Você está na página 1de 446

Gentil, o iconoclasta

Contracapa

Pelo que temos constatado no difcil encontrar


alunos que tenham cursado a disciplina lgebra linear e que,
ao trmino, no sabem o que um vetor.
Dentre algumas possveis explicaes para este
paradoxo gostaria de destacar uma em especial: o
condicionamento. Com efeito, muitos alunos chegam nesta
disciplina condicionados, por seus estudos anteriores, a
imaginar que um vetor um ente que possui mdulo, direo e
sentido. Se isto verdade na fsica na matemtica
integralmente falso.

Insistimos: na matemtica um vetor no possui


mdulo, no possui direo, no possui sentido.
Isto se deve a que as denies deste ente (vetor) so distintas
nestas duas disciplinas. Embora, atravs de um malabarismo os
vetores da fsica possam ser includos entre os vetores da
matemtica (como um caso especial), os vetores desta ltima vo
muito mais alm. A princpio so pontos em um espao abstrato; e
pontos no possuem nem mdulo (comprimento), nem direo e
nem sentido.
Alguns vetores da matemtica:

Para estes vetores no existe mdulo, direo e sentido.

Gentil, o iconoclasta


ALGEBRA
LINEAR
(COMENTADO)

Gentil, o iconoclasta

1a edicao

Boa Vista-RR
Edicao do autor
2016

c 2016 Gentil Lopes da Silva


Copyright

Todos os direitos reservados ao autor


Site do autor www.profgentil.com.br
email gentil.silva@gmail.com

Editora
c
ao eletr
onica e Diagrama
c
ao:
Gentil Lopes da Silva
Capa: Adriano J. P. Nascimento

Ficha Catalogr
afica
S586a

Silva, Gentil Lopes da

Algebra linear: Comentado/Gentil Lopes da Silva.


-Manaus; Boa Vista-RR: Editora Uirapuru, 2016
x, 443 p. il. 16x23 cm
[Formato e-book]
[Pseud^
onimo: Gentil, o iconoclasta]
ISBN 978-85-63979-09-4

1.
3.
5.

Matem
atica.
2. Vetores
C
odigos
4. N
umeros complexos
Gentil, o iconoclasta. I. T
tulo.
CDU:512.5

(Ficha catalografica elaborada por Bibliotec


aria Zina Pinheiro CRB 11/611)

Pref
acio
Via de regra o que se faz em um prefacio e discorrer sobre o conte
udo
da obra. Nos dispensamos deste ofcio em raz
ao de que o leitor, se assim o
desejar, pode apreciar o conte
udo deste livro a partir do (extenso) sumario,
dado logo a seguir. Aproveito este prefacio para fazer algumas elucubracoes
incluindo a Matematica em si, as quais julgo de alguma relevancia.
Este livro n
ao nasceu de notas de sala de aula; e um livro de fundo de
quintal, escrito em minha pr
opria casa (a uma m
aos, isto e, eu e eu),
confesso que uma das motivac
oes para escreve-lo foi meu vcio em relacao
ao processador de texto LATEX 2 e, em especial, pelo ambiente de figuras
pspicture o qual utilizo como uma verdadeira terapia em raz
ao disto
existe neste livro um n
umero excessivo de figuras.
Resumindo: pode-se dizer que tomei a decis
ao de escrever este livro como
A
um pretexto para desenhar figuras no L TEX 2 .

Por outro lado, existem dezenas e dezenas de livros de Algebra


Linear
em portugues (sem falar nos estrangeiros) disponveis para alunos e interessados nesse importante ramo da matem
atica, sendo assim uma pergunta
pertinente seria: por que mais um?
Respondo invocando uma analogia com a impress
ao
ao digital e u
nica os indigital. Assim como a impress
divduos s
ao u
nicos, em particular os autores s
ao u
nicos,
o que implica dizer que suas obras s
ao u
nicas; isto e, den
tre as centenas de livros de Algebra
Linear n
ao existem
dois iguais ou ainda: todos os livros s
ao distintos dois
a dois; portanto o presente livro e u
nico no sentido em
que reflete minha individualidade.
Ademais, acreditamos por varias raz
oes que o aluno de matem
atica
deva ter `
a sua disposic
ao mais que um livro da disciplina que esteja apren dentro deste contexto que situa-se esta obra, ou seja: nela o aluno
dendo. E
ter
a mais uma opc
ao para auxilia-lo no seu aprendizado.
Por outro lado, acontece com as varias obras (livros) sobre um mesmo
assunto o mesmo que acontece no universo da m
usica; para uma mesma
cancao podem existir dezenas de interpretacoes diferentes executadas por
m
usicos distintos, n
ao vejo nenhum mal nisto, pelo contr
ario e ate salutar
no sentido de nos disponibilizar um maior n
umero de opcoes.
Um aspecto relevante a ser ressaltado e quanto as demonstracoes matem
aticas. Existem autores que preferem as demonstracoes mais curtas e elegantes; n
ao e o meu caso, explico: para minha apreciacao particular prefiro
as mais curtas e elegantes, n
ao obstante, como autor, digo, quando estou
transmitindo uma ideia ao estudante a e diferente no sentido de que a
demonstrac
ao mais curta nem sempre e a mais did
atica e compreensvel ao
aluno.
3

Ademais, uma demonstracao compacta n


ao raro esconde (camufla) a
interrelac
ao dos conceitos envolvidos, muitas vezes n
ao mostra como as
ideias est
ao interconectadas (imbrincadas); assim e que, por exemplo, uma
demonstrac
ao de apenas tres linhas em livros congeneres, aqui deliberadamente a fazemos ate em uma p
agina inteira dando enfase `a articulacao
dos conceitos envolvidos. Concordo integralmente com o pensamento do
matem
atico Chaitin, expresso a seguir
Se uma prova e elegante , se for o resultado de duzentos anos de
enjoado polimento, ela ser
a t
ao inescrut
avel como uma direta revelaca
o
divina, e ser
a impossvel adivinhar como alguem poderia te-la descoberto
ou inventado. Ela n
ao lhe fornecer
a nenhum insight, nada, provavelmente nada em absoluto.
(Gregory Chaitin/Metamat!)
Ainda com respeito `
a filosofia adotada neste livro, despendemos um esforco consideravel no sentido de conduzir o aluno `a compreens
ao das sutilezas

(imbricac
oes) envolvidas num assunto abstrato como a Algebra
Linear
da o subttulo do livro Comentado; existe uma grande diferenca entre
operar e compreender; por exemplo, o fato de alguem operar um controle
remoto, celular ou software computacional, n
ao significa que este alguem
tenha compreens
ao dos mecanismos subjacentes `a sua operacao, exatamente
da mesma forma muitas vezes acontece no que diz respeito `a pr
atica da

matem
atica. Obvio,
ninguem precisa saber como funciona internamente um
celular para usufruir de seus benefcio; penso que e diferente para um estudante de matem
atica, quica futuro professor, e a este que esta observacao
se destina.
Alguns pre-requisitos ao estudo deste livro, como por exemplo, matrizes,
corpos e tecnicas de demonstraco
es matem
aticas, foram reunidos em um
captulo o u
ltimo do livro denominado de Consultas, para consultas
e referencias.
Uma justificativa: Fazer a diagramacao de um livro com textos apenas n
ao e difcil, bastante difcil e a diagramacao de um livro com muitas
formulas e figuras, como e o caso do presente. Como se n
ao bastasse, por
raz
oes did
aticas, muitas vezes mi vi na situacao de forcar a que a explicacao
de um determinado contexto ficasse em uma u
nica p
agina, ao inves de em
duas p
aginas separadas; assim e que, para n
ao desperdicar espacos em
branco, em algumas p
aginas tomei a decis
ao de colocar (registrar) algumas informac
oes (pensamentos) notadamente nas areas da matem
atica,
fsica e filosofia a escolha destes pensamentos reflete de certo modo minhas inclinaco
es metafsicas atuais, assim e que as julgo de alguma relevancia.
Gentil, o iconoclasta
Boa Vista-RR, 20 de fevereiro de 2016.

Sumario

1 ESPAC
OS VETORIAIS
1.1 Introduc
ao: . . . . . . . . . . . . . . . . . . . . . . .
1.2 Espacos Vetoriais . . . . . . . . . . . . . . . . . . . .
1.2.1 Produto de Vetores . . . . . . . . . . . . . . .
1.2.2 Primeiras Propriedades num Espaco Vetorial
1.2.3 Exerccios . . . . . . . . . . . . . . . . . . . .
1.2.4 Subespacos Vetoriais . . . . . . . . . . . . . .
1.2.5 Soma de Subespacos . . . . . . . . . . . . . .
1.2.6 Combinac
oes Lineares . . . . . . . . . . . . .
1.2.7 Espacos Vetoriais Finitamente Gerados . . .
1.2.8 Exerccios . . . . . . . . . . . . . . . . . . . .

2 BASE E DIMENSAO
2.1 Dependencia Linear . . . . . . . . . . . . . .
2.1.1 Exerccios . . . . . . . . . . . . . . . .
2.1.2 Propriedades da Dependencia Linear .
2.2 Base de um Espaco Vetorial . . . . . . . . . .
2.3 Dimens
ao de um Espaco Vetorial . . . . . . .
2.3.1 Dimens
ao da Soma de dois Subespacos
2.3.2 Exerccios . . . . . . . . . . . . . . . .
2.4 Coordenadas . . . . . . . . . . . . . . . . . .
2.5 Mudanca de Base . . . . . . . . . . . . . . . .
2.5.1 Exerccios . . . . . . . . . . . . . . . .
Apendice . . . . . . . . . . . . . . . . . . . . . .

3 TRANSFORMAC
OES
LINEARES
3.1 Noc
oes sobre Transformacoes, Funcoes
3.2 Transformac
oes Lineares . . . . . . . .
 Uma transformac
ao linear especial .
3.2.1 Exerccios . . . . . . . . . . . .
5

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

9
9
12
42
43
50
53
62
67
72
74

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

79
79
87
89
92
97
102
105
109
112
122
125

.
.
.
.

127
. 127
. 134
. 141
. 153

.
.
.
.

.
.
.
.

.
.
.
.

3.3
3.4

N
ucleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . 155
Isomorfismo entre espacos vetoriais . . . . . . . . . . . . . . . 168
3.4.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . 181

LINEAR
4 MATRIZ DE UMA TRANSFORMAC
AO
4.1 Matriz de uma Transformacao Linear . . . . . . . . . .
4.1.1 Exerccios . . . . . . . . . . . . . . . . . . . . .
4.2 Operac
oes com Transformacoes Lineares . . . . . . . .
4.3 Matriz da Transformacao Composta . . . . . . . . . .
4.3.1 Exerccios . . . . . . . . . . . . . . . . . . . . .
4.4 Espaco Dual . . . . . . . . . . . . . . . . . . . . . . . .
4.4.1 Exerccios . . . . . . . . . . . . . . . . . . . . .
4.5 Matrizes Semelhantes . . . . . . . . . . . . . . . . . .
4.6 Transformac
oes do Plano no Plano . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

185
185
198
203
208
222
224
230
231
237

5 ESPAC
OS COM PRODUTO INTERNO
5.1 Produto Interno . . . . . . . . . . . . . .
5.2 Produto Interno e Norma . . . . . . . . .
5.3 Normas e Dist
ancias . . . . . . . . . . . .

