BILET 1). „<=” Pp. KerT=,Ov-.

Fie T(x)=T(y) => T(x)-T(y)=Ow

=> x-y ϵ KerT => x-y=Ov => x=y, deci T este injectiva
Teorema II: Fie T:V->W ; TϵL(V,W). T surjectiva 
1) DEPENDENTA SI INDEPENDENTA LINIARA
Fie V/K un spatiu vectorial si un system de vectori ImT=W.
{xi, i=1,n} ⊂ V, vectorii xi, i=1,n se numesc linear Dem: Fie T surjectiva. Atunci: ∀ y ϵ W, ∃ x ϵ V a.i.
dependent(sau miltime legata) daca ∃ T(x)=y => ImT ⊂ W. Din definitia surjectivitatii
si a imaginii => W ⊂ ImT. Deci: W ⊂ ImT
ʎ1x1+ʎ2x2+…+ʎnxn=Ov, cu cel putin ʎi=0
=>
Fie V/k un spatiu vectorial si ,x1,x2,…xn- inclusa in
ImT ⊂ W ImT=W
V, vectorii xi, i=1,n se numesc linear independent
6) COLINIARITATE+COPLANARITATE(CONDITI
sau ,x1,x2,…xn- se numeste multime libera daca
I)
pentru orice combinatie liniara avem:
Doi vectori se numesc coliniari daca au suporturi
ʎ1x1+ʎ2x2+…+ʎnxn=Ov  ʎ1=ʎ2=…=ʎn=0.
paralele sau coincid.
2) CRITERIUL LUI SYLVESTER
Doi vectori liberi nenuli a^,b^ ϵ V3 sunt coliniari 
Fie V/R un spatiu vectorial, dim(V)=n, ɸ:V->R
∃ ʎϵR\{0} a.i. a^=ʎ*b^, ∀ a^,b^ ϵ V3, ∀ ʎϵR
forma patratica cu matricea A=(aij) in baza
Trei vectori se numesc coplanari daca suporturile
B={ei},i=a,n. Atunci:
lor sunt situate in acelasi plan.
a). ɸ(x) e pozitiv definit  Di>0, ∀ i=1,n
a^,b^,c^ ϵ V3, cu a^,b^,c^ ≠0 sunt coplanari  ∃
b). ɸ(x) e negative definit  Di-1*Di<0, ∀ i=1,n
ʎ,μϵR a.i. a^= ʎb^+μc^
3) OPERATORI ORTOGONALI
Fie T:E->E; T ϵ L(E) se numeste ortogonal daca
transforma orice baza ortogonala intr-o baza BILET 3).
ortonormata.
7) BAZA.DIMENSIUNE
Daca <ei,ej>=δij => <T(ei),T(ej)>=δij
Fie V/K un spatiu vectorial si B={e1,e2,...en}⊂V. B
se numeste baza in spatiul vectoral V daca:
BILET 2). 1. B e libera(liniar independenta)
2. B e generatoare (sp(B)=V)
4) OPERATORI ORTOGONALI
Fie V/K un spatiu vectorial, V=dimensiune finita.
Fie T:E->E; TϵL(E) se numeste ortogonal daca
Numarul vectorilor dintr-o baza se numeste
transforma orice baza ortogonala intr-o baza
dimensiunea spatiului V si se noteaza dim(V)=n
ortonormata.
Baza canonica: e1=(1,0,...,0),
Daca <ei,ej>=δij => <T(ei),T(ej)>=δij
e2=(0,1,...,0),...,en=(0,0,...,1)
5) IMAGINEA SI
Fie V/K spatiu vectorial. V are dimensiunea finita
NUCLEUL(INJECTIVITATE+SURJECTIVITATE)
daca ∃ un sistem de generatori finit.
Fie T:V->W, T ϵ L(V,W). Se numeste nucleul lui T si
8) PRODUS MIXT.PROPRIETATI
se noteaza cu KerT={x|xϵV, T(x)=Ow}. Avem
Fie a^,b^,c^ ϵ V3. Se numeste produs mixt si se
KerT⊂V.
noteaza cu (a^,b^,c^) un numar definit astfel:
Fie T:V->W, T ϵ L(V,W). Se numeste imaginea lui T
(a^,b^,c^)=a^*(b^xc^)
si se noteaza cu ImT={y|yϵW a.i. ∃ xϵV cu
Proprietati:
proprietatea T(x)=y}.Avem ImT⊂ W.
1. (a^,b^,c^)=(b^,c^,a^); (a^,b^,c^)=-
Teorema I: T:V->W, TϵL(V,W). Atunci T=injectiva
(a^,b^,c^)
 KerT={Ov}. Daca(KerT≠0,T(Ov)=Ow; Ov ϵ KerT)
2. |(a^,b^,c^)|=volumul paralelipipedului
Dem: „=>” Pp. ca T= inj inseamna (x1≠x2 => T(x1)
construit pe suporturile celor 3 vectori
≠T(x2)) sau (T(x)=T(y) => x=y). Fie x ϵ KerT =>
3. (a^,b^,c^)=0 => vectorii a^,b^,c^ sunt
T(x)=Ow ; T(Ov)=Ow => T(x)=T(Ov) => x=Ov =>
coplanari
KerT={Ov}
4. (a^,b^,c^)=|ax ay az|
|bx by bz| 1. Daca B e ortonormata, atunci ||ei||=1, ∀
|cx cy cz| i=1,n
9) FORME PATRATICE(FORMA CANONICA A 2. Daca B e ortonormata, atunci x=∑(i=1->n)
FORMEI PATRATICE) xi*ei, iar xi=<x,ei> se numesc coeficientii Faurier
Fie V/R, F(x,y) e o forma biliniara simetrica. Functia 3. Daca B e ortonormata, atunci <x,y>=∑(i=1-
ɸ:V->R se numeste forma patratica daca ∃ F:VxV- >n) xi*yi
>R forma biliniara, simetrica a.i. ɸ(x)=F(x,x) Exemple:
O forma patratica se numeste redusa la forma 1. V3-spatiu de vectori liberi cu baza
canonica daca ∃ o baza in care matricea asociata B={i^,j^,k^} ortonormata.
are forma diagonala(ɸ(x)=suma de patrate) 2. R(la n) cu baza ortonormata B={e1,e2,...en}
10) CRITERIUL LUI SYLVESTER unde: e1=(1,0,...,0); e2=(0,1,...,0); ... ; en=(0,0,...,1)
Fie V/R un spatiu vectorial, dim(V)=n, ɸ:V->R
forma patratica cu matricea A=(aij) in baza BILET 5).
B={ei},i=a,n. Atunci:
a). ɸ(x) e pozitiv definit  Di>0, ∀ i=1,n 14) PRODUS VECTORIAL
b). ɸ(x) e negative definit  D_i-1*D_i<0, ∀ i=1,n Fie a^,b^ ϵ V3. Un vector d^=a^xb^ ϵ V3, se
numeste produs vectorial al vectorilor a^ si b^ si
BILET 4). are proprietatile”
1. Directia perpendiculara pe planul format de
11) PRODUS VECTORIAL.FORMA ANALITICA SI suporturile lui a^ si b^
GEOMETRICA 2. Sensul e dat de regula triunghiului
Fie a^,b^ ϵ V3. Un vector d^=a^xb^ ϵ V3 se 3. Marimea
numeste produs vectorial al vectorilor a^ si b^ ||d^||=||a^xb^||=||a^||*||b^||*sin(a^,b^)
Forma analitica: a^=axi^+ayj^+azk^ 1). a^xb^=-b^xa^ (necomutativ)
Forma geometrica=volumul paralelogramului= |i^ 2). a^x(b^xc^)=(a^xb^)xc^ (distributivitate)
j^ k^| 3). a^xb^=0^  a^=0^ sau a^ si b^ au suporturi
|ax ay az| paralele
|bx by bz| 4). ||a^xb^||=aria paralelogramului format de
12) DEMONSTRATIA SPATIULUI suporturile celor 2 vectori
FINIT(dimensiune finita=un sistem de generatori 5). I^xj^=k^ ; k^xi^=j^ ; j^xk^=i^
finit) 6). Fie {0,i^,j^,k^} ; a^=ax*i^+ay*j^+az*k^ ;
Fie V/K , V de dimensiune finita. Rezulta ca in V b^=bx*i^+by*j^+bz*k^ ;
toate bazele au acelasi nr de vectori a^xb^=|i^ j^ k^|
Dem: Din teorema 2 => ∃ cel putin o baza. |ax ay az|
Fie 2 baze: B=,e1,e2,...,en- si B’=,f1,f2,...fn-, m≠n. |bx by bz|
Pp ca m>n => fi, i=1,m sunt combinatii liniare de 15) VECTORUL ANALITIC
vectori din B => din lema {f1,f2,...fn} este legata => Fie {0,i^,j^,k^} un reper cartezian si un punct A din
din def 1 ca B’ legata, deci nu e o baza => m nu spatiu, atunci ∃ x,y,z ϵ R unice a.i. OA^=xi^+yj^+zk^
poate fi > ca n. (1), unde x,y,z se numesc coordonatele carteziene
Analog n>m, imposibil => m=n. ale pct A in raport cu reperul cartezian si vom nota
13) DEFINITIA BAZEI ORTONORMATE A(x,y,z). Relatia (1) se numeste expresia analitica
Fie E un spatiu euclidian, dim(E)=n, B={e1,e2,...en} a vectorului OA^
se numeste baza ortonormata daca: <ei,ej>= δij= 0, 16) POLARA FORMEI PATRATICE
i=j Daca ɸ:V->R e o forma patratica, atunci:
1,i≠j F(x,y)=1/2[ɸ(x+y)- ɸ(x)- ɸ(y)], F(x,y) se numeste
Proprietati: polara formei patratice.
Dem:
ɸ(x+y)=F(x+y,x+y)=F(x,x)+F(x,y)+F(y,x)+F(y,y)=
BILET 7).
ɸ(x)+2F(x,y) + ɸ(y) => F(x,y)=1/2[ɸ(x+y)- ɸ(x)- ɸ(y)] 21) FORMA
17) TEOREMA RANGULUI
BILINIARA(PROP.3+DEM,TEOREMA DE TRECERE
1. Rangul unui sistem de vectori DE LA O BAZA LA ALTA A UNEI FORME BILINIARE)
S={x1,x2,...,xm} din V este egal cu rangul matricei Fie V-spatiu vectorial. F:VxV->R. F se numeste
sale in raport cu o baza arbitrara B={e1,e2,...,en} biliniara daca:
din V. a). F(αx+βy,z)= αF(x,z)+ βF(y,z) , ∀α, β ϵ R ; ∀x,y,z ϵ
2. Daca spatiul vectorial V este finit V
dimensional, atunci si spatiul vect. ImT este finit b). F(x, αy+βz)= αF(x,y)+ βF(x,z) , ∀α, β ϵ R ; ∀x,y,z ϵ
dimensional si avem relatia: V
dim(KerT)+dim(ImT)=dim(v) Prop. 3: Fie V-spatiu vectorial, F o forma biliniara,
dim(v)=n; B=,e1,e2,...,en- si B’=,e1’,e2’,...en’-, C
BILET 6). matricea de trecere de la baza B la B’. Atunci
A’=C(la t)*A*C, unde A e matricea in baza B, A’ e
18) PRODUS SCALAR
matricea in baza B’
a^,b^ ϵ V3, ɸ:V3xV3->R, ψ(a^,b^)=<a^,b^>=a^*b^.
Dem: Avem F(x,y)=x(la t)*A*y in baza B (1)
O aplicatie definita pe produsul cartezian V3xV3->P
F(x,y)=x(la t’)*A’*y’ in baza B’ (2)
notata <a^,b^>=a^*b^ se numeste produs scalar.
De asemenea x=C*x’ si y=C*y’. Atunci F(x,y)=
a^*b^=||a^||*||b^||*cos(a^,b^), a^≠0^, b^≠0^
(C*x’)(la t)*A*(C*y’)=x’(la t)*C(la t)*A*C*y’=x(la
0, a^=0 sau b^=0 , unde θ ϵ
t)*(C(la t)*A*C)*y’=x(la t)*A’*y’ => A’=C(la t)*A*C
*0,π+-unghiul format de suporturile lui a^ si b^
22) COLINIARITATE(CONDITII)
19) MATRICEA DE TRECERE DE LA O BAZA LA
Doi vectori se numesc coliniari daca au suporturi
ALTA
paralele sau coincid.
Fie V/K, dim(V)=n, B=,e1,e2,…en- si B’=,f1,f2,…fn-
Doi vectori liberi nenuli a^,b^ ϵ V3 sunt coliniari 
doua baze. Se numeste matricea de trecere de la
∃ ʎϵR\{0} a.i. a^=ʎ*b^, ∀ a^,b^ ϵ V3, ∀ ʎϵR
baza B la B’ si se noteaza B->B’ matricea ce are pe
23) BAZA.DIMENSIUNE
coloane coordonatele vectorilor fi, i=1,n in baza B
Fie V/K un spatiu vectorial si B={e1,e2,...en}⊂V. B
C=(c11 c21 … cn1
se numeste baza in spatiul vectoral V daca:
f1=c11*e1+c12*e2+…+c1n*en=∑(i=1->n) cji*ei
3. B e libera(liniar independenta)
c12 c22 … cn2
4. B e generatoare (sp(B)=V)
………………………………………………………………………………
Fie V/K un spatiu vectorial, V=dimensiune finita.
...
Numarul vectorilor dintr-o baza se numeste
……………………. fj=∑(i=1->n)
dimensiunea spatiului V si se noteaza dim(V)=n
cji*ei
Baza canonica: e1=(1,0,...,0),
c1n c2n … cnn)
e2=(0,1,...,0),...,en=(0,0,...,1)
20) OPERATORI ORTOGONALI
Fie V/K spatiu vectorial. V are dimensiunea finita
Fie T:E->E; TϵL(E) se numeste ortogonal daca
daca ∃ un sistem de generatori finit.
transforma orice baza ortogonala intr-o baza
ortonormata.
Daca <ei,ej>=δij => <T(ei),T(ej)>=δij
BILET 8).
24) COPLANARITATE(CONDITII)
Trei vectori se numesc coplanari daca suporturile
lor sunt situate in acelasi plan.
a^,b^,c^ ϵ V3, cu a^,b^,c^ ≠0 sunt coplanari  ∃
ʎ,μϵR a.i. a^= ʎb^+μc^
25) BAZE IN SPATII Fie V/R-spatiu vectorial si M⊂ V, M≠0. M se
EUCLIDIENE(ORTONORMATA) A UNEI MATRICI numeste sistem de generatori pentru spatiul V,
Fie E un spatiu euclidian, dim(E)=n, B={e1,e2,...en} daca spatiul generat de M este notat sp(M)=V, iar
se numeste baza ortonormata daca: <ei,ej>= δij= 0, M generatoarele.
i=j
1,i≠j BILET 10).
Proprietati:
1. Daca B e ortonormata, atunci ||ei||=1, ∀ 30) PRODUS MIXT.PROPRIETATI
i=1,n Fie a^,b^,c^ ϵ V3. Se numeste produs mixt si se
2. Daca B e ortonormata, atunci x=∑(i=1->n) noteaza cu (a^,b^,c^) un numar definit astfel:
xi*ei, iar xi=<x,ei> se numesc coeficientii Faurier (a^,b^,c^)=a^*(b^xc^)
3. Daca B e ortonormata, atunci <x,y>=∑(i=1- Proprietati:
>n) xi*yi 5. (a^,b^,c^)=(b^,c^,a^); (a^,b^,c^)=-
Exemple: (a^,b^,c^)
1. V3-spatiu de vectori liberi cu baza 6. |(a^,b^,c^)|=volumul paralelipipedului
B={i^,j^,k^} ortonormata. construit pe suporturile celor 3 vectori
2. R(la n) cu baza ortonormata B={e1,e2,...en} 7. (a^,b^,c^)=0 => vectorii a^,b^,c^ sunt
unde: e1=(1,0,...,0); e2=(0,1,...,0); ... ; en=(0,0,...,1) coplanari
26) FORMA LINIARA CU O MATRICE ASOCIATA 8. (a^,b^,c^)=|ax ay az|
Fie T:V->W, TϵL(V,W), cu dim(V)=n, dim(W)=n. Fie |bx by bz|
B={e1,e2,...,en}⊂V si F={f1,f2,...,fn}⊂W doua baze. |cx cy cz|
Matricea A=(aij)m,n construita a.i. pe coloane sunt 31) FORME PATRATICE(FORMA CANONICA A
coordonatele vectorilor T(e1),T(e2),...,T(en) in baza FORMEI PATRATICE)
F se numeste matricea asociata lui T in raport cu Fie V/R, F(x,y) e o forma biliniara simetrica. Functia
bazele B si F. ɸ:V->R se numeste forma patratica daca ∃ F:VxV-
A= (a11 a12 ... a1j ... a1n >R forma biliniara, simetrica a.i. ɸ(x)=F(x,x)
a21 a22 ... a2j ... a2n O forma patratica se numeste redusa la forma
.................................. canonica daca ∃ o baza in care matricea asociata
T(ej)= ∑(i=1->n)aij*fi, j=1,n are forma diagonala(ɸ(x)=suma de patrate)
am1 am2...amj...amn) 32) DEFINITIA BAZEI ORTONORMATE
T(e1)T(e2)............T(en) Fie E un spatiu euclidian, dim(E)=n, B={e1,e2,...en}
se numeste baza ortonormata daca: <ei,ej>= δij= 0,
i=j
BILET 9). 1,i≠j
Proprietati:
27) POLARA FORMEI PATRATICE 4. Daca B e ortonormata, atunci ||ei||=1, ∀
Daca ɸ:V->R e o forma patratica, atunci: i=1,n
F(x,y)=1/2[ɸ(x+y)- ɸ(x)- ɸ(y)], F(x,y) se numeste 5. Daca B e ortonormata, atunci x=∑(i=1->n)
polara formei patratice. xi*ei, iar xi=<x,ei> se numesc coeficientii Faurier
Dem: 6. Daca B e ortonormata, atunci <x,y>=∑(i=1-
ɸ(x+y)=F(x+y,x+y)=F(x,x)+F(x,y)+F(y,x)+F(y,y)= >n) xi*yi
ɸ(x)+2F(x,y) + ɸ(y) => F(x,y)=1/2[ɸ(x+y)- ɸ(x)- ɸ(y)] Exemple:
28) ROUCHE 3. V3-spatiu de vectori liberi cu baza
Daca rang(A)=r<m, atunci sistemul este compatibil B={i^,j^,k^} ortonormata.
 toti determinantii caracteristici sunt nuli. 4. R(la n) cu baza ortonormata B={e1,e2,...en}
29) SISTEME DE GENERATORI unde: e1=(1,0,...,0); e2=(0,1,...,0); ... ; en=(0,0,...,1)
 CALCUL VECTORIAL

1.1 Vectori legaţi, vectori liberi. Vectori de poziţie.

1.2 Operaţii cu vectori. Versori.
1.3 Coliniaritate. Coplanaritate. Reper cartezian.
1.4 Produs scalar.
1.5 Produs vectorial.
1.6 Produs mixt.
1.7 Dublu produs vectorial

1.1. Vectori legaţi, vectori liberi. Vectori de poziţie.

Definiţia 1. Se numeşte spaţiu geometric, notat E3 mulţimea tuturor punctelor din

spaţiu, notate cu litere mari ( A, B, C …).

Planul va fi notat E2 .

Definiţia 2. Fie A, B ∈ E3 . Se numeşte vector legat, segmentul orientat notat AB , unde

A se numeşte punct de aplicaţie, B se numeşte extremitate, caracterizat prin:
• Dreapta AB direcţie sau suport,

• Mărimea segmentului AB mărimea sau norma vectorului, notată AB ,

• Sensul de la A la B.

Figura 1

Observaţii
 2

1. Vectorul BA se numeşte vectorul opus vectorului AB şi BA = − AB

2. Vectorul AA se notează cu 0 şi se numeşte vectorul nul.

Definiţia 3. Doi vectori AB şi CD se numesc echipolenţi şi se notează AB ~ CD dacă au

acelaşi support sau suporturi paralele, au aceeaşi mărime şi acelaşi sens.

Definiţia 4. Mulţimea tuturor vectorilor echipolenţi cu un vector legat AB se numeşte

vector liber. Vom nota această mulţime cu litere mici cu săgeata deasupra astfel: a,b, ...

şi vom scrie AB = a (corect AB ∈ a ).

Observaţie. a este clasa de echivalenţă a vectorului AB determinată de relaţia de

echivalenţă.

Definiţia 5. Mulţimea tuturor vectorilor liber se va nota cu V3.

Definiţia 6. Fie A ∈ E3 oarecare, O ∈ E3 fixat (O este numit pol sau origine). Vectorul

OA = rA se numeşte vectorul de poziţie al punctului A în raport cu originea O (figura 1).

O
rA

Figura 2
 3

1.2. Operaţii cu vectori. Versori.

1. Adunarea vectorilor

Definiţia 1. Fie A, B ∈ E3 , O ∈ E3 . Se numeşte suma vectorilor OA şi AB vectorul

OB , OB = OA + AB (figura 3).
B

Figura 3
Observaţii:
i. În cazul vectorilor liberi, dacă OA = a ; AB = b; OB = c , putem scrie:

a + b = c (regula triunghiului).
ii. Adunarea vectorilor poate fi facută şi după regula paralelogramului, dacă membrii
sumei sunt vectori liberi cu acelaşi punct de aplicaţie O (figura 4):

C
B

A
O

Figura 4

Proprietăţi:
a. Comutativitate: a + b = b + a , ∀ a , b ∈ V3

b. Asociativitate: (a + b) + c = a + (b + c), ∀a , b, c ∈ V3

c. Existenţa elementului nul: a + 0 = 0 + a = a, ∀a ∈ V3

d. Existenţa elementului simetric: a + a′ = a′ + a = 0, a′ = − a ∀a ∈ V3

Din proprietăţile a,b,c,d rezultă că (V3,+) este grup abelian (comutativ).
 4

Propoziţia 1:

Fie A, B ∈ E3 , O ∈ E3 . Atunci AB = rB − r A .
Demonstraţie: Din regula triunghiului avem:
OA + AB = OB

Scăzând în ambii membrii OA , obţinem:

− OA + OA + AB = OB − OA , adică: AB = OB − OA = rB − rA

2. Înmulţirea cu scalari
G G
Fie a ∈ V3 , λ ∈ R , numit scalar. Vectorul λ ⋅ a are următoarele proprietăţi:

a. Are aceeaşi direcţie cu a

G G G
b. Mărimea vectorului λ ⋅ a este λ ⋅ a = λ ⋅ a
G
c. Sensul vectorului λ ⋅ a este :
acelaşi cu a dacă λ > 0
sens opus lui a dacă λ < 0

Observaţii:
i. 0 ⋅ a = 0
G G
ii. λ ⋅ 0 = 0
iii. (−1) ⋅ a = − a

Proprietăţi:
G G G G G G
a. λ ⋅ (a + b) = λ ⋅ a + λ ⋅ b, ∀a, b ∈ V3 , ∀λ ∈ \
G G G
b. (λμ) ⋅ a = λ ⋅ (μ ⋅ a ), ∀a ∈ V3 , ∀λ, μ ∈ \
G G G G G
c. (λ + μ) ⋅ a = λ ⋅ a + μ ⋅ a, ∀a, b ∈ V3 , ∀λ, μ ∈ \
G G G
d. 1 ⋅ a = a, ∀a ∈ V3
 5

Definiţie: Fie ∀a ∈ V3 . Se numeşte versorul vectorului a , notat ua un vector egal cu:

1
ua = a , dacă a ≠ 0 .
a

Observaţie: Vectorul ua are aceeaşi direcţie, acelaşi sens cu a , dar mărimea lui este 1:

1 1
ua = ⋅ a = ⋅ a =1
a a

1.3 Coliniaritate. Coplanaritate. Reper cartezian

Definiţia 1: Doi vectori se numesc coliniari dacă au suporturi paralele sau coincid.

Propoziţie: Doi vectori liberi nenuli a, b ∈ V3 , sunt coliniari ⇔ (dacă şi numai dacă)
G G G G
∃λ ∈ \ \ {0} astfel încât a = λ ⋅ b, ∀a, b ∈ V3 , ∀λ ∈ \ .

Demonstraţie:
JJJG G JJJG G
Fie OA = a, AB = b

Figura 5

G G G G
"⇒" Fie a , b echiliniari. Să demosntrăm că a = λb .

G G G
a = uaG ⋅ a
G G G .
b = ubG ⋅ b
 6

G G G
G G G G a b G a G G G
Dar ua = ub ( a , b fiind coliniari) ⇒ G = G ⇒ a = G b ⇒ a = λb
a b b
N
λ

G G G G
"⇐" Fie a = λb . Să demonstrăm că a , b coliniari.
G G G G G G G G
a = λb ⇒ uaG ⋅ a = λ b ⋅ ubG ⇒ uaG şi ubG au aceeaşi direcţie.

Definiţia 2. Trei vectori se numesc coplanari dacă suporturile lor sunt situate în acelaşi
plan.

G G G G G G G
Propoziaţia 2. a , b , c ∈ V3 cu a , b , c ≠ o sunt coplanari dacă şi numai dacă există
G G G
λ, μ ∈ R astfel încât a = λ ⋅ b + μ ⋅ c

Reper catezian
O ∈ E3 şi trei drepte paralele.

Figura 6

G G G
{ }
Definiţie. O, i , j , k se numeşte reper cartezian în E3.

G G G
Propoziţia 3. Fie {O, i , j , k } un reper cartezian şi un punct A din spaţiu, atunci

∃ x, y, z ∈ \ unice astfel încât

 7

JJJG G G G
OA = xi + yj + zk (1)
unde x, y, z se numesc coordonatele carteziene ale punctul A în raport cu reperul cartezian
JJJG
şi vom nota A(x, y, z); (1) se numeşte expresia analitică a vectorului OA .

Demonstraţie:

Figura 7

JJJG JJJJG JJJG

Avem OA = OM + MA (regula triunghiului)
JJJG JJJG
Dar MA = ON
JJJJG JJJJJG JJJJJG
şi OM = OM ' + OM " (regula trapezului)
JJJG JJJJJG JJJJJG JJJG G G G
⇒ OA = OM ' + OM " + ON = xi + yj + zk (din coliniaritate)

G JJJG G G G
Observaţie: Se mai scrie a = OA = ax i + a y j + az k

G G G
{ }
Propoziţia 4. A, B ∈ E3, O, i , j , k reper.

Dacă A(x1, y1, z1), B(x2, y2, z2) atunci

JJJG G G G
AB = ( x2 − x1 ) i + ( y2 − y1 ) j + ( z2 − z1 ) k

Demonstraţie.
JJJG JJJG JJJG G G G G G G
( ) (
AB = OB − OA = x2 ⋅ i + y2 j + z2 k − x1 ⋅ i + y1 j + z1k = )
G G G
= ( x2 − x1 ) i + ( y2 − y1 ) j + ( z2 − z1 ) k
 8

1.4. Produs scalar

G G G G G G G G
( )
Definiţia 1. a , b ∈ V3 ϕ : V3 × V3 → \ , ϕ a , b = a , b = a ⋅ b . O aplicaţie definită pe
G G G G
produsul cartezian V3 × V3 → \ notată a , b = a ⋅ b se numeşte produs scalar.

G G G G G G G G
G G ⎧
⎪
a ⋅b = ⎨
a b ⋅ cos ( a ( )
, b daca a ≠ 0, b ≠ 0
G G G G
⎪⎩ 0 daca a = 0 sau b =0

unde θ ∈ [0, π] unghiul format de suporturile celor doi vectori.

G G
Propoziţia 1. a , b ∈ V3 sunt ortogonali (suporturi perpendiculare) dacă şi numai dacă
G G
produsul lor scalar este egal cu 0, a ⋅ b = 0 .

Demonstraţie:
π G G
⇒θ= ⇒ cos θ = 0 ⇒ a ⋅ b = 0
2
G G π
⇐ a ⋅ b = 0 ⇒ cos θ = 0 ⇒ θ =
2

Proprietăţi:
G G G G
1. a ⋅ b = b ⋅ a – comutativitate
G G G G G G G
( )
2. a + b ⋅ c = a ⋅ c + b ⋅ c – asociativitate
G G G G
G G G ⎧⎪a = ax i + a y j + az k
{ }
3. Fie 0, i , j , k , ⎨G
b = b
G
i + b
G
j + b
G .
k
⎪⎩ x y z

G G G G
Atunci a ⋅ b = ax bx + a y by + az bz (expresia analitică a produsului scalar), iar a = a ⋅ a .

