Transparencies

UPC
ETSEIAT
ÀLGEBRA LINEAL
Rafel Amer
Vicenç Sales Transparències

Pàgina 1 de 150
Rafel Amer
Vicenç Sales
UPC
ETSEIAT
Rafel Amer
Vicenç Sales
Pàgina 2 de 150
c 2010 Rafel Amer i Vicenç Sales

Aquesta obra es distribueix sota la llicència creative-commons amb les condicions Reconeixement-No comercial-
Compartir de la versió 2.5 d’aquesta llicència. Resumint:
Sou lliure de:
copiar, distribuir i comunicar públicament l’obra;
fer-ne obres derivades;

amb les condicions següents:
Reconeixement. Heu de reconèixer els crèdits de l’obra de la manera especificada per l’autor o el llicencia-
dor (però no d’una manera que suggereixi que us donen suport o rebeu suport per l’ús que feu de l’obra).
No comercial. No podeu utilitzar aquesta obra per a finalitats comercials.
Compartir amb la mateixa llicència. Si altereu o transformeu aquesta obra, o en genereu obres derivades,
només podeu distribuir l’obra generada amb una llicència idèntica a aquesta.
• Quan reutilitzeu o distribuı̈u l’obra, heu de deixar ben clar els termes de la llicència de l’obra.
• Alguna d’aquestes condicions pot no aplicar-se si obteniu el permı́s del titular dels drets d’autor.
• No hi ha res en aquesta llicència que menyscabi o restringeixi els drets morals de l’autor.
Podeu trobar el text complet de la llicència a l’adreça
http://creativecommons.org/licenses/by-nc-sa/2.5/es/legalcode.ca
Escola Superior d’Enginyeries Industrial, Aeroespacial i Audiovisual de Terrassa
Colom, 11
08222 Terrassa
UPC
Introducció
ETSEIAT
Aquestes transparències d’Àlgebra Lineal són el resultat de les classes impartides per la
Secció de Terrassa del Departament de Matemàtiques a l’Escola Superior d’Enginyeries
Industrial, Aeroespacial i Audiovisual de Terrassa des de la posada en marxa del nou pla
Rafel Amer
d’estudis.
Juntament amb els diferents conceptes desenvolupats, s’han inclòs nombrosos exemples
Vicenç Sales amb l’objectiu d’aconseguir una major comprensió dels conceptes teòrics desenvolupats.
No cal oblidar, però, que per assolir aquesta comprensió és imprescindible l’esforç i el
Pàgina 3 de 150 treball personal, tant pel que fa a l’estudi dels conceptes com a la resolució d’exercicis
relacionats amb ells. Esperem que sigui d’utilitat als estudiants i els aconsellem que in-
tentin assimilar les diferents nocions combinant el seu estudi amb la resolució simultània
d’exercicis corresponents a cadascun d’ells.
Els temes que es tracten són habituals en qualsevol curs d’Àlgebra Lineal. Aixı́, hi ha
dos capı́tols inicials centrats en l’estudi de la part operativa del curs que és utilitzada
posteriorment en els sis darrers capı́tols, que formen la part conceptual. D’altra banda,
s’ha parat especial atenció als aspectes i les aplicacions geomètriques i és per això que
cada capı́tol de naturalesa algebraica va seguit del seu corresponent capı́tol de naturalesa
geomètrica.
Finalment, pot ser interessant remarcar que, encara que inicialment aquestes trans-
parències estiguin pensades per a estudiants de Graus d’Enginyeria, també poden ser
útils als estudiants de Matemàtiques, Fı́sica i, en general, a tots aquells que hagin de
cursar la matèria d’Àlgebra Lineal.
R AFEL A MER I V ICENÇ S ALES

UPC
ETSEIAT
Rafel Amer
Bibliografia relacionada
Vicenç Sales
Per a la resolució d’exercicis basats en aquestes transparències podeu consultar la col-

Pàgina 4 de 150
lecció d’exercicis resolts següent:
Amer, R.; Sales, V.
ÀLGEBRA LINEAL. Exercicis resolts.
http://atenea.upc.edu/moodle/login/index.php
Per a la resolució personal d’exercicis com els anteriors podeu consultar la col.lecció d’e-
xercicis següent:
Amer, R.; Sales, V.
ÀLGEBRA LINEAL. Exercicis.
http://atenea.upc.edu/moodle/login/index.php
UPC
ETSEIAT
Índex
1 MATRIUS 7
Rafel Amer 1.1 Matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 El mètode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Vicenç Sales
1.3 El mètode de Gauss–Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Pàgina 5 de 150 2 DETERMINANTS 25
2.1 Determinants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Els mètodes dels menors i de Cramer . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 El mètode de l’adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 ESPAIS VECTORIALS 43
3.1 L’espai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 L’espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Components . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 ESPAIS AFINS 61
4.1 L’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 L’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3 Coordenades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
UPC
ETSEIAT
5 TRANSFORMACIONS LINEALS 79
5.1 Transformacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

Rafel Amer
5.2 Transformacions lineals de l’espai vectorial euclidià . . . . . . . . . . . . . . . 85
Vicenç Sales
5.3 Transformacions lineals euclidianes . . . . . . . . . . . . . . . . . . . . . . . . 91
6 TRANSFORMACIONS AFINS 97
Pàgina 6 de 150
6.1 Transformacions afins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.2 Transformacions afins de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 103
6.3 Transformacions afins euclidianes . . . . . . . . . . . . . . . . . . . . . . . . . 109
7 MÍNIMS QUADRATS I FORMES QUADRÀTIQUES 115
7.1 Mı́nims quadrats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
7.2 Formes quadràtiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.3 Formes quadràtiques de l’espai vectorial euclidià . . . . . . . . . . . . . . . . . 127
8 VARIETATS QUADRÀTIQUES 133
8.1 Còniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.2 Varietats quadràtiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.3 Varietats quadràtiques de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 145

1 MATRIUS
Matrius
UPC
Una matriu de m files i n columnes o del tipus m × n és una famı́lia de coeficients:
 1
a1 . . . an1

ETSEIAT
A =  ... ..  .

. 
a1m . . . anm
Definició 1.1 La suma de dues matrius A i B del tipus m × n és la matriu A + B del tipus
Rafel Amer m × n de coeficient per a tot i = 1, . . . , m i tot j = 1, . . . , n
aji + bji .
Vicenç Sales La matriu formada només per zeros es diu nul.la i s’escriu 0. I la matriu −A obtinguda
canviant el signe de tots els elements d’A es diu oposada d’A.
Pàgina 7 de 150
Teorema 1.2 (a) A + (B + C) = (A + B) + C.

(b) A + 0 = A.
(c) A + (−A) = 0.
(d) A + B = B + A.
Aquestes propietats reben els noms respectius d’associativa, element neutre, element
oposat i commutativa. I per l’associativitat escriurem A + B + C.
Proposició 1.3 (a) −(−A) = A.

(b) −(A + B) = (−A) + (−B).
Per la segona propietat escriurem −A − B. I escriurem també A − B en lloc de A + (−B).
Teorema 1.4 La solució de l’equació matricial A + X = B o X + A = B és

X = B − A.
Exemple 1.5 Donades les matrius respectives A i B següents, es té que
     
3 0 2 −2 4 4 1 4 6
A + B =  1 3 0  +  4 −2 4 =  5 1 4.
1 2 4 4 4 −2 5 6 2
Definició 1.6 El producte per escalars del nombre real α i la matriu A del tipus m × n
UPC és la matriu αA del tipus m × n de coeficient per a tot i = 1, . . . , m i tot j = 1, . . . , n
ETSEIAT
αaji .
Les propietats del producte per escalars següents, com abans les de la suma, són sem-
blants a les que estem acostumats.
Rafel Amer Teorema 1.7 (a) α(A + B) = αA + αB.

(b) (α + β)A = αA + βA.
(c) (αβ)A = α(βA).
Vicenç Sales (d) 1A = A.
Pàgina 8 de 150
Aquestes propietats reben els noms respectius de distributiva respecte de la suma de
matrius, distributiva respecte de la suma d’escalars, compatible amb el producte per
escalars i producte per la unitat. I per la compatibilitat escriurem αβA.
Proposició 1.8 (a) αA = 0 si, i només si, α = 0 o A = 0.

(b) (−α)A = α(−A) = −(αA).
Per aquesta darrera propietat escriurem −αA.
Teorema 1.9 (a) Si α = 0 i A 6= 0 llavors l’equació matricial αX = A no té solució.

(b) Si α = 0 i A = 0 llavors qualsevol matriu X és solució de l’equació matricial αX = A.
(c) Si α 6= 0 llavors la solució de l’equació matricial αX = A és
1
X = A.
α
Exemple 1.10 Amb les matrius A i B de l’exemple anterior, tenim que

       
3 0 2 −6 0 −4 −2 4 4 −1 2 2
1 1 1
−2A = −2  1 3 0  =  −2 −6 0 i B =  4 −2 4  =  2 −1 2.
6 6 3
1 2 4 −2 −4 −8 4 4 −2 2 2 −1
Les matrius del tipus n × n es diuen quadrades d’ordre n. I la diagonal són els coeficients
amb igual subı́ndex que superı́ndex.
UPC
Definició 1.11 El producte de les matrius A del tipus m × n i B del tipus n × p és la
ETSEIAT
matriu AB del tipus m × p de coeficient per a tot i = 1, . . . , m i tot j = 1, . . . , p
a1i bj1 + . . . + ani bjn .
La matriu quadrada amb uns a la diagonal i zeros a la resta es diu identitat d’ordre n i
s’escriu In o I només. I la seva oposada, menys identitat d’ordre n i es posa −In o −I.
Rafel Amer
Teorema 1.12 (a) A(BC) = (AB)C.

(b) IA = A = AI.
Vicenç Sales
(c) A(B + C) = AB + AC i (B + C)A = BA + CA.
(d) (αA)B = α(AB) = A(αB).
Pàgina 9 de 150
Aquestes propietats reben els noms respectius d’associativa, element neutre, distribu-
tiva respecte de la suma de matrius i compatible amb el producte per escalars. A
més, per l’associativitat i la compatibilitat escriurem ABC i αAB, respectivament. I per
l’associativitat, si A és quadrada tenim les seves potències
Ak = A · .(k)
.. · A.
Proposició 1.13 (a) A · 0 = 0 = 0 · A.

(b) (−A)B = −(AB) = A(−B).
Per aquesta darrera propietat escriurem −AB.
Observació 1.14 El producte de matrius no és commutatiu. A més, pot passar que
AB = 0 amb A 6= 0 i B 6= 0, que AB = AC amb A 6= 0 i B 6= C i que AB 6= I per a tot B amb
A 6= 0. Per això es parla dels quatre ”defectes” del producte de matrius.
Exemple 1.15 Donades les matrius A i B dels exemples anteriors, obtenim

    
3 0 2 −2 4 4 2 20 8
AB =  1 3 0   4 −2 4  =  10 −2 16  .
1 2 4 4 4 −2 22 16 4
Definició 1.16 La transposada d’una matriu A del tipus m × n és la matriu At del tipus
UPC n × m de coeficient per a tot i = 1, . . . , n i tot j = 1, . . . , m
ETSEIAT
aij .
Observem que el coeficient de la fila i i la columna j de la matriu At és el mateix que el de

la fila j i la columna i de la matriu A.
Rafel Amer
Teorema 1.17 (a) (A + B)t = At + B t .

(b) (αA)t = αAt .
Vicenç Sales
(c) (AB)t = B t At .
Pàgina 10 de 150
(d) (At )t = A.
És fals en general, per tant, que (AB)t = At B t .
Proposició 1.18 (a) (−A)t = −(At ).

(b) (Ak )t = (At )k .
Per la primera propietat escriurem −At .
Teorema 1.19 La solució de l’equació matricial X t = A és

X = At .
Exemple 1.20 Amb les matrius A i B dels exemples anteriors, es té que
 t    t  
3 0 2 3 1 1 −2 4 4 −2 4 4
At =  1 3 0  =  0 3 2  i B t =  4 −2 4  =  4 −2 4.
1 2 4 2 0 4 4 4 −2 4 4 −2
Definició 1.21 Una matriu quadrada A és simètrica si, i només si,
UPC aij = aji
ETSEIAT per a tot i, j = 1, . . . , n.
Evidentment, les matrius nul.la (0), identitat (I) i menys identitat (−I) són simètriques.
Rafel Amer
Teorema 1.22 A és simètrica si, i només si,
At = A .
Vicenç Sales
Pàgina 11 de 150 Les matrius At A i AAt són sempre simètriques.
Teorema 1.23 (a) Si A i B són simètriques llavors A + B és simètrica.

(b) Si A és simètrica llavors αA és simètrica.
(c) Si A és simètrica llavors At és simètrica.
En general, però, el producte de matrius simètriques no és una matriu simètrica.
Proposició 1.24 (a) Si A és simètrica aleshores −A és simètrica.

(b) Si A és simètrica aleshores Ak és simètrica.
Exemple 1.25 Les matrius dels exemples anteriors

   
3 0 2 −2 4 4
A = 1 3 0 i B =  4 −2 4
1 2 4 4 4 −2
són no simètrica i simètrica, respectivament.
Definició 1.26 Una matriu A del tipus m × n és ortogonal si, i només si,
UPC At A = I .
ETSEIAT
Evidentment, les matrius identitat (I) i menys identitat (−I) són ortogonals.
Proposició 1.27 Si A és ortogonal llavors m ≥ n.

Rafel Amer
I A és ortogonal quadrada si, i només si,

Vicenç Sales AAt = I .
Pàgina 12 de 150
Teorema 1.28 (a) Si A i B són ortogonals llavors AB és ortogonal.

(b) Si A és ortogonal quadrada llavors At és ortogonal quadrada.
La suma i el producte per escalars de matrius ortogonals, en general, no és ortogonal.
Proposició 1.29 (a) Si A és ortogonal aleshores −A és ortogonal.

(b) Si A és ortogonal aleshores Ak és ortogonal.
Exemple 1.30 La matriu obtinguda en un exemple anterior

 
−1 2 2
1
2 −1 2
3
2 2 −1
és ortogonal perquè
  t      
−1 2 2 −1 2 2 −1 2 2 −1 2 2
 1  2 −1 1
2   2 −1
1
2  =  2 −1
1
2   2 −1 2 = I .
3 3 3 3
2 2 −1 2 2 −1 2 2 −1 2 2 −1
El mètode de Gauss
Les files d’una matriu A són els coeficients d’igual subı́ndex; i les columnes, els d’igual
UPC superı́ndex. I notem per Ai i Aj la fila i i la columna j de A, respectivament.
ETSEIAT
Definició 1.31 Anomenem transformacions elementals per files a les següents:
• intercanviar files;
• sumar o restar un múltiple d’una fila a una altra;
• multiplicar o dividir una fila per un nombre no nul.
Rafel Amer
Aplicant transformacions elementals per files successivament s’obté una expressió
α1 Ai1 + . . . + αk Aik ,
Vicenç Sales
que s’anomena combinació lineal de les files Ai1 , . . . , Aik amb escalars α1 , . . . , αk ∈ R.
Pàgina 13 de 150 Definició 1.32 Es diu que una matriu està en forma triangular per files si, i només si:
(i) les files amb tots els coeficients iguals a zero són les últimes;
(ii) el primer coeficient no nul de cada fila està a la dreta del mateix de la fila anterior;
(iii) els coeficients per sota de cada coeficient no nul anterior són zero tots.
Els coeficients no nuls anteriors s’anomenen pivots.
Observació 1.33 Permutant files amb files posteriors en cada columna si cal, s’obtenen
pivots no nuls; i posant zeros després per sota dels pivots s’obté la forma triangular.
Aquest procés s’anomena mètode de Gauss.
Observació 1.34 Igual es defineixen les transformacions elementals, combinacions

lineals i forma triangular per columnes. I les propietats anàlogues són també vàlides.
Exemple 1.35 Apliquem el mètode de Gauss a la matriu A següent:

       
1 1 3 1 1 1 3 1 1 1 3 1 1 1 3 1
1 2 4 2 0 1 1 1 0 1 1 1 0 1 1 1

0 1
 '  '  ' .
1 1 0 1 1 1 0 0 0 0 0 0 0 1
2 0 4 1 F2 ∼F2 −F1 0 2 2 1 F3 ∼F3 −F2 0 0 0 1 F ↔F 0 0 0 0
F4 ∼2F1 −F4 F4 ∼2F2 −F4 3 4
Definició 1.36 Es diu que una fila Ai d’una matriu A és combinació lineal d’unes altres
UPC files Ai1 , . . . , Aik si, i només si, existeixen escalars α1 , . . . , αk tals que Ai és la combinació
lineal de les files Ai1 , . . . , Aik amb els escalars α1 , . . . , αk .
ETSEIAT
Una fila és combinació lineal d’una altra si, i només si, són múltiples.
Definició 1.37 Es diu que les files Ai1 , . . . , Aik són linealment independents si, i només
Rafel Amer
si, combinacions lineals seves amb escalars diferents donen files diferents.
Les files no linealment independents es diuen linealment dependents.

Vicenç Sales
Pàgina 14 de 150 Teorema 1.38 Són equivalents:

(i) les files Ai1 , . . . , Aik són linealment independents;
(ii) l’única combinació lineal seva que dona la fila nul .la és la que té tots els escalars nuls;
(iii) cap d’elles és nul .la ni combinació lineal de les altres.
Una fila és linealment independent si, i només si, és no nul.la. I dues files són linealment
independents si, i només si, no són múltiples l’una de l’altra.
Observació 1.39 Igual es defineixen la combinació lineal de columnes i les columnes

linealment dependents i independents. I les propietats anàlogues són també vàlides.
Exemple 1.40 A partir de la matriu triangulada obtinguda abans per a la matriu A

 
1 1 3 1
0 1 1 1
0 0 0 1 ,
 
0 0 0 0
es dedueix que la tercera fila és combinació lineal de les dues primeres –ja que la tercera i
quarta files s’havien permutat– per ser completament nul.lla la tercera fila. I, en canvi, la
primera, segona i quarta files són linealment independents.
Teorema 1.41 El nombre màxim de files i columnes linealment independents és igual.
UPC
Aquest nombre màxim s’anomena, de vegades, rang per files i rang per columnes, res-
ETSEIAT
pectivament. Però, com que coincideixen, podem considerar només la definició següent.
Definició 1.42 Al nombre màxim anterior se l’anomena rang de la matriu A.
Escriurem rg A en tal cas. I tenim que l’única matriu amb rang 0 és la matriu nul.la i que
Rafel Amer
el rang d’una matriu no nul.la és 1 quan les files –o les columnes– són proporcionals.
Vicenç Sales Proposició 1.43 El rang és invariant per transformacions elementals.
Pàgina 15 de 150
En particular, en aplicar el mètode de Gauss el rang d’una matriu no varia. Per tant, és el
nombre de files no completament nul.les o, equivalentment, el nombre de pivots obtinguts.
Teorema 1.44 (a) rg (αA) = rg A, per a tot α 6= 0.

(b) rg AB ≤ mı́n {rg A, rg B}.
(c) rg At = rg A.
I, en conseqüència, es té que rg (−A) = rg A i que rg Ak és decreixent.
Teorema 1.45 (a) k files o columnes d’una matriu són linealment independents si, i
només si, el seu rang és k.
(b) Una fila o una columna d’una matriu és combinació lineal d’unes altres si, i només
si, el rang obtingut en afegir–la és el mateix.
Exemple 1.46 Com que en la matriu triangulada obtinguda a partir de la matriu A anterior
 
1 1 3 1
0 1 1 1
 
0 0 0 1
0 0 0 0
el nombre de files no completament nul.les és 3, es dedueix que rg A = 3.
La matriu amb els elements de certes files i columnes d’una matriu es diu submatriu.
UPC
Definició 1.47 Les matrius quadrades d’ordre n amb rang n s’anomenen regulars.
ETSEIAT
I les matrius quadrades no regulars –és a dir, les de rang menor que n– es diuen singulars.
Rafel Amer Teorema 1.48 (a) Si α 6= 0 i A és regular llavors αA és regular.
(b) Si A i B són regulars llavors AB és regular.
(c) Si A és regular llavors At és regular.
Vicenç Sales
Pàgina 16 de 150 La suma de matrius regulars, en general, no és regular.
Proposició 1.49 (a) Si A és regular aleshores −A és regular.

(b) Si A és regular aleshores Ak és regular.
Les submatrius quadrades regulars d’ordre màxim d’una matriu són les formades per files
i columnes linealment independents en nombre màxim.
Teorema 1.50 Les files i columnes corresponents als pivots obtinguts pel mètode de
Gauss formen submatrius quadrades regulars d’ordre màxim de la matriu.
Exemple 1.51 La matriu A anterior no és regular, ja que rg A 6= 4. I tenint en compte que
en l’aplicació del mètode de Gauss dels exemples anteriors, la tercera i la quarta files s’han
canviat, s’obté que una submatriu quadrada regular d’ordre màxim de A és
 
1 1 1
A0 =  1 2 2  .
2 0 1
Les matrius del tipus 1 × n es diuen matrius–fila; i les del tipus m × 1, matrius–columna.
I si A i B tenen igual nombre de files, la que consta de les columnes d’A i B s’escriu (A|B).
UPC
ETSEIAT Definició 1.52 Es diu que una expressió és paramètrica lineal si és del tipus
X = Aλ + P ,
amb X, λ i P matrius-columna.
λ es diu matriu dels paràmetres; A matriu de coeficients; P matriu de termes indepen-

Rafel Amer dents; i X matriu d’incògnites. I si P = 0 es diu que l’expressió lineal és homogènia.
Vicenç Sales
Teorema 1.53 rg (A|X − P ) = rg A.
Pàgina 17 de 150 El procés següent s’anomena eliminació de paràmetres lineals.
Observació 1.54 Aplicant el mètode de Gauss a la matriu (A|X − P ) i imposant la con-

dició dels rangs anterior, s’obté un sistema lineal format per equacions lineals que les
incògnites x1 , . . . , xn de l’expressió paramètrica lineal satisfan per a qualssevol λ1 , . . . , λk .
I si l’expressió paramètrica lineal és homogènia, el sistema lineal és també homogeni.
Exemple 1.55 Eliminem paràmetres pel mètode de Gauss de l’expressió paramètrica lineal
x = 2 + λ + µ + 3ν + ρ 
    
 1 1 3 1 x−2 1 1 3 1 x−2
y = 2 + λ + 2µ + 4ν + 2ρ 

1 2 4 2 y−2  0 1 1 1 −x + y 
;   '  '
z =µ+ν+ρ 

 0 1 1 1 z  0 1 1 1 z 
2 0 4 1 t − 4 F2 ∼F2 −F1 0 2 2 1 2x − t F3 ∼F3 −F2


t = 4 + 2λ + 4ν + ρ F4 ∼2F1 −F4 F4 ∼2F2 −F4
   
1 1 3 1 x−2 1 1 3 1 x−2
0 1 1 1 −x + y   0 1 1 1 −x + y 
  ' .
0 0 0 0 x−y+z   0 0 0 1 −4x + 2y + t 
0 0 0 1 −4x + 2y + t F3 ∼F4 0 0 0 0 x−y+z
F4 ∼F3
I com que rg A = 3, cal que rg (A|X − P ) = 3 també, que equival a que
x − y + z = 0.
Els sistemes d’equacions lineals o sistemes lineals s’escriuen en la forma AX = B. A es
diu matriu de coeficients; B de termes independents; X d’incògnites; i (A|B) ampliada.
UPC I la resolució de sistemes lineals és el procés invers de l’eliminació de paràmetres lineals.
ETSEIAT
Definició 1.56 Un sistema lineal és compatible si té solucions i incompatible si no en
té. I és compatible determinat si en té una sola i indeterminat si en té més d’una.
Els sistemes lineals homogenis són compatibles, ja que x1 = . . . = xn = 0 és solució.
Rafel Amer Teorema 1.57 (a) Un sistema lineal AX = B és compatible si, i només si,
rg (A|B) = rg A .
(b) Un sistema lineal AX = B és compatible determinat si, i només si,
Vicenç Sales
rg (A|B) = rg A = n .
Pàgina 18 de 150 Aquest resultat s’anomena teorema de Rouché–Fröbenius. I si el sistema és compatible,
el nombre d’incògnites lliures o paràmetres es diu graus de llibertat i és igual a n − rg A.
Observació 1.58 Podem resoldre sistemes lineals aplicant el mètode de Gauss:

• primer es troba el caràcter aplicant el mètode de Gauss a la matriu (A|B);
• si és compatible, s’aı̈lla la incògnita d’un pivot i se substitueix a les equacions d’abans.
Exemple 1.59 Resolguem pel mètode de Gauss el sistema lineal
x + y + 3z + t =5 
    
 1 1 3 1 5 1 1 3 1 5
x + 2y + 4z + 2t =9 

1 2 4 2 9 0 1 1 1 4
;   '  '
y + z + t =4 

 0 1 1 1 4  0 1 1 1 4
2 0 4 1 4 F2 ∼F2 −F1 0 2 2 1 6 F3 ∼F3 −F2


2x + 4z + t =4 F4 ∼2F1 −F4 F4 ∼2F2 −F4
   
1 1 3 1 5 1 1 3 1 5 
x + y + 3z + t =5 
0 1 1 1 4 0 1 1 1 4 

0 0 0 0 0
 ' 
0 0 0 1 2
; y + z + t =4 .

t =2

0 0 0 1 2 F3 ∼F4 0 0 0 0 0
F4 ∼F3
I com que rg (A|B) = rg A = 3 < 4, obtenim que el sistema lineal és compatible indeterminat
amb 4 − 3 =1 grau de llibertat. I aleshores, aı̈llant i substituint, s’obtenen les solucions
x = 1 − 2z ; y = 2−z; t = 2.
El mètode de Gauss–Jordan
UPC
Definició 1.60 Es diu que una matriu està en forma reduı̈da per files si, i només si:
ETSEIAT
(i) les files amb tots els coeficients iguals a zero són les últimes;
(ii) el primer coeficient no nul de cada fila està a la dreta del mateix de la fila anterior;
(iii) els coeficients per sota i per sobre de cada coeficient no nul anterior són zero tots.
Rafel Amer
Per tant, la diferència entre la forma triangular i la reduı̈da per files és que en aquesta els
zeros estan no només per sota sinò també per sobre dels pivots.
Vicenç Sales
Observació 1.61 Podem trobar la forma reduı̈da per files d’una matriu permutant files
Pàgina 19 de 150 amb files posteriors si cal en cada columna per tal d’obtenir pivots no nuls i posant zeros
després per sota i per sobre dels pivots.
Aquest procés s’anomena mètode de Gauss–Jordan.
Observació 1.62 Igual es defineix la forma reduı̈da per columnes. I les propietats
anàlogues són també vàlides.
Exemple 1.63 Apliquem el mètode de Gauss–Jordan a la matriu següent:

   
1 1 3 1 1 1 3 1
1 2 4 2 0 1 1 1

0
 '  '
1 1 1 0 1 1 1
2 0 4 1 F2 ∼F2 −F1 0 2 2 ∼F1 −F2
1 FF1 ∼F
F4 ∼2F1 −F4 3 −F
3 2
F4 ∼2F2 −F4
     
1 0 2 0 1 0 2 0 1 0 2 0
0 1 1 1 0 1 1 1 0 1 1 0

0
 '  ' .
0 0 0 0 0 0 1 0 0 0 1
0 0 0 1 F3 ∼F4 0 0 0 0 F 0 0 0 0
F4 ∼F3 2 ∼F2 −F3
Com hem vist ja, els sistemes lineals es poden resoldre pel mètode de Gauss. I, com
veurem tot seguit, també poden ser resolts pel mètode de Gauss–Jordan. En general, tots
UPC dos mètodes són aproximadament igual d’eficaços en aquest cas. En canvi, per a la resta
de qüestions d’aquesta secció el mètode de Gauss–Jordan és més eficaç en general.
ETSEIAT
Observació 1.64 Podem resoldre sistemes lineals AX = B pel mètode de Gauss-Jordan:

• primer es troba el seu caràcter aplicant el mètode de Gauss a la matriu (A|B);
Rafel Amer • i si és compatible, la solució es calcula aı̈llant directament la incògnita de cada equació.
Vicenç Sales
Exemple 1.65 Resolguem pel mètode de Gauss–Jordan el sistema lineal
x + y + 3z + t =5 

Pàgina 20 de 150 
x + 2y + 4z + 2t =9 

.
y + z + t =4 



2x + 4z + t =4
Matricialment, tenim:
   
1 1 3 1 5 1 1 3 1 5
1 2 4 2 9 0 1 1 1 4

0 1 1 1 4
 ' 0 1 1 1
 '
4
2 0 4 1 4 F2 ∼F2 −F1 0 2 2 1 6 FF1 ∼F1 −F2
∼F −F
F4 ∼2F1 −F4 3 3 2
F4 ∼2F2 −F4
     
1 0 2 0 1 1 0 2 0 1 1 0 2 0 1
0 1 1 1 4 0 1 1 1 4 0 1 1 0 2

0
 '  ' .
0 0 0 0 0 0 0 1 2 0 0 0 1 2
0 0 0 1 2 F3 ∼F4 0 0 0 0 0 F 0 0 0 0 0
F4 ∼F3 2 ∼F2 −F3
Per tant, rg A = rg (A|B) = 3 i el sistema lineal és compatible indeterminat amb 4 − 3 = 1

grau de llibertat. I aı̈llant la incògnita de cada equació s’obtenen les solucions

x = 1 − 2z 

y =2−z .

t=2

Definició 1.66 Els sistemes lineals amb mateixos coeficients es diuen simultanis.
UPC
ETSEIAT Són, per tant, sistemes lineals del tipus AX 1 = B 1 , . . . , AX k = B k .
Observació 1.67 Podem resoldre sistemes simultanis pel mètode de Gauss-Jordan:

• primer es troba el seu caràcter aplicant el mètode de Gauss a la matriu (A|B 1 . . . B k );
Rafel Amer
• i pels que siguin compatibles, la solució es calcula aı̈llant la incògnita de cada equació.
Vicenç Sales Exemple 1.68 Resolguem pel mètode de Gauss–Jordan els sistemes lineals
x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
Pàgina 21 de 150  
x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i .
y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
Matricialment, tenim:
   
1 1 3 1 5 4 1 1 3 1 5 4
1 2 4 2 9 6 0 1 1 1 4 2

0 1 1 1 4 2
 '0 1 1 1 4 2
 '
2 0 4 1 4 5 F2 ∼F2 −F1 0 2 2 1 6 3 FF1 ∼F ∼F1 −F2
F4 ∼2F1 −F4 −F 3 3 2
F4 ∼2F2 −F4
     
1 0 2 0 1 2 1 0 2 0 1 2 1 0 2 0 1 2
0 1 1 1 4 2 0 1 1 1 4 2 0 1 1 0 2 1

0
 '  ' .
0 0 0 0 0 0 0 0 1 2 1 0 0 0 1 2 1
0 0 0 1 2 1 F3 ∼F4 0 0 0 0 0 0 F 0 0 0 0 0 0
F4 ∼F3 2 ∼F2 −F3
Per tant, rg A = rg (A|B) = 3 i rg A = rg (A|B 0 )

= 3 i tots dos són compatibles indeterminats
amb 4 − 3 = 1 grau de llibertat. I aı̈llant la incògnita de cada equació s’obtenen les solucions
0 0
 
x = 1 − 2z   x = 2 − 2z 

y =2−z i y0 = 1 − z0 .
0
 
t=2 t =1
 
Teorema 1.69 (a) L’equació matricial AX = B té solució si, i només si,
UPC rg (A|B) = rg A .
ETSEIAT (b) L’equació matricial AX = B té solució única si, i només si,
rg (A|B) = rg A = n .
L’equació matricial AX = B és equivalent als sistemes simultanis AX 1 = B 1 , . . . , AX p = B p .
Rafel Amer
Observació 1.70 Podem resoldre aquesta equació matricial pel mètode de Gauss-Jordan:
• primer es troba el seu caràcter aplicant el mètode de Gauss a la matriu (A|B);
• i si té solució, aquesta és la matriu que té per columnes les dels sistemes simultanis.
Vicenç Sales
Exemple 1.71 Resolguem pel mètode de Gauss–Jordan l’equació matricial

Pàgina 22 de 150
x x0
    
1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2  .
    
2 0 4 1 t t0 4 5
L’equació anterior equival als sistemes lineals simultanis
x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
 
x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i
y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
que, com hem vist en l’exemple anterior, tenen solucions
x0 = 2 − 2z 0 
 
x = 1 − 2z 
 
y =2−z i y0 = 1 − z0
t0 = 1
 
t=2
 
i, en conseqüència, les solucions són
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
Proposició 1.72 L’equació matricial XA = B equival a l’equació matricial At X t = B t .
UPC
ETSEIAT Ja que la segona s’obté transposant la primera.
Observació 1.73 Podem resoldre aquesta equació matricial pel mètode de Gauss–Jordan:
• primer es transposa l’equació anterior, obtenint l’equació matricial At X t = B t ;
Rafel Amer
• després es troba el seu caràcter aplicant el mètode de Gauss a la matriu (At |B t );
• si té solució, es resol pel mètode de Gauss–Jordan per a equacions del tipus AX = B;
t
• finalment, es transposa la solució anterior i s’obté la solució final: X = X t .
Vicenç Sales
Exemple 1.74 Resolguem pel mètode de Gauss–Jordan l’equació matricial

Pàgina 23 de 150  
1 1 0 2
x y z t  1 2 1 0 = 5 9 4 4 .

x0 y 0 z 0 t0  3 4 1 4  4 6 2 5
1 2 1 1
Transposant, ens queda l’equació matricial del tipus AX = B
x x0
    
1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2 
    
2 0 4 1 t t0 4 5
que, com hem vist en l’exemple anterior, té solució
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
I transposant aquesta matriu, s’obtenen les solucions de l’equació matricial inicial:
t
1 − 2z 2 − 2z 0

 2 − z 1 − z0 

x y z t 1 − 2z 2 − z z 2
= = .
x0 y 0 z 0 t0 z0  2 − 2z 0 1 − z 0 z 0 1
 
z
2 1
Teorema 1.75 AX = I i XA = I tenen solució si, i només si, A és regular.
UPC
I, en tal cas, la solució és única i la mateixa per a totes dues equacions matricials.
ETSEIAT
Definició 1.76 Aquesta matriu solució comú s’anomena inversa d’A.
Escriurem A−1 en tal cas. I es té, per tant, que AA−1 = A−1 A = I.
Rafel Amer Proposició 1.77 (a) (αA)−1 = α1 A−1 , si α 6= 0.

