Aplicaţii liniare.

Nucleu şi imagine

După cum am văzut ı̂n lecţiile precedente, spaţiile vectoriale se aseamănă cu structurile alge-
brice studiate ı̂n liceu (grup, subgrup, inel, corp). Ca ı̂n cazul acestora, şi spaţiile vectoriale
pot fi legate printr-un morfism, o funcţie de la o structură algebrică la o alta de acelaţi tip,
ce duce o lege de compoziţie din prima structură ı̂n corespondenta ei din cealaltă structură.
Fie (V, +, ·) şi (W, ⊕, ) două spaţii vectoriale finit dimensionale peste acelaşi corp K.

Definiţia 1. O funcţie f : V → W se numeşte aplicaţie liniară sau morfism de spaţii

vectoriale dacă satisface condiţiile:
(AL1) f (ū + v̄) = f (ū) ⊕ f (v̄) , (∀)ū, v̄ ∈ V (proprietatea de aditivitate);
(AL2) f (α · v̄) = α  f (v̄) , (∀)α ∈ K, v̄ ∈ V (proprietatea de omogenitate)
sau echivalent
(AL) f (α · ū + β · v̄) = α  f (ū) ⊕ β  f (v̄) , (∀)α, β ∈ K, ū, v̄ ∈ V.

În particular, dacă V = W, aplicaţia liniară f se numeşte operator liniar sau endo-
morfism.

Un exemplu de aplicaţie liniară este aplicaţia identitate f : V → V, f (v̄) = v̄. Într-adevăr,

f (α · ū + β · v̄) = α · ū + β · v̄ = α · f (ū) + β · f (v̄), deci condiţia (AL) este verificată.
De obicei vom nota operaţiile din ambele spaţii cu ” + ”, respectiv ” · ”, condiţia (AL)
rescriindu-se f (α · ū + β · v̄) = α · f (ū) + β · f (v̄).
Pentru α = β = 0 obţinem f (0̄V ) = 0̄W , proprietate utilă pentru a arăta că o funcţie
ı̂ntre două spaţii vectoriale nu este aplicaţie liniară. De exemplu, funcţia f : R2 → R3 ,
f (x1 , x2 ) = (2x1 + x2 , 1 − x2 , 3x1 ), deşi este dată prin intermediul unor expresii liniare (lucru
sugerat de denumirea de aplicaţie liniară), nu este o aplicaţie liniară deoarece f (0, 0) =
(0, 1, 0) 6= (0, 0, 0).

1
2 Curs de Algebră liniară

Dar cum arată ı̂n general o aplicaţie liniară? Are loc

Propoziţia 1. Fie B = {v̄1 , . . . , v̄n } o bază pentru spaţiul vectorial V şi f : V → W cu
f (v̄i ) = w̄i , i ∈ {1, 2, . . . , n}. Dacă f este aplicaţie liniară, atunci este unic determinată de
valorile f (v̄1 ), . . . , f (v̄n ).
Mai mult, dacă x̄ = x1 v̄1 + x2 v̄2 + . . . + xn v̄n ∈ V, atunci f are expresia

f (x̄) = x1 w̄1 + x2 w̄2 + . . . + xn w̄n .

Demonstraţie. Avem f (x̄) = f (x1 v̄1 + x2 v̄2 + . . . + xn v̄n ). Folosind (AL) rezultă
f (x̄) = x1 f (v̄1 ) + x2 f (v̄2 ) + . . . + xn f (v̄n ) = x1 w̄1 + x2 w̄2 + . . . + xn w̄n . Dacă ar exista altă
aplicaţie liniară g cu aceleaşi valori pe bază, adică g(v̄i ) = f (v̄i ), i ∈ {1, 2, . . . , n}, cu acelaşi
raţionament obţinem g(x̄) = x1 w̄1 + x2 w̄2 + . . . + xn w̄n = f (x̄), deci f este unic determinată.

Problema 1. Să se determine expresia analitică a aplicaţiei liniare

f : R2 → R3 , ştiind că f (1, 0) = (2, 1, 3), f (0, 1) = (−1, 1, 0).
Rezolvare. Fie x̄ = (x1 , x2 ) = x1 (1, 0) + x2 (0, 1) ∈ R2 . Atunci, conform propoziţiei de
mai sus,

f (x̄) = x1 f (1, 0) + x2 f (0, 1) = x1 (2, 1, 3) + x2 (−1, 1, 0)

= (2x1 , x1 , 3x1 ) + (−x2 , x2 , 0) = (2x1 − x2 , x1 + x2 , 3x1 ).

Deci f (x̄) = (2x1 − x2 , x1 + x2 , 3x1 ).

Observăm, din exemplul de mai sus, că expresia lui f (x̄) este un vector din W = R3
ale cărui componente sunt combinaţii liniare ale componentelor lui x̄ = (x1 , x2 ) ∈ V = R2 .
Din Propoziţia 1 avem că acest lucru se ı̂ntâmplă ı̂n general pentru cazul spaţiilor aritmetice
V = Rn şi W = Rm , adică expresia analitică a unei aplicaţii liniare ı̂ntre cele două spaţii are
forma generală

f (x1 , . . . , xn ) = (a11 x1 + . . . + a1n xn , a21 x1 + . . . + a2n xn , . . . , am1 x1 + . . . + amn xn ).

Observăm că

f (1, 0, 0, . . . , 0) = (a11 , a21 , . . . , am1 )

f (0, 1, 0, . . . , 0) = (a12 , a22 , . . . , am2 )
..
.
f (0, 0, . . . , 0, 1) = (a1n , a2n , . . . , amn )
Aplicaţii liniare. Nucleu şi imagine 3

adică valorile lui f calculate pentru baza canonică din Rn şi raportate la baza canonică din
Rm sunt exact coeficienţii lui x1 , x2 , . . . , xn . Printr-o asemănare cu sistemele liniare studiate
ı̂n clasa a XI-a, putem construi matricea coeficienţilor (pe prima coloană coeficienţii lui x1
etc.; se pătrează convenţia că atunci când scriem matriceal vectorii se pun pe coloane):
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
 
A= .
 .
 ..


am1 am2 . . . amn
Această matrice, ce are n coloane şi m linii, se numeşte matricea aplicaţiei liniare f ı̂n
perechea de baze canonice din Rn , Rm .
Mai general, avem
Definiţia 2. Fie aplicaţia liniară f : V → W, B = {v̄1 , . . . , v̄n } o bază pentru V şi B 0
o bază pentru W. Matricea ce are pe coloane componentele vectorilor f (v̄1 ), f (v̄2 ), . . . , f (v̄n )
ı̂n baza B 0 se numeşte matricea aplicaţiei liniare f ı̂n perechea de baze B, B 0 şi notăm
[f ]B 0 B .
Apelând la Propoziţia 1, obţinem scrierea matriceală a unei aplicaţii liniare ı̂ntr-o
pereche de baze:
f (x̄)B 0 = [f ]B 0 B · x̄B
(vectorii f (x̄)B 0 şi x̄B sunt pe coloane). Mai mult, o matrice A cu m linii şi n coloane defineşte
ı̂n mod unic aplicaţia liniară f : Rn → Rm , f (x̄) = A · x̄.
Să aflăm expresia analitică a unei aplicaţii liniare f : V → W ce are ı̂n perechea de baze
canonice matricea  
2 −1
A= 0 4 .
 

2 −2
Prima coloană reprezintă coeficienţii lui x1 , iar a doua coeficienţii lui x2 , deci cele două
coloane semnifică faptul că V = R2 . Cum A = [f ]B 0c Bc , avem
   
" # 2 −1 " # 2x1 − x2
x1 x1
f (x1 , x2 )B 0c = A · = 0 4 · = 4x2 ,
   
x2 x2
2 −2 2x1 − 2x2

de unde deducem că f (x1 , x2 ) = (2x1 − x2 , 4x2 , 2x1 − 2x2 ) şi W = R3 .

4 Curs de Algebră liniară

Mai mult, se poate deduce matricea compunerii a două aplicaţii liniare:

Propoziţia 2. Fie B, B 0 şi B 00 respectiv baze ale spaţiilor vectoriale V, V 0 şi V 00 . Dacă
g : V → V 0 şi f : V 0 → V 00 sunt aplicaţii liniare atunci matricea aplicaţiei liniare f ◦ g este
produsul matricelor celor două aplicaţii

[f ◦ g]B 00 B = [f ]B 00 B 0 · [g]B 0 B .

Demonstraţie. Rezultă imediat că f ◦ g este aplicaţie liniară. Apoi, pentru x̄ ∈ V,

rezultă g(x̄) = ȳ ∈ V 0 şi g(x̄)B 0 = [g]B 0 B · x̄B = ȳB 0 . Atunci

(f ◦ g)(x̄)B 00 = f (ȳ)B 00 = [f ]B 00 B 0 · ȳB 0 = [f ]B 00 B 0 · [g]B 0 B · x̄B ,

de unde rezultă concluzia.