Demonstraţie.
G G G G G G G G G G G G
Se ţine seama că i ⋅ i = 1, j ⋅ j = 1, k ⋅ k = 1, i ⋅ j = 0, j ⋅ k = 0, i ⋅ k = 0 . Din expresia
analitică a produsului scalar avem:
 9

⎧ G G G
G G G G ⎪ a = a ⋅ a sau
a ⋅a = a a ⇒ ⎨ G
⎪⎩ a = ax2 + a y2 + az2

1.5. Produs vectorial

Definiţie.
G G G G G G G
Fie a , b ∈ V3 . Un vector d = a × b ∈ V3 se numeşte produsul vectorial al vectorilor a şi b
şi are proprietăţile:
G G
1) Direcţia perpendiculară pe planul format de suporturile lui a şi b ;
2) Sensul este dat de regula burghiului;
G G G G G G G
3) Mărimea d = a × b = a b sin ( a , b ( )

Proprietăţi.
G G G G
1) a × b = −b × a – necomutativ;
G G G G G G G
( )
2) a × b + c = a × b + a × c – asociativ;
G G G G G G G G G
3) a × b = 0 ⇔ a = 0 sau b = 0 sau a şi b au suporturile paralele;
G G G G
4) a × b = aria paralelogramului format de suporturile vectorilor a şi b (interpretarea

geometrică a produsului vectorial);

G G G G G G G G G
5) i × j = k , k × i = j , j × k = i ;
G G G
{ }
6) Fie 0, i , j , k
 10

G G G G
a = ax i + a y j + az k
G G G G ⇒
b = bx i + by y + bz k
G G G
i j k
G G
a × b = ax ay az determinant formal pe care îl dezvoltăm după prima linie.
bx by bz

Demonstraţie
4)

Figura 8
G
S.OABC = OB ⋅ h = b ⋅ h ⎫⎪ G G G G
G ⎬ ⇒ S . OABC = b ⋅ a sin θ = a ×b
h = AA ' = OA sin θ = a sin θ⎪⎭
G G G
5) i × j = k
G G G G G G
k perpendicular pe planul ( i , j ) , k are sensul lui i × j
G G G G G G
k = 1 . k = i j sin ) ( i , j ) = 1 ⋅1⋅1 = 1

Propoziţia 6. Ţinând cont de 5) şi de 1) avem:

G G G
i j k
G G G G G
a × b = ax a y az = ( a y bz − az by ) i + ( az bx − ax by ) j + ( ax by − a y bx ) k
bx by bz

Doi vectori sunt coliniari ( a × b = 0 ) dacă şi numai dacă

 11

a1 a2 a3
= =
b1 b2 b3

Propoziţie. Pentru doi vectori oarecare a şi b este satisfăcută

identitatea lui Lagrange:

( a ⋅ b )2 + ( a × b )2 = || a ||2 ⋅ || b ||2

Demonstraţie. Din definiţia produsului scalar avem

2 2 2
⋅ b cos 2 ϕ , iar ( a × b )2 = a × b = a ⋅ b sin 2 ϕ
2 2
( a ⋅ b )2 = a

Insumând cei doi termeni obţinem egalitatea enunțată.

1.6. Produs mixt

Definiţie.
G G G G G G
( )
Fie a , b , c ∈ V3 . Se numeşte produs mixt şi se notează cu a , b , c un număr definit astfel
G G
( aG, b , cG ) = aG ⋅ ( b × cG ) .

Proprietăţi.
G G G G G G G G G G G G
( ) ( )( ) (
1) a , b , c = b , c , a , a , b , c = − a , c , b ; )
G G G
( )
2) a , b , c = volumul paralelipipedului construit pe suporturile celor trei vectori.

G G G G G G
( )
3) a , b , c = 0 ⇔ vectorii a , b , c sunt coplanari.

ax ay az
G G G
( )
4) a , b , c = bx by bz
cx cy cz

Demonstraţie.
G G
V = S B ⋅ h , iar S B = a × b .
 12

n = cG sin COD
h = CD = OC sin COD n = cG sin ⎛ π − θ ⎞ = COD
n = 90D − θ = G
c cos θ [θ este
⎜ ⎟
⎝2 ⎠
G G G
unghiul format de vectorii: a × b şi c .
G G G G G G G G G G G G G G G G
( ) ( ) ( ) (
V = a × b ⋅ c ⋅ cos θ = a × b , c = a × b ⋅ c = c ⋅ a × b = c , a , b dar V ) ( aG, b , cG ) trebuie

G G G G G G G G G G G G
( ) ( ) ( )
să fie pozitiv, deci V = c ⋅ a × b = c , a , b = a , b , c ⇒ V = a , b , c
G G G G G G G G G G G G G
3) ( a , b , c ) = 0 ⇒ a ⋅ ( b × c ) = 0 ⇒ a ⊥ ( b × c ) ⇒ a ∈ pl ( b , c ) ⇒ a , b , c coplanari.
G G

Spunem că o bază B = { a , b , c } ⊂ V 3 este pozitiv (negativ) orientată dacă

produsul mixt ( a , b , c ) este pozitiv (negativ).

1.7 Dublu produs vectorial

Definiţie. Fie vectorii a , b , c ∈ V3. Se numeşte dublu produs

vectorial al vectorilor a , b şi c vectorul

v = a × (b × c )

Din definiţia produsului vectorial rezultă că vectorul v este coplanar cu vectorii

b şi c (vectorii din paranteză). Dacă construim vectorul ( a × b ) × c = w , acesta va fi
un vector coplanar cu a şi b de unde rezultă că v = a × (b × c ) ≠ (a × b ) × c = w .
Se poate demonstra uşor, folosind expresiile analitice ale vectorilor a , b şi c ,
formula de dezvoltare a dublului produs vectorial:

a × (b × c ) = (a ⋅ c )b − (a ⋅ b )c

sau sub forma determinantului simbolic:

b c
a × (b × c ) = .
ab a c

Aplicaţie. Capitolul 1.
 13

JJJG
MA G G
G rA + λrB
1. Fie O ∈ E3 , A, B ∈ E3 , M ∈ ( A, B ) . Fie λ = JJJG atunci rM = , ,
MB 1+ λ

( M ≠ A, M ≠ B )
Vectorul de poziţie al unui punct M care împarte segmentul AB într-un raport dat.

Demonstraţie

Figura 9

JJJJG
JJJJG JJJG AM JJJJG JJJG
AM şi MB sunt coliniari. Există λ = JJJG astfel încât AM = λ MB . Deci
MB
G G
G G G G G G G G rA + λrB
rM − rA = λ ( rB − rM ) ⇒ (1 + λ ) rM = rA + λrB ⇒ rM = .
1+ λ

2. Fie un ΔABC, A, B, C ∈ E3, O ∈ E3. Fie AA', BB', CC' mediane. Să se determine
vectorii de poziţie ai punctelor A', B', C' (unde AA', BB', CC' sunt mediane) şi vectorii
JJJJG JJJJG JJJJG
AA ', BB ', CC ' (în funcţie de vectorii de poziţie a vârfurilor ΔABC şi a mărimii laturilor).

Demonstraţie
JJJG
BA ' G G G G G G
G rB + rC G rA + rC G rA + rB
λ = JJJJJG = 1 ⇒ rA ' = (conform aplicaţiei 1), rB ' = , rC ' =
M 'C 2 2 2

JJJJG G G rG + rG G r + r − 2r
AA ' = rA ' − rA = B C − rA = B C A
. Permutări circulare pentru BB', CC'.
2 2
 14

G G G
{ }
3) Fie 0, i , j , k . A(x1, y1, z1), B(x2, y2, z2), C(x3, y3, z3). Să se calculeze coordonatele

carteziene ale mijloacelor segmentelor AB, BC, CA.

Demonstraţie

Figura 10

G G G G G G
G
rA ' =
G G
rB + rC G G (
G
⇔ x1' i + y1' j + z1' k =
x2 i + y 2 j + ) (
z 2 k + x3 i + y3 j + )
z3 k
⇔
2 2
x2 + x3 y + y3 z +z
⇔ x1' = , y1' = 2 , z1' = 2 3
2 2 2
(Restul prin permutări circulare).

Temă
1. Să se determine vectorul de poziţie al centrului de greutate al unui triunghi şi
coordonatele carteziene ale centrului de greutate.
2. Să se determine vectorii de poziţie ai punctelor A', B', C' (AA', BB', CC' sunt
bisectoare). Să se determine vectorul de poziţie al centrului cercului înscris în ΔABC.
3. Fie A, B, C, D patru puncte din spaţiu date într-un reper cartezian. Să se determine
volumul tetraedrului ABCD.
4. Să se determine volumul tetraedrului OABC. Să se calculeze aria ΔABC şi distanţa de
la origine până la planul ABC.

C
 III

SPAŢII VECTORIALE

3.1. Definiţii. Exemple. Subspaţiu vectorial.

3.2. Combinaţie liniară. Sisteme de generatori.
3.3. Dependenţă şi independenţă liniară.
3.4. Bază. Dimensiune.
3.5. Matricea de trecere de la o bază la lată bază. Schimbarea componentelor unui vector
când se schimbă baza.

3.1. Definiţii. Exemple. Subspaţiu vectorial

Definiţia1. Fie K un corp de numere (K = sau K = ) şi V o mulţime de elemente pe
care s-au definit două operaţii (legi de compoziţie):
I. (+) : V × V → V (lege aditivă)
II. (·) : K × V → V (lege multiplicativă sau înmulţire cu scalari)
(V, +, ·) se numeşte spaţiu vectorial peste corpul K şi notăm V/K dacă cele două legi
verifică axiomele:
⎧I1. x + y = y + x, ∀x, y ∈ V
⎪
⎪I 2 . ( x + y ) + z = x + ( y + z ) , ∀x, y, z ∈ V
grup abelian ⎨
⎪I 2 . z 0v (nul) astfel incat x + 0v = x, 0v element neutru
⎪I . ∀x ∈ V , ∃x ' ∈ V astfelincat x + x ' = x '+ x = 0 ( x ' = − x )
⎩4 v

II1. (α + β)x = αx + βx ∀α, β ∈ K, ∀x ∈ V

II2. (α ·β)x = α · (β · x), ∀α, β ∈ K, ∀x ∈ V
II3. α · (x + y) = α · x + α · y, ∀α ∈ K, ∀ x, y ∈ V
II4. 1 · x = x ∀x ∈ V, 1 elementul unitate din K.
Elementele mulţimii V se numesc vectori, iar elementele lui K se numesc scalari.
 2

Exemple
1. V3 mulţimea vectorilor liberi este spaţiu vectorial în raport cu înmulţirea cu scalari şi
adunarea vectorilor.
⎧ ⎫
2. M m, n = ⎨ A = {aij }i =1,m , aij ∈ ⎬ este un spaţiu vectorial în raport cu adunarea şi
⎩ j =1, n ⎭
înmulţirea cu un număr a matricilor.
A, B ∈ M m,n, C = A + B, cij = aij + bij
α∈ , αA ∈ M m,n

⎛ 0 ... 0 ⎞
0=⎜ ⎟ elementul nul
⎝ 0 ... 0 ⎠
⎛ − a11 ... − a1n ⎞
⎜ ⎟
− A = ⎜ ..................... ⎟ elementul opus
⎜ − a ... − a ⎟
⎝ m1 mn ⎠

3. n [X] = {P(x), polinoame de grad ≤ n} spaţiu vectorial în raport cu adunarea

polinoamelor şi înmulţirea cu numere.

0v = P0(x) = 0 elementul nul

4. n = × × ... × { }
= x = ( x1 , x2 ,..., xn ) xi ∈ , i = 1, n
n ori

x + y = (x1 + y1, x2 + y2, … , xn + yn)

αx = (αx1, αx2, … ,αxn)
0v = (0, 0,..., 0) ; –x = (–x1, –x2, …, –xn)
n ori

5. C[a, b] ={f, f · [a, b] → , f(x) continuă}

(f + g)(x) = f(x) + g(x)
(α · f)(x) = αf(x)
0v = f0(x) = 0 (funcţia identic nulă)
(–f)(x) = –f(x)

Proprietăţi (Reguli de calcul într-un spaţiu vectorial)

1. α(x – y) = α · x – α · y
 3

2. (α – β)x = αx – βx
3. 0 · x = 0v
4. –1 · x = –x
5. α · x = 0v ⇔ α = 0 sau x = 0v.
Definiţia 2. Fie V/K un spaţiu vectorial, S ⊂ V se numeşte subspaţiu vectorial al lui V
dacă:
1. ∀x, y ∈ S, x + y ∈ S (parte stabilă la +)
2. ∀α ∈ K, ∀x ∈ S ⇒ α · x ∈ S (parte stabilă la ·)

Observaţii
1. S este el însuşi spaţiu vectorial
2. 0v ∈ S

Exemple
2
= {( x, y ) / x, y ∈ } este subspaţiu vectorial al lui R3.

3.2. Combinaţie liniară. Sistem de generatori

Definiţia1. Fie V/K un spaţiu vectorial şi xi ,i =1,n ∈ V , αi ,i =1, n ∈ K şi {x1, x2,…,xn} o

mulţime de vectori din V, iar α1, α2, …,αn o mulţime de scalari din K. Se numeşte
combinaţie liniară a vectorilor xi, i = 1, n cu scalarii αi, i = 1, n, un vector
n
x = α1x1 +…+ αnxn = ∑ αi xi , αi coeficienţii combinaţiei liniare.
i =1

Exemplu
3
/ ; x = (1, 2, 1), y = (–1, 0, 3), z = (1, –1, 0)
α1x + α2y + α3z = (α1, 2α1, α1) + (–α2, 0, 3α2) + (α3, –α3, 0) =
=(α1 – α2 + α3, 2α1 – α3, α1 + 3α2)
 4

Definiţia 2. Fie V/K un spaţiu vectorial şi M ⊂ V, M ≠ 0. Se numeşte spaţiu generat de

mulţimea M şi se notează cu sp(M) mulţimea tuturor combinaţiilor liniare cu vectori din
M.

Exemplu
3
/ i ; e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)

⎧ 3 ⎫
M = {e1, e2 e3}, M ⊂ ⎨∑ α i ei , α i ∈ , ei ⎬ = {(α1, α2, α3), αi ∈ }≡ 3
3 , sp( M ) =
⎩ i =1 ⎭ i =1,3

Definiţia 3. Fie V/K spaţiu vectorial şi M ⊂ V, M ± 0. M se numeşte sistem de generatori

pentru spaţiul V, dacă spaţiul generat de M notat sp(M) = V, iar M generatoare.

Definiţia 4. Fie V/K spaţiu vectorial. Se numeşte de dimensiune finită dacă admite un
sistem de generatori finit.

Exemplu
3 3 3
În , {e1, e2, e3} constituie o mulţime generatoare pentru . are dimensiune finită.

Observaţie. V = sp(M) unde M = {e1, e2,…,en} ⇔ ∀ x ∈ V, ∃ αi ∈ astfel încât

x = α1e1 + α2e2 + … +αnen.

3.3. Dependenţă şi independenţă liniară

Definiţia 1. Fie V/K spaţiu vectorial şi {x1, x2, …,xn} ⊂ V vectorii xi, i = 1, n se numesc
liniar independenţi sau {x1, x2,…,xn} se numeşte mulţime liberă dacă pentru orice
combinaţie liniară avem:
λ1 x1 + λ 2 x2 + ... + λ n xn = 0v ⇔ λ1 = λ 2 = ... = λ n = 0

Exemplu

{ }
1. V3 vectori liberi, M = i , j , k sistem de generatori.
 5

λ1i + λ 2 j + λ 3 k = 0v ⇔ λ1 = 0, λ 2 = 0, λ 3 = 0

{ }
2. a = i − j + k , b = i + 2 j , c = j − k , M = a , b , c . Verificăm că M este mulţime liberă

λ1a + λ 2b + λ 3c = 0v ⇔ ( λ1 + λ 2 ) i + ( −λ1 + 2λ 2 + λ 3 ) j + ( λ1 − λ3 ) = 0v

⎧λ1 + λ 2 = 0
⎪
⇔ ⎨−λ1 + 2λ 2 + λ 3 = 0 sistem omogen cu Δ ≠ 0 ⇒ are numai soluţie banală ⇒
⎪λ − λ = 0
⎩ 1 3

λ1 = λ2 = λ3 = 0 deci a , b , c sunt liniar independenţi.

{ }
Definiţia 2. Fie V/K spaţiu vectorial şi un sistem de vectori xi , i = 1, n ⊂ V , vectorii xi,

i = 1, n se numesc liniar dependenţi (sau mulţime legată) dacă există

λ1 x1 + λ 2 x2 + ... + λ n xn = 0v cu cel puţin un λi ≠ 0.

Propoziţia 1. Fie V/K şi M = {x1, x2, … , xn} ∈ V, M este legată, rezultă că există cel puţin
un vector din M care se scrie ca o combinaţie liniară de vectorii rămaşi.

Demonstraţie.
"⇒" Fie M legată. ∃ λ1x1 + λ2x2 +…+ λixi + … + λnxn = 0v cu un λi ≠ 0

⇒ λixi = –λ1x1 – λ2x2 …– λi–1xi–1 – λi+1xi+1… – λnxn |:λi ⇒

⎛ λ ⎞ ⎛ λ ⎞ ⎛ λ ⎞ ⎛ λ ⎞ ⎛ λn ⎞ n
xi = ⎜ − 1 ⎟ x1 + ⎜ − 2 ⎟ x2 + ... + ⎜ − i −1 ⎟ xi −1 + ⎜ − i +1 ⎟ xi +1 + ... + ⎜− x
⎟ n ⇒ xi = ∑ α k xk
⎝ λi ⎠ ⎝ λi ⎠ ⎝ λi ⎠ ⎝ λi ⎠ ⎝ λi ⎠ k =1
k ≠i
α1 α2 αn

n
"⇐" Presupunem că ∃xi = ∑ α k xk ⇔ α1x1 + …+ αi–1xi–1 – xi + αi+1xi+1 + … + αnxn = 0v
k =1
k ≠i

⇒ ∃ (–1) = αi ≠ 0 ⇒ M mulţime legată.

Propoziţia 2. Fie V/K spaţiu vectorial. Atunci:

1. M ⊂ V, M liberă ⇒ ∀ S ⊂ M, S este liberă
2. M ⊂ V, M liberă ⇒ 0v ∈ M
 6

3. M ⊂ V, 0v ∈ M ⇒ M legată

4. M ⊂ V, M legată ⇒ ∀ S > M, S legată

Aplicaţie.
Fie n [ x ] şi e1 = 1, e2 = x, e3 = x2, … , en+1 = xn

Atunci M = {1, x, x2, …, xn} este liberă şi sp(M) = n [ x] .

Demonstraţie
Fie α1e1 + …+ α2e2 + … + αn+1en+1 = 0v ⇔

⇔ α1·1 + α2x + α3x2 + … + αn+1xn = 0 ⇔ P0[x] = 0 ⇔ α1 = α2 = … = αn+1 = 0 ⇒ M liberă.

M este generatoare ⇒ ∀ P[x] ⊂ n [ x ] se scrie
P [ x ] = a0 + a1 x + a2 x 2 + ... + an x n = a0 e1 + a1e2 + ... + an e n +1 ⇒ sp(M) = n [ x]

3.4. Bază. Dimensiune

Definiţia 1. Fie V/K un spaţiu vectorial. V are dimensiune finită dacă există un sistem de
generatori finit.

Definiţia 2. Fie V/K un spaţiu vectorial şi B = {e1, e2, …,en} ⊂ V.

B se numeşte bază în spaţiul vectorial V dacă:
1. B este liberă (liniar independentă);
2. B este generatoare (sp(B) = V)

Teorema 1. Fie V/K spaţiu vectorial, B = {e1, e2, …,en} ⊂ V, B este bază. Rezultă că
pentru oricare x ∈ V, există α1, α2, …,αn ∈ K astfel încât
n
x = α1e1 + α2e2+ … + αnen = ∑α e ,
i =1
i i αi unic determinat.

Demonstraţie
 7

"⇒" Fie B = {e1, e2, …,en} bază. Să demonstrăm că ∀ x ∈ V, x = α1e1 + α2e2 + … + αnen,

unic determinat. Presupunem că există încă λ i , i = 1, n astfel încât x = λ1e1 + λ2e2 + … +

λnen atunci

x − x = 0v = ( α1 − λ1 ) e1 + ( α 2 − λ 2 ) e2 + ... + ( α n − λ n ) en ⇒ β1e1 + β2 e2 + ... + βn en = 0v

β1 β2 βn

Deoarece B e liberă ⇒ βi = 0 ∀i = 1, n ⇒ αi = λi ∀i = 1, n .

"⇐" Din ipoteză ∀ x = α1e1 + α2e2 +…+ αnen (combinaţie liniară de e1, e2,…en) ⇒
sp(B) = V ⇒ B generatoare.
Fie λ1e1 + λ2e2 + … + λnen = 0v, 0v ∈ V.
Dar 0v = 0·e1 + 0·e2 + … + 0·en ⇒ λ1 = λ2 = … = λn = 0, λi unic determinat, ⇒
{e1, e2, …,en} liberă ⇒ B liberă.

Definiţia 3. Fie V/K spaţiu vectorial, B = {e1, e2, …,en} o bază. Numerele αi, i = 1, n din
teorema 1 se numesc coordonatele vectorului x în baza B. Vom scrie x = (α1, α2,…,αn).

Exemple.
1. n
= {( x1 , x2 ,..., xn ) / xi ∈ R} , fie vectorii

e1 = (1, 0,…,0), e2 = (0, 1, 0, 0,…,0), ……, en = (0, 0,…,0, en), atunci

n
B = {e1, e2,…,en} este o bază în , numită bază canonică.

Demonstraţie
Fie α1e1 + α2e2 +…+ αnen = 0v ⇒
α1(1, 0,…,0) + α2(0, 1, 0,…,0) + …+ αn(0, 0,…,0, 1) = 0v
(α1, α2,…,αn) = (0, 0, …,0) ⇔ α1 = α2 =…=αn = 0 ⇒ {e1, e2,…, en} liberă.
Fie x = (x1, x2,…,xn) ⇒ x = x1(1, 0, …,0) + x2(0, 1, 0, …,0) +…+xn(0, 0, …,0, 1) =
= x1e1 + x2e2 + … + xnen ⇒ x ∈ sp(B)
Dar x oarecare ⇒ sp(B) = n
mulţime generatoare.

2. În n [ x ] = {P [ x ] / grad P ≤ n} fie vectorii

 8

e1 = 1, e2 = x, e3 = x2,…,en+1 = xn, atunci

B = {e1, e2,…,en+1} este bază canonică.

Demonstraţie
Fie P(x) = a0 + a1x + … + anxn, adică
P(x) = a0e1 + a1e2 + … + anen+1;
dar coeficienţii sunt unici ⇒ B este bază, conform teoremei 1.

Exemplu. În 3 [x], fie P[x] = 2x3 – x2 + 3.

Să se determine coordonatele lui P[x] în baza canonică.
P[x] = 2e4 – 1e3 – 0e2 – 3e1, deci P[x] = (3, 0, –1, 2).

0v Fie V3 mulţimea vectorilor liberi. Atunci

{ }
B = i , j , k este baza canonică.

∀a ∈ V 3 , a = ax i + a y j + az k = ( ax , a y , az ) unic determinat, deci B este bază.

Teorema 2. Fie V/K, V de dimensiune finită. Rezultă că în V există cel puţin o bază.

Lemă. Fie V/K spaţiu vectorial de dimensiune finită.

Fie A = {x1, x2,…,xn} ⊂ V şi {y1, y2,…,yn, yn+1} ⊂ V, unde
{y1, y2,…,yn, yn+1} sunt combinaţii liniare de vectorii x1, x2,…xn, adică yi ∈ sp(A),
∀i = 1, n + 1 ⇒ {y1, y2,…,yn, yn+1} este legată (liniar dependentă).

Demonstraţie
Inducţie după "n".
Verificăm pentru n = 1
Fie A = {x1}; {y1, y2}, cu y1=α1x1/α2, y2 = α2x1/α1
Atunci:
α2y1 = α2α1x1
 9

α1y2 = α1α2x1
α2y1 – α1y2 = 0v
Dacă α2 = α1 = 0 ⇒ {y1, y2} este legată
Dacă ∃ α2 ≠ 0 ⇒ ∃ o combinaţie liniară între y1 şi y2 cu scalari ⇒ {y1, y2} este legată.

Propoziţie.
Presupunem adevărată pentru "n – 1", adică
fie A = {x1, x2,…,xn–1} şi {y1, y2,…,yn}, yi ∈ Sp(A) ⇒ {y1, y2,…,yn} este legată.
Vrem să demonstrăm că este adevărat şi pentru "n".

Fie {y1, y2,…,yn, yn+1} ⇒ y1 = z1 + α1xn+1

y2 = z2 + α2xn+1

yn+1 = zn+2 + αn+1xn+1

unde z1, z2,…,zn+1 sunt combinaţii liniare de (x1, x2,…,xn–1).

Cazuri
a) α1 = α2 = … = αn+1 = 0 ⇒ y1, y2,…,yn+1 sunt combinaţii liniare de x1, x2,…,xn–1 ⇒
⇒ {y1, y2,…,yn+1} este legată.
1
b) Există cel puţin un αi ≠ 0, presupunem αn+1 ≠ 0 ⇒ xn +1 = ( yn +1 − zn+1 ) .
α n +1
Deci:
α1
y1 = z1 + ( yn+1 − zn+1 )
α n +1
.
αn
yn = z n + ( yn+1 − zn +1 )
α n +1
Fie
 10

α1 α
λ1 v1 = y1 − yn +1 = z1 − 1 zn+1 (combinaţii liniare de x1, x2,…,xn–1)
α n +1 α n +1
α α
λ2 v2 = y2 − 2 yn +1 = z2 − 2 zn +1 (combinaţii liniare de x1, x2,…,xn–1)
α n +1 α n +1

α1 α
λ3 vn = yn − yn +1 = zn − n zn +1 (combinaţii liniare de x1, x2,…,xn–1)
α n +1 α n +1

⇒ v1, v2,…,vn combinaţii liniare de x1, x2,…,xn–1 ⇒ {v1, v2,…,vn} mulţime legată.
Există λ1v1 + λ2v2 + … + λnvn = 0v cu cel puţin un scalar λi ≠ 0

λ1v1 + λ2v2 + … + λnvn +

( −λ1α1 − λ 2α 2 − … − λ n α n ) z = 0v cu cel puţin un λi ≠ 0 ⇒
n +1
αn + 1

⇒ {y1, y2,…,yn+1} este legată.

Teorema 3.
Fie V/K, V dimensiune finită ⇒ toate bazele din V au acelaşi număr de vectori.

Demonstraţie. Din Teorema 2 există cel putin o bază.

Fie 2 baze: B = {e1, e2,…,en} şi B' = {f1, f2,…,fn}, m ≠ n.
lema

Presupunem m > n ⇒ fi , i =1, m sunt combinaţii liniare de vectori din B ⇒ {f1, f2,…,fn}

este legată ⇒ (din def.1) B' legată, deci nu e bază(contradicţie!); rezultă că m nu poate fi
mai mare ca n. Analog n > m imposibil, deci m = n.

Definiţia 4. Fie V/K spaţiu vectorial, V de dimensiune finită. Numărul vectorilor dintr-o
bază de numeşte dimensiunea spaţiului V şi se notează dim (V) = n.

Exemplu:
1) dimRn = n
2) dimRn[X] = n + 1
3) dimV3 = 3
 11

Consecinţe.
Fie V/K, dimV = n.
1) Dacă S ⊂ V, S liberă, S finită ⇒ S are cel mult n elemente.
2) Dacă A ⊂ V, A sistem de generatori, A finită ⇒ A are cel puţin n elemente.
3) A ⊂ V, A sistem de generatori, A finită ⇒ A are cel puţin n elemente.