5.4 Angulo
entre vetores . . . . . . . . . . . .
5.5 Ortogonalizac
ao . . . . . . . . . . . . . . .
5.6 Isometrias . . . . . . . . . . . . . . . . . .
5.6.1 Exerccios . . . . . . . . . . . . . .
5.7 Operadores Autoadjuntos . . . . . . . . .
5.7.1 Exerccios . . . . . . . . . . . . . .
5.8 Espacos Vetoriais Complexos . . . . . . .
5.8.1 Espacos Hermitinianos . . . . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

257
257
263
270
283
287
301
307
311
315
317
318

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

6 AUTOVALORES E AUTOVETORES
6.1 Vetor Proprio e Valor Proprio . . . . . . . . . . . . . . . . .
6.1.1 Propriedades dos vetores pr
oprios e valores pr
oprios
6.1.2 Polin
omio Caracterstico . . . . . . . . . . . . . . . .
6.1.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
6.2 Diagonalizac
ao de matrizes e operadores . . . . . . . . . . .
6.2.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Diagonalizacao de operadores autoadjuntos . . . . .
6.2.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
6.3 Aplicac
oes da Diagonalizacao . . . . . . . . . . . . . . . . .
6.3.1 Potencias de uma matriz . . . . . . . . . . . . . . . .
6.3.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
6.3.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . .
6

321
. 321
. 326
. 329
. 339
. 341
. 348
. 349
. 358
. 359
. 359
. 362
. 369


7 FORMAS BILINEARES E QUADRATICAS
7.1 Formas Bilineares . . . . . . . . . . . . . . . . .
7.1.1 Matriz de uma forma bilinear . . . . . .
7.1.2 Formas bilineares simetricas . . . . . . .
7.1.3 Formas bilineares antissimetricas . . . .
7.1.4 Exerccios . . . . . . . . . . . . . . . . .
7.2 Formas Quadraticas . . . . . . . . . . . . . . .
7.2.1 Diagonalizac
ao de formas quadr
aticas .
7.2.2 Exerccios . . . . . . . . . . . . . . . . .
7.2.3 Reduc
ao de formas quadr
aticas . . . . .
7.3 Classificac
ao de C
onicas e Qu
adricas . . . . . .
7.3.1 Sec
oes c
onicas . . . . . . . . . . . . . .
7.3.2 Exerccios . . . . . . . . . . . . . . . . .
7.3.3 Qu
adricas . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

371
371
374
379
383
388
391
393
394
395
398
398
415
416

8 CONSULTAS
8.1 Operac
oes em um Conjunto . . . . . . . . . . .
8.2 Corpos . . . . . . . . . . . . . . . . . . . . . . .
8.3 Matrizes . . . . . . . . . . . . . . . . . . . . . .
8.3.1 Matrizes Inversveis . . . . . . . . . . .
8.4 Elementos de L
ogica & Demonstracoes . . . . .
8.4.1 Operac
oes L
ogicas sobre Proposicoes . .
8.4.2 Tecnicas (Engenharia) de Demonstracao

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

419
419
420
424
428
429
430
434

Gentil, O Iconoclasta, Nasceu em Boa Vista-RR, em 1960,

e graduado em engenharia eletr


onica (UFPA/1986) e
e mestre
em matem
atica (UFSC/1997). Atualmente
e professor do departamento de matem
atica da Universidade Federal de Roraima. At
e o presente momento conta com oito livros publicados.

Livros Publicados (Ender


ecos de acesso)
1- Novas Seq
u^
encias Aritm
eticas e Geom
etricas
Braslia-DF: Thesaurus, 2000; 448 p.

ISBN: 85-7062-200-X

Nota: Nao temos o arquivo eletr


onico deste livro, apenas impresso.
Visite nosso site: www.profgentil.com.br
ATICA (Uma Constru
c~
ao Matem
atica de Deus)
2- O TAO DA MATEM
Rio de Janeiro: LetraCapital, 2011; 500 p.
ISBN: 978-85-7785-096-9
ebah
slideshare
scribd
https://goo.gl/2nRS8x https://goo.gl/FbuJHV https://goo.gl/0HDswb
c~
ao e Julgamento de Deus
3- Exuma
Taguatinga-DF: Editora Kiron, 2012; 197 p. ISBN: 978-85-8113-054-5
ebah
slideshare
scribd
https://goo.gl/sTLFvv https://goo.gl/ppNBaE https://goo.gl/JbUw6h
cos M
etricos (com aplica
c~
oes)
4- Espa
Taguatinga-DF: Editora Kiron, 2013; 628 p. ISBN: 978-85-8113-125-2
ebah
slideshare
scribd
https://goo.gl/OOaBBk https://goo.gl/R6MfVj https://goo.gl/yfqclG
ANTICO (Um Deus pra homem nenhum botar defeito,
5- O DEUS QU^
mesmo que esse homem seja um ateu)
Manaus-AM: Grafisa, 2014; 235 p.
ISBN: 978-85-99122-40-2
ebah
slideshare
https://goo.gl/Gj36Wj https://goo.gl/JoPzzX

scribd
https://goo.gl/A0Pnbc

6- Programando a HP 50g (Com Programa


c~
ao Simb
olica) 2.a Edicao
Manaus-AM: Grafisa, 2015; 364 p.
ISBN: 978-85-99122-41-9
ebah
slideshare
https://goo.gl/M9zz9u https://goo.gl/lr8k0a

scribd
https://goo.gl/nUCVW7

umeros (Tudo o que voc^


e gostaria de saber
7- Fundamentos dos N
sobre os n
umeros mas n~
ao tinha a quem perguntar)
Publicac
ao Eletronica, 2016; 514 p.
ISBN: 978-85-63979-08-7
ebah
slideshare
scribd
https://goo.gl/8YVCPB https://goo.gl/Ah5m0g https://goo.gl/mkl0PG
8

Captulo

ESPAC
OS VETORIAIS
Quando o esprito se apresenta `
a cultura cientfica, nunca
e jovem. Ali
as
e
bem velho, porque tem a idade de seus
preconceitos.

Aceder `
a ci
encia
e reju-

e aceitar uma
venescer espiritualmente,
brusca mutac
ao que contradiz o passado.
(Gaston Bachelard)

1.1

Introdu
c
ao:

Pelo que tenho constatado n


ao e difcil encontrar alunos que tenham
cursado a disciplina
algebra linear e que, ao termino, n
ao sabem o que e um
vetor.
Dentre algumas possveis explicacoes para este paradoxo gostaria de
destacar uma em especial: o condicionamento . Com efeito, muitos alunos
chegam nesta disciplina condicionados, por seus estudos anteriores, a imaginar que um vetor e um ente que possui m
odulo, direca
o e sentido. Se
isto e verdade na fsica na matem
atica e integralmente falso. Reitero: na
matem
atica um vetor n
ao possui m
odulo, n
ao possui direcao, n
ao possui
sentido.
Isto se deve a que as definico
es deste ente (vetor) s
ao distintas nestas duas
disciplinas. Embora, atraves de um malabarismo os vetores da fsica possam
ser incluidos entre os vetores da matem
atica (como um caso especial), os
vetores desta u
ltima vao muito mais alem. A princpio s
ao pontos em um
espaco abstrato; e pontos n
ao possuem nem m
odulo (comprimento), nem
direcao e nem sentido.

Ou os preconceitos, da citac
ao em epgrafe.

Esta abstrac
ao na definicao matem
atica (de vetor) implica numa maior
flexibilidade e, por conseguinte, os vetores da matem
atica resultam de uma
potencia em termos de aplicabilidade muito maior que os da fsica.
Pouco a pouco, procuro liberar suavemente o
esprito dos alunos de seu apego a imagens privilegiadas. Eu os encaminho para as vias da abstraca
o,
esforcando-me para despertar o gosto pela abstraca
o.
Enfim, acho que o primeiro princpio da educaca
o
cientfica e, no reino intelectual, esse ascetismo que
e o pensamento abstrato. S
o ele pode levar-nos a dominar o conhecimento
experimental.
(Bachelard/A formaca
o do esprito cientfico)

Creio mesmo que muitos autores de livros de Algebra


Linear contribuem
para reforcar o condicionamento (adestramento) dos alunos em verem um
vetor com os atributos citados. Mesmo no plano e no espaco (R2 e R3 )
n
ao e necessario que se veja um vetor com m
odulo, direcao e sentido; estes
atributos s
ao perfeitamente dispens
aveis, tanto isto e verdade que escrevemos o presente livro sobre vetores sem utilizar uma u
nica seta vetorial.
Claro, poderia-se argumentar: usa-se setinhas para facilitar o entendimento
do aluno, para tornar algo abstrato em algo concreto, etc. Mesmo assim cremos que os malefcios desta postura s
ao maiores que os benefcios, mesmo
porque e precisamente a capacidade de abstracao que deve ser desenvolvida
no aluno e n
ao seus sentidos: visao, tato, audicao, etc.
Estamos integralmente de acordo com o eminente Bachelard.
Enfatizamos:
Os vetores da fsica possuem m
odulo, dire
c
ao e sentido.
Os vetores da matem
atica n
ao
possuem m
odulo, n
ao possuem
dire
c
ao, n
ao possuem sentido.

Por exemplo, como veremos, s


ao vetores da matem
atica:

(3, 2) ,
Ponto do R2

1 0 0
1 0 3
Matriz

p(x) = 2 + 3 x x2 ,
Polin^
omio

10

00110100
C
odigo bin
ario

Processar smbolos n
ao
e o mesmo que processar significado
Um outro aspecto relevante que o aluno deve se dar conta e o de que, em
ao e o mesmo que processar significados.
matem
atica, processar smbolos n

E o que se d
a com um n
umero significativo de estudantes: processam
(manipulam) smbolos, mas n
ao os significados por tr
as dos smbolos.
Uma analogia: o fato de alguem usar (operar) um controle remoto ou
um celular n
ao significa que este alguem compreenda como estes objetos
funcionam, entre operar e compreender existe uma enorme dist
ancia.

Um desafio a engenheiros e fsicos


Apenas para contextualizar, sinceramente creio que nenhum engenheiro,
ou fsico, e capaz de resolver a seguinte equacao do primeiro grau:
2x + 1 = 7

(1.1)

tomando-se como conjunto universo os naturais, isto e, N = { 0, 1, 2, 3, . . . }.


Claro, ate por inspeca
o chega-se `a solucao correta: x = 3. Entretanto,
quando digo resolver significa que, partindo-se da equacao, deve-se chegar
ao resultado x = 3.
2x + 1 = 7

x = 3 (?)

E n
ao apenas isto, mas tambem justificar (provar) todos os passos intermedi
arios.
Neste conjunto n
ao contamos com oposto aditivo e inverso multiplicativo.
Os iniciantes n
ao est
ao preparados para o verdadeiro rigor
matem
atico; s
o veriam nisso v
as e fastidiosas sutilezas, perderamos
nosso tempo se quisessemos, cedo demais, torn
a-los mais exigentes.
(Poincare/A Ciencia e a Hip
otese)

A calculadora HP50g resolve a equacao 2 x + 1 = 7 em


fracoes de segundos Por sinal, equacoes muito mais complexas que esta. Um computador processa smbolos mas
n
ao significado. O cerebro da maioria de indivduos que
lida com a matem
atica apenas processa (manusea) smbolos
tal como a HP50g.

2 x+1=7
x=3

Quando, no ensino fundamental, o professor afirma, por exemplo, que


mais vezes menos d
a menos e que sinais diferentes, subtrai e d
a-se o sinal
do maior ele est
a simplesmente dando um comando de programacao aos
alunos; programando-os, tal qual um engenheiro programou a calculadora
HP.
11

1.2

Espa
cos Vetoriais
A abstraca
o desobstrui o esprito, o
torna mais leve e din
amico.
(Gaston Bachelard)

Assim como um engenheiro, ou um arquiteto, constroi suas estruturas,


igualmente os matem
aticos constroem as suas. Daremos incio agora ao
estudo de uma das estruturas mais importantes da matem
atica: Espaco
Vetorial.
Os espacos vetoriais constituem os objetos de estudo da algebra linear.
ao e um conjunto mas sim uma estrutura (p. 19),
Um espaco vetorial n
e, para construirmos uma de tais estruturas, iremos necessitar de algumas
ferramentas; mais precisamente de quatro ferramentas, quais sejam:
1a ) Um conjunto V ;
2a ) Um corpo K;
(p. 420)
a
ao sobre os elementos de V , a qual chamaremos de adica
o
3 ) Uma operac
e denotaremos por + ; assim:
+ : V V V

(u, v) 7 u + v

4a ) Uma operac
ao entre um n
umero de K e um elemento de V , a qual
chamaremos de multiplicaca
o por escalar e denotaremos por ; assim:
: K V V

(, u) 7 u

Este e apenas o primeiro passo para a construcao da nossa estrutura. Um


segundo passo e que estas operacoes satisfacam alguns requisitos, a saber:
Exig
encias (axiomas) para a adi
c
ao:
Para quaisquer u, v e w, elementos de V , devemos ter:

A1) u + v = v + u
A2) (u + v) + w = u + (v + w)

(Comutativa)
(Associativa)

A3) Existe em V um elemento, denotado por 0, detentor da seguinte


propriedade:
(Elemento neutro)
u + 0 = u; u V.