(b) (AB)−1 = B −1 A−1 .
(c) (At )−1 = (A−1 )t .
Vicenç Sales (d) (A−1 )−1 = A.
Pàgina 24 de 150
En particular, aplicant el mètode de Gauss–Jordan a la matriu (A|I) s’obté la inversa d’A.
Teorema 1.78 Si A és regular, les solucions respectives de AX = B i XA = B són

X = A−1 B i X = BA−1 .
Sigui ara A una matriu regular.
Teorema 1.79 A és ortogonal si, i només si, A−1 = At .
Exemple 1.80 Trobem la inversa de la submatriu següent pel mètode de Gauss–Jordan:

   
1 1 1 1 0 0 1 1 1 1 0 0
1 2 2 0 1 0 '  0 1 1 −1 1 0 '
2 0 1 0 0 1 F2 ∼F2 −F1 0 2 1 2 0 −1 F1 ∼F1 −F2
F3 ∼2F1 −F3 F3 ∼2F2 −F3
   
1 0 0 2 −1 0 1 0 0 2 −1 0
0 1 1 −1 1 0 '0 1 0 3 −1 −1  .
0 0 1 −4 2 1 F ∼F −F 0 0 1 −4 2 1
2 2 3
Per tant, la inversa és
 −1  
1 1 1 2 −1 0
 1 2 2  =  3 −1 −1  .
2 0 1 −4 2 1
2 DETERMINANTS
Determinants
UPC Una permutació de N = {1, . . . , n} és una reordenació dels elements. El conjunt de per-
mutacions de N es representa per Pn i consta de n! = n(n − 1) · . . . · 2 · 1 elements. Donats
ETSEIAT i, j ∈ N amb i < j i una permutació σ de Pn , diem que i i j estan invertits en σ si j apareix
abans que i. I el signe de σ és 1 si el nombre d’inversions de σ és parell o −1 si és senar.
Definició 2.1 El determinant d’una matriu quadrada A d’ordre n és

1
a . . . an
1 1
det A = |A| = ... .. = X (σ)aσ1 . . . aσn .
Rafel Amer
1 . 1 n
a . . . an σ∈Pn
n n
Vicenç Sales
Evidentment, |a11 | = a11 . I tenim les fórmules següents, la segona dita regla de Sarrus:
1
a21 a31

Pàgina 25 de 150 1 2 a1
a1 a1
= a11 a22 − a21 a12 i a1 a32 = a11 a22 a33 + a21 a32 a13 + a31 a12 a23 − a31 a22 a13 − a21 a12 a33 − a11 a32 a23 .

1
a a 2 2 a22
2 2 a1 a23 a33
3
Observació 2.2 Si Aji és la submatriu d’A sense la fila i i la columna j, l’adjunt d’aji és
αij = (−1)i+j det Aji .
El teorema següent es diu regla de Laplace o desenvolupament per una fila o columna.
Teorema 2.3 (a) det A = a1i αi1 + . . . + ani αin .

(b) det A = aj1 α1j + . . . + ajn αnj .
Exemple 2.4 Desenvolupem per la primera columna en el determinant d’ordre 4 següent:

4 2 2 1
−4 −1 2 2 2 1 2 2 1 2 2 1
2 −4 −1 2
= 4 · 1 −4 −2 −2 · 1 −4 −2 +2 · −4 −1 2 −1 · −4 −1 2

2 1 −4 −2 −2

1 −2
2 −4 −2 2 −4 −2 2 −4 1 −4 −2
2 −4
= 4 · (−64 + 4 − 4 − 16 − 16 − 4) − 2 · (32 + 2 + 8 − 8 + 8 + 8) + 2 · (8 − 8 − 8 − 2 − 8 − 32)
−1 · (4 + 16 + 4 + 1 + 16 − 16) = 4 · (−100) − 2 · 50 + 2 · (−50) − 1 · 25 = −625 .
Teorema 2.5 (a) det (A1 . . . B i + C i . . . An ) = det (A1 . . . B i . . . An ) + det (A1 . . . C i . . . An ).
UPC (b) det (A1 . . . αAi . . . An ) = α det (A1 . . . Ai . . . An ).
(c) det (A1 . . . Ai . . . Ai . . . An ) = 0.
ETSEIAT
(d) det I = 1.
Les dues primeres propietats reben el nom de multilinealitat; i la tercera, alternança.
Rafel Amer Proposició 2.6 (a) det (A1 . . . 0 . . . An ) = 0.

(b) det (A1 . . . Aj . . . Ai . . . An ) = − det (A1 . . . Ai . . . Aj . . . An ).
(c) det (A1 . . . Ai + αAj . . . Aj . . . An ) = det (A1 . . . Ai . . . Aj . . . An ).
Vicenç Sales
Observem que els apartats (b) i (c) de la proposició i l’apartat (b) del teorema mostren les
Pàgina 26 de 150 propietats dels determinants en les transformacions elementals per columnes.
Proposició 2.7 Si aj1 = . . . = aji−1 = aji+1 = . . . = ajn = 0 llavors

det A = aji αij .
Totes les propietats anteriors són igualment vàlides per a files.
Observació 2.8 Podem posar zeros en una fila o columna amb transformacions elemen-
tals fins que tots els elements excepte un siguin zero i desenvolupar per aquesta fila o
columna aplicant la fórmula del cas particular anterior.
Exemple 2.9 Posant zeros a la primera columna, el determinant d’ordre 4 d’abans és:

4 2 2 1 4 2 2 1
−10 −4 3
2 −4 −1 2 1 1 1 0 −10 −4
3 1
= · · · = · 4 · 0 −10 −5
2 1 −4 −2 2 2 4 0 0 −10 −5 16

−10
6 −17
1 −2 2 −4 FF2 ∼2F2 −F1
∼2F −F
0 −10 6 −17
3 3 1
F4 ∼4F4 −F1
−1700 + 0 − 200 − (300 + 300 + 0) −2500
= = = −625 .
4 4
Proposició 2.10 Si una matriu quadrada A està en forma triangular aleshores
UPC det A = a11 . . . ann .
ETSEIAT
L’aplicació del mètode de Gauss tenint en compte l’efecte de les transformacions elemen-
Rafel Amer tals en els determinants s’anomena mètode de Gauss per al càlcul de determinants.
Vicenç Sales
Pàgina 27 de 150
Observació 2.11 En certs casos, es pot aprofitar la propietat anterior per a calcular el
determinant d’una matriu d’una forma més fàcil. Cal insistir, però, que aquesta forma
de procedir no és general.
Exemple 2.12 Calculem el determinant d’ordre 4 anterior pel mètode de Gauss:

4 2 2 1 4 2 2 1

2 −4 −1 2 1 1 1 0 −10 −4 3
= · · · =
2
1 −4 −2 2 2 4 0 0 −10 −5
1 −2 ∼2F2 −F1
2 −4 FF2 ∼2F 0 −10 6 −17 F ∼F −F
3 −F
3 1 4 4 2
4 F ∼4F −F
4 1

4 2 2 1 4 2 2 1

1 0 −10 −4 3 1 0 −10 −4 3
· = ·
16 0 0 −10 −5 16 0 0 −10 −5
0 0 10 −20 F 0 0 0 −25
4 ∼F3 +F4
1
· 4 · (−10) · (−10) · (−25) = −625 .
16
Teorema 2.13 (a) det (αA) = αn det A, essent n l’ordre de la matriu A.
UPC (b) det (AB) = det A · det B.
(c) det At = det A.
ETSEIAT
El determinant de la suma de matrius, en canvi, no segueix cap fórmula senzilla.
Rafel Amer
Proposició 2.14 det At A = det AAt = (det A)2 .

Vicenç Sales
Pàgina 28 de 150 I, en particular, es té que

det At A = det AAt ≥ 0 .
Proposició 2.15 (a) det (−A) = (−1)n det A, essent n l’ordre de la matriu A.
(b) det (Ak ) = (det A)k .
Exemple 2.16 El determinant de la matriu

 
4 2 2 1
1  2 −4 −1 2
A=  
5 2
 1 −4 −2 
1 −2 2 −4
és  

4 2 2 1
4
4 2 2 1

1  2 −4 −1 2 
 1 2 −4 −1 2 1
det A = 
 = ·
= · (−625) = −1
5 2 1 −4 −2 
5 2 1 −4 −2 625

1 −2 2 −4 1 −2 2 −4
ja que, com hem vist en exemples anteriors, l’anterior determinant és −625.
Definició 2.17 Les matrius quadrades amb determinant estrictament positiu es diuen
UPC directes; i les de determinant estrictament negatiu, inverses.
ETSEIAT No s’han de confondre els conceptes d’inversa d’una matriu regular –que és la matriu que,
multiplicada per la matriu original, dona la matriu identitat– i el de matriu inversa –que
és una matriu amb determinant negatiu–.
Definició 2.18 Dues matrius A i B són del mateix tipus si totes dues són directes o
Rafel Amer
inverses; i són de diferent tipus si una és directa i l’altra és inversa.
En particular, les matrius que poden ser del mateix o de diferent tipus són les regulars; i,
Vicenç Sales en general, les matrius quadrades es classifiquen en directes, inverses i singulars.
Pàgina 29 de 150
Proposició 2.19 Si α > 0 aleshores A i αA són del mateix tipus; i si α < 0 aleshores A i
αA són del mateix tipus si n és parell i de diferent tipus si n és senar.
En particular, A i −A són del mateix tipus si n és parell i de diferent tipus si n és senar.
Proposició 2.20 Si A i B són del mateix tipus llavors AB és directa; i si A i B són de
diferent tipus aleshores AB és inversa.
En particular, si A és directa llavors A i Ak són del mateix tipus; i si A és inversa aleshores
A i Ak són del mateix tipus si n és senar i de diferent tipus si n és parell.
Proposició 2.21 A i At són del mateix tipus.
Exemple 2.22 La matriu anterior

 
4 2 2 1
1  2 −4 −1 2
A=  
5 2
 1 −4 −2 
1 −2 2 −4
és inversa ja que, con hem vist en l’exemple anterior,
det A = −1< 0 .
Teorema 2.23 El determinant de tota matriu ortogonal quadrada és 1 o −1.
UPC
ETSEIAT
Per tant, les de determinant 1 són les directes; i les de determinant −1, les inverses.
Rafel Amer
Observació 2.24 És fals que si el determinant de A és 1 o −1 llavors A és ortogonal.
Vicenç Sales
Les matrius quadrades ortogonals d’ordre 2 són fàcils de reconèixer.
Pàgina 30 de 150
Proposició 2.25 Les matrius quadrades ortogonals directes i inverses d’ordre 2 són

a −b a b
i ,
b a b −a
amb a2 + b2 = 1, respectivament.

 
4 2 2 1
1  2 −4 −1 2
A=  
52 1 −4 −2 
1 −2 2 −4
és ortogonal inversa, ja que
     
4 2 2 1 4 2 2 1 25 0 0 0
1  2 −4  1  2 −4 −1
1 −2  2 = 1  0 25 0 0  = I
At A = 
  
5  2 −1 −4 2 5 2 1 −4 −2  25  0 0 25 0 
1 2 −2 −4 1 −2 2 −4 0 0 0 25
i, tal com hem vist en l’exemple anterior, det A = −1.
Els mètodes dels menors i de Cramer
UPC
ETSEIAT
Definició 2.27 S’anomena menor d’ordre r d’una matriu A del tipus m×n al determinant
de qualsevol submatriu quadrada d’ordre r de la matriu A.
Els menors d’ordre 1 són els elements de la matriu.

Rafel Amer
Definició 2.28 Diem que un menor M 0 és una orla d’un menor M si la submatriu que
Vicenç Sales
correspon a M 0 s’obté afegint una fila i una columna a la submatriu corresponent a M .
Pàgina 31 de 150
Es diu també que el menor M 0 s’ha obtingut orlant el menor M .
Observació 2.29 En general, es parla de mètode dels menors en tots aquells procedi-
ments que utilitzen menors i orles.
Exemple 2.30 Considerem la matriu

 
1 1 3 1
1 2 4 2
A=  0 1 1 1.

2 0 4 1
El menor d’ordre 2 corresponent a les dues primeres files i columnes és

1 1
1 2 = 1.

I els menors obtinguts orlant aquest menor amb la tercera fila i les altres columnes són

1 1 3 1 1 1

1 2 4 = 1 2 2 = 0.

0 1 1 0 1 1
Viem com s’aplica el mètode dels menors als conceptes de combinació lineal i dependència
i independència lineal de files i columnes.
UPC
ETSEIAT
Teorema 2.31 r files d’una matriu A són linealment independents si, i només si, existeix
algun menor d’ordre r no nul obtingut a partir d’aquestes files.
Rafel Amer Tant aquesta propietat com la següent són igualment vàlides en el cas de columnes.
Vicenç Sales
Teorema 2.32 Si r files d’una matriu A són linealment independents i M és un menor
Pàgina 32 de 150
d’ordre r no nul obtingut amb aquestes mateixes files i les columnes que sigui llavors
una altra fila és combinació lineal d’aquestes si, i només si, tots els menors obtinguts
orlant el menor M anterior amb la nova fila i totes les altres columnes són iguals a 0.
Exemple 2.33 Considerem la matriu anterior

 
1 1 3 1
1 2 4 2
A=  0 1 1 1.

2 0 4 1
Com que el menor d’ordre 2 format per les dues primeres files i columnes

1 1

1 2
era no nul, obtenim que les dues primeres files són linealment independents. I com que
els menors obtinguts orlant aquest menor amb la tercera fila i les altres columnes

1 1 3 1 1 1

1 2 4 i 1 2 2

0 1 1 0 1 1
eren tots dos nuls, s’obté que la tercera fila és combinació lineal de les dues primeres files
i, en particular, que les tres primers files són linealment dependents.
Viem com s’aplica el mètode dels menors a la determinació del rang d’una matriu.
UPC
Teorema 2.34 El rang d’una matriu és l’ordre dels seus menors no nuls d’ordre màxim.
ETSEIAT
Exemple 2.35 Calculem el rang de la matriu anterior pel mètode dels menors:
 
1 1 3 1
1 2 4 2
A= 0 1 1 1 .

Rafel Amer
2 0 4 1
Com que, en orlar amb la tercera fila els dos menors han estat nuls, passem ara a orlar
Vicenç Sales
amb la quarta fila. Llavors tenim que

1 1 3
Pàgina 33 de 150

1 2 4 = 0

2 0 4
però, en canvi,
1 1 1

1 2 2 = 16= 0 .

2 0 1
I com que hem vist que la tercera fila és combinació lineal de les dues primeres, obtenim
que no poden haver–hi quatre files linealment independents. Per tant, el rang no pot ser 4
i, en conseqüència, tenim que
rg A = 3 .
Observació 2.36 Observem que ens hem estalviat calcular el determinant

1 1 3 1

1 2 4 2
0 1 1 1 .

2 0 4 1
Això es deu a l’ús del concepte de combinació lineal de files que hem fet. Aquesta forma
de procedir és interessant aplicar–la sempre que sigui possible.
Veiem com s’aplica el mètode dels menors a la determinació de si una matriu és regular i,
en cas negatiu, a la localització d’una submatriu regular d’ordre màxim.
UPC
ETSEIAT
Teorema 2.37 Una matriu quadrada A és regular si, i només si,
det A 6= 0 .
Rafel Amer
Per tant, les matrius regulars són les no singulars, és a dir, les directes i les inverses.
Vicenç Sales
Pàgina 34 de 150
Observació 2.38 En particular, les submatrius quadrades regulars d’ordre màxim són
les corresponents a menors no nuls d’ordre màxim.

 
1 1 3 1
1 2 4 2
A=
0

1 1 1
2 0 4 1
no és regular, ja que rg A 6= 4.
I tenint en compte que el menor no nul d’ordre màxim trobat abans correspon a la primera,
segona i quarta files i la primera, segona i quarta columnes, sobté la submatriu quadrada
regular d’ordre màxim de la matriu A
 
1 1 1
Ā =  1 2 2  .
2 0 1
Veiem com s’aplica el mètode dels menors a la eliminació de paràmetres lineals d’una
expressió paramètrica lineal.
UPC
ETSEIAT
Observació 2.40 Per eliminar els paràmetres d’una expressió paramètrica lineal X =
Aλ + P només cal imposar la condició
rg A = rg (A|X − P )
a la matriu (A|X − P ), fent el càlcul dels rangs pel mètode dels menors.
Rafel Amer
Vicenç Sales
Exemple 2.41 Eliminem paràmetres pel mètode dels menors de l’expressió paramètrica
lineal
x = 2 + λ + µ + 3ν + ρ 
Pàgina 35 de 150


y = 2 + λ + 2µ + 4ν + 2ρ 

.
z =µ+ν+ρ 



t = 4 + 2λ + 4ν + ρ
En primer lloc, la matriu corresponent és
 
1 1 3 1 x−2
1 2 4 2 y−2
 .
0 1 1 1 z 
2 0 4 1 t−4
Llavors, com hem vist en exemples anteriors, tenim que rg A = 3 i una submatriu regular
d’ordre màxim és la formada per la primera, segona i quarta files i la primera, segona i
quarta columnes. Per tant, imposant la condició anterior dels rangs, tenim que ha der ser
també rg (A|X − P ) = 3. I això equival a

1 1 1 x−2

1 2 2 y−2
=0
0 1 1 z

2 0 1 t−4
que, desenvolupant, queda
x − y + z = 0.
Els sistemes lineals AX = B amb matriu A regular es diuen de Cramer.
UPC
Teorema 2.42 Si un sistema lineal AX = B és de de Cramer llavors, per a tot i = 1, . . . , n
ETSEIAT det (A1 . . . Ai−1 B Ai+1 . . . An )
xi = .
det A
Aquesta fórmula s’anomena regla de Cramer. I el procés següent, mètode de Cramer.
Rafel Amer
Observació 2.43 Podem resoldre sistemes lineals AX = B de la forma següent:
• primer es troba el seu caràcter aplicant el mètode dels menors a la matriu (A|B);
• i si és compatible, s’aplica la regla de Cramer al sistema de Cramer obtingut suprimint
Vicenç Sales les files que no són d’Ā i passar restant els termes que no són d’Ā als independents.
Pàgina 36 de 150
Exemple 2.44 Resolguem pel mètode de Cramer el sistema lineal
x + y + 3z + t =5 
  
 1 1 3 1 5
x + 2y + 4z + 2t =9 

1 2 4 2 9
; 
0 1 1 1 4 .

y + z + t =4 

2 0 4 1 4


2x + 4z + t =4
En primer lloc, tal com hem vist en exemples anteriors, tenim que rg A = 3. I com que

1 1 1 5

1 2 2 9
0 1 1 4 = 0,

2 0 1 4
és rg (A|B) = rg A = 3 i el sistema és compatible indeterminat i equivalent al de Cramer

x + y + t =5 − 3z 


1 1 1 5 − 3z

x + 2y + 2t =9 − 4z ;  1 2 2 9 − 4z  .
2 0 1 4 − 4z

2x + t =4 − 4z

I aplicant ara la regla de Cramer s’obtenen les solucions

5 − 3z 1 1 1 5 − 3z 1 1 1 5 − 3z

9 − 4z 2 2 1 9 − 4z 2 1 2 9 − 4z

4 − 4z 0 1 2 4 − 4z 1 2 0 4 − 4z
x= = 1 − 2z ; y= = 2−z; t= = 2.
det A det A det A
El mètode de l’adjunta
UPC
ETSEIAT Definició 2.45 S’anomena matriu adjunta d’una matriu quadrada A a la matriu del
mateix tipus que resulta de substituir cada coeficient aji de A pel seu adjunt Aji .
Escriurem Aad en tal cas. És fàcil recordar el signe corresponent a cada coeficient amb
Rafel Amer l’ajut de l’esquema següent, que es coneix com a regla dels escacs:
 
+ − + − ···
 − + − + ··· 
 
 + − + − ··· 
Vicenç Sales
 .
 − + − + ··· 
 
Pàgina 37 de 150 .. .. .. .. . .
. . . . .
Proposició 2.46 (a) (Aad )t = (At )ad .

(b) A(Aad )t = (Aad )t A = (det A)I.
Exemple 2.47 Donada la matriu

 
1 1 1
 1 2 2,
2 0 1
la seva matriu adjunta és

2 2 1 2 1 2
−
 0 1 2 1 2 0
 ad    
1 1 1 
 1
 2 3 −4
1
1 1 − 1 1  =  −1 −1

 − 0
1 2 2 = 2.
1 2 1 2 0
2 0 1 
 
 0 −1 1
 1 1 1 1 1 1

2 −
2 1 2 1 2
Recordem que les matrius invertibles són les regulars, és a dir, les que
det A 6= 0 .
UPC
ETSEIAT
Proposició 2.48 Si A és regular llavors
1
det A−1 =

.
det A
Rafel Amer
En particular, Si A és regular llavors A i A−1 són del mateix tipus.
Vicenç Sales
Teorema 2.49 Si A és regular aleshores

Pàgina 38 de 150 1
A−1 = (Aad )t .
det A
En general, es parla de mètode de l’adjunta en tots aquells procediments que utilitzen la

inversa, però calculada a partir de la fórmula anterior.
Observació 2.50 Com veurem tot seguit, els sistemes lineals es poden resoldre també
pel mètode de l’adjunta. Però, en general, el mètode de Cramer és més eficaç en aquest
cas. En canvi, per a la resta de qüestions d’aquesta secció el mètode de l’adjunta és més
eficaç en general.
Exemple 2.51 Calculem la inversa de la matriu A anterior pel mètode de l’adjunta:

 −1  ad t  t  
1 1 1 1 1 1 2 3 −4 2 −1 0
1 1
1 2 2 =  1 2 2   =  −1 −1 2  =  3 −1 −1  .
 
1 1 1 1
2 0 1 2 0 1 0 −1 1 −4 2 1
1 2 2

2 0 1
Veiem com s’aplica el mètode de l’adjunta a la resolució de sistemes lineals.
UPC
Observació 2.52 • Primer es troba el caràcter aplicant el mètode dels menors a (A|B);
ETSEIAT • i si és compatible, es resol l’equació equivalent ĀX̄ = B̄ –obtinguda suprimint les
files que no són del menor no nul d’ordre màxim i passant a la columna de termes
independents les incògnites que no són del menor– amb la fórmula X̄ = Ā−1 B̄, calculant
la inversa pel mètode de l’adjunta.
Rafel Amer
Exemple 2.53 Resolguem pel mètode de l’adjunta el sistema lineal
x + y + 3z + t =5 
  
 1 1 3 1 5
x + 2y + 4z + 2t =9 

1 2 4 2 9
Vicenç Sales
; (A|B) = 
0 1 1 1 4 .

y + z + t =4 

2 0 4 1 4


Pàgina 39 de 150
2x + 4z + t =4
Aleshores, com que

1 1 3 1 1 1 1 5
1 1 1
1 2 4 2 1 2 2 9
1 2 2 = 1 6= 0 i 0 1 1 1 = 0 1 1 4 = 0,

2 0 1
2 0 4 1 2 0 1 4
tenim que rg A = rg (A|B) = 3 i el sistema lineal és compatible indeterminat amb 4 − 3 = 1
grau de llibertat. I suprimint la darrera fila i passant a l’altre costat la incògnita z, s’obté

x + y + t =5 − 3z 


1 1 1
  
x 5 − 3z

x + 2y + 2t =9 − 4z ;  1 2 2   y  =  9 − 4z  .
2 0 1 t 4 − 4z

2x + t =4 − 4z

I multiplicant per l’esquerra per la inversa de la matriu calculada anteriorment, queda
   −1     
x 1 1 1 5 − 3z 2 −1 0 5 − 3z
 y  =  1 2 2   9 − 4z  =  3 −1 −1   9 − 4z 
t 2 0 1 4 − 4z −4 2 1 4 − 4z
d’on, operant, s’obtenen les solucions

x = 1 − 2z 

y =2−z .

t=2

Veiem com s’aplica el mètode de l’adjunta a la resolució d’equacions matricials AX = B.
UPC
Observació 2.54 • Primer es troba el caràcter aplicant el mètode dels menors a (A|B);
ETSEIAT • i sité solució, es resol l’equació equivalent ĀX̄ = B̄ –obtinguda suprimint les files que
no són del menor no nul d’ordre màxim i passant a la columna de termes independents
les incògnites que no són del menor– amb la fórmula X̄ = Ā−1 B̄, calculant la inversa pel
mètode de l’adjunta.
Rafel Amer Exemple 2.55 Resolguem pel mètode de l’adjunta l’equació matricial
x0
      
1 1 3 1 x 5 4 1 1 3 1 5 4
1 2 4 2 y y0 
=
9 6
 ; (A|B) = 
1 2 4 2 9 6.
z0   4 2 
Vicenç Sales
 
0 1 1 1 z 0 1 1 1 4 2
2 0 4 1 t t0 4 5 2 0 4 1 4 5
Pàgina 40 de 150
Com que

1 1 3 1 1 1 1 5 1 1 1 4
1 1 1
1 2 4 2 1 2 2 9 1 2 2 6
1 2
2 = 1 6= 0 i 0 1 1 1 = 0 1 1 4 = 0 1 1 2 = 0,

2 0 1
2 0 4 1 2 0 1 4 2 0 1 5
tenim que rg A = rg (A|B) = 3 i obtenim, per tant, que l’equació matricial té infinites
solucions. I suprimint la darrera fila i passant a l’altre costat les incògnites z i z 0 s’obté
x x0 5 − 3z 4 − 3z 0
    
1 1 1
 1 2 2   y y 0  =  9 − 4z 6 − 4z 0 
2 0 1 t t0 4 − 4z 5 − 4z 0
que, multiplicant per l’esquerra per la inversa de la matriu calculada anteriorment, queda
−1 
x x0 5 − 3z 4 − 3z 0 1 − 2z 2 − 2z 0
     
1 1 1
 y y 0  =  1 2 2   9 − 4z 6 − 4z 0  =  2 − z 1 − z 0  .
t t0 2 0 1 4 − 4z 5 − 4z 0 2 1
0 0 0
I substituint x, x , y, y , t i t a la matriu incògnita s’obtenen les solucions
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
Veiem com s’aplica el mètode de l’adjunta a la resolució d’equacions matricials XA = B.
UPC
ETSEIAT
Observació 2.56 • Primer es transposa l’equació anterior, obtenint l’equació At X t = B t ;

• després es troba el seu caràcter aplicant el mètode dels menors a la matriu (At |B t );
• si té solució, es resol pel mètode de l’adjunta per a equacions del tipus AX = B;
t
Rafel Amer
• finalment, es transposa la solució anterior i s’obté la solució final: X = X t .
Vicenç Sales
Pàgina 41 de 150
Exemple 2.57 Resolguem pel mètode de l’adjunta l’equació matricial
 
1 1 0 2
x y z t  1 2 1 0 = 5 9 4 4 .

x0 y 0 z 0 t0  3 4 1 4  4 6 2 5
1 2 1 1
Transposant, ens queda l’equació matricial del tipus AX = B
x x0
    
1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2 
    
2 0 4 1 t t0 4 5
que, com hem trobat en l’exemple anterior pel mètode de l’adjunta, té solució
x x0 1 − 2z 2 − 2z 0
   
 y y0   2 − z 1 − z0 
 z z0  =  z
.
z0 
  
t t0 2 1
I transposant aquesta matriu, s’obtenen les solucions de l’equació matricial inicial:
 0
t
1 − 2z 2 − 2z
 2 − z 1 − z0 

x y z t 1 − 2z 2 − z z 2
= = .
x0 y 0 z 0 t0 z0  2 − 2z 0 1 − z 0 z 0 1
 
z
2 1
Veiem com s’aplica el mètode de l’adjunta a la resolució de sistemes lineals simultanis.
UPC
ETSEIAT
Observació 2.58 • Primer es troba el caràcter de cadascun aplicant el mètode dels
menors a (A|B 1 . . . B k );
• i pels que siguin compatibles, es determina la solució de l’equació matricial ĀX̄ = B̄ pel
mètode de l’adjunta –essent B la matriu formada per les columnes de termes indepen-
dents dels sistemes anteriors–, obtenint-se aixı́ les solucions X̄ 1 , . . . , X̄ p corresponents a
Rafel Amer
les columnes de la matriu X̄.
Vicenç Sales
Exemple 2.59 Resolguem pel mètode de l’adjunta els sistemes lineals
x + y + 3z + t =5  x0 + y 0 + 3z 0 + t0 =4 
 
Pàgina 42 de 150  
x + 2y + 4z + 2t =9  x0 + 2y 0 + 4z 0 + 2t0 =6 
 
i .
y + z + t =4 

 y 0 + z 0 + t0 =2 


2x0 + 4z 0 + t0 =5
 
2x + 4z + t =4
En primer lloc, tal com hem vist en exemples anteriors, tenim que rg A = rg (A|B) = 3 i
rg A = rg (A|B 0 ) = 3 i obtenim, per tant, que tots dos sistemes són compatibles indetermi-
nats amb 4 − 3 = 1 grau de llibertat. Llavors, agrupant–los en l’equació matricial
x x0
    
1 1 3 1 5 4
 1 2 4 2   y y0   9 6 
 0 1 1 1   z z0  =  4 2  ,
    
2 0 4 1 t t0 4 5
tal com hem vist en exemples anteriors, obtenim que la seva solució és
x x0 1 − 2z 2 − 2z 0
   
 y y0  =  2 − z 1 − z0  .
t t0 2 1
I, en conseqüència, les solucions dels sistemes lineals simultanis són, respectivament,
x0 = 2 − 2z 0 
 
x = 1 − 2z 
 
y =2−z i y0 = 1 − z0 .
t0 = 1
 
t=2
 
3 ESPAIS VECTORIALS
L’espai vectorial
UPC
En el context següent, els elements (x1 , . . . , xn ) ∈ Rn representaran vectors.
ETSEIAT
Definició 3.1 S’anomena suma de ~x = (x1 , . . . , xn ) ∈ Rn i ~y = (y1 , . . . , yn ) ∈ Rn a

~x + ~y = (x1 + y1 , . . . , xn + yn ) ∈ Rn .
~0 = (0, . . . , 0) s’anomena vector nul; i −~x = (−x1 , . . . , −xn ), vector oposat de ~x.
Rafel Amer
Teorema 3.2 (a) (~x + ~y ) + ~z = ~x + (~y + ~z).

Vicenç Sales (b) ~0 + ~x = ~x.
(c) ~x + (−~x) = ~0.
Pàgina 43 de 150
(d) ~x + ~y = ~y + ~x.
Aquestes propietats reben els noms respectius d’associativa, element neutre, element
oposat i commutativa. I per l’associativitat escriurem ~x + ~y + ~z.
Proposició 3.3 (a) −(−~x) = ~x.

(b) −(~x + ~y ) = (−~x) + (−~y ).
Per la segona propietat escriurem −~x − ~y . I escriurem també ~x − ~y en lloc de ~x + (−~y ).

~y
~x + ~y
~x
Exemple 3.4 Si ~x = (2, −1, 0) i ~y = (0, 2, 1) aleshores

~x + ~y = (2, −1, 0) + (0, 2, 1) = (2, 1, 1) .
Definició 3.5 S’anomena producte de l’escalar α ∈ R i el vector ~x = (x1 , . . . , xn ) ∈ Rn a
UPC α~x = (αx1 , . . . , αxn ) ∈ Rn .
ETSEIAT
Les propietats següents reben els noms respectius de distributiva respecte de la suma de
vectors, distributiva respecte de la suma d’escalars, compatibilitat amb el producte
d’escalars i producte per la unitat.
Rafel Amer
Teorema 3.6 (a) α(~x + ~y ) = α~x + α~y .
(b) (α + β)~x = α~x + β~x.
Vicenç Sales (c) α(β~x) = (αβ)~x.
(d) 1~x = ~x.
Pàgina 44 de 150
Per la compatibilitat escriurem αβ~x.
Proposició 3.7 (a) α~x = ~0 si, i només si, α = 0 o ~x = ~0.

(b) (−α)~x = α(−~x) = −(α~x).
Per aquesta darrera propietat escriurem −α~x.
−2~x
−~x
~x
2~x
3~x
Exemple 3.8 Si ~x = (2, −1, 0) aleshores

−2~x = −2(2, −1, 0) = (−4, 2, 0) .
Observació 3.9 Els conjunts finits de vectors {~v1 , . . . , ~vk } es diuen sistemes de vectors.
UPC I si ~v1 = (v11 , . . . , vn1 ), . . . , ~vk = (v1k , . . . , vnk ), es diu matriu del sistema de vectors {~v1 , . . . , ~vk } a
 1
v1 . . . v1k

ETSEIAT
C =  ... ..  .

