,
a · (b ∧ c)
kb∧ck
6
~u ∧ v
~v
:
ku∧v k
α
q
~u
Figura 3.11: Mòdul i direcció del producte vectorial.
és la projecció de a sobre el subespai hb, ci⊥ i, per tant, és l’altura del paral.lelepı́pede.
Observació 2. Siguin u1 , u2 , u3 tres vectors linealment independents de R3 i A una matriu
regular. A · u1 , A · u2 , A · u3 són tres vectors, linealment independents, transformats dels
anteriors. Aleshores:
Vol(Au1 , Au2 , Au3 ) = det A · det(u1 , u2 , u3 ) = det A · Vol(u1 , u2 , u3 )
per tant, det A és un factor d’escala respecte al volum.

3.4.8 Exercicis
1. Si a = (1, 2, −1), b = (0, 0, 1) i c = (2, 3, −1), calculeu, fent servir el producte escalar
usual de R3 , els valors següents:
a) a · (b + 2c).
b) (a − b) · (a + c).
c) a · a.
d) (2a + 3b) · 4c.
2. Considerem els següents vectors d’R2 : u = (1, 3) i v = (4, 2). Calculeu la projecció
ortogonal de u sobre v i el vector projecció. Feu un dibuix aproximat de u, de v i del
vector projecció.
3. Considerem dos vectors d’R2 : u i v. Calculeu la projecció ortogonal de u sobre v i el

vector projecció en cadascun dels casos següents i feu un dibuix aproximat de u, de v i
del vector projecció.
a) u = (3, 2), v = (4, 0)

b) u = (−1, 1), v = (2, 0)
c) u = (3, 2), v = (0, 3)
4. Trobeu la projecció del vector u = (1, 2, 3) sobre el subespai engendrat per e1 = (1, 0, 1)
i e2 = (0, 1, 0).
5. Trobeu l’angle que formen els vectors:
a) u = (2, 1, 3, 2) i v = (1, 2, −2, 1).

b) u = (1, 2, 2, 3) i v = (3, 1, 5, 1).
6. Trobeu una base de [(1, 1, −1), (1, −1, 0)]⊥ .
7. Calculeu (1, 2, 3) ∧ (2, 1, 1), (0, 0, −1) ∧ (1, 1, 0) i (2, 3, 4) ∧ (4, 5, 8).
8. Demostreu que u, u ∧ v i u ∧ (u ∧ v) és base ortogonal de R3 amb u, v ∈ R3 , u, v 6= ~0

independents. Quan serà ortonormal aquesta base?
9. Feu aquest exercici amb el programa Maple. Calculeu la superfı́cie i el volum del tetràedre
de vèrtexs: A(1, 2, 3), B(2, 5, 2), C(1, 3, 5) i D(5, 7, 9).
Apèndix
Exemple amb el programa Maple d’utilització del producte escalar i el producte vectorial.
Trobeu la projecció del vector u=(1,2,3) sobre el subespai F engendrat per els vectors
v1=(1,0,1) i v2=(0,1,0).
Primer mètode:
sigui el vector w el vector buscat, és a dir, el vector projecció de u sobre el subespai F, per
tant w ha de ser combinació lineal de v1 i v2.
> v1:=<1 | 0 | 1>;v2:=<0 | 1 | 0>;u:=<1 | 2 | 3>;
v1 := [1, 0, 1]
v2 := [0, 1, 0]
u := [1, 2, 3]
> w:=x*v1+y*v2;
w := [x, y, x]
El vector w ha de ser tal, que el vector w1 diferencia entre u i w ha de ser perpendicular al

subespai F, es a dir als vectors v1 i v2, per tant els productes escalars entre w1 i v1, i entre
w1 i v2 han de ser zero.
> w1:=u-w;
w1 := [1 − x, 2 − y, 3 − x]
43
> solve({DotProduct(w1,v1)=0,DotProduct(w1,v2)=0},{x,y});
{x = 2, y = 2}
El vector projecció buscat és doncs el vector w = (2,2,2).
Segon mètode:
Sigui G el subespai vectorial ortogonal a F. La dimensió de G és 1, i G estarà engendrat per el

vector u1 de mòdul 1 i direcció la del producte vectorial de v1 i v2. Si wo és la projecció de u
sobre G, i w és la projecció de u sobre F, es compleix que u=wo+w, per tant w=u-wo.
> u3:=CrossProduct(v1,v2);
u3 := [−1, 0, 1]
> u1:=1/(2)^(1/2)*u3;
1√ 1√
· ¸
u1 := − 2, 0, 2
2 2
> wo:=DotProduct(u,u1)*u1;
wo := [−1, 0, 1]
> w:=u-wo;
w := [2, 2, 2]
Capı́tol 4
Transformacions lineals. Representació

matricial
45
46 CAPÍTOL 4. TRANSFORMACIONS LINEALS. REPRESENTACIÓ MATRICIAL
Les operacions bàsiques que estructuren un conjunt com a espai vectorial són, com hem vist,
l’addició de vectors i el producte per nombres. És lògic pensar que les transformacions interes-
sants entre espais vectorials són les que respecten la seva estructura, en el sentit que conserven
les operacions.
Les funcions lineals apareixen en moltes branques de la matemàtica i tenen, en general, un

ampli ventall de transformacions. És habitual intentar reduir problemes sobre transformacions
arbitràries a problemes relacionats amb transformacions lineals perquè, quan això és possible,
és més fàcil el seu estudi.
Un exemple quotidià d’aplicació lineal és la relació quantitat-preu: si tenim dos productes, un
a p euros per unitat i l’altre a q euros per unitat i comprem x unitats del primer i y unitats
del segon, el preu total és P = px + qy. Això ho podem escriure com la següent aplicació lineal
que transforma la parella ordenada de quantitats (x, y) en el preu P :
P : R2 −→ R
(x, y) −→ P (x, y) = px + qy
També a fı́sica tenim exemples com la llei de Hooke: els sòlids, en general, es deformen al ser
sotmesos a una força, essent aquesta deformació proporcional a la força que l’origina: si a una
deformació d’1 centı́metre li correspon una força de k dines, tenim que per a x centı́metres, la
força és F = kx. Podem donar una aplicació que transforma deformacions en forces.
F : R −→ R
x −→ F (x) = kx
En aquesta secció definirem aplicació lineal i podrem comprovar que efectivament aquests dos
exemples ho són. L’objectiu és estudiar les principals propietats de les transformacions lineals
i veure la relació amb les matrius i amb els sistemes d’equacions lineals. De moment podem fer
una observació: les úniques operacions a què estan sotmeses les variables són suma i producte
per escalars.
4.1 Definició i caracterització
A les transformacions entre espais vectorials que conserven la suma i el producte per escalars
les anomenarem transformacions lineals. Podem pensar que són generalitzacions de les funcions
reals de variable real de la forma:
f : R −→ R
x −→ f (x) = mx
4.1. DEFINICIÓ I CARACTERITZACIÓ 47
que es poden representar com rectes que passen per l’origen:
f (x1 ) + f (x2 ) = f (x1 + x2 )
f (x2 )
f (x1 )
−2x1
x1 x2 x1 + x2
f (−2x1 ) = −2f (x1 )
Figura 4.1: Gràfica d’una aplicació lineal a R2
Sigui f : Rn −→ Rm una aplicació.
Direm que és lineal si, i només si, compleix les següents propietats:
i)f (u + v) = f (u) + f (v), per a qualsevol u i v de Rn .
ii) f (αu) = αf (u), per a qualsevol u de Rn i α de R.
Cal saber reconèixer fàcilment quan una aplicació és lineal.
Les funcions reals d’una variable “més simples” són les lineals. Les funcions vectorials lineals
de diverses variables són de la forma:
f: Rn −→ Rm
(x1 , . . . , xn ) −→ (y1 , . . . , ym )
on cada yi és una funció lineal de x1 , · · · , xn , és a dir:
y1 = a11 x1 + · · · + a1n xn , · · · , ym = am1 x1 + · · · + amn xn
combinacions lineals de x1 , x2 , . . . , xn .
Sigui f una aplicació entre dos espais vectorials E i F i u un vector de E, de coordenades

(x1 , . . . , xn ). L’aplicació f és lineal, si i només si, es pot expressar com a suma de monomis de
grau 1, en les variables x1 , . . . , xn .
D’ara endavant, per a veure si una aplicació és lineal, gairebé sempre, utilitzarem la proposició
anterior.
Exemple: Considerem dues transformacions, f i g, de R3 a R2 i veiem quines diferències hi

ha entre elles.
La imatge per f d’un vector u = (x, y, z) ∈ R3 és:
f (u) = f (x, y, z) = (x + 2y, y − z) ∈ R2
i la imatge per g és:

g(u) = g(x, y, z) = (1, x2 + y + z) ∈ R2
Busquem les imatges d’alguns vectors:

f (0, 0, 0) = (0, 0)
f (0, −1, 0) = (0 + 2 · (−1), −1 − 2) = (−2, −3)
f (1, 1, 0) = (1 + 2 · 1, 1 − 0) = (3, 1)
f (1, 0, 2) = (1 + 2 · 0, 0 − 2) = (1, −2)
Observem que:
f (0 − 1, 2) + f (1, 1, 0) = (−2, −3) + (3, 1) = (1, −2) = f (1, 0, 2)
Busquem
f (1, 1, 1) = (1 + 2, 1 − 1) = (3, 0)
f (3, 3, 3) = (3 + 6, 3 − 3) = (9, 0) = 3f (1, 1, 1)
Busquem ara les imatges per g:

g(0, 0, 0) = (1, 02 + 0 + 0) = (1, 0) 6= (0, 0)
g(0, −1, 2) = (1, 02 − 1 + 2) = (1, 1)
g(1, 1, 0) = (1, 12 + 1 + 0) = (1, 2)
g(1, 0, 2) = (1, 12 + 0 + 2) = (1, 3)
i observem que:
g(0, −1, 2) + g(1, 1, 0) = (1, 1) + (1, 2) = (2, 3) 6= g(1, 0, 2)
i que:
g(1, 1, 1) = (1, 3)
g(3, 3, 3) = (1, 15) 6= 3(1, 3) = 3g(1, 1, 1)
4.1. DEFINICIÓ I CARACTERITZACIÓ 49
Per tant, g no compleix el mateix que f .
L’aplicació f és lineal, compleix el que hem dit, només fem productes per escalars i sumes de
les variables, és a dir, combinacions lineals de les coordenades del vector u.
L’aplicació g no és lineal, hi tenim termes independents i monomis de grau 2 que són els que
fan que no es compleixi la definició.
Exemple: Quines de les següents transformacions són lineals?:
a) f : R3 −→ R2 on f (x, y, z) = (4x2 + y, y − z)
Tenim x2 i per tant l’aplicació no és lineal.
b) g : R2 −→ R3 on g(x, y) = (y + 1, 2x − y, x)
En y + 1 tenim un terme independent, de grau 0, i per tant tampoc és lineal.
c) h : R3 −→ R3 on h(x, y, z) = (2z + x, 0, −x + 3y)
L’aplicació h és sumes de monomis de grau 1 sense terme independent, per tan, és lineal.
Propietats que són conseqüència directa de la definició. Sigui f : Rn −→ Rm una aplicació

lineal. Llavors;
a) f (0) = 0
b) f (α1 u1 + · · · + αr ur ) = α1 f (u1 ) + · · · αr f (ur ) per a qualssevol vectors u1 , · · · , ur de Rn .
A l’exemple d’aplicació lineal podem veure la diferència. Hem calculat:

f (0, 0, 0, 0) = (0, 0, 0) i g(0, 0, 0, 0) = (1, 0, 0) 6= (0, 0, 0)
f (1, 0, 0, −1) + f (1, −1, 0, 1) = (−4, −3, 1) + (4, 2, −2) = (0, −1, −1) = f (2, −1, 0, 0)
g(1, 0, 0, −1) + g(1, −1, 0, 1) = (1, 1, 1) + (1, 0, 1) = (2, 1, 2) 6= (1, −1, 0) = g(2, −1, 0, 0)
D’aquesta segona propietat, aplicada als vectors d’una base, obtenim:
Si considerem la base de Rn , {e1 , . . . , en }, i en coneixem les seves imatges per f , aleshores

un vector u de Rn , u = α1 e1 + · · · + αn en , tindrà imatge f (u) = f (α1 e1 + · · · + αn en ) =
α1 f (e1 ) + · · · αn f (en )
Tota aplicació lineal f : Rn −→ Rm queda determinada per les imatges dels vectors d’una base
de Rn .
Exemple : Imatge d’un vector a partir d’una base

Sigui f (x, y, z, t) = (x + 2y + 5t, y − z + 3t, −x − y − z − 2t), busquem les imatges de la base
natural:
f (1, 0, 0, 0) = (1, 0, −1)
f (0, 1, 0, 0) = (2, 1, −1)
f (0, 0, 1, 0) = (0, 1, −1)
f (0, 0, 0, 1) = (5, 3, −2)
ara escrivim el vector u = (1, −2, 0, −1) com a combinació lineal dels vectors de la base canònica
(1, −2, 0, −1) = 1 (1, 0, 0, 0)+ (-2) (0, 1, 0, 0)+ 0 (0, 0, 1, 0)+ (-1) (0, 0, 0, 1)
i utilitzant això busquem
f (1, −2, 0, −1) = 1 f (1, 0, 0, 0)+ (-2) f (0, 1, 0, 0)+ 0 f (0, 0, 1, 0)+ (-1) f (0, 0, 0, 1) = 1(1, 0, −1)+
(−2)(2, 1, −1)+0(0, 1, −1)+(−1)(5, 3, −2) = (1−4+0−5, 0−2+0−3, −1+2+0+2) = (−8, −5, 3)
En el següent apartat veurem una altra forma d’escriure les transformacions lineals.
4.2 Matriu d’una aplicació lineal
Exemple: la transformació:
f (u) = f (x, y, z) = (x + 2y, y − z) ∈ R2
Observem que:
 
µ ¶ x µ ¶
1 2 0  y = x + 2y
f (x, y, z) =
0 1 −1 y−z
z
La matriu és:
µ ¶
1 2 0
0 1 −1
Sigui f : Rn −→ Rm una aplicació lineal. Es defineix
rg f = rg {f (e1 ), . . . , f (en )}. f (1, 0, 0) = (1, 0)

f (0, 1, 0) = (2, 1)
f (0, 0, 1) = (0, −1)
Veurem ara que tota aplicació lineal f : Rn −→ Rm , fixades bases de Rn i Rm , ve donada per
una matriu, i que tota matriu representa una aplicació lineal.
4.2. MATRIU D’UNA APLICACIÓ LINEAL 51
Sigui f : Rn −→ Rm una aplicació lineal, fixades bases de Rn , e1 , . . . , en , i de Rm , e′1 , . . . , e′m , si
f (e1 ) = a11 e′1 + · · · + am1 em

′
..
.
f (en ) = a1n e′1 + · · · + amn e′m
anomenarem matriu de f en les bases {e1 , . . . , en } i {e′1 , . . . , e′m } a la matriu que té per
columnes les coordenades dels vectors f (e1 ), . . . , f (en ) en la base {e′1 , . . . , e′m }.
És a dir:  
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A= ..
 

 . 
am1 am2 . . . amn
Les imatges d’una base determinen una aplicació lineal.
Siguin {e1 , . . . , en }, {e′1 , . . . , e′m } i {e′′1 , . . . , e′′p } bases de Rn , Rm i Rp respectivament. I siguin

f : Rn −→ Rm , g : Rn −→ Rm i h : Rm −→ Rp transformacions lineals que en aquestes bases
tenen matrius A, B i C respectivament. Llavors, en les bases corresponents, tenim:
a) f + g : Rn −→ Rm és una aplicació lineal que té matriu A + B.
b) λf : Rn −→ Rm és una aplicació lineal que té matriu λA.
c) h ◦ f : Rn −→ Rp és una aplicació lineal que té matriu CA.
d) rg f = rg A
4.3 Exercicis
1. Demostreu que l’aplicació f : R2 −→ R2 , definida per f (x, y) = (0, x − y), és un endo-
morfisme de l’espai vectorial R2 i trobeu Nuc f .
2. Esbrineu si l’aplicació f : R2 −→ R2 definida per f (x, y) = (x + 1, y + 1) és aplicació

lineal o no ho és.
3. Digueu quines de les transformacions següents són lineals:
a) f : R3 −→ R3 f (x, y, z) = (x + y + z, 2x + y, x).
b) g : R3 −→ R3 g(x, y, z) = (x2 − y 2 , z, 0).
c) h : R −→ R3 h(t) = (t, 2t, −t).
d) j : R3 −→ R4 j(x, y, z) = (x + 2y, 0, x − y − z, y).
4. Donada l’aplicació f : R2 −→ R3 definida per
f (x, y) = (2x, x + y, x − y)
(a) Demostreu que és una aplicació lineal i trobeu les imatges dels vectors (1, −1), (2, 3),
i (4, 1); a més a més, esbrineu si aquestes imatges són o no són vectors linealment
independents.
(b) Trobeu el rang de l’aplicació i la matriu que hi té associada.
(c) Obteniu els que tenen imatge nul-la.
5. Donades les transformacions lineals de R3 a R3 :
f definida per f (x, y, z) = (x + y, x + z, y + z) i

g definida per g(x, y, z) = (2x + y + z, 2x − y − 2z, x + y + 4z) i;
escriviu les matrius de f , g, f ◦ g i g ◦ f .
6. Donada l’aplicació f : R3 −→ R3 definida per f (x, y, z) = (0, x − y, −y + z), es demana

que:
a) Demostreu que és una aplicació lineal.

b) Trobeu la seva matriu associada i el rang de l’aplicació.
7. Una aplicació lineal f : R4 −→ R3 té associada la matriu

 
1 2 −1 3
f = 0 2 1 1 
3 1 4 −1
donada en les respectives bases usuals.
a) Expresseu la imatge per f de qualsevol vector de R4 .

b) Trobeu una base dels vectors de la imatge d’f .
4.3. EXERCICIS 53
c) Doneu les equacions de Nuc f i trobeu-ne una base.

d) Calculeu l’antiimatge del vector v = (5, 3, 0).
8. Trobeu les matrius, en la base canònica, de les següents transformacions lineals:
a) Projecció en R2 sobre l’eix y.

b) Projecció en R2 sobre la bisectriu del primer quadrant.
c) Simetria en R2 respecte la bisectriu del primer quadrant.
d) Gir en R2 d’angle π/3.
e) Projecció en R3 sobre el pla z = 0.
9. Escriviu a la base {u, v, w} de R3 la matriu de la projecció sobre < u, v > paral.lelament

a < w >.
4.4 Sistemes d’Equacions lineals
El problema invers al de trobar la imatge d’un vector per una aplicació lineal és trobar la
antiimatge d’un vector per una aplicació lineal, és a dir, si f : Rn −→ Rm és una aplicació
lineal i b ∈ Rm , el problema és ara trobar f −1 (b), els vectors de Rn que tenen per imatge b.
Si x = (x1 , . . . , xn ) ∈ Rn , b = (b1 , b2 , . . . , bm ) ∈ Rm i A = (aij ) és la matriu de f , els vectors x

amb imatge b satisfaran:
    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n  x2   b2 
 .. .. .. .. .. = ..
    
