T2: Espais Vectorials

Àlgebra Lineal tronc comú, UdL, Igualada

Què és un Espai Vectorial?

Considerem un conjunt $E$ on viuen uns objectes anomenats vectors.

Diem que $E$ és un Espai Vectorial, si podem fer el segÜent sense "sortir" de $E$:

  1. Sumar vectors: $\vec{u} + \vec{v}$ encara és un vector de $E$.
  2. Escalar vectors: $\lambda \cdot \vec{v}$ (estirat o escurçat) encara és un vector de $E$.

Les Operacions Bàsiques

1. Suma (Interna):
Regla del paral·lelogram. Vermell + Blau = Lila.

2. Producte (Extern):
Estirar o arronsar. Verd és el blau escalat.

Mou els punts dels vectors i el lliscador:

Factor $\lambda$: 1.5

Definició Formal

Sigui $(E, +)$ un grup commutatiu i $(\mathbb{R}, +, \cdot)$ un cos.

Diem que $E$ és un espai vectorial sobre $\mathbb{R}$ si tenim una operació externa $\mathbb{R} \times E \to E$ tal que:

Propietats Distributives i Associatives:

  • $\alpha(\vec{x}+\vec{y}) = \alpha\vec{x} + \alpha\vec{y}$ (Distributiva I)
  • $(\alpha+\beta)\vec{x} = \alpha\vec{x} + \beta\vec{x}$ (Distributiva II)
  • $\alpha(\beta\vec{x}) = (\alpha\beta)\vec{x}$ (Associativa)
  • $1 \cdot \vec{x} = \vec{x}$ (Element neutre)

Exemples d'Espais Vectorials

Més enllà de les fletxes

1. L'Espai dels Polinomis ($P_2[x]$)

Els polinomis de grau $\le 2$ es comporten com vectors.

Analogia:
El polinomi $p(x) = {\color{red}a}x^2 + {\color{red}b}x + {\color{red}c}$ és equivalent al vector $({\color{red}a}, {\color{red}b}, {\color{red}c})$.

Si sumes dos polinomis, en surt un altre.

2. L'Espai de Funcions (${\cal F}(\mathbb{R})$)

Imagina que $\sin(x)$ i $\cos(x)$ són els vectors base.

Qualsevol combinació lineal crea una nova funció:

$$f(x) = a \cdot \sin(x) + b \cdot \cos(x)$$

Mou els lliscadors!

3. Les Matrius ($M_{2\times 2}$)

Una matriu és un vector en quadrícula.

Suma component a component: $$ \small \begin{pmatrix} a & b \\ c & d \end{pmatrix} + \begin{pmatrix} a' & b' \\ c' & d' \end{pmatrix} $$

Combinació Lineal i Generació

Com construïm nous vectors a partir dels que ja tenim?

Què és una Combinació Lineal?

Donats uns vectors $\vec{v}_1, \dots, \vec{v}_n$ i uns escalars $\lambda_1, \dots, \lambda_n$, una combinació lineal és:

$$ \vec{w} = \lambda_1 \vec{v}_1 + \lambda_2 \vec{v}_2 + \dots + \lambda_n \vec{v}_n $$

Creem un nou vector agafant $\lambda_i$ de cada vector $\vec{v}_i$.

El conjunt de totes les combinacions possibles s'anomena Subespai Generat (o Span), i es denota per

$$<\vec{v}_1,\vec{v}_2,\ldots,\vec{v}_n>$$

Visualització a $\mathbb{R}^3$

Tenim dos vectors fixos, $\vec{u}$ i $\vec{v}$.

Variant els paràmetres $\alpha$ i $\beta$, generem el vector lila:

$$ \vec{w} = \alpha \vec{u} + \beta \vec{v} $$

Observa: El vector resultant $\vec{w}$ mai pot sortir del pla gris definit per $\vec{u}$ i $\vec{v}$.

$\alpha$: 1 | $\beta$: 1

Arrossega el ratolí pel gràfic per girar la càmera 3D!

Subespai Vectorial

Definició Formal:

Sigui $E$ un espai vectorial i $F \subset E$ un subconjunt no buit.

Diem que $F$ és un subespai vectorial de $E$ si:

  1. $\forall \vec{u}, \vec{v} \in F \implies \vec{u} + \vec{v} \in F$
    (Tancat per la suma)
  2. $\forall \lambda \in \mathbb{R}, \vec{u} \in F \implies \lambda \vec{u} \in F$
    (Tancat pel producte escalar)

Què vol dir això realment?

Que $F$ és un "espai petit" dins de l'espai gran $E$ que respecte les regles del joc: si operes dins d'ell, mai en surts.

Exemple: Un pla que passa per l'origen dins de $\mathbb{R}^3$.