. 
vn1 . . . vnk
I si tots els vectors són no nuls es diu que el sistema de vectors és no nul.
Rafel Amer
A més, en el cas d’un sol vector ~x la matriu és una matriu–columna i se sol escriure X.
Definició 3.10 La combinació lineal del sistema {~v1 , . . . , ~vk } i els escalars α1 , . . . , αk és
Vicenç Sales α1~v1 + . . . + αk~vk .
I es diu que un vector ~x és combinació lineal del sistema {~v1 , . . . , ~vk } si, i només si,
Pàgina 45 de 150
existeixen escalars α1 , . . . , αk tals que ~x és la combinació lineal de {~v1 , . . . , ~vk } i α1 , . . . , αk :
~x = α1~v1 + . . . + αk~vk .
Les combinacions lineals de vectors i de files o columnes d’una matriu són anàlogues.
Observació 3.11 Per tant, les seves propietats són també les mateixes.
~v2
~x = α1~v1 + α2~v2
~v1
Exemple 3.12 Amb el vector (5, −2, 1) i el sistema de vectors {(2, −1, 0), (0, 2, 1)}, la condició
(5, −2, 1) = α(2, −1, 0) + β(0, 2, 1)
es converteix en el sistema d’equacions lineals
     
2 0 5 2 0 5 2 0 5
 −1 2 −2  ' 0 4 1 ' 0 4 1 ,
0 1 1 F ∼2F +F 0 1 1 F ∼4F −F 0 0 3
2 2 1 3 3 2
que és incompatible. I, per tant, (5, −2, 1) no és combinació lineal de (2, −1, 0) i (0, 2, 1).
Definició 3.13 Es diu que un sistema de vectors {~v1 , . . . , ~vk } és linealment independent
UPC si, i només si, combinacions lineals seves amb escalars diferents donen vectors diferents.
I es diu que són linealment dependents si, i només si, no són linealment independents.
ETSEIAT
La dependència i independència lineal de vectors i de files o columnes d’una matriu són

anàlogues.
Rafel Amer
Definició 3.14 S’anomena rang d’un sistema de vectors al nombre màxim de vectors
linealment independents que conté.
Vicenç Sales
El rang d’un sistema de vectors és igual al rang de la seva matriu.
Pàgina 46 de 150
Observació 3.15 Per tant, les propietats tant de la dependència i la independència lineal
com del rang són també les mateixes.
L. dependents L. independents
Exemple 3.16 Donat el sistema de vectors {(2, −1, 0), (0, 2, 1), (5, −2, 1)}, la condició
α(2, −1, 0) + β(0, 2, 1) + γ(5, −2, 1) = (0, 0, 0)
es converteix en el sistema d’equacions lineals homogeni
     
2 0 5 0 2 0 5 0 2 0 5 0
 −1 2 −2 0  ' 0 4 1 0
  ' 0 4 1
 0 .
0 1 1 0 F ∼2F +F 0 1 1 0 F ∼4F −F 0 0 3 0
2 2 1 3 3 2
I. en ser compatible determinat, (2, −1, 0), (0, 2, 1) i (5, −2, 1) són linealment independents.
Definició 3.17 Un subconjunt no buit V de Rn és un subespai vectorial si, i només si:
UPC (i) si ~x, ~y ∈ V aleshores ~x + ~y ∈ V ;
(ii) si α ∈ R i ~x ∈ V aleshores α~x ∈ V .
ETSEIAT
{~0} és subespai vectorial, dit nul; Rn també, dit total; i si V 6= {~0}, Rn en diem estricte.
Teorema 3.18 Són equivalents:

(a) V és un subespai vectorial;
Rafel Amer (b) tota combinació lineal de vectors de V és de V ;
(c) existeixen ~v1 , . . . , ~vk ∈ Rn tals que V és el conjunt de les seves combinacions lineals;
(d) les components dels vectors de V són solucions d’un sistema lineal homogeni AX = 0.
Vicenç Sales
Escriurem V = h~v1 , . . . , ~vk i i V : AX = 0 en els dos darrers casos. I es té que {~0} = h~0i.
Pàgina 47 de 150
Definició 3.19 Es diu que {~v1 , . . . , ~vk } és un sistema de generadors de V i que AX = 0
són unes equacions implı́cites o cartesianes de V .
Si ~v1 = (v11 , . . . , v1n ), . . . , ~vk = (vk1 , . . . , vkn ) es té les equacions de tipus vectorial
x1 =α1 v11 + . . . + αk vk1 
 

 
V = {~x ∈ Rn : ~x = α1~v1 + . . . + αk~vk } = (x1 , . . . , xn ) ∈ Rn : ............... .
n n
 
xn =α1 v1 + . . . + αk vk

Aquestes equacions es diuen vectorial i paramètriques de V , respectivament. I en el cas
d’un sol generador ~v = (v1 , . . . , vn ), aı̈llant i igualant, s’obté l’equació contı́nua:
x1 xn
= ... = .
v1 vn
Observació 3.20 El fet que els processos d’eliminació de paràmetres lineals homogenis i
resolució de sistemes lineals homogenis siguin inversos permet passar d’unes a altres.
Exemple 3.21 Les equacions vectorial i paramètriques de V = h(2, −1, 0), (0, 2, 1)i són

x =2α 

(x, y, z) = α(2, −1, 0) + β(0, 2, 1) i y = − α + 2β .

z =β

Definició 3.22 Diem que un sistema de generadors de V és una base de V si no es pot
UPC prescindir de cap dels vectors sense que deixi de ser–ho. I que unes equacions implı́cites
de V són minimals si no es pot prescindir de cap d’elles sense que deixin de ser–ho.
ETSEIAT
El subespai nul és l’únic que no té bases. I el total, l’únic que no té equacions implı́cites
minimals. I tant en l’eliminació de paràmetres lineals i la resolució de sistemes lineals com
en l’eliminació d’elements redundants, s’obtenen bases i equacions implı́cites minimals.
Rafel Amer Teorema 3.23 (a) Les bases són els sistemes de generadors linealment independents.
(b) Les bases de tot subespai vectorial no nul tenen igual nombre de vectors.
Vicenç Sales Aquest darrer apartat s’anomena teorema de les bases.
Pàgina 48 de 150
Definició 3.24 S’anomena dimensió de V al nombre comú de vectors de les seves bases.
Escriurem dim V en tal cas. Tenim que dim Rn = n; i, per conveni, dim {~0} = 0. Diem recta
vectorial si dim V = 1; pla vectorial si és 2; i hiperplà vectorial si és n − 1.
Teorema 3.25 (a) Si V ⊆ V 0 llavors dim V ≤ dim V 0 .

(b) V = V 0 si, i només si, V ⊆ V 0 i dim V = dim V 0 .
(c) dim V = rg C = n − rg A.
Exemple 3.26 Eliminant vectors redundants i paràmetres del subespai V d’abans tenim:
     
2 0 x 2 0 x 2 0 x
 −1 2 y '  0 4 x + 2y  '0 4 x + 2y .
0 1 z F ∼2F +F 0 1 z F ∼4F −F
0 0 −x − 2y + 4z
2 2 1 3 3 2
Per tant, una base, l’equació implı́cita minimal i la dimensió de V són, respectivament,
{(2, −1, −1), (−1, 2, −1)} , −x − 2y + 4z = 0 i 2.
L’espai vectorial euclidià
UPC Definició 3.27 El producte escalar dels vectors ~x = (x1 , . . . , xn ) i ~y = (y1 , . . . , yn ) de Rn és
ETSEIAT ~x · ~y = x1 y1 + . . . + xn yn = X t Y .
I si ~x · ~y = 0 diem que ~x i ~y són ortogonals o perpendiculars i posem ~x ⊥ ~y .
Teorema 3.28 (a) ~x · (~y + ~z) = ~x · ~y + ~x · ~z i (α~x) · ~y = α(~x · ~y ) = ~x · (α~y ).

(b) ~x · ~y = ~y · ~x.
Rafel Amer
(c) ~x · ~x ≥ 0 i ~x · ~x = 0 si, i només si, ~x = ~0.
El primer apartat es diu bilinealitat; el segon, simetria; i el tercer, definició positiva.
Vicenç Sales
Proposició 3.29 (a) ~0 · ~x = ~x · ~0 = 0.

Pàgina 49 de 150
(b) (−~x) · ~y = −(~x · ~y ) = ~x · (−~y ).
Pel primer apartat del teorema escriurem α~x · ~y . I pel darrer de la proposició, −~x · ~y .
0 0
Definició 3.30 La matriu del producte escalar dels sistemes {~v1 , . . . , ~vk } i {~v1 , . . . , ~vk0 } és
 0 0 
~v1 · ~v1 . . . ~v1 · ~vk0
Gv,v0 =  ... ..  .

. 
0 0
~vk · ~v1 . . . ~vk · ~vk0
I si els sistemes són iguals escriurem Gv simplement.
Proposició 3.31 Gv,v0 = C t C 0 .
I tenim que Gv = C t C i, en particular, que Gv és simètrica.
Teorema 3.32 (a) {~v1 , . . . , ~vk } és linealment independent si, i només si, Gv és regular.
(b) Si k = n llavors det Gv = (det C)2 .
Exemple 3.33 El producte escalar dels vectors ~x = (−2, 1, 0) i ~y = (−4, 7, 5) és

~x · ~y = (−2, 1, 0) · (−4, 7, 5) = (−2) · (−4) + 1 · 7 + 0 · 5 = 15 .
Definició 3.34 S’anomena norma d’un vector ~x ∈ Rn a l’escalar
√
UPC k ~x k = ~x · ~x .
ETSEIAT
També s’anomena mòdul o longitud. I si ~x = (x1 , . . . , xn ) ∈ Rn aleshores

q √
k ~x k = x21 + . . . + x2n = X t X .
I els vectors de norma 1 es diuen unitaris.
Rafel Amer
Teorema 3.35 (a) k ~x k ≥ 0 i k ~x k = 0 si, i només si, ~x = ~0.

Vicenç Sales
(b) k α~x k = | α |k ~x k.
(c) k ~x + ~y k ≤ k ~x k + k ~y k.
Pàgina 50 de 150
La darrera propietat s’anomena desigualtat triangular. I, per la tercera, si dividim un

vector per la seva norma obtenim un vector unitari.
Proposició 3.36 (a) k ~x + ~y k2 = k ~x k2 + k ~y k2 si, i només si, ~x ⊥ ~y .

(b) k ~x − ~y k2 = k ~x k2 + k ~y k2 si, i només si, ~x ⊥ ~y .
Les propietats anteriors es coneixen com a teorema de Pitàgores.
~x
k ~x k
Exemple 3.37 Les normes dels vectors d’abans ~x = (−2, 1, 0) i ~y = (−4, 7, 5) són
p √ p √ √
k ~x k = (−2)2 + 12 + 02 = 5 i k ~y k = (−4)2 + 72 + 52 = 90 = 3 10 .
Teorema 3.38 |~x · ~y | ≤ k ~x k k ~y k.
UPC
Aquesta propietat s’anomena desigualtat de Schwarz. I dona sentit a la definició següent.
ETSEIAT
Definició 3.39 Diem angle format pels vectors no nuls ~x, ~y ∈ Rn al valor entre 0 i π
~x · ~y
~xc~y = arccos .
k ~x k k ~y k
Rafel Amer
Aquesta definició equival a la fórmula clàssica del producte escalar: ~x · ~y = k ~x k k ~y k cos ~xc~y .
I l’angle format pels vectors no nuls ~x = (x1 , . . . , xn ) i ~y = (y1 , . . . , yn ) és
Vicenç Sales
x1 y1 + . . . + xn yn X tY
~xc~y = arccos p 2 p = arccos √ √ .
Pàgina 51 de 150 x1 + . . . + x2n y12 + . . . + yn2 X tX Y tY
Proposició 3.40 (a) ~x i ~y són linealment dependents si, i només si, ~xc~y = 0 o ~xc~y = π.
(b) ~x i ~y són ortogonals si, i només si, ~xc~y = π2 .
El primer apartat anterior és equivalent a que els vectors siguin proporcionals.
Proposició 3.41 (a) k ~x + ~y k2 = k ~x k2 + k ~y k2 + 2 k ~x k k ~y k cos ~xc~y .

(b) k ~x − ~y k2 = k ~x k2 + k ~y k2 − 2 k ~x k k ~y k cos ~xc~y .
Aquestes dues propietats es coneixen com a teorema del cosinus.

~y ~x
~x
c~y
Exemple 3.42 L’angle format pels vectors ~x = (−2, 1, 0) i ~y = (−4, 7, 5) és

√
c~y = arccos √ 15 15 2 π
~x √ = arccos √ = arccos = .
5 · 3 10 15 2 2 4
Definició 3.43 El producte vectorial de ~x1 = (x11 , . . . , xn1 ), . . . , ~xn−1 = (x1n−1 , . . . , xnn−1 ) és
UPC  2
x

n
1 n−1

1 . . . x 1
x
1 . . . x 1
~x1 ∧ . . . ∧ ~xn−1 =  ... .. , . . . , (−1)n−1 · .. ..  .


ETSEIAT . . . 
n−1
2 n

x 1
n−1 . . . xn−1 xn−1 . . . xn−1

Entenent que {~i1 , . . . ,~in } és la base canònica de Rn , és útil la “regla nemotècnica” següent:
~i1 . . . ~in

Rafel Amer
x1 . . . xn1
n−1 1
~x1 ∧ . . . ∧ ~xn−1 = (−1) . .. .
.. .

Vicenç Sales x1 . . . xn
n−1 n−1
A R2 el producte vectorial d’un sol vector ~x s’escriu ~x⊥ . I si ~x = (x, y) aleshores ~x⊥ = (−y, x).
Pàgina 52 de 150
Proposició 3.44 (a) ~x1 ∧ . . . ∧ ~xi ∧ . . . ∧ ~xj ∧ . . . ∧ ~xn−1 = −~x1 ∧ . . . ∧ ~xj ∧ . . . ∧ ~xi ∧ . . . ∧ ~xn−1 .
(b) ~x1 ∧ . . . ∧ (α~xi ) ∧ . . . ∧ ~xn−1 = α(~x1 ∧ . . . ∧ ~xn−1 ).
(c) ~x1 ∧ . . . ∧ (~yi + ~zi ) ∧ . . . ∧ ~xn−1 = ~x1 ∧ . . . ∧ ~yi ∧ . . . ∧ ~xn−1 + ~x1 ∧ . . . ∧ ~zi ∧ . . . ∧ ~xn−1 .
(d) ~x1 ∧ . . . ∧ ~xn−1 = ~0 si, i només si, {~x1 , . . . , ~xn−1 } són linealment dependents.
(e) ~x1 ∧ . . . ∧ ~xn−1 és ortogonal a cada ~x1 , . . . , ~xn−1 .
A R3 tenim també la següent propietat molt coneguda: k ~x ∧ ~y k = k ~x k k ~y k sin ~xc~y .

~x ∧ ~y
~y
~x
Exemple 3.45 El producte vectorial dels vectors anteriors ~x = (−2, 1, 0) i ~y = (−4, 7, 5) és
~i ~j ~k

2
1 0 −2 0 −2 1
~x ∧ ~y = (−2, 1, 0) ∧ (−4, 7, 5) = (−1) −2 1 0 = ,−
−4 5 , −4 7 = (5, 10, −10) .

−4 7 7 5
5
Definició 3.46 Diem sistemes ortogonals als no nuls amb vectors ortogonals dos a dos.
UPC I diem sistemes ortonormals als ortogonals amb vectors unitaris.
ETSEIAT Els sistemes ortogonals d’un vector són els vectors no nuls. I els ortonormals, els unitaris.
Teorema 3.47 (a) {~v1 , . . . , ~vk } és un sistema ortogonal si, i només si, Gv és diagonal.
(b) Els sistemes ortogonals són linealment independents.
(c) Si v = {~v1 , . . . , ~vk } és un sistema linealment independent i
0
0 0
!
Rafel Amer
0 0 ~v1 · ~v2 0 0 ~v1 · ~vk 0 ~vk−1 · ~vk 0
~v1 = ~v1 i ~v2 = ~v2 − 0 0 ~v1 , . . . , ~vk = ~vk − v + ... + 0
0 ~ ~v ,
~v1 · ~v1 1 ~vk−1 · ~vk−1 k−1
0 0
~v1 · ~v1
0 0
Vicenç Sales aleshores v 0 = {~v1 , . . . , ~vk } és un sistema ortogonal.
(d) det Gv0 = det Gv .
Pàgina 53 de 150
Pel segon apartat, diem bases ortogonals als sistemes ortogonals d’un subespai vectorial.
I el tercer apartat es coneix com a mètode de Gram–Schmidt.
Teorema 3.48 (a) {~v1 , . . . , ~vk } és un sistema ortonormal si, i només si, C és ortogonal.
(b) Els sistemes ortonormals són sistemes ortogonals.
(c) Normalitzant els vectors d’un sistema ortogonal se n’obté un ortonormal.
I com abans, diem bases ortonormals als sistemes
0
ortonormals d’un subespai vectorial.
~v3 ~v3
00
~v3 0
00 ~v2
~v2
~v2
00
0
~v1 ~v1 = ~v1
Exemple 3.49 Ortogonalitzant per Gram–Schmidt el sistema {(−2, 1, 0), (−4, 7, 5)} es té que
0 0
~v1 = (−2, 1, 0) i ~v2 = (−4, 7, 5)− (−2,1,0)·(−4,7,5) 15
(−2,1,0)·(−2,1,0) (−2, 1, 0) = (−4, 7, 5)− 5 (−2, 1, 0) = (2, 4, 5) .
I normalitzant els vectors trobats, s’obtenen els sistemes ortogonal i ortonormal respectius

1 1
{(−2, 1, 0), (2, 4, 5)} i √ (−2, 1, 0), √ (2, 4, 5) .
5 45
Definició 3.50 Diem subespai ortogonal V ⊥ del subespai vectorial V al conjunt de vec-
UPC tors de Rn que són ortogonals a tots els vectors de V .
ETSEIAT
També s’anomena l’ortogonal només. I es té que {~0}⊥ = Rn i (Rn )⊥ = {~0}.
Proposició 3.51 (a) V ⊥ és un subespai vectorial.

(b) (V ⊥ )⊥ = V .
(c) dim V ⊥ = n − dim V .
Rafel Amer
(d) U ⊆ V si, i només si, V ⊥ ⊆ U ⊥ .
El resultat del segon apartat anterior es coneix com a doble ortogonal.
Vicenç Sales
Teorema 3.52 Si {~v1 , . . . , ~vk } és un sistema de generadors de V aleshores

Pàgina 54 de 150
V ⊥ = {~x ∈ Rn : ~x · ~v1 , . . . , ~x · ~vk = 0} .
Aleshores, les components dels vectors d’un sistema de generadors de V són coeficients
d’equacions implı́cites de V ⊥ . I, per la propietat del doble ortogonal, els coeficients d’unes
equacions implı́cites de V són components de vectors d’un sistema de generadors de V ⊥ .
Teorema 3.53 (a) La reunió de bases de V i V ⊥ és una base de Rn .

(b) La reunió de bases ortogonals de V i V ⊥ és una base ortogonal de Rn .
(c) La reunió de bases ortonormals de V i V ⊥ és una base ortonormal de Rn .
V⊥
Exemple 3.54 Les equacions implı́cites del subespai ortogonal del subespai vectorial V =
h(−2, 1, 0), (−4, 7, 5)i són
) )
(−2, 1, 0) · (x, y, z) =0 −2x + y =0
' .
(−4, 7, 5) · (x, y, z) =0 −4x + 7y + 5z =0
Components
UPC Observació 3.55 Rn amb la suma de vectors i el producte d’escalars per vectors es diu
l’espai vectorial. I amb el producte escalar de vectors a més, l’espai vectorial euclidià.
ETSEIAT
0 0
Considerem un sistema de vectors {~e1 , . . . , ~en } de Rn i la seva matriu C.
0 0
Teorema 3.56 (a) {~e1 , . . . , ~en } és una base de Rn si, i només si, C és regular.
0 0
(b) {~e1 , . . . , ~en } és una base ortogonal de Rn si, i només si, C t C és diagonal.
0 0
Rafel Amer
(c) {~e1 , . . . , ~en } és una base ortonormal de Rn si, i només si, C és ortogonal.
Cal destacar la canònica, que és ortonormal: Bc = {(1, 0, . . . , 0), . . . , (0, 0, . . . , 1)}.
Vicenç Sales
Definició 3.57 Si C és directa la base de Rn es diu positiva; i si C és inversa, negativa.
Pàgina 55 de 150 I es defineix la signatura d’una base B 0 (σ(B 0 )) com 1 si és positiva o −1 si és negativa.
I dues tenen diferent o igual orientació segons siguin una positiva i l’altra negativa o no.
Proposició 3.58 (a) Si {~x1 , . . . , ~xn−1 } és independent llavors {~x1 , . . . , ~xn−1 , ~x1 ∧ . . . ∧ ~xn−1 } és
una base positiva de Rn .
(b) Si {~x1 , . . . , ~xn−1 } és ortogonal llavors {~x1 , . . . , ~xn−1 , ~x1 ∧ . . . ∧ ~xn−1 } és, a més, ortogonal.
(c) Si {~x1 , . . . , ~xn−1 } és ortonormal llavors {~x1 , . . . , ~xn−1 , ~x1 ∧. . .∧~xn−1 } és, a més, ortonormal.
Exemple 3.59 B 0 = {(−1, 2), (1, 1)} és base negativa no ortonormal de R2 , ja que

−1 1
2 1 = −3< 0 i (2, 1) · (−1, 1)6= 0 .

x0 4
3
6 y0
6
7
5
2 4
3
3
1 2
−6 −3 3 6
−1
−2 −1
−3
−3
−4 −2
−5
−6
−6 −3
−7
0 0
Definició 3.60 S’anomena components d’un vector ~x ∈ Rn en la base B 0 = {~e1 , . . . , ~en }
UPC als únics escalars (x01 , . . . , x0n ) tals que
0 0
ETSEIAT ~x = x01~e1 + . . . + x0n~en .
0 0
En particular, ~e1 , . . . , ~en tenen components (1, 0, . . . , 0), . . . , (0, . . . , 0, 1), respectivament.
Teorema 3.61 (a) Si les components de ~x, ~y ∈ Rn en una base B 0 són (x01 , . . . , x0n ) i
Rafel Amer (y10 , . . . , yn0 ) respectivament, aleshores les components de ~x + ~y ∈ Rn en la base B 0 són
(x01 + y10 , . . . , x0n + yn0 ) .
(b) Si α ∈ R i les components de ~x ∈ Rn en una base B 0 són (x01 , . . . , x0n ) aleshores les
Vicenç Sales
components de α~x ∈ Rn en la base B 0 són
Pàgina 56 de 150
(αx01 , . . . , αx0n ) .
I en la base canònica Bc les components de tot vector ~x = (x1 , . . . , xn ) són (x1 , . . . , xn ) també.
Teorema 3.62 Si les components respectives de ~x, ~y ∈ Rn en una base ortonormal B 0 són
(x01 , . . . , x0n ) i (y10 , . . . , yn0 ) llavors
~x · ~y = x01 y10 + . . . + x0n yn0 .
Exemple 3.63 Donat el vector ~x = (7, −2) i la base B 0 = {(−1, 2), (1, 1)}, de la condició
(7, −2) = x0 (−1, 2) + y 0 (1, 1) ,
s’obté que x0 = −3 i y 0 = 4. Per tant, les components de (7, −2) en la base B 0 són (−3, 4).
x0 4
3
6 y0
6
7
5
2 4
3
3
1 2
−6 −3 3 6
−1
−2
−3
−1 ~x
−3
−4 −2
−5
−6
−6 −3
−7
Observació 3.64 El penúltim teorema anterior permet treballar amb components en lloc
UPC de vectors per als conceptes que depenen de la suma i el producte per escalars.
ETSEIAT
Això inclou tots els conceptes d’espai vectorial tret de l’orientació.
Observació 3.65 El darrer teorema permet treballar amb components en lloc de vectors
per als conceptes que depenen de la suma, el producte per escalars i el producte escalar.
Rafel Amer
Això inclou tots els conceptes d’espai vectorial euclidià tret del producte vectorial.
Vicenç Sales Teorema 3.66 Si ~x1 , . . . , ~xn−1 ∈ Rn tenen components (x0 11 , . . . , x0 n1 ), . . . , (x0 1n−1 , . . . , x0 nn−1 )
0 0
respectivament en una base ortonormal B 0 = {~e1 , . . . , ~en }, llavors
~e10 0

Pàgina 57 de 150
... ~en
x0 1 . . . x0 n

1 1
~x1 ∧ . . . ∧ ~xn−1 = (−1)n−1 · σ(B 0 ) · . .. .

.. .

x0 1 . . . x0 n n−1 n−1
Exemple 3.67 Si V = h(7, −2)i, com que (7, −2) té components (−3, 4) en la base B 0 , tenim
−3 x0 x0

−3
'
4 y 0 F ∼3F +4F 0 4x0 + 3y 0
2 2 1
i, per tant, l’equació implı́cita de V en la base B 0 és
4x0 + 3y 0 = 0 .
x0 4
3
6 y0
6
7
5
2 4
3
3
1 2
−6 −3 3 6
−1
−2 −1
−3
−3 V
−4 −2
−5
−6
−6 −3
−7
Definició 3.68 Diem matriu de canvi de base de B 00 a B 0 a la de la base B 00 en la base B 0 .
UPC
B 0 es diu base vella; i B 00 , base nova. I la matriu de canvi de base C és regular i s’escriu
ETSEIAT C
(Rn , B 00 ) −−−−−−−−→ (Rn , B 0 ) .
Proposició 3.69 (a) B 00 té igual orientació que B 0 si, i només si, C és directa.
(b) B 00 té diferent orientació que B 0 si, i només si, C és inversa.
Rafel Amer
Es diu que les directes conserven l’orientació; i que les inverses la canvien.
Vicenç Sales
Teorema 3.70 (a) La matriu de canvi de base de B 0 a B 00 és
C −1 .
Pàgina 58 de 150 (b) Si P i Q són les matrius de canvi de base de B 0 a B i de B 00 a B respectivament, llavors
C = P −1 Q .
Pel resultat següent diem matriu ortogonal de canvi de base per a les bases ortonormals.
Teorema 3.71 La matriu de canvi de base entre bases ortonormals és ortogonal.
Exemple 3.72 La matriu de canvi de base de B 00 = {(5, −1), (−1, 5)} a la base B 0 d’abans és
−1
−1 −1 1 5 −1 1 1 −1 5 −1 −2 2
C=P Q= =− = .
2 1 −1 5 3 −2 −1 −1 5 3 1
I com que el seu determinant és −8, canvia
00
l’orientació i, per tant, la base B 00 és positiva.
y
x0 4
3
6 y0
6
7
1
5
2 4
3
3
1 2
−1 1
−6 −3 3 6
−1
−1
1
x00
−2
−3
−3
−4 −2
−1
−5
−6
−6 −3
−7
Teorema 3.73 Si C és la matriu de canvi de base de B 00 a B 0
C
UPC (Rn , B 00 ) −−−−−−−−→ (Rn , B 0 )
ETSEIAT i X 0 i X 00 les matrius–columna de les components de ~x en les bases B 0 i B 00 aleshores
X 0 = CX 00 .
Aquesta propietat es coneix com a fórmula del canvi de base.
Observació 3.74 I en particular, obtenim també la fórmula del canvi de base invers
Rafel Amer
X 00 = C −1 X 0 .
En els canvis de base entre bases ortonormals queda
Vicenç Sales X 0 = CX 00 ,
amb la matriu de canvi de base C ortogonal.
Pàgina 59 de 150
Observació 3.75 La fórmula de canvi de base invers de la base ortonormal B 0 a la base

ortonormal B 00 és
X 00 = C t X 0 .
Exemple 3.76 Sabem que les components del vector (7, −2) en la base B 0 dels exemples
anteriors són (−3, 4). I aplicant la fórmula del canvi de base de B 00 a B 0 es té que
00
−3 −2 2 x
= ,
4 3 1 y 00

00 11 1
del que es dedueix que les components del vector (7, −2) en la base B són ,− .
00
8 8
y
x0 4
3
6 y0
6
7
1
5
2 4
3
3
1 2
−1 1
−6 −3 3 6
−1 1
x00
−2
−3
−1 ~x
−3
−4 −2
−1
−5
−6
−6 −3
−7
Observació 3.77 Donades unes equacions implı́cites
UPC A0 X 0 = 0
ETSEIAT d’un subespai vectorial V en una base B 0 i un canvi de base
X 0 = CX 00
d’una base B 00 a la base B 0 , substituint, s’obtenen les equacions implı́cites
A00 X 00 = 0
del subespai vectorial V en la base B 00 .
Rafel Amer
Vicenç Sales Exemple 3.78 Donada la recta vectorial V d’equació implı́cita en la base B 0 anterior
4x0 + 3y 0 = 0 ,
Pàgina 60 de 150
la fórmula del canvi de base de la base B 00 a la base B 0 és )
x0 = −2x00 + 2y 00
0 00
x −2 2 x
= ' .
y0 3 1 y 00 y 0 = 3x00 + y 00
I substituint aquestes expressions en l’equació implı́cita anterior, obtenim
4(−2x00 + 2y 00 ) + 3(3x00 + y 00 ) = 0 ,
és a dir,
x00 + 11y 00 = 0 ,
que és, doncs, l’equació implı́cita de la recta vectorial V en la base B 00 .
y 00
x0 4
3
6 y0
6
7
1
5
2 4
3
3
1 2
−1 1
−6 −3 3 6
−1
−1
1
x00
−2
−3
−3 V
−4 −2
−1
−5
−6
−6 −3
−7
4 ESPAIS AFINS
UPC L’espai afı́
ETSEIAT
En el context següent, els elements (x1 , . . . , xn ) ∈ Rn podran representar punts o vectors.
Definició 4.1 S’anomena suma del punt x = (x1 , . . . , xn ) i el vector ~v = (v1 , . . . , vn ) al punt
x + ~v = (x1 + v1 , . . . , xn + vn ) .
Rafel Amer
Escriurem y = x + ~v en tal cas.

Vicenç Sales
Pàgina 61 de 150 0 0
Teorema 4.2 (a) x + ~v = x + ~v si, i només si, ~v = ~v .
0 0
(b) (x + ~v ) + ~v = x + (~v + ~v ).
0
Per la darrera propietat escriurem x + ~v + ~v .
Proposició 4.3 (a) x + ~v = x si, i només si, ~v = ~0.

(b) Si x + ~v = y aleshores y + (−~v ) = x.
Per la darrera propietat escriurem y − ~v = x.

x + ~v
~v
Exemple 4.4 La suma del punt (−1, 0, 0) i el vector (1, 1, 1) és el punt
(−1, 0, 0) + (1, 1, 1) = (0, 1, 1) .
Teorema 4.5 Per a cada dos punts x i y existeix un únic vector ~v tal que
UPC x + ~v = y .
ETSEIAT Escriurem −
→ per a referir–nos a ~v . I si x = (x , . . . , x ) i y = (y , . . . , y ) llavors
xy 1 n 1 n
−
→ = (y − x , . . . , y − x ) .
xy 1 1 n n
Definició 4.6 −
→ s’anomena vector lliure determinat pels punts x i y.
xy
Rafel Amer x i y s’anomenen origen i extrem de −
→ respectivament.
xy,
Teorema 4.7 (a) −

→=−
xy → si, i només si, y = z.
xz
Vicenç Sales
(b) −
→+−
xy →=−
yz →
xz.
Pàgina 62 de 150 El primer apartat anterior es coneix com a determinació.
Proposició 4.8 (a) −

→ = ~0 si, i només si, x = y.
xy
(b) −
→ = −−
yx →
xy.
y
−
→
xy
Definició 4.9 S’anomena baricentre dels punts x1 , . . . , xk de Rn al punt b tal que

−−→ −−→
b x1 + . . . + b xk = ~0 .
El baricentre de x1 = (x11 , . . . , x1n ), . . . , xk = (xk1 , . . . , xkn ) és

1
x1 + . . . + xk1 x1n + . . . + xkn

x1 + . . . + xk
b= ,..., o, en forma simplificada, b= .
k k k
Observació 4.10 I, en particular, al baricentre de dos punts se l’anomena punt mig.

Exemple 4.11 El vector lliure d’origen (−1, 0, 0) i extrem (0, 1, 1) és el vector
(0, 1, 1) − (−1, 0, 0) = (1, 1, 1) .
Siguin p un punt de Rn i V un subespai vectorial de Rn .
UPC Definició 4.12 El conjunt L = p + V s’anomena varietat lineal determinada per p i V .

ETSEIAT
Els punts i Rn –que es diu total– són varietats lineals; i totes les altres es diuen estrictes.
A més, p es diu punt de pas; V , subespai director o direcció; i els vectors de V , directors.
I L queda determinada per un punt de pas i un sistema de generadors {~v1 , . . . , ~vk } de V .
Teorema 4.13 (a) Els punts de L són les sumes de p i combinacions lineals de ~v1 , . . . , ~vk .
Rafel Amer
(b) Un subconjunt no buit de Rn és una varietat lineal si, i només si, les coordenades dels
punts de L són solucions d’un sistema lineal compatible AX = B.
Vicenç Sales
Escriurem L = p + h~v1 , . . . , ~vk i i L : AX = B. I es té que {p} = p + h~0i.
Pàgina 63 de 150
Definició 4.14 Es diu que AX = B són unes equacions implı́cites o cartesianes de L.
Si p = (p1 , . . . , pn ) i ~v1 = (v11 , . . . , v1n ), . . . , ~vk = (vk1 , . . . , vkn ) les equacions de tipus vectorial són
1 1
 

 x 1 =p 1 + α1 v 1 + . . . + αk v k 

n n
L = {x ∈ R : x = p + α1~v1 + . . . + αk~vk } = (x1 , . . . , xn ) ∈ R : ............... .
n n
 
xn =pn + α1 v1 + . . . + αk vk

Aquestes equacions es diuen vectorial i paramètriques de V , respectivament. I en el cas
d’un sol generador (v1 , . . . , vn ), aı̈llant i igualant, s’obté l’equació contı́nua:
x1 − p1 xn − p n
= ... = .
v1 vn
Observació 4.15 El fet que els processos d’eliminació de paràmetres lineals i resolució
de sistemes lineals compatibles siguin inversos permet passar d’unes a altres.
Exemple 4.16 Les equacions vectorial, paramètriques i contı́nua de la varietat lineal L

que passa per (−1, 0, 0) i té vector director (1, 0, 1) són, respectivament,

x = − 1 + α 
x+1 y z
(x, y, z) = (−1, 0, 0) + α(1, 0, 1) , y =0 i = = .
 1 0 1
z =α

Definició 4.17 Un punt de pas de L amb una base de V {p; ~v1 , . . . , ~vk } es diu referència
UPC de L. I es diu que unes equacions implı́cites de L són minimals si no es pot prescindir
de cap d’elles sense que deixin de ser–ho.
ETSEIAT
Els punts no tenen referències. I la varietat lineal total és l’única que no té equacions
implı́cites minimals. I en els processos anteriors i els d’eliminació d’elements redundants,
s’obtenen sempre referències i equacions implı́cites minimals.
Rafel Amer Proposició 4.18 Si L = p + V : AX = B aleshores V : AX = 0.