A4) Para todo elemento u de V existe um outro elemento de V , denotado


por u, detentor da seguinte propriedade:
u + (u) = 0

(Elemento oposto)

Importante: Escolhemos o zero em negrito para representar o vetor nulo (que


est
a em V ), com o objetivo de distingui-lo do n
umero 0 (que est
a em K).

12

Exig
encias (axiomas) para a multiplica
c
ao:
Para quaisquer u e v em V e quaisquer e em K, devemos ter:
M1) ( u ) = ( ) u

(Associativa)

M2) ( + ) u = u + u
M3) ( u + v ) = u + v

(Distributiva)
(Distributiva)

M4) 1 u = u

(elemento neutro)

O matem
atico alem
ao Hermann Grassmann (1809 1877) e geralmente
creditado como o primeiro a introduzir a ideia de um espaco vetorial (apesar
de n
ao o ter chamado assim), em 1844. Infelizmente, seu trabalho era muito
difcil de ler e n
ao recebeu a atenca
o que merecia. Uma pessoa que realmente
o estudou foi o matem
atico italiano Giuseppe Peano (1858 1932). Em seu
livro Calcolo geometrico, de 1888, Peano tornou claro o trabalho anterior
de Grassmann e descreveu os axiomas para um espaco vetorial da maneira
como hoje os conhecemos. A definica
o axiom
atica de um espaco vetorial
feita por Peano tambem teve pouca influencia por muitos anos. A aceitaca
o
s
o veio em 1918, depois que Hermann Weyl (1885 1955) a repetiu em seu
livro Space, time, matter, uma introduca
o `
a teoria da relatividade geral
de Einstein.

Uma exegese da definic


ao de Espaco Vetorial
A tripla (V, +, ) e o que entendemos por um espaco vetorial. Ao construirmos uma estrutura de espaco vetorial sobre um conjunto V , seus elementos
adquirem o status de vetores, independentemente de suas naturezas. Por
uma quest
ao de conveniencia (simplificacao) usaremos da seguinte notacao:
V = (V, +, )
Com isto queremos evocar na mente do aluno que V e o espaco vetorial
(estrutura) que foi construido (erigido) sobre o conjunto V .
Nota: Na verdade, ao longo deste livro, ami
ude estaremos utilizando
(indistintamente) a mesma notac
ao V tanto para o espaco vetorial quanto
para o conjunto subjacente `
a estrutura; entretanto, para que n
ao se perca
de vista a diferenca entre ambos e que ocasionalmente voltaremos a nosso
criterio com a notac
ao V para o espaco vetorial.
Estaremos, ademais, omitindo o ponto na multiplicacao por escalar;
digo, escreveremos u ao inves de u.

Os axiomas para espaco vetorial naturalmente se dividem em dois grupos;


os quatro primeiros dizem respeito somente `a estrutura aditiva de V, os
quatro u
ltimos referem-se `
a ac
ao do corpo de escalares sobre o espaco V.
13

Observe que no axioma M4) 1 e o elemento neutro da multiplicacao no


corpo, a multiplicac
ao de espaco vetorial e uma outra multiplicacao no
mais das vezes n
ao tem nada a ver com a primeira , portanto este elemento
n
ao teria a obrigac
ao de continuar sendo o elemento neutro de uma outra
operac
ao, se isto acontece deve ser por decreto (axioma).
Quando K = R (resp.: K = Q, K = C), o espaco vetorial diz-se real
(resp.: racional, complexo).
O quadro amarelo a seguir resume o essencial da definicao de espaco
vetorial.
A1) u + v = v + u
A2) (u + v) + w = u + (v + w)
A3) u + 0 = u; u V.
A4) u V, u V : u + (u) = 0
M1) ( u ) = ( ) u
M2) ( + ) u = u + u
M3) ( u + v ) = u + v

V = (V, +, )

M4) 1 u = u

Uma observac
ao importante e a de que n
ao devemos colocar o carro
na frente dos bois e chamar os elementos de um conjunto de vetores antes
de construirmos sobre este conjunto a estrutura de espaco vetorial.
Oportunamente estaremos exemplificando este aspecto.
Adendo: Podemos dizer que um espaco vetorial e uma obra (estrutura)
de engenharia matem
atica cuja planta esbocamos assim:

V V

V
(u, v)

ru+v

V
KV

K
(, u)

ru

14

V = (V, +, )

Adendo: Antes de prosseguir em nossos estudos, uma observacao que julgamos de alguma relevancia: Em matem
atica existe uma convencao tacita
de que s
o devemos criar novos smbolos em casos estritamente necessarios.
Em consequencia deste acordo e que em muitos contextos matem
aticos um
mesmo smbolo pode ter significados distintos. Por exemplo, na exigencia
M1), isto e:
M1) ( u ) = ( ) u
Estes tres smbolos dizem respeito `a mesma
multiplicacao (escalar por vetor).
Este smbolo diz respeito a uma outra multiplicacao
(entre escalares e d
a-se no corpo K)

Na exigencia,
M2) ( + ) u = u + u
Estes dois smbolos dizem respeito a adicoes
distintas. A primeira adicao se d
a entre numeros, a segunda se d
a entre vetores.

Uma das contribuico


es definitivas do seculo dezenove foi o reconhecimento de que a matem
atica n
ao e uma ciencia natural, mas uma
criaca
o intelectual do homem. Bertrand Russel escreveu no International Monthly em 1901: O seculo dezenove, que se orgulha da invenca
o
do vapor e da evoluca
o, poderia derivar um ttulo mais legtimo a
` fama
da descoberta da matem
atica pura.
Pelo fim do seculo era geralmente reconhecido mesmo por n
aomatem
aticos que a matem
atica e pensamento postulacional, em que de
premissas arbitr
arias s
ao tiradas conclus
oes v
alidas. Que os postulados
sejam ou n
ao verdadeiros num sentido cientfico e indiferente.
(Curso Moderno de Filosofia/Denis Huisman e Andr
e Vergez)

Nem voce nem eu nem ninguem sabemos o que faz um matem


atico
vingar. N
ao e uma quest
ao de inteligencia. Conheco matem
aticos mais
h
abeis que eu, mas que n
ao tiveram sorte. Considere dois mineiros: um
talvez seja perito em geologia, mas e o mineiro ignorante quem acha as
pepitas douradas.
(Louis J. Mordell/matem
atico brit
anico)

15

Exemplos de Espacos Vetoriais


Exemplo 1: O espaco vetorial R2 .

Para a constru
c
ao do nosso primeiro exemplo de espaco vetorial tomaremos como conjunto V o conjunto de pares ordenados de n
umeros reais:


R2 = (x, y) : x, y R

cuja vers
ao geometrica e vista a seguir:

s(x, y)

Observe que, ate o presente momento, n


ao podemos dizer que um par
ordenado (a, b) seja um vetor; n
ao, n
ao e! (a, b) e apenas e tao somente
um elemento do conjunto R2 ; ou, se preferirmos, um ponto do plano.
Precisamos trabalhar um pouco mais para conferir a este ponto o status de
vetor. Com este desiderato em mente, tomemos para o corpo de escalares
os n
umeros reais, isto e, facamos K = R.
Tomemos dois elementos u = (a, b) e v = (c, d) em R2 e um escalar
(n
umero) em R e vamos definir a soma de pares ordenados e a multiplicacao
por escalar do seguinte modo:
u + v = (a, b) + (c, d) = (a + c, b + d)
u = (a, b) = (a, b)

(1.2)
(1.3)

Observe que em (1.2) o mesmo smbolo + representa duas operacoes distintas: o + que comparece entre os pares ordenados e a adicao em R2
que estamos definindo, por outro lado, o + que comparece mais a direita
dentro dos parentesis e a velha e conhecida operacao de adicao entre
n
umeros reais. Observacao an
aloga vale em (1.3).

16

Esta e a primeira etapa em nossa construcao. A segunda etapa consiste em mostrar que estas operacoes, assim definidas, satisfazem a todas as
exigencias listadas na definic
ao de espaco vetorial. Sen
ao, vejamos:
A1)

u + v = (a, b) + (c, d)
= (a + c, b + d)

(definicao de adicao)

= (c + a, d + b)

(comutatividade nos reais)

= (c, d) + (a, b)

(definicao de adicao)

=v+u
A2)


(u + v) + w = (a, b) + (c, d) + (e, f )

= (a + c, b + d) + (e, f )
= (a + c) + e, (b + d) + f

(definicao de adicao)


(definicao de adicao)

= a + (c + e), b + (d + f ) (associatividade nos reais)

= (a, b) + (c + e, d + f )
(definicao de adicao)

= (a, b) + (c, d) + (e, f )
(definicao de adicao)
= u + (v + w)

A3)

0 = (0, 0) R2 : u = (a, b) R2 , se verifica,

u + 0 = (a, b) + (0, 0)
= (a + 0, b + 0)

(adicao)

= (a, b)

(elemento neutro nos reais)

=u
A4)

u = (a, b) R2 , u = (a, b) R2 :

u + (u) = (a, b) + (a, b)


= a + (a), b + (b)
= (0, 0)

(adicao)
(oposto aditivo nos reais)

= 0
M1)

( u ) = ( (a, b) )
= ( a, b )
= ( a, b )

= (a), (b)
= ()a, ()b
= () (a, b )
= () u
17

(definicao de multiplicacao)


(definicao de multiplicacao)
(associatividade nos reais)
(definicao de multiplicacao)

M2)

( + ) u = ( + ) (a, b)
= ( + ) a, ( + ) b
= ( a + a, b + b )

(definicao de multiplicacao)
(distributividade nos reais)

= (a, b) + (a, b)
= (a, b) + (a, b)

(definicao de adicao)
(definicao de multiplicacao)

= u + u
M3)

(u + v) = (a, b) + (c, d)
= (a + c, b + d)
= (a + c, b + d)

(definicao de adicao)


(definicao de multiplicacao)

= ( a, b ) + ( c, d )

(definicao de adicao)

= (a + c), (b + d)
= ( a + c, b + d )
= (a, b) + (c, d)

(distributividade nos reais)


(definicao de multiplicacao)

= u + v
M4)

1 u = 1 (a, b)
= ( 1 a, 1 b )

(definicao de multiplicacao)

= (a, b)

(elemento neutro nos reais)

=u
Nota
c
ao: ( R2 , +, ) = R2 e o espaco vetorial R2 .
Nota: Somente agora, ap
os termos provado que a adicao definida em
(1.2) satisfaz as exigencias A1), . . . , A4), e que a multiplicacao, definida em
(1.3) satisfaz as exigencias M1), . . . , M4) e que podemos chamar os pontos
(a, b), do plano, de vetores.
De outro modo: somente agora os pontos (a, b) do plano cartesiano fazem
parte de uma estrutura de espaco vetorial, isto e, deixaram de ser meros
pontos e adquiriram o status de vetores.