Teorema 4. Fie V/K, dim V = n. Atunci următoarele trei afirmaţii sunt echivalente:
a) B = {e1, e2,…,en}, bază
b) B este liberă şi are n elemente
c) B este generatoare şi are n elemente.

3.5. Matricea de trecere de la o bază la alta. Schimbarea

componentelor unui vector atunci când se schimbă baza.
Definiţie. Fie V/K, dim V = n, B = {e1, e2,…,en} şi B' = {f1, f2,…,fn} două baze. Se
C
numeşte matricea de trecere de la baza B la baza B' şi se notează B → B ' matricea ce are
pe coloane coordonatele vectorilor fi, i = 1, n în baza B.

⎛ c11 c21 ... cn1 ⎞

⎜ ⎟
c c22 ... ... cn 2 ⎟
C = ⎜ 12
⎜ ... ... ... ... ⎟
⎜⎜ ⎟
⎝ c1n c2 n ... ... cnn ⎟⎠
n
f1 = c11e1 + c12e2 + … + c1nen = ∑c
i =1
e
ji i

n
fj =. ∑ c ji ei
i =1

C
Teoremă. Fie V/K spaţiu vectorial, dimV = n, B → B ' ⇒ C este nesingulară. (det lui C ≠
0), C inversabilă (∃ C–1).

Demonstraţie. B' = {f1, f2,…,fn} bază ⇒ B' liberă ⇔

λ1f1 + λ2f2 + … + λnfn = 0v ⇔ λi = 0, ∀ i = 1, n ⇒

 12

λ1(c11e1 + c12e2 + … + c1nen ) + λ2(c21e1 + c22e2 +…+ c2nen ) + … +

+ λn(cn1e1 + cn2e2 +…+ cnnen ) = 0v ⇔
⎧λ1c11 + λ 2 c21 + ... + λ n cn1 = 0
⎪λ c + λ c + ... + λ c = 0
⎪
⇔ ⎨ 1 12 2 22 n n2
⇔ λ1 = λ2 = … = λn = 0
⎪……
⎪⎩λ1c1n + λ 2 c2 n + ... + λ n cnn = 0

Am obţinut deci un sistem omogen cu soluţia banală. Rezultă det C ≠ 0.

C
Teorema 2. Fie dim V = n, B → B ' . Dacă x ∈ V, are componentele (x1, x2,…,xn) în baza B

şi are componentele ( x1' , x2' ,..., xn' ) în baza B' ⇒ X = C ⋅ X ' unde:

⎛ x1 ⎞
⎜ ⎟t
X = (x1, x2,…,xn) = ⎜ ⎟ ,
⎜x ⎟
⎝ n⎠

⎛ x1' ⎞
⎜ '⎟
x
X' = ( x1' + x2' + ... + xx' ) = ⎜ 2 ⎟ , iar X' = C–1X.
t

⎜ ⎟
⎜⎜ ' ⎟⎟
⎝ xn ⎠
Demonstraţia rezultă din teorema 1.

Definiţie. Dacă V1 şi V2 sunt două subspaţii vectoriale ale K -spaţiului vectorial V,

atunci se defineşte intersecţia, respectiv suma lor astfel:
V1 ∩ V2 = {x ∈ V x ∈ V1 şi x ∈ V2}

V1 + V2 = {z = x + y x ∈ V1, y ∈ V2} .

Propoziţie. Intersecţia şi suma a două subspaţii vectoriale ale unui K -spaţiu vectorial
sunt la rândul lor subspaţii vectoriale ale acestui spaţiu vectorial.
Demonstraţia este imediată.
Observaţie. Este evident că intersecţia se poate defini pentru un număr oarecare de
subspaţii ale K -spaţiului vectorial V ( U = ∩ Vi ) şi, de asemenea, suma se poate defini
i∈I
 13

pentru orice număr finit de subspaţii ale lui V ( U = V1 + V2 + ... + V p ). Este clar că

Propoziţia de mai sus rămâne valabilă şi în acest caz.

4.3. TEOREMA LUI GRASSMANN

În §4.1 am introdus două operaţii uzuale cu subspaţii vectoriale, şi anume

intersecţia şi suma a două subspaţii vectoriale:
V1 ∩ V2 = { x ∈ V x ∈ V1 şi ∈ V2 }

V1 + V2 = { z = x + y x ∈ V1 şi ∈ V2 } .

Reamintim că V1 ∩ V2 şi V1 + V2 sunt la rândul lor subspaţii vectoriale ale lui V.

Teorema lui Grassman stabileşte o legătură între dimensiunile spaţiilor V1, V2 , V1 ∩ V2 şi
V1 + V2 .
Teorema 4.4.1. (Grassmann) Dacă V1 şi V2 sunt subspaţii finit dimensionale ale
spaţiului vectorial V, atunci
dim V1 + dim V2 = dim(V1 ∩ V2 ) + dim(V1 + V2 ) .
Demonstraţie. Fie n1 = dim V1, n2 = dim V2 , p = dim(V1 ∩ V2 ), q = dim(V1 + V2 ) şi
fie de asemenea e1, e2 ,..., e p o bază în V1 ∩ V2 . Cum V1 ∩ V2 ⊂ V1 , această bază se poate

{
completa la o bază în V1 . Fie B1 = e1,..., e p , f p +1,..., f n1 } o bază în V1 şi analog

{ }
B2 = e1,..., e p , g p +1,..., g n2 o bază în V2 .

Vom arăta că mulţimea B = B1 ∪ B2 este o bază în V1 + V2 . Pentru început

arătăm că B este un sistem de generatori pentru V1 + V2 . Într-adevăr, dacă
z = x + y ∈ V1 + V2 , atunci există scalarii αi , βi , γ i , δ i ∈ K astfel încât

x = α1e1 + ... + α p e p + β p +1 f p +1 + ... + β n1 f n1 şi

y = γ 1e1 + ... + γ p e p + δ p +1g p +1 + ... + δ n2 , deci

z = x + y = (α1 + γ 1 )e1 + ... + (α p + γ p )e p + β p +1 f p +1 + ... + β n1 f n1 + δ p +1g p +1 + ... + δ n2 g n2

,
 14

de unde rezultă că B este un sistem de generatori pentru V1 + V2 .

Pentru a arăta că B este liniar independentă, considerăm o relaţie de forma:

λ1e1 + ... + λ p e p + μ p +1 f p +1 + ... + μn f n +ν p +1g p +1 + ... +ν n g n = 0V

1 1 2
(1)

Dacă notăm cu u = ν p +1g p +1 + ... + ν n2 g n2 , atunci u ∈ V2 . Pe de altă parte, din (1) rezultă

că

( )
u = − λ1e1 + ... + λ p e p + μ p +1 f p +1 + ... + μn1 f n1 ∈ V1 .

Aşadar, u ∈ V1 ∩ V2 , deci există α1,..., α p ∈ K astfel încât u = α1e1 + ... + α p e p .

Din egalitatea α1e1 + ... + α p e p = ν p +1g p +1 + ... +ν n g n

2
şi din faptul că

e1,..., e p , g p +1,..., g n2 este o mulţime liniar independentă, deducem

α1 = 0,..., α p = 0, ν p +1 = 0,..., ν n2 = 0 . (2)

Ţinând seama de (2) în (1) obţinem

λ1e1 + ... + λ p e p + μ p +1 f p +1 + ... + μn f n = 0V .
1 1

În sfârşit, ţinând seama de faptul că mulţimea B1 este liniar independentă,

rezultă că

λ1 = ... = λ p = μ p +1 = ... = μ n1 = 0 . (3)

Aşadar, relaţia (1) nu este posibilă decât dacă toţi coeficienţii sunt nuli, ceea ce
arată că mulţimea B este liniar independentă. Cum mulţimea B este şi sistem de
generatori pentru V1 + V2 , rezultă că B este o bază în V1 + V2 , deci că
dim(V1 + V2 ) = p + (n1 − p ) + (n2 − p ) = n1 + n2 − p (numărul vectorilor din B).
Prin urmare avem:
dim(V1 + V2 ) = dim V1 + dim V2 − dim(V1 ∩ V2 )
Definiţia 4.4.1. Spunem că spaţiul vectorial V este suma directă a subspaţiilor
vectoriale V1, V2 ⊂ V şi notăm aceasta prin V = V1 ⊕ V2 , dacă V = V1 + V2 şi
V1 ∩ V2 = {0} .
 15

Observaţia 4.4.1. V = V1 ⊕ V2 dacă şi numai dacă ∀x ∈ V , ∃x1 ∈ V1, x2 ∈ V2 unic

determinaţi, astfel încât x = x1 + x2 .
Într-adevăr, dacă V = V1 ⊕ V2 , atunci V = V1 + V2 şi V1 ∩ V2 = {0} .

Fie x ∈ V şi x1 ∈ V1, x2 ∈ V2 astfel încât x = x1 + x2 . Dacă ∃x1' ∈ V1, x2' ∈ V2 cu

proprietatea x = x1' + x2' , atunci rezultă că x1 − x1' = x2' − x2 ∈ V1 ∩ V2 = {0} , deci x1 = x1' şi

x2 = x2' . Reciproc, dacă ∀x ∈ V , ∃x1 ∈ V1, x2 ∈ V2 unic determinaţi astfel încât

x = x1 + x2 , atunci evident V = V1 + V2 .
Dacă presupunem că z ∈ V1 ∩ V2 , atunci:
z = z + 0 cu z ∈ V1 şi z = 0 + z , cu z ∈ V2 .
Din unicitate rezultă că z = 0 , deci V1 ∩ V2 = {0} .

Corolarul 4.4.1. Dacă V = V1 ⊕ V2 , atunci dim V = dim V1 + dim V2 .

Exemplul 4.4.1. Fie M n (R) spaţiul vectorial real al matricelor pătratice cu elemente din

R . Dacă notăm cu M ns (R) = {A ∈ M n (R) A = At } (mulţimea matricelor simetrice) şi cu

M nas (R) = {A ∈ M n (R) A = − At } (mulţimea matricelor antisimetrice), atunci M ns (R) şi

M nas (R) sunt subspaţii vectoriale ale lui M n (R) şi

M n (R) = M ns (R) ⊕ M nas (R)

Într-adevăr, deoarece ( A + B)t = At + Bt şi (λA)t = λAt , rezultă imediat că

M ns (R) şi M nas (R) sunt subspaţii vectoriale ale lui M n (R) . Pe de altă parte, pentru

orice A ∈ M n (R) , avem A = B + C , unde B =

1
2 (
A + At ) şi C =
1
2( )
A − At . Cum

( At )
t
= A , rezultă că Bt = B şi C t = −C , deci B ∈ M ns (R) , iar C ∈ M nas (R) . Aşadar

M n (R) = M ns (R) + M nas (R) .

 16

Dacă A∈ M ns (R) ∩ M nas (R) , atunci A = At şi A = − At , de unde rezultă că

2A = 0 (matricea cu toate elementele 0), deci A=0 . Prin urmare

M ns (R) ∩ M nas (R) = {0} , deci M n (R) = M ns (R) ⊕ M nas (R) .

Exemplul 4.4.2. Fie R 4[ X ] spaţiul vectorial (real) al polinoamelor de grad ≤ 4 , cu

coeficienţi reali. Fie

{ }
V1 = p ∈ R 4[ X ] p = a0 + a2 X 2 + a4 X 4 şi

{ }
V2 = q ∈ R 4[ X ] q = a1 + a3 X 3 .

Este evident că V1 + V2 = R 4[ X ] . Pe de altă parte, dacă p ∈ V1 ∩ V2 , atunci

există ai ∈ R , i = a, 4 astfel încât

a0 + a2 X 2 + a4 X 4 = a1X + a3 X 3 , relaţie echivalentă cu

a0 − a1X + a2 X 2 − a3 X 3 + a4 X 4 = 0 (polinomul identic 0), deci

a0 = a1 = a2 = a3 = a4 = 0 .

Aşadar V1 ∩ V2 = {0} , de unde deducem că R 4[ X ] = V1 ⊕ V2 .

 V

APLICAŢII LINIARE DEFINITE PE SPAŢII VECTORIALE

5.1. Definiţie. Exemple.
5.2. Nucleu. Imagine.
5.3. Izomorfism de spaţii vectoriale.
5.4. Matricea asociată în raport cu două baze.
5.5. Transformarea matricei atunci când se schimbă baza.

5.1. Definiţie. Exemple.

Definiţia1. Fie V/K şi W/K două spaţii vectoriale. O aplicaţie (funcţie) T : V → W se
numeşte liniară dacă:
a) T(x + y) = T ⊕T ( y ) , ∀x, y ∈ V (aditivă)

b) T(α · x) = α T ( x ) , ∀x ∈ V şi ∀α ∈ K (omogenă)

Proprietăţi
1. T(Ov) = Ow
2. T(–x) = –T(x)

3. a şi b din definiţia 1 pot fi scrise T ( α ⋅ x + β ⋅ y ) = αT ( x ) + βT ( y )

Definiţia 2.
Fie T : V → V liniară, se numeşte endomorfism sau (operator liniar)

Definiţia 3. T : V → K, T liniară se numeşte funcţională liniară.

Definiţia 4. Mulţimea tuturor aplicaţiilor liniare definite pe V → W se notează cu

L(V, W).
 2

Observaţie. L(V, W) este spaţiu vectorial în raport cu adunarea funcţiilor şi cu înmulţirea

cu numere.

Exemple:
1) T : 3
→ 2
: ∀x ∈ 3
, x = (x1, x2, x3); T(x) = (x1 + x2, x1 – x3)
x = (1, 2, 3) → T(x) = (3, –2)
T liniară ⇔ T(αx + βy) = αT(x) + βT(y) rezultă din următoarele:
αx + βy = α(x1, x2, x3) + β(y1, y2, y3) = (αx1 + βy1, αx2 + βy2, αx3 + βy3)
T(αx + βy) = (αx1 + βy1 + αx2 + βx2, αx1 + βy1 – αx3 – βy3)
αT(x) + βT(y) = α(x1 + x2, x1 – x3) + β(y1 + y2, y1 – y3) =
= (αx1 + αx2 + βy1 + βy2, αx1 – αx3 + βy1 – βy3)
2) T : n [X] → n [X] cu T(p(x)) = p'(x). Este liniară din proprietăţile derivatei.

3) C[a, b] = {f : [a, b] → , f(x) continuă}

T : C[a, b] → .

T ( f ( x ) ) = ∫ f ( x ) dx , T liniară, deoarece:
b

∫ ( αf ( x ) + βg ( x ) ) dx = α ∫ f ( x ) dx + β∫ g ( x ) dx = αT ( f ( x ) ) + βT ( g ( x ) )
b b b
T(αf + βg) =
a a a

5.2. Nucleu. Imagine.

Definiţia 1. Fie T : V → W, T ∈ L(V, W). Se numeşte nucleul lui T şi se notează cu:

KerT = { x / x ∈ V , T ( x ) = 0v }

Avem ( KerT ⊂ V ) .

Definiţia 2. Fie T : V → W, T ∈ L(V, W). Se numeşte imaginea lui T şi se notează cu:

Im T = { y / y ∈ W , astfelincat ∃ x ∈ V cu proprietatea T ( x ) = y}

Avem ( ImT ⊂ V ) .
 3

Propoziţia 1. T : V → W, T ∈ L(V, W).

a) KerT este subspaţiu vectorial al lui V
b) ImT este subspaţiu vectorial al lui W.

Demonstraţie
a) Fie x, y ∈ KerT ⇒ T(x) = 0w, T(y) = 0w
Dar T(x + y) = T(x) + T(x) întrucât T liniară
Deci T(x + y) = 0w + 0w = 0w ⇒ x + y ∈ KerT
T(αx) = αT(x) = α · 0w = 0w ⇒ αx ∈ Ker T

b) Fie y, z ∈ ImT. Să demonstrăm că: y + z ∈ ImT

αy ∈ ImT
y ∈ ImT ⇒ există x ∈ V astfel încât T(x) = y
z ∈ ImT ⇒ există x' ∈ V astfel încât T(x') = z
Atunci y + z ∈ ImT ⇒ există x" ∈ V astfel încât T(x") = y
Dar y + z = T(x) + T(y) = T (x + y), deci y + z ∈ ImT
Analog αy = αT(x) = T(αx), deci se justifică faptul: dacă y ∈ ImT, α ∈ K ⇒ αy ∈ ImT.

Teorema 1.
T : V → W, T ∈ L(V, W). Atunci T este injectivă ⇔ KerT = {0v}

Dacă (KerT ≠ 0, T(0v) = 0w, 0v ∈ KerT).

Demonstraţie
"⇒" Presupunem că T injectivă înseamnă (x1 ≠ x2 ⇒ T(x1) ≠ T(x2)) sau
(T(x) = T(y) ⇒ x = y)
Tinj
Fie x ∈ KerT ⇒ T(x) = 0w, T(0v) = 0w ⇒ T(x) = T(0v) ⇒ x = 0v ⇒ KerT = {0v}
"⇐" Presupunem KerT = {0v}
Fie T(x) = T(y) ⇒ T(x) – T(y) = 0w, dar T liniară, deci T(x – y) = 0w
⇒ x – y ∈ KerT ⇒ x – y = 0v ⇒ x = y, deci T injectivă.
 4

Teorema 2.
Fie T : V → W, T ∈ L(V, W). ATunci T surjectivă ⇔ ImT = W.

Demonstraţie
Fie T surjectiv. Atunci:
1) ∀ y ∈ W există x ∈ V astfel încât T(x) = y ⇒ ImT ⊂ W.
Din definiţia surjectivităţii şi a imaginii ⇒ W ⊂ ImT.
⎧W ⊂ Im T
Deci ⎨ ⇒ Im T = W
⎩Im T ⊂ W

Exerciţiu.
2 2
T: → . T(x) = (x1 + x2, x1 – x2, x2)
x = (1, 2) → T(x) = (3, –1, 2)
Prin definiţie KerT = {x/x ∈ 2
, T(x) = (0, 0, 0)} ⇒
⎧ x1 + x2 = 0
⎪
⇔ (x1 + x2, x1 – x2, x2) = (0, 0, 0) ⇔ ⎨ x1 − x2 = 0 ⇒ x1 = x2 = 0
⎪x = 0
⎩ 2
Deci KerT= {(0, 0)}, deci T injectivă.
ImT = ?
∀y∈ 3
, y = (y1, y2, y3) există x ∈ 2
, x = (x1, x2) astfel încât T(x) = y.
⎧ x1 + x2 = y1 ⎧ x2 = y3
⎪ ⎪
⎨ x1 − x2 = y2 ⇒ ⎨ x1 = y1 − y3 .
⎪x = y ⎪x = y + y
⎩ 2 3 ⎩ 1 2 3

Sistemul are soluţie.

⇔ y1 – y3 = y2 + y3 ⇒ y1 – y2 – 2y3 = 0
Dacă:
y1 = x
y2 = y ⇒ x – y – 2z = 0, ceea ce reprezintă ecuaţia unui plan.
y3 = z

Deci imaginea este formată de toate punctele planului x – y – 2z = 0.

 5

Dimensiunea nucleului Ker T se numeşte defectul operatorului T .

Dimensionarea imaginii Im T se numeşte rangul operatorului T .

1.6 Teoremă. (teorema rangului) Dacă spaţiul vectorial V este finit

dimensional atunci şi spaţiul vectorial ImT este finit
dimensional şi avem relaţia

dim Ker T+ dim Im T = dim V (1.2)

Demonstraţie. Să notăm cu n = dim V şi cu s = dim Ker T. Pentru s ≥ 1 să consdierăm o

bază {e1, e2, ..., es} în Ker T şi să o completăm la o bază B = {e1, e2, ..., es, es+1, ...,
en} a întregului spaţiu vectorial V . Vectorii es+1, es+2, ..., en reprezintă o bază a
subspaţiului suplementar subspaţiului Ker T .
n
Pentru orice y ∈ Im T, există x = ∑xe
i =1
i i ∈ V, astfel încât y = T (x)

Întrucât T (e1) = T (e1) = ... = T (es) = 0, rezultă

n
y = T ( x) = ∑ x T (ei) = xs+1 T (es+1) + ... + xn T (en),
i =1
i

ceea ce înseamnă că T (es+1), T (es+2), ... , T (en) generează subspaţiul ImT.

Demonstrăm că vectorii T(es+1),... ,T (en) sunt liniar independenţi. În adevăr,
λs+1 T (es+1) + ... + λn T (en) = 0 ⇔ T (λs+1 es+1 + ... + λn en) = 0
de unde rezultă că λs+1 es+1 + ... + λn en ∈ Ker T . Cum subspaţiul Ker T are în comun
cu subspaţiul suplementar numai vectorul nul, obţinem
λs+1 es+1 + ... + λn en = 0 ⇒ λs+1 = ... = λn = 0,
adică vectorii T (es+1) , ... , T (en), sunt liniar independenţi. Astfel, subspaţiul imagine
Im T este finit dimensional şi în plus
dim Im T = n – s = dimV – dim Ker T .

Pentru s = 0 (K er T = {0} şi dim Ker T = 0), considerăm în spaţiul vectorial V

baza B = {e1, e2, ..., en} şi urmând acelaşi raţionament obţinem că T (e1) , T (e2) , ... , T
(en) reprezintă o bază a spaţiului Im T şi deci Im T = dim V, c.c.t.d.

Proprietatea de dependenţă liniară a unui sistem de vectori se păstrează printr-o

transformare liniară, pe când proprietatea de independenţă liniară, în general, nu se
conservă. Condiţiile în care liniara independentă a unui sistem de vectori se păstrează,
sunt date în următoarea teoremă.

5.3. Izomorfism
Definiţie. Fie T : V → W, T ∈ L(V, W). T se numeşte izomorfism a spaţiilor vectoriale V
şi W dacă T este bijectivă (injectivă şi surjectivă). Vom nota V W.

Teorema 1. Fie V/K, dimV = n ⇒ V n

.
 6

Demonstraţie
n
= {(x1, x2,…,xn)/xi ∈ }
dimV = n ⇔ ∃ B = {e1, e2,…,en} (liberă şi generatoare)
n
Definim T : → V astfel încât
n
T(x) = x1e1 + x2e2+…+xnen = ∑xe
i =1
i i

Vom demonstra că T este liniară şi bijectivă (injectivă şi surjectivă).

a) Să demonstrăm T liniară.
n
T(αx + βy) = T ( αx1 + βy1 , αx2 + βy2 , +...αxn + βyn ) = ∑ ( αxi + βyi ) ei =
i =1

n n
= α ∑ xi ei + β∑ yi ei = αT ( x ) + βT ( y )
i =1 i =1

Să demonstrăm T injectivă, adică

T(x) = T(y) ⇔ x = y.
n n n

∑xe =∑ye
i =1
i i
i =1
i i ⇔ ∑ ( xi − yi ) ei = 0v
i =1

Dar {e1, e2,…,en} liberă ⇒ xi – yi = 0, ∀ i = 1, n ⇒ x = y.

Să demonstrăm T surjectivă, adică
∀ v ∈ V, există x ∈ n
astfel încât T(x) = v
∀ v ∈ V, v = α1e1+α2e2 + … + αnen (întrucât B este generatoare)
n
Dacă alegem x = (α1, α2,…,αn) ⇒ T(x) = ∑α e
i =1
i i =V .

Observaţie. Din Teorema 1 rezultă că:

a) Spaţiul vectorilor liberi V3 este izomorf cu R3 .

b) Spaţiul polinoamelor R n[ X ] este izomorf cu R n+1 .

c) Spaţiul matricelor M m, n (R) este izomorf cu R mn .

 7

Teorema 2.
Fie V/K şi W/K de dimensiune finită. Atunci V W ⇔ dimV = dimW.

Demonstraţie
"⇒" V W înseamnă că există T ∈ L(V, W), T : V → W, T bijectivă.

Fie n = dimV ⇒ există B = {e1, e2,…,en} în V.

⎧ ⎫
⎪ ⎪
Arătăm că ⎨T ( e1 ) , T ( e2 ) ,..., T ( en ) ⎬ este o bază în W
⎪⎩ f1 f2 fn ⎪⎭

{f1, f2,…,fn} este liberă, adică ∀ λ1f1 + λ2f2 + … + λnfn = Ow ⇒ λ1 = λ2 = … =λn = 0

∀ λ1f1 + λ2f2 + … + λnfn = Ow ⇒ λ1T(e1) + λ2T(e2) + … + λnT(en) = Ow, T liniară ⇒
" T(λ1e1 + λ2e2 + … + λnen) = Ow ⇒ λ1e1 + λ2e2 + … + λnen ∈ KerT.
T injectivă ⇒ KerT = {Ov} ⇒ λ1e1 + λ2e2 + … + λnen = Ov ⇒ λ1 = λ2 = … = λn = 0
deoarece B este liberă.
Deci {f1, f2,…,fn} ⊂ W este generatoare.
∀ V ∈ W, v = α1e1 + α2e2 + … + αnen.
T este surjectivă (din ipoteză ⇒ ∀ v ∈ W există x ∈ V astfel încât V = T(x))
n
x ∈ V, b bază x = ∑xe
i =1
i i

⎛ n ⎞ T liniara n n n
⇒ T(x) = T ⎜ ∑ xi ei ⎟ = ∑ xiT ( ei ) = ∑ xi f i = α1 f1 + α 2 f 2 + ... + α n f n = ∑ αi fi
⎝ i =1 ⎠ i =1 i =1 i =1

deci αi = xi ∀ i = 1, n ⇒ { fi }i =1,n liberă.

"⇐" dimV = dimW ⇒ V W

Teorema1
dimV = n ⇒ V n
⇒ ∃T : V → n
, T izomorfism
Teorema1
dimW = n ⇒ W n
⇒ ∃ S :W → n
, S izomorfism

S–1 : n
→ W, S–1 izomorfism.
T S −1
Deci avem: V → n
→ W ⇒ S–1OT : V → W este liniară şi bijectivă ⇒ V W.
 8

Observaţie
În loc de n
putem pune Kn (adică n
sau n
).

5.4. Matricea asociată în raport cu două baze

Definiţie. Fie T : V → W, T ∈ L(V, W), cu dimV = n, dimW = m.

Fie B = {e1,…,en} ⊂ V o bază, F = {f1,…,fm} ⊂ W o bază

Matricea A = (aij)m,n construită astfel încât pe coloane sunt coordonatele vectorilor
T(e1), T(e2)…T(en) în baza F se numeşte matricea asociată lui T în raport cu bazele B şi F.
T ( e1 ) T ( e2 ) … T ( ei ) … T ( en )
⎛ a11 a12 … a1 j … a1n ⎞
⎜ ⎟
a a22 … a21 … a2 n ⎟
A = ⎜ 21
⎜ ⎟
⎜⎜ a am 2
⎟
… ami … amn ⎟⎠
⎝ m1
m
T ( e j ) = ∑ aij f i , j = 1, n
i =1

Exemplu
Fie T : 3
→ 2
, T(x) = (x1 + x2, x1 + x3)
⎧e1 = (1, 0, 0)
⎪
În 3
fie baza B ⎨e2 = ( 0,1, 0 )
⎪e = (0, 0,1)
⎩ 3

2
⎧⎪ f1 = (1, 0 )
În fie baza F ⎨
⎪⎩ f 2 = ( 0,1)
Avem:
T(e1) = (1, 1)
T(e2) = (1, 0)
T(e3) = (0, 1)
 9

⎛1 1 0 ⎞
deci A = ⎜ ⎟
⎝1 0 1 ⎠
Teorema 1
Fie V, W două spaţii vectoriale, dimV = n, B = {e1,…,en} ∈ V bază şi un sistem de vectori
arbitrari {v1, v2,…,vn} ⊂ W ⇒ există T : V → W, T liniară unică astfel încât T(ei) = vi,

i = 1, n .
Teorema demonstrează că aplicaţia liniară este unic determinată dacă se cunosc imaginile
vectorilor dintr-o bază.

V
W
v1
x1
v2
x2 v3

x3

Demonstraţie
B baza n
Fie x ⊂ V ⇒ x = ∑ xi ei , xi ∈ K, xi unici.
i =1

n
Definim T : V → W, T ( x ) = ∑ xi vi ⇒ T(x) ∈ W
i =1

Demonstrăm că T este liniară şi că ea este unică.