Aquest procés es coneix com a homogeneı̈tzació de les equacions implı́cites.
Vicenç Sales
Definició 4.19 Se’n diu dimensió d’una varietat lineal L = p + V a la dimensió de V .
Pàgina 64 de 150
Escriurem dim L en tal cas. Si és 0 tenim els punts; i si és n, Rn . Si dim L = 1 en diem
rectes; si dim L = 2, plans; i si dim L = n − 1, hiperplans.
Teorema 4.20 (a) Si L ⊆ L0 llavors dim L ≤ dim L0 .

(b) L = L0 si, i només si, L ⊆ L0 i dim L = dim L0 .
(c) dim L = rg C = n − rg A.
Exemple 4.21 Eliminant vectors redundants i paràmetres de la varietat lineal L tenim:

   
1 x+1 1 x+1
0 y  '0 y .
1 z F −F
0 −x + z − 1
3 1
Per tant, una referència, unes equacions implı́cites minimals i la dimensió respectives són
)
y=0
{(−1, 0, 0); (1, 0, 1)} , i 1.
−x + z = 1
Definició 4.22 L = p + V i L0 = p0 + V 0 són varietats lineals paral.leles si, i només si,
UPC V ⊆V0 o V0 ⊆V .
ETSEIAT
Escriurem L k L0 en tal cas. I si dim L = dim L0 , la condició d’abans passa a ser V = V 0 .
Observació 4.23 Per tant, dues varietats lineals són paral.leles si, i només si, en afegir
Rafel Amer
les equacions implı́cites de la direcció d’una a les de l’altra, resulten ser redundants.
Vicenç Sales
En particular, tenim que si les equacions implı́cites de dues varietats lineals de la mateixa
dimensió són les mateixes excepte els termes independents llavors són paral.leles.
Pàgina 65 de 150
0 0
Proposició 4.24 Considerem les varietats lineals L = p + h~v1 , . . . , ~vk i i L0 = p0 + h~v1 , . . . , ~vk0 i.
(a) La varietat lineal L̄ = p0 + h~v1 , . . . , ~vk , ~v1 , . . . , ~vk0 i conté L0 i és paral .lela a L.
0 0
(b) Qualsevol varietat lineal que contingui L0 i sigui paral .lela a L ha de contenir L̄.
Per això L̄ es diu mı́nima varietat lineal paral.lela a L que conté L0 .
Observació 4.25 En particular, si L0 és un punt p0 llavors dim L̄ = dim L. I, en aquest

cas, L̄ es diu varietat lineal de la mateixa dimensió paral.lela a L que passa per p0 .
Exemple 4.26 Si considerem la recta L anterior i la recta L0 que passa per (0, 1, 1) i té
0
vector director (0, −1, 1), els vectors directors són ~v = (1, 0, 1) i ~v = (0, −1, 1). I com que no
són combinació lineal l’un de l’altre ja que no són múltiples entre ells, es dedueix que
h(1, 0, 1)i =
6 h(0, −1, 1)i
.
i, per tant, les rectes no són paral leles.
Definició 4.27 Les varietats lineals L i L0 es tallen o són secants si, i només si,
UPC L ∩ L0 6= ∅ .
ETSEIAT 0 0 −→
Si L = p + h~v1 , . . . , ~vk i i L0 = p0 + h~v1 , . . . , ~vk0 i, diem vector de posició relativa de L i L0 a pp0 .
−
→
Teorema 4.28 (a) L i L0 són secants si, i només si, el vector pp0 és combinació lineal de
0 0
{~v1 , . . . , ~vk , ~v1 , . . . , ~vk0 }.
Rafel Amer
(b) L i L0 són secants si, i només si, la reunió de les equacions implı́cites de L i L0 és un
sistema compatible.
Vicenç Sales
Si L i L0 són paral.leles i no secants en diem estrictament paral.leles; si són no paral.leles i
secants, estrictament secants; i si són no paral.leles i no secants es diu que s’encreuen.
Pàgina 66 de 150
Proposició 4.29 L i L0 són paral .leles i secants si, i només si,

L ⊆ L0 o L0 ⊆ L .
La determinació de quin d’aquests casos es dona s’anomena estudi de la posició relativa.

POSICIÓ RELATIVA PARAL.LELES NO PARAL.LELES
SECANTS Inclusió (igualtat) Secants estrictes
NO SECANTS Paral.leles estrictes S’encreuen
Inclusió (igualtat) Paral.leles estrictes Secants estrictes S’encreuen

−→
Exemple 4.30 Amb les rectes L i L0 d’abans, tenim que pp0 = (0, 1, 1) − (−1, 0, 0) = (1, 1, 1) i
       
0 1 1 −1 0 1 −1 0 1 −1 0 1
 −1 0 1  '  0 1 1  '  0 1 1 '  0 1 1 .
1 1 1 F2 ∼F1 1 1 1 F ∼F +F 0 1 2 F ∼F −F 0 0 1
F1 ∼F2 3 3 1 3 3 1
−→ 0
Llavors, pp0 no és combinació lineal de ~v i ~v i L i L0 no són secants i, per tant, s’encreuen.
L’espai afı́ euclidià
UPC
ETSEIAT
Definició 4.31 S’anomena distància del punt x ∈ Rn al punt y ∈ Rn a
d(x, y) = k −
→k.
xy
Rafel Amer
Per tant, si x = (x1 , . . . , xn ) ∈ Rn i y = (y1 , . . . , yn ) ∈ Rn aleshores
p
d(x, y) = (y1 − x1 )2 + . . . + (yn − xn )2 .
Vicenç Sales
Pàgina 67 de 150
Teorema 4.32 (a) d(x, y) ≥ 0 i d(x, y) = 0 si, i només si, x = y.

(b) d(x, y) = d(y, x).
(c) d(x, z) ≤ d(x, y) + d(y, z).
Les dues darreres propietats es diuen simetria i desigualtat triangular, respectivament.
d(x, y) = k −
→k
xy
Exemple 4.33 La distància del punt (−1, 0, 0) al punt (0, 1, 1) és

q √
(0 − (−1))2 + (1 − 0)2 + (1 − 0)2 = 3 .
Observació 4.34 Recordem que en tot sistema ortogonal obtingut en aplicar el mètode
0 0
UPC de Gram–Schmidt a un sistema independent es té que det Gv = det Gv 0 = k ~v1 k2 ·. . .·k ~vk k2 ,
que no és res més que el quadrat del volum del paral.lelepı́pede determinat pels vectors.
ETSEIAT
−−−→ −−−→
Siguin P0 , P1 , . . . , Pk uns punts i ~v1 = P0 P1 , . . . , ~vk = P0 Pk . I notem per V el volum.
Definició 4.35 Diem paral.lelepı́pede de vèrtex P0 i vèrtexs adjacents P1 , . . . , Pk a

πn (p, ~v1 , . . . , ~vk ) = {p + α1~v1 + . . . + αk~vk : 0 ≤ α1 , . . . , αk ≤ 1} .
Rafel Amer
I diem sı́mplex de vèrtexs P0 , P1 , . . . , Pk a
σn (p, ~v1 , . . . , ~vk ) = {p + α1~v1 + . . . + αk~vk : 0 ≤ α1 , . . . , αk i α1 + . . . + αk ≤ 1} .
Vicenç Sales
k es diu ordre. Si k = 0 són punts; si k = 1 en diem segments; si k = 2, paral.lelograms i
triangles respectivament; i si k = 3, paral.lelepı́pedes també i sı́mplexs, respectivament.
Pàgina 68 de 150
√ 1 √
Teorema 4.36 V [πn (p, ~v1 , . . . , ~vk )] = det Gv i V [σn (p, ~v1 , . . . , ~vk )] = det Gv .
k!
Els volums d’ordre 1 es diuen longituds i són L [πn (p, ~v1 )] = k~v1 k; i els d’ordre 2, àrees.
1
Proposició 4.37 (a) V [πn (p, ~v1 , . . . , ~vn )] = |det C| i V [σn (p, ~v1 , . . . , ~vn )] = |det C|.
n!
1
(b) V [πn (p, ~v1 , . . . , ~vn−1 )] = k~v1 ∧ . . . ∧ ~vn−1 k i V [σn (p, ~v1 , . . . , ~vn−1 )] = k~v1 ∧ . . . ∧ ~vn−1 k.
(n − 1)!
Aquests darrers resultats inclouen tots els casos importants de R2 i R3 .
Observació 4.38 Tenim, concretament:

A [π2 (p, ~v1 , ~v2 )] = |det C| , A [π3 (p, ~v1 , ~v2 )] = k~v1 ∧ ~v2 k i V [π3 (p, ~v1 , ~v2 , ~v3 )] = |det C| ;
1 1 1
A [σ2 (p, ~v1 , ~v2 )] = 2 |det C| , A [σ3 (p, ~v1 , ~v2 )] = 2 k~v1 ∧ ~v2 k i V [σ3 (p, ~v1 , ~v2 , ~v3 )] = 6 |det C| .
Exemple 4.39 Les àrees del paral.lelogram de vèrtex (−1, 0, 0) i vèrtexs adjacents (0, 1, 1) i
(2, 2, 1) i la del triangle d’aquests mateixos vèrtexs són, respectivament,
√
√ 1 1 6
k(1, 1, 1) ∧ (3, 2, 1)k = k(−1, 2, 1)k = 6 i k(1, 1, 1) ∧ (3, 2, 1)k = k(−1, 2, 1)k = .
2 2 2
Les referències d’una varietat lineal formades per un punt de pas i una base ortonormal
de la seva direcció es diuen euclidianes o rectangulars.
UPC
ETSEIAT Definició 4.40 Es diu subespai associat W d’una varietat lineal L = p + V al subespai
ortogonal de la seva direcció.
També s’anomena subespai normal i els seus vectors es diuen associats o normals. I
tenim, en particular, que
Rafel Amer
L = p + W⊥ .
Vicenç Sales Teorema 4.41 (a) Els coeficients de les equacions implı́cites d’una varietat lineal són un
sistema de generadors del seu subespai associat.
Pàgina 69 de 150
(b) Els vectors d’un sistema de generadors de la direcció d’una varietat lineal són els
coeficients de les equacions implı́cites del seu subespai associat.
W =V⊥
Teorema 4.42 (a) L = p + W ⊥ i L0 = p0 + V 0 són paral .leles si, i només si,

V 0 ⊆ W⊥ o W⊥ ⊆ V 0 .
⊥ 0 0 0 ⊥ .
(b) L = p + W i L = p + W són paral leles si, i només si,
W ⊆ W0 o W0 ⊆ W .
Exemple 4.43 Donada la recta L que passa per p = (−1, 0, 0) i té vector director ~v = (1, 0, 1),
el seu pla associat està generat pel mateix vector (1, 0, 1) i té, per tant, equació implı́cita
x + z = 0.
Definició 4.44 L = p + V i L0 = p0 + V 0 són varietats lineals perpendiculars si, i només si,
UPC V0 ⊆V⊥ o V⊥ ⊆ V0.
ETSEIAT
Escriurem L⊥L0 en tal cas. I si dim L+dim L0 = n, la condició anterior passa a ser V 0 = V ⊥ .
Teorema 4.45 (a) L = p + W ⊥ i L0 = p0 + V 0 són perpendiculars si, i només si,

V0 ⊆W o W ⊆ V0.
Rafel Amer
(b) L = p + W ⊥ i L0 = p0 + W 0 ⊥ són perpendiculars si, i només si,
W0 ⊆ W⊥ o W⊥ ⊆ W0 .
Vicenç Sales
I si dim L + dim L0 = n, les condicions anteriors són V 0 = W i W 0 = W ⊥ , respectivament.
Pàgina 70 de 150
Proposició 4.46 La varietat lineal L⊥

x = x + V
⊥ és perpendicular a L, passa per x i
⊥
dim Lx = n − dim L.
Per això L⊥
x es diu varietat lineal perpendicular suplementària a L que passa per x.
Observació 4.47 Els vectors directors de L⊥

x són els vectors associats de L i viceversa.
L⊥
x
Exemple 4.48 El pla perpendicular a la recta L anterior que passa per (0, 1, 1) té equació
x + z + D = 0,
amb 0 + 1 + D = 0. Per tant, es té que D = −1 i és, doncs,
x + z − 1 = 0.
Per als sistemes d’un sol vector el teorema següent és la desigualtat de Cauchy–Schwarz.
UPC r √ √
t
Teorema 4.49 det Gv,v0 Gv,v ≤ det Gv det Gv0 .
0
ETSEIAT
0 0
Considerem dues varietats lineals estrictes L = p + h~v1 , . . . , ~vk i i L0 = p0 + h~v1 , . . . , ~vk i.
Definició 4.50 S’anomena angle format per L i L0 al valor entre 0 i π

2
r
Rafel Amer
t G 0
det Gv,v 0 v,v
L
d L0 = arccos √ √ .
det Gv det Gv0
Vicenç Sales
0 0
Suposem ara que, a més, L = p + hw ~ n−k i ⊥ i L0 = p0 + hw
~ 1, . . . , w ~ n−k0 i ⊥ .
~ 1, . . . , w
Pàgina 71 de 150
Teorema 4.51 L’angle format per L i L0 és

r r r
t
det Gv,w0 Gv,w0 t
det Gv0 ,w Gv0 ,w t
det Gw,w G 0
0 w,w
π π
− arccos √ √ = − arccos √ √ = arccos √ √ .
2 det Gv det Gw0 2 det Gv0 det Gw det Gw det Gw0
Per tant, per a dues rectes, una recta i un hiperplà i dos hiperplans tenim, respectivament,
0 0 0
|~v · ~v | π |~v · w
~ | |w
~ ·w
~ |
L
d L0 = arccos , L
d L0 = − arccos i L
d L 0 = arccos .
k ~v k k ~v 0 k 2 k ~v k k w~0k kw
~ kkw~0k
Proposició 4.52 (a) L i L0 són paral .leles si, i només si, l’angle que formen és 0.
(b) L i L0 són perpendiculars si, i només si, l’angle que formen és π2 .
0
w
~ ~v
Exemple 4.53 L’angle entre les rectes L i la L0 per (0, 1, 1) i de vector director (0, −1, 1) és
|(1, 0, 1) · (0, −1, 1)| |1| 1 π
α = arccos = arccos √ √ = arccos = .
k (1, 0, 1) k · k (0, −1, 1) k 2 2 2 3
Definició 4.54 S’anomena distància entre dues varietats lineals L = p + V i L0 = p0 + V 0
UPC a la distància mı́nima existent entre tots els punts de L i de L0 .
ETSEIAT
Per tant, la distància entre varietats lineals secants és 0.
Teorema 4.55 Si dim L0 ≤ dim L llavors la distància de L0 a L és la distància d’un punt
de pas de L0 a la mı́nima varietat lineal L paral .lela a L0 que conté L.
Rafel Amer En particular, si són estrictament paral.leles es té la distància d’un punt de pas de L0 a L.
Això redueix les distàncies entre varietats lineals a distàncies de punts a varietats lineals.
Vicenç Sales
Teorema 4.56 Si {p; ~v1 , . . . , ~vk } és una referència de L llavors la distància de p0 a L és
−→
Pàgina 72 de 150 0 V [πn (p, ~v1 , . . . , ~vk , p p0 )]
d(p , L) = .
V [πn (p, ~v1 , . . . , ~vk )]
En particular, les distàncies respectives de punt a recta de R2 i R3 i punt a pla de R3 són

−→ −→ −→ −→
A[π2 (p, ~v1 , p p0 )] |det C| A[π3 (p, ~v1 , p p0 )] k ~v1 ∧ p p0 k V [π3 (p, ~v1 , ~v2 , p p0 )] |det C|
= , = i = .
L[π2 (p, ~v1 )] k ~v1 k L[π3 (p, ~v1 )] k ~v1 k A[π3 (p, ~v1 , ~v2 )] k ~v1 ∧ ~v2 k
Proposició 4.57 La distància de p0 a l’hiperplà H d’equació A1 x1 + . . . + An xn + A0 = 0 és

|A1 p01 + . . . + An p0n + A0 |
d(p, H) = p .
A21 + . . . + A2n
L0 p0
L d(L, L0 ) = d(p0 , L)
L
−→
Exemple 4.58 Per a les rectes L i L0 d’abans, com que p p0 = (0, 1, 1) − (−1, 0, 0) = (1, 1, 1), és
√

1 0 1
0 | − 1| 1 1 3
0 −1 1 = −1 i d(L, L ) = d(p, L) = = =√ = .

1 k (1, 0, 1) ∧ (0, −1, 1) k k (1, −1, −1) k 3 3
1 1
Coordenades
UPC
Observació 4.59 Rn amb la suma de vectors, el producte d’escalars per vectors i la suma
ETSEIAT de punts i vectors es diu l’espai afı́. I amb el producte escalar de vectors a més, l’espai
afı́ euclidià.
Per tant, podem considerar a l’espai afı́ els conceptes introduı̈ts per a l’espai vectorial. I a
l’espai afı́ euclidià, a més, els introduı̈ts també per a l’espai vectorial euclidià.
Rafel Amer
Observació 4.60 Treballarem amb referències R0 = {O0 ; B 0 } de Rn amb O0 punt i B 0 base
de Rn ; i també, en particular, amb referències euclidianes R0 = {O0 ; B 0 } de Rn amb O0
Vicenç Sales punt i B 0 base ortonormal de Rn .
Pàgina 73 de 150 Cal destacar la canònica, que és euclidiana: Rc = {(0, 0, . . . , 0); (1, 0, . . . , 0), . . . , (0, 0, . . . , 1)}.
Definició 4.61 Diem que R0 és positiva si B 0 és positiva; i negativa si B 0 és negativa.
Dues referències de Rn tenen la mateixa orientació si totes dues són positives o totes
dues negatives; i tenen diferent orientació si una és positiva i l’altra negativa.
Definició 4.62 O0 s’anomena origen de coordenades; i B 0 , base de la referència.
Exemple 4.63 R0 = {(3, 2); (2, 1), (−1, 1)} és referència positiva no euclidiana de R2 , ja que

2 −1

1
= 3> 0 i (2, 1) · (−1, 1)6= 0 .
1
y0 7
9
8
6
4
7
6
x0
5
3 3
4
2 2
3
1 1
1
−1 −1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Definició 4.64 S’anomena coordenades de x ∈ Rn en la referència R0 = {O0 ; B 0 } a les
UPC −−→
components de O0 x en la base B 0 .
ETSEIAT
−−→
O0 x es diu vector de posició de x respecte R0 .
Rafel Amer Teorema 4.65 Les coordenades de x en la referència R0 = {O0 ; B 0 } són les solucions de
0 0
x = O0 + x01~e1 + . . . + x0n~en .
Vicenç Sales
0 0
Els punts O0 , O0 + ~e1 , . . . , O0 + ~en tenen coordenades (0, . . . , 0), (1, 0, . . . , 0), . . . , (0, . . . , 0, 1), res-
Pàgina 74 de 150
pectivament. I en la referència canònica les coordenades de x = (x1 , . . . , xn ) són (x1 , . . . , xn ).
Teorema 4.66 Si en una referència R0 = {O0 ; B 0 } x té coordenades (x01 , . . . , x0n ) i en la base
B 0 ~v té components (v10 , . . . , vn0 ) llavors en la referència R0 = {O0 ; B 0 } x + ~v té coordenades
(x01 + v10 , . . . , x0n + vn0 ) .
Exemple 4.67 Donat el punt p = (2, 6) i la referència R0 = {(3, 2); (2, 1), (−1, 1)}, de
(2, 6) = (3, 2) + x0 (2, 1) + y 0 (−1, 1)
s’obté que x0 = 1 i y 0 = 3. Per tant, el punt p = (2, 6) té coordenades (1, 3) respecte R0 .
y0 7
9
8
6
4
7
6
p x0
5
3 3
4
2 2
3
1 1
1
−1 −1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Observació 4.68 Fixada una referència, el darrer teorema permet treballar amb coorde-
UPC nades i components en lloc de punts i vectors per als conceptes que depenen de la suma
de vectors, el producte d’escalars per vectors i la suma de punts i vectors.
ETSEIAT
Això inclou tots els conceptes d’espai afı́ –i, per tant, d’espai vectorial– tret de l’orientació.
Observació 4.69 Fixada una referència euclidiana, podem treballar amb coordenades i
Rafel Amer
components en lloc de punts i vectors per als conceptes que depenen de la suma de vec-
tors, el producte d’escalars per vectors, el producte escalar i la suma de punts i vectors.
Vicenç Sales
Això inclou tots els conceptes d’espai afı́ euclidià –i, per tant, d’espai vectorial, d’espai
Pàgina 75 de 150 vectorial euclidià i d’espai afı́–, tret de l’orientació i del producte vectorial.
Observació 4.70 En aquest cas, el concepte de volum també queda inclòs ja que depèn
només de les normes dels vectors d’un sistema i, per tant, no depèn de l’orientació.
Exemple 4.71 En la recta R que passa pel punt de coordenades (1, 3) en la referència R0 i
vector director de components (1, −4) en la base de la referència R0 , eliminant paràmetres:
1 x0 − 1 x0 − 1

1
' .
−4 y 0 − 3 F ∼4F +F 0 4x0 + y 0 − 7
2 1 2
Per tant, l’equació implı́cita en la referència R0 de la recta R és
4x0 + y 0 = 7 .
y0
9
7
8
6
4
7
6
x0
5
3 3
4
2 2
3
1 1
1
R
−1 −1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Definició 4.72 Donades dues referències R0 = {O0 ; B 0 } i R00 = {O00 ; B 00 }, s’anomena coor-
UPC denades velles del nou origen a les coordenades del punt O00 en la referència R0 .
ETSEIAT R0 es diu referència vella; i R00 , referència nova.
Proposició 4.73 (a) R00 té igual orientació que R0 si, i només si, C és directa.
(b) R00 té diferent orientació que R0 si, i només si, C és inversa.
Es diu que les directes conserven l’orientació; i que les inverses la canvien.
Rafel Amer
Observació 4.74 Les coordenades velles del nou origen i la matriu de canvi de base C
C
Vicenç Sales (Rn , B 00 ) −−−−−−−−→ (Rn , B 0 )
de la base B 00 a la base B 0 relacionen la referència R00 en funció de la referència R0 .
Pàgina 76 de 150
Notarem per B la matriu–columna de les coordenades velles del nou origen i escriurem
B,C
(Rn , R00 ) −−−−−−−−−−→ (Rn , R0 ) .
Observació 4.75 La matriu de canvi de base entre referències euclidianes és ortogonal.
Exemple 4.76 Si considerem la referència R0 dels exemples anteriors i la nova referència

R00 = {(−2, 4); (5, 4), (4, −1)}, la matriu de canvi de base de B 00 a B 0 és
−1
2 −1 5 4 1 1 1 5 4 3 1
= = .
1 1 4 −1 3 −1 2 4 −1 1 −2
I de
(−2, 4) = (3, 2) + x0 (2, 1) + y 0 (−1, 1) ,
que té solució x0 = −1 i y 0 = 3, s’obté que les coordenades 00
velles del nou origen són (−1, 3).
y0 7
9
x
1
8
6
4
7
6
x0
−1
5
3 3
4
2 2
3
1
1 1
y 00
2
2
1
−1 −1
−1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Teorema 4.77 Si B és la matriu–columna de les coordenades velles del nou origen, C la
UPC matriu de canvi de base de B 00 a B 0
B,C
ETSEIAT
(Rn , R00 ) −−−−−−−−−−→ (Rn , R0 )
i X 0 i X 00 les matrius–columna de les coordenades de x en les referències R0 i R00 llavors
X 0 = B + CX 00 .
Aquesta propietat es coneix com a fórmula del canvi de referència.
Rafel Amer
Observació 4.78 Per tant, la fórmula de canvi de referència invers de la R0 a la R00 és
X 00 = C −1 (X 0 − B) = −C −1 B + C −1 X 0 .
Vicenç Sales
En els canvis de referència entre referències euclidianes queda
Pàgina 77 de 150
X 0 = B + CX 00 ,
amb la matriu de canvi de base C ortogonal.
Observació 4.79 La fórmula de canvi de referència invers de la referència euclidiana R0

a la referència euclidiana R00 és
X 00 = C t (X 0 − B) = −C t B + C t X 0 .
Exemple 4.80 Sabem que les coordenades del punt p = (2, 6) en la referència R0 anterior
són (1, 3). Aleshores, aplicant la fórmula del canvi de referència de R00 a R0 es té que
00
1 −1 3 1 x
= + ,
3 3 1 −2 y 00

4 2
del que es dedueix que les coordenades del punt (2, 6) en la referència R00 són , .
7 7
y0 9
x00
7
1
8
6
4
7
6
p x0
−1
5
3 3
4
2 2
3
1
1 1
y 00
2
2
1
−1 −1
−1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
Observació 4.81 Donades unes equacions implı́cites
UPC A0 X 0 = B 0
ETSEIAT d’una varietat lineal L en una referència R0 i un canvi de referència
X 0 = B + CX 00
d’una referència R00 a la referència R0 , substituint, s’obtenen les equacions implı́cites
A00 X 00 = B 00
de la varietat lineal L en la referència R00 .
Rafel Amer
Vicenç Sales
Pàgina 78 de 150
Exemple 4.82 Donada la recta R d’equació implı́cita en la referència R0 anterior
4x0 + y 0 = 7 ,
el canvi de referència de la referència R00 a la referència R0 és )
x0 = 3x00 + y 00 − 1
0 00
x −1 3 1 x
= + ' .
y0 3 1 −2 y 00 y 0 = x00 − 2y 00 + 3
I substituint, queda
4(3x00 + y 00 − 1) + (x00 − 2y 00 + 3) = 7
d’on, agrupant i simplificant, s’obté l’equació implı́cita de la recta R en la referència R00 :
13x00 + 2y 00 = 8 .
y0 x00
9
7
1
8
6
4
7
6
x0
−1
5
3 3
4
2 2
R00
1
1 1
2
2
1
−1 −1
y
−1
2 −2 5
−8 −7 −6 −5 −4 −3 −2 −1− 1 2 3 4 6 7 8 9 10
−1
−3 −3
−2
−4 −4
−3
−5
−4
−6
−5
−6
5 TRANSFORMACIONS LINEALS
Transformacions lineals
UPC
Estudiem ara la conservació de la suma de vectors i el producte d’escalars i vectors.
ETSEIAT Definició 5.1 Una aplicació f~ : Rn −→ Rn és una transformació lineal si, i només si:
(i) f~(~x + ~y ) = f~(~x) + f~(~y ) per a tot ~x, ~y ∈ Rn ;
(ii) f~(α~x) = αf~(~x) per a tot α ∈ R i tot ~x ∈ Rn .
També s’anomenen endomorfismes lineals o endomorfismes vectorials.
Rafel Amer
Proposició 5.2 (a) f~(~0) = ~0.
(b) f~(−~x) = −f~(~x).
Es té la nul.la, identitat i menys identitat definides respectivament per a tot ~x ∈ Rn per
Vicenç Sales
~0(~x) = ~0 , ~ x) = ~x
I(~ i ~ x) = −~x ;
(−I)(~
Pàgina 79 de 150
i les altres es diuen estrictes.
Proposició 5.3 (a) f~(α1~v1 + . . . + αk~vk ) = α1 f~(~v1 ) + . . . + αk f~(~vk ).

(b) Si {~v1 , . . . , ~vk } és linealment dependent llavors {f~(~v1 ), . . . , f~(~vk )} també.
(c) rg {f~(~v1 ), . . . , f~(~vk )} ≤ rg {~v1 , . . . , ~vk }.
(d) Si V = h~v1 , . . . , ~vk i llavors f~(V ) = hf~(~v1 ), . . . , f~(~vk )i i dim f~(V ) ≤ dim V .
(e) Si V és subespai vectorial llavors f~−1 (V ) és subespai vectorial i dim f~−1 (V ) ≥ dim V .
El que segueix es diu definició de transformacions lineals per imatges d’una base.
Teorema 5.4 Si {~e1 , . . . , ~en } i {~u1 , . . . , ~un } són una base i un sistema vectorial de Rn llavors
l’aplicació f~ : Rn −→ Rn definida per
f~(α1~e1 + . . . + αn~en ) = α1 ~u1 + . . . + αn ~un
és l’única transformació lineal tal que f~(~e1 ) = ~u1 , . . . , f~(~en ) = ~un .
Exemple 5.5 Podem considerar, doncs, la transformació lineal f~ : R3 −→ R3 definida per


f~(1, 0, 0) = (2, −1, −1)


~
f (1, 1, 0) = (−2, 4, 3) .

f~(1, 1, 1) = (4, −2, −2)


Definició 5.6 Diem matriu associada a f~ en una base B = {~e1 , . . . , ~en } de Rn a la matriu
UPC  1
a1 . . . an1

A =  ... .. 

ETSEIAT . 
a1n . . . ann
que té per columnes les components respecte B de les imatges dels vectors de la base B.
Les matrius de les transformacions lineals nul.la (~0), identitat (I)~ i menys identitat (−I)
~ en
Rafel Amer
.
qualsevol base són la nul la (0), identitat (I) i menys identitat (−I) també, respectivament.
Teorema 5.7 Si X és la matriu–columna de les components de ~x i X la de f~(~x) aleshores

Vicenç Sales
X = AX .
Pàgina 80 de 150
Aquest resultat es coneix com a expressió matricial de f~ en la base B.
Observació 5.8 I equival a l’anomenada expressió explı́cita de f~ en la base B:

f~(x1 , . . . , xn ) = (a11 x1 + . . . + an1 xn , . . . , a1n x1 + . . . + ann xn ) .
Exemple 5.9 En la transformació lineal f~ d’abans, si A és la matriu en base canònica Bc

           
1 2 1 −2 1 4
A  0  =  −1  , A 1 =  4 i A  1  =  −2  ,
0 −1 0 3 1 −2
que es pot agrupar en
   
1 1 1 2 −2 4
A  0 1 1  =  −1 4 −2  .
0 0 1 −1 3 −2
~
Per tant, la matriu de la transformació lineal f en la base canònica Bc és
  −1     
2 −2 4 1 1 1 2 −2 4 1 −1 0 2 −4 6
A =  −1 4 −2   0 1 1  =  −1 4 −2   0 1 −1  =  −1 5 −6  ;
−1 3 −2 0 0 1 −1 3 −2 0 0 1 −1 4 −5
i l’expressió explı́cita en la base canònica Bc ,
f~(x, y, z) = (2x − 4y + 6z, −x + 5y − 6z, −x + 4y − 5z) .
Diem fórmula del canvi de base per a transformacions lineals al resultat següent.
UPC
Teorema 5.10 Si A és la matriu d’una transformació lineal f~ : Rn −→ Rn en la base B, A0
ETSEIAT la matriu de f~ en la base B 0 i C la matriu de canvi de base de B 0 a B aleshores
A0 = C −1 AC .
−1
(Rn , B 0 ) −−−−−C
−−−−→ (Rn , B) −−−−−A−−−−→ (Rn , B) −−−−C
−−−−−→ (Rn , B 0 )
↑
A0 = C −1 AC
Rafel Amer
& %
Diem fórmula del canvi de base invers per a transformacions lineals al resultat següent.
Vicenç Sales
Observació 5.11 Si la que es coneix és la matriu C de canvi de base de B a B 0 es té:
Pàgina 81 de 150 A = CA0 C −1 .
−1 0
(Rn , B) −−−−C
−−−−−→ (Rn , B 0 ) −−−−−A
−−−−−→ (Rn , B 0 ) −−−−−C
−−−−→ (Rn , B)
↑
A = CA0 C −1
& %
Exemple 5.12 Per a la transformació lineal f~ i la base B 0 = {(1, 1, 1), (1, 2, 2), (1, 2, 3)} tenim
−1
(R3 , B 0 ) −−−−−C
−−−−→ (R3 , Bc ) −−−−−A
−−−−→ (R3 , Bc ) −−−−C
−−−−−→ (R3 , B 0 )
↑
0 −1
A = C AC
& %
amb la matriu de canvi de base de B 0 a Bc
 
1 1 1
C =  1 2 2.
1 2 3
Per tant, la matriu associada a la transformació lineal f~ en la base B 0 és
 −1     
1 1 1 2 −4 6 1 1 1 10 15 33
A0 =  1 2 3   −1 5 −6   1 2 3  =  −6 −9 −22  .
1 3 6 −1 4 −5 1 3 6 0 0 1
Diem polinomi caracterı́stic d’una matriu quadrada A a
pA (x) = det (A − xI) .
UPC
ETSEIAT Teorema 5.13 (a) El determinant de les matrius de f~ és el mateix en totes les bases.
(b) El polinomi caracterı́stic de les matrius de f~ és el mateix en totes les bases.
Escrivim det f~ i pf~(x) i diem determinant i polinomi caracterı́stic de f~, respectivament.
Rafel Amer Definició 5.14 Una transformació lineal f~ és regular si, i només si, det f~ 6= 0; singular
si, i només si, det f~ = 0; directa si, i només si, det f~ > 0; i inversa si, i només si, det f~ < 0.
Vicenç Sales Podem classificar aixı́ les transformacions lineals en singulars, directes i inverses.
Pàgina 82 de 150 Proposició 5.15 Sigui f una transformació lineal regular.