 
 . . . .  .   . 
am1 am2 . . . amn xn bm
i multiplicant les matrius:



 a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2


 ...
am1 x1 + am2 x2 + . . . + amn xn = bm

que és la forma clàssica de plantejar un sistema d’equacions lineals.
4.4.1 Definició de sistemes d’equacions lineals
Un sistema d’equacions lineals està format per equacions de primer grau en cada una de les
incògnites, i totes les igualtats s’han de satisfer alhora.
Un sistema m × n està format per m equacions lineals amb n incògnites i, després d’efectuar
les operacions que calgui, es pot expressar:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
...
am1 x1 + am1 x2 + ... + amn xn = bm
On aij representen els coeficients de les incògnites xj , i bj els termes independents.
Resoldre un sistema d’equacions és trobar, si existeixen, els valors de les incògnites que veri-
fiquen simultàniament totes les equacions.
En l’estudi dels sistemes d’equacions s’utilitza, com instrument, el càlcul matricial, on interve-
4.4. SISTEMES D’EQUACIONS LINEALS 55
nen les matrius següents:

     
a11 a12 ... a1n x1 b1
 a21 a22 ... a2n   x2   b2 
A=
 ...
 x=  b= 
... ... ...   ...   ... 
am1 am2 ... amn xn bm
on:
A és la matriu formada pels coeficients de les incògnites
X és la matriu de les incògnites
B és la matriu dels termes independents
El sistema d’equacions es pot escriure com:
A·x=b
     
a11 a12 ... a1n x1 b1
 a21 a22 ... a2n   x2   b2 
 · = 
 ... ... ... ...   ...   ... 
am1 am2 ... amn xn bm
4.4.2 Classificació dels sistemes d’equacions lineals
Sistema Compatible si el sistema té solució:
a) Sistema Compatible Determinat si té solució única
b) Sistema Compatible Indeterminat si té infinites solucions
Sistema Incompatible si el sistema no té solució
Teorema de Rouché-Frobenius:
   
a11 a12 ... a1n a11 a12 ... a1n b1
 a21 a22 ... a2n  a21 a22 ... a2n b2 
A′ = 

A=  ...
 
... ... ...   ... ... ... ... ... 
am1 am2 ... amn am1 am2 ... amn bm
a) Sistema Compatible si el rang A =rang A′
1.- Sistema Compatible Determinat si el rangA = ranA′ = n (nombre d’incògnites)

2.- Sistema Compatible Indeterminat si el rangA = rangA′ < n (nombre d’incògnites).

Si r = rang A i n el nombre d’incògnites, les solucions depenen de n − r paràmetres
b) Sistema Incompatible si el rangA < rangA′
Direm que un sistema és homogeni si és del tipus Ax = 0. Tots els sistemes homogenis
són compatibles ja que zero n’és una solució trivial: A · 0 = 0. Per tenir una solució no trivial,
diferent de zero, han de ser indeterminats, és a dir, el rang A < n on n és membre d’incògnites.
També hi ha una altra manera d’entendre els sistemes lineals:
a) Per tal que el sistema sigui compatible determinat (una solució), la matriu ha de tenir
inversa i, per això ha de tenir igual nombre de files que de columnes, és a dir que sigui
quadrada i, el determinant ha de ser diferent de 0 aleshores,
1
A−1 = · adjAt
detA
A·X =b
(A−1 · A) · X = A−1 · b ⇒ X = A−1 · b
b) Per tal que el sistema sigui indeterminat la matriu A estarà formada per m files i n
columnes n > m, i suposem que B és una submatriu quadrada d’ordre m, amb detB 6= 0.
A·X =b
Aleshores tenim
rangA = m = rangB
i el sistema el podem escriure
B · XB + N · Xn = b
on Xn−m són les variables lliures de (n − m) graus de llibertat.
B −1 · [B · XB + N · Xn−m = b]
XB + B −1 · N Xn−m = B −1 · b
XB = B −1 · b − B −1 · N · Xn−m
Hi ha tantes solucions com valors es doni a la Xn−m
c) Pel cas sobredeterminat A és m × n amb m > n i rangA = n.
A · X=b
(At · A) · X = At · B
4.4. SISTEMES D’EQUACIONS LINEALS 57
i aixı́ obtenim un sistema de n equacions amb n incògnites.

Exemple: Discutiu i resoleu el sistema:

 3x − y + 2z = −6
−5x + 4y + z = 21
x + y − 6z = −14

Per discutir un sistema d’equacions lineals, determinem els rangs de la matriu de coefi-
cients i de l’amplada i apliquem el teorema de Rouché.
Ja que det A = −64, podem afirmar que el rang de A és 3 i la matriu ampliada, al no
poder superar aquest rang, també resulta de rang 3. Com que coincideix amb el nombre
d’incògnites, el sistema és compatible determinat.
Per a resoldre’l, podem aplicar:
Si calculem la inversa de A, obtenim:
25 1 9
       
x 64 16 64
−6 −3
 y  =  29 5 13  ·  21  =  1 
64 16 64
9 1 −7
z 64 16 64
−14 2
La solució del sistema és:    
x −3
 y  =  1 
z 2
És a dir, x = −3, y = 1, z = 2

Si apliquem la regla de Cramer, cada incògnita s’obté com el quocient de dos determinants:
en el denominador el determinant de A i en el numerador el mateix determinant on hem
substituı̈t la columna de la incògnita corresponent per la columna del terme independent.
Obtenim:
¯ ¯ ¯ ¯ ¯ ¯
¯ −6 −1 2 ¯ ¯ 3 −6 2 ¯ ¯ 3 −1 −6 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 21 4 1 ¯ ¯ −5 21 1 ¯ ¯ −5 4 21 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ −14 1 −6 ¯ ¯ 1 −14 −6 ¯ ¯ 1 1 −14 ¯
x= ¯ ¯ = −3, y = ¯ ¯ = 1, x = ¯ ¯ = 2
¯ 3 −1 2 ¯ ¯ 3 −1 2 ¯ ¯ 3 −1 2 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ −5 4 1 ¯ ¯ −5 4 1 ¯ ¯ −5 4 1 ¯
¯ ¯ ¯ ¯ ¯ ¯
¯ 1 1 −6 ¯ ¯ 1 1 −6 ¯ ¯ 1 1 −6 ¯
que coincideix amb el resultat obtingut amb l’altre mètode.
4.4.3 Exercicis
Discutiu i resoleu els sistemes següents:

 
 x +y −z = 3  x +y +2z = 4
a) 2x +y +z = 3 b) x −y +3z = 3 .
x −2y +z = 0 8x +y +7z = 11
 
 
 x +y =0  x +y +z = 3
c) x +z = 0 d) x −y +z = 2 .
x +2y +3z = 0 2x +4y +2z = 5
 

 x +z = 0
e) y +z = 0
x +2y +3z = 0

4.5 Mètodes numèrics de resolució de sistemes lineals

determinats
4.5.1 Mètode de Gauss
Consisteix en transformar la matriu de coeficients del sistema lineal en una matriu triangular
superior realitzant combinacions lineals adequades de les equacions del sistema. Donat el
sistema lineal A · X = b, escrit de la forma següent:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
a31 x1 + a32 x2 + ... + a3n xn = b3
Hi podem associar dues matrius:
a) La matriu A formada pels coeficients de les incògnites:

 
a11 a12 a13
A =  a21 a22 a23 
a31 a32 a33
b) La matriu ampliada A′ , formada per la matriu A més la columna dels termes independents:
 
a11 a12 a13 b1
A′ =  a21 a22 a23 b2 
a31 a32 a33 b3
El mètode de Gauss treballa només amb els coeficients i els termes independents, és a dir,
treballa només amb la matriu ampliada A′ Cada fila d’aquesta matriu correspon a una equació
4.5. MÈTODES NUMÈRICS DE RESOLUCIÓ DE SISTEMES LINEALS DETERMINATS59
del sistema. S’han de realitzar un seguit d’operacions per obtenir una matriu esglaonada que
ens permeti resoldre el sistema proposat. Exemple:
  ¯ 
 x + 2y − z = 1 1 2 −1 ¯¯ 1
3x − 2y − z = 5 ⇒  3 −2 −1 ¯¯ 5 
−4x + 2y + 6z = −11 −4 2 6 ¯ −11

a) Operem amb les files de la matriu. La primera fila es manté fixa, multipliquem la primera
fila per 3 i la restem amb la segona fila. Seguidament multipliquem la primera fila per 4
i la sumem amb la tercera, quedant:
 ¯ 
1 2 −1 ¯¯ 1
 0 −8 2 ¯ 2 
¯
0 10 2 ¯ −7
b) Per aconseguir que la triangular menor sigui 0 operem amb la segona i la tercera fila,
multipliquem la segona fila per 5/4 i la sumem a la tercera, quedant:
 ¯ 
1 2 −1 ¯¯ 1
 0 −8 2 ¯ 2 
9
¯ 9
0 0 2
¯ −
2
c) Tornant la forma matricial a format de sistema d’equacions obtindrem el valor de les

incògnites:
x + 2y − z = 1 → x = 1
− 8y + 2z = 2 → y = − 12
9
2
z = − 92 → z = −1
4.5.2 Descomposició LU. Mètode de Crout i Dolittle
L’objectiu és descompondre la matriu A en el producte de dues matrius triangulars L i U ,

que posteriorment facilitin la resolució. Una matriu quadrada P és una permutació si en cada
fila i/o columna només existeix un 1, sent els restants components 0. S’anomena aixı́ perquè
al realitzar una multiplicació d’una matriu A per ella es produeix una permutació de files o
columnes de A. Propietats:
i) Donada la matriu quadrada A, sempre existeix una matriu de permutació P tal que
P A = LU , on L és triangular inferior i U triangular superior.
ii) Si A és no singular → L i U són singulars.
iii) Si A és no singular, P és la identitat si i només si els successius menors principals de A
són diferents a 0.
iv) La descomposició de P A en LU no és única, si fem la diagonal de U que siguin uns

(ui,i = 1) s’anomenarà Mètode de Dolittle. Ambdós tenen eficiència similar.
a) Descomposició pel Mètode de Crout