Demonstrăm T lineară.
n n n
T ( αx + βy ) = ∑ ( αxi + βii ) ⋅ vi = α ∑ xi vi + β ∑ yi vi = αT ( x ) + βT ( y )
i =1 i =1 i =1
T ( x) T ( y)

Să demonstrăm că
T(ei) = vi
Avem T(x) = x1v1 + x2v2 + … + xnvn. ATunci
T(ei) = 0 · v1 + 0 · v2 + … + 1 · vi + 0 · vin + … + 0 · vn ⇒ T(ei) = vi
Demonstrăm T unică.
 10

⎧ n

⎪
⎪
T ( x ) = ∑
i =1
xi vi
Presupunem că există S : V → W astfel încât S(ei) = vi ⇒ ⎨ n
⇒
⎪S ( x ) = x v
⎪⎩ ∑
i =1
i i

⇒ T(x) = S(x), ∀ x ∈ V ⇒ T = S.

Exemple:
3
Fie V = cu baza {e1, e2, e3} astfel:
e1 = (1, 0, 0)
e2 = (0, 1, 0)
e3 = (0, 0, 1).

2
Fie W = cu baza {v1, v2, v3} astfel:
v1 = (1, 2)
v2 = (1, 1)
v3 = (–1, 1).

Fie x = x1e1 + x2e2 + x3e3 şi T : V → W, cu

T(x) = x1 · v1 + x2 · v2 + x3 · v3 = (x1, 2x1) + (x2, x2) + (–x3, x3) =
= (x1 + x2 – x3, 2x1 + x2 + x3)
x(1, 2, 4)
T(x) = (–1, 8)

Observaţii
Teorema 1 demonstrează că aplicaţia liniară este unic determinată dacă se cunosc
imaginile vectorilor dintr-o bază.

Teorema 2
Fie V/K, W/K spaţii vectoriale, dimV = n, dimW = m, L(V, W) = {T : V → W, T liniare}.
 11

Fie B = {e1,…,en} ⊂ V; F = {f1,…,fm} ⊂ W baze. Atunci pentru ∀ T ∈ L(V, W), există A

∈ Mm, (matricea asociată aplicaţiei liniare în raport cu bazele B şi F) ⇒ există ϕ : L(V,

W) → Mm, n(K), ϕ este izomorfism. Adică ⇒ L(V, W) Mm.

Demonstraţie
T ∈ L(V, W), ϕ(T) = A (oricărei aplicaţii liniare i se asociază matricea ataşată în raport cu

cele două baze). Se arată că ϕ : L(V, W) → Mm.n(K) este liniară, bijectivă.

Teorema 3
Fie V / K ,W / K , dim V = n, dim W = m ⇒ dimL(V, W) = m · n

Demonstraţie
dimMm.n(K) = m · n, din 4.3. teorema 2 L(V, W) Mm.n(K) ⇒ dimL(V, W) =
= dimMm.n = m · n.

Teorema 4
Fie V, W, dimV = n, dimW = m, T : V → W, B = {e1,…,en} ⊂ V bază, F = {f1,…,fn} ⊂ W
bază, A = (aij)m,n asociată lui T în raport cu B şi F.
n n
Dacă x = ∑ xi ei , atunci coordonatele lui y = T(x) sunt: yi = ∑ aij x j , i = 1, m , sau
i =1 j =1

matriceal avem:
⎛ y1 ⎞ ⎛ x1 ⎞
Y = A · X matriceal, unde Y = ⎜ ⎟ , X = ⎜ ⎟⎟ .
⎜ ⎟ ⎜
⎜y ⎟ ⎜x ⎟
⎝ m⎠ ⎝ n⎠
Vom scrie T(x) = A · x.

Demonstraţie
yi

n n
⎛ m ⎞ m ⎛ n ⎞
y = Tx = ∑ x jT ( e j ) = ∑ x j ⎜ ∑ aij ⋅ fi ⎟ = ∑ ⎜ ∑ aij x j ⎟ fi
j =1 j =1 ⎝ i =1 ⎠ i =1 ⎝ i =1 ⎠
 12

⎛ n ⎞ n n
⎛ m ⎞
T ( x ) = T ⎜ ∑ xi ei ⎟ = ∑ xi ⋅ T ( ei ) = ∑ xi ⎜ ∑ aki ⋅ f k ⎟ =
⎝ i =1 ⎠ i =1 i =1 ⎝ k =1 ⎠
n
⎛ m ⎞ m ⎛ n ⎞ ⎫
= ∑ ⎜ ∑ xi ⋅ aki ⋅ f k ⎟ = ∑ ⎜ ∑ aki ⋅ xi ⎟ ⋅ f k ⎪
⎠ ⎪ y
n
i =1 ⎝ k =1 ⎠ k =1 ⎝ i =1
m
⎬⇒ k = ∑a ki ⋅ xi ⇔ Y = A ⋅ X
T ( x ) = y = ∑ yk ⋅ f k ⎪ k =1

k =1
⎪⎭

⎛ x1 ⎞ ⎛ y1 ⎞
⎜ ⎟ ⎜ ⎟
x y
⎛ a11 … a1k … a1n ⎞ ⎜ 2 ⎟ ⎜ 2 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟⋅⎜ x ⎟ = ⎜ y ⎟
⎜a
⎝ m1 … amk … amn ⎟⎠ ⎜ i ⎟ ⎜ k ⎟
⎜ ⎟ ⎜ ⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ xn ⎠ ⎝ ym ⎠
(m, n) × (n, 1) = (m, 1)
yk = ak1 x1 + ... + aki xi + ... + akn xn
n

∑a
i =1
x
ki i

n
yi = ∑ aij x j , i = 1, m; y = Ax
j =1

⎛ y1 ⎞ ⎛x ⎞
⎜ ⎟ ⎛ a11 a12 … a1i … a1n ⎞ ⎜ 1 ⎟
⎜ y2 ⎟ ⎜ ⎟ ⎜ x2 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ = ⎜ ai1 ai 2 … aii … ain ⎟ ⋅ ⎜ ⎟
⎜ yi ⎟ ⎜ ⎟ ⎜ xj ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜⎜ ⎟⎟ ⎜⎝ am1 am 2 … ami … amn ⎟⎠ ⎜⎜ ⎟⎟
⎝ ym ⎠ ⎝ xn ⎠
m = 4, n = 2
⎧ y1 ⎫ ⎡ a11 a12 ⎤
⎪y ⎪ ⎢
⎪ 2 ⎪ a21 a22 ⎥⎥ ⎧ x1 ⎫
⎨ ⎬=⎢ ⎨ ⎬
⎪ y3 ⎪ ⎢ a31 a32 ⎥ ⎩ x2 ⎭
⎪⎩ y4 ⎪⎭ ⎢⎣⎢ an1 ⎥
an 2 ⎦⎥
 13

Exemplu
T: 3
→ 3
, B = {e1, e2, e3} ∈ 3

e1 = (1, 0, 0)
e2 = (0, 1, 0)
e3 = (0, 0, 1)
3
V=W= (T endomorfism)
⎛ 1 2 1⎞
⎜ ⎟
Fie A = ⎜ −1 0 3 ⎟ matricea asociată în raport cu B.
⎜ 1 1 4⎟
⎝ ⎠
Să se determine T(x) unde x = (x1, x2, x3) ∈ 3

T(x) = y ⇔ y = A · x. Rezultă

⎛ y1 ⎞ ⎛ 1 2 1 ⎞ ⎛ x1 ⎞ ⎛ x1 + 2 x2 + x3 ⎞ ⎧ y1 = x1 + 2 x2 + x3
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎪
⇒ ⎜ y2 ⎟ = ⎜ −1 0 3 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ − x1 + 3 x3 ⎟ ⇒ ⎨ y2 = − x1 + 3 x3
⎜ y ⎟ ⎜ 1 1 4 ⎟ ⎜ x ⎟ ⎜ x + x + 4x ⎟ ⎪ y = x + x + 4x
⎝ 3⎠ ⎝ ⎠ ⎝ 3⎠ ⎝ 1 2 3⎠ ⎩ 3 1 2 3

T(x) = (x1 + 2x2 + x3, –x1 + 3x3, x1 + x2 + 4x3)

Verificare
Fie T : 3
→ 3
, T(x) = (x1 + 2x2 + x3, –x1 + 3x3, x1 + x2 + 4x3). Să se determine matricea
operatorului linear T în raport cu baza canonică.
T(e1) = (1, –1, 1) = (1 + 2 · 0 + 0, –1 + 3·0, 1 + 0 + 4 · 0)
T(e2) = (2, 0, 1) = (0 + 2 + 0, –0 + 3 · 0, 0 + 1 + 4 · 0)
T(e3) = (1, 3, 4) =
⎛ 1 2 1⎞
⎜ ⎟
A = ⎜ −1 0 3 ⎟
⎜ 1 1 4⎟
⎝ ⎠
T(x) = (x1 + 2x2 + x3, –x1 + 3x3, x1 + x2 + 4x3)
B : {e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)} bază
 14

5.5. Matricea asociată în raport cu două baze

Teoremă
Fie V, W, dimV = n, dimW = m
T : V → W, T ∈ L(V, E)

B = {e1, e2,…,en} ⊂ V (bază în V) → B ' = {e1' , e2' ,..., en' }

C

F = {f1, f2,…,fm} ⊂ W (bază în W) .

Fie A ∈ Mn,m, matricea asociată în raport cu B şi F.

Fie A' ∈ Mn,m, matricea asociată în raport cu B' şi F'.

Rezultă A' = D–1 · A · C sau A = D · A' · C–1

Demonstraţie
C
B → B ' ⇒ X = C ⋅ X ' (x' coordonatele lui x în bază B' şi X coordonatele lui x în baza B)
D
F → F ' ⇒ Y = D ⋅ Y ' (Y un vector W)
Dar
T(x) = y ⇔ Y = A · X ⇒ DY ' = A ( C ⋅ X ')

T(x') = y' ⇔ Y = A' · X ' ⇒ D ( A '⋅ X ' ) = ( A ⋅ C ) X '

⇒ ( D ⋅ A ' ) X ' = ( A ⋅ C ) X ' S ⇒ D ⋅ A ' = A ⋅ C ⇒ D −1 ⋅ D ⋅ A ' = D −1 A ⋅ C ⇒ A ' = D −1 ⋅ A ⋅ C

Im

Observaţii
T : V → V(T operator linear)
C
B → B ' ⇒ A ' = C −1 ⋅ A ⋅ C

Exerciţii
1) T : 2 [ x] → 1 [ x]
T(p(x)) = p'(x)
În 2 [ x ] dim 2 [ x ] = 3
 15

B = {e1, e2, e3}

e1= 1, e2 = x, e3 = x2.
B ' = {e1' , e2' , e3' }

e1' = 1, e2' = x − α, e3' = ( x − α )

2

În 1 [ x ] dim 1 [ x ] = 2
F = {f1, f2} f1 = 1 f2 = x
F ' = { f1' , f 2' } f1' = 1 f 2' = x − β
C −D
a) Să se determine B → B ', F → F ' .
b) Să se determine matricea asociată lui T în raport cu B şi F şi în raport cu B' şi F'.

e1' = 1 = 1 ⋅ e1 + 0 ⋅ e3 + 0 ⋅ e3
a) e2' = x − α = −α ⋅ e1 + 1 ⋅ e2 + 0 ⋅ e3
e3' = x 2 − 2αx + α 2 = α 2 ⋅ e1 − 2α ⋅ e2 + 1 ⋅ e3

⎛ 1 −α α 2 ⎞
⎜ ⎟
C = ⎜ 0 1 −2α ⎟
⎜0 0 1 ⎟⎠
⎝
f1' = 1 = 1 ⋅ f1 + 0 ⋅ f 2
f 2' = x − β = −β f1 + 1 ⋅ f 2

⎛ 1 −β ⎞
D=⎜ ⎟
⎝0 1 ⎠

b) e1 = 1, e2 = x, e3 = x2
f1 = 1, f2 = x
T (e1 ) = (1) ' = 0 = 0· f1 + 0· f 2
⎛0 1 0⎞
T ( e2 ) = ( x) ' = 1 = 1 ⋅ f1 + 0 ⋅ f 2 ⇒ A=⎜ ⎟
⎝ 0 0 2⎠
T ( e3 ) = ( x 2 ) ' = 2 x = 0 ⋅ f1 + 2 f 2

A' = D–1 · A · C
 16

1 1 ⎛1 β⎞
D −1 = ⋅ D∗ = ⋅ ⎜ ⎟
det Δ 1 ⎝0 1⎠

⎛ 1 −α α 2 ⎞
⎛1 β⎞ ⎛0 1 0⎞ ⎜ ⎟
A' = ⎜ ⎟⋅⎜ ⎟ ⋅ ⎜ 0 1 −2α ⎟ =
⎝0 1⎠ ⎝0 0 2⎠ ⎜0 0 1 ⎟⎠
⎝
⎛ 1 −α α 2 ⎞
⎛ 0 1 2β ⎞ ⎜ ⎟ ⎛ 0 1 −2α + 2β ⎞
=⎜ ⎟ ⋅ ⎜ 0 1 −2α ⎟ = ⎜ ⎟
⎝0 0 2 ⎠ ⎜ ⎟ ⎝0 0 2 ⎠
⎝0 0 1 ⎠

Temă: Verificarea pornind de la definiţie.

e1' = 1, e2' = x − α, e3' = ( x − α )

2
B'

f1' = 1, f 2' = x − β

T ( e1' ) = (1) ' = 0

T ( e2' ) ' = 1 = 1 ⋅ f1'

T ( e3' ) = (( x − α ) ) ' = 2 ( x − α ) = 2 x − 2α = ±2β = 2 ( x − β) + 2β − 2α = 2 (β − α ) ⋅ f

2
1
'
+ 2 f 2'
 VII

VALORI ŞI VECTORI PROPRII

PENTRU ENDOMORFISME

7.1. Definiţii. Proprietăţi

7.2. Polinom caracteristic. Teorema Hamilton-Cayley.
7.3. Diagonalizarea matricelor
7.4 Forma Jordan

7.1. Definiţii. Proprietăţi

Definiţia 1. T : V → V, T endomorfism (operator linear). λ ∈ K, se numeşte valoare
proprie dacă există x ∈ V, x ≠ Ov, astfel încât T(x)= λ · x, iar x se numeşte vector
propriu.

Definiţia 2. Fie V/K spaţiu vectorial, S ⊆ V subspaţiu.

T : V → V, T izomorfism. S se numeşte subspaţiu invariant în raport cu T dacă T(S)

( )
este subspaţiu T ( S ) = {T ( x ) , x ∈ S } şi T(S) ⊆ S.

Definiţia 3. Fie T : V → V endomorfism (T ∈ L(V, V)), λ ∈ K, λ valoare poprie. Atunci

Vλ = { x ∈ V , T ( x ) = λx} se numeşte mulţimea vectorilor proprii ce corespund valorii

proprii λ.

Propoziţie.
Fie T : V → V, T ∈ L(V, V), λ valoare proprie. Rezultă Vλ' = Vλ ∪ {Ov } este un subspaţiu

invariant în raport cu T (dacă x ∈ V este vector propriu rezultă că T(x) este vector
propriu corespunzător lui λ).
 2

Demonstraţie
a) Demonstrăm că Vx' este subspaţiu vectorial, adică:

∀ x, y ∈ Vλ' ⇒ αx + βy ∈ Vλ'

Dacă x = y = 0v T(0) = 0v ∈ Vλ'

Dacă x, y ≠ 0v ⇒ T(x) = λ · x
T(y) = λ · y
Atunci,
⎛ z
⎞ ⎛ ⎞
T ⎜ αx + βy ⎟ = αT ( x ) + β T ( y ) = α ⋅ λ ⋅ x + β ⋅ λ ⋅ y = λ ⎜ αx + βy ⎟ = λ ⋅ z ⇒ αx + β y ∈ Vλ'
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ z ⎠
b) Demonstrăm că Vλ' este subspaţiu invariant, adică:

T( Vλ' ) ⊆ Vλ' , (∀ x ∈ T( Vλ' ), ⇒ x ∈ Vλ' ).

Dacă x = 0v ⇒ T(0v) = 0v = x · 0v
⎛ ⎞
Dacă x ≠ 0v, T(x) = λx ⇒ T ⎜ T ( x ) ⎟ = T ( λ ⋅ x ) = λ ⋅ T ( x ) , deci T(y) = λy.
⎜ ⎟
⎝ y ⎠ y

Definiţia 4.
Fie T : V → V, T ∈ L(V, V). Dacă λ valoare proprie, atunci dim( Vλ' ) = rλ se numeşte

multiplicitate geometrică a valorii proprii λ, iar V'(λ) se numeşte subspaţiu propriu

asociat valorii proprii λ.

7.2. Polinom caractersitic

Teorema 1. Fie V/C spaţiu vectorial, T : V → V, T endomorfism, T ∈ L(V, V), dimV = n

⇒ T are cel puţin o valoare proprie şi vector propriu (teorema indică un procedeu efectiv
de determinare a valorilor şi vectorilor proprii).

Demonstraţie
Întrucât dimV = n ⇒ ∃ B = { e1,…,en} bază
Fie A ∈ Mn,m, A = (aij) matricea asociată în raport cu B.
 3

n
⇒ T(ei) = ∑a
j =1
ij ⋅ e j , T(x) = Y = A · X

Fie x = x1e1 + x2e2 + …+xnen un vector propriu ⇒ x ≠ 0v, T(x) = λ · x (1)

⎛ n ⎞ n n ⎛ n ⎞ n ⎛ n ⎞
T(x) = (x1e1 + …+xnen) = T ⎜ ∑ xi ei ⎟ = ∑ xiT ( ei ) = ∑ xi ⎜ ∑ a ji e j ⎟ = ∑ ⎜ ∑ a ji xi ⎟ ⋅ e j
⎝ i =1 ⎠ i =1 i =1 ⎝ j =1 ⎠ j =1 ⎝ i =1 ⎠
n
⎛ n ⎞ (1) n
deci T ( x ) = ∑ ⎜ ∑ aij ⋅ xi ⎟e j = λ ( x1e1 + ... + xn en ) = ∑ ( λ ⋅ xi ) ⋅ e j
j =1 ⎝ i =1 ⎠ j =1

n
Dar {e1,…,en} liniar independenţi, rezultă ∑a
i =1
x = λxi , ∀ xi.
ji i

⎧ j =1
⎪a x + a x + ... + a x = λ ⋅ x
⎪ 11 1 12 2 1n n 1
⎧( a11 − λ ) x1 + ... + a1n xx = 0
⎪j=2 ⎪
⎪ ⎪a21 x1 + (a22 − λ) x2 + ... + a2 n xn = 0
⎨a21 x1 + a22 x2 + ... + a2 n xn = λ ⋅ x2 ⇒ ⎨
⎪ ⎪
⎪ ⎪
⎪j=n ⎩an1 x1 + an 2 x2 + ... + ( ann − λ ) xn = 0
⎪
⎩an1 x1 + an 2 x2 + ... + ann xn = λ ⋅ xn
Sistemul omogen admite soluţii diferite de cea banală ⇒ determinantul sistemului este
egal cu 0.
a11 − λ a12 … a1n
a21 a21 − λ … a2 n
=0

an1 an 2 … amn − λ
teorema fundamentala
a algebrei
pA(λ) = 0, unde p(λ) polinom de grad n ⇒ ecuaţia are rădăcini complexe ⇒ ∃
λ∈ valoare proprie.

Definiţia 1 Polinomul pA(λ) se numeşte polinom caracteristic pentru operatorul T, iar

PA(λ) = det(A – λIn) = 0, unde In – matricea unitate, s.n. ecuația caracteristică.

Teoremă. (Hamilton – Cayley)

Dacă P(λ) este polinomul caractersitic al matricei A,
atunci P(A) = 0.
 4

Demonstraţie. Fie P(λ) = det(A - λI) = a0λn + a1λn-1 + ... + an.

Prin construcţie reciproca matricei A - λI este dată de

(A - λI)* = Bn-1λn-1 + Bn-2λn-2 + ... + B1λ + B0, Bi ∈ Mn(K)

şi satisface relaţia (A - λI) ⋅ (A - λI)* = P(λ) ⋅ I , adică

(A - λI) (Bn-1λn-1 + Bn-2λn-2 + ... + B1λ + B0) = (a0λn + a1λn-1 + ... + an)I,

Identificând polinoamele în λ , obţinem

a0I = – Bn-1 An
a1I = A Bn-1 – Bn-2 An-1
a2I = A Bn-2 – Bn-3 An-2
...............................
an-1I = A B1 – B0
anI = A B0 A

a0An + a1An-1 + ... + a0I = 0 , c.c.t.d.

3.7 Consecinţă. Orice polinom în A ∈ Mn(K) de grad ≥ n poate fi

exprimat printr-un polinom de grad n – 1.

3.8 Consecinţă. Inversa matricei A poate fi exprimată prin puteri ale

matricei A, inferioare ordinului acesteia.

Observaţii:
1) Dacă V/ ,λ∈ este rădăcină a polinomului caracteristic, λ nu este valoare proprie.
2) Se numeşte multiplicitate algebrică a valorii proprii λ, ordinul de multiplicitate a
rădăcinii pentru p(λ) = 0, notat μλ.

3) În general rλ ≤ μλ,unde rλ = dim Vλ' = Vλ ∪ {0} multiplicitatea geometrică

4) p(λ) = (−λ)n + p1(−λ)n−1 + p2(−λ)n−2 + … + pn, unde p1, p2,…,pn sunt invarianţi.
De exemplu: p1 = (a11 + a22 + … + ann) = Tr(A) urma matricei A.

Caz particular
Pentru n =3
 5

a11 − λ a12 a13

p (λ) = a21 a22 − λ a23 = (−λ)3 + p1 ⋅ λ2 + p2 ⋅ (−λ) + p3, unde
a31 a23 a33 − λ

• p1 = a11 + a22 + a33 = Tr(A)

a11 a12 a11 a13 a22 a23
• p2 = + +
a21 a22 a31 a33 a32 a33

• p3 = detA

Teorema
Polinomul caracteristic este invariabil în raport cu schimbarea bazei (nu depinde de baza
în care s-a asociat mateicea A).

Demonstraţie
Arătăm că PA(λ) = PA’(λ)

Demonstraţie
Fie dimV = n şi T : V → V. Fie două baze ale lui V.
B = {e1 ,..., en } C
B→B'
B ' = {e ,..., e
'
1
'
n }
Fie A matricea asociată lui T în baza B.
A' matricea asociată lui T în baza B'
Avem A' = C−1 ⋅ A ⋅ C
Atunci PA(λ) = det(A − λ ⋅ In)

PA'(λ) = det(A' − λ ⋅ In) = det(C −1 ⋅ A ⋅ C − λ ⋅ C −1 ⋅ C ) = det ( C −1 ( A ⋅ C − λI n ⋅ C ) ) =

= det ⎡⎣C −1 ( A − λI n ) ⋅ C ⎤⎦ = det C −1 ⋅ det ( A − λI n ) ⋅ det C =

= det ( A − λ ⋅ I n ) ⋅ det C −1 ⋅ det C = det ( A − λI n ) ⇒ PA ( λ ) = PA ' ( λ )

1

Aplicaţii
 6

Să se determine vectorii şi valorile proprii pentru T : 3

→ 3
care în baza canonică are
⎛ 5 −3 2 ⎞
matricea A = ⎜⎜ 6 −4 4 ⎟⎟
⎜ 4 −4 5 ⎟
⎝ ⎠

(5 − λ ) −3 2 2−λ −3 2
p (λ) = 6 ( −4 − λ ) 4 = 2 − λ −4 − λ 4 =
4 −4 (5 − λ ) 0 −4 5−λ

1 −3 2
= (2 − λ) 0 ( −1 − λ ) 2 = ( 2 − λ ) ⎡⎣( 5 − λ )( −1 − λ ) + 8⎤⎦ =
0 −4 5−λ

= ( 2 − λ ) ( λ 2 − 4λ + 3) = ( 2 − λ )( λ − 1)( λ − 3)

p(λ) = 0 ⇒ λ1 = 2
λ2 − 4λ + 3 = 0 ⇒ λ2 = 1
λ3 = 3
p1 = λ1 + λ2 + λ3 = Tr(A)

• Pentru valoarea proprie λ1 = 2, fie v1 vectorul propriu. Atunci:

T(v1) = λ1 ⋅ v1, adică

⎛ 3 −3 2 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞ ⎧3 x1 − 3 x2 + 2 x3 = 0
⎪
T(v1 − λ1v1) = Ov ⇒ (A − λ1I3) ⋅ v1 = 0 ⇒ ⎜⎜ 6 −6 4 ⎟⎟ ⋅ ⎜⎜ x2 ⎟⎟ = ⎜⎜ 0 ⎟⎟ ⇒ ⎨6 x1 − 6 x2 + 4 x3 = 0
⎜ 4 −4 3 ⎟ ⎜ x ⎟ ⎜ 0 ⎟ ⎪4 x − 4 x + 3 x = 0
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠ ⎩ 1 2 3

⎧3 x1 − 3 x2 + 2 x3 = 0 4
⎨
⎩4 x1 − 4 x2 + 3 x3 = 0 −3
x 3 = 0 x 1 − x 2 = 0 x 1 = α x2 = α
Deci v1 = (α, α, 0) = α(1, 1, 0), α ≠ 0.
Scriem spaţiul vectorilor proprii asociat valorii proprii λ1 = 1:

Vλ1 = 2 = {α (1,1, 0 ) α ≠ 0}

Avem de asemenea:

nλ1 = 1, rλ1 = 1, rλ ≤ nλ
 7

• Pentru valoarea proprie λ2= 1

⎛ 4 −3 2 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 6 −5 4 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ 4 −4 4 ⎠ ⎝ x3 ⎠ ⎝ 0 ⎠

⎧4 x1 − 3 x2 + 2 x3 = 0
⎪
⎨6 x1 − 5 x2 + 4 x3 = 0
⎪x − x + x = 0
⎩ 1 2 3
⎧⎪3 x1 − 3 x2 + 2 x3 = 0
⎨
⎪⎩ x1 − x2 + x3 = 0 ⋅ ( −3)
x1 / − x3 = 0

⇒ x1 = x 3
x 3 − x2 + x3 = 0
x2 = 2x3
x3 = β ⇒ v2 = (β, 2β, β) = β(1, 2, 1) β ≠ 0
Vλ2 =1 = {β(1, 2, 1)/β ≠ 0}

Avem de asemenea:
nλ2 = 1, rλ2 = 1, rλ2 ≤ nλ2

7.3. Diagonalizarea matricelor

Definiţia 1 A ∈ Mm,n(f) se numeşte matrice diagonală dacă elementele ai.j = 0, i ≠ j.

⎛ a11 0… 0 ⎞
⎜ ⎟
A = ⎜ 0 a22 0 ⎟
⎜ 0 0… a ⎟
⎝ nn ⎠

Definiţia 2. O matrice A se numeşte matrice diagonalizabilă dacă există C, nesingulară

(detC ≠ 0) astfel încât D = C−1 ⋅ A ⋅ C să fie diagonală (A este asemenea cu o matrice
diagonală).
 8

Definiţia 3. Fie T : V → V, T ∈ L(V, V). T se numeşte diagonalizabil dacă există o bază

în V astfel încât matricea lui T în această bază este diagonală.

Teorema 1.
Fie T : V → V, T ∈ L(V, V)

T este diagonalizabil ⇔ există o bază formată din vectorii proprii.

Demonstraţie
Def .3
“⇒” T diagonalizabil ⇒ ∃ {v1, v2,…,vn} şi în această bază matricea este:

⎛ d1 0 … 0⎞
⎜ ⎟
0 d2 0⎟
D=⎜
⎜ ⎟
⎜⎜ 0 0
⎟
… d n ⎟⎠
⎝
Deci T(v1) = d1 ⋅ v1 + 0 ⋅ v2 + … = 0 ⋅ vn = d1 ⋅ v1, unde d1 valoare proprie
v1 vector propriu

T(vi) = di ⋅ vi, ∀i = 1, n , iar {v1,…,vn} vectori proprii şi formează o bază.

Deci"
“⇐” presupunem {v1, v2,…,vn} sunt vectori proprii liniar independenţi. Avem deci:
T(v1) = λ1v1
T(v2) = λ2v2

T(vn) = λnvn
⎛ λ1 0 … 0 ⎞
⎜ ⎟
⎜ 0 λ2 0⎟
⇒ A=
⎜ ⎟
⎜⎜ ⎟⎟
⎝ 0 0 … λn ⎠

Observaţie: pe diagonală apar valorile proprii.