(a) Si {~v1 , . . . , ~vk } és linealment independent llavors {f~(~v1 ), . . . , f~(~vk )} també.
(b) rg {f~(~v1 ), . . . , f~(~vk )} = rg {~v1 , . . . , ~vk }.
(c) dim f~(V ) = dim V i dim f~−1 (V ) = dim V .
(d) Si {~e1 , . . . , ~en } és base de Rn llavors {f~(~e1 ), . . . , f~(~en )} també.
(e) Si f~ és directa llavors {~e1 , . . . , ~en } i {f~(~e1 ), . . . , f~(~en )} tenen la mateixa orientació.
(f) Si f~ és inversa llavors {~e1 , . . . , ~en } i {f~(~e1 ), . . . , f~(~en )} tenen diferent orientació.
Exemple 5.16 El polinomi caracterı́stic de f~ és

2 − x −4 6

pf~(x) = −1 5 − x
−6
−1 4 −5 − x
= (2 − x)(5 − x)(−5 − x) − 24 − 24 + 6(5 − x) + 24(2 − x) − 4(−5 − x)
= −x3 + 2x2 − x = −x(x − 1)2 .
I el seu determinant,
2 −4 6 2 2 −4 6
~
1
det f = −1
5 −6 = 0 6 −6 = 0 .
−1 2
4 −5 F2 ∼2F2 +F1 0 4 −4
F3 ∼2F3 +F1
Per tant, en particular, es té que f és singular.
Definició 5.17 Diem que ~x 6= ~0 és vector propi de valor propi λ ∈ R de f~ si, i només si,
UPC
f~(~x) = λ~x .
ETSEIAT
Tenim f~(~x) = 0~x = ~0 per a λ = 0; f~(~x) = 1~x = ~x per a λ = 1: i f~(~x) = −1~x = −~x per a λ = −1.
Teorema 5.18 (a) Els valors propis són les arrels del polinomi caracterı́stic.
(b) Cada vector propi ~x 6= ~0 està associat a un únic valor propi.
Rafel Amer (c) Vectors propis de valors propis diferents són linealment independents.
De cada valor propi destaca la seva multiplicitat mλ com a arrel del polinomi caracterı́stic.
Vicenç Sales Si és 1, direm que és simple; i en cas contrari, múltiple (doble si és 2, triple si és 3,...).
Pàgina 83 de 150
Definició 5.19 Vλ = {~x ∈ Rn : f~(~x) = λ~x} s’anomena subespai propi de valor propi λ.
En particular, V0 = {~x ∈ Rn : f~(~x) = ~0}, V1 = {~x ∈ Rn : f~(~x) = ~x} i V−1 = {~x ∈ Rn : f~(~x) = −~x}.
Teorema 5.20 (a) Vλ és un subespai vectorial no nul de Rn .

(b) Les equacions implı́cites de Vλ són (A − λI)X = 0.
(c) Vλ − {~0} és el conjunt de vectors propis de valor propi λ.
Les equacions implı́cites de V0 són AX = 0; les de V1 , (A−I)X = 0; i les de V−1 , (A+I)X = 0.
Teorema 5.21 (a) dim Vλ = n − rg (A − λI).

(b) 1 ≤ dim Vλ ≤ mλ .
(c) Si λ és simple aleshores dim Vλ = mλ = 1.
Exemple 5.22 A partir del polinomi caracterı́stic de f~, obtenim que f~ té el valor propi
doble λ1 = 1 i el simple λ2 = 0. I les equacions implı́cites respectives de V1 i V0 són
   
1 −4 6 0 2 −4 6 0
V1 :  −1 4 −6 0  i V0 :  −1 5 −6 0  .
−1 4 −6 0 −1 4 −5 0
Definició 5.23 Una transformació lineal f~ és diagonalitzable si, i només si, existeix una
UPC base B ∗ = {~e∗1 , . . . , ~e∗n } de Rn i una matriu diagonal D tals que f~ té matriu D respecte B ∗ .
ETSEIAT
Això equival a f~(~e∗1 ) = λ1~e∗1 , . . . , f~(~en ) = λn~e∗n , amb λ1 , . . . , λn elements de la diagonal de D. I
aleshores, si C és la matriu de canvi de base de B ∗ a B es té que
D = C −1 AC, AC = CD i A = CDC −1 .
Rafel Amer Teorema 5.24 Una transformació lineal f~ de Rn és diagonalitzable si, i només si:
(i) el polinomi caracterı́stic té totes les arrels reals;
(ii) la multiplicitat de cada valor propi és igual a la dimensió del seu subespai propi.
Vicenç Sales
El teorema anterior es coneix com a condició necessària i suficient de diagonalització.
Pàgina 84 de 150
I observem que la condició (ii) només cal comprovar–la per als valors propis múltiples.
Teorema 5.25 Si tots els valors propis són simples llavors f~ és diagonalitzable.
La propietat anterior es coneix com a condició suficient de diagonalització.
Teorema 5.26 Si la matriu de f~ és simètrica aleshores f~ és diagonalitzable.

Exemple 5.27 Com que
dim V1 = 3 − rg A = 3 − 1 = 2 = m1 ,
per la condició necessària i suficient de diagonalització es dedueix que f~ és diagonalitzable.
A més, les solucions de V1 són x = 4y − 6z i una base de V1 és {(4, 1, 0), (−6, 0, 1)}. I de
     
2 −4 6 0 2 −4 6 0 2 −4 6 0
V0 :  −1 5 −6 0  '0 6 −6 0  '0 6 −6 0 
−1 4 −5 0 F2 ∼2F2 +F1 0 4 −4 0 F ∼3F −2F 0 0 0 0
F3 ∼2F3 +F1 3 3 2
es té que x = −z i y = z i, en conseqüència, una base de V0 és {(−1, 1, 1)}.

Per tant, la base de vectors propis i la matriu diagonal i de canvi de base respectives són
   
1 4 −6 −1
B ∗ = {(4, 1, 0), (−6, 0, 1), (−1, 1, 1)} , D= 1  i C =1 0 1.
0 0 1 1
Transformacions lineals de l’espai vectorial euclidià
UPC
Definició 5.28 Una transformació lineal f~ és simètrica si, i només si, per a tot ~x, ~y ∈ Rn
ETSEIAT f~(~x) · ~y = ~x · f~(~y ) .
~0, I~ i −I~ són transformacions lineals simètriques.
Teorema 5.29 Si A és la matriu en base ortonormal d’una transformació lineal f~ llavors:
Rafel Amer f~ és simètrica si, i només si, A és simètrica .
El teorema següent es dedueix de la condició suficient de diagonalització.
Vicenç Sales
Teorema 5.30 Les transformacions lineals simètriques són diagonalitzables.
Pàgina 85 de 150
Exemple 5.31 La transformació lineal f~ que en la base canònica Bc té matriu
 
1 1 1
1
A = 1 1 1
3
1 1 1
és simètrica, ja que la matriu anterior és simètrica. Llavors, el polinomi caracterı́stic és
1 1 1

−x 1−x 1−x 1−x 1−x 0 0
3
1 3 3
1 1
1 1 1
1
3 −x = 3 3 −x = (1 − x) 3 −x 0

31 1 1
3 3
1 1 1 1
3 − x F ∼F +F +F 3 − x C2 ∼C2 −C1 0 −x

3 3 1 1 2 3 3 3 3
C3 ∼C3 −C1
2
= (1 − x)x
i els valors propis són 1 (simple) i 0 (doble). Aleshores, els subespais propis respectius són
     
−2 1 1 0 −2 1 1 0 1 1 1 0
1 1 1
V1 :  1 −2 1 0 '  0 −3 3 0 i V0 :  1 1 1 0  ,
3 3 3
1 1 −2 0 F2 ∼2F2 +F1 0 3 −3 0 1 1 1 0
F3 ∼2F3 +F1
de solucions x = y = z i z = −x − y i bases respectives {(1, 1, 1)} i {(1, 0, −1), (0, 1, −1)}. Per
tant, la base de vectors propis i la matriu diagonal i de canvi de base són, respectivament,
   
1 1 1 0
{(1, 1, 1), (1, 0, −1), (0, 1, −1)} ,  0  i 1 0 1.
0 1 −1 −1
Teorema 5.32 Vectors propis corresponents a valors propis diferents d’una transforma-
UPC ció lineal simètrica són ortogonals.
ETSEIAT Per tant, trobant bases ortogonals de cada subespai propi en una transformació lineal
simètrica –aplicant el mètode d’ortogonalització de Gram–Schmidt a cadascun d’ells si cal–
i reunint–les s’obté una base ortogonal de vectors propis de Rn .
Definició 5.33 Una transformació lineal f~ : Rn −→ Rn és ortogonalment diagonalit-

Rafel Amer zable si, i només si, existeix una base ortonormal B ∗ = {~e∗1 , . . . , ~e∗n } de Rn i una matriu
diagonal D tals que f~ té matriu D respecte B ∗ .
Vicenç Sales En particular, si A és la matriu de f~ en una base ortonormal B = {~e1 , . . . , ~en } llavors la
matriu de canvi de base P de B ∗ a B és ortogonal i es té que
Pàgina 86 de 150
D = P −1 AP = P t AP i A = P DP −1 = P DP t .
Observació 5.34 Per tant, normalitzant els vectors d’una base ortogonal de vectors pro-
pis d’una transformació lineal simètrica s’obté una base ortonormal de vectors propis.
El resultat següent es coneix com a teorema espectral.
Teorema 5.35 f~ és ortogonalment diagonalitzable si, i només si, és simètrica.
Exemple 5.36 En la nostra transformació lineal f~ els vectors propis (1, 0, −1) i (0, 1, −1)
–que són de valor propi 0– són ortogonals al vector propi (1, 1, 1) –que és de valor propi 1–
efectivament. Llavors, aplicant el mètode de Gram–Schmidt als dos primers tenim
0
~v1 = (1, 0, −1) ;
0 (0,1,−1)·(1,0,−1)
~v2 = (0, 1, −1) − (1,0,−1)·(1,0,−1) (1, 0, −1) = (0, 1, −1) − 21 (1, 0, −1) 12 (−1, 2, −1) ' (−1, 2, −1) .
I normalitzant, obtenim que f~ diagonalitza ortogonalment i que la base ortonormal i la
matriu diagonal i de canvi de base respectives són
  √ √ 
1 √ 2 3 √0
1 1 1 1
√ (1, 1, 1), √ (1, 0, −1), √ (−1, 2, −1) ,  0  i √  √2 √0 √3 .

3 2 6 0 6 2 − 3 − 3
Siguin V un subespai vectorial de Rn i ~v1 , . . . , ~vk i w ~ n bases respectives de V i V ⊥ .
~ k+1 , . . . , w
UPC
Definició 5.37 La projecció ortogonal vectorial sobre V i la simetria vectorial respecte
ETSEIAT de V són les transformacions lineals respectives P~V : Rn −→ Rn i S ~V : Rn −→ Rn tals que
P~V (~v1 ) = ~v1 , . . . , P~V (~vk ) = ~vk , P~V (w
~ k+1 ) = ~0, . . . , P~V (w~ n ) = ~0
i
~V (~v1 ) = ~v1 , . . . , S
S ~V (~vk ) = ~vk , S
~V (w ~ k+1 ) = −w ~V (w
~ 1, . . . , S ~ n ) = −w ~n .
Rafel Amer I P~Rn = S

~Rn = I,
~ P~ ~ = ~0, S
{0}
~ ~ = −I~ i estricta si V estricte (axial per recta i plana per pla).
{0}
Proposició 5.38 (a) P~V (~x) = ~x si, i només si, ~x ∈ V i S ~V (~x) = ~x si, i només si, ~x ∈ V .
(b) P~V (~x) = ~0 si, i només si, ~x ∈ V ⊥ i S
~V (~x) = −~x si, i només si, ~x ∈ V ⊥ .
Vicenç Sales
Pàgina 87 de 150
Els subespais propis són V1 = V i V0 = V ⊥ per a P~V i V1 = V i V−1 = V ⊥ per a S
~V .
Teorema 5.39 Les matrius respectives de P~V i S

~V en bases unió de bases de V i V ⊥ són
   
1 1
 . . (k)   . . (k) 
 .   . 
   
1 1
D0 =  D∗ = 
   
 i .

 0 


 −1 

 . . . (n−k) 
  . . (n−k) 
  . 
0 −1
I la unió de bases ortogonals o ortonormals és ortogonal o ortonormal, respectivament.
Teorema 5.40 Les projeccions ortogonals i simetries vectorials són simètriques.
Exemple 5.41 Si V = h(1, 1, 1)i llavors V ⊥ = h(1, 0, −1), (0, 1, −1)i i, per tant, la matriu
diagonal de P~V en la base de vectors propis B = {(1, 1, 1), (1, 0, −1), (0, 1, −1)} és
 
1
D0 =  0 .
0
V es diu subespai de la projecció ortogonal o simetria vectorial (eix si V recta).
UPC ~V és regular.

Teorema 5.42 (a) S
~
(b) PV (~x) és l’únic vector de V tal que ~x − PV (~x) ∈ V ⊥ .
ETSEIAT
(c) P~V (~x) és l’únic vector de V tal que k ~x − PV (~x) k és mı́nim.
(d) P~V [P~V (~x)] = P~V (~x) i S ~V [S
~V (~x)] = ~x.
~ ~
(e) PV (~x) + PV ⊥ (~x) = ~x i SV (~x) = 2P~V (~x) − ~x.
~
(f) PV (~x) = x01~v1 +. . .+x0k~vk , amb V = h~v1 , . . . , ~vk i i x01 , . . . , x0k solucions del sistema compatible
Rafel Amer
G~v X 0 = G~v,~x .
El sistema lineal anterior és compatible determinat si, i només si, {~v1 , . . . , ~vk } és base de V .
I, a més, si A0 i A∗ són les matrius associades a P~V i S
~V en una base qualsevol aleshores
Vicenç Sales
02 0 ∗2
A =A , A =I i A∗ = 2A0 − I .
Pàgina 88 de 150
P~V ⊥ (~x) ~x
P~V ⊥ (~x) = ~x − P~V (~x)
P~V (~x)
V
~V (~x)
S
Exemple 5.43 En l’anterior projecció ortogonal vectorial axial P~V , aplicant el canvi de base
−1 0
(R3 , Bc ) −−−−C −−−−−→ (R3 , B) −−−−−C
−−−−−→ (R3 , B) −−−−−D −−−−→ (R3 , Bc )
↑
& A0 = CD0 C −1 %
amb  
1 1 0
C =1 0 1 ,
1 −1 −1
obtenim que la matriu de P~V en la base canònica Bc és
   −1  
1 1 0 1 1 1 0 1 1 1
1
A0 =  1 0 1 0  1 0 1 =  1 1 1.
3
1 −1 −1 0 1 −1 −1 1 1 1
Sigui {~v1 , . . . , ~vn−2 } un sistema ortonormal de Rn si n ≥ 3 (obviem aquest sistema si n = 2) i
{~vn−1 , ~vn } una base ortonormal de h~v1 , . . . , ~vn−2 i⊥ .
UPC
Definició 5.44 La rotació vectorial d’angle α al voltant de ~v1 , . . . , ~vn−2 és la transformació
ETSEIAT
~ ~αv1 ,...,~vn−2 : Rn −→ Rn tal que
lineal R
R~ ~v1 ,...,~vn−2 (~v1 ) = ~v1 , . . . , R
~ ~v1 ,...,~vn−2 (~vn−2 ) = ~vn−2 ,
α α
R~α~v 1 ,...,~
v n−2
(~vn−1 ) = (cos α) ~vn−1 + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ ~vn−1 ) ,
~ ~v1 ,...,~vn−2 (~vn ) = (cos α) ~vn + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ ~vn ) .
R α
Rafel Amer
~ ~v1 ,...,~vn−2 = I, R
IR ~ ~πv1 ,...,~vn−2 = S ~V i estricta si α 6= 0, π. A més, a R2 diem gir vectorial d’angle
0
α i escrivim G ~ α (i també G ~ 0 = I, G~ π = −I i estricte si α 6= 0, π).
Vicenç Sales
Pàgina 89 de 150 Proposició 5.45 (a) R ~ ~αv1 ,...,~vn−2 (~x) = ~x si, i només si, ~x ∈ V .
~ ~αv1 ,...,~vn−2 (~x) = (cos α) ~x + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x) si, i només si, ~x ∈ V ⊥ .
(b) R
Per tant, V és el subespai propi de valor propi 1 (V1 = V ).
Teorema 5.46 La matriu de R ~ ~αv1 ,...,~vn−2 en tota base ortonormal positiva unió de bases
ortonormals de V i V ⊥ és  
1
. . (n−2)
.
 
 
R̃ =  ,
 
 1 
 cos α − sin α 
sin α cos α
4π √1 (1, 1, 1),
Exemple 5.47 Donada la rotació vectorial d’angle α = 3 al voltant de ~v = 3
~=
prenent w √1 (1, 0, −1) per exemple –que és ortogonal a ~v –, es té ~v ∧ w
~= √1 (−1, 2, −1) i, per
2 6
tant, la matriu en la base ortonormal positiva B = { √13 (1, 1, 1), √1 (1, 0, −1), √1 (−1, 2, −1)} és
2 6
1
 
√
R̃ =  −√1/2 3/2  .
− /2 − 1/2
3
α es diu angle de gir; ~v1 , . . . , ~vn−2 , vectors de gir; i V , subespai de gir (eix si n = 3).
UPC
Teorema 5.48 (a) R ~ ~αv1 ,...,~vn−2 és regular.
ETSEIAT ~ ~αv1 ,...,~vn−2 (~x) = P~V (~x) + (cos α) PV ⊥ (~x) + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ PV ⊥ (~x)).
(b) R
~ ~αv1 ,...,−~vi ,...,~vn−2 (~x) = R
(c) R ~ ~v1 ,...,~vi ,...,~vn−2 (~x) per a tot i = 1, . . . , n − 2.
−α
~ ~v1 ,...,~vn−2 ~ ~v1 ,...,~vn−2 ~ ~v1 ,...,~vn−2 (~x) = R
~ ~αv1 ,...,~vn−2 [R
~ ~v1 ,...,~vn−2 (~x)].
(d) Rβ [Rα (~x)] = R α+β β
I a R3 tenim que R ~ ~−α

~ α−~v (~x) = R v (~
x).
Rafel Amer
Observació 5.49 No és suficient amb donar només el subespai de gir V i l’angle de gir α.
Vicenç Sales
~ α (~x)
G ~x
P~V (~x)
Pàgina 90 de 150 ~x ~ ~v (~x)
R α
α ~v
P~V ⊥ ~x)
α
V⊥
V
Exemple 5.50 En la rotació vectorial anterior, a partir de l’esquema de canvi de base
−1 = C t
(R3 , Bc ) −−C−−−−−−−→ (R3 , B̃) −−−−−R̃−−−−→ (R3 , B̃) −−−−−C
−−−−→ (R3 , Bc )
↑
−1
Ã = C R̃C = C R̃C t
& %
com que
√ √
1/√3 √ 
− 1/ 6 1/√2
 
2 3 −1
1/√3
2 √  1 √
C= 0 / 6 =√ 2 0 2 ,
6 √2 −√3

√ 1/√3
− 1/ 2 − 1/ 6
√
−1
la matriu de la rotació vectorial d’angle 4π √1
3 al voltant de 3 (1, 1, 1) en la base canònica Bc és
√ √ √ √ t 
1
  
2 3 −1 2 3 −1 0 1 0
1 √ 1
√
3
1 √
Ã = √ 2 0 2 −√/2 /2 √ 2 0 2 =  0 0 1.
6 √2 −√3 −1 6 √2 −√3
  
3
− /2 − /2 1 −1 1 0 0
Transformacions lineals euclidianes
Estudiem ara la conservació del producte escalar de vectors.
UPC
ETSEIAT Definició 5.51 f~ és transformació lineal euclidiana si, i només si, per a tot ~x, ~y ∈ Rn
f~(~x) · f~(~y ) = ~x · ~y .
També s’anomenen transformacions ortogonals o isometries lineals.
Rafel Amer
Proposició 5.52 f~ és una transformació lineal regular.
La propietat anterior justifica el nom de transformació lineal euclidiana.

Vicenç Sales
Proposició 5.53 (a) k f~(~x) k = k ~x k.
\
Pàgina 91 de 150 (b) f~(~x) f~(~y ) = ~xc~y .
(c) Si {~v1 , . . . , ~vk } és sistema ortogonal llavors {f~(~v1 ), . . . , f~(~vk )} també.
(d) Si {~v1 , . . . , ~vk } és sistema ortonormal llavors {f~(~v1 ), . . . , f~(~vk )} també.
(e) f~(V ⊥ ) = [f~(V )]⊥ .
(f) Si {~e1 , . . . , ~en } és base ortogonal de Rn llavors {f~(~e1 ), . . . , f~(~en )} també.
(g) Si {~e1 , . . . , ~en } és base ortonormal de Rn llavors {f~(~e1 ), . . . , f~(~en )} també.
La identitat i la menys identitat són euclidianes; i les altres es diuen estrictes.
f~ és euclidiana si, i només si, A és ortogonal .
Exemple 5.55 La transformació lineal f~ que en la base canònica Bc té matriu

 
0 1 0
A = 0 0 1
1 0 0
és euclidiana, ja que la base canònica és ortonormal i la matriu d’abans ortogonal:
  
0 0 1 0 1 0
At A =  1 0 0   0 0 1  = I .
0 1 0 1 0 0
Teorema 5.56 El determinant de tota transformació lineal euclidiana és 1 o −1.
UPC
Per tant, les de determinant 1 són les directes.
ETSEIAT
Proposició 5.57 Sigui f~ una transformació lineal euclidiana directa.

(a) f~(~x1 ∧ . . . ∧ ~xn−1 ) = f~(~x1 ) ∧ . . . ∧ f~(~xn−1 ).
(b) Si {~e1 , . . . , ~en } és base ortogonal de Rn aleshores {f~(~e1 ), . . . , f~(~en )} és base ortogonal de
Rafel Amer Rn de la mateixa orientació.
(c) Si {~e1 , . . . , ~en } és base ortonormal de Rn llavors {f~(~e1 ), . . . , f~(~en )} és base ortonormal de
Rn de la mateixa orientació.
Vicenç Sales
I les de determinant −1 són les inverses.

Pàgina 92 de 150
Proposició 5.58 Sigui f~ una transformació lineal euclidiana inversa.

(a) f~(~x1 ∧ . . . ∧ ~xn−1 ) = −f~(~x1 ) ∧ . . . ∧ f~(~xn−1 ).
(b) Si {~e1 , . . . , ~en } és base ortogonal de Rn aleshores {f~(~e1 ), . . . , f~(~en )} és base ortogonal de
Rn de diferent orientació.
(c) Si {~e1 , . . . , ~en } és base ortonormal de Rn llavors {f~(~e1 ), . . . , f~(~en )} és base ortonormal de
Rn de diferent orientació.
I és fals que si una transformació lineal té determinant 1 o −1 aleshores és euclidiana.
(a) f~ és euclidiana directa si, i només si, A és ortogonal directa;
(b) f~ és euclidiana inversa si, i només si, A és ortogonal inversa.
Exemple 5.60 La transformació lineal euclidiana f~ d’abans és directa, ja que A és directa:

0 1 0

det A = 0 0 1 = 1 .
1 0 0
Teorema 5.61 Les simetries vectorials i les rotacions vectorials són transformacions
UPC lineals euclidianes.
ETSEIAT Les projeccions ortogonals vectorials, en canvi, no ho són en general.
TRANSFORMACIONS LINEALS SIMÈTRIQUES EUCLIDIANES
PROJECCIONS ORTOGONALS VECTORIALS SI NO
SIMETRIES VECTORIALS SI SI
ROTACIONS VECTORIALS NO SI
Rafel Amer
Proposició 5.62 La composició d’una rotació vectorial i la simetria vectorial respecte del
Vicenç Sales pla ortogonal al subespai de gir és commutativa i és una transformació lineal euclidiana:
h i h i
~ ~v1 ,...,~vn−2 (~x) = S
C ~V ⊥ R~ ~v1 ,...,~vn−2 (~x) = R
~ ~v1 ,...,~vn−2 S~V ⊥ (~x) .
Pàgina 93 de 150 α α α
~ ~v1 ,...,~vn−2 = S
Diem composició vectorial només. I C ~ π~v1 ,...,~vn−2 = −I~ i estricta si α 6= 0, π.
~V ⊥ , C
0
Teorema 5.63 (a) C ~ α~v1 ,...,~vn−2 (~x) = −~x si, i només si, ~x ∈ V .
~
v
~ α1 ,...,~
v
(b) C n−2
(~x) = (cos α) ~x + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x) si, i només si, ~x ∈ V ⊥ .
~x
~ ~α
R v
(~x)
~v
α
V⊥
V
~ ~v (~x)
C α
Observació 5.64 Com que les transformacions lineals I~ i −I~ tenen matriu associada
respectiva A 6= I, −I en qualsevol base, ens limitarem d’ara en endavant a les estrictes.
Exemple 5.65 La transformació lineal euclidiana f~ d’abans és estricta, ja que A 6= I, −I.
Proposició 5.66 Si λ és una arrel del polinomi caracterı́stic d’una transformació lineal
UPC euclidiana f~ aleshores
|λ| = 1 .
ETSEIAT
Per tant, els valors propis d’una transformació lineal euclidiana f~ només poden ser 1 i −1.
Proposició 5.67 Si ~u i ~v són vectors propis de valors propi 1 i −1 respectivament aleshores

Rafel Amer
~u i ~v són ortogonals.
Vicenç Sales
I, d’altra banda, les arrels complexes conjugades del polinomi caracterı́stic seran del tipus
cos α + (sin α) i ,
Pàgina 94 de 150 amb α 6= 0, π.
Teorema 5.68 El polinomi caracterı́stic de les transformacions lineals euclidianes és

pf~(x) = (−1)n (x − 1)p (x + 1)q (x2 − 2 cos α1 x + 1) . . . (x2 − 2 cos αr x + 1) ,
amb p + q + 2r = n.
Per tant, els coeficients lineals del polinomi caracterı́stic són −2 cos αi per a i = 1, . . . , r.
Observació 5.69 Això vol dir que si el polinomi caracterı́stic és del tipus
pf~(x) = (−1)n (x − 1)p (x + 1)q (x2 + a1 x + 1) . . . (x2 + ar x + 1) ,
amb −2 < a < 2 i p + q + 2r = n, aleshores es té que
a1 ar
cos α1 = − , . . . , cos αr = − .
2 2
Exemple 5.70 El polinomi caracterı́stic de la transformació lineal euclidiana f~ d’abans és

−x 1 0
1 = −x3 + 1 .

0 −x

1 0 −x
Tenint en compte l’estructura de les matrius ortogonals d’ordre 2, s’obté una forma de
classificar completament les transformacions lineals euclidianes estrictes de R2 a partir
UPC de la seva matriu en una base ortonormal qualsevol.
ETSEIAT
Teorema 5.71 Classificació de les transformacions lineals euclidianes estrictes de R2
BASE ORTONORMAL POSITIVA TIPUS ELEMENTS CARACTERÍSTICS

a b
A= (amb a2 + b2 = 1) Simetria vectorial axial Eix de simetria: V1
b −a
Rafel Amer
a −b
A= (amb a2 + b2 = 1) Gir vectorial estricte Angle de gir: cos α = a i sin α = b
b a
Vicenç Sales
BASE ORTONORMAL NEGATIVA TIPUS ELEMENTS CARACTERÍSTICS

a b
Pàgina 95 de 150 A= (amb a2 + b2 = 1) Simetria vectorial axial Eix de simetria: V1
b −a

a −b
A= (amb a2 + b2 = 1) Gir vectorial estricte Angle de gir: cos α = a i sin α = −b
b a
A partir d’ara treballem a Rn , amb n ≥ 3. Per tant, en parlar tant de rotacions vectorials
com de composicios vectorials s’entenen exclosos els girs vectorials en tots dos casos.
Teorema 5.72 Tipus de transformacions lineals euclidianes estrictes
POLINOMI CARACTERÍSTIC TIPUS

pf~(x) = (x − 1)k (x + 1)n−k Simetria vectorial
pf~(x) = (x − 1)n−2 (x2 + ax + 1) (amb −2 < a < 2) Rotació vectorial
pf~(x) = (x + 1)n−2 (x2 + ax + 1) (amb −2 < a < 2) Composició vectorial
Exemple 5.73 Com que −x3 + 1 = −(x − 1)(x2 + x + 1), f~ és una rotació vectorial estricta.
En les simetries vectorials estrictes, les rotacions vectorials estrictes i les composicions
vectorials estrictes, cal determinar també els elements caracterı́stics respectius. I en el
UPC cas de les rotacions i les composicions, utilitzarem la fórmula comú per als vectors de V ⊥ :
f~(~x) = (cos α) ~x + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ ~x) .
ETSEIAT
Teorema 5.74 Elements caracterı́stics en transformacions lineals euclidianes estrictes
TIPUS ELEMENTS CARACTERÍSTICS

Simetries vectorials Subespai de simetria: V1
Rafel Amer
Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
Rotacions vectorials Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V−1
Vicenç Sales
Composicions vectorialsAngle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
⊥
Pla de simetria: V−1
Pàgina 96 de 150
I a R3 les bases ortonormals dels vectors de gir es redueixen a un sol vector unitari.
Observació 5.75 Per classificar s’entén determinar el tipus i els elements caracterı́stics.
Exemple 5.76 Com que f~ és una rotació vectorial estricta, trobem el subespai propi V1 :
     
−1 1 0 0 −1 1 0 0 −1 1 0 0
V1 :  0 −1 1 0 '  0 −1 1 0 '  0 −1 1 0 .
1 0 −1 0 F ∼F +F 0 1 −1 0 F ∼F +F 0 0 0 0
2 3 1 3 3 2
Llavors tenim x = y = z i el vector de gir és, doncs, el ~v = √1 (1, 1, 1).

3
A més, cos α = − 21 . I prenent un vector ortogonal al vector de gir tal com (1, −1, 0), tenim
~i ~j ~k
      
0 1 0 1 −1
 0 0 1   −1  =  0  i 1 1 1  = (1, 1, −2)
1 0 0 0 1 1 −1 0
~
i es té que Rα (1, −1, 0) = (−1, 0, 1) = − 2 (1, −1, 0) + (sin α) √13 (1, 1, −2). I igualant les terceres
~
v 1
√
3
components, s’obté − √23 sin α = 1. Per tant, sin α = − i l’angle de gir és, doncs, α = 4π
2 3 .
4π 1
En conseqüència, es tracta de la rotació vectorial d’angle al voltant del vector √ (1, 1, 1).
3 3
6 TRANSFORMACIONS AFINS
Transformacions afins
UPC
Estudiem ara la conservació de la suma de punts i vectors.
ETSEIAT Definició 6.1 Es diu que una aplicació f : Rn −→ Rn és una transformació afı́ si, i
només si, existeix una transformació lineal f~ tal que per a tot x ∈ Rn i tot ~v ∈ Rn
f (x + ~v ) = f (x) + f~(~v ) .
També s’anomenen afinitats o endomorfismes afins.
Rafel Amer
Proposició 6.2 Si f és una transformació afı́ llavors la transformació lineal f~ és única.
Es diu que f~ és la transformació lineal associada a la transformació afı́ f .

Vicenç Sales
−−−−−−→
Pàgina 97 de 150 Proposició 6.3 (a) f (p) f (x) = f~(−
p→x).
(b) Si m és el punt mig de x i y llavors f (m) és el punt mig de f (x) i f (y).
(c) Si L = p + V llavors f (L) = f (p) + f~(V ) i dim f (L) ≤ dim L.
(d) Si L és varietat lineal llavors f −1 (L) és varietat lineal i dim f −1 (L) ≥ dim L.
(e) Si L i L0 són varietats lineals paral .leles llavors f (L) i f (L0 ) també.
(f) Si L i L0 són varietats lineals secants llavors f (L) i f (L0 ) també.
El primer apartat anterior es pot escriure també en la forma f (x) = f (p) + f~(−
p→
x).
Observació 6.4 En particular, tenim que tota transformació afı́ de Rn queda determinada
si es coneixen la imatge f (p) d’un punt qualsevol p i la transformació lineal associada f~.
Les transformacions afins amb transformació lineal associada ~0, I~ i −I~ es diuen, respecti-
vament, constants, translacions i antı́podes; i les altres es diuen estrictes.
Observació 6.5 En particular, tenim que la identitat, definida per a tot x ∈ Rn per
I(x) = x ,
és una translació; i les altres es diuen esrictes.
Exemple 6.6 Podem considerar la transformació afı́ f tal que
f (1, 1, 1) = (2, 1, −2) i f~(x, y, z) = (2x − 4y + 6z, −x + 5y − 6z, −x + 4y − 5z) .
Considerem una referència R = {O; ~e1 , . . . , ~en } de Rn i siguin M la matriu–columna de les
coordenades de f (O) i A la matriu de f~ en la base B = {~e1 , . . . , ~en } de la referència R.
UPC
Teorema 6.7 Si X i X són les matrius–columna de les coordenades respectives de x i
ETSEIAT
f (x) en la referència R aleshores
X = M + AX .
Aquest resultat es coneix com a expressió matricial de f en la referència R.
Rafel Amer Observació 6.8 I equival a l’anomenada expressió explı́cita de f en la referència R:

f (x1 , . . . , xn ) = (a11 x1 + . . . + an1 xn + b1 , . . . , a1n x1 + . . . + ann xn + bn ) .
Vicenç Sales Tenim, per tant, que les constants, les translacions i les antı́podes es caracteritzen per
tenir expressions matricials respectives en qualsevol referència del tipus
Pàgina 98 de 150 X =B, X =X +B i X = −X + B .
Observació 6.9 I la identitat, per tenir expressió matricial en qualsevol referència

X =X.
En particular, la condició f (x) = f (p) + f~(−
p→
x) s’escriu matricialment
X = P + A(X − P ) .
Observació 6.10 I aleshores, operant, es té l’expressió matricial de f en la referència R.