Schimbând bazele celor două spaţii se schimbă şi expresia analitică a lui f . Are loc legea
de schimbare a matricei unei aplicaţii liniare la schimbarea bazelor:
Propoziţia 3. Fie B1 , B2 baze pentru spaţiul vectorial V, B 01 , B 02 baze pentru W şi
f : V → W o aplicaţie liniară. Atunci [f ]B 02 B2 = TB 02 B 01 · [f ]B 01 B1 · TB1 B2 .
Demonstraţie. Vom folosi legea de schimbare a coordonatelor unui vector la schimbarea
bazei. Avem:

f (x̄)B 02 = [f ]B 02 B2 · x̄B2 (scrierea lui f ı̂n perechea de baze B2 , B 02 )

= [f ]B 02 B2 · TB2 B1 · x̄B1 (trecerea lui x̄ din baza B2 ı̂n baza B1 )
f (x̄)B 02 = TB 02 B 01 · f (x̄)B 01 (trecerea lui f (x̄) din baza B 02 ı̂n baza B 01 )
= TB 02 B 01 · [f ]B 01 B1 · x̄B1 (scrierea lui f ı̂n perechea de baze B1 , B 01 )

Rezultă [f ]B 02 B2 · TB2 B1 = TB 02 B 01 · [f ]B 01 B1 . Înmulţind la dreapta cu TB−1

2 B1
= TB1 B2 , rezultă
concluzia.
În continuare vom introduce noţiunile de imagine directă şi imagine inversă a unui vector
printr-o aplicaţie liniară, respectiv de nucleu şi imagine a unei aplicaţii liniare.
Definiţia 3. Imaginea directă a vectorului x̄0 ∈ V prin aplicaţia liniară f : V → W
este vectorul ȳ0 = f (x̄0 ) ∈ W.
Definiţia 4. Imaginea inversă a vectorului ȳ0 ∈ W prin aplicaţia liniară f : V → W
este mulţimea formată cu toţi vectorii ce ı̂l au pe ȳ0 ca imagine directă prin f :

f −1 (ȳ0 ) = {x̄ ∈ V : f (x̄) = ȳ0 }.

Aplicaţii liniare. Nucleu şi imagine 5

Problema 2. Fie aplicaţia liniară f : R2 → R2 ,

f (x1 , x2 ) = (x1 − x2 , −x1 + x2 ).

a) Să se scrie matricea lui f relativ la baza canonică a lui R2 ;

b) Să se calculeze imaginea directă a vectorului x̄0 = (1, 2) prin f ;
c) Să se determine imaginea inversă a vectorului ȳ0 = (−1, 1) prin f .
Rezolvare. a) Relativ la baza canonică, matricea lui f are pe prima coloană coeficienţii
lui x1 , respectiv pe a doua coloană coeficienţii lui x2 :
" #
1 −1
[f ] = .
−1 1

b) f (x̄0 ) = f (1, 2) = (1 − 2, −1 + 2) = (−1, 1).

c) f −1 (ȳ0 ) = {(x1 , x2 ) : f (x1 , x2 ) = ȳ0 = (−1, 1)}. Condiţia f (x1 , x2 ) = (−1, 1) este echiva-
lentă cu (x1 − x2 , −x1 + x2 ) = (−1, 1), adică x1 − x2 = −1 (cealaltă relaţie, −x1 + x2 = 1,
reprezintă acelaşi lucru dacă ı̂nmulţim cu (−1)). Deducem x1 = x2 − 1, deci f −1 (ȳ0 ) =
{(x2 − 1, x2 ) : x2 ∈ R}.
Definiţia 4. Nucleul aplicaţiei liniare f : V → W este imaginea inversă a vectorului nul
0̄W prin f ,
ker f = {x̄ ∈ V : f (x̄) = 0̄W }.

Definiţia 5. Imaginea aplicaţiei liniare f : V → W este mulţimea imaginilor directe

prin f a tuturor vectorilor din V,

Im f = {ȳ ∈ W : (∃)x̄ ∈ V cu f (x̄) = ȳ}.

Problema 3. Fie aplicaţia liniară f : R2 → R2 ,

f (x1 , x2 ) = (x1 − x2 , −x1 + x2 ).

Să se determine nucleul şi imaginea lui f .

Rezolvare. Pentru ker f avem f (x1 , x2 ) = (0, 0), adică (x1 − x2 , −x1 + x2 ) = (0, 0), de
unde obţinem x1 = x2 . Deci ker f = {(x1 , x1 ) : x1 ∈ R} = L((1, 1)).
( ∈ V cu f (x̄) = ȳ ı̂nseamnă compatibilitatea sistemului (x1 −
Pentru Im f , condiţia (∃)x̄
x1 − x2 = y1
x2 , −x1 + x2 ) = (y1 , y2 ) ⇔ , ı̂n care y1 şi y2 sunt parametri. Din prima
−x1 + x2 = y2
6 Curs de Algebră liniară

ecuaţie avem x1 = x2 + y1 . Înlocuind ı̂n cealaltă ecuaţie obţinem −y1 = y2 , ceea ce reprezintă
condiţia de compatibilitate. Atunci Im f = {(y1 , −y1 ) : y1 ∈ R} = L((1, −1)).

În acest exemplu observăm că atât nucleul cât şi imaginea aplicaţiei liniare f au structură
de subspaţiu vectorial. În general avem:

Propoziţia 4. Fie aplicaţia liniară f : V → W. Atunci ker f este subspaţiu vectorial al

lui V, iar Im f este subspaţiu vectorial al lui W.
Demonstraţie. Vom verifica satisfacerea condiţiei (Sv).
Mai ı̂ntâi, fie ū, v̄ ∈ ker f , adică f (ū) = f (v̄) = 0̄W . Atunci, conform proprietăţii (AL),
f (αū + βv̄) = αf (ū) + βf (v̄) = 0̄W , de unde αū + βv̄ ∈ ker f , deci ker f este subspaţiu
vectorial.
Fie acum ū, v̄ ∈ Im f , deci există x̄, ȳ ∈ V cu f (x̄) = ū şi f (ȳ) = v̄. Atunci αū + βv̄ =
(AL)
αf (x̄) + βf (ȳ) = f (αx̄ + β ȳ). Dar αx̄ + β ȳ ∈ V, deci αū + βv̄ ∈ Im f . Rezultă că Im f este
subspaţiu vectorial.

Am văzut că o aplicaţie liniară e unic determinată de matricea sa, notată [f ]. De aseme-
nea, nucleul ei este de fapt soluţia sistemului omogen [f ]· x̄ = 0̄, care ı̂n acelaşi timp reprezintă
şi subspaţiul N ull([f ]). Deci
ker f = N ull([f ]).

O metodă practică de determinare a imaginii unei aplicaţii liniare este dată ı̂n

Propoziţia 5. Fie aplicaţia liniară f : V → W şi B = {v̄1 , v̄2 , . . . , v̄n } o bază a lui V.
Notăm SW = {f (v̄1 ), f (v̄2 ), . . . , f (v̄n )}. Atunci Im f = L(SW ).
Demonstraţie. Vom demonstra prin dublă incluziune. Mai ı̂ntâi, pentru ȳ ∈ Im f ,
există x̄ = x1 v̄1 + . . . + xn v̄n cu ȳ = f (x̄) = x1 f (v̄1 ) + . . . + xn f (v̄n ), deci {f (v̄1 ), . . . , f (v̄n )}
este sistem de generatori pentru Im f .
Reciproc, orice vector ȳ generat de SW poate fi scris sub forma

ȳ = x1 f (v̄1 ) + . . . + xn f (v̄n ) = f (x1 v̄1 + . . . + xn v̄n ),

adică aparţine lui Im f.

În particular, dacă [f ] este matricea lui f relativ la bazele canonice, atunci Im f = col([f ]).
Considerând aplicaţia liniară din Problema 3, avem pentru baza canonică {(1, 0), (0, 1)}
a lui R2 că f (1, 0) = (1, −1) = v̄1 şi f (0, 1) = (−1, 1) = −v̄1 , deci Im f = L(v̄1 ).
Aplicaţii liniare. Nucleu şi imagine 7

Dimensiunile pentru nucleu şi imagine, ca subspaţii vectoriale, se calculează rapid cu

formulele următoare.
Propoziţia 6. Fie aplicaţia liniară f : V → W. Atunci:
(i) dim Im f = rang[f ]B 0 B ;
(ii) dim ker f = dim V − dim Im f.
Demonstraţie. (i) Fie B = {v̄1 , . . . , v̄n } o bază pentru V. Atunci, din Propoziţia 5,
Im f = L(f (v̄1 ), . . . , f (v̄n )). Cum dimensiunea imaginii este egală cu numărul de vectori
liniar independenţi din sistemul {f (v̄1 ), . . . , f (v̄n )}, rezultă că este egală cu rangul matricei
obţinute punând pe coloane aceşti vectori. Dar această matrice este chiar [f ]B 0 B .
(ii) Fie p dimensiunea nucleului şi prin renumerotare considerăm că {v̄1 , . . . , v̄p } este o bază
pentru acesta. Aceasta ı̂nseamnă că f (v̄i ) = 0̄W pentru i ∈ {1, . . . , p} şi f (v̄i ) 6= 0̄W ı̂n rest.
Din (i) rezultă că Im f = L(f (v̄p+1 ), . . . , f (v̄n )). Presupunem că sistemul {f (v̄p+1 ), . . . , f (v̄n )}
nu este liniar independent. Atunci există scalarii αp+1 , . . . , αn nu toţi nuli cu αp+1 f (v̄p+1 ) +
. . . + αn f (v̄n ) = 0̄W sau echivalent f (αp+1 v̄p+1 + . . . + αn v̄n ) = 0̄W , de unde αp+1 v̄p+1 +
. . . + αn v̄n ∈ ker f . Ţinând cont de baza considerată pentru ker f , există scalarii β1 , . . . , βp
cu αp+1 v̄p+1 + . . . + αn v̄n = β1 v̄1 + . . . + βp v̄p . Trecem totul ı̂n membrul drept şi ţinem
cont că vectorii din baza B = {v̄1 , . . . , v̄n } sunt liniar independenţi. Rezultă atunci că
β1 = . . . = βp = αp+1 = . . . = αn = 0 ceea ce constrazice faptul că scalarii αp+1 , . . . , αn
nu sunt toţi nuli. Deci presupunerea e falsă şi sistemul de generatori {f (v̄p+1 ), . . . , f (v̄n )}
este liniar independent, deci bază pentru Im f. Astfel, dim Im f = n − p, de unde rezultă
concluzia.
Fie, de exemplu, aplicaţia liniară f : R3 → R2 , ce are ı̂n perechea de baze canonice
" #
1 2 0
matricea A = . Atunci dim Im f = rang A = 2, iar dim ker f = dim R3 −
1 3 −1
dim Im f = 3 − 2 = 1.
Dimensiunea nucleului unei aplicaţii liniare f se numeşte defectul lui f , iar dimensiunea
imaginii, rangul lui f .
Dacă o funcţie este injectivă şi surjectivă, ea este bijectivă. O aplicaţie liniară bijectivă
(morfism bijectiv) se numeşte izomorfism. Un endomorfism bijectiv se numeşte automor-
fism. Putem caracteriza aceste proprietăţi cu ajutorul defectului şi rangului.
Propoziţia 7. Fie aplicaţia liniară f : V → W şi n = dim V, m = dim W. Atunci:
(i) f este injectivă dacă şi numai dacă def ect(f ) = 0;
8 Curs de Algebră liniară

(ii) f este surjectivă dacă şi numai dacă rang(f ) = m.