 9

Teorema 2
Fie T : V → V, T ∈ L(V, V), (T endomorfism). Atunci dacă valorile proprii sunt distincte

două câte două λ1 ≠ λ2 ≠ λ3 ≠ … ≠ λn ⇒ T diagonalizabil (adică există {v1,…,vn} bază

formată din vectorii proprii)

Demonstraţie
Avem că dimV = n, deci este suficient să arătăm că {v1, v2,…, vn} este liberă.
Demonstrăm prin inducţie după n.
Verificăm pentru n = 1. Atunci, fie λ1 valoarea proprie şi v1 ≠ 0v vector propriu şi avem:
T(v1) = λ1v1.
Fie λ1 v1 = 0v ⇔ λ1 = 0, (întrucât v1 ≠ 0v, vectori propriu) ⇒ { v1} liberă.
Presupunem adevărat pentru k. Să demonstrăm că este adevărat pentru k + 1
Fie sistemul de vectori {v1,…,vk} liniar independent. Să demonstrăm că şi sistemul
{v1,…, vk, vk+1} este liniar independent.
Vrem să demonstrăm deci că λ1v1 + … +λkvk + λk+1 ⋅ vk+1 = 0v ⇔ λI = 0, ∀i = 1, k + 1 .
Avem două cazuri:
ipoteza de
inductie
a) λk+1 = 0 şi λ1v1 + … + λkvk = 0v ⇔ λ1 = λ = …= λk = 0. Atunci λi = 0, ∀i = 1, k + 1 .

b) Dacă prin absurd λk+1 ≠ 0 atunci fie:

λ1v1 + λ2v2 +… +λkvk + λk+1 ⋅ vk+1 = 0v (1)
T(λ1v1 + … + λk+1 ⋅ vk+1) = T(0v)
λ1T(v1) + λ2T(v2) + … + λk+1T(vk+1) = 0v
λ1[α1v1] + λ2[α2v2] + … + λk+1[αk+1 ⋅ vk+1] = 0v (α1,…,αk+1 valori proprii) (2)
Eliminăm vk+1 din relaţia (1) ⋅α k +1 şi (2).

λ1 ( α1 − α k +1 ) v1 + ... + λ k ( α k − α k +1 ) vk = 0v
α1 αk

Avem însă
ipoteza de
inductie
α1v1 + … + αkvk = 0v ⇔ α1 = 0 … αk = 0
 10

α1 = 0, λ1 ( α1 − α k +1 ) = 0
α1 − α k +1 ≠ 0, λ1 = 0

α k (α k − α k +1 ) = 0 ⇒ λ k = 0

şi λi(αi − αk+1) = 0, ∀ i = 1, k

Dar αi ≠ αk+1 ∀ i = 1, k ⇒ λi = 0, i = 1, k

Atunci din relaţia (1) ⇒ λk+1 ⋅ vk+1 = 0v ⇒ λk+1 = 0 întrucât vk+1 ≠ 0v ca vector propriu.
Deci λ1 = λ2 = … = λk+1 = 0.

Observaţii
1) Teorema 1 se numeşte criteriul general de diagonalizare (există n vectori proprii)
2) T este diagonalizabil ⇔ rλ = μλ (multiplicitatea geometrică este egală cu
multiplicitatea algebrică).
3) Matricea D (diagonală) se mai numeşte forma canonică a metricei D (sau a
operatorului T).

Aplicaţii
1) Calculul puterii An pentru o matrice diagonalizată.
Conform definiţiei, A diagonalizabilă ⇒ ∃ C nesingulară astfel încât D diagonală:
D = C−1 ⋅ A ⋅ C
⎛ λ1 0 … 0 ⎞
⎜ ⎟
⎜ 0 λ2 … 0 ⎟
D=
⎜ ⎟
⎜⎜ ⎟⎟
⎝ 0 … … λn ⎠

⎛ λ1 0 … 0 ⎞ ⎛ λ1 0 … 0 ⎞ ⎛ λ12 0 … 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2 ⎜ 0 λ2 … 0 ⎟ ⎜ 0 λ2 … 0 ⎟ ⎜ 0 λ2 …0⎟
D = ⋅ =
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜⎜ 0 … … λ ⎟⎟ ⎜⎜ 0 … … λ ⎟⎟ ⎜⎜ 0 2⎟
⎟
… … λn ⎠
⎝ n⎠ ⎝ n⎠ ⎝
 11

⎛ λ1n 0 … 0⎞
⎜ ⎟
0 λ 2n …
0⎟
Dn = ⎜
⎜ ⎟
⎜⎜ ⎟
⎝0 … … λ nn ⎟⎠

D 2 = (C −1 ⋅ A ⋅ C )(C −1 ⋅ A ⋅ C ) = C1 ⋅ A ⋅ A ⋅ C
In

D2 = C−1 ⋅ A ⋅ A ⋅ C
D2 = C−1 ⋅ A2 ⋅ C
A2 = C ⋅ D 2 ⋅ C −1
An = C ⋅ Dn ⋅ C−1.

⎛ 2 −2 0 ⎞
⎜ ⎟
2) Analog se dă A = ⎜ −2 1 −2 ⎟ , matrice asociată lui T : 3
→ 3
într-o bază.
⎜ 0 −2 0 ⎟
⎝ ⎠
a) A este diagonalizabilă?
b) Dacă A este diagonalizabilă, să se scrie matricea diagonală şi baza.
c) Să se calculeze A50

Rezolvare:
2 − λ −2 0
a) p(λ) = −2 1 − λ −2 = − ( 2 − λ ) ⋅ λ − 4 ( 2 − λ ) + 4λ =
0 −2 −λ

= − ( λ 2 − 3λ + 2 ) ⋅ λ − 8 + 8λ = −λ 3 + 3λ 2 + 6λ − 8

p(λ) = 0

−1 3 6 −8
λ
1 −1 2 8 0

p ( λ ) = ( λ − 1) ( −λ 2 + 2λ + 8 )

λ1 = 1; λ2 = 4; λ3 = –2
 12

Deci există trei valori proprii distincte şi deci T este diagonalizabilă.

⎛1 0 0 ⎞
⎜ ⎟
b) D = ⎜ 0 4 0 ⎟
⎜ 0 0 −2 ⎟
⎝ ⎠
Calculăm vectorii proprii.
• λ1 = 1

⎛ 1 −2 0 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ −2 0 −2 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ 0 −2 −1 ⎟ ⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠

⎧ x1 − 2 x2 = 0 ⎧ x1 = 2 x2 ⎧ x1 = 2α
⎪ ⎪ ⎪
⎨−2 x1 − 2 x3 = 0 ⇒ ⎨ x3 = − x1 ⇒ ⎨ x2 = α
⎪2 x − x = 0 ⎪x = α ⎪
⎩ 2 3 ⎩ 2 ⎩ x3 = −2α
Vλ1 =1 = {α ( 2,1, −2 ) / α ≠ 0} ;

v1 = (2, 1, –2)

• λ2 = 4

⎛ −2 −2 0 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ −2 −3 −2 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ 0 −2 −4 ⎟ ⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠

⎧−2 x1 − 2 x2 = 0 ⎧ x1 = − x1
⎪ ⎪ ⎧α 2 = −2α
⎨−2 x1 − 3 x2 − 2 x3 = 0 ⇒ ⎨ x2 = −2 x3 ⇒ ⎨
⎪ −2 x − 4 x = 0 ⎪x = α ⎩ x1 = 2α
⎩ 2 3 ⎩ 3
Vλ2 = 4 = {α ( 2, −2,1) / α ≠ 0} ;

v2 = (2, –2, 1)

• λ3 = –2

⎛ 4 −2 0 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ −2 3 −2 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ 0 −2 2 ⎟ ⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠
 13

⎧4 x1 − 2 x2 = 0 ⎧ x1 = α
⎪ ⎧ x = 2 x1 ⎪
⎨−2 x1 + 3 x2 − 2 x3 = 0 ⇒ ⎨ 2 ⇒ ⎨ x2 = 2α
⎪ −2 x + 2 x = 0 ⎩ x3 = x3 ⎪
⎩ 2 3 ⎩ x3 = 2α

Vλ3 =−2 = {α (1, 2, 2 ) / α ≠ 0} ;

v3 = (1, 2, 2)

În baza {v1, v2, v3} matricea lui T este D.

c) D = C–1 · A · C ⇒ A = C · D · C–1
An = C · Dn · C–1
⎛150 0 0 ⎞
⎜ ⎟
A50 = C ⎜ 0 450 0 ⎟ ⋅ C −1
⎜0 0 −250 ⎟⎠
⎝
C
{e1, e2, e3} → {v1, v2, v3}
v1 v2 v3
⎛ 2 2 1⎞
⎜ ⎟
C = ⎜ 1 −2 2 ⎟
⎜ −2 1 2 ⎟
⎝ ⎠
1
C −1 = ⋅ C*
det
detC = –8 + 1 – 8 – 4 – 4 – 4 = –27
⎛ −6 −3 6 ⎞
⎜ ⎟
C = ⎜ −6 6 −3 ⎟
*

⎜ − 3 −6 −6 ⎟
⎝ ⎠
Ci,j = Ai,j = (–1)i+j · Mi,j unde
Mij – minorul elementului aij
⎛ 2 1 −2 ⎞
1⎜
−1 ⎟
C = ⎜ 2 −2 1 ⎟
9⎜ ⎟
⎝1 2 2 ⎠
Avem C −1 ⋅ C = I 3 .
 14

7.4 Forma Jordan

În cazul în care valorile proprii corespunzătoare endomorfismului T sunt din
câmpul K, λi ∈ K , iar multiplicitatea geometrică este diferită de multiplicitatea algebrică
dim Sλi < mi ,măcar pentru o valoare proprie λi ∈ K , endomorfismul T nu este
diagonalizabil, în schimb se poate determina o bază în spaţiul vectorial Vn în raport cu
care endomorfismul T să aibă o formă canonică mai generală, numită forma Jordan.

Pentru λ ∈ K, matricele de forma :

⎛ λ 1 0 ... 0 ⎞
⎜ ⎟
⎛λ 1 0 ⎞ ⎜ 0 λ 1 ... 0 ⎟
⎛ λ 1⎞ ⎜ ⎟
(λ), ⎜⎜ ⎟⎟ , ⎜ 0 λ 1 ⎟ , ... , ⎜ . . . ... . ⎟
⎝ 0 1⎠ ⎜ 0 0 λ ⎟ ⎜ ⎟
⎝ ⎠ ⎜ . . . ... 1 ⎟
⎜ 0 0 . ... λ ⎟
⎝ ⎠
se numesc celule Jordan ataşate scalarului λ, de ordinul 1, 2, 3, ...,n .
Definiţie Endomorfismul T: Vn → Vn se numeşte jordanizabil dacă
există o bază în spaţiul vectorial Vn faţă de care matricea
asociată este de forma
⎛ J1 0 ... 0 ⎞
⎜ ⎟
⎜ 0 J 2 ... 0 ⎟
J =⎜ ,
. . ... . ⎟
⎜ ⎟
⎜ 0 0 ... J ⎟
⎝ p⎠

unde Ji , i = 1, p , sunt celule Jordan de diferite ordine

ataşate valorilor propri λi .
O celulă Jordan de ordinul p ataşată valori proprii λ ∈ K , multiplă de ordinul m ≥
p , corespunde vectorilor liniar independenţi e1, e2, ..., ep care satisfac relaţiile:
T(e1) = λ e1
T(e2) = λ e2 + e1
T(e3) = λ e3 + e2
....................
T(ep) = λ ep + ep-1
Vectorul e1 este vector propriu iar vectorii e2, e3, ..., ep se numesc vectori
principali.
Observaţii
1° Forma diagonală a unui endomorfism diagonalizabil este un caz particular de
formă canonică Jordan, având toate celulele Jordan de ordinul unu.
2° Forma canonică jordan nu este unică. Ordinea pe diagonala principală a
celulelor Jordan depinde de ordinea aleasă a vectorilor proprii şi principali din baza
determinată.
3° Numărul celulelor Jordan, egal cu numărul vectorilor proprii liniar
 15

independenţi, precum şi ordinul acestora sunt unice.

Se poate demonstra următoarea teoremă :

Teoremă. (Jordan) Dacă endomorfismul T ∈ End(Vn) are toate

valorile proprii în câmpul K, atunci există o bază în
spaţiul vectorial Vn în raport cu care matricea lui T
are forma Jordan.

Practic, pentru determinarea formei canonice Jordan a unui endomorfism, vom

parcurge următoarele etape:

1° Scriem matricea A ,asociată endomorfismului T în raport cu o bază dată.

2° Rezolvăm ecuaţia caracteristică det(A - λI ) = 0 determinând valorile proprii λ1, λ2, ...,
λp cu ordinele de multiplicitate m1, m2, ..., mp .
3° Se determină subspaţiile proprii S λi , pentru fiecare valoare proprie λi.
4° Se calculează numărul de celule Jordan, separat pentru fiecare valoare proprie λi , dat
de dim S λi = n – rang(A - λI ). Adică, pentru fiecare valoare proprie, numărul
vectorilor liniar independenţi ne dă numărul celulelor Jordan corespunzătoare.
5° Se determină vectori principali corespunzători acelor valori proprii pentru care
dim S λi < mi , numărul lor este dat de mi - dim S λi . Dacă v ∈ S λi este un vector
propriu oarecare din S λi , vom impune condiţiile de compatibilitate şi vom rezolva
succesiv sistemele de ecuaţii liniare
(A - λiI )X1 = v, ..., (A - λiI )Xp = Xs
Ţinând cont de condiţiile de compatibilitate şi de forma generală a vectorilor proprii
şi a celor principali, vom determina, dând valori particulare parametrilor, vectorii
proprii liniar independenţi din S λi şi vectorii principali asociaţi fiecăruia.
6° Scriem baza spaţiului vectorial Vn, reunind sistemele de mi , i = 1, p , vectori liniar
independenţi formaţi din vectori proprii şi vectori principali.

Folosind matricea T având drept coloane coordonatele vectorilor bazei, construite

din vectorii proprii şi vectorii principali asociaţi în această ordine, obţinem matricea J =
T-1AT , forma canonică Jordan ce conţine pe diagonala principală celulele Jordan,
dispuse în ordinea în care apar în baza construită din vectorii proprii şi vectorii principali
asociaţi(dacă există). Celulele Jordan au ordinul egal cu numărul de vectori din sistemul
format dintr-un vector propriu şi vectori principali asociaţi.
 VI

RANGUL UNEI MATRICE.

REZOLVAREA SISTEMELOR DE ECUAŢII LINIARE.
METODA ELIMINĂRII A LUI GAUSS.
METODA CHOLESKY.

6.1. Rangul unei matrice

6.2. Rezolvarea sistemelor de ecuaţii liniare
6.3. Metoda eliminării a lui Gauss
6.4. Metoda lui Cholesky

6.1. Rangul unei matrice.

Definiţia 1 Fie V un K-spaţiu vectorial şi S = {x1,…,x2} un sistem de vectori din V. Se
numeşte rangul sistemului S dimensiunea subspaţiului generat de s, adică numărul
maxim de vectori liniar independenţi conţinuţi în S.
n
Fie B = {e1,…en} bază în V, atunci x j = ∑ aij ei , ∀j = 1, m .
i =1

Definiţia 2 Matricea A = (aij), de tip n × m, formată cu coordonatele vectorilor xj (unic

determinate), pe coloane, se numeşte matricea sistemului S în raport cu baza B.

Teoremă (teorema rangului). Rangul unui sistem de vectori S = {x1,…,xm} din V este egal
cu rangul matricei sale în raport cu o bază arbitrară B = {e1,…,en} din V.

Demonstraţie
Fie A = (aij) matricea sistemului S în raport cu baza B. Rangul unei matrice A, nenulă,

este un întreg r, 0 < r ≤ min(m. n), cu propriettaea că există un minor nenul al lui A de

ordin r, iar toţi minorii de ordin r + 1, dacă există, sunt nuli. Să presupunem că rangA = r.
 2

Deoarece rangul unei matrici nu se schimbă dacă se permută liniile sau coloanele între ele,
putem presupune că următorul determinat este nenul:
a11 a12 … a1r
a21 a22 … a2 r
D=

ar 1 ar 2 … arr

Dacă vectorii x1,…,xr ar fi liniar dependenţi, atunci un vector ar θ combinaţie liniară de

ceilalţi, deci una dintre coloanele minorului D este combinaţie liniară de celelate. Atunci
D = 0, ceea ce nu este posibil. În consecinţă, vectorii x1,…,xr sunt liniar independenţi.
Vom arăta acum că sp({x1,…,xr}) = sp({x1,…xm}). Dacă r < m, este suficient să arătăm că
sp({x1,…xm}) ⊂ Sp({x1,…,xr}). Cum rangul lui A este r, pentru fiecare j > r, următorii
determinanţi sunt nuli:
a11 … a1r a1 j

Δi = , i = 1, n
ar1 … arr arj
ai1 … air aij

Dezvoltând după ultima linie, obţinem: ci1ai1 + … + cirair + D · aij = 0, unde cil, l = 1, r ,
sunt complemenţi algebrici ai elementelor de pe ultima linie. Cum D ≠ 0, rezultă:

aij = λ1ai1 + … + λrair, i = 1, n , unde λk = –D–1cik, k = 1, r nu depind de i, ci numai de

elementele primelor r linii, deci rămân fixe când i = 1, n . Prin urmare pentru j > r, avem
xj = λ1x1 + … + λrxr, deci Sp({x1,…,xm}) ⊂ ({x1,…,xr}). În concluzie rangA = rangS.

Observaţie Din demonstraţia teoremei, rezultă că rangul unei matrice este egal cu
numărul maxim de coloane liniar dependente. Cum rangul unei matrice coincide cu
rangul matricei transpuse, rezulră că rangul unei matrice este egal cu numărul maxim de
linii liniar independente.

Definiţia 3 O matrice pătratică A se numeşte singulară dacă detA = 0 şi nesingulară în

caz contrar.
 3

Corolar O matrice pătratică este nesingulară dacă şi numai dacă toate liniile şi toate
coloanele sunt liniar independente.
Pentru determinarea rangului unei matrici se pot folosi transformări elementare.

Definiţia 4 Se numesc transformări elementare ale unei matrice următoarele operaţii:

– schimbarea a două linii (coloane) între ele;
– înmulţirea tuturor elementelor unei linii (coloane) cu acelaşi factor nenul;
– adunarea la elementele unei linii (coloane) a elementelor corespunzătoare ale altei linii
(coloane).
Ţinând seama că aceste transformări elementare nu afectează proprietatea unui
determinant de a θ nul sau nenul, rezultă că rangul unei matrice nu se modifică dacă
asupra matricei se efectuează transformări elementare. În practică, pentru determinarea
rangului unei matrice, procedăm astfel: se efectuează transformări elementare asupra
matricei până când toate elementele devin nule cu excepţia unor elemente de pe
diagonala principală, care devin 1. Rangul unei matrice este numărul elementelor 1 de pe
diagonala principală.

⎛2 4 3 5⎞
⎜ ⎟
1 2 1 2⎟
Exemplu Să determinăm rangul matricei A = ⎜
⎜3 1 5 3⎟
⎜⎜ ⎟
⎝ −1 5 2 8 ⎟⎠
Avem succesiv
⎛2 4 3 5⎞ ⎛ 1 9 5 13 ⎞
⎜ ⎟ L1 → L1 + L4 ⎜ ⎟
⎜1 2 1 2⎟
L2 → L2 + L4 → ⎜
0 7 3 10 ⎟
L4 → L4 + L1 →
⎜3 1 5 3⎟ ⎜ 0 16 11 27 ⎟
⎜⎜ ⎟ L3 → L3 + 3L4 ⎜⎜ ⎟⎟
⎝ −1 5 2 8 ⎟⎠ ⎝ −1 5 2 8 ⎠
⎛ 1 9 5 13 ⎞ ⎛1 0 0 0 ⎞
⎜ ⎟ C2 → C2 − 9C1 ⎜ ⎟ L2 → L2 / 7
⎜ 0 7 3 10 ⎟ ⎜ 0 7 3 10 ⎟
→ C3 → C3 − 5C1 → L3 → L3 − 16 L2 →
⎜ 0 16 11 27 ⎟ ⎜ 0 16 11 27 ⎟
⎜⎜ ⎟⎟ C4 → C4 − 13C1 ⎜⎜ ⎟⎟ L4 → L4 − 14 L2
⎝ 0 14 7 21 ⎠ ⎝ 0 14 7 21 ⎠
 4

⎛1 0 0 0 ⎞ ⎛1 0 0 0 ⎞
⎜ ⎟ C3 → C3 − 3 / 7C2 ⎜ ⎟ L3 → 7 / 29 L3
⎜0 1 3 / 7 10 / 7 ⎟
→⎜
0 1 0 0 ⎟
→
⎜0 0 29 / 7 29 / 7 ⎟ C4 → C4 − 10 / 7C2 ⎜0 0 29 / 7 29 / 7 ⎟ L4 → L4 − L3
⎜⎜ ⎟ ⎜⎜ ⎟
⎝0 0 1 1 ⎟⎠ ⎝0 0 1 1 ⎟⎠

⎛1 0 0 0⎞ ⎛1 0 0 0⎞
⎜ ⎟ ⎜ ⎟
0 1 0 0⎟ 0 1 0 0⎟
→⎜ C4 → C4 − C3 → ⎜
⎜0 0 1 1⎟ ⎜0 0 1 0⎟
⎜⎜ ⎟ ⎜⎜ ⎟
⎝0 0 0 1 ⎟⎠ ⎝0 0 0 1 ⎟⎠
deci rangA = 3. (În fiecare caz s-au menţionat operaţiile indicate: notaţia L1 → L1 + L4
înseamnă că linia 1 se înlocuieşte cu suma liniilor 1 şi 4 etc.).

6.2. Rezolvarea sistemelor de ecuaţii liniare

În continuare vom utiliza teorema rangului în studiul sistemelor de ecuaţii liniare. Fie
deci sistemul de ecuaţii liniare:
⎧a11 x1 + a12 x2 + ... + a1n xn = b1
⎪a x + a x + ... + a x = b
⎪ 21 1 22 2 2n n 2
⎨
⎪............................................
⎪⎩am1 x1 + am 2 x2 + ... + amn xn = bm

unde aij ∈ , i = 1, m , j = 1, n , bi ∈ , i = 1, m .
Reamintim că un sistem ordonat de numere reale (α1, α2,…,αn) se numeşte soluţie a
sistemului, dacă înlocuind necunoscutele x1, x2,…,xn respectiv prin aceste numere, toate
ecuaţiile acestui sistem sunt verificate, adică:
n

∑a α
j =1
ij j = bi , i = 1, m

Dacă admite cel puţin o soluţie, sistemul de numeşte compatibil, iar dacă nu admite nici
o soluţie sistemul se numeşte incompatibil. Dacă sistemul admite o singură soluţie,
sistemul se numeşte compatibil determinat, iar dacă admite mai multe soluţii, sistemul
se numeşte compatibil nedeterminat. Să remarcăm că sistemul se scrie sub forma
Ax = b , unde
 5

⎛ a11 a12 … a1n ⎞ ⎛ x1 ⎞ ⎛ b1 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ a21 a22 … a2 n ⎟ x b
, x = ⎜ 2 ⎟, b=⎜ 2 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜⎜ ⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ am1 am 2 … amn ⎟⎠ ⎝ xn ⎠ ⎝ bm ⎠
Matricea
⎛ a11 a12 … a1n b1 ⎞
⎜ ⎟
a a22 … a2 n b2 ⎟
A = ⎜ 21
⎜ ⎟
⎜⎜ ⎟
⎝ am1 am 2 … amn bm ⎟⎠

se numeşte matricea extinsă a sistemului.

a11 … a1r
Dacă r = rangA şi Dr = ≠0
ar1 … arr

atunci Dr se numeşte determinant principal al sistemului, necunoscutele x1,…xr se

numesc necunoscute principale, iar xr+1,…,xn dacă n < r se numesc necunoscute
secundare. Primele r ecuaţii se numesc ecuaţii principale, celelalte (dacă r < m) se
numesc ecuaţii secundare. Dacă r < m, pentru orice j > r, determinantul de forma
a11 … b1r b1

se numeşte determinant caracteristic al sistemului. Deci numărul

ar1 … arr br
a j1 … a j bj

determinanţilor caracteristici este egal cu numărul ecuaţiilor secundare.

Teorema Kronecker – Capelli Condiţia necesară şi suficientă ca sistemul să fie

compatibil este ca rangA = rang A .

Demonstraţie
"⇒" Notăm cu aj, j = 1, n , vectorii coloană ai matricei A. Sistemul fiind compatibil există
α1,…,αn, astfel încât α1a1 + … + αnan = b.
Aşadar b ∈ Sp({a1,…,an}) şi din teorema rangului rezultă că rangA = rangA .
 6

"⇐" Dacă rangA = rangA , atunci b ∈ Sp({a1,…,an}), deci există α1,…,αn, astfel încât
α1a1 + … + αnan = b, deci sistemul (α1,…,αn) este soluţie a sistemului.

Corolar Sistemul este compatibil determinat dacă şi numai dacă rangA = rangA = n.

Demonstraţie
Conform teoremei Kronecker – Capelli, prima egalitate este echivalentă cu existenţa a cel
puţin o soluţie. Deoarece rangA = n, înseamnă că, coloanele matricei A sunt liniar
independente, deci b are o singură exprimare ca o combinaţie liniară de coloanele
matricei A, adică sistemul este compatibil determinat. Reciproc, dacă sistemul are o
singură soluţie, atunci rangA = rangA , iar b are o singură exprimare ca combinaţie
n
liniară de coloanele matricei A, deci acestea sint liniar independente (dacă ∑λ a
j =1
j
j
= 0 cu

λj, j = 1, n nu totţi nuli şi dacă α1,…,αn este o soluţie a sistemului, atunci şi

α1 + λ1,…, an + λn ar θ o soluţie diferită de prima, ceea ce nu este posibil).

Teorema Rouché Dacă rangA = r < m, atunci sistemul este compatibil dacă si numai
dacă toţi determinanţii caracteristici sunt nuli.

Demonstraţie
Dacă sistemul este compatibil, conform teoriei Kronecker – Capelli, rangA = rangA = r.

Cum orice determinant caracteristoic este un determinant de ordin r + 1 din A , deci este
nul. Reciproc, dacă toţi determinanţii caracteristici sunt nuli, atunci rangA = rangA = r,
deci sistemul este compatibil.

În continuare vom studia mulţimea soluţiilor unui sistem omogen de ecuaţii liniare. Fie
deci sistemul Ax = 0, unde 0 este vectorul coloană cu m elemente, toate nenule. Evident,
sistemul este compatibil, deoarece admite soluţia cu toate elementele egale cu zero
(această soluţie se mai numeşte soluţie banală). Din corolar obţinem:
 7

Corolar Sistemul Ax = 0 are numai soluţia banală dacă si numai dacă rangA = n. În
particular, dacă A este matrice pătratică, sistemul are soluţie unică dacă şi numai dacă
matricea A este nesingulară.

Teorema Fie S mulţimea soluţiilor sistemului Ax = 0. Dacă rangA = r, atunci S este un

subspaţiu vectorial de dimensiune n – r.

Demonstraţie
n
Evident că S este un subspaţiu vectorial al lui . Vom căuta o bază a acestui spaţiu
formată din n – r elemente. Pentru aceasta putem presupune că primele r coloane ale
matricei A sunt liniar indepepndente, ceea ce se poate realiza printr-o permutare a
r
indicilor. Atunci pentru j > r, avem a j = ∑ aij a i . Considerăm vectorii
i =1

y j = ( a1j ,..., arj , 0,...0, −1,..., 0 ) , unde –1 se află pe locul j – r. Evident yj ∈ S şi sunt liniar

independenţi. Dacă arătăm că ei generează S, teorema este demonstrată. Fie z = (β1,…,βn)

n
o soluţie a sistemului Ax = 0. Atunci z ' = z + ∑β
j = r +1
j y j este evident şi el o soluţie a

r
sistemului. În plus, dacă z ' = ( β1' ,..., β'n ) atunci β'j = 0 pentru j > r, deci ∑β a '
j
j
= 0 şi
j =1

deoarece vectorii a1,…,ar sunt liniar independenţi, deducem că β'j = 0, j = 1, r . În

n
consecinţă z' = 0 şi deci z = − ∑ β j y j .
j =1+ r

Definiţie O bază a subspaţiului vectorial S se numeşte sistem fundamental de soluţii al

sistemului Ax = 0.