Exemple 6.11 De la condició
      
a 2 −4 6 1 2
 b  +  −1 5 −6   1  =  1 
c −1 4 −5 1 −2
s’obté a = −2, b = 3 i c = 0. I d’això, l’expressió matricial de f en la referència canònica Rc
      
x̄ −2 2 −4 6 x
 ȳ  =  3  +  −1 5 −6   y 
z̄ 0 −1 4 −5 z
i, en particular, la seva expressió explı́cita en la referència canònica Rc
f (x, y, z) = (2x − 4y + 6z − 2, −x + 5y − 6z + 3, −x + 4y − 5z) .
Diem fórmula del canvi de referència per a transformacions afins al resultat següent.
UPC Teorema 6.12 Si la fórmula del canvi de referència de la referència R0 a la R és

ETSEIAT X = B + CX 0
i l’expressió matricial de la transformació afı́ f en la referència R és
X = M + AX
aleshores l’expressió matricial de la transformació afı́ f en la referència R0 és
0
X = M 0 + A0 X 0 ,
Rafel Amer
amb M 0 = C −1 (AB + M − B) i A0 = C −1 AC.
Exemple 6.13 Donada la referència R0 = {(1, −1, 0); (1, 1, 1), (1, 2, 2), (1, 2, 3)}, tenim que
Vicenç Sales
0 −1
(R3 , B 0 ) −−−−−C
−−−−→ (R3 , Bc ) −−−−−A
−−−−−→ (R3 , Bc ) −−−−C
−−−−−→ (R3 , B 0 )
Pàgina 99 de 150
↑
0
A = C AC−1
& %
on la matriu de canvi de base de la base B0
= {(1, 1, 1), (1, 2, 2), (1, 2, 3)} a la canònica Bc és
 
1 1 1
C =  1 2 2.
1 2 3
Per tant, la matriu associada a la transformació lineal f~ en la base B 0 és
 −1     
1 1 1 2 −4 6 1 1 1 10 15 33
A0 =  1 2 3   −1 5 −6   1 2 3  =  −6 −9 −22  .
1 3 6 −1 4 −5 1 3 6 0 0 1
I com que
 −1         
1 1 1 2 −4 6 1 −2 1 10
M 0 =  1 2 2   −1 5 −6   −1  +  3  −  −1  =  −9  ,
1 2 3 −1 4 −5 0 0 0 2
0
tenim que l’expressió matricial en la referència R de la transformació afı́ f és
 0     0 
x̄ 10 10 15 33 x
 ȳ 0  =  −9  +  −6 −9 −22   y 0  .
z̄ 0 2 0 0 1 z0
Definició 6.14 Les transformacions afins f tals que la transformació lineal associada f~
UPC és regular es diuen regulars; i les que f~ és singular, singulars.
ETSEIAT
Per tant, les transformacions afins regulars i singulars són les que
det f~ 6= 0 i det f~ = 0 ,
respectivament.
Rafel Amer
Proposició 6.15 Sigui f una transformació afı́ regular.
(a) dim f (L) = dim L i dim f −1 (L) = dim L.
Vicenç Sales
(b) Si {O; ~e1 , . . . , ~en } és referència de Rn llavors {f (O); f~(~e1 ), . . . , f~(~en )} també.
Pàgina 100 de 150 La definició següent classifica les transformacions afins en singulars, directes i inverses.
Definició 6.16 Les transformacions afins regulars f tals que la transformació lineal
associada f~ és directa es diuen directes; i les que f~ és inversa, inverses.
Per tant, les transformacions afins directes i inverses són les que
det f~ > 0 i det f~ < 0 ,
respectivament.
Proposició 6.17 Sigui f una transformació afı́ regular.

(a) Si f és directa llavors {O; ~e1 , . . . , ~en } i {f (O); f~(~e1 ), . . . , f~(~en )} tenen la mateixa orientació.
(b) Si f és inversa llavors {O; ~e1 , . . . , ~en } i {f (O); f~(~e1 ), . . . , f~(~en )} tenen diferent orientació.

2 −4 6 2 −4 6

−1 5 −6 = 0 6 −6 = 0 ,

−1 4 −5 F2 ∼2F2 +F1 0
4 −4
F3 ∼2F3 +F1
es dedueix que f és singular.
Definició 6.19 Diem que p és un punt fix d’una transformació afı́ f de Rn si, i només si,
UPC f (p) = p .
ETSEIAT
En conseqüència, els punts fixos són les solucions del sistema lineal
M + AX = X o (A − I)X = −M .
Proposició 6.20 (a) El conjunt de punts fixos és una varietat lineal o el conjunt buit.
Rafel Amer (b) f té un únic punt fix si, i només si, 1 no és valor propi de f~.
En particular, les constants i les antı́podes tenen un únic punt fix p. I per això parlem
Vicenç Sales llavors de constant igual a p o antı́poda respecte de p i escrivim Kp i Ap , respectivament.
Pàgina 101 de 150

Teorema 6.21 Si p és un punt fix de f aleshores per a tot x ∈ Rn
f (x) = p + f~(−
p→
x) .
En particular, tenim que per a tot x ∈ Rn és

Kp (x) = p + ~0(−
p→
x) = p + ~0 = p i ~−
Ap (x) = p − I(p→
x) = p − −
p→
x.
Proposició 6.22 L’expressió matricial de les transformacions afins amb punt fix p és
X = P + A(X − P ) .
I, per tant, les expressions matricials respectives de Kp i Ap són, concretament,

X = P + 0(X − P ) = P i X = P − I(X − P ) = −X + 2P .
Observació 6.23 Per definició, la identitat té tots els seus punts fixos.
Exemple 6.24 L’equació dels punts fixos de la transformació afı́ f és

           
x −2 2 −4 6 x 1 −4 6 x 2
 y  =  3  +  −1 5 −6   y  o bé  −1 4 −6   y  =  −3  .
z 0 −1 4 −5 z −1 4 −6 z 0
I com que aquest sistema és clarament incompatible, es dedueix que f no té punts fixos.
Que la varietat lineal de punts fixos sigui el conjunt buit vol dir que no hi ha punts fixos.
UPC
Teorema 6.25 f és una transformació afı́ sense punts fixos si, i només si, existeix una
ETSEIAT transformació afı́ F amb punt fix i un vector no nul ~v tals que per a tot x ∈ Rn
f (x) = F (x) + ~v .
−−−→
Es té que F~ = f~ i ~v = p f (p), amb p punt fix de F . I ~v es diu vector de lliscament.
Rafel Amer Proposició 6.26 Les translacions estrictes són transformacions afins sense punts fixos.
Parlem llavors de translació estricta de vector ~v no nul i escrivim T~v .

Vicenç Sales
Teorema 6.27 Si p és un punt fix de F aleshores per a tot x ∈ Rn

f (x) = p + f~(−
p→
Pàgina 102 de 150
x) + ~v .
En particular, tenim que per a tot x ∈ Rn

~−
T~v (x) = p + I( p→
x) + ~v = p + −
p→
x + ~v = x + ~v .
Proposició 6.28 L’expressió matricial de les transformacions afins sense punts fixos és
X = P + A(X − P ) + V .
I, per tant, l’expressió matricial de T~v és, concretament,

X = P + I(X − P ) + V = X + V .
Observació 6.29 Si f és transformació afı́ sense punts fixos llavors 1 és valor propi de f~.
Exemple 6.30 Com es dedueix de l’exemple anterior, la transformació afı́ f és sense punts
fixos. I com que f (1, 1, 1) = (2, 1, −2) per exemple, prenent p = (1, 1, 1) tenim que f (p) =
(2, 1, −2). Per tant, és ~v = (2, 1, −2) − (1, 1, 1) = (1, 0, −3) i obtenim l’expressió
           
x̄ 1 2 −4 6 x 1 1
 ȳ  =  1  +  −1 5 −6   y  −  1  +  0  .
z̄ 1 −1 4 −5 z 1 −3
Transformacions afins de l’espai afı́ euclidià
Siguin L = p + V una varietat lineal de Rn i P~V i S
~V una projecció ortogonal vectorial i una
UPC simetria vectorial, respectivament.
ETSEIAT
Definició 6.31 Direm projecció ortogonal afı́ PL sobre L i simetria afı́ SL respecte L a
les aplicacions PL : Rn −→ Rn i SL : Rn −→ Rn definides per a tot x ∈ Rn per
PL (x) = p + P~V (−
p→
x) i ~ V (−
SL (x) = p + S p→
x) .
Rafel Amer
I P{p} = kp , S{p} = Sp , PRn = SRn = I i estricta si L estricta (axial per recta i plana per pla).
Observació 6.32 Primer cal trobar la projecció ortogonal o simetria vectorial respectiva.
Vicenç Sales
Exemple 6.33 Donada la simetria afı́ SL sobre la varietat lineal
Pàgina 103 de 150 L = (−1, 2, 2) + h(1, 1, 1)i ,
tenim que per a la simetria vectorial S~V és V ⊥ = h(1, 0, −1), (0, 1, −1)i i, per tant, la seva
matriu diagonal en la base de vectors propis B 0 = {(1, 1, 1), (1, 0, −1), (0, 1, −1)} és
 
1
D∗ =  −1 .
−1
Per tant, aplicant l’esquema de canvi de base
−1 ∗
−−−−−→(R3 , B 0 ) −−−−−C
−−−−−→ (R3 , B 0 ) −−−−−D
(R3 , Bc ) −−−−C −−−−→ (R3 , Bc )
↑
& A∗ = CD∗ C −1 %
amb  
1 1 0
C =1 0 1 ,
1 −1 −1
~V en la base canònica Bc és
obtenim que la matriu de S
   −1  
1 1 0 1 1 1 0 −1 2 2
1
A∗ =  1 0 1 −1  1 0 1  =  2 −1 2.
3
1 −1 −1 −1 1 −1 −1 2 2 −1
L es diu varietat de la projecció ortogonal o simetria afı́ (centre si L punt i eix si L recta).
UPC
Teorema 6.34 (a) SL és regular. −−→
ETSEIAT (b) PL (x) és l’únic punt de L tal que x x0 ∈ V ⊥ .
(c) PL (x) és l’únic punt de L tal que la distància a x és mı́nima.
(d) PL (x) és la intersecció de L i de la perpendicular suplementària L⊥x = x+V
⊥ a L per x.
(e) PL (x) = x si, i només si, x ∈ L i SL (x) = x si, i només si, x ∈ L.

(f) PL [PL (x)] = PL (x) i SL [SL (x)] = x.
Rafel Amer
(g) PL (x) és el punt mig de x i SL (x).
Pel darrer apartat anterior, tenim que PL (x) = x+S2V (x) o, equivalentment,
Vicenç Sales
SL (x) = 2PL (x) − x .
Pàgina 104 de 150

Teorema 6.35 PL i SL són transformacions afins amb punt fix p.
Per tant, les expressions matricials de PL i SL són del tipus

X = P + A(X − P ) .
x
~x
p
P~V (~x) PL (x)
~V (~x)
S L
SL (x)
Exemple 6.36 L’expressió matricial en la referència canònica Rc de la simetria afı́ respecte

de la varietat lineal
(−1, 2, 2) + h(1, 1, 1)i
és              
x̄ −1 −1 2 2 x −1 −4 −1 2 2 x
1
 ȳ  =  2 +  2 −1 1
2   y  −  2  =  2  +  2 −1 2 y .
3 3
z̄ 2 2 2 −1 z 2 2 2 2 −1 z
Siguin L = p + V una varietat lineal de Rn , P~V una projecció ortogonal vectorial, S
~V una
simetria vectorial i ~v ∈ V − {~0}.
UPC
ETSEIAT
Definició 6.37 Direm projecció ortogonal afı́ PL,~v sobre L amb lliscament de vector ~v i
simetria afı́ SL,~v respecte L amb lliscament de vector ~v a les aplicacions PL,~v : Rn −→ Rn
i SL,~v : Rn −→ Rn definides per a tot x ∈ Rn per
PL,~v (x) = p + P~V (−
p→
x) + ~v i ~ V (−
SL,~v (x) = p + S p→
x) + ~v .
Rafel Amer
I P{p},~v = Pp+~v , PRn ,~v = SRn ,~v = T~v i estricta si L estricta (axial per recta i plana per pla).
Vicenç Sales
Pàgina 105 de 150 Teorema 6.38 PL,~v i SL,~v són transformacions afins sense punts fixos.
Per tant, les expressions matricials de PL,~v i SL,~v són del tipus
X = P + A(X − P ) + V .
Observació 6.39 L es diu varietat de la projecció ortogonal o simetria afı́ amb lliscament
(centre si L punt i eix si L recta); i ~v , vector de lliscament.
Exemple 6.40 L’expressió matricial en la referència canònica Rc de la simetria afı́ respecte

de la varietat lineal
(−1, 2, 2) + h(1, 1, 1)i
amb lliscament de vector
(−1, −1, −1)
és             
x̄ −4 −1 2 2 x −1 −5 −1 2 2 x
 ȳ  =  2  + 1  2 −1 2   y + −1 =
    1 +
 1 
2 −1 2   y .
3 3
z̄ 2 2 2 −1 z −1 1 2 2 −1 z
~ ~αv1 ,...,~vn−2 una rotació vectorial d’angle α al voltant de ~v1 , . . . , ~vn−2 .
Siguin p un punt de Rn i R
UPC p;~v ,...,~v

Definició 6.41 Direm rotació afı́ Rα 1 n−2
d’angle α al voltant de p i ~v1 , . . . , ~vn−2 a
p;~v1 ,...,~vn−2
ETSEIAT l’aplicació Rα : R −→ R definida per a tot x ∈ Rn per
n n
~ ~αv1 ,...,~vn−2 (−
Rαp;~v1 ,...,~vn−2 (x) = p + R p→
x) .
p;~v ,...,~v p;~v ,...,~v
I R0 1 n−2
= I, Rπ 1 n−2
= SL i estricta si α 6= 0, π. I a R2 diem gir afı́ d’angle α al
p p
voltant de p (amb G0 = I, Gπ = Sp i estricte també si α 6= 0, π) i es té
Rafel Amer ~ α (−
Gp (x) = p + G p→
x) . α
Observació 6.42 Primer cal trobar la rotació vectorial respectiva.

Vicenç Sales
(−1,2,2); √1 (1,1,1)
Exemple 6.43 A la rotació afı́ R 4π 3
~ =
, si w √1 (1, 0, −1) és ~v ∧ w
~ = √1 (−1, 2, −1) i
Pàgina 106 de 150
3 2 6
√1 (1,1,1)
~ 4π3
R té matriu en la base ortonormal positiva B 0 = { √13 (1, 1, 1), √12 (1, 0, −1), √16 (−1, 2, −1)}
3
1
 
√
R̃ =  −√1/2 3/2  .
− 3/2 − 1/2
Aleshores, a partir de l’esquema de canvi de base següent
−1 = C t
(R3 , Bc ) −−C−−−− −−−−→ (R3 , B 0 ) −−−−−C
−−−→ (R3 , B 0 ) −−−−−R̃ −−−−→ (R3 , Bc )
↑
−1
Ã = C R̃C = C R̃C t
& %
amb √ √
1/√3
√ 
− 1/ 6 1/√2
 
√ 2 3 −1
1/√3
1
2/√6  = √  2
C= 0 0 2 ,
√
− 1/ 2 − 1/ 6
√ 1/√3 6 √2 −√3 −1
la matriu en la base canònica Bc de la rotació vectorial d’angle 4π
3 al voltant de √13 (1, 1, 1) és
√ √ √ √ t 
1
  
√2 3 −1 2 3 −1 0 1 0
1 1
√
3
1 √
Ã = √  √2 √0 2 − /
√ 2
/2 √ 2 0 2 =  0 0 1.
6 √2 −√3
  
6 2 − 3 −1 −1 1 0 0
− 3/2 − 1/2
p es diu centre de gir; α, angle de gir; ~v1 , . . . , ~vn−2 , vectors de gir; i L = p + h~v1 , . . . , ~vn−2 i,
varietat de gir (eix si n = 3).
UPC
p;~v ,...,~v
ETSEIAT
Teorema 6.44 (a) Rα 1 n−2
és regular.
p;~v1 ,...,~vn−2
(b) Rα (x) = x si, i només si, x ∈ L.
(x) = p + (cos α) − → + (sin α) (~v ∧ . . . ∧ ~v −→
p;~v1 ,...,~vn−2 ⊥
(c) Rα px 1 n−2 ∧ p x) si, i només si, x ∈ L .
p;~v1 ,...,−~vi ,...,~vn−2 p;~v1 ,...,~vi ,...,~vn−2
(d) Rα (x) = R−α (x) per a tot i = 1, . . . , n − 2.
p;~v1 ,...,~vn−2 p;~v1 ,...,~vn−2 p;~v1 ,...,~vn−2 p;~v ,...,~vn−2 p;~v ,...,~vn−2
(e) Rβ [Rα (x)] = Rα+β (x) = Rα 1 [Rβ 1 (x)].
Rafel Amer
Per tant, a R2 es té que Gpα (x) = p + (cos α) −

→ + (sin α) −
px p→
x⊥ . I a R3 és Rαp;−~v (~x) = R−α
p;~v
(~x).
Vicenç Sales p;~v1 ,...,~vn−2

Teorema 6.45 Rα és una transformació afı́ amb punt fix p.
Pàgina 107 de 150 p;~v1 ,...,~vn−2
Per tant, l’expressió matricial de Rα és del tipus
X = P + A(X − P ) .
Observació 6.46 No és suficient amb donar només la varietat de gir L i l’angle de gir α.
Gα (x) x
x
~ α (−
G p→
x)
p;~
Rα v
(x) −
α −
p→
x ~v p→
x
v −
~ ~α
R (p→
x)
p α
p
L
Exemple 6.47 L’expressió matricial en la referència canònica Rc de la rotació afı́ d’angle
4π
3 al voltant del punt i el vector respectius
1
(−1, 2, 2) i √ (1, 1, 1)
3
és               
x̄ −1 0 1 0 x −1 −3 0 1 0 x
 ȳ  =  2  +  0 0 1   y  −  2  =  0  +  0 0 1   y  .
z̄ 2 1 0 0 z 2 3 1 0 0 z
Siguin p un punt de Rn , R ~ ~αv1 ,...,~vn−2 una rotació vectorial d’angle α al voltant de ~v1 , . . . , ~vn−2 i
~v ∈ V − {~0}, amb V = h~v1 , . . . , ~vn−2 i.
UPC
p;~v ,...,~vn−2
ETSEIAT Definició 6.48 Direm rotació afı́ Rα,~v1 d’angle α al voltant de p i ~v1 , . . . , ~vn−2 amb
p;~v ,...,~vn−2
lliscament de vector ~v a l’aplicació Rα,~v1 : Rn −→ Rn definida per a tot x ∈ Rn per
p;~v ,...,~vn−2
R 1 ~ p;~v1 ,...,~vn−2 (−
(x) = p + R p→
x) + ~v .
α,~v α
p;~v ,...,~vn−2 p;~v ,...,~vn−2

I R0,~v1 = T~v , Rπ,~v1 = SL~v i estricta si α 6= 0, π.
Rafel Amer
Observació 6.49 No té sentit parlar de girs amb lliscament a R2 perquè ha de ser ~v ∈
Vicenç Sales V − {~0} i, en aquest cas, es té que V = {~0}.
Pàgina 108 de 150 Les rotacions amb lliscament de R3 es diuen moviments helicoı̈dals.
p;~v ,...,~vn−2
Teorema 6.50 Rα,~v1 és una transformació afı́ sense punts fixos.
p;~v ,...,~vn−2
Per tant, l’expressió matricial de Rα,~v1 és del tipus
X = P + A(X − P ) + V .
Observació 6.51 p es diu centre de gir; α, angle de gir; ~v1 , . . . , ~vn−2 , vectors de gir;
L = p + h~v1 , . . . , ~vn−2 i, varietat de gir (eix si n = 3); i ~v , vector de lliscament.
Exemple 6.52 L’expressió matricial en la referència canònica Rc del moviment helicoı̈dal

d’angle 4π
3 al voltant del punt i el vector respectius
1
(−1, 2, 2) i √ (1, 1, 1)
3
amb lliscament de vector
(−1, −1, −1)
és              
x̄ −3 0 1 0 x −1 −4 0 1 0 x
 ȳ  =  0  +  0 0 1   y  +  −1  =  −1  +  0 0 1   y  .
z̄ 3 1 0 0 z −1 2 1 0 0 z
Transformacions afins euclidianes
Estudiem ara la conservació de la suma de punts i vectors i el producte escalar de vectors.
UPC
ETSEIAT
Definició 6.53 f és transformació afı́ euclidiana si, i només si:
(i) f és transformació afı́;
(ii) f~ és transformació lineal euclidiana.
També s’anomenen transformacions euclidianes, isometries afins o moviments.

Rafel Amer
Proposició 6.54 f és regular.

Vicenç Sales
Les translacions i les antı́podes són euclidianes; i les altres es diuen estrictes.
Pàgina 109 de 150
Proposició 6.55 (a) d[f (x), f (y)] = d(x, y).

(b) V [πn (f (p), f~(~v1 ), . . . , f~(~vk ))] = V [πn (p, ~v1 , . . . , ~vk )].
(c) V [σn (f (p), f~(~v1 ), . . . , f~(~vk ))] = V [σn (p, ~v1 , . . . , ~vk )].
(d) Si L = p + h~v1 , . . . , ~vk i⊥ llavors f (L) = f (p) + hf~(~v1 ), . . . , f~(~vk )i⊥ .
(e) Si L i L0 són perpendiculars llavors f (L) i f (L0 ) també.
\
(f) f (L) f (L0 ) = L d L0 .
(g) d[f (L), f (L )] = d(L, L0 ).
0
(h) Si {O; ~e1 , . . . , ~en } és referència rectangular de Rn llavors {f (O); f~(~e1 ), . . . , f~(~en )} també.
(i) Si {O; ~e1 , . . . , ~en } és referència euclidiana de Rn llavors {f (O); f~(~e1 ), . . . , f~(~en )} també.
Exemple 6.56 La transformació afı́ f d’expressió matricial en la referència canònica Rc

      
x̄ −4 0 1 0 x
 ȳ  =  −1  +  0 0 1 y 
z̄ 2 1 0 0 z
és euclidiana, ja que
  
0 0 1 0 1 0
At A =  1 0 0   0 0 1 = I .
0 1 0 1 0 0
Com sabem, les transformacions afins euclidianes directes són les que la seva transfor-
mació lineal euclidiana associada és directa.
UPC
ETSEIAT
Proposició 6.57 Sigui f una transformació afı́ euclidiana directa.

(a) Si {O; ~e1 , . . . , ~en } és referència rectangular de Rn llavors {f (O); f~(~e1 ), . . . , f~(~en )} és re-
ferència rectangular de Rn de la mateixa orientació.
Rafel Amer (b) Si {O; ~e1 , . . . , ~en } és referència euclidiana de Rn aleshores {f (O); f~(~e1 ), . . . , f~(~en )} és re-
ferència euclidiana de Rn de la mateixa orientació.
Vicenç Sales
Pàgina 110 de 150 I, anàlogament, les transformacions afins euclidianes inverses són les que la seva trans-
formació lineal euclidiana associada és inversa.
Proposició 6.58 Sigui f una transformació afı́ euclidiana inversa.

(a) Si {O; ~e1 , . . . , ~en } és referència rectangular de Rn llavors {f (O); f~(~e1 ), . . . , f~(~en )} és re-
ferència rectangular de Rn de diferent orientació.
(b) Si {O; ~e1 , . . . , ~en } és referència euclidiana de Rn aleshores {f (O); f~(~e1 ), . . . , f~(~en )} és re-
ferència euclidiana de Rn de diferent orientació.
Exemple 6.59 La transformació afı́ euclidiana f de l’exemple anterior és directa, ja que la
matriu en la base canònica Bc de f~ té determinant

0 1 0

0 0 1 = 1

1 0 0
i, per tant, la transformació lineal associada f~ és també directa.
Teorema 6.60 Les simetries afins, simetries afins amb lliscament, rotacions afins i rota-
UPC cions afins amb lliscament són transformacions afins euclidianes.
ETSEIAT No aixı́ les projeccions ortogonals afins i les projeccions ortogonals afins amb lliscament.
Proposició 6.61 La composició d’una rotació afı́ i la simetria afı́ respecte del pla perpen-
dicular a la varietat de gir és commutativa i és una transformació afı́ euclidiana tal que
−−−−−−−−→
p;~v ,...,~vn−2 ~ α~v1 ,...,~vn−2 :
Rafel Amer Cα 1 =C h i h i
Cαp;~v1 ,...,~vn−2 (x) = SL⊥
p
R p;~v1 ,...,~vn−2
α (x) = R p;~v1 ,...,~vn−2
α S ⊥
Lp (x) .
Vicenç Sales
~v ,...,~vn−2 p;~v1 ,...,~vn−2
Diem composició afı́ només. I C0 1 = SL⊥
p
, Cπ = Ap i estricta si α 6= 0, π.
Pàgina 111 de 150
p;~v ,...,~v
Proposició 6.62 (a) Cα 1 n−2
(x) = Ap (x) si, i només si, x ∈ L.
(x) = p + (cos α) p x + (sin α) (~v1 ∧ . . . ∧ ~vn−2 ∧ −
−
→ p→
p;~v1 ,...,~vn−2
(b) Cα x) si, i només si, x ∈ L⊥
p.
x
p;~
v
Rα (x)
~v ~x
~ ~α
R v
(~x)
α
p V⊥
~ α~v (~x)
C V
Cαp;~v (x)
Observació 6.63 Com que ja sabem que les transformacions afins euclidianes amb
transformació lineal associada I~ i −I~ són la identitat i les translacions estrictes en el
primer cas i les antı́podes en el segon, ens limitarem d’ara en endavant a les estrictes.
Exemple 6.64 La transformació afı́ euclidiana f d’abans és estricta, ja que la matriu A de
f~ en la base canònica és diferent tant de la identitat com de la menys identitat (A 6= I, −I).
Recordem que havı́em tractat ja la classificació de les transformacions lineals euclidianes,
o sigui, la determinació del seu tipus i els seus elements caracterı́stics.
UPC
ETSEIAT
Observació 6.65 Per a classificar una transformació afı́ euclidiana cal ocupar–se en
primer lloc de la classificació de la seva transformació lineal euclidiana associada.
Rafel Amer
Vicenç Sales
Exemple 6.66 La transformació lineal euclidiana f~ associada a la transformació afı́ eucli-

Pàgina 112 de 150
diana f d’abans té polinomi caracterı́stic

−x 1 0
1 = −x3 + 1 = −(x − 1)(x2 + x + 1)

pf~(x) = 0 −x
1 0 −x
i f~ és, per tant, una rotació vectorial estricta.
Calculem llavors el subespai propi V1 :
     
−1 1 0 0 −1 1 0 0 −1 1 0 0
V1 :  0 −1 1 0 '  0 −1 1 0 '  0 −1 1 0  .
1 0 −1 0 F ∼F +F 0 1 −1 0 F 0 0 0 0
2 3 1 3 ∼F3+F 2
Llavors tenim x = y = z i el vector de gir és, doncs, el ~v = √1 (1, 1, 1).

3
A més, cos α = − 21 . I prenent un vector ortogonal al vector de gir tal com (1, −1, 0), tenim
~i ~j ~k
      
0 1 0 1 −1
0 0 1   −1  =  0  i  1 1 1  = (1, 1, −2)
1 0 0 0 1 1 −1 0
i es té que R~αv (1, −1, 0) = (−1, 0, 1) = − 21 (1, −1, 0) + (sin α) √13 (1, 1, −2). I igualant les terceres
√
3
components, s’obté − √23 sin α = 1. Per tant, sin α = − i l’angle de gir és, doncs, α = 4π
2 3 .
4π 1
En conseqüència, es tracta de la rotació vectorial d’angle al voltant del vector √ (1, 1, 1).
3 3
Observació 6.67 Com ja hem vist, les transformacions afins amb punt fix són anàlogues
UPC a les seves transformacions lineals associades.
ETSEIAT
I aixı́, en el cas de les euclidianes, obtenim també els mateixos tipus anàlegs.
Teorema 6.68 f és una transformació afı́ euclidiana sense punts fixos si, i només si,
existeix una transformació afı́ euclidiana F amb punt fix i un únic vector no nul ~v ∈ V1
Rafel Amer tals que per a tot x ∈ Rn
f (x) = F (x) + ~v = F (x + ~v ) .
Vicenç Sales −−−→

El fet que el vector de lliscament de f verifiqui que ~v = p f (p) ∈ V1 fa que les composicions
afins estrictes –i, en particular, també els girs estrictes– només puguin ser amb punt fix.
Pàgina 113 de 150
Teorema 6.69 Tipus de transformacions afins euclidianes estrictes
TRANSFORMACIÓ LINEAL ASSOCIADA AMB PUNT FIX SENSE PUNTS FIXOS

Simetria vectorial Simetria afı́ Simetria afı́ amb lliscament
Rotació vectorial (sense gir vectorial) Rotació afı́ Rotació afı́ amb lliscament
Composició vectorial (amb gir vectorial) Composició afı́ —
Exemple 6.70 L’equació dels punts fixos de la transformació afı́ euclidiana f és
      
−4 0 1 0 x x
 −1  +  0 0 1   y  =  y  ,
2 1 0 0 z z
és a dir,     
−1 1 0 x 4
 0 −1 1 y  =  1 ,
1 0 −1 z −2
que no té solució. Per tant, no té punts fixos i f és, doncs, un moviment helicoı̈dal.
La classificació de les transformacions afins euclidianes consisteix a trobar–ne el tipus i
els elements caracterı́stics, que inclouen els de la seva transformació lineal associada.
UPC
Teorema 6.71 Elements caracterı́stics en transformacions afins euclidianes estrictes
ETSEIAT
TIPUS ELEMENTS CARACTERÍSTICS
Simetria afı́ Varietat de simetria: p + V1 , amb p punt fix
−−−→
Simetria afı́ Varietat de simetria: p + V1 , amb p f (p) ∈ V1
−−−→
amb lliscament Vector de lliscament: ~v = p f (p) ∈ V1
Centre de gir: punt fix p
Rafel Amer Rotació afı́ Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
−−−→
Centre de gir: p, amb p f (p) ∈ V1
Vicenç Sales
Rotació afı́ Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V1
amb lliscament Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
−−−→
Vector de lliscament: ~v = p f (p) ∈ V1
Pàgina 114 de 150
Centre de gir: punt fix p
Vectors de gir: base ortonormal {~v1 , . . . , ~vn−2 } de V−1
Composició afı́ Angle de gir: cos α amb polinomi caracterı́stic i sin α amb fórmula comú
⊥
Pla de simetria: V−1
Exemple 6.72 Considerem la transformació afı́ euclidiana f dels exemples anteriors. Lla-
−−−→
vors, donat un punt qualsevol p = (a, b, c), imposant que p f (p) ∈ V1 , tenim
        
−4 0 1 0 a a 1
 −1  +  0 0 1   b  −  b  = α  1 
2 1 0 0 c c 1
o, el que és el mateix,
     
−1 −1 0 4+α −1 −1 0 4 + α −1 −1 0 4 + α
 0 −1 1 1+α '  0 −1 1 1 + α  '  0 −1 1 1 + α  .
1 0 −1 −2 + α F ∼F +F 0 −1 1 2 + 2α F ∼F −F 0 0 0 1+α
3 3 1 3 3 2
Llavors, aquest sistema és compatible si, i només si, α = −1. I, en tal cas, és clar que una
solució és a = −3 i b = c = 0. Per tant, un punt i el vector de lliscament respectius són
(−3, 0, 0) i (−1, −1, −1) .
En conseqüència, f és un moviment helicoı̈dal d’angle 4π 3 al voltant del punt (−3, 0, 0) i el
vector √13 (1, 1, 1) amb vector de lliscament (−1, −1, −1).
7 MÍNIMS QUADRATS I FORMES QUADRÀTIQUES
UPC
Mı́nims quadrats
ETSEIAT
Com ja es va veure, tot sistema lineal de m equacions i n incògnites

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

 1
a1 . . . an1
   
x1 b1
Vicenç Sales
 .. ..   ..  =  ..  .
 . .  .   . 
Pàgina 115 de 150 a1m . . . anm xn bm
Observació 7.1 Però tenim, a més a més, que tot sistema lineal de m equacions i n
incògnites es pot escriure també matricialment en la forma x1 A1 + . . . + xn An = B:
 1  n  
a1 a1 b1
x1  ...  + . . . + xn  ...  =  ...  .
     
a1m anm bm
Exemple 7.2 Podem escriure el sistema lineal


x + y + z = −5 

x−y =8

2y + z = 4

en la forma        
1 1 1 −5
x  1  + y  −1  + z  0  =  8  .
0 2 1 4
Donat un sistema lineal
a11 + . . . + an1 =b1 


UPC ............... ,

a1m + . . . + anm =bm

ETSEIAT
m
podem considerar els vectors de R donats per les columnes, que notarem com aquestes:
A1 = (a11 , . . . , a1m ), . . . , An = (an1 , . . . , anm ) i B = (b1 , . . . , bm ) .
Proposició 7.3 El sistema lineal AX = B és compatible si, i només si, B és combinació
Rafel Amer
lineal de A1 , . . . , An .
En particular, podem considerar també el subespai vectorial de Rm generat per A1 , . . . , An :

Vicenç Sales
hA1 , . . . , An i .
Pàgina 116 de 150
Observació 7.4 És clar que AX = x1 A1 + . . . + xn An .
Tenim, doncs, que AX = B és equivalent a x1 A1 + . . . + xn An = B.
Teorema 7.5 El sistema lineal AX = B és compatible si, i només si,

B ∈ hA1 , . . . , An i .
Exemple 7.6 Donat el sistema lineal


x + y + z = −5 

x−y =8 ,

2y + z = 4

tringulant, tenim:
     
1 1 1 −5 1 1 1 −5 1 1 1 −5
 1 −1 0 8 '  0 −2 −1 13  '  0 −2 −1 13  .
0 2 1 4 F 0 2 1 4 F 0 0 0 17
2 ∼F2 −F
1 3 ∼F3 +F
2
Llavors, és rg A = 2 i rg (A|B) = 3 i, per tant, el sistema és incompatible i, en conseqüència,
(−5, 8, 4) ∈
/ h(1, 1, 0), (1, −1, 2), (1, 0, 1)i .
Pensant en els sistemes lineals incompatibles, podem considerar els errors comesos en les
diferents equacions per a cadascun dels possibles valors x̄1 , . . . , x̄n de les incògnites:
UPC a11 x̄1 + . . . + an1 x̄n −b1
ETSEIAT
...............
a1m x̄1 + . . . + anm x̄n −bm .
Definició 7.7 S’anomena vector error de X̄ = (x̄1 , . . . , x̄n ) ∈ Rn en el sistema lineal

Rafel Amer AX = B a  1
a1 x̄1 + . . . + an1 x̄n − b1

AX̄ − B =  ..
.
 