Mai mult, dacă f este izomorfism atunci n = m.
Demonstraţie. (i) Fie f injectivă. Dacă x̄ ∈ ker f , atunci f (x̄) = 0̄W = f (0̄V ), de unde
x̄ = 0̄V (din injectivitate). Deci ker f = {0̄V }, adică def ect(f ) = 0.
Reciproc, dacă def ect(f ) = 0 atunci ker f = {0̄V }. Din condiţia f (x̄) = f (ȳ) rezultă
f (x̄ − ȳ) = 0̄W , adică x̄ − ȳ ∈ ker f , deci x̄ − ȳ = 0̄V sau x̄ = ȳ. În concluzie, f este injectivă.
(ii) Fie f surjectivă. Atunci Im f = W, deci rang(f ) = dim Im f = m.
Reciproc, fie rang(f ) = m. Cum Im f este subspaţiu vectorial al lui W şi au aceeaşi
dimensiune, rezultă că sunt egale, deci f este surjectivă.
Fie acum f izomorfism, deci f este bijectivă, adică este injectivă şi surjectivă. Folosind
(i) şi (ii), acest lucru este echivalent cu def ect(f ) = 0 şi rang(f ) = m. Dar def ect(f ) =
n − rang(f ), rezultând că 0 = n − m. Deci n = m.
Dacă f : V → W este izomorfism spunem că spaţiile vectoriale V şi W sunt izomorfe.
Se arată, prin construirea unui izomorfism, că dacă două spaţii au aceeaşi dimensiune atunci
ele sunt izomorfe. Mai exact, are loc
Propoziţia 8. Fie aplicaţia liniară f : V → W şi B = {v̄1 , v̄2 , . . . , v̄n } o bază a lui V.
Notăm BW = {f (v̄1 ), f (v̄2 ), . . . , f (v̄n )}.
(i) dacă BW este bază a lui W atunci f este izomorfism;
(ii) dacă dim V = dim W, atunci V şi W sunt izomorfe.
X n
Demonstraţie. (i) Fie x̄ = xi v̄i ∈ ker f , adică f (x̄) = 0̄W . Avem
i=1
n n
X (AL) X
0̄ = f (x̄) = f ( xi v̄i ) = xi f (v̄i )
i=1 i=1

şi folosind liniar independenţa lui BW rezultă că x1 = . . . = xn = 0, adică x̄ = 0̄V . Astfel f
este injectivă.
Din Propoziţia 5 avem că Im f = L(BW ) = W, deci f este surjectivă.
(ii) Fie B = {w̄1 , . . . , w̄n } o bază pentru W. Construim funcţia

g : V → W , g(x̄) = g(x1 v̄1 + . . . + xn v̄n ) := x1 w̄1 + . . . + xn w̄n .

Atunci
n n
X def X
g(αx̄ + β ȳ) = g( (αxi + βyi )v̄i ) = (αxi + βyi )w̄i = αg(x̄) + βg(ȳ),
i=1 i=1
Aplicaţii liniare. Nucleu şi imagine 9

deci g este o aplicaţie liniară. Mai mult, observăm că g(v̄i ) = w̄i , i ∈ {1, 2, . . . , n}, deci
conform cu (i), g este bijectivă. Astfel am construit un izomorfism de la V la W, deci cele
două spaţii sunt izomorfe.
Un exemplu important de spaţii vectoriale izomorfe este dat de spaţiul polinoamelor de
gradul n cu coeficienţi reali şi spaţiul aritmetic Rn+1 . Izomorfismul natural dintre cele două
spaţii este dat de

f : Rn [X] → Rn+1 , f (a0 + a1 X + . . . + an X n ) = (a0 , a1 , . . . , an ).

Ca o consecinţă imediată avem că ı̂n orice exerciţiu, spaţiul polinoamelor de gradul n cu
coeficienţi reali poate fi ı̂nlocuit cu spaţiul aritmetic Rn+1 , adică orice polinom de gradul n
se consideră ca fiind (n + 1)-uplul format din coeficienţii lui.
Problema 4. Fie R2 [X] spaţiul polinoamelor de gradul doi cu coeficienţi reali. Se
defineşte funcţia f : R2 [X] → R2 [X], f (p(X)) = p0 (X) − p0 (1 − X), unde p0 (X) reprezintă
derivata polinomului p(X), adică polinomul asociat funcţiei polinomiale p0 (x).
a) Să se scrie expresia analitică a lui f ;
b) Să se verifice că f este o aplicaţie liniară şi să se precizeze matricea sa relativ la bazele
canonice;
c) Să se calculeze ker f şi def ect(f );
d) Fie λ ∈ R şi p(X) un polinom nenul. Să se arate că f (p(X)) = λp(X) implică λ = 0.
Rezolvare. a) Polinomul p(X) are gradul doi, deci poate fi scris sub forma p(X) =
a+bX +cX 2 , a, b, c ∈ R. Atunci p0 (X) = 2cX +b şi p0 (1−X) = 2c(1−X)+b = −2cX +2c+b.
Rezultă expresia analitică a lui f ,

f (a + bX + cX 2 ) = −2c + 4cX.

b) Deoarece R2 [X] cu baza canonică B = {1, X, X 2 } este izomorf cu R3 , prin izomorfismul

a + bX + cX 2 ↔ (a, b, c),

aplicaţia dată poate fi scrisă sub forma

   
0 0 −2 a
3 3 t
f : R → R , f (a, b, c) = (−2c, 4c, 0) =  0 0 4  ·  b  .
   

0 0 0 c
10 Curs de Algebră liniară

Atunci f este aplicaţia liniară definită de matricea

 
0 0 −2
[f ] =  0 0 4  .
 

0 0 0

c) Cum f (a, b, c) = (0, 0, 0) implică c = 0, obţinem ker f = {a + bX : a, b ∈ R}.

Se observă uşor că rang [f ] = 1, de unde

def ect(f ) = dim R3 − rang [f ] = 3 − 1 = 2.

d) Relaţia dată implică −2c + 4cX = λ(a + bX + cX 2 ) = λa + λbX + λcX 2 . Cum a, b, c nu

sunt toţi nuli, identificând coeficienţii puterilor lui X rezultă λ = 0.

În Propoziţia 8 am văzut că două spaţii vectoriale ce au acceaşi dimensiune sunt izomorfe.
Considerând o aplicaţie liniară ı̂ntre ele, dorim să probăm cât mai repede dacă este un
izomorfism. Are loc

Propoziţia 9. Fie V şi W două spaţii vectoriale n-dimensionale şi [f ] matricea aplicaţiei
liniare f : V → W ı̂ntr-o pereche de baze. Următoarele afirmaţii sunt echivalente:
(i) det [f ] 6= 0;
(ii) f este surjectivă;
(iii) f este injectivă;
(iv) f este izomorfism.
Demonstraţie. (i) ⇒ (ii) det [f ] 6= 0 implică rang(f ) = n = dim(W), deci, din
Propoziţia 7, f este surjectivă.
(ii) ⇒ (iii) Cum dim(ker f ) = n − dim(Im f ) = 0, rezultă că f este injectivă;
(iii) ⇒ (iv) Aplicaţia f este injectivă, de unde ker f = {0̄V }, ceea ce conduce la dim(Im f ) =
n, adică f este surjectivă, deci bijectivă.
(iv) ⇒ (i) Fiind bijectivă, f este şi surjectivă, adică rang(f ) = n. Atunci det [f ] 6= 0.

Problema 5. Să se stabilească dacă aplicaţia liniară f : R4 → M2 (R),

" #
a+b a−b
f (a, b, c, d) = ,
c+d c−d

este un izomorfism.
Aplicaţii liniare. Nucleu şi imagine 11

Rezolvare. Ţinând cont de bazele canonice din cele două spaţii, avem:
" # " # " # " # " #
1 1 1 0 0 1 0 0 0 0
f (1, 0, 0, 0) = = + +0· +0· ,
0 0 0 0 0 0 1 0 0 1
" # " # " # " # " #
1 −1 1 0 0 1 0 0 0 0
f (0, 1, 0, 0) = = − +0· +0· ,
0 0 0 0 0 0 1 0 0 1
" # " # " # " # " #
0 0 1 0 0 1 0 0 0 0
f (0, 0, 1, 0) = =0· +0· + + ,
1 1 0 0 0 0 1 0 0 1
" # " # " # " # " #
0 0 1 0 0 1 0 0 0 0
f (0, 0, 0, 1) = =0· +0· + − .
1 −1 0 0 0 0 1 0 0 1

Atunci matricea lui f este  

1 1 0 0
 
 1 −1 0 0 
[f ] =  .

 0 0 1 1 

0 0 1 −1
Adunăm linia 2 la linia 1 şi linia 4 la linia 3 şi obţinem
 
 2 0 0 0 
 
 
 1 −1 0 0 
det [f ] =   = 2 · (−1) · 2 · (−1) = 4 6= 0.
 0 0 2 0 

 
 0 0 1 −1 

Cum ambele spaţii au dimensiunea 4 rezultă că f este izomorfism.