18

O que
e um vetor em matem
atica?
Conjuntos Estruturas
O entendimento do que seja um vetor inicia-se com a distincao entre
conjunto e estrutura.
Em matem
atica s
ao frequentes conjuntos munidos de uma ou mais operacoes, que gozam de certas propriedades. Esses conjuntos com tais operacoes
e respectivas propriedades constituem aquilo que denominamos estruturas
algebricas. Um espaco vetorial e um exemplo de estrutura algebrica.
Para nos auxiliar em nosso objetivo (deixar claro a diferenca entre conjunto e estrutura) vamos recorrer a uma analogia: Suponhamos um conjunto
M cujos elementos s
ao materiais de construcao, assim:
M = {tijolo, cimento, seixo, pedra, areia, . . .}
sobre este conjunto podemos construir diversas estruturas, por exemplo:
Edifcio
Casa

Ponte
Conjunto
Estruturas

Nao devemos confundir o conjunto M com a estrutura edifcio, por


exemplo.
Entendemos que esta mesma distincao deve ser feita entre conjuntos e
estruturas na matem
atica.
Vejamos um
exemplo
retirado
atica. Considere o conjunto de

da matem
2
pontos R = (x, y) : x, y R , cuja vers
ao geometrica e vista a seguir:
R2

r (x, y)
0

sobre este conjunto podemos construir, por exemplo, tres estruturas, assim:
19

- Espaco vetorial :
R2

q(x, y)
0

- N
umeros C :

- N
umeros H :

(a, b) + (c, d) = (a + c, b + d)
(a, b) = (a, b)

(a, b) + (c, d) = (a + c, b + d)
(a, b) (c, d) = (ac bd, ad + bc)

(a, b) + (c, d) = (a + c, b + d)
(a, b) (c, d) = (ac bd, |a|d + b|c|)

Assim o n
umero de estruturas que podemos construir sobre um mesmo
conjunto estar
a limitado apenas por nossa criatividade .
A Identidade de um Elemento
Uma outra distinc
ao que se faz necessaria e quanto a natureza (identidade) de um elemento.
Perguntamos: afinal de contas o par ordenado (3, 2) e um vetor ou um
n
umero complexo?
Respondemos: o par ordenado (3, 2), por si s
o, n
ao e nem uma coisa
2
nem outra, e apenas um elemento do conjunto R . Agora dependendo do
contexto em que nos situamos, este elemento pode ser um vetor, um n
umero
complexo, ou ainda um n
umero hipercomplexo.
Se, por exemplo, o par ordenado (3, 2) estiver inserido na estrutura de
a
espaco vetorial primeira das alternativas na figura anterior ele ser
um vetor, se estiver sendo manipulado na estrutura n
umeros complexos
a um n
umero comsegunda das alternativas na figura anterior ele ser
plexo, e se estiver sendo manipulado dentro da estrutura Hipercomplexa
terceira das alternativas na figura anterior ele ser
a um n
umero hipercomplexo.
Portanto, enfatizamos, e a estrutura que confere dignidade (identidade) a um elemento.
a estrutura (jogo) quem vai determinar o que um elemento (smbolo)
E
seja.
Vejamos mais duas analogias:
ao dispomos das pecas,
1 a ) Suponhamos que desejamos jogar xadrez mas n
apenas do tabuleiro. Nao h
a o menor problema: podemos substituir as pecas
por cereais. Por exemplo, um caroco de feij
ao fara o papel de rei, os peoes
ser
ao substituidos por gr
aos de arroz, as torres por carocos de milho, etc.

C : N
umeros complexos. Os n
umeros Hipercomplexos e um novo sistema numerico
que construimos sobre o R2 , e tambem uma generalizac
ao dos n
umeros reais.
Na abscissa do produto, tomamos se a c 0, tomamos + caso contr
ario.
Ver [10]

20

feijao Rei
arroz pe
oes

..
.

..
.

..
.

milho torres

Observe mais uma vez que e a estrutura que confere a dignidade (identidade) de um elemento: um mero caroco de feij
ao de repente ve-se promovido a rei, ao participar da estrutura xadrez.
2 a ) Como mais um exemplo da metamorfose conferida pela estrutura,
o Brasil est
a empestado de ratazanas (bandidos) que, ao ingressarem na
estrutura poltica, tornam-se vossa excelencia:

Assim como um mero caroco de feij


ao torna-se um rei ao ingressar
na estrutura xadrez, bandidos tornam-se vossa excelencia ao ingressar na
estrutura poltica brasileira.

21

Uma crtica `
a definic
ao de Espaco Vetorial em livros did
aticos
Em func
ao do exposto anteriormente desejamos fazer uma breve exegese
sobre a definic
ao de espacos vetoriais constante na literatura matem
atica.
Uma definic
ao padrao nos livros did
aticos e:
Um espaco vetorial E e um conjunto, cujos elementos s
ao chamados vetores, no qual est
ao definidas duas operacoes: a adica
o, que a cada par de
vetores u, v E faz corresponder um novo vetor u+v E, chamado a soma
de u e v, e a multiplicaca
o por um n
umero real, que a cada n
umero R e a
cada vetor v E faz corresponder um vetor v, ou v, chamado o produto
de por v. Essas operacoes devem satisfazer, para quaisquer , R e
u, v, w E, as condic
oes abaixo, chamadas os axiomas de espaco vetorial:
comutatividade:

u + v = v + u;

associatividade: (u + v) + w = u + (v + w) e ()v = (v);


vetor nulo:
existe um vetor 0 E, chamado vetor nulo, ou vetor zero,
tal que v + 0 = 0 + v = v para todo v E;

inverso aditivo:
para cada vetor v E existe um vetor v E,
chamado o inverso aditivo, ou o simetrico de v, tal que v+v = v+(v) = 0;
distributividade: ( + )v = v + v e (u + v) = u + v;
multiplica
c
ao por 1:

1 v = v.

Ent
ao, vejamos alguns poucos comentarios sobre esta definicao padrao:
Primeiro que um espaco vetorial n
ao e um conjunto. Segundo, n
ao conheco
nenhum conjunto cujos elementos s
ao chamados vetores . O leitor conhece
algum? O que vem depois na definicao anterior n
ao muda em nada.

A verdadeira natureza de um espaco vetorial e a de uma estrutura tanto


e que e conhecido como uma estrutura algebrica , por exemplo, assim:

VV

V
R

RE

V = (V, +, )
Estrutura

V
Espa
co Vetorial

(aqui temos escalares)


(aqui temos meros elementos)

(aqui temos vetores)

Nao existe nenhum conjunto cujos elementos s


ao chamados vetores
posto que em qualquer conjunto temos meros elementos, agora ao construirmos uma estrutura de espaco vetorial sobre um tal conjunto entao seus
elementos adquirem o status de vetores.
22

Assim como um mero caroco de feij


ao torna-se um rei ao participar da
estrutura xadrez ou qualquer bandido torna-se vossa excelencia, ao
ingressar na estrutura poltica brasileira objetos de naturezas diversas
tornam-se vetores ao participarem da estrutura espaco vetorial. Por exemplo, s
ao vetores:

(3, 2) ,
Ponto do R2

1 0 0
1 0 3
Matriz

p(x) = 2 + 3 x x2 ,
Polin^
omio

00110100
C
odigo bin
ario

Exemplo 2: O espaco vetorial R3 .


Para a construc
ao do nosso segundo exemplo de espaco vetorial tomaremos como conjunto V o conjunto de ternos ordenados de n
umeros reais:


R3 = (x, y, z) : x, y, z R

cuja vers
ao geometrica e vista a seguir:
Z

(x, y, z)

Y
X

Tomemos dois elementos u = (a, b, c) e v = (d, e, f ) em R3 e um escalar


(n
umero) em R e vamos definir a soma de ternos ordenados e a multiplicacao por escalar do seguinte modo:
u + v = (a, b, c) + (d, e, f ) = (a + d, b + e, c + f )
u = (a, b, c) = (a, b, c)
Estas duas definic
oes conferem aos pontos do espaco R3 o status de vetores,
conforme pode ser provado de modo an
alogo ao que foi feito no exemplo
anterior.
Apenas informamos que aqui o vetor nulo passa a ser 0 = (0, 0, 0) e o
oposto do vetor u = (a, b, c) e o vetor u = (a, b, c).
Exemplo 3: O espaco vetorial Rn .
Os dois exemplos anteriores podem ser generalizados ao hiperespaco
Rn , que e o conjunto de nuplas,


Rn = (x1 , x2 , . . . , xn ) : xi R
23

cuja vers
ao geometrica infelizmente por uma limitacao de hardware (cerebro) n
ao podemos visualizar quando n > 3.
Dados dois pontos u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) neste
conjunto, definimos igualdade, assim:
(x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , yn ) x1 = y1 , x2 = y2 , . . . , xn = yn
Adic
ao entre pontos e multiplicacao por escalar (n
umero real), assim:
u + v = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
u = ( x1 , x2 , . . . , xn )
Estas operac
oes conferem aos pontos do hiperespaco o status de vetores,
como pode facilmente ser provado.
Apenas informamos que aqui o vetor nulo passa a ser 0 = (0, 0, . . . , 0)
e o oposto do vetor u = (x1 , x2 , . . . , xn ) e o vetor u = (x1 , x2 , . . . , xn ).

O exemplo dado anteriormente possui uma importante generalizacao dada


a seguir.
Exemplo 4: O espaco vetorial Kn .
Vamos generalizar ainda mais o exemplo anterior. Seja K um corpo
arbitrario. A notac
ao Kn e ami
ude utilizada para denotar o conjunto de
todas as n-uplas de elementos de K:


Kn = (x1 , x2 , . . . , xn ) : xi K
Dados dois pontos u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) neste conjunto podemos tornar Kn um espaco vetorial sobre K com as seguintes
definic
oes:
(x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , yn ) x1 = y1 , x2 = y2 , . . . , xn = yn
Adic
ao entre pontos e multiplicacao por escalar, assim:
u + v = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
u = ( x1 , x2 , . . . , xn )
Estas operac
oes s
ao ditas ponto a ponto e conferem aos pontos do
hiperespaco o status de vetores. Por exemplo, o vetor nulo em Kn e uma
n-upla de zeros,
0 = (0, 0, . . . , 0)
e o oposto do vetor u = (x1 , x2 , . . . , xn ) e o vetor u = (x1 , x2 , . . . , xn ).
Das exigencias (axiomas) para espaco vetorial vamos provar A2 e M3 (as
outras s
ao demonstradas de forma an
aloga). Entao:

24

A2) (u + v) + w = u + (v + w)
(Associativa)
Suponha que u = ( xi ), v = ( yi ) e w = ( zi ). A demonstracao ser
a feita
mostrando que as entradas (coordenadas nas n-uplas) correspondentes em
cada lado de A2 s
ao iguais.
Com efeito, a entrada i de u+ v e xi + yi , entao a entrada i de (u+ v)+ w
e (xi + yi ) + zi . Por outro lado, a entrada i de v + w e yi + zi e assim a
entrada i de u + (v + w) e xi + (yi + zi ). Porem, para escalares em K (corpo)
temos
(xi + yi ) + zi = xi + (yi + zi )
Portanto (u + v) + w e u + (v + w) possuem entradas i iguais, logo, pela
definicao de igualdade de n-uplas, temos que (u + v) + w = u + (v + w).
M3) ( u + v ) = u + v
(Distributiva)
A entrada i de u + v e xi + yi , entao (xi + yi ) e a entrada i de ( u + v ).
Por outro lado, as entradas i de u e v s
ao respectivamente xi e yi .
Porem, para escalares em K temos
(xi + yi ) = xi + yi
Assim ( u + v ) e u + v possuem entradas i iguais, logo, pela definicao
de igualdade de n-uplas, temos que ( u + v ) = u + v.

Publicac
ao Eletronica, 2016;

514 p.