.
Vicenç Sales
a1m x̄1 + . . . + anm x̄n − bm
Pàgina 117 de 150
S’acostuma a dir que

AX̄ − B
és l’error quadràtic corresponent a la solució aproximada
X̄ = (x̄1 , . . . , x̄n ) .
Proposició 7.8 El vector error de X̄ és el vector nul (~0) si, i només si, X̄ és solució del
sistema lineal AX = B.
Exemple 7.9 En el sistema lineal


x + y + z = −5 

x−y =8 ,

2y + z = 4

es té que per a x̄ = 1, ȳ = −1 i z̄ = 0 el vector error és
          
1 1 1 1 −5 0 −5 5
 1 −1 0   −1  −  8  =  2  −  8  =  −6  .
0 2 1 0 4 −2 4 −6
Definició 7.10 Diem error quadràtic de X̄ = (x̄1 , . . . , x̄n ) en el sistema lineal AX = B a
UPC = k AX − B k .
ETSEIAT
Observem que, al contrari que els anteriors –que eren d’espai vectorial–, el concepte que
acabem d’introduir ara –que fa servir el de norma– és d’espai vectorial euclidià.
Rafel Amer
Proposició 7.11 L’error quadràtic de X̄ = (x̄1 , . . . , x̄n ) en el sistema lineal AX = B és

q
Vicenç Sales
= (a11 x̄1 + . . . + an1 x̄n − b1 )2 + . . . + (a1m x̄1 + . . . + anm x̄n − bm )2 .
Pàgina 118 de 150
S’acostuma a dir també ara que és l’error quadràtic corresponent a la solució aproximada
X̄ = (x̄1 , . . . , x̄n ).
Proposició 7.12 L’error quadràtic de la solució aproximada X̄ = (x̄1 , . . . , x̄n ) és 0 si, i
només si, X̄ = (x̄1 , . . . , x̄n ) és solució del sistema lineal AX = B.
Exemple 7.13 En el sistema lineal


x + y + z = −5 

x−y =8 ,

2y + z = 4

es té que per a x̄ = 1, ȳ = −1 i z̄ = 0 l’error quadràtic és
      
1
1 1 1 −5
5 p √
  −1  −  8  =  −6  = 52 + (−6)2 + (−6)2 = 97 .
= 1 −1 0


0 2 1 0 4 −6
Observació 7.14 Els valors que minimitzen l’error quadràtic són els coeficients de la
UPC combinació lineal que apareixen en el càlcul de la projecció ortogonal de B sobre el
subespai vectorial generat per A1 , . . . , An .
ETSEIAT
El procés per determinar els valors anteriors s’anomena mètode dels mı́nims quadrats.
Rafel Amer
Teorema 7.15 Les solucions del mètode dels mı́nims quadrats del sistema lineal AX = B
són les solucions del sistema lineal compatible
At AX = At B .
Vicenç Sales
Pàgina 119 de 150

I aquest sistema lineal At AX = At B és compatible determinat si, i només si,
rg A = n .
Proposició 7.16 Si un sistema lineal AX = B és compatible llavors les solucions obtin-
gudes pel mètode dels mı́nims quadrats són les solucions exactes del sistema AX = B.
Exemple 7.17 En el sistema lineal anterior, aplicant la fórmula At AX = At B tenim que

      
1 1 0 1 1 1 x 1 1 0 −5
 1 −1 2   1 −1 0   y  =  1 −1 2   8  ,
1 0 1 0 2 1 z 1 0 1 4
és a dir,     
2 0 1 x 3
 0 6 3   y  =  −5  ,
1 3 2 z −1
que té solució
−z + 3 −3z − 5
x= i y= .
2 6
Les solucions obtingudes pel mètode dels mı́nims quadrats són les de menor error
quadràtic. Ens interessarà saber, doncs, quin és aquest error quadràtic mı́nim.
UPC
ETSEIAT
Teorema 7.18 Si el sistema lineal At AX = At B és compatible indeterminat llavors l’error

quadràtic és el mateix per a totes les solucions.
Rafel Amer
Vicenç Sales
Això permet trobar l’error quadràtic comú a totes elles tan sols calculant l’error quadràtic
d’una qualsevol.
Pàgina 120 de 150
Proposició 7.19 Un sistema lineal AX = B és compatible si, i només si, l’error quadràtic
de les solucions obtingudes pel mètode dels mı́nims quadrats és 0.
Exemple 7.20 En el sistema lineal anterior, prenent per exemple z = 0, s’obté la solució
3 5
x= , y=− i z=0
2 6
i queda
3/2 2/3 17/3
          
1 1 1 −5 −5
 1 −1 0   − 5/6  −  8  =  7/3  −  8  =  − 17/3  .
0 2 1 0 4 − 5/3 4 − 17/3
Per tant, l’error quadràtic corresponent és
√
  s
17/3 2 2 2

 17 
17 17 17 17 3
− /3 =
=
3
+ −
3
+ −
3
=
3
.
− 17/3
Formes quadràtiques
UPC
Definició 7.21 Diem forma quadràtica en la base B = {~e1 , . . . , ~en } a qualsevol aplicació
ETSEIAT ~q : Rn −→ R definida per a tot vector ~x ∈ Rn de components x1 , . . . , xn en la base B per
~q(x1 , . . . , xn ) = a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n .
Com a cas particular, tenim la forma quadràtica nul.la (~0), definida per a tot ~x ∈ Rn per
~0(x1 , . . . , xn ) = 0 .
Rafel Amer
Proposició 7.22 (a) ~q(0, . . . , 0) = 0.

(b) ~q[α(x1 , . . . , xn )] = α2 ~q(x1 , . . . , xn ).
Vicenç Sales
aji +aij
Pàgina 121 de 150 Sigui qij = 2 .
Observació 7.23 Els coeficients qii amb i = 1, . . . , n s’anomenen termes quadràtics purs;
i els qij amb i, j = 1, . . . , n i i 6= j, termes quadràtics creuats. I obtenim aixı́ una matriu
simètrica Q, que es diu matriu de ~q en la base B.
I, en particular, tenim l’expressió matricial de la forma quadràtica en la base B:

 1
q1 . . . q1n
 
x1
t
 . .   .. 
X QX = x1 . . . xn  . . .
.  . .
qn . . . qnn
1 xn
Proposició 7.24 La forma quadràtica nul .la té matriu nul .la en qualsevol base.
Exemple 7.25 La forma quadràtica que ve definida en la base canònica Bc per

~q(x, y, z) = x2 + y 2 + z 2 + 4xy + 4xz + 4yz
s’escriu en forma matricial   
1 2 2 x
~q(x, y, z) = x y z  2 1 2   y  .
2 2 1 z
Recordem que si X i X 0 són les matrius–columna de ~x en les bases B i B 0 respectivament i
C la matriu de canvi de base de B 0 a B, aleshores
UPC X = CX 0 .
ETSEIAT
Teorema 7.26 Si C és la matriu de canvi de base de B 0 a B i Q0 la matriu de ~q en la base

B 0 , llavors l’expressió de la forma quadràtica ~q en la base B 0 és
t
~q(x01 , . . . , x0n ) = X 0 Q0 X 0 ,
Rafel Amer
amb
Q0 = C t QC .
Vicenç Sales Aquest resultat es diu fórmula del canvi de base per a formes quadràtiques.
Pàgina 122 de 150
Observació 7.27 El fet que les expressions de les formes quadràtiques en qualsevol base
siguin del mateix tipus permet parlar de formes quadràtiques a seques.
Exemple 7.28 Donada la base B 0 = {(1, 2, 1), (2, 1, −2), (−1, 2, −2)} i la forma quadràtica ~q
d’abans, la matriu de canvi de base de la base B 0 a la base canònica Bc és
 
1 2 −1
C =2 1 2
1 −2 −2
i, per tant, la seva matriu en la base B és 0
     
1 2 1 1 2 2 1 2 −1 25 6 −9
Q0 = C t QC =  2 1 −2   2 1 2   2 1 2  =  6 −7 −6  .
−1 2 −2 2 2 1 1 −2 −2 −9 −6 −7
En conseqüència, obtenim que amb el canvi de base de B a B donat per 0
     0
x 1 2 −1 x
y=2 1 2   y0  ,
z 1 −2 −2 z0
l’expressió de ~q en la base B 0 és
2 2 2
~q(x0 , y 0 , z 0 ) = 25x0 − 7y 0 − 7z 0 + 12x0 y 0 − 18x0 z 0 − 12y 0 z 0 .
Teorema 7.29 (a) Aplicant les mateixes transformacions elementals per files i columnes
UPC a una matriu simètrica consecutivament, se n’obté una altra congruent amb ella.
(b) Aplicant les mateixes transformacions elementals d’abans per files a la matriu iden-
ETSEIAT
titat, s’obté la matriu transposada de la matriu de canvi de base que permet passar de
l’expressió inicial a l’expressió obtinguda a l’apartat anterior.
Reiterant el procés anterior, obtenim una matriu diagonal i la corresponent matriu de

canvi de base. I aquest procés es diu mètode de Gauss per a formes quadràtiques.
Rafel Amer
0 0 0 0 0 0
Observació 7.30 Si B 0 = {~e1 , . . . , ~er , ~er+1 , . . . , ~er+s , ~er+s+1 , . . . , ~en } és una base en què la ma-
Vicenç Sales triu de la forma quadràtica ~q és diagonal amb els r primers valors estrictament positius,
els s següents estrictament negatius i els n − r − s darrers nuls, llavors l’expressió de ~q és
Pàgina 123 de 150 0 2 0 2 0 2 0 2
~q(x01 , . . . , x0n ) = ~q(~e1 ) x01 + . . . + ~q(~er ) x0r − ~q(~er+1 ) x0r+1 − . . . − ~q(~er+s ) x0r+s .
Exemple 7.31 Per a la forma quadràtica dels exemples anteriors, tenim:

   
1 2 2 1 0 0 1 2 2 1 0 0
2 1 2 0 1 0 '  0 −3 −2 −2 1 0  '
2 2 1 0 0 1 F2 ∼F2 −2F1 0 −2 −3 −2 0 1 C2 ∼C2 −2C1
F ∼F −2F1 C3 ∼C3 −2C1
 3 3  
1 0 0 1 0 0 1 0 0 1 0 0
 0 −3 −2 −2 1 0  '  0 −3 −2 −2 1 0 '
0 −2 −3 −2 0 1 F ∼2F −3F 0 0 5 2 2 −3 C ∼2C −3C
 3 2 3
 3 2 3
1 0 0 1 0 0
 0 −3 0 −2 1 0 .
0 0 −15 2 2 −3
Per tant, l’expressió és
2 2 2
~q(x0 , y 0 , z 0 ) = x0 − 3y 0 − 15z 0 ;
i la base i el canvi de base corresponents són, respectivament,
    0 
x 1 −2 2 x
0
B = {(1, 0, 0), (−2, 1, 0), (2, 2, −3)} i  y = 0
  1 2   y0  .
z 0 0 −3 z0
0 0 0 0 0 0
Teorema 7.32 Si {~e1 , . . . , ~er , ~er+1 , . . . , ~er+s , ~er+s+1 , . . . , ~en } és una base en la que la matriu
UPC de la forma quadràtica ~q és diagonal amb els primers r valors estrictament positius, els s
ETSEIAT
següents estrictament negatius i els n − r − s darrers nuls, aleshores en la base
 
 1 0 1 0 1 0 1 0 0 0

∗
B = q ~e1 , . . . , q ~er , q ~er+1 , . . . , q ~er+s , ~er+s+1 , . . . , ~en
0 0 0 0

~q(~e1 ) ~q(~er ) −~q(~er+1 ) −~q(~er+s ) 
l’expressió de la forma quadràtica ~q és

Rafel Amer ~q(x∗1 , . . . , x0n ) = x∗1 2 + . . . + x∗r 2 − x∗r+1 2 − . . . − x∗r+s 2 .
Aquesta expressió s’anomena vectorial reduı̈da.

Vicenç Sales
Pàgina 124 de 150

Teorema 7.33 El nombre de coeficients positius, negatius i nuls de totes les equacions
vectorials reduı̈des d’una forma quadràtica és constant.
Aquest teorema s’anomena llei d’inèrcia de Sylvester.
Definició 7.34 S’anomena signatura d’una forma quadràtica al parell (r, s) format pel
nombre de coeficients positius i negatius de les seves equacions vectorials reduı̈des.
Exemple 7.35 En la forma quadràtica de l’exemple anterior, com que hi ha un coeficient

positiu i dos negatius, tenim que la signatura és
(1, 2) ;
i com que
~q(1, 0, 0) = 1 > 0 , ~q(1, 0, −1) = −3 < 0 i ~q(−1, 2, −1) = −15 < 0 ,
l’expressió vectorial reduı̈da és
~q(x∗ , y ∗ , z ∗ ) = x∗ 2 − y ∗ 2 − z ∗ 2 ;
i la base i el canvi de base respectius,
  √ √  ∗ 
x 15 −2√ 5 2 x
1 1  y  = √1  0
B ∗ = (1, 0, 0), √ (−2, 1, 0), √ (2, 2, −3) i 5 2   y∗  .
3 15 z 15 0 0 −3 z∗
Sigui ~q una forma quadràtica no nul.la.
UPC
ETSEIAT
Definició 7.36 Diem que ~q és definida positiva si, i només si, per a tot vector no nul de
components (x1 , . . . , xn ) en la base B
~q(x1 , . . . , xn ) > 0 .
Anàlogament, diem que ~q és definida negativa si, i només si, per a tot vector no nul de
Rafel Amer
components (x1 , . . . , xn ) en la base B
~q(x1 , . . . , xn ) < 0 .
Vicenç Sales
Pàgina 125 de 150 Observació 7.37 El menor ∆k d’A format per les seves primeres k files i columnes es diu
menor principal d’ordre k. En particular, per tant, el menor principal d’ordre 1 és
∆1 = |a11 | = a11 .
El teorema següent es coneix com a criteri de Sylvester.
Teorema 7.38 (a) ~q és definida positiva si, i només si,

∆1 > 0, ∆2 > 0, . . . , ∆n > 0 .
(b) ~q és definida negativa si, i només si,
∆1 < 0, ∆2 > 0, . . . , (−1)n ∆n > 0 .
Exemple 7.39 Donada la forma quadràtica ~q dels exemples anteriors, com que
∆1 = |1| = 1> 0 ,
no és definida negativa. I com que

1 2
∆2 =
= −3< 0 ,
2 1
tampoc no és definida positiva.
Definició 7.40 Diem que ~q és semidefinida positiva si, i només si:
UPC (i) ~q(x1 , . . . , xn ) ≥ 0 per a tot vector de components (x1 , . . . , xn ) en la base B;
(ii) existeix un vector no nul de components (y1 , . . . , yn ) en la base B amb ~q(y1 , . . . , yn ) = 0.
ETSEIAT
Anàlogament, diem que ~q és semidefinida negativa si, i només si:

(i) ~q(x1 , . . . , xn ) ≤ 0 per a tot vector de components (x1 , . . . , xn ) en la base B;
(ii) existeix un vector no nul de components (y1 , . . . , yn ) en la base B amb ~q(y1 , . . . , yn ) = 0.
Rafel Amer
Vicenç Sales
Definició 7.41 Diem que ~q és no definida o indefinida si, i només si, existeixen vectors
de components (x1 , . . . , xn ), (y1 , . . . , yn ) en la base B tals que
Pàgina 126 de 150 ~q(x1 , . . . , xn ) > 0 i ~q(y1 , . . . , yn ) < 0 .
La signatura permet determinar de quin tipus és una forma quadràtica qualsevol.
Teorema 7.42 Tipus de les formes quadràtiques

SIGNATURA TIPUS
(0, 0) Nul .la
(n, 0) , amb 0 < n Definida positiva
(0, n) , amb 0 < n Definida negativa
(r, 0) , amb 0 < r < n Semidefinida positiva
(0, s) , amb 0 < s < n Semidefinida negativa
(r, s) , amb 0 < r, s < n No definida o indefinida
Exemple 7.43 Com hem vist en un exemple anterior, la forma quadràtica ~q té signatura
(1, 2)
i és, en conseqüència, no definida –o indefinida–.
Formes quadràtiques de l’espai vectorial euclidià
UPC Com sabem, els canvis ortogonals de base tenen matriu de canvi de base ortogonal.
ETSEIAT
Observació 7.44 Per tant, si les bases B i B 0 són ortonormals aleshores la fórmula del
canvi de base per a formes quadràtiques és
Q0 = C t QC = C −1 QC ,
Rafel Amer amb la matriu de canvi de base C ortogonal.
Vicenç Sales Parlarem de fórmula del canvi ortogonal de base per a formes quadràtiques.
Pàgina 127 de 150
Observació 7.45 A partir d’ara, però, quan la base inicial sigui no ortonormal haurem
de fer prèviament un canvi de base a una base ortonormal.
Exemple 7.46 Considerem la base B 0 = {(1, 2, 1), (2, 1, −2), (−1, 2, −2)} i la forma quadràtica
~q que en aquesta base B 0 ve donada per
2 2 2
~q(x0 , y 0 , z 0 ) = 25x0 − 7y 0 − 7z 0 + 12x0 y 0 − 18x0 z 0 − 12y 0 z 0 .
Aleshores, com que la matriu de ~q en la base canònica B 0 i la matriu de canvi de base de
la base B 0 a la base canònica Bc són, respectivament,
   −1  
25 6 −9 1 2 −1 2 6 5
1
Q0 =  6 −7 −6  i C =2 1 2 =  6 −1 −4  ,
19
−9 −6 −7 1 −2 2 −5 4 −3
es té que la seva matriu en la base canònica Bc és
 t    t  
2 6 5 25 6 −9 2 6 5 1 2 2
1  1 
Q = C t Q0 C = 6 −1 −4   6 −7 −6  6 −1 −4  =  2 1 2 
19 19
−5 4 −3 −9 −6 −7 −5 4 −3 2 2 1
i, en conseqüència, l’expressió de ~q en la base canònica Bc és
~q(x, y, z) = x2 + y 2 + z 2 + 4xy + 4xz + 4yz .
En particular, en els canvis ortogonals de bases es té que A0 = C −1 AC i, per tant, tots els
conceptes que eren invariants per canvis de base en les transformacions lineals ho seran
UPC també en els canvis ortogonals de base de formes quadràtiques.
ETSEIAT
Proposició 7.47 El polinomi caracterı́stic de totes les matrius d’una forma quadràtica
respecte d’una base ortonormal és el mateix.
Rafel Amer
El resultat següent és conegut com a teorema de Descartes.
Vicenç Sales
Pàgina 128 de 150 Observació 7.48 Si un polinomi té totes les seves arrels reals llavors el nombre d’arrels
estrictament positives seves coincideix amb el nombre de canvis de signe entre coeficients
consecutius no nuls del polinomi.
Com que les arrels del polinomi caracterı́stic són els valors propis, tenim aquest resultat.
Teorema 7.49 El nombre de valors propis estrictament positius és igual al nombre de
canvis de signe entre coeficients consecutius no nuls del polinomi caracterı́stic.
Exemple 7.50 En la forma quadràtica ~q anterior el seu polinomi caracterı́stic és

1−x 2 2
2 = (1 − x)3 + 8 + 8 − 4(1 − x) − 4(1 − x) − 4(1 − x)

pf~(x) = 2 1−x
2 2 1−x
= 1 − 3x + 3x2 − x3 + 16 − 12 + 12x = −x3 + 3x2 + 9x + 5 .
I com que hi ha només 1 canvi de signe, obtenim que hi ha també 1 valor propi estrictament
positiu.
En particular, com que l’expressió vectorial reduı̈da d’una forma quadràtica és igual en
totes les bases també serà la mateixa, en particular, en les bases ortonormals.
UPC
ETSEIAT
Teorema 7.51 Sigui (r, s) la signatura d’una forma quadràtica q. Aleshores:
(a) r és el nombre de valors propis estrictament positius;
(b) s és el nombre de valors propis estrictament negatius.
Rafel Amer
Podem calcular la signatura en la forma següent:
• r és el nombre de valors propis estrictament positius;
• s s’obté restant de n el nombre de valors propis estrictament positius (r) i el nombre de
Vicenç Sales nuls (n − r − s), que és el el nombre de vegades que es pot treure factor comú la x:
s = n − r − (n − r − s) .
Pàgina 129 de 150
Teorema 7.52 Tipus de les formes quadràtiques

VALORS PROPIS TIPUS
Tots nuls Nul .la
Tots estrictament positius Definida positiva
Tots estrictament negatius Definida negativa
Tots positius i no tots estrictament positius Semidefinida positiva
Tots negatius i no tots estrictament negatius Semidefinida negativa
Almenys un estrictament positiu i un estrictament negatiu No definida o indefinida
Exemple 7.53 En la forma quadràtica ~q dels exemples precedents, hem vist ja que hi ha 1
valor propi estrictament positiu. I com que no es pot treure cap x factor comú, tenim que
no n’hi ha cap valor propi nul. Per tant, es dedeueix que hi ha
3−1−0=2
valors propis estrictament negatius. I, en conseqüència, es té que la signatura és
(1, 2)
i la forma quadràtica és, doncs, no definida –o indefinida–.
El fet que la fórmula del canvi ortogonal de base sigui la mateixa en les formes
quadràtiques i les transformacions lineals permet trobar, a partir de la matriu simètrica
UPC A, una matriu diagonal D i una matriu ortogonal de canvi de base C tals que
D = C t AC = C −1 AC .
ETSEIAT
Teorema 7.54 En tota base ortonormal de vectors propis B 0 l’expressió de ~q és

Rafel Amer
  ∗ 
λ1 x1
∗ ∗ ∗ ∗
 . .   .. 
~q(x1 , . . . , xn ) = x1 . . . xn  .  . ,
Vicenç Sales λn x∗n
essent λ1 , . . . , λn els valors propis.
Pàgina 130 de 150
Aquesta expressió s’anomena euclidiana reduı̈da.
Observació 7.55 L’expressió euclidiana reduı̈da anterior és

~q(x∗1 , . . . , x∗n ) = λ1 x∗1 2 + . . . + λn x∗n 2 ,
essent λ1 , . . . , λn els valors propis.
Exemple 7.56 Resolent el polinomi caracterı́stic de la forma quadràtica ~q

−x3 + 3x2 + 9x + 5 ,
tenim que els valors propis són 5 (simple) i −1 (doble) i, en conseqüència, l’expressió eucli-
diana reduı̈da és
~q(x∗ , y ∗ , z ∗ ) = 5x∗ 2 − y ∗ 2 − z ∗ 2 .
Observació 7.57 La diagonalització ortogonal d’una forma quadràtica consisteix a tro-
UPC bar l’expressió euclidiana reduı̈da d’abans
ETSEIAT
~q(x∗1 , . . . , x∗n ) = λ1 x∗1 2 + . . . + λn x∗n 2
i el corresponent canvi de base que permet passar de l’expressió inicial a l’expressió
euclidiana reduı̈da i que ve donat per la matriu C de canvi de base de la base ortonormal
de vectors propis B ∗ a la base inicial B:
X = CX ∗ .
Rafel Amer
Exemple 7.58 En la forma quadràtica ~q anterior, el subespai propi de valor propi 5 és
     
Vicenç Sales −4 2 2 0 −4 2 2 0 −4 2 2 0
V5 :  2 −4 2 0 '  0 −6 6 0 '  0 −6 6 0 ,
Pàgina 131 de 150 2 2 −4 0 F2 ∼2F2 +F1 0 6 −6 0 F ∼F +F 0 0 0 0
F3 ∼2F3 +F1 3 3 2
que té solució x = y = z i, per tant, una base seva és {(1, 1, 1)}.
A més, el subespai propi de valor propi −1 és
   
2 2 2 0 2 2 2 0
V−1 :  2 2 2 0  ' 0 0 0 0 ,
2 2 2 0 F2 ∼F2 −F1 0 0 0 0
F3 ∼F3 −F1
que té solució x = −y − z i, per tant, una base seva és {(1, 0, −1), (0, 1, −1)}.
I aplicant el mètode d’ortogonalització de Gram–Schmidt a aquests dos vectors tenim:
0
~v1 = (1, 0, −1) ;
0 (0,1,−1)·(1,0,−1)
~v2 = (0, 1, −1) − (1,0,−1)·(1,0,−1) (1, 0, −1) = (0, 1, −1) − 12 (1, 0, −1) = 21 (−1, 2, −1) ' (−1, 2, −1) .
Per tant, normalitzant tots tres vectors, s’obté la base ortonormal de vectors propis

∗ 1 1 1
B = √ (1, 1, 1), √ (1, 0, −1), √ (−1, 2, −1)
3 2 6
i, per tant, el canvi ortogonal de base de B ∗ a B és
   √ √ √
1/√2 √  ∗   ∗ 
x 1/ 3 − 1/ 6 x 2 3 −1 x
1 √
 y  =  1/√3 0 2/√6   y ∗  = √  2 0 2   y∗  .
z 1/√3 − 1/√2 − 1/√6 z∗ 6 √2 −√3 −1 z∗
Observació 7.59 Contràriament als processos de diagonalització i diagonalització ortogo-
UPC nal d’una transformació lineal –que són consecutius l’un de l’altre–, els de diagonalització
i diagonalització ortogonal d’una forma quadràtica, en canvi, no ho són.
ETSEIAT
Com que l’expressió euclidiana reduı̈da és una de les expressions diagonals d’una for-
Rafel Amer
ma quadràtica, podem determinar també l’expressió vectorial reduı̈da a partir d’una base
ortogonal de vectors propis.
Vicenç Sales
Pàgina 132 de 150

0 0 0 0 0 0
Teorema 7.60 Si {~e1 , . . . , ~er , ~er+1 , . . . , ~er+s , ~er+s+1 , . . . , ~en } és una base ortogonal de vectors
propis d’una forma quadràtica ~q aleshores en la base ortogonal
 
 1 00 1 00 1 00 1 00 00 00

q ~e1 , . . . , q ~er , q ~er+1 , . . . , q ~er+s , ~er+s+1 , . . . , ~en
00 00 00 00

~q(~e1 ) ~q(~er ) −~q(~er+1 ) −~q(~er+s ) 
l’expressió de la forma quadràtica ~q és la vectorial reduı̈da:

2 2 2 2
~q(x001 , . . . , x00n ) = x001 + . . . + x00r − x00r+1 − . . . − x00r+s .

~q(1, 1, 1) = 15 > 0 , ~q(1, 0, −1) = −2 < 0 i ~q(−1, 2, −1) = −6 < 0
respectivament, es té que l’expressió vectorial reduı̈da és
2 2 2
~q(x00 , y 00 , z 00 ) = x00 − y 00 − z 00 ;
i la base ortogonal i el canvi de base respectius,
  √ √ √  0 
x √ 2 15 −√5 x
1 1 1 1
B 00 = √ (1, 1, 1), √ (1, 0, −1), √ (−1, 2, −1) i  y  = √  √2 √0 2 √ 5   y0  .
15 2 6 z 30 2 − 15 − 5 z0
8 VARIETATS QUADRÀTIQUES
UPC Còniques
Un lloc geomètric és un conjunt de punts de Rn que satisfan una propietat geomètrica.
ETSEIAT
Definició 8.1 La paràbola determinada pel punt F i la recta D de R2 tals que F ∈

/ D és
2
el lloc geomètric dels punts de R que equidisten de F i D:
x ∈ R2 : d(x, F ) = d(x, D) .

Rafel Amer
Aquesta és l’anomenada definició mètrica de la paràbola. I els punts i rectes següents es
diuen elements geomètrics.
Vicenç Sales
El punt F s’anomena focus.

Pàgina 133 de 150
x La recta D, directriu.
F El punt mig del focus i la seva projecció ortogonal sobre la directriu, vèrtex.
La recta paral.lela a la directriu pel vèrtex, eix principal.
D La recta perpendicular a la directriu pel vèrtex, eix secundari.
I la distància del focus a la directriu, paràmetre (p).
Exemple 8.2 Considerem la paràbola formada pels punts que equidisten de (2, 1) i de
x − y + 3 = 0.
En primer lloc, l’eix secundari és la recta perpendicular a la directriu pel focus, és a dir,
x + y − 3 = 0.
I la intersecció d’aquest amb la directriu és el punt (0, 3). Per tant, el vèrtex és el punt mig:

2+0 1+3
, = (1, 2) .
2 2
Llavors, l’eix principal és la recta paral.lela a la directriu pel vèrtex, és a dir,
x − y + 1 = 0.
Finalment, el paràmetre és
|2 − 1 + 3| 4 √
p= p = √ = 2 2.
12 + (−1)2 2
Fent un canvi de referència amb l’equació següent s’obté l’equació en qualsevol referència.
UPC 0 0
Teorema 8.3 En la referència euclidiana R0 = {O0 ; ~e1 , ~e2 } formada pel vèrtex O’ i dos
0 0
ETSEIAT vectors directors unitaris ~e1 i ~e2 dels eixos principal i secundari respectivament, segons
0
~e2 tingui el sentit de la directriu al focus o viceversa:
(a) el focus és el punt de coordenades 0, ± p2 ;

(b) la directriu té equació

p
y0 = ∓ ;
Rafel Amer
2
(c) la paràbola té equació
2
0 x0
y =± .
Vicenç Sales
2p
Exemple 8.4 En la paràbola de l’exemple anterior, normalitzant el vector director (1, 1)

Pàgina 134 de 150
de l’eix principal i el vector director (−1, 1) de l’eix secundari en el sentit del focus a la
directriu s’obtenen la referència principal i l’equació reduı̈da
2
x0

0 1 1 0
R = (1, 2); √ (1, 1), √ (−1, 1) i y =− √ .
2 2 4 2
Llavors, tenint en compte que el canvi de referència de Rc a R0 és ortogonal, tenim:
0 −1
x 1 1 −1 x 1 1 1 1 x−1 1 x+y−3
=√ − =√ =√ .
y0 2 1 1 y 2 2 −1 1 y−2 2 −x + y − 1
I substituint a l’equació reduı̈da, queda 2
√1 (x + y − 3)
1 2
√ (−x + y − 1) = − √
2 4 2
que, operant, dona l’equació de la paràbola en la referència canònica:
x2 + y 2 + 2xy − 14x + 2y + 1 = 0 .
y0 y 8
7
x0
7
6
6
6
5
5
4
4
3
3
2
2
1
1
1
1
−
x
2
2
−
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 7 8 9
3
3
−
−1
4
4
−
−
5
−2
−
−
6
6
−
−3
7
7
−
−4
8
8
−
−
9
9
−
−5
−6
−7
−8
Definició 8.5 L’el.lipse determinada pels punts F i F 0 de R2 i l’escalar k tal que k >
UPC d(F, F 0 ) és el lloc geomètric dels punts de R2 tals que la suma de distàncies a F i F 0 és k:
x ∈ R2 : d(x, F ) + d(x, F 0 ) = k .

ETSEIAT
Aquesta és l’anomenada definició mètrica de l’el.lipse. A més, els punts i rectes següents
es diuen elements geomètrics; i els escalars, paràmetres.
Els punts F i F 0 s’anomenen focus.
Rafel Amer
El punt mig dels focus, centre.
x La recta que passa pels focus i el centre, eix principal.
La recta perpendicular a l’eix principal pel centre, eix secundari.
Vicenç Sales Els punts intersecció dels eixos amb l’el.lipse, vèrtexs.
F F0
L’escalar k, constant.
Pàgina 135 de 150
La distància del centre a un vèrtex de l’eix principal, semieix major (a).
La distància del centre a un vèrtex de l’eix secundari, semieix menor (b).
I la distància del centre a un focus, semidistància focal (c).
Si F = F 0 llavors c = 0 i a = b, l’el.lipse es diu circumferència de centre C (amb C = F = F 0 )

i radi r (amb r = a = b) i és el lloc geomètric dels punts de R2 tals que la distància a C és r:
x ∈ R2 : d(x, C) = r .

Proposició 8.6 (a) k = 2a.