El mètode LU consisteix a resoldre el sistema utilitzant les matrius L i U en comptes de
A
1.- A = L · U
     
a11 a12 ... a1n l11 0 0 ... 0 1 u12 u13 ... u1n
 a21 a22 ... a2n   l21 l22 0 ... 0   0 1 u23 ... u2n 
     
 a31 a32 ... a3n  =  l31 l32 l33 ... 0 · 0 0 1 ... u3n  =
     
 ... ... ... ...   ... ... ... ... 0   ... ... ... ... ... 
an1 an2 ... ann ln1 ln2 ln3 ... lnn 0 0 0 ... 1
 
l11 l11 u12 l11 u13 ... l11 uun

 l21 l21 u12 + l22 l21 u13 + l22 u23 ... l21 u1n + l22 u2n 


 l31 l31 u12 + l32 l31 u13 + l32 u23 + l33 ... l31 u1n + l32 u2n + l33 u3 n 

 ... ... ... ... ... 
ln1 ln1 u12 + ln2 ln1 u13 + ln2 u23 + l33 ... ln1 un1 + ln2 un2 + ln3 un3 + ... + lnn unn
Identificant coeficients:
li,1 = ai,1 (i = 1 fins n)
a
ui,j = l11ij (j = 2 fins n)
2.- (L · U ) · x = b
       
l11 0 0 ... 0 1 u12 u13 ... u1n x1 b1
 l21 l22 0 ... 0   0 1 u23 ... u2n   x2   b2 
       
 l31 l32 l33 ... 0  ·  0 0 1 ... u3n  ·  x3  =  b3 
       
 ... ... ... ... 0   ... ... ... ... ...   ...   ... 
ln1 ln2 ln3 ... lnn 0 0 0 ... 1 xn bn
on U · x = h i L · h = b
3.- Resolució del sistema:
El sistema serà de Crout si la diagonal de la matriu U està formada per uns.
A = L · U on la diagonal U = (1, 1, ..., 1)
D = diag(U ) = diag(u11 , u22 , ..., unn )
D−1 = diag(1/u11 , 1/u22 , ..., 1/unn )
A = L · D · D−1 · U on L · D = L i D−1 · U = U → A = L · U
b) Descomposició pel Mètode de Dolittle

La diferència amb el mètode de Crout resideix en què la diagonal de la matriu U en
Dolittle no seran uns. Tornem a fer l’exemple de la subsecció anterior:
Exemple:
A partir de la matriu principal:
A = L · U
4.5. MÈTODES NUMÈRICS DE RESOLUCIÓ DE SISTEMES LINEALS DETERMINATS61
 
1 2 −1
A =  3 −2 −1 
−4 2 6
Obtenim dues matrius:
a) Matriu L, està formada per la matriu identitat, i en la triangular menor els valors en
els quals, operant en el sistema d’equacions inicials, obtindrı́em zeros en les posicions
que ocupen aquests valors en la matriu:
 
1 0 0
L= 3 1 0 
−4 − 54 1
b) Matriu U , és la matriu resultant de fer la triangular menor zero:
 
1 2 −1
U =  0 −8 2 
9
0 0 2
c) Matriu D, D = diag(U ) = diag(u11 , u22 , ..., unn )

 
1 0 0
D =  0 −8 0 
0 0 92
d) Matriu D−1 = D−1 = diag(1/u11 , 1/u22 , ..., 1/unn )
1 0 0
 
1
D−1 =  0 −8 0 
0 0 19
2
e) L · D = L
f) D−1 · U = U
     
1 0 0 1 2 −1 1 2 −1
 0 −8 0  ·  0 −8 2  =  0 1 − 1 
4
0 0 92 0 0 9
2
0 0 1
A=L·U
Per tant,
A=L·U
Deduı̈m a partir de l’anterior:
→ U ·x = h
A·x =b → L·U ·x =b Primer obtenim els valors de la matriu
ց L·h = b
h, que són els termes independents de la matriu u, i els substituı̈m a l’equació de
U · x = h, on obtenim les incògnites.
         
1 0 0 h1 1 h1 1
 3 1 0  ·  h2  =  5  →  h2  =  2 
−4 54 1 h3 −11 h3 − 92
         
1 2 −1 x 1 x 1
 0 −8 2  ·  y  =  2  →  y  =  − 1 
2
9
0 0 2
z − 92 z −1
4.5.3 Descomposició pel Mètode de Txoleski
És un cas particular de la descomposició pel mètode LU . La matriu A ha de ser:
1.- No singular (det A 6= 0)

2.- Simètrica (A = At )
3.- Definida positiva (els valors propis han de ser positius tots)
A = L · U , D = diag(u11 , u22 , ..., unm ) on la diagonal és 6= 0
A = (L · D) · (D−1 · U ) = A = L · D−1 · U
At = (U t · D−1 ) · (D · Lt ) = U t · D−1 · L
At = (D−1 · U t ) · (Lt · D)
D’aquestes equacions s’extreu:
L · D−1 · U = U t · D−1 · L
L = Ut
u = Lt A = L · U = L · Lt = L · D · Lt si a més a més la matriu és definida positiva podem
1 1 1 1
M = L · D 2 , M t = D 2 · Lt on D = D 2 · D 2
Si tots els elements de la diagonal són positius (definida positiva)→ A = M · M t
4.6 Canvi de base per a un endomorfisme
Considerem un endomorfisme, f , de Rn . Siguin {e1 , . . . , en }, {u1 , . . . , un } dues bases de Rn .
Si  
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A= ..
 

 . 
an1 an2 . . . ann
és la matriu de f en la base {e1 , . . . , en }, vol dir que
f (ei ) = a1i e1 + · · · + ani en .
Si  
b11 b12 . . . b1n
 b21 b22 . . . b2n 
B= ..
 

 . 
bn1 bn2 . . . bnn
4.6. CANVI DE BASE PER A UN ENDOMORFISME 63
és la matriu de f en la base {u1 , . . . , un }, vol dir que
f (ui ) = b1i u1 + · · · + bni un .
Com podem relacionar les dues matrius?
Sigui C la matriu de canvi de base de {u1 , . . . , un } a {e1 , . . . , en }. La utilitzarem per fer dos
canvis de coordenades. Ho podem representar en el següent diagrama:
A
Rn −→ Rn
{e1 ,...,en } {e1 ,...,en }
C ↑ ↓ C −1
B
Rn −→ Rn
{u1 ,...,un } {u1 ,...,un }
Si tenim les coordenades d’un vector en la base {u1 , . . . , un }, la matriu C ens permet trobar les
coordenades del mateix vector en la base {e1 , . . . , en }.
Rn v = x1 e1 + . . . + xn en
C ↑ ↑
R n v = y 1 u1 + . . . + y n un
   
y1 x1
C ·  ...  =  .. 
  
. 
yn xn
L’aplicació inversa ens dóna el canvi de base de {e1 , . . . , en } a {u1 , . . . , un }.
Rn w = x′1 e1 + . . . + x′n en
C −1 ↓ ↓
Rn w = y1′ u1 + . . . + yn′ un
   
x′1 y1′
C −1 ·  ...  =  .. 
  
. 
x′n yn′
Les matrius A i B són les matrius de l’aplicació lineal f en les bases {e1 , . . . , en } i {u1 , . . . , un }
respectivament.
Amb la matriu A trobem les imatges dels vectors en la base {e1 , . . . , en }:

   
x1 x′1
 ..   ..  ′ ′
f (v) = f (x1 e1 + . . . + xn en ) = A ·  .  =  .  = x1 e1 + . . . + xn en
xn x′n
I amb la matriu B tenim el mateix en la base {u1 , . . . , un }:

   
y1 y1′
f (v) = f (y1 u1 + . . . + yn un ) = B ·  ...  =  ...  = y1′ u1 + . . . + yn′ un
   
yn yn′
Aixı́ doncs, al composar el que fem és el següent:

donat un vector v, si tenim les coordenades en la base {u1 , . . . , un }, utilitzem C per trobar les
coordenades en la base {e1 , . . . , en }; llavors, amb la matriu A, obtenim la imatge f (v) en la base
{e1 , . . . , en } i tornant a fer canvi de coordenades, amb la matriu C −1 , tenim f (v) = C −1 ACv
en la base {u1 , . . . , un }. Aquest procés és equivalent a trobar directament la imatge del vector
v en la base {u1 , . . . , un } utilitzant la matriu B, f (v) = Bv, i per tant,
B = C −1 AC.
Exemple: Canvi de base

Volem calcular la matriu, en la base natural de R3 , de l’aplicació lineal que fa correspondre a
cada vector de R3 la seva projecció ortogonal sobre el pla x + y + z = 0.
Sabem que, per calcular la matriu d’una aplicació lineal P , s’ha de calcular les imatges per P
dels vectors d’una base del espai vectorial. En aquest cas les imatges per P dels vectors de
la base natural de R3 , es un problema geomètric complicat. El mètode que utilitzarem, serà
buscar una base en la que calcular les seves imatges per P , sigui molt fàcil, i després utilitzar
els resultats del apartat anterior per passar la matriu obtinguda a la base natural de R3 .
La base de R3 que escollirem estarà formada per els vectors v1 , perpendicular al pla x+y+z = 0,
el vector v2 que pertany al pla x + y + z = 0, i per tant és perpendicular a v1 , i el vector v3 ,
perpendicular a v1 i a v2 i per tant pertany al pla x + y + z = 0. Aquest tres vectors compleixen
que P (v1 ) = 0, ja que per ser perpendicular la seva projecció és 0, P (v2 ) = v2 = 0·v1 +1·v2 +0·v3 ,
P (v3 ) = v3 = 0 · v1 + 0 · v2 + 1 · v3 , ja que al ser els vectors v2 i v3 , del pla la seva projecció sobre
el pla són ells mateixos, per tant la matriu de P en aquesta base serà:
> P(v1):=<0, 0, 0>;P(v2):=<0, 1, 0>;P(v3):=<0, 0, 1>;
 