Întrebări teoretice

1. Definiţi noţiunea de aplicaţie liniară ı̂ntre două spaţii vectoriale. Ce este un endomor-
fism?
2. Care este forma generală a unei aplicaţii liniare f : R2 → R3 ? Scrieţi matricea ei ı̂n
perechea de baze canonice.
3. Definiţi noţiunile de imagine directă şi imagine inversă a unui vector printr-o aplicaţie
liniară.
4. Definiţi noţiunile de nucleu şi imagine al unei aplicaţii liniare.
12 Curs de Algebră liniară

5. Definiţi noţiunile de defect şi rang al unei aplicaţii liniare.

6. Matricea unei aplicaţii liniare ı̂n perechea de baze canonice are 3 coloane şi două linii
şi rangul egal cu 2. Precizaţi rangul şi defectul acestei aplicaţii. Este aplicaţia injectivă sau
surjectivă?
7. Definiţi noţiunea de izomorfism. Ce este un automorfism? Când două spaţii vectoriale
sunt izomorfe?

Exerciţii

1. Arătaţi că f : R2 → R3 , f (x1 , x2 ) = (2x1 , x2 , x2 + 3) nu este aplicaţie liniară.

2. Determinaţi aplicaţia liniară f : R2 → R2 , ce are expresia analitică dată ı̂n forma
generală f (x1 , x2 ) = (a1 x1 + a2 x2 , b1 x1 + b2 x2 ), pentru care f (1, −1) = (3, 4) şi f (2, 1) =
(−2, 2). Scrieţi matricea lui f relativ la baza canonică. " #
1 −1
3. Matricea aplicaţiei liniare f : R2 → R2 ı̂n baza canonică este . Determinaţi
−2 2
expresia analitică a lui f , calculaţi ker f şi dim ker f .
4. Fie f : R2 → R2 , f (x1 , x2 ) = (x1 + mx2 , 2x1 − 4x2 ). Aflaţi m ∈ R pentru care nucleul
aplicaţiei liniare f este format doar din vectorul nul. Pentru m = −2, calculaţi imaginea
inversă a vectorului y = (1, 2) prin f .
5. Fie aplicaţia liniară f : R3 → R2 , f (x1 , x2 , x3 ) = (x1 + x2 + x3 , x1 − x2 ).
a) Scrieţi matricea lui f ı̂n bazele canonice;
b) Calculaţi f (1, 2, 3) şi f −1 (1, 0);
c) Determinaţi ker f şi o bază a acestuia.
6. Fie aplicaţia liniară f : R2 → R2 , f (x1 , x2 ) = (x1 + x2 , 2x1 + 2x2 ). Calculaţi rang(f ),
def ect(f ) şi f −1 (1, 3).
7. Fie f : R3 → R3 , f (x1 , x2 , x3 ) = (x1 + x2 − x3 , x1 , 2x1 − x2 − x3 ). Studiaţi dacă
aplicaţia liniară f este injectivă, surjectivă, bijectivă.
8. Determinaţi m ∈ R pentru care imaginea inversă prin aplicaţia liniară f : R2 →
R2 , f (x1 , x2 ) = (3x1 + mx2 , x1 − 4x2 ), a vectorului (1, 2) este mulţimea vidă.
9. Fie aplicaţia liniară f : R2 → R2 , f (x1 , x2 ) = (x1 − 2x2 , −x1 + 2x2 ).
a) Determinaţi Imf şi o bază a sa;
b) Verificaţi că rangul matricei lui f este egal cu dimensiunea imaginii lui f .
10. Fie f : R3 → R3 , f (x1 , x2 , x3 ) = (x1 + x2 + ax3 , x1 + x2 , 3x1 − 2x2 − x3 ), unde a ∈ R.
Aplicaţii liniare. Nucleu şi imagine 13

Determinaţi a pentru care aplicaţia liniară f este automorfism.

11. Matricea aplicaţiei liniare f : R2 → R3 ı̂n perechea de baze canonice este
 
1 −1
A= 2 1 .
 

0 1

a) Determinaţi expresia analitică a lui f ;

b) Calculaţi dimensiunea nucleului lui f . Stabiliţi dacă f este surjectivă;
c) Determinaţi Imf şi o bază a sa;
d) Calculaţi imaginea inversă a lui ȳ0 = (1, 5, 1) prin f .
12. Arătaţi că spaţiul matricelor pătratice M2 (R) este izomorf cu spaţiul aritmetic R4
folosind corespondenţa " #
a b
↔ (a, b, c, d).
c d
13. Arătaţi că spaţiul matricelor coloană M3,1 (R) este izomorf cu spaţiul polinoamelor
R2 [X] folosind corespondenţa
 
a
2
 b  ↔ a + bX + cX .
 

14. Daţi exemplu de două endomorfisme distincte pe R2 , diferite de endomorfismul

identic, astfel ı̂ncât f ◦ g = g ◦ f .
Operatori liniari. Valori şi vectori proprii

Fie (V, +, ·) un spaţiu vectorial finit dimensional peste corpul K. După cum ştim deja,
un operator liniar pe V este o aplicaţie liniară f : V → V. În această lecţie ne ocupăm de
unele proprietăţi ale operatorilor liniari: descompunerea lui V ı̂n sumă directă de subspaţii
construite cu ajutorul nucleului lui f , determinarea unor subspaţii invariante ale lui f folosind
problema valorilor proprii, precum şi găsirea unei baze ı̂n care operatorul f are cea mai simplă
scriere. Subliniem aici că problema valorilor proprii joacă un rol important ı̂n multe aplicaţii
ale matricelor ı̂n inginerie şi ştiinţe, cum ar fi: circuite electrice, teoria controlului, analiza
vibraţiilor, studiul stabilităţii unui sistem dinamic etc.
În lecţia precedentă am văzut că matricea unei aplicaţii liniare se modifică atunci când
schimbăm baza. În particular, ı̂n cazul operatorilor liniari ne punem problema dacă există o
bază ı̂n care matricea ia una din cele mai simple forme, cea asemănătoare cu matricea unitate
In .
Despre o matrice pătratică spunem că este matrice diagonală dacă toate elementele
ei sunt nule cu excepţia unora de pe diagonala principală: matricea A = [aij ] este matrice
diagonală dacă aij = 0 pentru orice i 6= j.
" #
1 0
De exemplu, matricea A = este matrice diagonală.
0 2
Existenţa unei baze pentru care matricea unui operator liniar este diagonală se poate
verifica cu aşa numita problemă a valorilor proprii.

Definiţia 1. Fie f : V → V un operator liniar. Un vector nenul v̄ ∈ V se numeşte vector

propriu al lui f dacă există scalarul λ ∈ K, numit valoare proprie, astfel ca f (v̄) = λ · v̄.

De exemplu, fie f : R2 → R2 , f (x1 , x2 ) = (x1 , x1 + 2x2 ). Observăm că f (0, 1) = (0, 2) =

2 · (0, 1), deci v̄ = (0, 1) este un vector propriu corespunzător valorii proprii λ = 2. Acesta
nu este unic pentru că tot valorii proprii λ = 2 ı̂i corespunde şi vectorul propriu (0, 2):

14
Valori şi vectori proprii 15

f (0, 2) = (0, 4) = 2 · (0, 2).

Este uşor de văzut că dacă v̄ este un vector propriu corespunzător valorii proprii λ atunci
pentru orice α ∈ K, vectorul w̄ = α · v̄ este vector propriu corespunzător lui λ. Într-adevăr,
(AL2)
f (w̄) = f (α · v̄) = α · f (v̄) = αλ · v̄ = λ · w̄.

Putem da următoarea definiţie.

Definiţia 2. Fie λ o valoare proprie a operatorului f . Mulţimea

Sλ = {ū ∈ V : f (ū) = λ · ū}

se numeşte subspaţiu propriu corespunzător valorii proprii λ.

Observăm că mulţimea Sλ este formată din toţi vectorii proprii corespunzători valorii
proprii λ şi din vectorul nul. Structura acestei mulţimi este dată de propoziţia ce urmează.
Propoziţia 1. Fie λ o valoare proprie a operatorului f : V → V. Atunci Sλ este subspaţiu
vectorial al lui V.
Demonstraţie. Verificăm condiţia de subspaţiu vectorial, adică pentru orice α, β ∈ K,
ū, v̄ ∈ Sλ rezultă că α · ū + β · v̄ ∈ Sλ . Din ipoteza avem f (ū) = λ · ū şi f (v̄) = λ · v̄, deci
(AL)
f (α · ū + β · v̄) = α · f (ū) + β · f (v̄) = αλ · ū + βλ · v̄ = λ(α · ū + β · v̄).

Rezultă că α · ū + β · v̄ ∈ Sλ , adică Sλ este subspaţiu vectorial al lui V.

Conform cu cele de mai sus, din punct de vedere teoretic orice vector nenul din Sλ este
un vector propriu corespunzător valorii proprii λ. Cum toţi aceşti vectori sunt generaţi de
o bază a subspaţiului propriu, practic, ı̂n enunţurile ce urmează vom considera ca vectori
proprii corespunzători lui λ tocmai vectorii din baza lui Sλ .
O altă proprietate a subspaţiului propriu este cea de invarianţă la acţiunea lui f . Avem:
Definiţia 3. Un subspaţiu vectorial U al lui V este invariant la acţiunea operatorului
liniar f : V → V dacă f (U) ⊆ U (adică pentru orice ū ∈ U are loc f (ū) ∈ U).
Propoziţia 2. Fie λ o valoare proprie a operatorului f : V → V. Atunci subspaţiul
propriu Sλ este invariant la acţiunea lui f .
Demonstraţie. Fie ū ∈ Sλ . Atunci f (ū) = λ · ū ∈ Sλ , din Propoziţia 3.
Are loc şi o reciprocă a acestei proprietăţi.
Propoziţia 3. Fie U ⊂ V un subspaţiu invariant la acţiunea operatorului liniar f : V →
16 Curs de Algebră liniară

V. Dacă dim U = 1, atunci există o valoare proprie a lui f pentru care un vector propriu
corespunzător ı̂l generează pe U.
Demonstraţie. Cum dim U = 1 există un vector ū astfel ca U = L({ū}). Să arătăm că
ū este un vector propriu al lui f . Pentru orice v̄ ∈ U, există α ∈ K astfel ca v̄ = α · ū. Cum
U este invariant la acţiunea lui f rezultă că f (v̄) ∈ U, adică există β ∈ U cu f (v̄) = β · ū.
Dar f (v̄) = f (α · ū) = α · f (ū), de unde α · f (ū) = β · ū. Deci f (ū) = α−1 β · ū = λ · ū. Astfel
ū este un vector propriu corespunzător valorii proprii λ.
Mai punctăm ı̂ncă două proprietăţi.
Propozitia 4. Dacă λ1 şi λ2 sunt două valori proprii distincte ale operatorului f atunci
Sλ1 ∩ Sλ2 = {0̄V }.
Demonstraţie. Fie v̄ ∈ Sλ1 ∩ Sλ2 . Atunci

0̄V = f (v̄) − f (v̄) = λ1 · v̄ − λ2 · v̄ = (λ1 − λ2 ) · v̄

de unde rezultă v̄ = 0̄V . Deci Sλ1 ∩ Sλ2 = {0̄V }.