(b) a2 = b2 + c2 .
Exemple 8.7 L’el.lipse tal que la suma de les distàncies a (0, 1) i (2, 3) és 4 té centre

0+2 1+3
, = (1, 2) ;
2 2
el semieix major, la semidistància focal i el semieix menor són, respectivament,
√ √ 2 √
q
4 p
2 2
a = = 2, c = d((1, 2), (2, 3)) = (2 − 1) + (3 − 2) = 2 i b = 22 − 2 = 2 ;
2
i com que (1, 2) − (0, 1) = (1, 1), els eixos principal i secundari són, respectivament,
x−1 y−2 x−1 y−2
= i = .
1 1 −1 1
0 0
Teorema 8.8 En la referència euclidiana R0 = {O0 ; ~e1 , ~e2 } formada pel centre O0 i dos
0 0
UPC vectors directors unitaris ~e1 i ~e2 dels eixos principal i secundari respectivament:
ETSEIAT
(a) els focus són els punts de coordenades (c, 0) i (−c, 0);
(b) els vèrtexs són els punts de coordenades (a, 0), (−a, 0), (0, b) i (0, −b);
(c) l’el .lipse té equació
x0 2 y 0 2
+ 2 = 1.
a2 b
Rafel Amer
I aleshores, fent un canvi de referència, es pot obtenir l’equació en qualsevol referència.
Vicenç Sales Teorema 8.9 La circumferència de centre C = (c1 , c2 ) i radi r té equació
(x − c1 )2 + (y − c2 )2 = r2 .
Pàgina 136 de 150
Exemple 8.10 En l’el.lipse d’abans, normalitzant el vector director (1, 1) de l’eix principal i
el vector director (−1, 1) del secundari s’obtenen la referència principal i l’equació reduı̈da
x0 2 y 0 2

0 1 1
R = (1, 2); √ (1, 1), √ (−1, 1) i + = 1.
2 2 4 2
Llavors, tenint en compte que el canvi de referència de Rc a R0 és ortogonal, tenim:
0 −1
x 1 1 −1 x 1 1 1 1 x−1 1 x+y−3
=√ − =√ =√ .
y0 2 1 1 y 2 2 −1 1 y−2 2 −x + y − 1
I substituint a l’equació reduı̈da, queda
2 2
√1 (x + y − 3) √1 (−x + y − 1)
2 2
+ =1
4 2
que, operant, dona l’equació de l’el.lipse en la referència canònica:
15x2 + 15y 2 + 2xy − 34x − 62y − 145 = 0 .
y0 y5 x0
4
4
3
3
2
2
1
1
1
1
−
x5
2
2
−
−3 −2 −1 1 2 3 4
3
3
−
−1
4
4
−
−2
Definició 8.11 La hipèrbola determinada pels punts F i F 0 de R2 tals que F 6= F 0 i
UPC l’escalar k tal que 0 < k < d(F, F 0 ) és el lloc geomètric dels punts de R2 tals que el valor
absolut de la diferència de distàncies a F i F 0 és k:
ETSEIAT
x ∈ R2 : |d(x, F ) − d(x, F 0 )| = k .

Aquesta és l’anomenada definició mètrica de la hipèrbola. I, a més, els punts i rectes
següents es diuen elements geomètrics; i els escalars, paràmetres.
Els punts F i F 0 s’anomenen focus.
Rafel Amer
El punt mig dels focus, centre.
La recta que passa pels focus i el centre, eix principal.
Vicenç Sales
La recta perpendicular a l’eix principal pel centre, eix secundari.
Els punts intersecció dels eixos amb l’el.lipse, vèrtexs.
x
Pàgina 137 de 150
L’escalar k, constant.
F F0 La distància del centre a un vèrtex de l’eix principal, semieix real (a).
La distància del centre a un focus, semidistància focal (c).
√
L’escalar b = c2 − a2 , semieix imaginari.
0 0 0 0 0 0
I les rectes de vectors directors a~e1 + b~e2 i a~e1 − b~e2 pel centre (amb ~e1 , ~e2
vectors directors unitaris dels eixos principal i secundari), ası́mptotes.
Si a = b les hipèrboles es diuen equilàteres; i llavors les ası́mptotes són perpendiculars.
Proposició 8.12 (a) k = 2a.

(b) c2 = a2 + b2 .
Exemple 8.13 Considerem la hipèrbola de (0, 1) i (2, 3) i constant 2. El centre i els eixos
principal i secundari es calculen com en l’el.lipse i són, per tant, els mateixos. A més, el
semieix real, la semidistància focal i el semieix imaginari són ara, respectivament,
√ √ 2
q
2 p
a = = 1, c = d((1, 2), (2, 3)) = (2 − 1)2 + (3 − 2)2 = 2 i b= 2 − 12 = 1 .
2
I les ası́mptotes són les rectes √ que passen pel centre (1, 2) i que tenen √ vectors directors
1 · √12 (1, 1) + 1 · √12 (−1, 1) = (0, 2) ' (0, 1) i 1 · √12 (1, 1)−1 · √12 (−1, 1) = ( 2, 0) ' (1, 0), és a dir,
x=1 i y = 2.
0 0
Teorema 8.14 En la referència euclidiana R0 = {O0 ; ~e1 , ~e2 } formada pel centre O0 i dos
0 0
UPC vectors directors unitaris ~e1 i ~e2 dels eixos principal i secundari respectivament:
ETSEIAT
(a) els focus són els punts de coordenades (c, 0) i (−c, 0);
(b) els vèrtexs són els punts de coordenades (a, 0) i (−a, 0);
(c) les ası́mptotes tenen equacions
b b
y 0 = x0 i y 0 = − x0 ;
a a
(d) la hipèrbola té equació
Rafel Amer
x0 2 y 0 2
− 2 = 1.
a2 b
Vicenç Sales I aleshores, fent un canvi de referència, es pot obtenir l’equació en qualsevol referència.
Pàgina 138 de 150

Teorema 8.15 Les hipèrboles d’ası́mptotes Ax + By + C = 0 i ax + by + c = 0 són
(Ax + By + C)(ax + by + c) + α = 0 , amb α 6= 0 .
És clar que si α = 0 s’obté l’equació conjunta del parell d’ası́mptotes.
Observació 8.16 En general, el parell de rectes Ax + By + C = 0 i ax + by + c = 0 és

(Ax + By + C)(ax + by + c) = 0 .

Exemple 8.17 La hipèrbola d’abans té vèrtex (1, 2) + 1 · √12 (1, 1) = 1 + √12 , 2 + √12 . I es té
(x − 1)(y − 2) + α = 0 ,
amb (1 + √1 − 1)(2 + √1 − 2) + α = 0. Per tant, α = − 12 i, multiplicant per 2, s’obté l’equació
2 2
2xy − 4x − 2y + 3 = 0 .
y0 y 8 x0
8
7
7
6
6
6
5
5
4
4
3
3
2
2
1
1
1
1
−
x
2
2
−
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 7 8
3
3
−
−1
4
4
−
−
5
−2
−
−
6
6
−
−3
7
7
−
−4
8
8
−
−5
Varietats quadràtiques
UPC Definició 8.18 Diem varietat quadràtica en la referència R = {O; ~e1 , . . . , ~en } a tot conjunt
ETSEIAT
de punts x ∈ Rn de coordenades x1 , . . . , xn en la referència R que satisfan una equació
q(x1 , . . . , xn ) = a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n + a1 x1 + an xn + a = 0 ,
amb algun coeficient aji no nul.
aji +aij
Diem còniques si n = 2 i quàdriques si n = 3. I posem qij = 2 i li = ai
2 amb i, j = 1, . . . , n.
Rafel Amer
Observació 8.19 Els coeficients qij es diuen termes quadràtics (purs si i = j i creuats si
i 6= j); els li , termes lineals; i a, terme independent. Obtenim aixı́ una matriu quadrada
Vicenç Sales
simètrica Q o part quadràtica i una matriu–columna L o part lineal.
Pàgina 139 de 150
I podem posar l’equació de la varietat quadràtica en la referència R en la forma matricial
 1
q1 . . . q1n
   
x1 x1
t t
 . . .  . 
X QX + 2L X + a = x1 . . . xn  .. ..   ..  + 2 l1 . . . ln  ..  + a = 0 .
  
qn1 . . . qnn xn xn
Observació 8.20 Si els coeficients de l’equació són enters i algun dels coeficients dels
termes quadràtics creuats o lineals és senar, es pot multiplicar abans l’equació per 2.
La forma quadràtica associada a q és la que en la base B = {~e1 , . . . , ~en } de R ve donada per
~q(x1 , . . . , xn ) = a11 x21 + . . . + an1 x1 xn + . . . + a1n xn x1 + . . . + ann x2n .
Observació 8.21 ~q(x1 , . . . , xn ) = X t QX.
Exemple 8.22 Per a la quàdrica d’equació en la referència canònica Rc

−x2 + 8y + 2z − 3 = 0 ,
la part quadràtica, lineal, terme independent i forma quadràtica associada respectives són
   
−1 0 0 0
Q =  0 0 0, L =  4, a = −3 i ~q(x, y, z) = −x2 .
0 0 0 1
Teorema 8.23 Si
UPC X = B + CX 0
ETSEIAT
és l’expressió matricial del canvi de referència de la referència R0 = {O0 ; B 0 } a la referència
R = {O; B}, llavors l’equació de la varietat quadràtica respecte R0 és
 0 t
 Q = C QC ;

t t
X 0 Q0 X 0 + 2L0 X 0 + a0 = 0 , amb L0 = C t (QB + L) ;
a0 = B t QB + 2Lt B + a = q(b1 , . . . , bn ) .


Rafel Amer
Aquest resultat es diu fórmula del canvi de referència per a varietats quadràtiques.
Vicenç Sales
Pàgina 140 de 150 Observació 8.24 El fet que les expressions de les varietats quadràtiques en qualsevol
referència siguin del mateix tipus permet parlar de varietats quadràtiques a seques.
Exemple 8.25 Donada la referència R0 = {(1, 1, 1); (1, 1, 1), (0, 1, 1), (0, 0, 1)} i la quàdrica
anterior, com que el canvi de referència de R0 a Rc ve donat per
      0 
x 1 1 0 0 x
 y  =  1  +  1 1 0   y0  ,
z 1 1 1 1 z0
es té que
 t     
1 0 0 −1 0 0 1 0 0 −1 0 0
Q0 = C t QC =  1 1 0   0 0 0   1 1 0  =  0 0 0  ;
1 1 1 0 0 0 1 1 1 0 0 0
 t        
1 0 0 −1 0 0 1 0 4
0 t
L = C (QB + L) = 1 1 0
   0 0 0   1 + 4
    = 5;

1 1 1 0 0 0 1 1 1
a0 = q(1, 1, 1) = −12 + 8 · 1 + 2 · 1 − 3 = 6 .
Per tant, l’equació de la quàdrica en la referència R0 és
q(x0 , y 0 , z 0 ) = −x0 2 + 8x0 + 10y 0 + 2z 0 + 6 = 0 .
Com que la part lineal en una nova referència R0 és
L0 = C t (QB + L) ,
UPC la seva anul.lació és equivalent a la de la matriu–columna QB + L, ja que C és regular.
ETSEIAT
Definició 8.26 p és un centre d’una varietat quadràtica en la referència R si, i només si,
QP + L = 0 .
Per tant, el sistema lineal dels centres és

QX + L = 0 .
Rafel Amer
Definició 8.27 Direm varietats quadràtiques amb centre a les que tinguin algun centre.
Vicenç Sales
Donats els hiperplans d’equacions A1 x1 + . . . + An xn + A0 = 0 i a1 x1 + . . . + an xn + a0 = 0 en
Pàgina 141 de 150
la referència R, és clar que l’equació conjunta dels dos hiperplans en la referència R és
(A1 x1 + . . . + An xn + A0 )(a1 x1 + . . . + an xn + a0 ) = 0 .
Definició 8.28 Si una varietat quadràtica és un parell d’hiperplans es diu degenerada.
Els hiperplans d’una varietat quadràtica degenerada q(x1 , . . . , xn ) = 0 s’obtenen determi-

nant els coeficients A1 , . . . , An , A0 i a1 , . . . , an , a0 a partir de la relació
q(x1 , . . . , xn ) = (A1 x1 + . . . + An xn + A0 )(a1 x1 + . . . + an xn + a0 ) .
Teorema 8.29 (a) L’equació conjunta del parell d’ası́mptotes de la hipèrbola q(x, y) = 0
de centre (p, q) és
q(x, y) − q(p, q) = 0 .
(b) Les ası́mptotes de la hipèrbola q(x, y) = 0 s’obtenen resolent
q(x, y) − q(p, q) = (Ax + By + C)(ax + by + c) .
Exemple 8.30 La quàdrica d’abans no té centres, ja que el sistema lineal

        
−1 0 0 x 0 0 −1 0 0 0
 0 0 0 y  +  4 =  0 '  0 0 0 −4 
0 0 0 z 1 0 0 0 0 −1
és incompatible.
Observem que la nova part quadràtica Q0 = C t QC obtinguda després d’un canvi de re-
ferència només depèn de la matriu de canvi de base C.
UPC
ETSEIAT
Observació 8.31 Per tant, diagonalitzar Q és equivalent a diagonalitzar la seva forma
quadràtica associada ~q.
Les referències formades per un centre i una base de diagonalització de la forma quadràtica
d’una varietat quadràtica amb centre no degenerada es diuen reduı̈des.
Rafel Amer
Teorema 8.32 L’equació en referència reduı̈da d’una varietat quadràtica amb centre és
2 2 2 2
q(x01 , . . . , x0n ) = x0 1 + . . . + x0 r − x0 r+1 − . . . − x0 r+s ± = 0 , amb = 0 o = 1.
Vicenç Sales
Operant, s’obté l’equació afı́ reduı̈da; i, a partir d’aquesta, el tipus de varietat quadràtica.
Pàgina 142 de 150
I la classificació afı́ és trobar la referència reduı̈da, l’equació afı́ reduı̈da i el tipus.
TIPUS d’EQUACIÓ EQUACIÓ AFÍ REDUÏDA TIPUS de CÒNICA
x0 2+ y0 2=1 el.lipse real
±x0 2 ± y 0 2 ± 1 = 0 02
x −y =1 02 hipèrbola
−x0 2 − y 0 2 = 1 el.lipse imaginària
TIPUS d’EQUACIÓ EQUACIÓ AFÍ REDUÏDA TIPUS de QUÀDRICA

x0 2 + y 0 2 + z 0 2 = 1 el.lipsoide real
x0 2 + y 0 2 − z 0 2 = 1 hiperboloide d’una fulla
±x0 2 ± y 0 2 ± z 0 2 ± 1 = 0
x0 2 − y 0 2 − z 0 2 = 1 hiperboloide de dues fulles
−x0 2 − y 0 2 − z 0 2 = 1 el.lipsoide imaginari
x0 2 + y 0 2 + z 0 2 = 0 con imaginari
±x0 2 ± y 0 2 ± z 0 2 = 0
x0 2 + y 0 2 − z 0 2 = 0 con real
x0 2 + y 0 2 = 1 cilindre el.lı́ptic real
±x0 2 ± y0 2 ±1=0 x0 2 − y 0 2 = 1 cilindre hiperbòlic
−x0 2 − y 0 2 = 1 cilindre el.lı́ptic imaginari
Exemple 8.33 En la quàdrica anterior, com que Q ja és diagonal, tenim que ~q diagonalitza
en la matriu diagonal Q anterior i que una base de diagonalització és la canònica:
Bc = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ;
i, en particular, la matriu de canvi de base és la identitat: C = I.
Definició 8.34 Diem varietats quadràtiques sense centre a les que no tenen cap centre.
UPC
En tal cas, es pot aconseguir anul.lar el terme independent i tots els coeficients de la part
ETSEIAT
lineal excepte un prenent els punts i el vectors adequats.
Proposició 8.35 La matriu diagonal obtinguda en la diagonalització de la forma

quadràtica asociada a una varietat quadràtica sense centre té sempre el valor 0.
Rafel Amer
Distingirem entre varietats quadràtiques sense centre de valor 0 simple i múltiple.
Vicenç Sales Observació 8.36 En les varietats quadràtiques sense centre de valor 0 simple el vèrtex
es determina sense res més que imposar que el punt sigui tal que s’anul.lin tots els coe-
Pàgina 143 de 150 ficients lineals excepte un i el terme independent i que pertanyi a la varietat quadràtica.
Les referències formades per un vèrtex i una base de diagonalització de la forma quadràtica
d’una varietat quadràtica sense centre de valor 0 simple es diuen reduı̈des.
Teorema 8.37 L’equació en referència reduı̈da d’una varietat quadràtica sense centre de
valor propi 0 simple és
2 2 2 2
q(x01 , . . . , x0n ) = x0 1 + . . . + x0 r − x0 r+1 − . . . − x0 n−1 ± x0 n = 0 .
Operant, s’obté l’equació afı́ reduı̈da; i, a partir d’aquesta, el tipus de varietat quadràtica.
TIPUS d’EQUACIÓ EQUACIÓ AFÍ REDUÏDA TIPUS de CÒNICA
±x 02 ± y0 = 0 y 0 = ±x 02 paràbola
TIPUS d’EQUACIÓ EQUACIÓ AFÍ REDUÏDA TIPUS de QUÀDRICA

z0 = ±x0 2 ± y0 2 paraboloide el.lı́ptic
±x0 2 ± y 0 2 ± z 0 = 0
z0 = ±x0 2 ∓ y0 2 paraboloide hiperbòlic
Exemple 8.38 La quàdrica sense centre d’abans és de valor 0 múltiple per tenir matriu
diagonal amb dos zeros a la seva diagonal principal.
Observació 8.39 En les varietats quadràtiques sense centre de valor propi 0 múltiple,
UPC si no s’anul.len tots els coeficients lineals excepte un cal canviar la base corresponent al
valor 0 de la diagonalització de ~q substituint–la per una altra en la que sı́ s’anul.lin.
ETSEIAT
Les referències formades per un vèrtex i una base de diagonalització de la forma quadràtica
d’una varietat quadràtica sense centre de valor 0 múltiple com aquesta es diuen reduı̈des.
Teorema 8.40 L’equació en referència reduı̈da d’una varietat quadràtica sense centre de
Rafel Amer valor propi 0 múltiple és
2 2 2 2
q(x01 , . . . , x0n ) = x0 1 + . . . + x0 r − x0 r+1 − . . . − x0 r+s ± x0 n = 0 , amb r + s < n − 1.
Vicenç Sales Operant, s’obté l’equació afı́ reduı̈da; i, a partir d’aquesta, el tipus de varietat quadràtica.
Pàgina 144 de 150 TIPUS d’EQUACIÓ EQUACIÓ AFÍ REDUÏDA TIPUS de QUÀDRICA
±x0 2 ± z 0 = 0 z 0 = ±x0 2 cilindre parabòlic
Exemple 8.41 La quàdrica anterior és, doncs, un cilidre parabòlic. I com que a la matriu
 
0
C tL = I tL = L =  4 
1
els coeficients 4 i 1 corresponents al valor 0 són no nuls, de
 
0
α 0 1 0 +β 0 0 1 4 = 0
1
es té 4α + β = 0. I prenent α = 1 i β = −4 s’obté el vector (0, 1, −4) i es té que
         
1 0 0 −1 0 0 a 0 −a
C t (QB + L) =  0 1 −4   0 0 0   b  +  4  =  0  .
0 0 1 0 0 0 c 1 1
Llavors, és −a = 0 o a = 0 que, substituint, dona −02 + 8b + 2c − 3 = 0. I si b = 0 es té c = 23 , el
vèrtex és (0, 0, 32 ) i l’equació en la referència {(0, 0, 32 ); (1, 0, 0), (0, 1, −4), (0, 0, 1)}, −x0 2 +2z 0 = 0.
Per tant, es té el cilindre parabòlic de referència i equació afı́ reduı̈des respectives

3 1
R =∗
0, 0, ; (1, 0, 0), (0, 1, −4), (0, 0, 1) i z ∗ = x∗ 2 .
2 2
Varietats quadràtiques de l’espai afı́ euclidià
Com sabem, els canvis ortogonals de refèrència tenen matriu de canvi de base ortogonal.
UPC
Observació 8.42 Per tant, si
ETSEIAT
X = B + CX 0
és l’expressió matricial del canvi ortogonal de referència entre les referències euclidianes
R0 = {O0 ; B 0 } i R = {O; B}, llavors l’equació de la varietat quadràtica respecte R0 és
 0 t −1
 Q = C QC = C QC ;

t t
Rafel Amer X 0 Q0 X 0 + 2L0 X 0 + a0 = 0 , amb L0 = C t (QB + L) = C −1 (QB + L) ;

a0 = B t QB + 2Lt B + a = q(b1 , . . . , bn ) .

Vicenç Sales Parlarem de fórmula del canvi ortogonal de referència per a varietats quadràtiques.
Pàgina 145 de 150

Observació 8.43 A partir d’ara, però, quan la referència inicial sigui no euclidiana hau-
rem de fer prèviament un canvi de referència a una referència euclidiana.
Exemple 8.44 A la quàdrica d’equació en la referència R0 = {(1, 1, 1); (1, 1, 1), (0, 1, 1), (0, 0, 1)}
q(x0 , y 0 , z 0 ) = −x0 2 + 8x0 + 10y 0 + 2z 0 + 6 = 0 ,
calculant el canvi de referència de R0 a Rc tenim:
      0   0     
x 1 1 0 0 x x −1 1 0 0 x
 y  =  1  +  1 1 0   y0  =⇒  y 0  =  0 + −1
  1 0   y .
z 1 1 1 1 z 0 z 0 0 0 −1 1 z
Per tant,
 t     
1 0 0 −1 0 0 1 0 0 −1 0 0
Q = C t Q0 C =  −1 1 0   0 0 0   −1 1 0 =  0 0 0;
0 −1 1 0 0 0 0 −1 1 0 0 0
 t       
1 0 0 −1 0 0 −1 4 0
L = C t (Q0 B + L0 ) =  −1 1 0   0 0 0   0  +  5  =  4  ;
0 −1 1 0 0 0 0 1 1
a = q(−1, 0, 0) = −(−1)2 + 8 · (−1) + 10 · 0 + 2 · 0 + 6 = −3 .
I, en conseqüència, l’equació de la quàdrica en la referència canònica Rc és
q(x, y, z) = −x2 + 8y + 2z − 3 = 0 .
Definició 8.45 Diem varietat de simetria d’una varietat quadràtica a tota varietat lineal
UPC tal que el simètric de tot punt de la varietat quadràtica hi pertanyi també.
ETSEIAT
Si la varietat de simetria és punt o recta es diu centre o eix de simetria, respectivament.
Teorema 8.46 (a) La intersecció d’un eix de simetria i la varietat quadràtica és un vèrtex.
(b) La intersecció de varietats de simetria estrictament secants és varietat de simetria.
Rafel Amer (c) Si ~v és un vector propi de valor propi λ 6= 0 llavors un hiperplà de simetria és
~v · (λ~x + ~l) = 0 .
Vicenç Sales I, per la seva banda, els centres de simetria coincideixen amb els centres.
Pàgina 146 de 150

Definició 8.47 Les varietats quadràtiques que tenen alguns valors propis no nuls iguals
es diuen de revolució o circulars.
I, en particular, les que tenen tots els valors propis iguals s’anomenen esferes i el seu
1
centre de simetria, centre. I si λ és el valor propi comú llavors l’escalar r = |λ| es diu radi.
Proposició 8.48 L’esfera de centre C i radi r és el lloc geomètric dels punts de Rn tals
que la seva distància a C és r:
{x ∈ Rn : d(x, C) = r} .
Evidentment, les esferes de R2 són les circumferències.
Teorema 8.49 (a) L’equació de l’esfera de centre C = (c1 , . . . , cn ) i radi r és

(x1 − c1 )2 + . . . + (xn − cn )2 = r2 .
(b) Les esferes tenen equació qx21 + . . . + qx2n + l1 x1 + . . . + ln xn + t = 0; i centre i radi tals que
qx21 + . . . + qx2n + l1 x1 + . . . + ln xn + t = q (x1 − c1 )2 + . . . + (xn − cn )2 − r2 .

Exemple 8.50 La quàdrica d’abans no és de revolució ja que el valor propi repetit és el 0.
Teorema 8.51 Si ~v és un vector propi de valor propi 0 d’una varietat quadràtica amb
UPC centre llavors un hiperplà de simetria és
ETSEIAT
~v · ~x = 0 .
Les referències formades per un centre i una base ortonormal de diagonalització de la for-
ma quadràtica d’una varietat quadràtica amb centre no degenerada es diuen principals.
Teorema 8.52 L’equació en referència principal d’una varietat quadràtica amb centre és
2 2
Rafel Amer q(x01 , . . . , x0n ) = λ1 x0 1 + . . . + λr x0 r + q(b1 , . . . , bn ) = 0 , amb r ≤ n.
Operant, s’obté l’equació euclidiana reduı̈da; i, a partir d’aquesta, el tipus. I la classifi-
Vicenç Sales
cació euclidiana és trobar la referència principal, l’equació eulcidiana reduı̈da i el tipus.
TIPUS d’EQUACIÓ EQUACIÓ EUCLIDIANA REDUÏDA TIPUS de CÒNICA
Pàgina 147 de 150 x0 2
a2
y0 2
+ b2 = 1 el.lipse real
0 2 0 2
q10 x0 2 + q20 y 0 2 + a0 = 0 x
a2
− yb2 = 1 hipèrbola
x 0 2 y0 2 el.lipse imaginària
− 2 − 2 =1 a b
TIPUS d’EQUACIÓ EQUACIÓ EUCLIDIANA REDUÏDA TIPUS de QUÀDRICA

y0 2
x0 2
a2
z0 2
+ b2 + c2 = 1 el.lipsoide real
0 2 0 2 0 2
x
+ yb2 − zc2 = 1 hiperboloide d’una fulla
q10 x0 2 + q20 y 0 2 + q30 z 0 2 + a0 = 0 x
a2
0 2 y0 2 z0 2
− b2 − c2 = 1 hiperboloide de dues fulles
a2
x0 2 y0 2 z0 2
− a2 − b2 − c2 = 1 el.lipsoide imaginari
02 y0 2 02
± xa2 ± ± zc2 = 0 con imaginari
q10 x0 2 + q20 y 0 2 + q30 z 0 2 =0 02 y
b022
02
± xa2 ± b2
∓ zc2 = 0 con real
cilindre el.lı́ptic real
02
x0 2
a2
+ yb2 = 1
02
q10 x0 2 + q20 y 0 2 + a0 = 0 x0 2
a2
− yb2 = 1 cilindre hiperbòlic
cilindre el.lı́ptic imaginari
02 02
− xa2 − yb2 = 1
Exemple 8.53 La quàdrica d’abans no té centres de simetria, ja que el sistema lineal
        
−1 0 0 x 0 0 −1 0 0 0
 0 0 0 y  +  4 =  0 '  0 0 0 −4 
0 0 0 z 1 0 0 0 0 −1
és incompatible.
Proposició 8.54 La matriu Q de tota varietat quadràtica sense centre té el valor propi 0.
UPC
ETSEIAT I parlarem ara de varietats quadràtiques sense centre de valor propi 0 simple i múltiple.
Observació 8.55 En les varietats quadràtiques sense centre de valor propi 0 simple el
vèrtex s’obté intersecant amb la varietat quadràtica els diferents hiperplans de simetria
Rafel Amer corresponents als n − 1 vectors propis de valor propi no nul.
Les referències formades per un vèrtex –calculat de l’anterior forma– i una base ortonormal
Vicenç Sales
de diagonalització de la forma quadràtica d’una varietat quadràtica sense centre de valor
propi 0 simple es diuen principals.
Pàgina 148 de 150
Teorema 8.56 L’equació en referència principal d’una varietat quadràtica sense centre
de valor propi 0 simple és
2 2 0
q(x01 , . . . , x0n ) = λ1 x0 1 + . . . + λr x0 n−1 + 2 (~en · ~l) x0n = 0 .

TIPUS d’EQUACIÓ EQUACIÓ EUCLIDIANA REDUÏDA TIPUS de CÒNICA

02
q10 x0 2 + l0 y 0 = 0 y 0 = ± xa2 paràbola

02
z 0 = ± xa2 ± y0 2 paraboloide el.lı́ptic
q10 x0 2 + q20 y 0 2 + l0 z 0 = 0 02
b2
y0 2
z 0 = ± xa2 ∓ paraboloide hiperbòlic
b2
Exemple 8.57 La quàdrica sense centre dels exemples anteriors és de valor propi 0
múltiple per tenir dos zeros a la seva matriu diagonal.
Teorema 8.58 Si w ~ és ortogonal a ~l i a tot vector propi de valor propi no nul d’una varietat
UPC quadràtica sense centre de valor propi 0 múltiple llavors un hiperplà de simetria és
ETSEIAT ~ · ~x = 0 .
w
Les referències formades per un vèrtex obtingut intersecant els hiperplans de simetria
dels n − 1 primers vectors propis d’una varietat quadràtica sense centre de valor propi 0
múltiple i una base ortonormal de diagonalització de la forma quadràtica associada tal que
els n − r − 1 primers vectors propis de valor propi 0 són ortogonals a tots els anteriors i a ~l
Rafel Amer i el darrer és el producte vectorial de tots els anteriors es diuen principals.
Teorema 8.59 L’equació en referència principal d’una varietat quadràtica sense centre
Vicenç Sales de valor propi 0 múltiple és
2 2 0
q(x01 , . . . , x0n ) = λ1 x0 1 + . . . + λr x0 r + 2 (~en · ~l) x0n = 0 , amb r < n − 1.
Pàgina 149 de 150

0 0 0 0 02
2
q1 x + l z = 0 0
z = ± a2 x cilindre parabòlic
Exemple 8.60 En la quàdrica d’abans, com que ~v = (1, 0, 0) és vector propi de valor propi
−1 i ~v ∧ ~l = (1, 0, 0) ∧ (0, 4, 1) = (0, −1, 4), s’obté l’eix ) de simetria )
(1, 0, 0) · [−1(x, y, z) + (0, 4, 1)] =0 x =0
' .
(0, −1, 4) · (x, y, z) =0 −y + 4z =0
3
I substituint a −x2 + 8y + 2z − 3 = 0 es té −02 + 8 · 4z + 2z − 3 = 0, d’on z = 34 i el vèrtex és

6 3
0, , .
17 34
I de ~v ∧ (~v ∧ ~l) = (1, 0, 0) ∧ (0, −1, 4) = (0, −4, −1) s’obté −x0 2 + 2 · ( √117 (0, −4, −1) · (0, 4, 1))z 0 = 0
√
o −x0 2 − 2 17z 0 = 0 d’on, aı̈llant, s’obté el cilindre parabòlic que en la referència principal

∗ 6 3 1 1
R = 0, , ; (1, 0, 0), √ (0, −1, 4), √ (0, −4, −1)
17 34 17 17
té equació reduı̈da
x∗ 2
z∗ = − √ .
2 17
Les còniques no degenerades reals tenen aquests gràfics en referència principal:
6 6 6
5 5 5
4 4 4
3 3 3
UPC 2
1
2
1
2
−6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6 −6 −5 −4 −3 −2 −1 1 2 3 4 5 6
−1 −1 −1
−2 −2 −2
ETSEIAT
−3 −3 −3
−4 −4 −4
−5 −5 −5
−6 −6 −6
El.lipse real Hipèrbola Paràbola
Les quàdriques no degenerades reals tenen aquests gràfics en referència principal:
Rafel Amer
Vicenç Sales
El.lipsoide real Hiperboloide d’una fulla Hiperboloide de dues fulles
Pàgina 150 de 150
Con real Cilindre el.lı́ptic real Cilindre hiperbòlic
Paraboloide el.lı́ptic Paraboloide hiperbòlic Cilindre parabòlic

Exemple 8.61 El gràfic del cilindre parabòlic dels exemples anteriors és
z
z0
y
x0
x y0

Transparencies

Uploaded by

Copyright:

Available Formats

You might also like

Transparencies

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Transparencies

Uploaded by

Copyright:

Available Formats

UPC

Vicenç Sales Transparències

c 2010 Rafel Amer i Vicenç Sales

copiar, distribuir i comunicar públicament l’obra;

fer-ne obres derivades;

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

R AFEL A MER I V ICENÇ S ALES

Per a la resolució d’exercicis basats en aquestes transparències podeu consultar la col-

Rafel Amer 1.1 Matrius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2 El mètode de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Els mètodes dels menors i de Cramer . . . . . . . . . . . . . . . . . . . . . . . . 31

2.3 El mètode de l’adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.1 L’espai vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2 L’espai vectorial euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.1 L’espai afı́ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.2 L’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.1 Transformacions lineals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

6.1 Transformacions afins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

6.2 Transformacions afins de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 103

6.3 Transformacions afins euclidianes . . . . . . . . . . . . . . . . . . . . . . . . . 109

7 MÍNIMS QUADRATS I FORMES QUADRÀTIQUES 115

7.1 Mı́nims quadrats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

7.2 Formes quadràtiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

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

8 VARIETATS QUADRÀTIQUES 133

8.1 Còniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

8.2 Varietats quadràtiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

8.3 Varietats quadràtiques de l’espai afı́ euclidià . . . . . . . . . . . . . . . . . . . . 145

Teorema 1.2 (a) A + (B + C) = (A + B) + C.

Proposició 1.3 (a) −(−A) = A.

Per la segona propietat escriurem −A − B. I escriurem també A − B en lloc de A + (−B).

Teorema 1.4 La solució de l’equació matricial A + X = B o X + A = B és

Rafel Amer Teorema 1.7 (a) α(A + B) = αA + αB.

Proposició 1.8 (a) αA = 0 si, i només si, α = 0 o A = 0.

Per aquesta darrera propietat escriurem −αA.

Teorema 1.9 (a) Si α = 0 i A 6= 0 llavors l’equació matricial αX = A no té solució.

Exemple 1.10 Amb les matrius A i B de l’exemple anterior, tenim que

Teorema 1.12 (a) A(BC) = (AB)C.

Proposició 1.13 (a) A · 0 = 0 = 0 · A.

Per aquesta darrera propietat escriurem −AB.

Exemple 1.15 Donades les matrius A i B dels exemples anteriors, obtenim

Observem que el coeficient de la fila i i la columna j de la matriu At és el mateix que el de

Teorema 1.17 (a) (A + B)t = At + B t .

És fals en general, per tant, que (AB)t = At B t .

Proposició 1.18 (a) (−A)t = −(At ).

Per la primera propietat escriurem −At .

Teorema 1.19 La solució de l’equació matricial X t = A és

Pàgina 11 de 150 Les matrius At A i AAt són sempre simètriques.

Teorema 1.23 (a) Si A i B són simètriques llavors A + B és simètrica.

En general, però, el producte de matrius simètriques no és una matriu simètrica.

Proposició 1.24 (a) Si A és simètrica aleshores −A és simètrica.

Exemple 1.25 Les matrius dels exemples anteriors

Proposició 1.27 Si A és ortogonal llavors m ≥ n.

I A és ortogonal quadrada si, i només si,

Teorema 1.28 (a) Si A i B són ortogonals llavors AB és ortogonal.

La suma i el producte per escalars de matrius ortogonals, en general, no és ortogonal.

Proposició 1.29 (a) Si A és ortogonal aleshores −A és ortogonal.

Exemple 1.30 La matriu obtinguda en un exemple anterior