0
 
P (v1 ) :=  0 
 
 
0
4.6. CANVI DE BASE PER A UN ENDOMORFISME 65
 
0
 
P (v2) :=  1 
 
 
0
 
0
 
P (v3) :=  0 
 
 
1
> B:=Matrix([P(v1),P(v2),P(v3)]);
 
0 0 0
 
B :=  0 1 0 
 
 
0 0 1
Sabem que el vector v1 , perpendicular al pla x + y + z = 0, és el vector que té per components
els coeficients de l’equació del pla, per tant
> v1:=<1, 1, 1>;
 
1
 
v1 :=  1 
 
 
1
v2 és un vector que compleix l’equació del pla, per tant és:
> v2:=<1,-1, 0>;
 
1
 
v2 :=  −1 
 
 
0
v3 per ser perpendicular a v1 i a v2 el podem calcular fent el producte vectorial de v1 i v2 , és a

dir:
> v3:=CrossProduct(v1,v2);
 
1
 
v3 :=  1 
 
 
−2
La matriu C de canvi de base que ens passa de la base formada pels vectors v1 , v2 , v3 a la base
natural de R3 , és la matriu que té per columnes les components dels vectors v1 , v2 , v3 escrites
a la base natural de R3 , és a dir:
> C:=Matrix([v1,v2,v3]);
 
1 1 1
 
C :=  1 −1 1
 

 
1 0 −2
Per tant la matriu A de l’aplicació lineal P , escrita en la base natural de R3 , serà:

> A:=C.B.C^(-1);
 
2
3
− 13 − 13
 
A :=  − 13 32 − 13 
 
 
1 1 2
−3 −3 3
Com a comprobació a posteriori podem calcular:

> A.v1;A.v2;A.v3;
 
0
 
 0 
 
 
0
 
1
 
 −1 
 
 
0
 
1
 
 1 
 
 
−2
4.7. DETERMINANT D’UN ENDOMORFISME 67
Ens dóna, com era d’esperar, que A · v1 = P (v1 ) = 0, A · v2 = P (v2 ) = v2 , A · v3 = P (v3 ) = v3 .

Més endavant podrem dir que v1 , v2 i v3 , són vectors propis de l’aplicació lineal P , de valors
propis 1 i 0 respectivament. Ara estem en condicions de calcular la projecció ortogonal de
qualsevol vector sobre el pla donat. Per exemple, si volem calcular la projecció ortogonal sobre
aquest pla del vector v = (3, 5, 7) hem d’aplicar la matriu A al vector v, és a dir:
> v:=<3, 5, 7>;
 
3
 
v :=  5 
 
 
7
> Projecv:=A.v;
 
−2
 
P rojecv :=  0 
 
 
2
4.7 Determinant d’un endomorfisme
El determinant de la matriu d’un endomorfisme és independent de la base escollida.

Sigui A la matriu associada a f en la base {e1 , . . . , en }, sigui B la matriu associada a f en una
altra base qualsevol {u1 , . . . , un } i sigui C la matriu del canvi de base; atès que B = C −1 AC,
aleshores es té det B = det C −1 det A det C = (1/ det C) det A det C = det A.
El determinant d’un endomorfisme f és un endomorfisme d’un espai vectorial E de dimen-

sió finita.
Es defineix com a determinant d’aquest endomorfisme el determinant de la matriu asso-

ciada, en una base qualsevol.
Si f és una aplicació lineal entre espais de dimensió n, f és isomorfisme si, i només si, det f 6= 0,
ja que f isomorfisme ⇐⇒ rg f = n ⇐⇒ la matriu A de f té rang n ⇐⇒ A és regular
⇐⇒ det A 6= 0.
4.8 Exemples d’aplicacions lineals

• Homotècia de raó λ és l’aplicació definida per f (~v ) = λ~v , ∀~v ∈ Rn .
És a dir, la imatge de tot vector és λ cops ell mateix. Per tant, a qualsevol base d’Rn , la
matriu de l’endomorfisme és sempre:
 
λ 0 ... 0
 0 λ ... 0 
..
 
 
 . 
0 0 ... λ
Les homotècies conserven angles però no distàncies, les distàncies es multipliquen per la
raó d’homotècia, λ.
Si apliquem una homotècia de raó λ = 0.5 als punts A(2, 2), B(3, 1), C(5, 2) i D(4, 3)
obtenim:
µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
0.5 0 2 1 0.5 0 3 1.5
= ; = ;
0 0.5 2 1 0 0.5 1 0.5
µ ¶µ ¶ µ ¶ µ ¶µ ¶ µ ¶
0.5 0 5 2.5 0.5 0 4 2
= ; = ;
0 0.5 2 1 0 0.5 3 1.5
2.5
1.5
0.5
0 1 2 3 4 5
4.8. EXEMPLES D’APLICACIONS LINEALS 69
• Girs
Els girs són aplicacions lineals que conserven angles i distàncies.
1. Gir d’angle α a R2
A R2 tenim els girs respecte l’origen de coordenades.
En la base canònica, un gir d’angle α té matriu
µ ¶
cos α − sin α
sin α cos α
ja que
6e~2
M
f (e~2 ) α
f (1, 0) = (cos α, sin α)
1 f (e~1 ) f (0, 1) = (− sin α, cos α).
α-
e~1 x
La composició d’aplicacions correspon al producte de matrius, si fem un gir seguit

d’homotécia, la matriu d’aquesta aplicació es:
µ ¶µ ¶ µ ¶
λ 0 cos α − sin α λ cos α −λ sin α
=
0 λ sin α cos α λ sin α λ cos α
observem que en aquest cas és el mateix que fer l’homotècia seguida del gir
µ ¶µ ¶ µ ¶
cos α − sin α λ 0 λ cos α −λ sin α
=
sin α cos α 0 λ λ sin α λ cos α
2. Girs a R3
A R3 tenim els girs respecte a una recta.
Considerem girs respecte als eixos de coordenades.
Prenent la base canònica obtenim:
(a) respecte l’eix x
f (e~3 ) .......
... 6 f (~e1 ) = ~e1 , és un vector fix.
...M ω e~3
... f (~e2 ) = (0, cos ω, sin ω)
... f (e~3 ) = (0, − sin ω, cos ω)
... ................1
..... f (e~2 )
... ω- ...
............. . .
e~2 y
ª e~1 = f (e~1 )
x
Per tant la matriu és:
 
1 0 0
 0 cos ω − sin ω 
0 sin ω cos ω
(b) respecte l’eix y
z
6
.. .....
f (e~3 ) ...
... e~3
...M ϕ f (~e1 ) = (cos ϕ, 0, − sin ϕ)
... f (~e2 ) = ~e2 , és un vector fix.
...
... f (e~3 ) = (sin ϕ, 0, cos ϕ)
... . -
... ...
... ... e~2 = f (e~2 ) y
...
e~1.. .
...
.
. ϕ ..... ...
ª.. ...
x ... ...
.......
.®.
f (e~1 )
4.9. EXERCICIS 71
Per tant la matriu és:  

cos α 0 sin α
 0 1 0 
− sin α 0 cos α
(c) respecte l’eix z
z
6
~e3 = f (~e3 )
..
.................................f...(~
.1
e)
.....2
f (~e1 ) = (cos κ, sin κ, 0)
.. . f (~e2 ) = (− sin κ, cos κ, 0)
. ..
.. . .. . f (~e3 ) = ~e3 , és un vector fix
.. . κ .. - y
... ~e2
.
... .
κ ...
~e1
.®.................W..
x f (~e1 )
Per tant, la matriu és:  

cos κ − sin κ 0
 sin κ cos κ 0 
0 0 1
4.9 Exercicis
1. Es dóna la base {e1 , e2 } de l’espai vectorial R2 i es defineix l’aplicació lineal de R2 en ell
mateix mitjançant f (e1 ) = (1, 1), f (e2 ) = (2, 3).
Obteniu l’aplicació inversa i trobeu-ne la matriu associada.
2. es considera l’endomorfisme f : R3 −→ R3 donat per
f (x, y, z) = (x − y + z, x + y + 2z, 2x + y + 3z)
a) Escriviu la matriu de f a la base usual de R3 .
b) Proveu que els vectors v1 = (2, 1, −1), v2 = (1, 0, 1) i v3 = (0, 1, 1) formen una base
de R3 .
c) Escriviu la matriu del canvi de base a R3 i les coordenades del vector u = (3, 2, 1) a
la base {v1 , v2 , v3 }.
d) Escriviu la matriu de f a la base {v1 , v2 , v3 }.
3. Si a la base usual de R3 l’endomorfisme f té la matriu
 
1 0 0
 2 −1 0 
1 1 1
trobeu la matriu de f a la base {(1, 2, 0), (0, 1, −1), (0, 0, 1)}.
4. Sigui {u1 , u2 , u3 } una base de R3 tal que
f (u1 ) = u1 , f (u2 ) = −2u2 , f (u3 ) = −5u3 .
Sabent que u1 = (3, 4, 3), u2 = (2, 3, 1), u3 = (7, 9, 5), trobeu la matriu de f a la base
natural (=base usual) de R3 .
5. Es considera l’endomorfisme de R3 la matriu del qual a la base usual és

 
6 1 3
 1 2 2 
−5 −1 −2
i es consideren els vectors v1 = (−1, 0, 2), v2 = (0, 1, 0), v3 = (1, 0, −1).
a) Proveu que els vectors {v1 , v2 , v3 } formen una base de R3 .

b) Trobeu la matriu de l’endomorfisme en aquesta base.
6. Trobeu les matrius, en la base canònica, de les següents transformacions lineals:
a) Simetria en R2 respecte la recta y = 2x.

b) Projecció en R3 sobre el pla y = x.
c) Projecció en R3 sobre el pla x + y + z = 0.
d) Simetria en R3 respecte el pla y = x.
e) Simetria en R3 respecte el pla x + y + z = 0.
½
3 x=y
f) Simetria en R respecte a la recta (això és el mateix que un gir d’angle π).
z=0
Capı́tol 5
Diagonalització d’endomorfismes
73
74 CAPÍTOL 5. DIAGONALITZACIÓ D’ENDOMORFISMES
5.1. VECTORS PROPIS (VEPS) I VALORS PROPIS (VAPS) 75
Coneixements previs
Els conceptes que cal posseir per treballar correctament aquesta lliçó són: l’espai vectorial,
l’aplicació lineal i la geometria afı́ i euclidiana.
Introducció
Sigui E un espai vectorial sobre R de dimensió n i sigui f : E → E un endomorfisme de E.