Teorema Presupunem că sistemul Ax = 0 este compatibil. Dacă x ∈ n

este o soluţie a
acestui sistem, atunci x ∈ n
este soluţie a sistemului Ax = b, dacă şi numai dacă există
 8

n−r
α1,…,αn–r ∈ astfel încât x = x + ∑ αi yi , unde y1,…,yn-r este un sistem fundamental de
i =1

soluţii al sistemului Ax = 0.

Demonstraţie
Dacă x şi x sunt soluţii ale sistemului Ax = b, atunci A ( x − x ) = 0 , deci x − x ∈ S , S

fiind mulţimea soluţiilor sistemului omogen. Cum y1,…,yn-r este bază în S, rezultă că
n−r
există α1,…,αn-r astfel încât x = x + ∑ αi yi , ceea ce trebuie dovedit. Reciproc
i =1

n−r
Ax = Ax + ∑ α i Ayi = b, deoarece Ayi = 0, pentru că yi ∈ S.
i =1

6.3. Metoda lui Gauss pentru rezolvarea sistemelor de

ecuaţii algebrice liniare
Să considerăm sistemul de ecuaţii algebrice liniare:
⎧a11 x1 + a12 x2 + ... + a1n xn = b1
⎪a x + a x + ... + a x = b
⎪ 12 1 22 2 2n n 2
⎨
⎪ ............................................
⎪⎩am1 x1 + am 2 x2 + ... + amn xn = bm

Metoda este de fapt procedeul de eliminare a necunoscutelor pe care îl descriem în

continuare:
Să presupunem a11 ≠ 0; atunci putem elimina prima necunoscută x1 din ecuaţiile 2,
ai1
3,…,m, înmulţind prima ecuaţie cu factorii mi1 = , i = 2, m şi scăzând-o, respectiv din
a11
ecuaţiile 2, 3,…,m.
Obţinem astfel sistemul echivalent:
⎧a11( 2) x1 + a12( 2) x2 + a13( 2 ) x3 + ... + a1(n2) xn = b1( 2)
⎪ ( 2) ( 2)
x3 + ... + a2( n) xn = b2( )
2 2
⎪ a22 x2 + a23
⎨
⎪ ................................................
⎪
am( 2) x2 + am( 3) x3 + ... + amn ( 2)
xn = bm( )
2 2 2
⎩
 9

unde dacă aij(1) = aij , i, j = 1, n, bi(1) = bi , i = 1, n , avem:

⎧aij(1) , daca i ≤ 1
⎪⎪
aij( 2) = ⎨0, daca i ≥ 2, j ≤ 1
⎪ (1) (1)
⎪⎩aij − mi1a1 j , daca i ≥ 2, j ≥ 2

( 2)
⎧⎪bi(1) , daca i ≤ 1
bi =⎨ 1
() (1)
⎪⎩bi − mi1b1 , daca i ≥ 2
Dacă a11 = 0 schimbăm prima ecuaţie a sistemului cu o altă ecuaţie în care coeficientul
lui x1 este nenul. Se observă că prima ecuaţie a sistemului coincide cu prima ecuaţie a
( 2)
sistemului. Dacă a22 ≠ 0 , atunci, în mod analog, putem elimina necunoscuta x2 din
ultimile m – 2 ecuaţii ale sistemului.
ai(2 )
2
Introducând multiplicatorii mi 2 = ( 2)
, i = 3, m , obţinem sistemul echivalent
a22

⎧a11(3) x1 + a12( 3) x2 + a13( 3) x3 + ... + a1(n3) xn = b1(3)

⎪ ( 3) ( 3)
x3 + ... + a2( n) xn = b2( )
3 3
⎪ a22 x2 + a23
⎪ ( 3)
x3 + ... + a3( n) xn = b3( 3)
3
⎨ a33
⎪ ................................................
⎪
⎪ am( 3) x3 + ... + amn( 3)
xn = bm( 3)
3
⎪⎩
cu coeficienţii şi termenii liberi
⎧aij( 2) , daca i ≤ 2
⎪⎪
aij(3) = ⎨0, daca i ≥ 3, j ≤ 2
⎪ ( 2) ( 2)
⎪⎩aij − mi 2 a2 j , daca i ≥ 3, j ≥ 3

( 3)
⎧⎪bi( 2) , daca i ≤ 2
respectiv bi =⎨ 2
( ) ( 2)
⎪⎩bi − mi 2b2 , daca i ≥ 3
( 2)
Dacă a22 = 0 schimbăm ecuaţia a doua cu una din ecuaţiile 3, 4,…,m în care coeficientul
lui x2 este nenul. Primele două ecuaţii ale sistemului coincid cu primele două ecuaţii ale
sistemului. Procedeul continuă. Elementele a11(1) , a22
( 2) ( 3)
, a33 ,... se numesc elemente pivot.

Dacă akk( k ) ≠ 0 , notând cu A(k+1) matricea sistemului echivalent din care au fost eliminaţi
 10

x1, x2,…,xk (adică matricea sistemului după k < m paşi), prin b(k+1) vectorul coloană al
termenilor liberi corespunzători, atunci elementele aij( k +1) ale lui A(k+1) şi bi( k +1) ale lui b(k+1)

se calculează recursiv prin formulele:

⎧aij( k ) , daca i ≤ k
⎪⎪
aij( k +1) = ⎨0, daca i ≥ k , j ≤ k
⎪ (k ) (k )
⎪⎩aij − mik akj , daca i ≥ k , j ≥ k + 1

(k )
⎧⎪bi( k ) , daca i ≤ k
bi =⎨ k
( ) (k )
⎪⎩bi − mik bk , daca i ≥ k + 1
unde
aik( )
k
mik = , i = k + 1, m . Prin urmare, matricea sistemului, după efectuarea pasului k va fi:
akk( k )

⎛ a11(1) a12(1) … a1(1k) a1,(1k) +1 … a1(1n) ⎞

⎜ ( 2)
⎟
… a2( k) a2,( 2k) +1 a2( n) ⎟
2 2
⎜ 0 a22 …
⎜ ⎟
⎜ 0 0 … … … … … ⎟
A ( k +1)
=⎜ (k )
akk ⎟,
⎜ ⎟
⎜ ak( +1,k) +1 … ak( +1,n) ⎟
k +1 k +1

⎜ ⎟
⎜ 0 … … … ⎟
⎜⎜ am( ,k +)1
k +1
… ( k +1) ⎟
amn ⎟
⎝ ⎠
⎛ b1(1) ⎞
⎜ ( 2) ⎟
⎜ b2 ⎟
⎜ ⎟
⎜ ⎟
⎜ b( k ) ⎟
b(
k +1)
= ⎜ kk +1 ⎟
⎜ bk( +1 ) ⎟
⎜ ( k +1) ⎟
⎜ bk + 2 ⎟
⎜ ⎟
⎜ ⎟
⎜ b( k +1) ⎟
⎝ m ⎠
Dacă akk( k ) = 0 şi cel puţin unul din elementele de pe coloana k şi de pe liniile

k + 1, k + 2,…, m este nenul, fie acesta ark( k ) , atunci permutăm liniile k şi r între ele şi
continuăm eliminarea. Pe parcursul algoritmului pot apărea următoarele situaţii:
 11

– coeficienţii unei ecuaţii devin toţi nuli, iar termenul liber corespunzător este nenul, caz
în care sistemul este incompatibil;
– coeficienţii unei ecuaţii sunt toţi nuli şi termenul liber corespunzător este nul, atunci
ecuaţia respectivă este consecinţă a celorlalte (deci inutilă).
Dacă m = n şi sistemul este compatibil, atunci este compatibil nedeterminat.
Dacă m = n şi rangul matricei sistemului este n, atunci toţi pivoţii sunt nenuli.
După n – 1 paşi vom obţine sistemul triunghiurilor echivalent cu sistemul:
⎧a11(1) x1 + a12(1) x2 + ... + a1(1n) xn = b1(1)
⎪ ( 2)
⎪ a22 x2 + ... + a2( 2n) xn = b2( 2)
⎨
⎪ ... ...
⎪ ( n)
⎩ ann xn = bn( n )

care se poate rezolva regresiv:

bn( )
n
xn = ( n )
ann
n
bi( ) −
i
∑ a( ) x
j = i +1
ij
i
j

xi = (i )
, i = n − 1,...,1
a ii

Algoritmul lui Gauss ne permite să rezolvăm simultan p sisteme de ecuaţii cu aceeaşi

matrice A, dar cu termeni liberi diferiţi. În acest caz, la fiecare pas operaţiile aplicate
asupra termenului liber se aplică tuturor celor p vectori coloană termeni liberi. După
eliminare vom obţine p sisteme triunghiulare. Un caz particular al acestui procedeu este
inversarea unei matrice. Într-adevăr, dacă în relaţia AA–1 = In, notăm A–1 = X, atunci
AX = In sau Axj = ej unde xj şi ej sunt coloanele j din X respectiv In. Astfel, coloanele
matricei A–1 sunt soluţiile sistemelor liniare cu termenii liberi respectiv egali cu coloanele
matricii unitate.

Observaţii
1) Am văzut mai sus că este posibil să fie necesar să efectuăm permutări de linii când un
element pivot este nul. Din motive de stabilitate numerică, trebuie să efectuăm permutări
de linii nu numai când un element pivot este exact egal cu zero ci şi când el este apropate
egal cu zero. De asemenea, pentru a preveni ca influenţa erorilor de rotunjire să devină
 12

catastrofală, este, de obicei, necesar să alegem elementul pivot, la efectuarea pasului k,

astfel: se alege numărul r egal sau cel mai mic număr întreg pentru care ark( k ) = max aik( k )
k ≤i ≤ m

şi se permută liniile k şi r. Deci, alegem ca pivot, la fiecare pas k, primul element maxim
în modul întâlnit sub elementul akk( ) .
k

2) Dacă m = n, atunci determinantul matricei sistemului este egal cu ( −1) a11(1) a22
( 2) ( )
s n
...ann

unde s este numărul total de permutări de linii efectuate (evident când se aplică
pivotarea).

3) Când m = n, există cazuri când pivotarea nu este necesară şi naume când:

– matricea sistemului este slab diagonal dominantă;
– matricea sistemului este simetrică şi pozitiv definită.
În încheiere menţionăm că metoda lui Gauss este o metodă directă de rezolvare a
sistemelor, adică după un număr finit de operaţii logice şi aritmetice şi în ipoteza absenţei
rotunjirilor, metoda dă soluţia exactă a sistemului.

Exemple
1) Fie sistemul
⎧2 x1 + 5 x2 − 8 x3 = 8
⎪4 x + 3x − 9 x = 9
⎪ 1 2 3
⎨
⎪2 x1 + 3 x2 − 5 x3 = 7
⎪⎩ x1 + 8 x2 − 7 x3 = 12

Să rezolvăm sistemul prin metoda lui Gauss. Vom elimina pe rând necunoscutele x1, x2,
x3. Pentru simplitatea scrierii, operaţiile necesare vor θ efectuate asupra matricei extinse a
sistemului.
 13

⎛ 2 5 −8 ⎞
⎛2 5 −8 8⎞ 8⎟ ⎛ 2⎞
L1 ⋅ ( −2 ) + L2 ⎜ L2 ⋅ ⎜ − ⎟ + L3
⎜
3 −9
⎟ ⎜ 0 −7 7 − 7⎟
⎜4 9⎟
L1 ⋅ ( −1) + L3 → ⎜ 0 −2 3 ⎟
⎝ 7⎠
→
⎜2 3 −5 7 ⎟ ⎜ −1 ⎟ ⎛ 11 ⎞
⎜⎜ ⎟ ⎛ 1⎞ L2 ⋅ ⎜ − ⎟ + L4
8 −7 12 ⎟⎠ L1 ⋅ ⎜ − ⎟ + L4 ⎜⎜ 0 11 −3 8 ⎟⎟ ⎝ 2⋅7 ⎠
⎝1
⎝ 2⎠ ⎝ 2 ⎠

⎛ 2 5 −8 8⎞
⎜ ⎟ ⎛ 2 5 −8 8⎞
⎜ 0 −7 7 − 7⎟ ⎜ ⎟
⎜0 0 1
⎛ 5⎞
L3 ⋅ ⎜ − ⎟ + L4 ⎜ 0 −7 7 − 7⎟
1⎟ →
⎜0 0 1
⎜ ⎟ ⎝ 2⎠ 1⎟
⎜0 0 5 5⎟ ⎜⎜ ⎟
⎜ ⎟ ⎝0 0 0 0 ⎟⎠
⎝ 2 2⎠
Deci ultima ecuaţie este consecinţă a celorlate. Sistemul este compatibil determinat.
Avem de rezolvat sistemul superior triughiular.
⎧2 x1 + 5 x2 − 8 x3 = 8
⎪
⎨ − 7 x2 + 7 x3 = −7 , care are soluţia (3, 2, 1).
⎪ x3 = 1
⎩

2) Aceeaşi problemă, penstru sistemul

⎧ x1 − 2 x2 + + x4 = −3
⎪3 x − x − 2 x = 1
⎪ 1 2 3
⎨
⎪2 x1 + x2 − 2 x3 − x4 = 4
⎪⎩ x1 + 3 x2 − 2 x3 − 2 x4 = 7

Procedând ca mai sus, obţinem succesiv:

⎛ 1 −2 0 1 −3 ⎞ ⎛ 1 −2 0 1 −3 ⎞ ⎛ 1 −2 0 1 −3 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 3 −1 −2 0 1⎟
→ ⎜ 0 5 −2 −3 10 ⎟
→ ⎜ 0 5 −2 −3 1 ⎟
⎜ 2 1 −2 −1 4 ⎟ ⎜ 0 5 −2 −3 10 ⎟ ⎜0 0 0 0 0⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟ ⎜⎜ ⎟
⎝ 1 3 −2 −2 7 ⎠ ⎝ 0 5 −2 −3 10 ⎟⎠ ⎝0 0 0 0 0 ⎟⎠

Ultimele două ecuaţii sunt consecinţă a primelor două. Sistemul este compatibil dublu
nedeterminat. Sistemul:
⎧ x1 − 2 x2 + x4 = −3
⎨
⎩ 5 x2 − 2 x3 − 3 x4 = 10

este echivalent cu sistemul iniţial şi are o infinitate de soluţii:

 14

4 1 2 3
x1 = 1 + x3 + x4 , x2 = 2 + x3 + x4 , x3 ∈ , x4 ∈
5 5 5 5

3) Aceaşi problemă pentru sistemul:

⎧3 x1 − 5 x2 + 2 x3 + 4 x4 = 2
⎪
⎨7 x1 − 4 x2 + x3 + 4 x4 = 5
⎪5 x + 7 x − 4 x − 6 x = 3
⎩ 1 2 3 4

⎛ ⎞
⎜ 3 −5 2 4 2⎟ ⎛ 3 −5 2 4 2⎞
⎛ 3 −5 2 4 2 ⎞ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ 23 11 19 1 ⎟ 23 11 19 1 ⎟
⎜ 7 −4 1 3 5 ⎟ → ⎜ 0 3 − 3 − → ⎜0 − −
⎜ 5 7 −4 −6 3 ⎟ 3 3⎟ ⎜ 3 3 3 3⎟
⎜ ⎟ ⎜
⎝ ⎠
⎜⎜ 0 46 − 22 38 1 ⎟ ⎝0 0 0 0 −1 ⎠⎟
− − ⎟
⎝ 3 3 3 3⎠
Sistemul este incompatibil.

⎛ 1 0 1⎞
⎜ ⎟
4) Să se calculeze inversa matricei A = ⎜ 0 1 1⎟
⎜ 1 1 1⎟
⎝ ⎠
Problema se reduce la rezolvarea simultană a trei sisteme de ecuaţii cu aceeaşi matrice,
iar termenii liberi sunt coloanele matricei unitate I3. Obţinem succesiv:
⎛1 0 1 1 0 0⎞ ⎛1 0 1 1 0 0⎞ ⎛1 0 1 1 0 0⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜0 1 1 0 1 0⎟ → ⎜0 1 1 0 1 0⎟ → ⎜0 1 1 0 1 0⎟
⎜1 1 1 0 0 1⎟ ⎜ 0 1 0 −1 0 1 ⎟ ⎜ 0 0 −1 −1 −1 0 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Pentru rezolvarea celor trei sisteme, vom căuta ca prin transformări elementare asupra
liniilor să obţinem în stânga, matricea unitate. Deci
⎛1 0 1 1 0 0⎞ L1 + L3 → L1 ⎛ 1 0 0 0 −1 1 ⎞
⎜ ⎟ ⎜ ⎟
⎜0 1 1 0 1 0⎟ L2 + L3 → L1 → ⎜ 0 1 0 −1 0 1 ⎟
⎜ ⎟ ⎜ 0 0 1 1 1 −1⎟
⎝ 0 0 −1 −1 −1 0 ⎠ − L3 → L3 ⎝ ⎠

⎛ 0 −1 1 ⎞
−1⎜ ⎟
deci A = ⎜ −1 0 1 ⎟
⎜ 1 1 −1⎟
⎝ ⎠
 15

6.4. Metoda lui Cholesky

Fie un sistem de n ecuaţii cu n necunoscute xk, de forma:
n
(5) Ax + b = 0 sau ∑a
k =1
ik xk + bi = 0, i = 1, n ,

unde A este simetrică şi pozitiv definită.

Teorema (Metoda lui Cholesky) Dacă A este o matrice simetrică şi pozitiv definită,
atunci există o matrice superior triunghiulară R, cu elemente diagonale pozitive, astfel
încât Rt · R = A.

Demonstraţie
n n
Fie forma pătratică ϕ ( x ) = ∑∑ aik xi xk . Reducerea unei forme pătratice pozitiv definite
i =1 k =1

la o sumă de pătrate conduce la reprezentarea:

2
n n ⎛ n
aik( − )
i 1 n ⎞
(6) ϕ ( x ) = ∑∑ aik xi xk = ∑ aii xi + ∑
( 0) ⎜ ( i −1)
x ⎟
i =1 k =1 i =1 ⎜ k = i +1 a
( i −1) k ⎟
⎝ ii ⎠
unde, generalizând formulele, avem:

( p) ( p −1) a (pip −1) a (pkp −1)

(7) aik = aik − , i, k = p + 1, n, p = 1, n − 1
a (ppp −1)

În descompunere apar n forme liniare:

n
(8) yi = ∑ rik xk , i = 1, n , unde
k =1

aik( i −1)
(9) rii = aii( i −1) şi rik = , k>i
aii(i −1)

Punând rik = 0 pentru k < I şi R = (rij) (deci R este o metrice superior teriunghiulară), (8)
devine y = Rx. Ţinând seama de (6) şi (8), obţinem:
2
⎛ n ⎞
n n
ϕ ( x ) =< Ax, x >= ∑ ⎜ ∑ rik xk ⎟ = ∑ yi2 =< y, y >=< Rx, Rx >=< R t Rx, x > ,
i =1 ⎝ k =1 ⎠ i =1

de unde: A = Rt · R.
 16

În concluzie, reducerea unei forme pătratice pozitiv definite la o sumă de pătrate conduce
la descompunerea matricei corespunzătoare A în produsul a două matrice triunghiulare
care sunt fiecare transpusă celeilalte.
Tehnica aceasta este atribuită lui CHOLESCKY, iar metoda se numeşte metoda lui
Cholesky.
Revenim acum la rezolvarea sistemului (5). Pentru rezolvarea acestui sistem metoda lui
Cholesky este foarte convenabilă.
Cu descompunerea A = Rt · R, (5) devine:
(10) Rt · Rx + b = 0
Notând y = Rx, rezolvarea sistemului (5) este echivalentă cu rezolvarea sistemelor
Rty + b = 0 şi Rx = y.
Cele două sisteme se scriu explicit astfel:
⎧r11 y1 + ................................... + b1 = 0
⎪r y + r y + ........................ + b = 0
⎪⎪ 12 1 22 2 2

(11) ⎨r13 y1 + r23 y2 + r33 y3 + .............. + b3 = 0

⎪...........................................................
⎪
⎪⎩r1n y1 + r2 n y2 + r3n y3 + ... + rnn yn + bn = 0

⎧r11 x1 + r12 x2 + r13 x3 + ... + r1n xn = y1

⎪ r22 x2 + r23 x3 + ... + r2 n xn = y2
⎪
(12) ⎨
⎪....................................................
⎪⎩ rnn xn = yn

Necunoscutele auxiliare yk din (11) se determină, succesiv, prin formulele:

⎛ k −1
⎞
yk = − ⎜ bk + ∑ rik yi ⎟ / rkk , k = 1, n
⎝ i =1 ⎠
(pentru k = 1 suma este 0). Necunoscutele xi se calculează regresiv prin formulele:
⎛ n
⎞
xi = ⎜ yi + ∑ rik xk ⎟ / rii , i = n, n − 1,...,1
⎝ k = i +1 ⎠
(pentru i = n suma este 0).
 17

Exemple
Fie sistemul
⎧5 x1 + 7 x2 + 3 x3 = 0
⎪
⎨7 x1 + 11x2 + 2 x3 = 1
⎪3x + 2 x + 6 x = 0
⎩ 1 2 3

deci
⎛ 5 7 3⎞ ⎛0⎞ ⎛ −36 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
A = ⎜ 7 11 2 ⎟ , b = ⎜ −1⎟ , x = ⎜ 21 ⎟ (soluţia exactă)
⎜3 2 6⎟ ⎜0⎟ ⎜ 11 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
Aplicând metoda Cholesky obţinem:
⎛ 2.23607 3.13050 1.34164 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟
R=⎜ 1.09545 −2.00832 ⎟ , y = ⎜ 0.912871 ⎟ ,
⎜ 0.40285 ⎟⎠ ⎜ 4.490731⎟
⎝ ⎝ ⎠

⎛ −36 ⎞
cu soluţia: x ' = ⎜⎜ 21 ⎟⎟
⎜ 11 ⎟
⎝ ⎠
 IV

SPAŢII EUCLIDIENE
4.1. Produs scalar. Definiţii, exemple.
4.2. Normă. Spații metrice. Spaţii normate. Spații Hilbert.
4.3. Ortogonalitate. Baze ortonormate.
4.4. Procedeul Gram – Schmidt.

4.1. Produs scalar. Definiţii. Exemple.

Definiţia1. Fie V/K spaţiu vectorial (K = \ sau K = ^ ). O aplicaţie definită pe: V × V →
K notată <·, ·> se numeşte produs scalar dacă:
1) <x, y> = <y, x> (K = \ ) şi
<x, y> = < y, x > (K = ^ )
2) <x + y, z> = <x, z> + <y, z>
3) <λx, y> = λ<x, y> λ ∈ K

4) <x, y> ≥ 0; <x, x> = 0 ⇔ x = 0v.

Proprietăţi:
Produsul scalar are următoarele proprietăţi:
1) <x, y + z> = <x, y> + <x, z>
2) <x, λy> = λ<x, y>, (K = \ )
<x, λy> = λ < x, y >, (K = ^ )

3) <Ov, x> = 0, ∀x ∈ V

Demonstraţie
(1) (2) (1)
1) Dacă K = \ : < x, y + z > = < y + z , x > = < y, x > + < z , x > = < x, y > + < x, z > .
(1) (2)
Dacă K = ^ : < x, y + z > = < y + z , x > = < y, x > + < z , x > =
(1)
=< y, x > + < z , x > = < x, y > + < x, z >
 2

2) Dacă K = \ :
(1) (3) (1)
< x, λ y > = < λ y , x > = λ < y , x > = λ < x, y >
Dacă K = ^ :
(1)
< x, λy > = < λy, x >= λ < y, x > = λ⋅ < y, x >= λ < x, y >

3) <0 · x, x> = 0 · <x, x> = 0.

Definiţia 2.
Spaţiul vectorilor V/K, pe care s-a definit un produs scalar, se numeşte spaţiu
prehilbertian.
Dacă dimV = n (finită) se numeşte euclidian (real sau complex).
Spaţiul euclidian complex se mai numeşte şi spaţiu unitar.

Exemple
1) V3 (spaţiul vectorilor liberi) cu produsul scalar:
G G G G
G G ⎧
⎪ 0 daca a = 0 sau b =0
a ⋅b = ⎨ G G G G
⎪⎩ a ⋅ b ⋅ cos a , b ( )
În raport cu acest produs scalar V3 este spaţiu euclidian.

2) \ n = {( x1 , x2 ,..., xn ), xi ∈ \} cu produsul scalar:

def n
< x, y > = ∑ xi yi
i =1

Se demonstrează că <x, y> este produs scalar (temă). \ n este spaţiu euclidian în raport
cu acest produs scalar.

3) C[a, b] = {f / f : [a, b]→ \ , f(x) continue} cu produsul scalar

def b
< f ,g > = ∫ f ( x ) ⋅ g ( x )dx
a
 3

C [a, b] este prehilbertian, în raport cu acest produs scalar.

4) Pn[x] = {p / p∈ \ [x], grad p ≤ n} dimPn[x] = n + 1 cu produsul scalar:

def 1
<p, q> = ∫ p ( x ) q ( x ) dx
−1

Pn[x] este spaţiu euclidian în raport cu acest produs scalar.

4.2. Norma. Spaţii normate

Definiţia 1. Fie V/K spaţiu vectorial. O aplicaţie definită pe V × V → \ + , notată ⋅ se

numeşte normă definită pe V dacă îndeplineşte următoarele axiome:

1) x ≥ 0; x = 0 ⇔ x = 0v , ∀ x ∈ V

2) λ ⋅ x = λ ⋅ x , ∀ λ ∈ K , ∀ x ∈ V

3) x + y ≤ x + y , ∀ x, y ∈ V (inegalittaea triunghiului).

Definiţia 2.
Spaţiul V/K pe care s-a definit o normă se numeşte spaţiu normat.

Propoziţia 1.
Fie V/K, spaţiu euclidian. Atunci:
1) < x, y > ≤ < x, x > ⋅ < y, y > inegalitatea Cauchy – Schwartz
def
2) x = < x, y > este normă
2 2
3) x + y + x − y = 2 x + y ( 2 2
) egalitatea paralelogramului.

Demonstraţie
Avem:

1) <x + λy, x + λy> ≥ 0 ∀λ ∈ \ adică:

<x + λy, x + λy> = <x, y> + λ<y, x> + λ<y, x> + λ2<y, y> =

= λ2<y, y> + 2λ<x, y> + <x, x> ≥ 0

 4

Se şţie că ax2 + bx + c > 0 ⇔ Δ ≤ 0, a > 0, ∀x ∈ \ . În cazul nostru:

Δ = 4(<x, y>2 – <y, y> · <x, x>) ≤ 0. <y, y> ≥ 0, deci <x, y>2 ≤ <y, y> · <x, y>.

Scoatem rădăcina şi rezultă < x, y > ≤ < x, x > ⋅ < y, y > .

2) Arătăm că x = < x, x > verifică axiomele normei.

a) x = < x, x > ≥ 0

b) λx = < λx, λx > = λ 2 < x, x > = x x

Cauchy −
Schwartz

≤
2
c) x + y =< x + y, x + y >=< x, x > +2 < x, y > + < y, y >

≤ x +2 x ⋅ y + y =( x + y )
2 2 2

2 2 2
3) x + y = x + 2 < x, y > + y
2 2
x − y = x − 2 < x, y > + y 2
2
x+ y + x− y =2 x + y
2
( 2 2
)
def
Definiţia 3. Fie V/K spaţiu normat. Atunci d ( x, y ) = x − y este o distanţă (sau metrică).

Definiţia 4. Fie V/K spaţiu normat, x, y ∈ V. Definim unghiul dintre cei doi vectori:
def
< x, y >
cos θ = .
x ⋅ y

Observaţii
1) V/K, euclidian, va fi notat cu E.
2) V/K, în care norma este dată de x = < x, x > se numeşte hilbertian.
 5

4.3. Ortogonalitate. Baze ortogonale.

Definiţia 1. Fie E un spaţiu euclidian. {v1,…,vn} ⊂ E se numeşte sistem ortogonal dacă:
<vi, vj> = 0, i ≠ j. <vi, vi> ≠ 0.