ISBN: 978-85-63979-08-7

ebah
slideshare
scribd
https://goo.gl/8YVCPB https://goo.gl/Ah5m0g https://goo.gl/mkl0PG
25

Exemplo 5: Espa
co de C
odigos
Agora daremos um importante exemplo de espaco vetorial cujo corpo de
escalares n
ao e R.
C
odigos que contem tanto caracteres alfabeticos como numericos s
ao
necessarios quando microcomputadores se comunicam com dispositivos como
fax ou um terminal de vdeo, ou ainda para transformar os caracteres de um
teclado em linguagem de computador. Esses codigos s
ao chamados c
odigos
alfanumericos.
O c
odigo alfanumerico mais comumente usado em sistemas de microcomputador e o
AMERICAN STANDARD Code for Information Interchange
(C
odigo Americano Padr
ao para Troca de Informacoes)
Uma listagem parcial do codigo ASCII e mostrada na tabela a seguir
Caracter

ASCII

Caracter

ASCII

<

00111100

01000001

>

00111110

01000010

00100001

01000011

11100100

00100100

00100011

01000101

00100100

01000110

00100101

01000111

&

00100110

01001000

00101000

01001001

00101001

01001010

00101010

01001011

01011011

01001100

01011101

01001101

00101011

01001110

00101101

01001111

00101111

01010000

00110000

01010001

00110001

01010010

00110010

01010011

00110011

01010100

00110100

01010101

00110101

01010110

00110110

01010111

00110111

01011000

00111000

01011001

00111001

01011010

TABELA

ASCII

26

A seguir vemos o diagrama de blocos de uma calculadora.


Entrada
7

Saida

CPU

Codificador

00110001
00101011
00110010

Teclado

Decodificador

00110011

Display

Na figura estamos simulando a soma 1+ 2 = 3. Ao digitarmos no teclado


1+2 existe um circuito codificador que codifica estas informacoes em bin
ario
de acordo com a TABELA ASCII vista anteriormente, ou seja,
1 00110001 ; + 00101011 ; 2 00110010
Estas sequencias bin
arias (c
odigos) s
ao entregues `a CPU (unidade central
de processamento) que executa a soma pedida, o resultado e colocado na
entrada de um circuito decodificador que decodifica, ainda de acordo com
a TABELA ASCII, a sequencia bin
aria em sua entrada e na saida (display)
temos o resultado na base decimal.
Defini
c
ao 1 (C
odigo). Um c
odigo bin
ario e um conjunto de vetores bin
arios
(de mesmo comprimento) chamados vetores de c
odigo. O processo de convers
ao de uma mensagem em vetores de c
odigo e chamado codificaca
o, e o
processo inverso e chamado decodificaca
o.
A transmiss
ao de dados codificados via ondas eletromagneticas, pode
ser est
a sujeita a varias fontes de erros, desde erros de digitacao ate
interferencias eletromagneticas; os possveis erros s
ao chamados de rudos.
A teoria dos c
odigos corretores de erro e um campo de pesquisa muito
ativo atualmente, com aplicac
oes em diversas areas tais como: matem
atica,
engenharia, computac
ao e estatstica.

Fonte
de
Informa
ca
o

Codifica
ca
o

Sinal

Canal

Rudo

27

Novo
Sinal

Decodifica
ca
o

Destinat
ario

Nosso objetivo agora ser


a construir uma famlia (colecao) de espacos
vetoriais os quais s
ao bastante utilizados no projeto de c
odigos bin
arios
para transmiss
ao de dados entre computadores, inclusive.
Sequencias bin
arias de qualquer tamanho podem ser obtidas tomando-se
o produto cartesiano do conjunto (com dois smbolos):

Z2 = { 0, 1 }

Por exemplo:
Z22 = { 0, 1 } { 0, 1 } = { 00, 10, 01, 11 }
Ou ainda:
Z32 = { 0, 1 } { 0, 1 } { 0, 1 }
= { 000, 100, 010, 110, 001, 101, 011, 111 }

Como o leitor certamente ja se deu conta, via produto cartesiano podemos obter sequencias bin
arias de qualquer tamanho.
O n
umero de sequencias bin
arias no conjunto Zn2 e 2n .
Observe que os c
odigos (sequencias) do teclado de um computador (Tabela
ASCII) pertencem todos ao conjunto Z82 , neste conjunto podemos codificar
ate 28 = 256 caracteres.
Opera
co
es em Z2
Inicialmente vamos construir uma estrutura de corpo sobre o conjunto Z2 .
Nesse conjunto vamos definir duas operacoes: a uma delas chamaremos de
adic
ao e a outra chamaremos de multiplicacao dadas nas seguintes tabuas:
A isto se acrescenta que todo smbolo
0

e ambivalente e at
e mesmo polivalente,

no sentido de que ele pode significar

uma pluralidade de realidades diversas e

mesmo contradit
orias.
(L
eon Bonaventure)

facil, n
E
ao obstante trabalhoso, provar que o sistema algebrico resultante Z2 = (Z2 , +, )
e um corpo.
(p. 420)
28

Desde ja enfatizamos que no presente contexto 0 e 1 n


ao s
ao n
umeros
naturais, isto e, n
umeros do conjunto
N = { 0, 1, 2, 3, . . . }
De fato, como dissemos anteriormente, o que confere a identidade de um
elemento e a estrutura (jogo) do qual ele faz parte.
Embora os smbolos 0 e 1 sejam os mesmos do conjunto dos n
umeros
naturais no entanto como n
umeros s
ao distintos daqueles. Observe:
N = ( { 0, 1, 2, 3, . . . }, +, )

Z2 = ({ 0, 1 }, +, )

Nesta estrutura 0 e 1 sao

Nesta estrutura 0 e 1 sao

n
umeros naturais.

n
umeros, mas n
ao naturais.

Pois bem, retomando a estrutura Z2 acima definida, o elemento neutro da


adicao e 0. O simetrico (oposto) de cada elemento encontramos na pr
opria
tabela de adic
ao. Veja:
0+0=0

0 = 0

1+1=0

1 = 1

Isto e, o oposto aditivo de cada elemento e o pr


oprio.
Ademais, o leitor n
ao se escandalize com a operacao 1 + 1 = 0, posto
que, se servir de consolo, mesmo na fsica supostamente mais aderente `a
realidade nem sempre 1 + 1 = 2. Por exemplo, se adicionarmos duas velocidades iguais a 1, na fsica de Galileu teremos 1 + 1 = 2, ja na de Einstein
teremos 1 + 1 6= 2.
(Ver p. 77)

Aceder `
a ci
encia
e rejuvenescer espiri-

O mundo
e construido como uma estrutura matem
atica, e n
ao material.

tualmente,
e aceitar uma brusca mutaca
o

(Werner Heisenberg)

que contradiz o passado.


(Gaston Bachelard)

A isto se acrescenta que todo smbolo e ambivalente e ate mesmo


polivalente, no sentido de que ele pode significar uma pluralidade de realidades diversas e mesmo contradit
orias.
(L
eon Bonaventure)

29

Os espa
cos vetoriais Zn2
Tendo em conta o exemplo 4 (p. 24) resulta que, para cada n 1, os
sistemas Zn2 s
ao espacos vetorias com as operacoes ponto a ponto. Portanto, no presente contexto uma sequencia bin
aria (codigo) adquire status
de vetor. Observe que n
ao cabe n
ao tem sentido para estes vetores os
atributos (simult
aneos) de m
odulo, direcao e sentido.
Por exemplo, veja alguns exemplos de adicao:
Z22

Z32

Z42

10
01

101
011

1010
1010

+ : 11

+ : 110

+ : 0000

feitas com o auxlio da tabua de adicao para Z2 .


Veja alguns exemplos de multiplicacao por escalar:

(p. 28)

Z32

Z22
u 10
1
u 10

Z42

u 101

0
u 000

u 1010

1
u 1010

feitas com o auxlio da tabua de multiplicacao para Z2 .


O elemento neutro da adicao em Zn2 e a sequencia nula, 0 = 00 . . . 0,
com n entradas. Ademais, observe que todo elemento em Zn2 possui oposto
aditivo no caso ele pr
oprio. Isto se deve a que, na tabua da adicao em Z2
temos que 0 + 0 = 0 e 1 + 1 = 0.
Apenas a ttulo de informacao, a quem interessar possa, no livro Fundamentos dos N
umeros (p. 25) criamos uma estrutura na qual as sequencias
bin
arias infinitas tornam-se n
umeros; digo, novos modelos para os naturais,
inteiros, etc. Por exemplo, veja os inteiros azuis:
...

...

p
1

0
1
0
1
1
1
1
1

0
0
1
1
1
1
1
1

1
0
1
1
1
1
1
1

0
1
1
1
1
1
1
1

1
1
1
1
1
1
1
1

0
0
0
0
0
0
0
0

1
0
0
0
0
0
0
0

0
1
0
0
0
0
0
0

1
1
0
0
0
0
0
0

0
0
1
0
0
0
0
0

1
0
1
0
0
0
0
0

..
.

..
.

..
.

..
.

..
.

..
.

..
.

30

..
.

..
.

..
.

..
.

...

...

Uma f
ormula para gerar os c
odigos em Zn2
um prazer puro da alma espalhar pelo mundo o fruto de seus esE
tudos e meditaco
es, ainda sem outra remuneraca
o que a consciencia de
fazer bem.
(Jos
e Bonif
acio)
J
a n
ao conto mais o n
umero de formulas que deduzi (e/ou demonstrei)
na matem
atica, confesso que, pela formula a seguir, tenho um carinho todo
especial .

xij =

1, se

0, se 

i1
j1
2
i1
j1
2




e mpar;
(1.4)
e par.

Esta formula nos permite gerar os codigos bin


arios, onde: xij e o jesimo
n
odigo i de Z2 . x e o maior inteiro que n
ao supera x.
bit do c
Fixado n fazemos
i = 1, 2, . . . , 2n e j = 1, 2, . . . , n
Por exemplo, para n = 2, temos: i = 1, 2, 3, 4 e j = 1, 2. Entao
 11 
i = 1, j = 1
= 0 x11 = 0
211
 11 
i = 1, j = 2
= 0 x12 = 0
221
...........................................
 21 
= 1 x11 = 1
i = 2, j = 1
11
2
 21 
= 0 x12 = 0
i = 2, j = 2
21
2

...........................................
 31 
i = 3, j = 1
= 2 x11 = 0
211
 31 
i = 3, j = 2
= 1 x12 = 1
221
...........................................
 41 
= 3 x11 = 1
i = 4, j = 1
211
 41 
= 1 x12 = 1
i = 4, j = 2
21
2

Sendo assim, temos:

Z22 = { |{z}
00 , |{z}
10 , |{z}
01 , |{z}
11 }
i=1

i=2

i=3

i=4

Precisamente pelos detalhes tecnicos envolvidos em sua deduc


ao e demonstrac
ao.

31

Exemplo 6: O espaco vetorial Pn (R).


Para a construc
ao do nosso pr
oximo exemplo de espaco vetorial tomaremos como conjunto V o conjunto,


Pn (R) = a0 + a1 x + a2 x2 + + an xn : ai R

dos polin
omios com coeficientes reais de grau n (n e um inteiro n
aonegativo).
Para conferir aos elementos deste conjunto o status de vetores, tomemos
dois elementos arbitrarios
p(x) = a0 + a1 x + a2 x2 + + an xn
q(x) = b0 + b1 x + b2 x2 + + bn xn
e vamos definir duas operacoes:
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + + (an + bn )xn
Tomemos para o corpo de escalares os n
umeros reais, vamos definir,
p(x) = b0 + ( b1 ) x + ( b2 ) x2 + + ( bn ) xn
Pode ser mostrado que todas as exigencias sobre as operacoes de adicao e
multiplicac
ao por escalar s
ao satisfeitas; portanto Pn (R) e o espaco vetorial
dos polin
omios (de grau n) com coeficientes reais.
O vetor nulo deste espaco e dado por,
0(x) = 0 + 0x + 0x2 + + 0xn
O oposto aditivo do vetor p(x) = a0 + a1 x + a2 x2 + + an xn e o vetor,
p(x) = (a0 ) + (a1 ) x + (a2 ) x2 + + (an ) xn
Isto se deve a que, p + (p) = 0, veja:




p + (p) (x) = a0 + (a0 ) + a1 + (a1 ) x + + an + (an ) xn
= 0 + 0x + 0x2 + + 0xn = 0(x)

Exemplo 7: O espaco vetorial Mmn (R).