Propoziţia 5. Vectorii proprii corespunzători unor valori proprii distincte sunt liniar
independenţi.
Demonstraţie. Vom considera, pentru ı̂nţelegerea demonstraţiei, doar cazul a două
valori proprii distincte λ1 , λ2 cărora le corespund respectiv vectorii proprii v̄1 şi v̄2 . Pentru
liniar independenţă avem condiţia α1 · v̄1 + α2 · v̄2 = 0̄V . Rezultă α2 · v̄2 = −α1 · v̄1 . Avem

0̄V = f (α1 · v̄1 α2 · v̄2 ) = α1 · f (v̄1 ) + α2 · f (v̄2 ) = α1 λ1 · v̄1 + α2 λ2 · v̄2

= α1 λ1 · v̄1 − α1 λ2 · v̄1 = α1 (λ1 − λ2 ) · v̄1

Cum λ1 6= λ2 , iar v̄2 este vector propriu, rezultă α1 = 0 şi automat α2 = 0. Deci vectorii
proprii consideraţi sunt liniar independenţi.
Din punct de vedere practic ne interesează cum determinăm valorile şi vectorii proprii.
Lucrând matriceal, vom nota cu A matricea operatorului f ı̂n baza canonică, cu X matricea
coloană asociată vectorului propriu şi cu [0] matricea coloană formată numai cu zerouri.
Atunci condiţia din definiţie devine

A · X = λX ⇔ A · X − λIn · X = [0] ⇔ (A − λIn ) · X = [0].

Ultima egalitate reprezintă scrierea matriceală a unui sistem liniar şi omogen. Acest sistem
trebuie să aibă soluţie nenulă, deci determinantul sistemului trebuie să fie nul. Obţinem
Valori şi vectori proprii 17

condiţia de determinare a valorilor proprii:

det (A − λIn ) = 0.

Metoda de aflare a vectorilor proprii: după aflarea valorilor proprii se revine la sistemul
omogen obţinut,

(A − λIn ) · X = [0],

şi se rezolvă pentru fiecare valoare proprie ı̂n parte. Soluţiile obţinute, X, formează subspaţiile
proprii corespunzătoare, deci pentru fiecare valoare proprie găsim toţi vectorii proprii core-
spunzători.
Un calcul simplu, folosind legea de schimbare a matricei unei aplicaţii liniare la schimbarea
bazei, ne arată că la schimbarea bazei nu se modifică relaţia de determinare a valorilor proprii.
Polinomul P (λ) = det (A−λIn ) se numeşte polinomul caracteristic al lui f , iar ecuaţia
P (λ) = 0 se numeşte ecuaţia caracteristică. Matricea A − λIn poate fi numită matricea
caracteristică.
Deoarece ı̂ntr-o bază operatorul f este unic determinat de matricea lui ı̂n acea bază,
putem vorbi despre valori proprii ale unei matrice pătratice, respectiv vectori proprii etc.
 
1 1 1
Problema 1. Să se determine valorile proprii ale matricei A =  0 2 2  .
 

0 0 3
   
1 1 1 1 0 0
Rezolvare. Avem A − λI3 =  0 2 2  − λ 0 1 0  =
   

0 0 3 0 0 1
     
1 1 1 λ 0 0 1−λ 1 1
= 0 2 2 − 0 λ 0 = 0 2−λ 2  , de unde
     

0 0 3 0 0 λ 0 0 3−λ

 
 1−λ 1 1 
 
det(A − λI3 ) =  0 2−λ 2  = (1 − λ)(2 − λ)(3 − λ).
 
 
 0 0 3−λ 
18 Curs de Algebră liniară

Condiţia det(A − λI3 ) = 0 devine (1 − λ)(2 − λ)(3 − λ) = 0. Obţinem:

1 − λ = 0 ⇒ λ1 = 1
2 − λ = 0 ⇒ λ2 = 2
3 − λ = 0 ⇒ λ3 = 3

Deci valorile proprii căutate sunt λ1 = 1, λ2 = 2, λ3 = 3.

Din calculul de mai sus observăm că A − λIn ı̂nseamnă să scădem λ pe dia-gonala prin-
cipală a matricei A.
Problema 2. Fie operatorul liniar f : R3 → R3 ce are ı̂n baza canonică matricea
 
2 0 0
A= 1 2 0 .
 

0 1 2
a) Să se determine valorile proprii ale lui f ;
b) Să se determine subspaţiile proprii corespunzătoare şi să se scrie câte un vector propriu
corespunzător.  
2−λ 0 0
Rezolvare. a) Avem A − λI3 =  1 2−λ 0  , de unde
 

0 1 2−λ
 
 2−λ 0 0 
 
det(A − λI3 ) =  1 2−λ 0  = (2 − λ)3 .
 
 
 0 1 2−λ 

Polinomul caracteristic P (λ) = (2 − λ)3 are rădăcina triplă λ1 = λ2 = λ3 = 2.

b) Practic avem un singur subspaţiu propriu, Sλ1 . Pentru λ = λ1 = 2, condiţia (A−λI3 )·X =
[0] devine
          
0 0 0 x1 0 0 0  0=0

 1 0 0  ·  x2  =  0  ⇔  x1  =  0  ⇔ x1 = 0
         

0 1 0 x3 0 x2 0 x2 = 0


Atunci Sλ1 = {(0, 0, x3 ) : x3 ∈ R} = L((0, 0, 1)). Particularizând x3 (fără zero) se obţine

un vector propriu corespunzător valorii proprii λ1 = 2. De exemplu, un vector propriu este
Valori şi vectori proprii 19

(0, 0, 1).

Problema 3. Fie operatorul liniar f : R2 → R2 , f (x1 , x2 ) = (2x1 − x2 , x2 ).

a) Să se scrie matricea lui f ı̂n baza canonică, notată cu A;
b) Să se arate că valorile proprii ale lui f sunt reale şi distincte, λ1 6= λ2 ;
c) Să se verifice că λ1 +λ2 = Tr(A), unde Tr(A) este urma matricei A, adică suma elementelor
de pe diagonala principală. De asemenea, λ1 λ2 = det A;
d) Să se verifice că P (A) = O2 , unde P este polinomul caracteristic al lui f ;
e) Să se verifice că Sλ1 ⊕ Sλ2 = R2 ;
f ) Fie T matricea ce are pe prima coloană un vector propriu corespunzător valorii proprii
λ1 , iar pe a doua coloană un vector propriu corespunzător valorii proprii λ2 . Să se arate că
" #
λ 1 0
T −1 · A · T = D, unde D = .
0 λ2
Rezolvare. a) În baza canonică, matricea lui f este matricea coeficienţilor: A =
" #
2 −1
.
0 1
" #
2 − λ −1
b) Avem A − λI2 = . Atunci polinomul caracteristic este dat de P (λ) =
0 1−λ
 
 2 − λ −1 
det(A − λI2 ) =   = (2 − λ)(1 − λ), iar valorile proprii sunt λ1 = 2 şi λ2 = 1,
 
 0 1−λ 
reale şi distincte.
c) Tr(A) = 2 + 1 = 3 = λ1 + λ2 , iar det A = 2 = λ1 λ2 .
d) P (λ) = λ2 − 3λ + 2, deci P (A) = A2 − 3A + 2I2 . Prin calcul direct obţinem concluzia.
e) Pentru λ = λ1 = 2 condiţia (A − λI2 ) · X = [0] devine
" # " # " # " # " # (
0 −1 x1 0 −x2 0 −x2 = 0
· = ⇔ = ⇔
0 −1 x2 0 −x2 0 −x2 = 0

Atunci Sλ1 = {(x1 , 0) : x1 ∈ R} = L((1, 0)). Un vector propriu corespunzător lui Sλ1 este
v̄1 = (1, 0).
Pentru λ = λ2 = 1 condiţia (A − λI2 ) · X = [0] devine
" # " # " # " # " # (
1 −1 x1 0 x1 − x2 0 x1 − x2 = 0
· = ⇔ = ⇔ ,
0 0 x2 0 0 0 0=0
20 Curs de Algebră liniară

de unde x1 = x2 . Atunci Sλ2 = {(x2 , x2 ) : x2 ∈ R} = L((1, 1)). Un vector propriu core-

spunzător lui Sλ2 este v̄2 = (1, 1).
Cum λ1 6= λ2 rezultă Sλ1 ∩ Sλ2 = {(0, 0)}, deci avem suma directă Sλ1 ⊕ Sλ2 . Dar
dim(Sλ1 ⊕ Sλ2 ) = dim Sλ1 + dim = 1 + 1 = 2 = dim R2 , deci avem Sλ1 ⊕ Sλ2 = R2 .
" Sλ2 #
1 1
f ) Considerăm matricea T = , obţinută punând vectorii proprii v̄1 şi v̄2 pe coloane.
0 1
" #
1 −1
Atunci T −1 = , iar
0 1
" # " # " # " # " # " #
−1 1 −1 2 −1 1 1 2 −2 1 1 2 0
T ·A·T = · · = · = ,
0 1 0 1 0 1 0 1 0 1 0 1

adică T −1 · A · T = D.
Problema precedentă evidenţiază unele proprietăţi ce sunt valabile ı̂n general. Prima
dintre ele este
Teorema Cayley-Hamilton. Dacă P (λ) = det(A − λIn ) este polinomul caracteristic al
matricei pătratice A, atunci P (A) = On .
Alte proprietăţi sunt date de
Propoziţia 6. Fie operatorul liniar f : V → V, A matricea sa ı̂n baza canonică şi
dim V = n. Dacă λ1 , λ2 , . . . , λn sunt valorile proprii ale lui f atunci λ1 +λ2 +. . .+λn = Tr(A),
iar λ1 λ2 . . . λn = det A.
În particular, pentru n = 2, din Teorema Cayley-Hamilton şi Popoziţia 8 rezultă că
" #
a b
matricea A = verifică relaţia
c d

A2 − Tr(A) · A + det A · I2 = O2 ,

unde Tr(A) = a + d este urma matricei A.