Propoziţia 1.
Fie E spaţiu euclidian, S = {v1,…,vn} sistem ortogonal ⇒ {v1,…,vn} sunt liniar
independenţi.

Demonstraţie
∀ α1v1 + α2v2 + … + αnvn = 0v ⇔ α1 = α2 = … = αn = 0. Înmulţim scalar cu vi (oarecare) şi
⇒ α1 < v1 , vi > +... + α i < vi , vi > +α n < vn , vi >=< 0v ⋅ vi >
N N N N
0 ≠0 0 0

Deci αi<vi, vi> = 0 ⇒ αi = 0, întrucât <vi, vi> ≠ 0.

Propoziţia 2.
Fie E spaţiu euclidian, dimE = n, B{e1,…,en} sistem ortogonal ⇒
n
< x, ei >
∀x ∈ E , x = ∑ xi ei , xi =
i =1 < ei , ei >

Demonstraţie
Propozitia1
Dacă B este ortogonal ⇒ vectorii sunt liniar independenţi ⇒ B este bază.
⇒ ∀ x = x1e1 + … + xiei + … + xnen
< xi ei >
<x, ei> = x1 < e1 , ei > +... + xi < ei , ei > +... + xn < ei , en >⇒ xi =
0 ≠0 0 < ei , ei >

Definiţia 2.
Fie E spaţiu euclidian, dimE = n, B = {e1, e2,…,en}, se numeşte bază ortonormată dacă:
⎧1, daca i = j
< ei , e j >= δij = ⎨ (δij – simbolul lui Kroneker)
⎩0, daca i ≠ j
 6

Consecinţe (Proprietăţi)
1) Dacă B este ortonormată, atunci ei = 1, ∀i = 1, n .
n
2) Dacă B este ortonormată, atunci x = ∑ xi ei , iar xi =< x, ei > se numesc coeficienţi
i =1

Fourier.
n
3) Dacă B este ortonormată atunci < x, y >= ∑ xi yi
x =1

Observaţii
2 2 2
• Dacă x ⊥ y ⇒ x + y = x + y (Teorema lui Pitagora)
2 2 2
x+ y = x + y +2< N
x, y >= 0
0

< x, y >
• cos θ =
x ⋅ y

• d(x + y) = x + y = < x − y, x − y > ortonormalizat.

Exemple
G G G
1) V3 spaţiul vectorilor liberi cu baza B = {i , j , k } ortonormată.

2) \ n cu baza ortonormată B = {e1, e2,…, en} unde:

⎧e1 = (1, 0, 0, 0 )
⎪
⎪e2 = (0,1, 0, 0)
⎨
⎪#
⎪e = ( 0, 0, 0,1)
⎩ n

4.4. Procedeul Gram – Schmidt (procedeul de

ortogonalizare Gram – Schmidt)
Teoremă
Fie E spaţiu euclidian.
 7

Dacă B = {e1,…,en} bază ⇒ ∃ B' = { e1' ,..., en' } ortonormată.

Demonstraţie
(I) Se construieşte baza F = { f1,…,fn} ortogonală:
f1 = e1, f2 = e2 + α2,1 · f1. Se alege α2,1 astfel încât <f1, f2> = 0.
< f1 , e2 >
<f1, f2> = < f1, e2> + α2,1<f1, f1> = 0 ⇒ α 2,1 =
< f1 , f1 >

f3 = e3 + α3,1 · f1 + α3,2 · f2 cu α3,1 şi α3,2 astfel încât

⎧< f1 , f 3 >= 0 ⇒ < f1 , e3 > +α 3,1 < f1 , f1 > +α3,2 < N
f 2 f1 >= 0
⎪
⎨ 0

⎪⎩< f 2 , f3 >= 0

< f1 , e3 >
α3,1 = −
< f1 , f1 >
< f 2 , e3 >
α3,2 = −
< f2 , f2 >
Pentru un element oarecare fi avem:
fi = ei + αi1 ⋅ f1 + αi 2 ⋅ f 2 + ... + αik ⋅ f k + ... + αi ,i −1 fi −1 .

şi pentru care impunem condiţiile:

<fi, fk> = 0 pentru ∀ k = 1,…,i – 1, de unde:
< f k , ei >
αik = − .
< fk , fk >

(II) Se normează baza F şi obţinem noua bază ortonormată {ei' } :

i =1, m

1
e1' = ⋅ f1
f1

1
e2' = ⋅ f2
f2

#
 8

1
ei' = ⋅ fi
fi

#
1
en' = ⋅ fn
fn

Avem:
1
ei' = ⋅ fi = 1 ee' = 1 , ∀ i = 1, n
fi

Exemplu
⎧e1 = (1,1,1)
⎪
În \ fie baza B : ⎨e2 = (0,1, 2)
3

⎪
⎩e3 = (0, 0, 2)
Etapa (I): construim baza F = {f1, f2. f3} astfel:
f1 = e1 = (1, 1, 1) ⇒ f1 = 1 + 1 + 1 = 3

f2 = e2 + α2,1 · f1 | · f1
<f1,f2> = 0 ⇒ <f1, e2> + α2,1<f1, f1> = 0
< f1 , e2 >
α 2,1 = −
< f1 , f1 >
<f1, e2> = 1 · 0 + 1 · 1 + 1 · 2 = 3
<f1, f1> = 12 + 12 + 12 = 3
⇒ α2,1 = –1.

Obţinem: f2 = (0, 1, 2) – (1, 1, 1) = (–1, 0, 1) ⇒ f 2 = 1 + 0 + 1 = 2

f3 = e3 + α3,1f1 + α3,2f2
< f1 , e3 > 1⋅ 0 + 1⋅ 0 + 1⋅ 2 2
<f1, f3> = 0 ⇒ α3,1 = − =− =−
< f1 , f1 > 3 3

< f 2 , e3 > 2 2
<f2, f3> = 0 ⇒ α3,2 = − =− = − = −1
< f2 , f2 > 1+ 0 +1 2

(1,1,1) − 1(1, 0,1) ⇒ f3 = ⎛⎜ , − , ⎞⎟ ⇒ f3 = + + = =

2 1 2 1 1 4 1 6 6
f3 = ( 0, 0, 2 ) −
3 ⎝3 3 3⎠ 9 9 9 9 3
 9

Deci am obţinut:
⎧
⎪ f = (1,1,1)
⎪⎪ 1
⎨ f 2 = (−1, 0,1)
⎪
⎪ f3 = ⎛⎜ 1 , − 2 , 1 ⎞⎟
⎪⎩ ⎝3 3 3⎠

1
II. Normarea bazei F: ei' = ⋅ fi = 1 ee' = 1
fi

1 1 1 ⎛ 1 1 1 ⎞
e1' = ⋅ f1 = = (1,1,1) = ⎜ , , ⎟
f1 < f1 , f1 > 3 ⎝ 3 3 3⎠

1 1 ⎛ 1 1 ⎞
e2' = ⋅ f2 = ( −1, 0,1) = ⎜ − , 0, ⎟
f2 2 ⎝ 2 2⎠

1 1 ⎛1 2 1⎞ 3 ⎛1 2 1⎞ ⎛ 1 2 1 ⎞
e3' = ⋅ f3 = ⎜ ,− , ⎟ = ⎜ ,− , ⎟ = ⎜ ,− , ⎟
f3 6 ⎝3 3 3⎠ 6 ⎝3 3 3⎠ ⎝ 6 6 6⎠
9

Consecinţe
1. Fie E spaţiu euclidian, B = {e1,…,en} ortonormată. Atunci orice vector x se scrie:
n n n
x = ∑ xi ei , y = ∑ yi ei ⇒ < x, y >= ∑ xi yi
i =1 i =1 i =1

2. B este ortonormată ⇒ <x, y> = Xt · Y = X · Yt unde:

⎛ x1 ⎞ ⎛ y1 ⎞
⎜ ⎟ ⎜ ⎟
X =⎜# ⎟ Y =⎜# ⎟
⎜x ⎟ ⎜y ⎟
⎝ n⎠ ⎝ n⎠

Demonstraţie
⎛ y1 ⎞
⎜ ⎟
X · Y = (x1,…,xn) ⎜ # ⎟ = x1 y1 + x2 y2 + ... + xn yn = ∑ xi ei
t

⎜y ⎟
⎝ n⎠
 VIII

OPERATORI LINEARI DEFINIŢI PE SPAŢII EUCLIDIENE

8.1. Operatori adjuncţi
8.2. Operatori autoadjuncţi
8.3. Operatori ortogonali
8.4. Operatori ortogonali în V2, V3 (în plan şi spaţiu)

8.1. Operatori adjuncţi

Definiţia 1. Fie E spaţiu euclidian, T : E → E linear (T ∈ L(E)). T* : E → E se numeşte
adjunctul lui T dacă <T(x), y> = <x, T*(y)> ∀ x, y ∈ E.

Teoremă: Fie E spaţiu euclidian T ∈ L(E) ⇒ există T* : E → E, T* este unic.

Demonstraţie
Fie E spaţiu euclidian, deci există o bază B = {e1,…,en} ortonormată:
⎧1 i = j
<ei, ej> = δi,j = ⎨ .
⎩0 i ≠ j
În baza B, lui T i se asociază o matrice A ⇒ y = T(x)
Y=A·X
<T(x), y> = (AX)t · Y = Xt · At · Y
Presupunem că există T* şi are matricea D în baza B.

<x, T*(y)> = Xt · (DY) = Xt · D · Y ⇒ Xt · At · Y = Xt · D · Y, ∀ X, Y ⇒ D = a t (operatorul

adjunct are în baza B matricea At).

Unicitatea
Presupunem că există S : E → E astfel încât <T(x), y> = <x, S(y)> dar şi <T(x), y> = <x,
T(y)> ⇒ <x, T*(y)> = <x, S(y)> ⇒ <OE, T*(y) – S(y)> = 0, ∀ y ∈ E ⇒
 2

⇒ T*(y) = S(y), ∀ y ∈ E ⇒ T* = S

8.2. Operatori autoadjuncţi

Definiţie. Fie T : E → E, T ∈ L(E). T se numeşte autoadjunct dacă T = T*, adică:
<T(x), y> = <x, T*(y)> = <x, T(y)>.

Teorema 1. Fie T : E → E, T ∈ L(E). T este autoadjunct dacă si numai dacă matricea lui T
într-o bază ortonormată este simetrică.
(A este simetrică dacă At = A sau aij = aji ∀i, j = 1, n )

Demonstraţie
matricea lui T este A
"⇒" T = T* * t
⇒ A = At
matricea lui T este A

"⇐" Presupunem că A = At ⇒ T şi T* au aceeaşi matrice ⇒ T = T*

Teorema 2. Fie T : E → E, T ∈ L(E), T este autoadjunct rezultă că:

a) toate valorile proprii sunt reale
b) pentru λ1 ≠ λ2 (la doua valori proprii distincte) corespund vectori proprii ortogonali.

Demonstraţie
a) <T(x), y> = <x, T(y)>
Fie λ o valoare proprie şi x ≠ 0v vector propriu astfel încât: T(x) = λ.
Avem două cazuri:
1) E este spaţiu euclidian complex. Atunci
<λx, y> = <x, λy> ⇒ λ<x, y> = λ < x, y >⇒ λ = λ ∈
2) E este spaţiu euclidian real.
Fie A matricea într-o bază ortonormată (A = At), pT(λ) = det(A – λIn), (λ valoare proprie
pT(λ) = 0).
n
Fie spaţiu complex.
 3

Construim un operator S care are matricea A. Dar S autoadjunct ⇒ valorile sale proprii
aparţin lui .
ps(λ) = det(A – λIn) = pT(λ). Dar cum valorile sale proprii ∈ ⇒ p(λ) = 0 are rădăcini
reale. (T şi S au acelaşi polinom caracteristic).
Deci, pT(λ) are rădăcini reale.
b) Presupunem λ1 ≠ λ2.
Notăm: v1 vector propriu corespunzător lui λ1: T(v1) = λ1v1,
v2 vector propriu corespunzător lui λ2: T(v2) = λ2v2
T autoadjunct ⇔ <T(v1), v2> = <v1, T(v2)> ⇒ <λ1v1, v2> = <v1, λ2v2> ⇒
⇒ λ1<v1, v2> = λ2<v1, v2> ⇒
( λ1 − λ 2 ) ⋅ < v1 , v2 >= 0 ⇒ <v1, v2> = 0, v1 şi v2 ortogonali (⊥)
≠0

Teorema 3. Fie T : E → E, dimE = n, T ∈ L(E), T = T* ⇒ există o bază B = {e1,…,en}

ortonormată astfel încât în această bază matricea lui T are formă diagonală.

Demonstraţie
Caz 1.
Teorema 2
Presupunem că λ1 ≠ λ2 ≠ … ≠ λn ⇒ {v1, v2,…,vn} ortogonali.
Dar {v1,…,v2} liniar independenţi, rezultă că {v1,…,vn} este o bază ortogonală. Normăm
această bază {e1, e2…,en}:
1
e1 = ⋅ v1
v1

1
en = ⋅ vn
vn

Dar avem:
λ1
T(v1) = λ1v1,…,T(vn) = λnvn ⇒ T(e1) = λ1e1 = v1
v1
 4

λ n vn
T(en) = λnen =
vn

iar matricea
⎛ λ1 ⎞
⎜ 0 … 0 ⎟
v1
⎜ ⎟
⎜ λ2 ⎟
⎜ 0 … 0 ⎟
A= ⎜ v2 ⎟
⎜ ⎟
⎜ ⎟
⎜ λn ⎟
0 0 …
⎜ vn ⎟⎠
⎝
1 1 λ
întrcât e1 = ⋅ v1 ⇒ T ( e1 ) = ⋅ T ( v1 ) = 1 ⋅ v1
v1 v1 v1

Caz 2.
Dacă există valori proprii multiple ⇒ există vactori proprii ortogonali.
Şi acest caz se reduce la cazul 1.

Observaţii
1) T autoadjunct are matrice simetrică.
2) T autoadjunct are valorile proprii reale.
3) O matrice simetrică poate fi diagonalizată.

Aplicaţie
Fie T : 3
→ 3
,şi x ∈ 3
, X = (x1, x2, x3) în bază canonică şi
T(x) = (x1 + x2, x1 – x3, x2 + x3). Se cer:
a) Matricea lui T în bază canonică.
b) Să se determine T* (adjunctul).
c) T este autoadjunct?
a) Avem:
 5

⎧e1 = (1, 0, 0 )
⎪
⎨e2 = ( 0,1, 0 )
⎪
⎩e3 = ( 0, 0,1)

⎧T ( e1 ) = (1,1, 0 )
⎪
deci ⎨T ( e2 ) = (1, 0,1)
⎪
⎩T ( e3 ) = ( 0, −1,1)

T ( e1 ) T ( e2 ) T ( e3 )
⎛1 1 0⎞
deci ⎜ ⎟ .
A = ⎜1 0 − 1⎟
⎜0 1 1 ⎟⎠
⎝

b) T* are matricea:
⎛1 1 0⎞
⎜ ⎟
At = ⎜ 1 0 1 ⎟
⎜ 0 −1 1 ⎟
⎝ ⎠

⎛ 1 1 0 ⎞ ⎛ x1 ⎞ ⎛ x1 + x2 ⎞
* ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Atunci T (x) = ⎜ 1 0 1 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ x1 + x3 ⎟
⎜ 0 −1 1 ⎟ ⎜ x ⎟ ⎜ − x + x ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ 2 3⎠
sau T*(x) = (x1 + x2, x1 + x3, –x2 + x3).

c) A este simetrică?
A nu este simetrică ⇒ T ≠ T*

8.3. Operatori ortogonali

Definiţia 1. Fie T : E → E, T ∈ L(E) se numeşte ortogonal dacă transformă orice bază
ortonormată într-o bază ortonormată.
Dacă <ei, ej> = δij ⇒ <T(ei), T(ej)> = δij

Teoremă T : E → E, T ∈ L(E) rezultă că următoarele afirmaţii sunt echivalente:

 6

a) T ortogonal
b) T păstrează produsul scalar
<T(x), T(y)> = <x, y> (izometrie)
c) Dacă A este matricea într-o bază ortonormată rezultă că există A–1 şi A–1 = At

Demonstraţie
Vom demonstra: a ⇒ b ⇒ c
?
a) ⇒ b) T ortogonal ⇒ <T(x), T(y)> = <x, y>
Ipoteza: T ortogonal.
T ortogonala
Conform definiţiei <ei, ej> = δij deci ⇒ <T(ei), T(ej)> = δij
n
Dar < x, y >= ∑ xi yi
i =1

⎛ n ⎞ n
Atunci T ( x ) = T ⎜ ∑ xi ei ⎟ = ∑ xiT ( ei ) ,
⎝ i =1 ⎠ i =1
⎛ n ⎞ n
T ( y ) = T ⎜ ∑ yi ei ⎟ = ∑ y jT ( e j ) ,
⎝ j −1 ⎠ j =1
n n n n
deci < T ( x ) , T ( y ) >= ∑ x T (e ) , ∑ y T (e )
i =1
i i
j =1
i j = ∑∑ xi y j < T ( ei ) , T ( e j ) > =
i =1 j =1
δi

∑∑ x y δ = ∑ x y
i j
i i ij
i =1
i i =< x, y >

b) ⇒ c)
?
Ipoteza: <T(x), T(y)> = <x, y> ⇒ A–1 = At
Vom arăta că T este injectivă ⇔ KerT = {0E}.
Reamintim KerT = { x | x ∈ E , T ( x ) = 0 E } .

Fie x ∈ KerT, deci T(x) = 0E

ip x∈KerT
Dar <x, x> = <T(x), T(y)> = 0 ⇒ x = 0E ⇒ KerT = {0E} ⇒ T injectiv
Dar T este şi surjectiv, deci T bijectivă şi deci T izomorfism.
 7

Întrucât T bijectiv, rezultă că există T–1 : E → E, iar matricea lui T–1 este A–1
Avem prin ipoteză <T(x), T(y)> =<x, y)>.
Alegem y = T–1(x), adică T(y) = x.
Atunci <T(x), x> = <x, T–1(x)>
dar <T(x), x> = <x, T*(x)>
deci <x, T–1(x)> = <x, T*(x)> ⇒ T* = T–1
Dar matricea lui T* este At, matricea lui T–1 este A–1 ⇒ At = A–1.

c) ⇒ a)
Prin ipoteză A–1 = At, adică T* = T–1.
Arătăm că T este ortogonal
?
<ei, ej> = δij ⇒ <T(ei), T(ej)> = δij
T * = T -1
*
<T(ei), T(ej)> = <ei, T (Tej)> = <ei, T–1(Tej)> = <ei, (T −1 T ) (ej)> = <ei, ej> = δij

Propoziţia 1:
T : E → E, T ortogonal ⇒ T păstrează distanţele şi unghiurile.

Demonstraţie
Trebuie să demonstrăm că:

( ) ( )
? ?
d(T(x), T(y) = d(x, y) şi cos T ( x ) , T ( y ) = cos x, y

Dar d ( x, y ) = x − y

Avem < x, x >= x

2
⎫
⎪
<x, x> = 2⎬
⇒ T ortogonal ⇒ x = T ( x )
dar si < x, x >=< T ( x ) , T ( x ) >= T ( x ) ⎪⎭

Avem d(x, y) = x − y ,

iar d (T ( x ) , T ( y ) ) = T ( x ) − T ( y ) = T ( x − y ) = x − y = d(x, y)

Avem cos θ =
< x, y >
x ⋅ y
( )
= cos x, y ,
 8

< T ( x) ,T ( y ) > < x, y >

iar cos (T ( x ) , T ( y ) ) = = = cos θ
T ( x) T ( y) x y

Definiţia 2. Fie A ∈ Mn(R). A se numeşte matrice ortogonală dacă există A–1 = At.

Consecinţă: Dacă A este matrice ortogonală, atunci rezultă că operatorul asociat într-o
bază ortonormată este ortogonal.

Propoziţia 2.
A este ortogonală ⇒ detA = ± 1.

Demonstraţie
Prin ipoteză: A–1 = At.
Dar A · A–1 = In ⇒ detA · detA–1 = 1
Deci (detA)2 = 1 ⇒ detA = ± 1.

Definiţia 3.
Matricea A ortogonală pentru care detA = 1 se numeşte matrice de rotaţie.

Observaţie
v1 v2 vn
↓ ↓ ↓

⎛ a11 a12 … a1n ⎞

⎜ ⎟
a a22 a2 n ⎟
A = ⎜ 21
⎜ ⎟
⎜⎜ a ⎟
an 2 … ann ⎟⎠
⎝ n1
Dacă A este ortogonală, v1…vn sunt vectorii coloană.
Dacă A este ortogonală, avem:
<vi, vj> = 0
vi = 1
 9

8.4. Operatori ortogonali în V2, V3 (în plan şi spaţiu)

V2

Fie a ∈ V2 ,

a = xy + yj
şi T : V2 → V2, T ortogonal
Condiţia ca matricea asociată lui T ortogonal este:
⎧a ⋅ b + c ⋅ d = 0
⎛a b⎞ t ⎪ 2 2
A=⎜ ⎟ ortogonală ⇔ A · A = I2 ⇒ ⎨a + c = 1 ⇒ a, b, c,d ∈ [–1, 1]
⎝c d⎠ ⎪b 2 + d 2 = 1
⎩
a c
Din a · b = –c · d | : bd ⇒ =−
d b
a c
Notăm − = = α ⇒ a = −d α
d b
Din a2 + c2 = 1 ⇒ α2(b2 + d2) = 1 ⇒ α2 = 1 ⇒ α = ±1

Caz I
Pentru α = 1
a ∈ [–1, 1] ⇒ ∃ θ ∈ [0, π] astfel încât cosθ = a ⇒ θ = arccosa.
Din c2 = 1 – a2 = 1 – cos2θ = sin2θ ⇒ c = ±sinθ.
Alegem pentru c = sinθ.
Atunci:a = –d = –cosθ
b = c = sinθ şi
⎛ cos θ sin θ ⎞
A=⎜ ⎟
⎝ sin θ − cos θ ⎠
 10

Caz II
Pentru α = –1
avem: a = cosθ,
c = sin θ,
d = cosθ,
b = –sinθ,
⎛ cos θ − sin θ ⎞
B=⎜ ⎟,
⎝ sin θ cos θ ⎠
cu detB = 1 ⇒ B este matrice de rotaţie

Caz θ = 0
⎛1 0 ⎞ ⎛1 0⎞
A0 = ⎜ ⎟ B0 = ⎜ ⎟
⎝ 0 −1⎠ ⎝0 1⎠
simetrie faţă de Ox operatorul unitate

Caz θ = π
⎛ −1 0 ⎞ ⎛ −1 0 ⎞
Aπ = ⎜ ⎟ Bπ = ⎜ ⎟
⎝ 0 1⎠ ⎝ 0 −1⎠
simetrie faţă de Oy simetrie faţă de O
Fie T operatorul căruia i se asociază în baza {i , j } matricele A0, B0, Aπ, Bπ, respectiv:

{i , j } →{i ', j '} .

T

Fie cazul matricei A0:

⎧⎪i ' = T ( i ) ,
⎨ , adică
⎪⎩ j ' = T ( j ) ,

⎧⎪i ' = i
A0 ⎨
⎪⎩ j ' = − j
Avem formulele de schimbare a unui vector când schimbăm baza:
X = C · X', X' = C–1 · X (1)
 11

⎛1 0 ⎞
cu matricea de trecere C = A0 = ⎜ ⎟ ce reprezintă simetrie faţă de Ox.
⎝ 0 −1 ⎠
C = A0

y
M(x, y)

j i
x
0
–j
M'(x, –y)

Pe componente, relaţiile se mai scriu:

⎛ x ⎞ ⎛1 0 ⎞⎛ x '⎞
⎜ ⎟=⎜ ⎟⎜ ⎟ ,
⎝ y ⎠ ⎝ 0 −1⎠ ⎝ y ' ⎠
⎛ x'⎞ −1 ⎛ x ⎞ ⎛ 1 0 ⎞⎛ x ⎞ ⎧ x ' = x
⎜ ⎟=C ⎜ ⎟=⎜ ⎟⎜ ⎟ ⇒ ⎨
⎝ y '⎠ ⎝ y ⎠ ⎝ 0 −1⎠⎝ y ⎠ ⎩ y ' = − y
În cazul matricei B0:
⎧⎪i ' = i
⎨
⎪⎩ j ' = j
obţinem operatorul identitate.

În cazul matricei Aπ:

⎧⎪i ' = T (i ) = −i
⎨
⎪⎩ j ' = T ( j ) = j
obţinem simetrie faţă de Oy.

j
i
x
–i 0

În cazul matricei Bπ:

 12

⎧⎪i ' = T (i ) = −i
⎨
⎪⎩ j ' = T ( j ) = − j
obţinem simetrie faţă de origine

j M(x,y)

–i i
x
–j

M'(–x,–y)

Dacă θ ≠ 0, π, obţinem
⎛ cos θ sin θ ⎞
A=⎜ ⎟,
⎝ sin θ − cos θ ⎠
⎛ cos θ − sin θ ⎞
B=⎜ ⎟
⎝ sin θ cos θ ⎠
rotaţie de unghi θ.

Pentru B avem:
i ' = T ( i ) = cos θi + sin θj
j ' = T ( j ) = − sin θi + cos θj

j
j i
θ i
x

i ' se obţine prin rotirea lui i cu unghiul θ.

B este o rotaţie de unghi θ (în sens direct sau trigonometric), în care punctul M(x, y)
ajunge în punctul M'(x', y'):
 13

M(x, y) → M'(x', y')

⎛ x ⎞ ⎛ cos θ − sin θ ⎞⎛ x ' ⎞ ⎧ x = x 'cos θ − y 'sin θ
Dar ⎜ ⎟ = ⎜ ⎟⎜ ⎟ ⇒ ⎨ coordonate vechi în funcţie de
⎝ y ⎠ ⎝ sin θ cos θ ⎠⎝ y ' ⎠ ⎩ y = x 'sin θ − y 'cos θ
coordonate noi, sau:
⎛ x ' ⎞ ⎛ cos θ sin θ ⎞ ⎛ x ⎞
⎜ ⎟=⎜ ⎟ ⎜ ⎟ coordonatele noi în funcţie de cele vechi,
⎝ y ' ⎠ ⎝ − sin θ cos θ ⎠ ⎝ y ⎠
adică:

⎧ x ' = x cos θ + y sin θ

⎨
⎩ y ' = − x sin θ + y cos θ
ceea ce reprezintă formulele de rotaţie în plan.
Pentru A avem:
⎛ cos θ − sin θ ⎞ ⎛ 1 0 ⎞ ⎛ cos θ sin θ ⎞
A=⎜ ⎟⋅⎜ ⎟=⎜ ⎟,
⎝ sin θ cos θ ⎠ ⎝ 0 −1⎠ ⎝ sin θ − cos θ ⎠
B A0

ceea ce reprezintă compunerea unei rotaţii cu o simetrie faţă de axa Ox.

y
M'(x',y')

M(x,y)
θ
x

M"(x",y")

Consecinţă
Transformările ortogonale în plan sunt:
– simetrii
– rotaţii
– compuneri de simetrii şi rotaţii.

În spaţiul V3 al vectorilor liberi avem matricea de trecere de la o bază la alta, de forma:

 14

DESEN (acest desen nu il prea inteleg)

⎛ cos θ − sin θ 0 ⎞
⎜ ⎟
C = ⎜ sin θ cos θ 0 ⎟
⎜ 0 0 1 ⎟⎠
⎝
ceea ce reprezintă rotaţia de unghi θ în jurul axei Oz, adică:
⎧i ' = T ( i ) = cos θi + sin θj
⎪⎪
⎨ j = − sin θi + cos θj
⎪
( )
⎪⎩k ' = T k = k

k
k'
θ
j
i' y
j'
i

x
 IX

FORME BILINEARE. FORME PĂTRATICE I

9.1. Definiţii. Exemple.
9.2. Matricea asociată. Schimbarea matricei când se schimbă baza.
9.3. Forme pătratice (definiţie, exemple).
9.4. Reducerea la forma canonică prin metoda transformărilor ortogonale.