Sabem que la matriu associada a f depèn de la base que considerem en E. En aquest capı́tol
tractarem de trobar les bases de E en les quals la matriu de l’endomorfisme f prengui la forma
més senzilla possible, que és la forma diagonal.
Suposem que tenim una base de E, {~v1 , ~v2 , . . . , ~vn }, sobre la qual l’endomorfisme f actua de la
manera següent:
f (~v1 ) = λ1~v1 , f (~v2 ) = λ2~v2 , . . . , f (~vn ) = λn~vn , λ1 , λ2 , . . . , λn ∈ R.
Les expressions coordenades dels vectors f (~v1 ), . . . , f (~vn ) a la base {~v1 , ~v2 , . . . , ~vn } són, respec-
tivament, (λ1 , 0, . . . , 0), (0, λ2 , 0, . . . , 0), . . . , (0, 0, . . . , λn ) i, per tant, la matriu associada a f en
aquesta base serà la matriu diagonal
 
λ1 0 . . . 0
 0 λ2 . . . 0 
 
. . .
 
 
0 0 . . . λn
Ens interessa esbrinar sota quines condicions podem trobar una base com aquesta.
5.1 Vectors propis (veps) i valors propis (vaps)
Els vectors que ens interessa trobar per saber si una matriu és diagonalitzable els anomenarem
vectors propis. Direm que un vector ~v ∈ E, ~v 6= ~0, és un vector propi (vep) o autovector
de l’endomorfisme f quan compleixi que f (~v ) = λ~v per a un cert λ ∈ R que s’anomena valor
propi (vap) o autovalor de l’endomorfisme f corresponent al vector propi ~v .
Donat un vector propi ~v de f , existeix un únic valor propi associat, és a dir, existeix un únic
λ ∈ R tal que f (~v ) = λ~v . És condició necessària i suficient perquè λ ∈ R sigui un valor propi
de f que el determinant |f − λI| = 0:
λ és un valor propi de f si existeix un vector ~v 6= ~0 tal que f (~v ) = λ~v ; és a dir, f (~v ) − λ(~v ) =
(f − λI)(~v ) = ~0 és un sistema d’equacions lineals homogeni, que té una solució òbvia ~v = ~0. Si
ha de tenir una solució ~v 6= ~0, ha de ser un sistema compatible (sempre ho és) i indeterminat.
Per tant, una o més equacions han de ser combinació lineal de les altres, i el rang (A − λI)
ha de ser menor que el nombre d’incògnites i, com a conseqüència, det(A − λI) = 0. A partir
d’aquesta equació es podran trobar els valors propis λ.
Els valors propis de l’endomorfisme f són les arrels reals de l’equació |A − XI| = 0.
Si ~v1 i ~v2 són dos vectors propis corresponents al mateix valor propi λ, tota combinació lineal
w
~ = x1~v1 + x2~v2 de ~v1 i ~v2 és un vector propi de f de valor propi λ:
f (w)
~ = f (x1~v1 + x2~v2 ) = x1 f (~v1 ) + x2 f (~v2 ) = λx1~v1 + λx2~v2 = λ(x1~v1 + x2~v2 ) = λw
~
Observem que es dedueix que els vectors propis d’un mateix valor propi, λ, formen un subespai
vectorial
Eλ = {~v ∈ E | f (~v ) = λ~v }
que l’anomenarem subespai propi de λ.
Exemple: Homotècies
Veiem que si la matriu d’un endomorfisme de R3 , respecte a una base és diagonal, i amb els
tres valors de la diagonal iguals a λ, llavors la matriu de l’endomorfisme és diagonal respecte a
qualsevol base. En aquest cas, direm que és una matriu escalar λ.
λw
~ λ~v
± µ
w
~ ~v 1
± µ λ~u
1
~u
Figura 5.1: Homotècia de raó λ

 
λ 0 0
′
Siguin A i A =  0 λ 0  les matrius de l’endomorfisme en dues bases diferents, i C la
0 0 λ
matriu de canvi de base
     
λ 0 0 λ 0 0 λ 0 0
A′ = C −1  0 λ 0  C =  0 λ 0  C −1 · C =  0 λ 0  = A
0 0 λ 0 0 λ 0 0 λ
ja que el producte d’una matriu escalar per una altra matriu és commutatiu.
5.1. VECTORS PROPIS (VEPS) I VALORS PROPIS (VAPS) 77
El polinomi |A − XI| és independent de la base escollida:
Si B és la matriu de f en una altra base i C la matriu de canvi, es compleix que B = C −1 AC.
Utilitzant aquest resultat es pot escriure
B − XI = C −1 AC − XI = C −1 AC − XC −1 IC = C −1 (AC − XIC) = C −1 (A − XI)C
i, per tant,
|B − XI| = |C −1 (A − XI)C| = |C −1 | |A − XI| |C| = |A − XI|
Amb aquesta proposició veiem que el determinant |f − XI| està intrı́nsecament associat a f i,
per tant, té sentit la següent definició.
Anomenarem polinomi caracterı́stic de l’endomorfisme f aquell que resulta de desenvolupar

el determinant |f − XI|.
Sigui f : R2 −→ R2 , la matriu del qual és A = (aij ) en una certa base. En aquest cas es té
¯ ¯
¯ a − x a12
|f − XI| = ¯¯ 11
¯
¯ = x2 − (a11 + a22 )x + (a11 a22 − a12 a21 ) =
a21 a22 − x ¯
¯ ¯
2
¯ a11 a12 ¯
= x − (a11 + a22 )x + ¯¯ ¯.
a21 a22 ¯
Els coeficients del polinomi anterior, és a dir, la traça (suma dels elements de la diagonal
principal) i el determinant de A són invariants per canvis de base.
Sigui ara f : R3 −→ R3 la matriu del qual és A = (aij ) en una certa base. En aquest cas es té
¯ ¯
¯ a11 − x a12 a13 ¯
¯ ¯
|f − XI| = ¯¯ a21 a22 − x a23 ¯ = −x3 + (a11 + a22 + a33 )x2 −
¯
¯ a31 a32 a33 − x ¯
¯ ¯
µ¯ ¯ ¯ ¯ ¯ ¯¶ ¯ a11 a12 a13 ¯
¯ a a12 ¯¯ ¯¯ a11 a13 ¯ ¯ a22 a23 ¯
− ¯¯ 11
¯ ¯ ¯ ¯ ¯
+ + x + ¯ a21 a22 a23 ¯
a21 a22 ¯ ¯ a31 a33 ¯ ¯ a32 a33 ¯ ¯
¯ a31 a32 a33
¯
¯
per tant, la traça, la suma dels menors principals d’ordre dos i el determinant de A són invariants
per canvis de base.
Per resumir el que s’ha exposat, direm que, donat l’endomorfisme f : E −→ E, per calcular
els seus valors propis és suficient trobar les arrels reals λ1 , λ2 , . . . , λp de l’equació caracterı́stica
|f − XI| = 0 i saber que, per a cada valor propi λi , els seus vectors propis associats són els
vectors solucions del sistema (A − λI)~v = 0. A més a més, segons això, resulta natural la
definició que donarem en el següent apartat.
5.2 Endomorfismes diagonalitzables
Es diu que un endomorfisme f : E −→ E és diagonalitzable quan existeix una base de E

formada per vectors propis de f .
Ara estem interessats en caracteritzar els endomorfismes diagonalitzables; és a dir, en trobar
una condició necessària i suficient perquè existeixin bases de l’espai vectorial formades per
vectors propis de l’endomorfisme.
Els vectors propis corresponents a valors propis diferents són linealment independents:
Siguin ~u, ~v ∈ E; ~u, ~v 6= ~0 amb
f (~u) = λ~u i f (~v ) = µ~v ; λ 6= 0, λ, µ ∈ R .
Vegem que de
a~u + b~v = ~0; a, b ∈ R (5.1)
es dedueix que a = b = 0. En efecte, aplicant f a l’equació (2.1) s’obté
aλ~u + bµ~v = 0 (5.2)
i multiplicant l’equació (2.1) per λ i restant membre a membre el resultat de l’equació (2.2) es
té (λ − µ)b~v = ~0, de la qual cosa es dedueix que b = 0 ja que, segons les hipòtesis, ha de ser
λ 6= µ i ~v 6= ~0. Anàlogament, es dedueix que a = 0.
Condició suficient de diagonalització d’un endomorfisme:
Sigui E un espai vectorial de dimensió n. Si l’endomorfisme f : E −→ E posseeix n vaps

diferents dos a dos, aleshores, f és diagonalitzable.
En efecte, si prenem un vector propi corresponent a cada valor propi, obtindrem n vectors
propis que, seran linealment independents i, per tant, constituiran una base.
És condició necessària i suficient perquè l’endomorfisme f : E −→ E sigui diagonalitzable que:
1.- El polinomi caracterı́stic es descompongui completament en R.

p
X
m1 mp
|f − XI| = (λ1 − x) . . . (λp − x) ; mi = n .
i=1
2.- L’ordre de multiplicitat mi de cada valor propi λi coincideix amb els graus de llibertat de
les solucions de l’equació (f − λi I)~v = ~0.
5.2. ENDOMORFISMES DIAGONALITZABLES 79
Demostració: Suposem que es compleixen les condicions (1) i (2). Només s’haurà de prendre
una base de cada solució de les equacions (f − λi)~v = ~0 per obtenir una base de E formada per
vectors propis perquè:
la condició (2) ens diu que cada subespai propi
Eλi = {~v ∈ E | f (~v ) = λi~v }
té una base formada per mi vectors propis
Eλi =< ~vi1 , . . . , ~vimi >, 1≤i≤p
per la condició (1)

p
X
mi = n
i=1
per tant, els n vectors obtinguts d’aquesta manera són linealment independents.
Suposem que en E existeix una base {~v1 , ~v2 , . . . , ~vn } de vectors propis en la qual la matriu de
f pren la forma diagonal
 
λ1 (δ1
..
. 0
 
 
λ1
 
 
D=
 . .