Sobre o conjunto Mmn (R), das matrizes de ordem m n, com entradas
reais podemos construir um espaco vetorial tomando como corpo K = R
e as operac
oes usuais de adicao de matrizes e multiplicacao de matriz por
escalar.
(p. 424 e p. 425)
No caso particular das matrizes de ordem 2 3, por exemplo, o vetor
nulo e dado por:


0 0 0
0=
0 0 0
32

Para um vetor arbitrario,


u=
seu oposto aditivo e dado por,
"
u =

"

a11

a12

a13

a21

a22

a23

a11

a12

a21

a13

a22

a23

Para provar esta assertiva basta ter em conta que,


"
# "
a11 a12 a13
a11 a12
u + (u) =
+
a21 a22 a23
a21 a22

a13
a23

Ou ainda,
u + (u) =

"

a11 a11

a21 a21

a12 a12

a22 a22

a13 a13

a23 a23

0 0 0
0 0 0

= 0

Exemplo 8: Espa
cos Funcionais. Consideremos o conjunto,
F = {f : R R}
das func
oes reais definidas em toda a reta. O nosso objetivo ser
a construir
sobre este conjunto um espaco vetorial:
F = F, +,

(1.5)

Dados dois elementos f e g em F, vamos definir a adicao f + g como sendo


a funcao dada pela seguinte lei (regra):
(f + g)(x) = f (x) + g(x)

(1.6)

Esta adic
ao e conhecida como adicao ponto a ponto e existe uma interpretacao geometrica para a mesma. Por exemplo, consideremos as funcoes
dadas por f (x) = x2 e g(x) = x + 1; pela definicao de adicao em F, temos:
(f + g)(x) = f (x) + g(x) = ( x2 ) + (x + 1) = x2 + x + 1
Geometricamente, tudo se passa assim:

Para o que se segue ser


a importante que o leitor tenha em mente a distinc
ao entre
os smbolos f e f (x); o primeiro se refere `
a pr
opria func
ao, o segundo se refere ao valor
numerico que a func
ao assume no ponto x (imagem de x pela func
ao f ).

33

f +g

R
f
g

f (x)+g(x)

g(x) r

rf (x)
R

Pois bem, dados um escalar R e uma funcao f F, vamos definir


a multiplicac
ao por escalar, f , como sendo a funcao dada pela seguinte
regra:
( f )(x) = f (x)
(1.7)
Como na adic
ao, existe uma interpretacao geometrica para o produto de um
escalar por uma func
ao. Tomemos, por exemplo, f e g como anteriormente,
e o escalar = 12 , a seguir vemos as multiplicacoes por escalar 12 f e 21 g :
R

R
f

g
1
2

1
2

r
r
R

Para conferir o status de vetor a uma funcao s


o nos resta agora mostrar
que todas as exigencias para espaco vetorial s
ao satisfeitas pelas operacoes
definidas acima.
Antes, recordamos o que significa dizer que duas funcoes (ou aplicacoes)
s
ao iguais:
Defini
c
ao 2 (Igualdade entre aplicacoes). Dizemos que as aplicaco
es
f : A B
x 7 f (x)

g : C D
x 7 g(x)

s
ao iguais se, e somente se, A = C, B = D e f (x) = g(x) para todo x A.
34

Para duas func


oes no conjunto F escrevemos,
f : R R
x 7 f (x)

g : R R
x 7 g(x)

De sorte que, por exemplo,


f +g =g+f

(f + g)(x) = (g + f )(x), x R.

Entao,
A1) (f + g)(x) = f (x) + g(x)

(definicao de adicao)

= g(x) + f (x)

(comutatividade nos reais)

= (g + f )(x)

f +g =g+f
A2)

(definicao de adicao)


(f + g) + h (x) = ( f + g )(x) + h(x)
(definicao de adicao)

= f (x) + g(x) + h(x)
(definicao de adicao)

= f (x) + g(x) + h(x) (associatividade nos reais)

= f (x) + ( g + h )(x)
(definicao de adicao)

= f + ( g + h ) (x)
(definicao de adicao)

(f + g) + h = f + (g + h)
O nosso candidato natural a vetor nulo, 0, e a funcao nula, assim
definida:
0 : R R
x 7 0

a func
E
ao que associa a todo n
umero real, no domnio, o n
umero 0, no
contradomnio, isto e,
0(x) = 0, x R
e cujo gr
afico coincide com o eixo ox, veja:
R

35

Posto isto, temos,


A3) (f + 0)(x) = f (x) + 0(x)
= f (x) + 0

(definicao de adicao)
(definicao de funcao nula)

= f (x)

f+ 0=f

(elemento neutro nos reais)

Dada qualquer funcao f F, vamos definir como f a funcao cujos


valores s
ao os opostos (negativos) dos valores de f , isto e,
(f )(x) = f (x)
Vamos agora mostrar que f + (f ) = 0. De fato, temos que,

A4) f + (f ) (x) = f (x) + (f )(x)
(definicao de adicao)

= f (x) + f (x)
(definicao de funcao oposta)
=0

f + (f ) = 0

(oposto nos reais)

Existe uma interpretacao geometrica para a oposta, f , de uma funcao


f ; o seu gr
afico e simetrico em relacao ao eixo x ao gr
afico de f ; por
exemplo, para as func
oes f e g que vem nos acompanhando, temos:
R

f +(f )= 0

g+(g)= 0
g

rg(x)

rf (x)
R

rf (x)
rg(x)

M1)



( f ) (x) = ( f )(x)

= f (x)

= ( )f (x)

= ( )f (x)

( f ) = ( )f

(definicao de multiplicacao por escalar)


(definicao de multiplicacao por escalar)
(associatividade nos reais)
(definicao de multiplicacao por escalar)

36

M2)


( + ) f (x) = ( + )f (x) (definicao de multiplicacao por escalar)
= f (x) + f (x)

(distributividade nos reais)

= ( f )(x) + ( f )(x)

(multiplicacao por escalar)

= ( f + f )(x)

( + ) f = f + f
M3)



(f + g) (x) = (f + g)(x)

= f (x) + g(x)
= f (x) + g(x)

(definicao de adicao)

(multiplicacao por escalar)


(definicao de adicao)
(distributividade nos reais)

= ( f + g)(x)

(f + g) = f + g

(definicao de adicao)

M4) (1 f )(x) = 1 f (x)

(multiplicacao por escalar)

= f (x)

(elemento neutro nos reais)

1f = f
Observe que somente agora e dentro do presente contexto uma
funcao adquire o status de vetor. Este vetor n
ao tem m
odulo, n
ao tem
direcao, n
ao tem sentido.
Nota: Podemos considerar ao inves do conjunto,
F = {f : R R}
o conjunto,
F = {f : X R}

(1.8)

onde X e um conjunto n
ao-vazio qualquer, e ainda aqui, como anteriormente, obtemos um espaco vetorial: F(X, R).
Matem
atica: Esta ciencia vazia que espantosamente se
aplica a todas as contingencias fenomenol
ogicas, apesar de ser um puro
formalismo reflexivo.

37

Um exemplo patol
ogico
Importante: Na definic
ao de espaco vetorial fizemos referencia a uma operacao,
+ : V V V
a qual foi chamada de adi
c~
ao e cujo smbolo adotado foi o usual: +. A
escolha para este nome (adicao) e para este smbolo ( + ) e meramente uma
quest
ao de conveniencia; a princpio esta operacao pode n
ao ter nada a ver
com a adic
ao usual , o que realmente importa e que a mesma satisfaca a
todas as exigencias para a estrutura espaco vetorial. Para contextualizar a
que estamos nos referindo meditemos sobre os dois exemplos a seguir.
Exemplo 9: Consideremos o seguinte subconjunto V = { x R : x > 0 }
dos reais, cuja vers
ao geometrica e vista a seguir:

R+

O nosso objetivo agora ser


a conferir aos elementos deste conjunto o status
de vetores.
O nosso intuito estar
a fadado ao fracasso se definirmos a adicao como
sendo a usual, n
ao obstante este conjunto ser fechado para esta operacao.
Este insucesso se dever
a a que n
ao conseguiremos um elemento neutro para
a referida operac
ao (ja que o 0 foi excluido do conjunto V ); e nem um oposto
para cada u V .
Observamos que este conjunto e fechado para a multiplicacao. Vamos
definir as duas seguintes operacoes:

u + v = u v, u, v V
= u ,

u V e R.

Ou seja, a nossa operacao candidata a adicao vetorial nada mais e que a


multiplicac
ao numerica usual e a nossa operacao candidata a multiplicacao
por escalar nada mais e que a exponenciacao numerica.
Nesta nossa adic
ao esdr
uxula observe que:
1+1 =11

1+1 =1

1
1
1
=2
2+ =1
2
2
2
Nesta nossa multiplicacao esdr
uxula observe que:
2+

2 1 = 12
1
2

2=2

1
2

1
2

1
2

2

21=1

1
2
2 2=

38

1
2

1
4

Ser
a que funciona? Vejamos:
A1)

u + v = uv

(definicao de adicao)

= vu

(comutatividade da multiplicacao em R)

=v+u
A2)

(definicao de adicao)

(u + v) + w = (u v) + w

(definicao de adicao)

= (u v) w

(definicao de adicao)

= u (v w)

(associatividade em R)

= u (v + w)

(definicao de adicao)

= u + (v + w)

(definicao de adicao)

A3) Devemos agora exibir um elemento neutro para a nossa adicao; ou


ainda, devemos exibir 0 V satisfazendo 0 + u = u, u V . Sendo assim
devemos ter
0 + u = 0u = u = 1u

0u = 1u

Esta igualdade nos sugere tomar como candidato a vetor nulo 0 = 1, e de


fato funciona, como e facil constatar.
A4) Para todo elemento u de V devemos exibir um outro elemento de V ,
denotado por u, detentor da seguinte propriedade:
u + (u) = 0
Sendo assim, temos:
u + (u) = u (u) = 0 = 1

u (u) = 1

Esta u
ltima equac
ao nos sugere tomar u = u1 =
como e facil constatar. Observe que,
1 = 11

1 = 1

1
u,

e de fato funciona,
(1.9)

Interregno cultural:
Uma observac
ao trivial, no entanto pertinente, e que o sinal , acima,
n
ao significa negativo, significa apenas oposto (aditivo).
Por oportuno, em matem
atica um vetor n
ao possui negativo. Com
efeito, o conceito de negativo em um conjunto e definido em funcao de uma
relaca
o de ordem , num espaco vetorial n
ao contamos com uma tal relacao.

Positivo e maior que zero e negativo e menor que zero.