Propoziţia 7. Fie operatorul liniar f : V → V şi dim V = n. Dacă f are n valori proprii
reale şi distincte atunci Sλ1 ⊕ Sλ2 ⊕ . . . ⊕ Sλn = V.
Demonstraţie. Valorile proprii fiind distincte rezultă, din Propoziţia 7, că lor le core-
spund vectori proprii liniar independenţi, cel puţin n. Cum o bază a lui V conţine exact n
vectori, atunci nu putem avea mai mult de n vectori liniar independenţi. Deci fiecărei din
Valori şi vectori proprii 21

cele n valori proprii reale şi distincte ı̂i corespunde exact un vector propriu, fiecare din aceşti
vectori proprii generând subspaţiul propriu corespunzător. Mai mult, cei n vectori proprii
formează o bază a lui V. Utilizând Propoziţia 11 din Lecţia 3, rezultă concluzia.
În ultimul subpunct al problemei 3, ı̂n care are loc relaţia T −1 · A · T = D, apare de fapt
o schimbare de bază prin care matricea A devine o matrice diagonală. În general, o astfel de
situaţie se numeşte diagonalizarea unei matrice pătratice:
Definiţia 4. Operatorul liniar f : V → V se numeşte diagonalizabil dacă există o bază
a lui V ı̂n care matricea sa este o matrice diagonală.
Folosind Propoziţia 2 din Lecţia 4 pentru operatori liniari, avem formula de schimbare
a matricei la schimbarea bazei Bc ı̂n baza B: [f ]B = TBBc · [f ]Bc · TBc B , unde TBc B este
matricea de trecere de la baza canonică la baza B. În Problema 3 această matrice a fost
construită cu ajutorul vectorilor proprii, obţinându-se că [f ]B este matrice diagonală. Are
loc teorema de diagonalizare a unui operator liniar:
Propoziţia 8. Un operator liniar f : V → V este diagonalizabil dacă şi numai dacă
există o bază a spaţiului V formată din vectori proprii ai lui f .
Mai mult, forma diagonală a lui f are matricea diagonală formată cu valorile proprii pe
diagonală,  
λ1 0 . . . 0
 0 λ2 . . . 0 
 
D = [f ]B = 
 .. ..
.
 . .


0 0 . . . λn
Demonstraţie. Fie B = {v̄1 , . . . , v̄n } o bază a lui V. Matricea de trecere de la baza
canonică la această bază are pe coloane componentele vectorilor din bază. Vom nota această
matrice astfel: TBc B = [v̄1 . . . v̄n ].
Operatorul f este diagonalizabil dacă şi numai dacă

D = [f ]B = TBBc · [f ]Bc · TBc B ,

echivalent cu
TBc B · D = [f ]Bc · TBc B

care se scrie
[λ1 v̄1 . . . λn v̄n ] = [[f ]Bc v̄1 . . . [f ]Bc v̄n ]
22 Curs de Algebră liniară

sau echivalent λi v̄i = f (v̄i ), i ∈ {1, . . . , n}, ceea ce ı̂nseamnă că vectorii v̄i sunt vectori proprii.

Reţinem formula
D = T −1 · A · T ⇔ A = T · D · T −1 ,
unde A este o matrice diagonalizabilă, D este forma sa diagonală, iar T este matricea formată
cu vectorii proprii corespunzători valorilor proprii ale lui A, aşezaţi pe coloane.
Combinând ultimele două propoziţii, are loc următorul rezultat:
Propoziţia 9. Fie operatorul liniar f : V → V şi dim V = n. Dacă f are n valori proprii
reale şi distincte atunci el este diagonalizabil.
Să vedem ce se ı̂ntâmplă ı̂n situaţia ı̂n care sunt şi valori proprii egale.
Problema 4. Operatorul liniar f : R2 → R2 are ı̂n baza canonică matricea A =
" #
1 1
.
−1 3
a) Să se arate că valorile proprii sunt egale;
b) Să se arate că f nu este diagonalizabil. " #
1−λ 1
Rezolvare. a) Matricea caracteristică este A − λI2 = şi det(A − λI2 ) =
−1 3 − λ
 
 1−λ 1 
 = (1 − λ)(3 − λ) + 1 = λ2 − 4λ + 4 = (λ − 2)2 . Egalând cu 0 obţinem rădăcina


 −1 3 − λ 
dublă λ1 = λ2 = 2.
b) Vom avea un singur subspaţiu propriu, Sλ1,2 . Pentru λ = λ1,2 = 2, condiţia de vector
propriu (A − λ1 I2 ) · X = [0] devine
" # " # " # " # " # (
−1 1 x1 0 −x1 + x2 0 −x1 + x2 = 0
· = ⇔ = ⇔ ,
−1 1 x2 0 −x1 + x2 0 −x1 + x2 = 0
de unde x1 = x2 . Atunci Sλ1,2 = {(x1 , x1 ) : x1 ∈ R} = L((1, 1)). Un vector propriu
corespunzător lui Sλ1,2 este v̄1 = (1, 1), ceilaţi fiind generaţi de acesta. Atunci nu putem
construi o bază pentru R2 formată din vectori proprii, ca atare f nu este diagonalizabil.
 
0 0 1
Problema 5. Fie matricea A =  0 −1 0 .
 

1 0 0
a) Să se determine valorile proprii ale lui A şi să se observe dacă are două dintre ele egale;
Valori şi vectori proprii 23

b) Să se arate că matricea A este diagonalizabilă;

c) Să se verifice că T −1 · A · T = D, unde T are pe coloane vectorii proprii ai lui A, iar D este
forma diagonală a lui A;
d) Să se calculeze A13 .
 
−λ 0 1
Rezolvare. a) Matricea caracteristică este A − λI3 =  0 −1 − λ 0 , cu det(A −
 

1 0 −λ
 
 −λ 0 1 

λI3 ) =  0 −1 − λ 0 . Dezvoltând după a doua linie rezultă P (λ) = det(A − λI3 ) =
 
 
 1 0 −λ 
 
 −λ 1 
(−1 − λ) ·   = (−1 − λ)(λ2 − 1). Ecuaţia caracteristică P (λ) = 0 are soluţiile date

 1 −λ 
de două ecuaţii: (−1 − λ) = 0, respectiv λ2 − 1 = 0. Obţinem valorile proprii λ1 = λ2 =
−1, λ3 = 1. Observăm că două dintre valorile proprii sunt egale.
b) Vom determina subspaţiile proprii şi bazele acestora.
Pentru λ1 = λ2 = −1, condiţia de vector propriu (A − λ1 I3 ) · X = [0] devine
          
1 0 1 x1 0 x1 + x3 0  x1 + x3 = 0

 0 0 0  ·  x2  =  0  ⇔  0 = 0 ⇔ 0=0 ,
         

1 0 1 x3 0 x1 + x3 0 x1 + x3 = 0


de unde x3 = −x1 . Atunci

X t = (x1 , x2 , x3 ) = (x1 , x2 , −x1 ) = (x1 , 0, −x1 ) + (0, x2 , 0)

= x1 (1, 0, −1) + x2 (0, 1, 0).

Deci Sλ1,2 = {(x1 , x2 , −x1 ) : x1 , x2 ∈ R} = L({v̄1 , v̄2 }), unde v̄1 = (1, 0, −1) şi v̄2 = (0, 1, 0)
sunt vectori proprii corespunzători valorii proprii duble λ = −1.
Pentru λ3 = 1, condiţia de vector propriu (A − λ1 I3 ) · X = [0] devine
          
−1 0 1 x1 0 −x1 + x3 0  x3 − x1 = 0

 0 −2 0  ·  x2  =  0  ⇔  −2x2  =  0  ⇔ −2x2 = 0
         

1 0 −1 x3 0 x1 − x3 0 x1 − x3 = 0


de unde x1 = x3 şi x2 = 0. Atunci X t = (x1 , x2 , x3 ) = (x3 , 0, x3 ) = x3 (1, 0, 1). Am găsit Sλ3 =

{(x3 , 0, x3 ) : x3 ∈ R} = L({v̄3 }), unde v̄3 = (1, 0, 1) este un vector propriu corespunzător
valorii proprii λ3 = 1.
24 Curs de Algebră liniară

Am găsit trei vectori proprii cu care formăm sistemul de vectori B = {v̄1 , v̄2 , v̄3 }. Matricea
 
1 0 1
acestui sistem de vectori este T =  0 1 0  cu det T = 2 6= 0, deci B este o bază a lui
 

−1 0 1
R3 formată din vectori proprii. Rezultă că matricea este diagonalizabilă, ı̂n baza B având
forma diagonală    
λ1 0 0 −1 0 0
D =  0 λ2 0  =  0 −1 0  .
   

