Documente Academic
Documente Profesional
Documente Cultură
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.
În particular, dacă V = W, aplicaţia liniară f se numeşte operator liniar sau endo-
morfism.
1
2 Curs de Algebră liniară
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.
Observăm că
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
[f ◦ g]B 00 B = [f ]B 00 B 0 · [g]B 0 B .
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:
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
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
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
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
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.
a + bX + cX 2 ↔ (a, b, c),
0 0 0 c
10 Curs de Algebră liniară
0 0 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.
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
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
Exerciţii
0 1
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.
14
Valori şi vectori proprii 15
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
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
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
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
1 − λ = 0 ⇒ λ1 = 1
2 − λ = 0 ⇒ λ2 = 2
3 − λ = 0 ⇒ λ3 = 3
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
(0, 0, 1).
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
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 ,
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
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
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
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
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 .
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
Ap = T · Dp · T −1 , p ∈ N∗ ,
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
{−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,
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 ,
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
Exerciţii
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
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
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
Deci ū = (a, −a), unde a ∈ R este oarecare. Alegem, de exemplu, a = 1 şi atunci un vector
ortogonal pe x̄ este (1, −1).
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
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).
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 ) .