39

Observemos, novamente, a exigencia A4) na definicao de espaco vetorial:


A4) Para todo elemento u de V existe um outro elemento de V , denotado
por u, detentor da seguinte propriedade:
u + (u) = 0

(Elemento oposto)

Duas observac
oes: ( i ) u e apenas, e tao somente, uma notacao ( ii ) o
que e essencial e que aqui temos a definicao (caracterizacao) do que seja o
elemento u, o oposto de u; e aquele que quando adicionado com u repro isto o que importa, o que existe de
duz o elemento neutro da adicao. E
essencial, n
ao a notac
ao (smbolo) adotada para o elemento oposto.
Nao haveria nenhuma mudanca estrutural se tivessemos enunciado a
exigencia A4) do seguinte modo:
A4) Para todo elemento u de V existe um outro elemento de V , denotado
por u
, detentor da seguinte propriedade:
u+u
= 0

(Elemento oposto)

Neste caso a igualdade (1.9) (p. 39) se tornaria,


1 = 1
1

1 = 1

Um raciocinio an
alogo se aplica ao caso do vetor nulo 0.
Em um contexto correlato a este observamos que nos n
umeros inteiros
o sinal tem dois significados distintos. Quando aparece em, por exemplo, 3, este sinal significa tomar o oposto; ou ainda, podemos dizer que
se trata de uma operaca
o un
aria; ao passo que este mesmo sinal em, por
exemplo, 2 3, tem um significado distinto do primeiro, aqui temos uma
operaca
o bin
aria (diferenca entre dois inteiros).
Continuando:
M1) ( u) = ( u )

(definicao de multiplicacao por escalar)

= ( u )

(definicao de multiplicacao por escalar)

= u( )
= ( )u

M2) ( + ) u = u+

(potencia nos reais)


(definicao de multiplicacao por escalar)

(definicao de multiplicacao por escalar)

= u u

(potencia nos reais)

= u u

(multiplicacao por escalar)

= u + u

(definicao de adicao)

40

M3) (u + v) = (u v)

(definicao de adicao)

= (u v)

(multiplicacao por escalar)

(potencia nos reais)

= u u

(multiplicacao por escalar)

= u + u

(definicao de adicao)

M4) 1 u = u1

(multiplicacao por escalar)

=u

(potencia nos reais)

Interregno cultural: Facamos uma pequena exegese sobre a (legtima)


igualdade:
1

1
2 = 22 = 2
2

Esta igualdade bizarra nos d


a raz
ao quando afirmamos que a identidade de
um elemento e conferida pela estrutura em que ele est
a inserido. Com efeito,
na multiplicac
ao acima o primeiro fator, 12 , e um n
umero real (no caso um
escalar), ao passo que o segundo, 2, n
ao e mais um n
umero real, mas sim
um vetor.
Deixamos ao leitor a incumbencia de justificar as seguintes igualdades:
1
= 1 (2)
2

1 + (2) =

Observe que o 1 `
a esquerda e um vetor enquanto o mesmo 1 `a direita
n
ao e mais um vetor, mas sim um escalar. O que confere a identidade de
um elemento e a regra (operac
ao) com a qual ele est
a sendo manipulado.
O pr
oximo exemplo de espaco vetorial e a generalizacao do exemplo
anterior para duas dimensoes.
Exemplo 10: Consideremos o conjunto V = { (x, y) R2 : x, y > 0 }, cuja
vers
ao geometrica e vista a seguir:
R+

0=(1,
r 1)

41

R+

com as operac
aoes de adicao e multiplicacao por escalar definidas assim:
(
(a, b) + (c, d) = ( a c, b d )
= ( a , b )

(a, b)

Deixamos ao leitor a incumbencia de provar que V e um espaco vetorial.

1.2.1

Produto de Vetores

Uma pergunta pertinente seria: Existem produtos de vetores?


Um produto em um espaco vetorial V seria, segundo a definicao 55
qualquer aplicac
ao

(p. 419),

: V V V
(u, v)

7 uv

Sendo assim estamos livres para definir produto de vetores em muitos (quica
em todos) espacos vetoriais, por exemplo
( I ) Em Rn , um produto poderia ser:
(x1 , x2 , . . . , xn ) (y1 , y2 , . . . , yn ) 7 (x1 y1 , x2 y2 , . . . , xn yn )
( II ) Em Zn2 , um produto poderia ser:
x1 x2 . . . xn y1 y2 . . . yn 7 (x1 y1 )(x2 y2 ) . . . (xn yn )
( III ) No espaco F das funcoes reais podemos definir o produto f g de
dois vetores f e g assim:
(f g)(x) 7 f (x) g(x)
Deste modo podemos considerar que existem sim produto de vetores. A
quest
ao, n
ao apenas no presente contexto como tambem em muitos outros
na matem
atica n
ao e se existe ou n
ao um produto (ou outra operacao
qualquer) mas sim se o produto definido vai resultar interessante do ponto
de vista algebrico (estrutural) ou de aplicacoes.
Por exemplo, no espaco vetorial R2 , o produto definido acima, isto e:
(a, b) (c, d) 7 (ac, bd)
resultaria desinteressante sob os dois aspectos referidos; n
ao obstante, podemos definir sobre este espaco um outro produto, qual seja :
(a, b) (c, d) 7 (ac bd, ad + bc)

Esta multiplicac
ao, juntamente com a adic
ao usual, resulta na estrutura conhecida
como n
umeros complexos (p. 20). Observe que n
ao estamos misturando as estruturas,
estamos afirmando que esse produto poderia ser acrescido `
a estrutura de espaco vetorial.

42

Este, ao contr
ario do produto anterior, ja resulta bem interessante sob qualquer dos criterios mencionados. Por exemplo, o espaco vetorial R2 enriquecido com esse produto nos permitiria gerar as belas figuras conhecidas como
fractais, como as vistas a seguir:

1.2.2

Primeiras Propriedades num Espaco Vetorial


Os iniciantes n
ao est
ao preparados
para o verdadeiro rigor matem
atico; s
o
veriam nisso v
as e fastidiosas sutilezas,
perderamos nosso tempo se quis
essemos,
cedo demais, torn
a-los mais exigentes.
(Poincar
e)

Observe que algumas proposicoes matem


aticas, ate mesmo nos inteiros
(para n
ao falar nos reais), tais como
0x = 0

ou

2 (1) = 2

ou

3 + 2 = 1

tidas por muitos como


obvias, n
ao tem nada de triviais, a bem da verdade a maioria das pessoas com esse sentimento foram apenas condicionadas
(adestradas) a pensar assim. Por exemplo, voce saberia demonstrar as igualdades acima a partir das operac
oes de adicao e multiplicacao nos inteiros?
Lembre-se: O acaso pode fazer com que uma opini
ao seja verdadeira,
mas nem por isso ela deixa de ser uma opini
ao, isto e, uma crenca e n
ao
um saber.
(Simone Manon)
43

Pois bem, em matem


atica prova-se algumas proposicoes intuitivamente
obvias tais como: 0 x = 0 ou, o que e pior , 1 > 0.

Perguntamos: afinal de contas o que deve ser provado e o que n


ao deve
ser provado, em uma dada teoria?
Esta pergunta fica facil de responder no caso das teorias desenvolvidas axiomaticamente, como e o caso dos espacos vetoriais. Respondemos:
assumimos, axiomaticamente, que todo espaco vetorial; digo, todos os vetores, satisfazem as oito propriedades A1), . . . , A4); M1), . . . , M4) listadas
na definic
ao de espaco vetorial (p. 14); qualquer afirmativa sobre vetores,
por mais
obvia que seja e que n
ao consta naquela lista, deve ser provada,
como por exemplo, as listadas a seguir.
Seja V um espaco vetorial com escalares em R. As propriedades provadas
a seguir s
ao consequencias da definicao de espaco vetorial.
(p. 12)
P1 ) Para todo R, temos
0= 0
Prova:
0 = 0 + 0

[ Exigencia A3) ]


= 0 + [ 0 + ( 0) ]

= ( 0 + 0) + ( 0)

= ( 0 + 0) + ( 0)

= 0 + ( 0)

= 0

[ Exigencia A4) ]
[ Exigencia A2) ]
[ Exigencia M3) ]
[ Exigencia A3) ]
[ Exigencia A4) ]


P2 ) Para todo u V , temos


0u = 0
Note a diferenca entre esta propriedade e a anterior. Em P1 provamos que
qualquer escalar (n
umero) multiplicado pelo vetor nulo resulta no vetor nulo;
em P2 devemos provar que o n
umero 0 multiplicado por qualquer vetor deve
resultar no vetor nulo.
Prova:
0 u = (0 + 0) u
[ Neutro em R ]
0u = 0u + 0u

[ Exigencia M2) ]

(0 u) + 0 u = (0 u) + (0 u + 0 u)

0 = (0 u) + 0 u + 0 u

[ Somando o oposto de 0 u ]
[ Exigencias A3) e A2) ]

0 = 0 + 0u

[ Exigencia A4) ]

0 = 0u

[ Exigencia A3) ]

44

P3 ) Para R e u V , temos
Se u = 0, entao = 0 ou u = 0.

(1.10)

Na prova desta simples proposicao temos a oportunidade de ilustrar


varias das tecnicas de demonstracoes matem
aticas vistas no captulo para
consultas (
ultimo). Vamos prova-la utilizando tres tecnicas distintas:
1a ) Prova: Utilizaremos a tecnica de demonstracao (T 3) (p. 436):

H T = f

H = T

Destacando a hip
otese e a tese em nossa proposicao, temos:
H:

u = 0,

T :

= 0 ou u = 0.

( 6= 0 e u 6= 0 )

Sendo assim, temos:


H T : u = 0

(1.11)

Se 6= 0 ent
ao existe o n
umero real n
ao-nulo 1 . Sendo assim vamos
1
multiplicar u = 0 por , obtendo:
1 ( u ) = 1 0
Aplicando a exigencia M1)

(p. 13)

e a propriedade P1 chegamos a,

( 1 ) u = 0
Ou ainda,
1u = 0
Aplicando agora a exigencia M4), temos: u = 0. Invocando a hip
otese
(1.11), exibimos o seguinte absurdo:
u 6= 0

u = 0.


2a ) Prova: Utilizaremos a tecnica de demonstracao (T 4):



H1 H2 = T


2
H1 T = H

(p. 436)

Para utilizar esta tecnica vamos provar a contrapositiva da proposicao


(1.10), isto e, vamos provar:
Se 6= 0 e u 6= 0 entao
| {z }
| {z }
H1

H2

Tecnica (T 1) (p. 435).

45

u 6= 0 .
| {z }
T

Sendo assim, temos, H1 T : 6= 0 e u = 0.


Se 6= 0 ent
ao existe o n
umero real n
ao-nulo 1 . Sendo assim vamos
1
multiplicar u = 0 por , obtendo:
1 ( u ) = 1 0
Aplicando a exigencia M1)

(p. 13)

e a propriedade P1 chegamos a,

( 1 ) u = 0
Ou ainda,
1u = 0
Aplicando agora a exigencia M4), temos: u = 0.
3a ) Prova: Utilizaremos a tecnica de demonstracao (T 7):


H = T1 T2
H T1 = T2


(p. 439)

Inicialmente vamos reescrever a proposicao da seguinte forma:

T : =0

1
H: u = 0
ou

T2 : u = 0

Temos,

H T1 : u = 0 e 6= 0.

Sendo assim existe o n


umero real 1 , multiplicando u = 0 por 1 ,
obtemos
1 ( u ) = 1 0 ( 1 )u = 0 1 u = 0 u = 0

Interregno cultural: Na pr
oxima proposicao deveremos provar as
seguintes igualdades,
() u = ( u) = (u)

(1.12)

Em um espaco vetorial arbitrario isto n


ao chega a ser tao obvio quanto `a
primeira vista poderia parecer a um leitor desatento. Com efeito, `a esquerda
o sinal se refere ao oposto de um escalar no corpo R; no centro o sinal
se refere ao oposto do produto do escalar pelo vetor u em V e, na
direita, o sinal se refere ao oposto de um vetor no espaco arbitrario
V . Tendo em conta que a definicao de oposto est
a amarrado (conexo) `a
operac
ao de adic
ao em V (como tambem em R), conforme definicao de
oposto em A4) (p. 13), e facil concluir que o primeiro n
ao tem nada a
ver com os outros dois e, portanto, as igualdades (1.12) nada tem de triviais.
46

Por exemplo, tomemos, no espaco vetorial do exemplo 9


u = 3, neste caso as igualdades (1.12), se traduzem assim:

(p. 38),

=2e

(2) 3 = (2 3) = 2 (3)
ou ainda,

1
3
O que n
ao chega a ser t
ao evidente quanto a relacao homologa nos reais.
(2) 3 = ( 32 ) = 2

P4 ) Para R e todo u V , temos


() u = ( u) = (u)
Prova:


() u + u = () + u
= 0u

= 0

( u) + [ () u + u ] = ( u) + 0

[ Exigencia M2) ]
[ Definicao de oposto em R ]
[ Propriedade P2 ]
[ Somando ( u) ]

( u) + [ u + () u ] = ( u)

[ Exigencias A1) e A3) ]

() u = ( u)

[ Exigencias A4) e A3) ]

[ ( u) + u ] + () u = ( u)

[ Exigencia A2) ]

Por outro lado,


(u) + u = (u + u)
= 0

[ Exigencia M3) ]
[ Exigencia A4) ]

= 0

( u) + [ (u) + u ] = ( u) + 0

[ Propriedade P1 ]
[ Somando ( u) ]

( u) + [ u + (u) ] = ( u)

[ Exigencias A1) e A3) ]

(u) = ( u)

[ Exigencias A4) e A3) ]




[ ( u) + u ] + (u) = ( u)

[ Exigencia A2) ]

Corol
ario 1. Em todo espaco vetorial V , temos: (1) u = u.
Prova: Substituindo = 1, na propriedade anterior temos:
() u = ( u)
(1) u = (1 u)
= u


47

Nota: Na estrutura dos n


umeros Hipercomplexos (p. 20) temos 1u 6= u.
Por exemplo, tome u = (0, 1) e 1 = (1, 0).
Diferen
ca entre vetores: Em um espaco vetorial V define-se diferenca
entre dois vetores u e v assim:
u v = u + (v)
P5 ) Quaisquer que sejam , R e u V , temos
( ) u = u u
Prova:


( ) u = + () u

[ Diferenca em R ]

= u + () u
= u +

( u)

= u u

[ Exigencia M2) ]


[ Propriedade P4 ]
[ Diferenca em V ]


P6 ) Quaisquer que sejam R, u e v em V , temos


(u v) = u v
Prova: Analoga `
a anterior (exerccio).