0 0 λ3 0 0 1
   
1 0 −1 1 0 −1
1 1
c) Avem T t =  0 1 0  şi T −1 = · T∗ =  0 2 0 . Atunci
  
det T 2
1 0 1 1 0 1
     
1 0 −1 0 0 1 1 0 1
1
T −1 · A · T =  0 2 0  ·  0 −1 0  ·  0 1 0  =
    
2
1 0 1 1 0 0 −1 0 1
     
−1 0 1 1 0 1 −2 0 0
1  1
=  0 −2 0  ·  0 1 0  =  0 −2 0  = D.
  
2 2
1 0 1 −1 0 1 0 0 2
d) Dacă o matrice este diagonalizabilă atunci orice putere a ei este legată de aceeaşi putere
a matricei diagonale asociate. Mai exact din relaţia T −1 · A · T = D rezultă A = T · D · T −1 .
Atunci, folosind faptul că T −1 · T = I3 , obţinem

A2 = A · A = T · D · T −1 · T · D · T −1 = T · D2 · T −1
A3 = A2 · A = T · D2 · T −1 · T · D · T −1 = T · D3 · T −1
..
.
An = T · Dn · T −1 .

Pe de altă parte avem

     
λ1 0 0 λ1 0 0 λ21 0 0
D2 =  0 λ2 0  ·  0 λ2 0  =  0 λ22 0 
     

0 0 λ3 0 0 λ3 0 0 λ23
Valori şi vectori proprii 25
 
λn1 0 0
şi inductiv, Dn =  0 λn2 0  . Atunci obţinem
 

0 0 λn3
     
1 0 1 −1 0 0 1 0 −1
1
A13 = T · D13 · T −1 =  0 1 0  ·  0 −1 0  ·  0 2 0 =
    
2
−1 0 1 0 0 1 1 0 1
       
−1 0 1 1 0 −1 0 0 2 0 0 1
1  1
=  0 −1 0  ·  0 2 0  =  0 −2 0  =  0 −1 0  .
    
2 2
1 0 1 1 0 1 2 0 0 1 0 0
Deci A13 = A.
Din ultimele două probleme deducem că dacă operatorul are şi valori proprii egale atunci
el nu este ı̂ntotdeauna diagonalizabil. În Problema 4, valorii proprii duble ı̂i corespunde un
singur vector propriu, iar operatorul nu este diagonalizabil. În Problema 5, valoarea proprie
dublă are doi vectori proprii corespunzători, ı̂n acest caz matricea fiind diagonalizabilă.
Vom numi multiplicitate agebrică a unei valori proprii numărul ce indică de câte ori
acea valoare proprie este soluţie a ecuaţiei caracteristice. Prin multiplicitate geometrică
a unei valori proprii ı̂nţelegem dimensiunea subspaţiului propriu corespunzător acelei valori
proprii. Are loc următoarea condiţie de diagonalizare:
Propoziţia 10. Fie V un spaţiu vectorial real. Un operator f : V → V este diagonalizabil
dacă şi numai dacă
(d1 ) toate valorile proprii sunt reale
şi
(d2 ) pentru orice valoare proprie, multiplicitatea algebrică este egală cu multiplicitatea
geometrică.
Mai mult, o bază ı̂n care f are forma diagonală se obţine prin reuniunea bazelor subspaţiilor
proprii.
Ca exemplu, să ne ı̂ntoarcem la rezolvarea Problemei 5. Am găsit că valorile proprii
sunt λ1 = λ2 = −1 şi λ3 = 1. Atunci multiplicitatea algebrică, ma, a valorii proprii −1
este ma(λ1,2 ) = 2, iar multiplicitatea algebrică a valorii proprii 1 este ma(λ3 ) = 1. Pe de
altă parte, o bază a subspaţiului propriu Sλ1,2 este formată din 2 vectori, deci dimensiunea
acestui subspaţiu este 2. Atunci multiplicitatea geometrică, mg, a valorii proprii −1 este
26 Curs de Algebră liniară

mg(λ1,2 ) = 2. De asemenea dim Sλ3 = 1, deci multiplicitatea geometrică a valorii proprii 1

este mg(λ3 ) = 1. Astfel ma(λ1,2 ) = 2 = ma(λ1,2 ) şi ma(λ3 ) = 1 = ma(λ3 ), şi cum valorile
proprii sunt reale obinem că matricea este diagonalizabilă.
Remarcă. Ca ı̂n rezolvarea Problemei 5 d), are loc ı̂n general egalitatea

Ap = T · Dp · T −1 , p ∈ N∗ ,

unde A este matricea unui operator diagonalizabil, D matricea diagonală corespunzătoare,

 
λ1 0 ... 0
 0 λ2 ... 0 
 
D = [f ]B = 
 .. ..
,
 . .


0 0 . . . λn

şi T matricea formată cu vectorii proprii ce formează baza B. Rezultă atunci T −1 ·Ap ·T = Dp ,
adică matricea Ap este diagonalizabilă, având ı̂n aceeaşi bază ca şi A forma diagonală Dp ,
 n 
λ1 0 . . . 0
 0 λn2 . . . 0 
 
p
D = .
..
.
 . . .


0 0 . . . λpn

Dedudem de aici că valorile proprii ale lui Ap sunt λp1 , . . . , λpn .
Mai mult, din egalitatea T −1 · A · T = D rezultă, dacă A este inversabilă, (T −1 · A · T )−1 =
D−1 sau echivalent T −1 · A−1 · T = D−1 . Astfel şi matricea A−1 este diagonalizabilă, valorile
1 1
proprii fiind ,..., .
λ1 λn
Problema 6. Fie mulţimea M = {X ∈ M3 (R) : X 3 = 4X} şi matricea
 
1 0 1
A =  0 0 0 .
 

1 0 1

a) Să se arate că A ∈ M;

b) Să se studieze dacă A este diagonalizabilă;
c) Să se demonstreze că dacă X ∈ M, iar λ este o valoare proprie a lui X, atunci λ ∈
Valori şi vectori proprii 27

{−2, 0, 2};
d) Să se arate că dacă D este o matrice diagonală din mulţimea M şi T este o matrice
inversabilă, atunci B = T · D · T −1 ∈ M. Să se dea un exemplu de matrice D ce nu are nici
o valoare proprie nulă, astfel ı̂ncât B să nu fie o matrice diagonală.
Rezolvare. a) Avem imediat că A2 = 2A şi

A3 = A2 · A = 2A · A = 2A2 = 2 · 2A = 4A,

deci A ∈ M.
b) Polinomul caracteristic este dat de P (λ) = det(A − λI3 ) = λ2 (2 − λ), cu valorile proprii
λ1 = λ2 = 0, λ3 = 2. Pe de altă parte subspaţiile proprii corespunzătoare sunt Sλ1,2 =
L((1, 0, −1), (0, 1, 0)) şi Sλ3 = L((1, 0, 1)). Atunci ma(λ1,2 ) = 2 = mg(λ1,2 ), ma(λ3 ) = 1 =
mg(λ3 ), deci A este diagonalizabilă.
c) Fie λ o valoare proprie a lui X şi v̄ vectorul propriu corespunzător, adică X v̄ = λv̄. Atunci

X 3 v̄ = 4X v̄ = 4λv̄,
X 3 v̄ = X 2 · X v̄ = X 2 λv̄ = λX · X v̄ = λXλv̄ = λ2 X v̄ = λ2 λv̄ = λ3 v̄,

de unde λ3 = 4λ (deoarece vectorul propriu e nenul). Obţinem λ(λ2 − 4) = 0, deci λ ∈

{−2, 0, 2}.
d) Dacă D ∈ M, atunci D3 = 4D şi

B 3 = B · B · B = T · D · T −1 · T · D · T −1 · T · D · T −1 = T · D3 · T −1 = 4T · D · T −1 ,

adică B 3 = 4B, deci B ∈ M.

 
−2 0 0
Fie, de exemplu D =  0 2 0  (valorile proprii nu pot fi toate egale ı̂n ipoteza
 

0 0 2
 
1 1 1
dată). Se verifică imediat că D3 = 4D. Considerând, de exemplu, T =  0 1 1  , cu
 

0 0 1
   
1 −1 0 −2 4 0
−1
T =  0 1 −1 , obţinem B =  0 2 0  .
   

0 0 1 0 0 2
28 Curs de Algebră liniară

Întrebări teoretice

1. Definiţi noţiunile de vector propriu şi valoare proprie.

2. Definiţi noţiunea de subspaţiu propriu corespunzător unei valori proprii.
3. Care este metoda de determinare a valorilor proprii? Dar a vectorilor proprii?
4. Definiţi noţiunile de polinom caracteristic, ecuaţie caracteristică, respectiv matrice
caracteristică.
5. Definiţi noţiunea de operator diagonalizabil.
6. În ce condiţii un operator este diagonalizabil?
7. Cum arată matricea diagonală a unui operator diagonalizabil?
8. Dacă A = T · D · T −1 , unde A este matricea unui operator diagonalizabil, iar D este
matricea diagonală corespunzătoare, cum se formează matricea T ?
9. Este diagonalizabilă o matrice ce are valorile proprii reale şi distincte?
10. Ce ı̂nţelegem prin multiplicitate algebrică a unei valori proprii? Dar prin multiplici-
tate geometrică?
11. Cum trebuie să fie cele două multiplicităţi ale oricărei valori proprii pentru ca o
matrice să fie diagonalizabilă?

Exerciţii

1. Fie f : R2 → R2 , f (x1 , x2 ) = (x1 + x2 , 2x2 ). Verificaţi că v̄ = (1, 1) este un vector

propriu al lui f . Care este valoarea proprie corespunzătoare?
2. Fie operatorul liniar f : R3 → R3 , f (x1 , x2 , x3 ) = (x1 + 2x2 , x2 + x3 , 3x3 ).
a) Scrieţi matricea lui f ı̂n baza canonică;
b) Determinaţi valorile proprii ale lui f .
3. Fie operatorul liniar f : R2 → R2 , f (x1 , x2 ) = (x1 + mx2 , x1 − 4x2 ). Determinaţi
m ∈ R pentru care valorile proprii ale lui f sunt strict negative.
4. Spunem că o matrice pătratică simetrică este pozitiv (respectiv negativ ) definită dacă
toate valorile sale proprii sunt strict pozitive (respectiv negative). Să se stabilească dacă A
este pozitiv sau negativ definită, unde
 
" # " # 2 1 0
−2 −1 1 2
a) A = ; b) A = ; c) A =  1 2 0  .
 