 . 


 λp (δp 

 . ..

 0 
λp
1.- Evidentment, el polinomi caracterı́stic es descompon completament en R
p
X
|D − XI| = (λ1 − x)δ1 · · · · · (λp − x)δp ; δi = n .
i=1
2.-  
0 (δ1
..
.
 
 
 

 0 

 λ2 − λ1 (δ2 
...
 
 
D=
 
λ2 − λ1

 

 ... 

 

 λp − λ1 (δp 


 ... 

λp − λ1
aleshores, el rang(f − λ1 I) = n − δ1 . Per tant, els graus de llibertat de les solucions de l’equació
(f − λi )~v = ~0 són δ1 .
Anàlogament es demostrarien els casos corresponents a la resta de vectors propis.
Exemple: Endomorfisme no diagonalitzable

L’endomorfisme f : R2 −→ R2 la matriu del qual a la base natural és
µ ¶
0 −1
A=
1 0
no és diagonalitzable ja que |A − XI| = x2 + 1 = 0 no té arrels reals.
Exemple: Endomorfisme no diagonalitzable

L’endomorfisme f : R3 −→ R3 la matriu del qual a la base natural és
 
1 0 0
A= 1 1 0 
1 1 2
no és diagonalitzable ja que |A − XI| = (1 − x)2 (2 − x) = 0 té les arrels 1 doble i 2, mentre
que si busquem les solucions del sistema (A − I)(~v ) = ~0 obtenim
    
0 0 0 x 0 ½
 1 0 0   y  =  0  ⇐⇒ x = 0
x+y+z =0
1 1 1 z 0
E1 = {(x, y, z) = (0, λ, −λ) , ∀ λ ∈ R} = [(0, 1, −1)] té solament 1 grau de llibertat que no
coincideix amb l’ordre de multiplicitat del vap corresponent.
Exemple: Endomorfisme diagonalitzable

Sigui l’endomorfisme f : R3 −→ R3 la matriu del qual a la base natural és
 
1 −1 2
A =  3 −3 6  .
2 −2 4
En primer lloc vegem si és diagonalitzable.
El polinomi caracterı́stic és

µ¯ ¯ ¯ ¯ ¯ ¯¶
¯ −3 6 ¯ ¯ 1 2 ¯ ¯ 1 −1 ¯
|A − λI| = −λ3 + (1 − 3 + 4)λ2 − ¯¯ ¯+¯
¯ ¯ 2 4 ¯ + ¯ 3 −3
¯ ¯ ¯ λ+
¯ ¯ −2 4 ¯
¯ 1 −1 2 ¯
¯ ¯
+ ¯¯ 3 −3 6 ¯¯ = λ3 + 2λ2 = λ2 (2 − λ) .
¯ 2 −2 4 ¯
Els valors propis són les solucions de λ2 (2 − λ) = 0; 0 doble i 2. En conseqüència, és condició
necessària i suficient perquè sigui diagonalitzable que els graus de llibertat de (A − 0I)(~v ) = ~0
sigui 2 i els de (A − 2I) sigui 1.
     
1 −1 2 x 0  x − y + 2z = 0
 3 −3 6   y  =  0  ⇐⇒ 3x − 3y + 6z = 0
2 −2 4 z 0 2x − 2y + 4z = 0

5.2. ENDOMORFISMES DIAGONALITZABLES 81
La segona i tercera equacions són iguals a la primera multiplicada per 3 i 2, respectivament.

Per tant, el sistema equival a la primera equació x − y + 2z = 0 i tenim que el subespai de
vectors propis de valor propi 0 és:
E0 = {(x, y, z) ∈ R3 tal que x = y − 2z} = {(λ − 2µ, λ, µ), ∀ λ, µ ∈ R3 } =
= [(1, 1, 0), (−2, 0, 1)] que és de dimensió 2 (2 graus de llibertat).
Dos vectors propis independents de vap 0 són ~v1 = (1, 1, 0) i ~v2 = (−2, 0, 1).
     
−1 −1 2 x 0  −x − y − 2z = 0
 3 −5 6   y  =  0  ⇐⇒ 3x − 5y + 6z = 0
2 −2 2 z 0 2x − 2y + 2z = 0

     
−1 −1 2 0 −1 −1 2 0 −1 −1 2 0
 3 −5 6 0  ∼  0 −8 12 0  ∼  0 −8 12 0 
2 −2 2 0 0 −4 6 0 0 0 0 0
El sistema inicial és equivalent al sistema
−x − y + 2z = 0 =⇒ x = 12 z
−8y + 12z = 0 =⇒ y = 32 z.
En conseqüència, el subespai de vectors propis de valor propi 2 és:
{(x, y, z) ∈ ¢R3 tal que
E2 = ©¡ x = 12 z i y = 32 z} =
1
λ, 32 λ, λ ∀ λ ∈ R3 = [(1, 3, 2)]
ª
= 2
que és de dimensió 1.
Un vep de vap 2 és ~v3 = (1, 3, 2).
Hem vist, doncs, que l’endomorfisme f és diagonalitzable.
A la base de vectors propis {~v1 , ~v2 , ~v3 }, la matriu de f prendrà la forma diagonal
 
0 0 0
B= 0 0 0 .
0 0 2
Si D és una matriu diagonal,  

λ1 0
D=
 ... 

0 λn
la seva potència p-èsima Dp és una altra matriu diagonal que té com a elements les respectives
potències p-èsimes dels elements de D:
 p 
λ1 0
Dp = D · D · .(p)
. . ·D =  ..
.
 

p
0 λn
5.3 Endomorfismes simètrics
Sigui σ un endomorfisme d’un espai vectorial euclidià. Direm que és simètric si la seva matriu
escrita en una base ortonormal és simètrica, és a dir, A = At .
En un endomorfisme simètric, vectors propis corresponents a valors propis diferents són ortog-
onals:
Sigui σ : E −→ E un endomorfisme simètric, A la seva matriu escrita en una base ortonormal,

i ~u, ~v dos vectors propis de valors propis λ i µ respectivament, λ 6= µ, i σ(~u) = λ~u, σ(~v ) = µ~v .
Hem de demostrar que ~u · ~v = ~0.
Escrivim matricialment σ~u · ~v
σ(~u) · ~v = (Au)t v = ut At v = ut (Av) = ut µv = µ(~u · ~v )
D’altra banda,
σ(~u) · ~v = λ~u · ~v = λ(~u · ~v )
la qual cosa implica que λ(~u · ~v ) = µ(~u · ~v ) i, per tant, (λ − µ)(~u · ~v ) = ~0. Com que λ − µ 6= 0
cal que ~u · ~v = 0, que equival a ~u⊥~v .
Tot endomorfisme simètric diagonalitza en una base de vectors propis ortonormals.
Exemple: Cadenes de Markov (2)

La matriu de l’exemple 5 de la lliçó 3, té un valor propi igual a 1. Un vector propi de valor
propi 1 és (0.45, 0.35, 0.20). Observi’s que l’hem escollit tal que les seves coordenades sumin 1.
Aquestes coordenades són les proporcions del mercat definitives a llarg termini i, evidentment,
per ser les components d’un vector propi, no depenen de les condicions inicials (x0 , y0 , z0 ).
5.4. EXERCICIS 83
5.4 Exercicis
1. Digueu si el vector (2, 3) és un vector propi de l’endomorfisme de R2 , la matriu del qual
és µ ¶
−2 2
.
3 −1
És diagonalitzable aquest endomorfisme?
2. Trobeu els valors i vectors propis de l’endomorfisme de R3 , la matriu del qual és
 
−2 −1 −2
 1 0 0 .
0 1 2
És diagonalitzable aquest endomorfisme?
3. Es considera l’endomorfisme de R3 , la matriu del qual en una certa base {~e1 , ~e2 , ~e3 } és
 
2 6 24
 −4 −8 −24 
1 1 2
Es demana que:
a) Proveu que els vectors ~v1 = 4~e1 − 4~e2 + ~e3 i ~v2 = 4~e2 − ~e3 són vectors propis de f i
que trobeu els seus valors propis.
b) Trobeu un altre vector propi (anomenem-lo ~v3 ) de f sabent que el seu valor propi és
−4.
c) Expresseu la matriu de f a la base (~v1 , ~v2 , ~v3 ).
4. Proveu que l’endomorfisme de R4 , la matriu del qual a la base usual és
 
−1 −2 3 2
 0 1 0 1 
 
 −2 −2 4 2 
0 0 0 2
és diagonalitzable. Trobeu-ne la forma diagonal i una base en la qual diagonalitzi.
5. Estudieu la diagonalització de les matrius següents:
     
4 6 0 1 −3 3 0 0 1 µ ¶
1 1
(a)  −3 −5 0  (b)  3 −5 3  (c)  0 1 0  (d)
0 1
−3 −6 −5 6 −6 4 1 0 0
     