Algunes propietats d'un subespai Vectorial

  1. Si $F\subset E$ és un subespai vectorial de $E$ aleshores $\vec{0}\in F$. Tot supespai vectorial conté l'origen.
  2. Si $\vec{u},\vec{v}\in F$, aleshores $F$ és un subespai vectorial de $E$ si, i només si, $\alpha \vec{v}+\beta\vec{u}\in F, \,\forall\alpha,\beta\in\mathbb{R}$

Vectors Linealment Independents

Concepte:

Diem que uns vectors són linealment independents (l.i.) si cap d'ells es pot obtenir a partir de combinacions lineals (sumes i productes per escalars) dels altres.

És a dir: no hi ha "redundància" o "informació repetida".

Definició Formal:

Alternativament, els vectors $\vec{v}_1, \dots, \vec{v}_n \in \mathbb{R}^n$ són l.i. si l'única solució de l'equació:

$$ \lambda_1 \vec{v}_1 + \lambda_2 \vec{v}_2 + \cdots + \lambda_n \vec{v}_n = \vec{0} $$

és la solució trivial: $\lambda_1 = \lambda_2 = \cdots = \lambda_n = 0$.

Conjunt Generador

Es diu que $\{\vec{v}_1, \dots, \vec{v}_n\} \subset E$ és un conjunt generador de $E$ si, per a tot vector $\vec{w} \in E$, existeixen escalars $\lambda_i \in \mathbb{R}$ tals que:

$$ \vec{w} = \sum_{i=1}^{n} \lambda_i \vec{v}_i $$

Què vol dir això?

Qualsevol vector de l'espai, sigui quin sigui, es pot "fabricar" combinant els vectors del conjunt generador. No queda cap racó de l'espai sense cobrir.

Base d'un espai vectorial

Un espai finitament generat admet almenys un conjunt de vectors que són:

  • Generadors (cobreixen tot l'espai).
  • Linealment Independents (sense redundància).

Aquest conjunt $\mathcal{B}=\{\vec{v}_1,\dots,\vec{v}_n\}$ s'anomena BASE.

Propietat clau: Coordenades úniques

Per a tot $\vec{w} \in E$, existeixen uns escalars $\alpha_i \in \mathbb{R}$ únics tals que:

$$ \vec{w} = \sum_{i=1}^{n} \alpha_i \vec{v}_i $$

Escrivim $\vec{w}=(\alpha_{1},\dots,\alpha_{n})_{\mathcal{B}}$ per indicar les components en aquesta base.

Dimensió d'un espai vectorial

Dimensió ($\dim E$)

Totes les bases d'un mateix espai vectorial tenen el mateix nombre d'elements $n$.

Definim aquest nombre com la dimensió de l'espai: $\dim E = n$.

Canvi de Base

El Concepte Visual:

Tenim un vector $\vec{w}$ (negre). Les seves "instruccions" (coordenades) depenen de la quadrícula (base) que fem servir.

  • $\vec{w}$: vector escrit en la base canònica
  • $\vec{w}_{\mathcal{B}}$: vector escrit en la base $\mathcal{B}$

Canvi de Base: de $\mathcal{B}$ a canònica

Com passem de les coordenades en $\mathcal{B}$ a les Canòniques?

El camí fàcil ($\mathcal{B} \to C$):

Simplement posem els vectors de la base $\mathcal{B}$ en columnes.

$$ P = \begin{pmatrix} | & | & | \\ \vec{u}_1 & \vec{u}_2 & \vec{u}_3 \\ | & | & | \end{pmatrix} $$

Aquesta matriu $P$ "tradueix" de $\mathcal{B}$ a Canònica:

$$ \vec{x}_{can} = P \cdot \vec{x}_{\mathcal{B}} $$

Matriu de Canvi de Base

  • La matriu quadrada $M_{\mathcal{B}_{1}\rightarrow\mathcal{B}_{2}}$ que ens permet passar les coordenades d'un vector de la base $\mathcal{B}_1$ a la $\mathcal{B}_2$ s'anomena matriu de canvi de base.
  • Aquesta matriu és sempre invertible i compleix una propietat fonamental:
    $$ M_{\mathcal{B}_{1}\rightarrow\mathcal{B}_{2}}^{-1} = M_{\mathcal{B}_{2}\rightarrow\mathcal{B}_{1}} $$
  • Exemple: Per anar de la Canònica a la base $\mathcal{B}$, necessitem la inversa de la matriu de columnes ($P^{-1}$).

Canvi de Base General ($\mathcal{B}_1 \to \mathcal{B}_2$)

Com passem directament de $\mathcal{B}_1$ a $\mathcal{B}_2$? Fem escala a la Canònica ($C$).