−1 −2 2 4
0 0 3
Valori şi vectori proprii 29

5. Fie operatorul liniar f : R2 → R2 , f (x1 , x2 ) = (2x1 + 2x2 , 3x1 + x2 ).

a) Scrieţi matricea lui f ı̂n baza canonică;
b) Determinaţi valorile proprii ale lui f ;
c) Justificaţi de ce operatorul este diagonalizabil;
d) Aflaţi subspaţiile proprii corespunzătoare valorilor proprii găsite. Scrieţi câte un vector
propriu corespunzător. " #
1 0
6. Studiaţi dacă matricea A = este diagonalizabilă.
−4 1
" #
3 1
7. Arătaţi că matricea A = nu este diagonalizabilă.
−4 −1
8. Operatorul liniar f : R2 → R2 are ı̂n baza canonică matricea
" #
4 6
A= .
−3 −5

a) Verificaţi că matricea este diagonalizabilă;

b) Scrieţi forma diagonală şi precizaţi o bază ı̂n care are această formă;
c) Folosind eventual o relaţie de tipul A = T · D · T −1 , calculaţi An , n ∈ N∗ .
 
−1 2 1
9. Verificaţi dacă matricea A =  0 0 1  a unui operator liniar este diagonalizabilă.
 

0 0 1
În caz afirmativ scrieţi forma diagonală şi precizaţi o bază ı̂n care are forma diagonală.
10. Endomorfismul f pe spaţiul aritmetic R3 are ı̂n baza canonică matricea
 
0 1 0
A =  1 0 0 .
 

0 1 1

Studiaţi dacă este diagonalizabil.

Spaţii euclidiene

Definiţia 1 Se numeşte produs scalar pe spaţiu vectorial real (V, +, ·) o formă biliniară si-
metrică f : V × V → R a cărei formă pătratică asociată este pozitiv definită.
Spaţiul vectorial V ı̂nzestrat cu un produs scalar se numeşte spaţiu euclidian.
Vom nota produsul scalar prin < ., . >, adică < u, v >= f (u, v), ∀u, v ∈ V.
Definiţia 2 Se numeşte normă definită de produsul scalar < ., . >: V × V → R, funcţia
√
k.k : V → R , kuk = < u, u >.
Norma generalizează modulul şi are proprietăţile: kαuk = |α| · kuk, ku + vk ≤ kuk + kvk,
pentru orice α ∈ R, u, v ∈ V.
Definiţia 3 Un vector de normă 1 se numeşte versor.
Oricărui vector v dintr-un spaţiu euclidian i se asociază un versor v0 dat de relaţia
1
v0 = v.
kvk
Definiţia 4 Se numeşte distanţă dintre doi vectori ai unui spaţiu euclidian, funcţia
d : V × V → R , d(u, v) = ku − vk.
Evident, d(v, u) = d(u, v). Mai mult, d(u, w) ≤ d(u, v) + d(v, w), ∀u, v, w ∈ V.
Teorema 1 (Schwarz) Într-un spaţiu euclidian are loc inegalitatea
| < u, v > | ≤ kuk · kvk , ∀u, v.
De aici rezultă:
Definiţia 5 Fie u şi v doi vectori ai unui spaţiu euclidian. Se numeşte unghi dintre u şi v
numărul θ ∈ [0, π] cu proprietatea
< u, v >
cos θ = .
kuk · kvk
π
Cum cos = 0, iar ortogonal ı̂nseamnă perpendicular, avem:
2
Definiţia 6 Doi vectori u, v sunt ortogonali şi notăm u ⊥ v dacă < u, v >= 0.

30
Spaţiul euclidian 3-dimensional standard 31

Spaţiul euclidian standard n−dimensional

Definiţia 7 Spaţiul aritmetic n−dimensional (Rn , +, ·) ı̂nzestrat cu produsul scalar standard

definit prin

< x̄, ȳ >= x1 y1 + x2 y2 + . . . + xn yn , ∀x̄ = (x1 , x2 , . . . , xn ), ȳ = (y1 , y2 , . . . , yn ),

se numeşte spaţiul euclidian standard n−dimensional şi notăm E n .

Norma generată de produsul scalar standard este dată de

q
k(x1 , x2 , . . . , xn )k = x21 + x22 + . . . + x2n .

Caz particular 1: n = 2, adică E 2 .

Produsul scalar standard ı̂n R2 este definit prin

< x̄, ȳ >= x1 y1 + x2 y2 , ∀x̄ = (x1 , x2 ), ȳ = (y1 , y2 ),

iar norma generată de acest produs scalar standard este

q
k(x1 , x2 )k = x21 + x22 .

Exerciţiul 1 În spaţiul E 2 (adică R2 ı̂nzestrat cu produsul scalar standard) se consideră

vectorii x̄ = (1, 1) şi ȳ = (2, 0). Aflaţi:
a) produsul scalar al vectorilor x̄ şi ȳ;
b) unghiul dintre cei doi vectori;
c) distanţa dintre cei doi vectori;
d) versorul corespunzător lui x̄;
e) un vector ortogonal pe x̄.

Avem:
a) < x̄, ȳ >= 1 · 2 + 1 · 0 = 2.
√ √ √
b) kx̄k = 12 + 12 = 2, kȳk = 22 + 02 = 2 şi
√
< u, v > 2 1 2
cos θ = =√ =√ = .
kuk · kvk 2·2 2 2
32 Algebră liniară şi Geometrie analitică

π
Arunci θ = .
4 p √
c) d(x̄, ȳ) = kx̄ − ȳk = k(1, 1) − (2, 0)k = k(−1, 1)k!= (−1)2 + 12 = 2.
√ √ √
1 1 2 2 2
d) x̄0 = x̄ = √ (1, 1) = (1, 1) = , .
kx̄k 2 2 2 2
e) Vectorul ū = (a, b) ∈ R2 este ortogonal pe x̄ dacă

< x̄, ū >= 0 ⇔ a + b = 0 ⇔ b = −a.

Deci ū = (a, −a), unde a ∈ R este oarecare. Alegem, de exemplu, a = 1 şi atunci un vector
ortogonal pe x̄ este (1, −1).

Caz particular 2: n = 3, adică E 3 .

Produsul scalar standard ı̂n R3 este definit prin

< x̄, ȳ >= x1 y1 + x2 y2 + x3 y3 , ∀x̄ = (x1 , x2 , x3 ), ȳ = (y1 , y2 , y3 ),

iar norma generată de acest produs scalar standard este

q
k(x1 , x2 , x3 )k = x21 + x22 + x23 .

Exerciţiul 2 În spaţiul E 3 (adică R3 ı̂nzestrat cu produsul scalar standard) se consideră

vectorii x̄ = (1, 2, −1) şi ȳ = (2, 1, 1). Aflaţi:
a) unghiul dintre cei doi vectori;
b) distanţa dintre cei doi vectori;
c) un vector ortogonal pe x̄ şi pe ȳ.

Avem:
a) < x̄, ȳ >= 1 · 2 + 2 · 1 + (−1) · 1 = 2 + 2 − 1 = 3.
p √ √ √
kx̄k = 12 + 22 + (−1)2 = 6, kȳk = 22 + 12 + 12 = 6 şi
< u, v > 3 3 1
cos θ = =√ √ = = .
kuk · kvk 6· 6 6 2
π
Arunci θ = .
3 √
b) d(x̄, ȳ) = kx̄ − ȳk = k(1, 2, −1) − (2, 1, 1)k = k(−1, 1, −2)k = 6.
c) Fie vectorul ū = (a, b, c) ∈ R3 ortogonal atât pe x̄, cât şi pe ȳ. Atunci

< x̄, ū >= 0 ⇔ a + 2b − c = 0,

Spaţiul euclidian 3-dimensional standard 33

< ȳ, ū >= 0 ⇔ 2a + b + c = 0.

Avem 2 condiţii (ecuaţii) şi 3 necunoscute, deci, ı̂n principiu, există o infinitate de posibilităţi.
Adunăm cele două ecuaţii. Rezultă 3a + 3b = 0, de unde 3b = −3a, adică b = −a. Înlocuim,
de exemplu, in a doua ecuaţie: 2a − a + c = 0, de unde c = −a.
Deci ū = (a, −a, −a), unde a ∈ R este oarecare. Alegem, de exemplu, a = 1 şi atunci un
vector ortogonal pe cei doi vectori daţi este (1, −1, −1).

Alte produse cu vectori ı̂n E 3

Definiţia 8 Fie x̄ = (x1 , x2 , x3 ), ȳ = (y1 , y2 , y3 ) doi vectori din R3 . Se numeşte produs vec-
torial al celor doi vectori acel vector notat x̄ × ȳ dat de

x̄ × ȳ = (x2 y3 − x3 y2 , x3 y1 − x1 y3 , x1 y2 − x2 y1 ) .

Definiţia 9 Produsul mixt al vectorilor x̄ = (x1 , x2 , x3 ), ȳ = (y1 , y2 , y3 ) şi z̄ = (z1 , z2 , z3 ),

notat prin (x̄, ȳ, z̄), este numărul egal cu produsul scalar dintre x̄ × ȳ şi z̄:

(x̄, ȳ, z̄) = (x̄ × ȳ) · z̄.

Formula ı̂n coordonate a produsului mixt:

 
 x1 x2 x3 
 
(x̄, ȳ, z̄) =  y1 y2 y3  .
 
 
 z 1 z 2 z3