1 −1 −1 1 1 0 −4 −6 −2
(e)  1 3 1  (f)  0 1 1  (g)  2 4 2 
−1 −1 1 0 0 2 −2 −3 −1
 
0 1 0 0    
 0 0 1 0  1 1 1 µ ¶ 1 0 0
2 −1
(h) 
  (i) 0 1 1
  (j) (k)  2 0 −1 
0 0 0 1  1 0
0 0 1 3 1 0
1 0 0 0
6. Quins valors de x fan que l’endomorfisme de R2 , la matriu del qual a la base usual és
µ ¶
cos x sin x
sin x − cos x
tingui algun valor propi?
7. Quines matrius de la forma  
1 a b
 0 2 c 
0 0 1
són diagonalitzables?
8. Proveu que existeix un únic valor de a per al qual l’endomorfisme de R2 de matriu
µ ¶
1 1
a2 1
no és diagonalitzable. Trobeu una base en què diagonalitzi per al cas a = 2.
9. Proveu que si dos endomorfismes f i g diagonalitzen en una mateixa base, aleshores,
commuten: f ◦ g = g ◦ f .
10. Diagonalitzeu l’endomorfisme simètric de R2 la matriu del qual en la base canònica és
µ ¶
−1 −2
−2 2
i trobeu una base de vectors propis.
11. Trobeu una base ortonormal de veps per als endomorfismes que, en la base natural, tenen
la matriu  
µ ¶ 2 −5 0
4 −3
A= , B =  −5 −1 3 .
−3 −4
0 3 −6
12. Sigui  
−2 −2 1
A =  −2 1 −2 
1 −2 −2
la matriu d’un endomorfisme simètric f en la base canònica de R3 . Trobeu una base
ortonormal {~vi } on f tingui matriu diagonal. Escriviu la matriu de pas de la base canònica
a {~vi }.
13. Sigui  
0 −2 2
A =  −2 3 −4 
2 −4 3
la matriu d’un endomorfisme simètric f en la base canònica de R3 . Trobeu una base
ortonormal {~vi } on f tingui matriu diagonal. Escriviu la matriu diagonal en aquesta
base.
Apèndix
Exemple amb el Programa Maple de diagonalització d’una matriu.
Estudieu per a quins valors de a diagonalitza la matriu A

> A:=<<a-3 | a+8 | a+5>, <a-6 | a+15 | a+9>, <-a+8 | -a-20 | -a-12>>;
 
a−3 a+8 a+5
 
A :=  a − 6 a + 15 a+9
 

 
−a + 8 −a − 20 −a − 12
En els casos afirmatius trobeu les bases de vectors propis.
Calcularem primer el polinomi caracterı́stic de la matriu A i el descompondrem en factors per

conèixer els seus valors propis
> P:=CharacteristicPolynomial(A,x);
P := x3 − a x2 − x + a
> factor(P);
−(x − 1) (x + 1) (−x + a)
85
> Eigenvectors(A);
a+2 −1
 
  −1 −
a 
 3a + 4 4 

2a + 3 −3
   
 −1  , 
  
−1 − 
3a + 4 4
   

1  
1 1 1
Si a es diferent de 1 o de -1, aleshores la matriu a es diagonalitzable, per tenir els tres valors
propis diferents. Si a és igual a 1.
> A1:=subs(a=1,A);
 
−2 9 6
 
A1 :=  −5 16 10
 

 
7 −21 −13
> Eigenvectors(A1);
−3
 
  2 3
1 
 7 

 0 1 −5
   
1 ,
  

7
   
 
−1  
1 0 1
En aquest cas 1 és un valor propi doble, però hi ha dos vectors propis linealment
independents, per tant la matriu A1 diagonalitza.
En el cas de a = -1
> A2:=subs(a=-1,A);
 
−4 7 4
 
A2 :=  −7 14 8
 

 
9 −19 −11
5.4. EXERCICIS 87
> Eigenvectors(A2);
−1
 
  −1 0
−1 
 4 

 −1 0 −3
   
 −1  ,
  
4
   
 
1  
1 0 1
En aquest cas -1 és un valor propi doble, però solament té un vector propi associat, per tant
en aquest cas la matriu no diagonalitza.
Índex alfabètic
angle, 36 d’una aplicació lineal, 50

aplicació d’una mètrica, 34
lineal, 47 de canvi de base, 27
propietats, 49 de canvi de base entre bases ortonormals,
autovalor, 75 39
autovector, 75 inversa, 23, 24
ortogonal, 39
base, 11, 12 regular, 23
canvi de, 27
natural, 11 norma d’un vector, 32
ortonormal, 36
polinomi
canvi de base caracterı́stic, 77
en un endomorfisme, 62 producte
entre bases ortonormals, 37 escalar, 31
combinació lineal, 6 mixt, 40
coordenades d’un vector, 11 vectorial, 39
determinant, 21 rang
d’un endomorfisme, 67 d’un conjunt de vectors, 8, 16
propietats, 22, 23 d’una aplicació lineal, 50
dimensió, 12 d’una matriu, 16, 23
endomorfisme sistema
diagonalitzable, 78 d’equacions lineals, 54
simètric, 82 homogeni, 56
escalar, 3 subespai
espai vectorial, 3, 6, 9, 10 de vectors propis, 76
euclidià, 32 ortogonal, 37
espais vectorials, 3 vectorial, 9
generat, 10
forma bilineal, 32
valor propi (vap), 75
generadors, 10–12 vector, 3
linealment coordenades, 11, 26
dependent, 12 delpla, 4
independent, 11, 12 normalitzat, 33
producte per escalars, 3
magnituds escalars, 2 propi (vep), 75
matriu, 16 suma, 3
associada al producte escalar, 34 unitari, 33
89
90 ÍNDEX ALFABÈTIC
vectors
linealment dependents, 6
linealment independents, 6
ortogonals, 36
ortonormals, 36
versor, 33

Algebra Lineal

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

Algebra Lineal

Uploaded by

Copyright:

Available Formats

“Fonaments Matemàtics de l’Enginyeria d’Edificació”

Equip Docent de la Secció EPSEB del Departament de

3 Espais vectorials i transformacions lineals 1

3.1 Espais vectorials. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

3.1.1 Dependència i independència lineal . . . . . . . . . . . . . . . . . . . . . 6

3.1.2 Subespai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.1.3 Bases i dimensió . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3.2 Matrius i determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.1 Operacions amb matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.2 Tipus de matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.2.4 Càlcul del rang d’una matriu per determinants . . . . . . . . . . . . . . . 22

3.2.5 Matriu inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.3 Canvi de base en un espai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.4 Espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.4.2 Norma associada a un producte escalar . . . . . . . . . . . . . . . . . . . 31

3.4.3 Expressió del producte escalar en una base . . . . . . . . . . . . . . . . . 32

3.4.4 Expressió matricial del producte escalar . . . . . . . . . . . . . . . . . . 33

3.4.6 Canvi de coordenades entre bases ortonormals . . . . . . . . . . . . . . . 36

3.4.7 Producte vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4 Transformacions lineals. Representació matricial 45

4.1 Definició i caracterització . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.2 Matriu d’una aplicació lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.4 Sistemes d’Equacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.4.1 Definició de sistemes d’equacions lineals . . . . . . . . . . . . . . . . . . 54

4.4.2 Classificació dels sistemes d’equacions lineals . . . . . . . . . . . . . . . . 55

4.5 Mètodes numèrics de resolució de sistemes lineals determinats . . . . . . . . . . 58

4.5.1 Mètode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.5.2 Descomposició LU. Mètode de Crout i Dolittle . . . . . . . . . . . . . . . 59

4.5.3 Descomposició pel Mètode de Txoleski . . . . . . . . . . . . . . . . . . . 62

4.6 Canvi de base per a un endomorfisme . . . . . . . . . . . . . . . . . . . . . . . . 62

4.7 Determinant d’un endomorfisme . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.8 Exemples d’aplicacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.1 Vectors propis (veps) i valors propis (vaps) . . . . . . . . . . . . . . . . . . . . . 75

5.2 Endomorfismes diagonalitzables . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

5.3 Endomorfismes simètrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

Espais vectorials i transformacions

• Operar amb vectors i matrius.

• Càlcul del rang d’una matriu.

• Resoldre sistemes d’equacions lineals, pel mètode de Gauss, etc.

3.1 Espais vectorials. Bases

Figura 3.1: Operacions en espais vectorials

1.- u + v = v + u per a tots els vectors u, v de E.

Figura 3.2: La recta real

a) la suma definida per (a, b) + (a′ , b′ ) = (a + a′ , b + b′ )

Figura 3.3: Representació gràfica.

Figura 3.4: Llei del paral.lelogram

De manera anàloga podrı́em estudiar R3 = R × R × R, R4 , . . . , Rn .

3.1.1 Dependència i independència lineal

Basant-nos en la definició d’espai vectorial hem de retrobar el concepte de direcció i dimensió

Una combinació lineal de vectors és una expressió de la forma

Donem ara un altre concepte important en espais vectorials, la dependència o independència

A R3 , quatre vectors són sempre linealment dependents.

Exemple: Dependència i independència lineal.

Hem de resoldre l’equació vectorial

és a dir, el següent sistema de tres equacions:

La resposta és, doncs, SÍ, perquè (10, 7, 6) = 2(1, 1, 1) + (0, 1, 0) + 4(2, 1, 1)

L’equació vectorial que hem de resoldre és

(1, 3, 0) = x(1, 2, 1) + y(1, 1, 1) + z(2, 3, 2)

Observem que de la segona matriu es pot deduir la següent relació u1 − u2 = 2u1 − u3

Per introduir-ho en el programa Maple ho farem de la següent manera:

Aplicarem el mètode de Gauss:

Si li demanem que resolgui el sistema, aquest és el resultat:

3.1.2 Subespai vectorial

Sigui la recta y = 1, F = {(x, 1) ∈ R2 }. Es un subconjunt d’R2 però no es espai vectorial.