9.1. Definiţii. Exemple

Definiţia 1. Fie V un spaţiu vectorial, F : V × V → . F se numeşte bilineară dacă:
a) F(αx + βy, z) = αF(x, z) + βF(y, z), ∀ α, β ∈ , ∀ x, y, z ∈ V.
b) F (x, αy + βz) = αF(x, y) + βF(y, z), ∀ α, β ∈ , ∀ x, y, z ∈ V
adică F este lineară în raport cu x şi y.

Definiţia 2. F (x, y) este simetrică dacă F(x, y) = F(y, x) ∀ x, y ∈ V.

Definiţia 3. F(x, y) este pozitiv definită (negativ definită) dacă:

• F(x, x) ≥ 0 (F(x, x) ≤ 0) ∀ x ∈ V

• F(x, x) = 0 ⇒ x = 0v

Exemple
1) Fie V = E (spaţiu euclidian). Produsul scalar <x, y> este funcţie bilineară simetrică.

2
2) Fie V = şi
x = (x1, x2)
y = (y1, y2)
z = (z1, z2)

1) Fie funcţia F(x, y) = F((x1, x2), (y1, y2))=x1y2 + x2y1. Arătăm că F este bilineară:
 2

F(αx + βz, y) = F(αx1 + βz, αx2 + βz2), (y, y2) = (αx1 + βz1)y2 + (αx2 + βz2)y1
Pe de altă parte:
F(αx + βz, y) = α(x1y2 + x2y1) + β(z1,y2 + z2y1) = αF(x, y) + βF(z, y)
Avem F(x, y) = x1y2 + x2y1 = y1x2 + y2x1 = F(y, x), deci în plus F este şi simetrică.

3) Fie a, b ∈ , a < b, V = C[a, b]={f : [a, b] → continuă}, K : [a, b] × [a, b] →

continuă.
Atunci F : V × V → definită prin:
b b
F ( f , g ) = ∫ ∫ K ( s, t ) f ( s ) g ( t ) dsdt , ∀ f, g ∈ V este formă biliniară pe V.
a a

9.2. Matricea asociată. Schimbarea matricei când se

schimbă baza.
Definiţie. Fie F : V × V → , F(x, y) bilineară, dimV = n, B = {e1, e2,…,en} o bază.
Matricea A = (aij)n,n, aij = F(ei, ej) se numeşte matricea asociată lui F(x, y) în raport cu
baza B.

Exemplu:
Fie F : 2
× 2
→ , cu F(x, y) = x1y2 + x2y1.
2
Să se determine matricea lui F în bază canonică din . formată din vectorii:
e1 = (1, 0), e2 = (0, 1)
Atunci a11 = F(e1, e2) = 1 · 0 + 0 · 1 = 0,
a12 = F(e1, e2) = 1,
a21 = F(e2, e1) = 1,
a22 = F(e2, e2) = 0,
⎛0 1⎞
deci A = ⎜ ⎟.
⎝1 0⎠

Propoziţia 1
Fie F : V × V → , F bilineară, A = (aij) matricea asociată în raport cu B. Rezultă că:
 3

⎛ x1 ⎞ ⎛ y1 ⎞
⎜ ⎟ ⎜ ⎟
n n x y
F ( x, y ) = ∑∑ aij xi x j sau F(x, y) = Xt
· A · Y, unde: X =⎜ 2⎟, Y = ⎜ 2 ⎟.
i =1 j =1 ⎜ ⎟ ⎜ ⎟
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ xn ⎠ ⎝ yn ⎠

Demonstraţie:
Avem:
n
x = ∑ xi ei ,
i =1

n
y = ∑ y jej ,
j =1

aij = F(ei, ej),

⎛ n n ⎞ n n
atunci F ( x, y ) = F ⎜ ∑ xi ei , ∑y e j j ⎟ = ∑∑ xi y j ⋅ F ( ei e j ) aij =
⎝ i =1 j =1 ⎠ i =1 j =1
n n n n n
⎛ n ⎞
∑∑ a x y = ∑∑ x a
i =1 j =1
ij i j
i =1 j =1
i ij y j = ∑ ⎜ ∑ xi aij ⎟ y j = X t ⋅ A ⋅ Y
j =1 ⎝ i =1 ⎠

Exemplu
Pentru n = 2, avem:
F(x, y) = a11x1y1 + a12x1y2 + a21x2y1 + a22x2y2
Pe de altă parte:
⎛a a12 ⎞ ⎛ y1 ⎞ ⎛ y1 ⎞
F(x, y) = Xt · A · Y = (x1, x2) · ⎜ 11 ⎟ ⋅ ⎜ ⎟ = ( a11 x1 + a21 x2 , a12 x1 + a22 x2 ) ⋅ ⎜ ⎟ =
⎝ a21 a22 ⎠ ⎝ y2 ⎠ ⎝ y2 ⎠
= a11x1y1 + a21x2y1 + a12x1y2 + a22x2y2

Propoziţia 2. Fie F : V × V → , F bilineară este simetrică dacă şi numai dacă matricea

asociată într-o bază este simetrică (A = At).

Demonstraţie
F(ei, ej) = F(ej, ei) ⇔ aij = aji
 4

Propoziţia 3.
Fie V spaţiu vectorial, F o formă bilineară, dimV = n, B = {e1,…,en} şi B' = { e1' ,...en' }, C
C
matricea de trecere de la B la B', B → B ' . atunci A' = Ct · A · C, unde A – matricea în baza
B, A' – matricea în baza B'.

Demonstraţie:
Avem F(x, y) = Xt · A · Y în baza B (1)
t '
şi F(x, y) = X' · A · Y' în baza B' (2)
De asemenea X = C · X' şi
Y = C · Y'.
Atunci F(x, y) = (C · X')t · A · (C · Y') = X't · Ct · A · C · Y' = X't(Ct · A · C) · Y' = X't · A' · Y'
(2)
⇒ A' = Ct ⋅ A ⋅ C

9.3. Forme pătratice (Definiţie, exemple)

Definiţia 1 Fie V/ un spaţiu vectorial, F(x, y) o formă lineară simetrică.
Funcţia φ : V → se numeşte formă pătratică, dacă există F : V × V → , f bilineară,
simetrică astfel încât φ(x) = F(x, x).

Propoziţia 1 Dacă φ : V → este o formă pătratică atunci:

1
F ( x, y ) = ⎡ φ( x + y ) − φ ( x ) − φ ( y ) ⎤⎦ , F(x, y) se numeşte polara formei pătratice φ.
2⎣

Demonstraţie:
φ(x + y) = F(x + y, x + y) = F(x, x) + F(x, y) + F(y, x) + F(y, y) = φ(x) + 2F(x, y) + φ(y)
1
F ( x, y ) = ⎡ φ( x + y ) − φ ( x ) − φ ( y ) ⎤⎦ .
2⎣

Definiţia 2 Fie φ : V → , φ(x) formă pătratică se numeşte pozitiv (negativ) definită

dacă F(x, y) este pozitiv (negativ definită):

φ(x) ≥ 0, φ(x) = 0 ⇒ x = 0v.

 5

Definiţia 3
Fie φ : V → R, φ(x) formă pătratică, dimV = n, B = (e1,…,en).
Se numeşte matricea lui φ în raport cu baza B matricea asociată polarei F(x, y) în baza B.

Observaţie: ACeastă matrice este simetrică.

Propoziţia 2 Fie φ : V → , φ(x) formă pătratică, A matricea în raport cu baza B. Rezultă

n n
φ ( x ) = a11 x12 + a22 x22 + ... + ann xn2 + 2a12 x1 x2 + 2a13 x1 x3 + ... + 2an −1, n xn −1 xn = ∑∑ aij xi x j
i =1 j =1

Exemplu:
Pentru n = 3, fie x = (x1, x2, x3). Atunci:
φ ( x ) = a11 x12 + a22 x22 + ... + a33 x32 + 2a12 x1 x2 + 2a13 x1 x3 + 2a23 x2 x3

Fie φ ( x ) = x12 − 2 x22 + x32 + 2 x1 x2 + 4 x2 x3 , atunci matricea asociată este

⎛1 1 0⎞
⎜ ⎟
A = ⎜ 1 −2 2 ⎟
⎜0 2 1⎟
⎝ ⎠
unde 2a12 = 2 ⇒ a12 = 1.

Definiţia 3 O formă pătratică se numeşte redusă la forma canonică dacă există o bază în
care matricea asociată are formă diagonală (φ(x) = sumă de pătrate).

9.4. Reducerea la forma canonică prin metoda

transformărilor ortogonale
(cu vectori şi valori proprii)

Teorema 1 Fie F : E × E → , F (x, y) formă bilineară simetrică. Rezultă că există

T : E → E, T autoadjunct astfel încât F(x, y) = <T(x), y>, T unic.
 6

Demonstraţie:
E spaţiu euclidian ⇒ ∃ B o bază ortonormată ⇒ <x, y> = Xt · Y
Avem F (x, y) = F(y, x), aij = F(ei, ej) ⇒ matricea A în baza B este simetrică.
Fie T un operator linear T : E → E astfel încât în B are matricea A, deci:
T(x) = A · X.
A = At ⇒ T este autoadjunct
Avem F(x, y) = Xt · A · Y, iar
T ( x ) = A⋅ X At = A
< T(x), y> = (AX) · Y = X · A · Y = Xt · A · Y,
t t t

deci F(x, y) = < T(x), y>.

Unicitate
Presupunem că există S : E → E astfel încât F(x, y) = <S(x), y> ⇒
⇒ < T(x), y> = <S(x), y> ⇒ <(T – S)(x), y> = 0; ∀ y ⇒ T(x) = S(x)
Fie F:E×E → bilineară ⇒ există T:E → E autoadjunct astfe încât F(x, y) = < T(x), y>.

Teorema 2
Fie φ : E → E, φ(x) o formă pătratică. Rezultă că există o bază ortonormată astfel încât în
această bază φ(x) este redusă la forma canonică.

Demonstraţie:
Fie φ(x) formă pătratică. Rezultă că există F(x, y), polară simetrică. Rezultă din Teorema
1 că există T : E → E autoadjunct.
T autoadjunct ⇒ are valori proprii reale şi există o bază ortonormată (formată din vectori
proprii) astfel încât în această bază matricea lui T are formă diagonală.
Fie {e1' , e2' ,..., en' } bază ortonormată în care:

⎛ λ1 0 … 0 ⎞
⎜ ⎟
⎜ 0 λ2 … 0 ⎟
A=
⎜ ⎟
⎜⎜ 0 ⎟
λ n ⎠⎟
⎝
 7

T ( e1' ) = λ1e1'

T ( e2' ) = λ 2 e2'

T ( en' ) = λ n en'

φ(x) = F(x, x) = <T x, x> = Xt · A · X.

n
În noua bază x = ∑ xi ei , iar T(X') = A' · X'.
i =1

Tx ' x'

⎛ n ⎞ ⎛ n ⎞ n n
φ ( x ) =< T ⎜ ∑ xi' ei' ⎟ , T ⎜ ∑ x 'j e'j ⎟ > = ∑∑ xi' x 'j < T ( ei' ) , e'j > =
⎝ i =1 ⎠ ⎝ j =1 ⎠ i =1 j =1

n n n n n n n

∑∑ xi' x'j < λi ei' , e'j > = ∑∑ xi' x'j λi < ei'e'j > = ∑∑ xi' x'j λi δij = ∑ λi ( xi' )
2
=
i =1 j =1 i =1 j =1 i =1 j =1 i =1

Concluzii
I. φ ( x ) = a11 x12 + ... + ann xn2 + 2a12 x1 x2 + ... + 2an −1, n xn −1 xn

Scriem matricea A.
⎛ a11 a12 … a1n ⎞
⎜ ⎟
a a22
A = ⎜ 12 ⎟
⎜ ⎟
⎜⎜ ⎟
⎝ a1n ann ⎟⎠

II. p(λ) = det(A – λIn)

p(λ) = 0 ⇒ λ1, λ2,…,λn.

III. Se determină vectorii proprii

caz a) λ1 ≠ λ2 ≠ λn ⇒ {v1,…,vn} bază ortogonală
caz b) λ1 = λ2 = λ3 valori proprii multiple.
Alegem trei vectori proprii (dacă este triplă) ortogonali. Rezultă o bază {v1, v2,…,vn}.
 8

IV. Ortonormăm baza de la (III).

V. Scriem φ ( x ' ) = λ1 x1' 2 + λ 2 x2' 2 + ... + λ 3 x3' 2 (forma canonică)

VI. Se scrie matricea C de trecere {e1,…,en} → { e1' ,...en' }, iar X = C · X'.

Deci F : V × V → , f bilineară şi
φ:V→ astfel încât φ(x) = F(x, x). adică:
n
φ ( x ) = a11 x12 + a22 x22 + a33 x32 + 2a12 x1 x2 + 2a13 x1 x3 + 2a23 x2 x3 = ∑a xx
i , j =1
ij i j

Aplicaţie
Să se reducă la forma canonică prin metoda transformărilor ortogonale următoarea formă
pătratică. Să se specifice schimbarea de coordonate făcută.
φ ( x ) = 3 x12 + 3 x22 + 3 x32 + 2 x1 x2 + 2 x2 x3 + 2 x1 x3

⎛3 1 1⎞
⎜ ⎟
I. A = ⎜ 1 3 1 ⎟
⎜ 1 1 3⎟
⎝ ⎠

3−λ 1 1 1 1 1
II. p(λ) = λ 1 3−λ 1 = (5 − λ ) 1 3 − λ 1 =
1 1 3−λ 1 1 3−λ

adunăm la prima coloană scădem prima linie

celelate două coloane din celelalte două
1 1 1
= (5 − λ ) 0 2 − λ 0 = ( 5 − λ )( 2 − λ )
2

0 0 2−λ

p(λ) = 0 ⇒
λ1 = 5
λ2 = λ3 = 2.
 9

III. λ1 = 5

⎛ −2 1 1 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 1 −2 1 ⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜ 1 1 −2 ⎟ ⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠

⎧−2 x1 + x2 + x3 = 0
⎪
⎨ x1 − 2 x2 + x3 = 0
⎪x + x − 2x = 0
⎩ 1 2 3

x1 = x2 = x3 = α
v1 = α(1, 1, 1)
⎛1 1 1⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
λ2 = λ3 = 2 ⇒ ⎜1 1 1⎟ ⋅ ⎜ x2 ⎟ = ⎜ 0 ⎟
⎜1 1 1⎟ ⎜ x ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ 3⎠ ⎝ ⎠
x1 + x2 + x3 = 0 x1 = –α – β
x2 = α
x3 = β
v = (–α – β, α, β) = α(–1, 1, 0) + β(–1, 0, 1)
v2 = β = 0 (−α, α, 0) ⎫⎪
⎬ =< v1 , v2 >= 0 ⇒
v3 = ( −α1 − β1 , α1 , β1 ) ⎪⎭

⇒ –α(–α1 – β1) + α · α1 = 0 α= 0 (nu se poate)

–α1 – β1 – α1 = 0 ⇒ α = 1 ⇒ β1 = –2α1
v2 = α(–1, 1, 0)
v3 = (–α1 + 2α1, α1, –2α1)(α1, α1, –2α1) = α1(1, 1, –2)
⎧v1 = (1, 1, 1)
⎪
⎨v2 = ( −1, 1, 0 ) }⇒ bază ortogonală.
⎪
⎩v3 = (1, 1, − 2 )

Avem v1 = 3, v2 = 2, v3 = 6.
 10

IV. Normăm
1 ⎛ 1 1 1 ⎞
e1' = ⋅ v1 = ⎜ , , ⎟
v1 ⎝ 3 3 3⎠
1 ⎛ 1 1 ⎞
e2' = ⋅ v2 = ⎜ − , , 0⎟
v2 ⎝ 2 2 ⎠
1 ⎛ 1 1 2⎞
e3' = ⋅ v3 = ⎜⎜ , ,− ⎟
v3 ⎝ 6 6 3 ⎟⎠

V. Forma canonică
φ ( x ') = 5 x1' 2 + 2 x2' 2 + 2 x3' 2

VI. Schimbarea de coordonate

(e1' ) (e2' ) (e3' )
⎛ 1 1 1 ⎞
⎜ − ⎟
⎜ 3 2 6 ⎟
Avem matricea de trecere C = ⎜ 1 1 1 ⎟
⎜ ⎟.
⎜ 3 2 6 ⎟
⎜ 1 2 ⎟
⎜ 0 − ⎟
⎝ 3 6⎠

⎛ 1 1 1 ⎞
⎜ − ⎟
⎜ 3 2 6 ⎟
⎛ x1 ⎞ ⎛ x1 ⎞
⎜ ⎟ ⎜ 1 1 1 ⎟ ⎜ ⎟
Atunci ⎜ x2 ⎟ = ⎜ ⎟ ⋅ x2
⎜x ⎟ ⎜ 3 2 6 ⎟ ⎜⎜ ⎟⎟
⎝ 3⎠ x
⎜ 1 2 ⎟ ⎝ 3⎠
⎜ 0 − ⎟
⎝ 3 6⎠
sau
1 ' 1 ' 1 '
x1 = x1 − x2 + x3
3 2 6
1 ' 1 ' 1 '
x2 = x1 + x2 + x3
3 2 6
1 ' 2 '
x3 = x1 − x3
3 6
 11

Observaţie
Scriem x1' , x2' , x3' în funcţie de x1, x2, x3
X' = C–1 · X = Ct · X (C este ortogonală, C–1 = Ct), deci:
⎛ 1 1 1 ⎞
⎜ ⎟
⎛ x1' ⎞ ⎜ 3 3 3 ⎟
⎛ x1 ⎞
⎜ '⎟ ⎜ 1 1 ⎟ ⎜ ⎟
⎜ x2 ⎟ = ⎜− 0 ⎟ ⋅ ⎜ x2 ⎟
⎜ x3' ⎟ ⎜ 2 2 ⎟ ⎜⎝ x3 ⎟⎠
⎝ ⎠ ⎜ 1 1 2 ⎟
⎜ − ⎟
⎝ 6 6 6⎠

⎧ ' 1 1 1
⎪ x1 = 3 x1 + 3 x2 + 3 x3
⎪
⎪ ' 1 1
⎨ x2 = − x1 + x2 + 0
⎪ 2 2
⎪ ' 1 1 2
⎪ x3 = x1 + x2 − x3
⎩ 6 6 6
 X

FORME PĂTRATICE II
10.1. Reducerea la forma canonică prin metoda Jacobi.
10.2. Reducerea la forma canonică prin metoda Gauss.

10.1. Reducerea la forma canonică prin metoda Jacobi

Teorema 1 Fie φ : E → E formă pătratică, fie A = (aij)n,n într-o bază.

⎛ a11 a12 … a1n ⎞

⎜ ⎟
a a22 … a2 n ⎟
A = ⎜ 12
⎜ ⎟
⎜⎜ ⎟
⎝ a1n ann ⎟⎠

Fie D0 = 1
D1 = a11
a11 a12
D2 =
a12 a22

a11 … a1i
Di =
a1 j … a1 j

Dn = det(A)
Dacă toţi Di ≠ 0, ∀i = 1, n , există {f1, f2,…,fn} (baza Jacobi) astfel încât în această bază φ
are forma canonică.
D0 ' 2 D1 ' 2 D D
φ ( x ') = x1 + x2 + ... + i −1 xi'2 + ... + n −1 xn' 2
D1 D2 Di Dn

Demonstraţie:
C
Fie {f1,…fn} bază astfel încât matricea de trecere {e1 ,..., en } →{ f1 ,..., f n } este:
 2

⎛ c11 c12 … c1n ⎞

⎜ ⎟
c c22 … c2 n ⎟
C = ⎜ 12 ⇒
⎜ ⎟
⎜⎜ ⎟
⎝ 0 0 … cnn ⎟⎠

f1 = c11 f1 (1)
f 2 = c12 e1 + c22 e2 (2)

f j = c1 j e1 + ... + c jj e j ( j)

f n = c1n e1 + ... + cnn en ( n)

Condiţii pentru determinarea coeficientului:
Fie F (x, y) polara lui φ(x). Pentru relaţia (1) avem:
F(f1, e1) = 1 ⇒ F(c11e1, e1) = c11F(e1, e1) = c11a11 = 1, deci:
1
c11 =
a11
Pentru relaţia (2) avem:
⎧⎪ F ( f 2 , e1 ) = 0 ⎧a11c12 + a12 c22 = 0
⎨ ⇒ ⎨
⎪⎩ F ( f 2 , e2 ) = 1 ⎩a12 c12 + a22 c22 = 1

D2 ≠ 0
0 a12
1 a22 a
e12 = = − 12
D2 D2

a11 0
a 1 a11 D1
e22 = 12 = =
D2 D2 D2
…
Pentru relaţia (j) avem:
⎧ F ( f j , e1 ) = 0
⎪
⎪F ( f , e ) = 0
( j ) ⎪⎨ j 2 ⇒ un sistem linear în c1j…cjj
⎪
⎪
⎪⎩ F ( f j , e j ) = 1
 3

D j −1
C jj = j = 1, n
Dj

În baza {f1,…, fn} avem X = C · X'.

Se înlocuiesc x1…xn în funcţie de x1' ...xn' , atunci:

φ ( x ') = c11 x1' 2 + c22 x2' 2 + ... + cnn xn' 2 , adică

1 ' 2 D1 ' 2 D
φ ( x ') = x1 + x2 + ... + n −1 xn' 2 .
D1 D2 Dn

Consecinţă
Criteriul lui Sylvester
Fie V → spaţiu vectorial, dimV = n, φ : V → formă pătratică cu matricea A = (aij)
în baza B = {ei }i =1,n . Atunci:

a) φ(x) este poz def ⇔ Di > 0, ∀ i = 1, n

b) φ(x) este neg def ⇔ Di-i Di < 0, ∀ i = 1, n .

Demonstraţie:
a) "⇒" conform metodei Jacobi ⇒ ∃ B ' = {ei' } în V astfel; încât
i =1, n

n
D0 2 D1 2 D
φ( x) = x1 + x2 + ... + n −1 xn2 (*), unde x = ∑ xi ei' .
D1 D2 Dn i =1

Dacă φ este pozitiv def, aleg succesiv:

x = e1'
x = e2'
.........
x = en'
Di −1
⇒ > 0, ∀i = 1, n . Dar D0 = 1 > 0 ⇒ Di > 0, i = 1, n
Di

Di −1 (*)
"⇐" Dacă Di > 0, i = 1, n ⇒ > 0 , i = 1, n ⇒ φ(x) > 0, ∀ x ≠ 0v.
Di
 4

Aplicaţie
Să se reducă la forma canonică prin metoda Jacobi următoarea formă pătratică:
φ: 4
→ 4
φ(x) = x12 + x32 + x1 x2 + x3 x4 ,

⎛ 1 ⎞
⎜1 2
0 0⎟
⎜ ⎟
⎜1 0 0 0⎟
⎜2 ⎟
A=⎜ ⎟
⎜0 1⎟
0 1
⎜ 2⎟
⎜ 1 ⎟
⎜0 0 0⎟
⎝ 2 ⎠

D0 = 1
D1 = 1
1
D2 = −
4
1
D3 = −
4
1 1
0 0 1 0
2 2
1 1 1 1 1 1⎛ 1⎞ 1
D4 = − 0 1 = =− 0 0 = − ⎜− ⎟ =
2 2 16 2 2 2 ⎝ 8 ⎠ 16
1 1
0 0 0 0
2 2
D0 D1 D2 D3
=1 = −4 =1 = −4
D1 D2 D3 D4
Forma canonică este:
φ ( x ') = x1' 2 − 4 x2' 2 + x3' 2 − 4 x4' 2

⎛ c11 c12 c13 c14 ⎞

⎜ ⎟
0 c22 c23 c24 ⎟
C =⎜
⎜0 0 c33 c34 ⎟
⎜⎜ ⎟
⎝0 0 0 c44 ⎟⎠
 5

f1 = c11e1 = e1

f2 = c12e1 + c22e2 ⇒
⎧ 1
⎧ D1
⎪⎪c12 + 2 c22 = 0 ⎪c22 = = −4, deci
⎨ ⇔ ⎨ D2
⎪ 1 c + 0c = 1 ⎪c = 2
⎪⎩ 2 12 22 ⎩ 12

f22 = 2e1 – 4e2

f3 = c13e1 + c23e2 + c33e3 ⇒

⎧ 1
⎪c13 + 2 c23 = 0
⎪ ⎧c13 = 0
⎪1 ⎪
⎨ c13 = 0 ⇒ ⎨c23 = 0 , deci
⎪2 ⎪c = 1
⎪c33 = 1 ⎩ 33
⎪
⎩

f 3 = e3

f4 = c14e1 + c24e2 + c34e3 + c44e4 ⇒

⎧ 1
⎪c14 + 2 c24 = 0
⎪ ⎧c14 = 0
⎪1 c = 0 ⎪c = 0
⎪ 2 14 ⎪ 24
⎨ ⇒ ⎨
⎪c + 1 c = 0 ⎪c34 = 2
⎪ 34 2 44 ⎪⎩c44 − 4
⎪1
⎪ c34 = 1
⎪⎩ 2

⇒ f4 = 2e3 – 4e4

X = C · X'
Verificare din X = C · X', adică se scriu x1, x2, x3, x4 în funcţie de x1' , x2' , x3' , x4' .
 6

Condiţiile de determinare a coeficienţilor sunt:

• F(ei, fj) = 0

2≤j≤4

• F(ej, fj) = 1

1≤j≤n

• F(fi, fj) = 0

2≤j≤n

1≤I≤j–1

10.2. Reducerea la forma canonică prin metoda Gauss

Fie φ(x) o formă pătratică. Rezultă că există o bază {e1' , e2' ,..., en' } în care φ(x) are formă

canonică.

Cazuri
a) ∃ i, aii ≠ 0 se grupează toţi termenii ce conţin pe aii şi se formează un pătrat perfect.

b) toţi aii = 0, ∀ i = 1, n , ⇒ ∃ aij ≠ 0. Coeficientul lui xi, xj, aij se află

(x + x ) −(x − x )
2 2
i j i j
xi x j =
4

Aplicaţie
Fie n = 3 şi
φ(x) = 4 x12 + x22 − 4 x1 x2 + 4 x1 x3 − 3 x2 x3 = 4 ⎡⎣ x12 − x1 x2 + x1 x3 ⎤⎦ + x22 − 3 x2 x3
2
⎛ 1 1 ⎞
4 ⎜ x1 − x2 + x3 ⎟ − x22 − x32 + 2 x2 x3 + x22 − 3x2 x3 , deci
⎝ 2 2 ⎠
2
⎛ 1 1 ⎞
φ ( x ) = 4 ⎜ x1 − x2 + x3 ⎟ − x32 − x2 x3
⎝ 2 2 ⎠
 7

Notăm:
⎧ 1 1 ⎧
⎪ y1 = x1 − 2 x2 + 2 x3 ⎪ x3 = y3
⎪ ⎪
⎨ y2 = x2 ⇒ ⎨ x2 = y2
⎪y = x ⎪ 1 1
⎪ 3 3
⎪ x1 = y1 + y2 − y3
⎩ ⎩ 2 2

Trecerea de la baza {e1, e2, e3} la baza { e1' , e2' , e3' }, adică trecerea de la elementul
(x1, x2, x3) la elementul (y1, y2, y3) se face prin matricea
⎛ 1 1⎞
⎜1 2 − ⎟
2
⎜ ⎟
C = ⎜0 1 0 ⎟,
⎜0 0 1 ⎟
⎜ ⎟
⎝ ⎠
C
adică (x1, x2, x3) → (y1, y2, y3), adică:
e1' = e1

1
e2' = e1 + e2
2
1
e3' = − e1 + e3
2
În această bază avem:
2
1 1 ⎛ 1 ⎞ 1
φ ( y ) = 4 y − y − y2 y3 − y32 + y32 ⇒ φ ( y ) = 4 y12 − ⎜ y2 + y3 ⎟ + y32
2
1
2
2
4 4 ' ⎝ 2 ⎠ 4
x1
x2' x3'

Consecinţă

Teorema de inerţie
Fie V în spaţiu vectorial şi φ : V → o formă pătratică. Atunci numărul termenilor
pozitivi şi al celor negativi din forma canonică a lui φ nu depinde de alegerea bazei
formei canonice.
8