B1 Origen C Canònica B2 Destí P (B1) Q⁻¹ (B2) M = Q⁻¹ · P
$$ M_{\mathcal{B}_1 \to \mathcal{B}_2} = (M_{\mathcal{B}_2 \to C})^{-1} \cdot M_{\mathcal{B}_1 \to C} $$

Canvi de Base General ($\mathcal{B}_1 \to \mathcal{B}_2$)

També podem passar d'una base a una altra pantejant un sistema d'equacions:

Relació Matricial:

Si $\vec{u_i}=\sum_{j=1}^{n}a_{ji}\vec{v_{j}}$, aleshores:

\[ \begin{pmatrix} \beta_{1}\\ \vdots\\ \beta_{n} \end{pmatrix}_{\mathcal{B}_{2}} = \underbrace{ \begin{pmatrix} a_{11}&\cdot\cdot\cdot&a_{1n}\\ \vdots&\ddots&\vdots\\ a_{n1}&\cdot\cdot\cdot&a_{nn} \end{pmatrix} }_{P_{\mathcal{B}_1 \to \mathcal{B}_2}} \begin{pmatrix} \alpha_{1}\\ \vdots\\ \alpha_{n} \end{pmatrix}_{\mathcal{B}_{1}} \]

Exemple: Canvi de Base a $\mathbb{R}^3$

Dades inicials:

  • $\mathcal{B}_1 = \{ \vec{u}_1=(2,1,0),\ \vec{u}_2=(0,2,1),\ \vec{u}_3=(1,0,2) \}$
  • $\mathcal{B}_2 = \{ \vec{v}_1=(1,0,0),\ \vec{v}_2=(1,1,0),\ \vec{v}_3=(1,1,1) \}$
$\vec{u}_1 = (1, 1, 0)_{\mathcal{B}_2}$
$\vec{u}_2 = (-2, 1, 1)_{\mathcal{B}_2}$
$\vec{u}_3 = (1, -2, 2)_{\mathcal{B}_2}$

1. Calculem per a $\vec{u}_1 = (2,1,0)$

$$ \begin{cases} \alpha + \beta + \gamma = 2 \\ \beta + \gamma = 1 \\ \gamma = 0 \end{cases} \implies \begin{matrix} \alpha = 1 \\ \beta = 1 \\ \gamma = 0 \end{matrix} $$

2. Calculem per a $\vec{u}_2 = (0,2,1)$

$$ \begin{cases} \alpha + \beta + \gamma = 0 \\ \beta + \gamma = 2 \\ \gamma = 1 \end{cases} \implies \begin{matrix} \alpha = -2 \\ \beta = 1 \\ \gamma = 1 \end{matrix} $$

3. Calculem per a $\vec{u}_3 = (1,0,2)$

$$ \begin{cases} \alpha + \beta + \gamma = 1 \\ \beta + \gamma = 0 \\ \gamma = 2 \end{cases} \implies \begin{matrix} \alpha = 1 \\ \beta = -2 \\ \gamma = 2 \end{matrix} $$

Matriu de Canvi de Base
Posem els tres resultats de dalt en format columna:

$$ M_{\mathcal{B}_1 \to \mathcal{B}_2} = \begin{pmatrix} \color{#007bff}1 & \color{#dc3545}-2 & \color{#28a745}1 \\ \color{#007bff}1 & \color{#dc3545}1 & \color{#28a745}-2 \\ \color{#007bff}0 & \color{#dc3545}1 & \color{#28a745}2 \end{pmatrix} $$

Operacions amb subespais vectorials

  • $S \cap T$ SEMPRE és subespai de $E$.
  • $S \cup T$ NO acostuma a ser subespai. (Si sumes un vector de S i un de T, surts de la unió!)

Subespai Suma: El subespai més petit que conté la unió.

$$ S+T = < S \cup T > = \{ \vec{u} = \vec{v}+\vec{w} \mid \vec{v}\in S, \vec{w}\in T \} $$

Teorema de Grassmann i Suma directa

Teorema de Grassmann

Si $S$ i $T$ són de dimensió finita:

$$ \dim(S+T) = \dim S + \dim T - \dim(S\cap T) $$
  • Suma Directa ($S \oplus T$): Quan $S \cap T = \{\vec{0}\}$.
    (No hi ha "solapament", excepte el zero. La dimensió es suma directament.)
  • Complementaris: Quan $S \oplus T = E$.
    (Omplen tot l'espai sense solapar-se).

Exercici Resolt (Parcial 1 24-25)

Siguin els subespais vectorials següents de $\mathbb{R}^4$:

  • $S = \{(x, y, z, t) \in \mathbb{R}^4 \mid x - 2y + z = t \}$
  • $T = \langle (1, 0, 1, 1), (2, a, 0, 0), (0, 1, 1, 1) \rangle$

Trobeu:

  1. Una base i la dimensió de $S$.
  2. Una base i la dimensió de $T$ en funció de $a$.
  3. Una base i la dimensió de $S + T$ en funció de $a$.
  4. La dimensió de $S \cap T$.
  5. $S \oplus T = \mathbb{R}^4$? Justifiqueu la resposta.

a) Base i dimensió de $S$

Tenim $1$ restricció a $\mathbb{R}^4 \implies \dim(S) = 4 - 1 = \mathbf{3}$

Per trobar la base, donem valors a $x, y, z$ i aïllem $t$ ($t = x - 2y + z$):

  • $x=1, y=0, z=0 \implies t=1 \implies \mathbf{(1,0,0,1)}$
  • $x=0, y=1, z=0 \implies t=-2 \implies \mathbf{(0,1,0,-2)}$
  • $x=0, y=0, z=1 \implies t=1 \implies \mathbf{(0,0,1,1)}$

Base de S:

$$ \mathcal{B}_S = \{(1,0,0,1), (0,1,0,-2), (0,0,1,1)\} $$

b) Base i dimensió de $T$

Calculem el rang de la matriu dels generadors:

$$ \begin{pmatrix} 1 & 0 & 1 & 1 \\ 2 & a & 0 & 0 \\ 0 & 1 & 1 & 1 \end{pmatrix} $$

Busquem menors $3 \times 3$ per veure quan s'anul·len:

$$ \begin{vmatrix} 1 & 0 & 1 \\ 2 & a & 0 \\ 0 & 1 & 1 \end{vmatrix} = a + 2 = 0 \implies \mathbf{a = -2} $$

(La resta de menors també s'anul·len o són zero per $a=-2$)

Cas 1: $a = -2$

$\text{Rang} = 2 \implies \dim(T) = \mathbf{2}$

Com el 1r i 3r vector són l.i., agafem:
$\mathcal{B}_T = \{(1,0,1,1), (0,1,1,1)\}$

Cas 2: $a \neq -2$

$\text{Rang} = 3 \implies \dim(T) = \mathbf{3}$

Tots tres vectors són l.i.:
$\mathcal{B}_T = \{(1,0,1,1), (2,a,0,0), (0,1,1,1)\}$

c) Base i dimensió de $S + T$

Generadors de $S+T$

$$ \begin{pmatrix} 1 & 0 & 0 & 1 \\ 0 & 1 & 0 & -2 \\ 0 & 0 & 1 & 1 \\ 1 & 0 & 1 & 1 \\ 2 & a & 0 & 0 \\ 0 & 1 & 1 & 1 \end{pmatrix} \begin{matrix} \leftarrow \vec{s}_1 \\ \leftarrow \vec{s}_2 \\ \leftarrow \vec{s}_3 \\ \leftarrow \vec{t}_1 \\ \leftarrow \vec{t}_2 \\ \leftarrow \vec{t}_3 \end{matrix} $$

1. Càlcul del Rang

Les 3 primeres files ($\vec{s}_1, \vec{s}_2, \vec{s}_3$) són l.i. Hi afegim $\vec{t}_1$ i busquem un menor no nul:

$$ \begin{vmatrix} 1 & 0 & 0 & 1 \\ 0 & 1 & 0 & -2 \\ 0 & 0 & 1 & 1 \\ 1 & 0 & 1 & 1 \end{vmatrix} = \begin{vmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 1 & 1 & 1 \end{vmatrix} = -1 \neq 0 $$

El rang és 4 $\implies \dim(S+T) = 4$

2. Construcció de la Base

Com que $\dim(S+T) = 4$, necessitem 4 vectors linealment independents.

Al pas anterior hem comprovat que les 4 primeres files formen un menor no nul. Per tant, la base és:

$$ \mathcal{B}_{S+T} = \left\{ \begin{matrix} (1,0,0,1), \\ (0,1,0,-2), \\ (0,0,1,1), \\ (1,0,1,1) \end{matrix} \right\} $$

d) Intersecció i e) Suma Directa

Teorema de Grassmann: $\dim(S \cap T) = \dim(S) + \dim(T) - \dim(S+T)$

Si $a \neq -2$

$\dim(S) = 3$
$\dim(T) = 3$
$\dim(S+T) = 4$

$\dim(S \cap T) = 3 + 3 - 4 = \mathbf{2}$

Si $a = -2$

$\dim(S) = 3$
$\dim(T) = 2$
$\dim(S+T) = 4$

$\dim(S \cap T) = 3 + 2 - 4 = \mathbf{1}$

e) $S \oplus T = \mathbb{R}^4$?

NO. La suma no pot ser directa perquè la intersecció mai és $\{\vec{0}\}$. Hem vist que $\dim(S \cap T)$ és $1$ o $2$ depenent del valor de $a$, però mai $0$.