P7 ) O vetor nulo de um espaco vetorial e u


nico.
Ou seja, existe um u
nico vetor 0 que satisfaz a exigencia A3).

(p. 12)

Prova: Com efeito, suponhamos que 0 seja um outro vetor satisfazendo


aquela exigencia. Ent
ao,
0 + 0 = 0
[ 0 e vetor nulo ]
0 + 0 = 0
[ 0 e vetor nulo ]

0 = 0

[ Comutatividade da adicao ]


48

P8 ) Para cada vetor u de um espaco vetorial V existe um u


nico vetor u,
oposto de u.
Prova: Suponhamos que u
seja um outro vetor oposto de u; entao, pela
definicao de oposto podemos escrever u + u
= 0.
u = u + 0

[ Exigencia A3) ]

= u + (u + u
)

[u
e oposto de u ]

= (u + u) + u

[ Exigencia A2) ]
[ u e oposto de u ]

= 0+u

=u

[ Exigencia A3) ]


P9 ) Se u, v e w V e u + v = u + w, entao v = w (Num espaco vetorial


vale a lei do cancelamento na adicao).
Prova:
(u) + (u + v) = (u) + (u + w)

[ Somando (u) `a hip


otese ]

(u + u) + v = (u + u) + w

[ Exigencia A2) ]

0+v = 0+w

[ Exigencia A4) ]

v=w

[ Exigencia A3) ]


P10 ) Se u, w V , ent
ao existe um u
nico vetor v tal que u + v = w.

Prova: Inicialmente observemos que w+(u) satisfaz a equacao dada. Com


efeito,


u + w + (u) = u + (u) + w

= u + (u) + w
= 0+w =w

Suponhamos agora que existam dois vetores, v e v , satisfazendo a equacao


dada. Logo,
(
u + v = w
u + v = u + v
u + v = w
pela lei do cancelamento da adic
ao resulta v = u .

49

1.2.3

Exerccios



1) Seja V = (x, y) : x, y R o conjunto de pares ordenados de n
umeros
reais, tome dois elementos neste conjunto, u = (a, b) e v = (c, d), e considere
as seguintes operac
oes de adicao e multiplicacao por escalar:
u = ( a, || b )

u + v = ( a + b, c + d ),

( a ) Para u = (2, 1), v = (4, 3) e = 1, calcule u + v, u e v.


( b ) Perguntamos se V e um espaco vetorial.


2) Seja V = (x, y, z) : x, y, z R o conjunto de ternos ordenados de
n
umeros reais, tome dois elementos neste conjunto, u = (a, b, c) e v =
(d, e, f ), e considere as seguintes operacoes de adicao e multiplicacao por
escalar:
u + v = ( a + d + 1, b + e + 1, c + f + 1 ),
(a)
(b)
(c)
(d)

u = ( a, b, c )

Para u = (1, 1, 1), v = (1, 0, 1) e = 2, calcule u + v, u e v.


Quem seria, 0, o candidato a vetor nulo?
Quem seria, u, o oposto de u?
Perguntamos se V e um espaco vetorial.

3) No exemplo 9, p. 38, se incluirmos o 0 no conjunto V ainda assim teremos


um espaco vetorial?
4) Ainda com respeito ao espaco vetorial do exemplo 9, considerando que
todos os vetores s
ao positivos, isto e, V = { x R : x > 0 }, perguntamos se
faz sentido a seguinte adicao: 1 + (2), caso sim, qual o seu valor?
5) Considere o exemplo 10, p. 41; dados os vetores u = (2, 1), v = (1, 2) e
w = (2, 1); encontre o seguinte vetor: 2 u + (1 v) + w.

6) Considere no espaco vetorial R3 os vetores u = (1, 1, 1), v = (1, 1, 1)


e w = (1, 1, 1).
( a ) Localize-os geometricamente.
( b ) Calcule o vetor 3 u 2 v + 21 w.
( c ) Resolva a equac
ao 2 u + 13 x = w v.

7) No espaco vetorial M23 (R), considere os vetores:


u=

1 0 0
1 0 0

v=

0 2 1
1 1 1

w=

( a ) Calcule o vetor 2u 3v w.
( b ) Existem , R tais que w = u + v ?

50

2 6 3
1 3 3

8) Considere o espaco vetorial F, onde,




F = f : [ 1, 1 ] R

com as operac
oes usuais (ponto a ponto) ver p. 33. Neste espaco considere
os vetores f , g e h dados assim:
f (x) = |x|, g(x) = x e h(x) = x2
( a ) Faca um esboco geometrico destes vetores (plote seus gr
aficos).
( b ) Esboce o gr
afico dos vetores f , g e h.
( c ) Esboce o gr
afico dos vetores f + g e f + h.
( d ) Encontre o vetor 2f + 3g h.
9) No espaco vetorial P3 (R) considere os vetores f , g e h dados assim:
f (x) = x 1, g(x) = 3x2 2x + 1 e h(x) = x3 1
( a ) Calcule o vetor 2f 3g + 2h.

( b ) Calcule o vetor f g + 2h.


( c ) Existem , R tais que h = f + g ?

( d ) Existem , R tais que h = ( f g ) + f ?


10) Mostre que, num espaco arbitrario, (u) = u.

11) Sejam s1 , s2 , . . . , sn smbolos e seja K um corpo qualquer. Seja V o


conjunto das express
oes do tipo abaixo
1 s 1 + 2 s 2 + + n s n
onde i K. Definimos a adic
ao e a multiplicacao por escalar em V por

(1 s1 + + n sn ) + (1 s1 + + n sn ) = (1 + 1 ) s1 + + (n + n ) sn
(1 s1 + 2 s2 + + n sn ) = 1 s1 + 2 s2 + + n sn
Mostre que V e um espaco vetorial sobre K com as operacoes acima.
12) Mostre que no espaco de c
odigos Z22 as operacoes de adicao e subtracao
coincidem, isto e
u v = u + (v) = u + v, u, v Z22
13) Prove que a equac
ao (1.4)
n
de codigos Z2 .

(p. 31)

efetivamente gera os vetores do espaco

14) Fixado arbitrariamente um n


umero primo p considere o seguinte subconjunto Zp dos inteiros dado por
Zp = { 0, 1, 2, . . . , p 1 }
51

Tomemos dois elementos arbitrarios x e y em Zp e vamos definir sobre


este conjunto duas operacoes; a uma delas chamaremos de adicao e a outra
chamaremos de multiplicacao, assim definidas:
x + y = resto da divisao de x + y por p;
x y = resto da divisao de x y por p.

Em Algebra
Moderna (ver por exemplo [11]) prova-se que o sistema algebrico
Zp = (Zp , +, ) e um corpo (quando p e um n
umero primo). Entao, pelo
n
exemplo 4 (p. 24) resulta que Zp s
ao espacos vetoriais.
Construa as t
abuas das operacoes em Z3 . Encontre o conjunto Z23 . No
espaco Z23 encontre as seguintes somas de vetores:
( a ) 11 + 22
( b ) 10 + 01
( c ) 21 + 12
( d ) 11 22
( e ) 10 01.
Neste mesmo espaco execute as seguintes operacoes:
( a ) 2 22
( b ) 2 [ (01) ]
( c ) 2 [ (10) ]
( d ) 2 [ 11 22 ]
( e ) 2 [ (11) + 22 ].
15) Mostre que a formula para gerar os codigos bin
arios tambem pode ser
escrita assim:
(eq. (1.4), p. 31)

xij =

1, se

i1 
j1
2

i1 
j1
2

0, se

Estamos assumindo que

m!
 

m
n! (m n)!
=

e mpar;
e par.

, se m n;
, se m < n.


n!
nos fornece
16) A conhecida formula da an
alise combinat
oria nr = r! (nr)!
o n
umero de combinac
oes dos n elementos de um conjunto A, tomados r a
r. Mas esta formula n
ao nos fornece as tais combinacoes.
Prove que a formula (1.4) serve a esse proposito.
(p. 31)
Sugest
ao: Para n = 4, por exemplo, considere A = { a1 , a2 , a3 , a4 }, disponha
os elementos de Z42 segundo uma tabela (matriz) de 4 linhas por 24 colunas
cada coluna correspondendo a um elemento do conjunto. Convencione
que onde ocorre 1 o elemento entra na combinacao e que onde ocorre 0, n
ao
entra. A prova dever
a ser feita para n arbitrario.
52

1.2.4

Subespacos Vetoriais

Defini
c
ao 3 (Subespaco vetorial). Sejam V um espaco vetorial e U V
um subconjunto n
ao vazio de V . O subconjunto U e um subespaco vetorial
de V se U e um espaco vetorial em relaca
o `
a adica
o e `
a multiplicaca
o por
escalar definidas em V .
Para mostrar que U e um subespaco vetorial de V devemos, a princpio,
verificar as oito exigencias de espaco vetorial relativas `a adicao e `a multiplicacao por escalar (quadro amarelo, p. 14). Entretanto, como U e subconjunto de V , e sendo V por hip
otese um espaco vetorial, resulta que
n
ao h
a necessidade da verificac
ao de certas exigencias em U . Por exemplo,
a exigencia A1) diz que u + v = v + u, u, v V . Ora, se a comutatividade da adic
ao vale para todos os elementos de V em particular tambem
vale para todos os elementos de U . O mesmo raciocinio podemos aplicar a
outras exigencias para espaco vetorial.
A proposic
ao seguinte facilita bastante quando devemos mostrar que
dado subconjunto e um subespaco vetorial.
Proposi
c
ao 1 (Subespaco Vetorial). Seja V um espaco vetorial. Um subconjunto U V , n
ao vazio, e um subespaco vetorial de V se, e somente se,
e fechado para as operaco
es de adica
o e multiplicaca
o por escalar de V ; ou
seja, se
I ) Para quaisquer u, v U , tem-se: u + v U ;
II ) Para quaisquer R, u U , tem-se: u U .

Prova: () H : U V e subespaco vetorial de V ;


T : U e fechado para as operacoes de espaco vetorial.

Se U e um subespaco, ent
ao obviamente as condicoes I ) e II ) s
ao satisfeitas. Reciprocamente,
() H : U e fechado para as operacoes de espaco vetorial;
T : U V e subespaco vetorial de V .

Suponha que as condic


oes I ) e II ) s
ao satisfeitas para U . Vamos
mostrar que as oito exigencias de espaco vetorial tambem s
ao satisfeitas
em U . De fato, tomemos u U . Pela condicao II ), u U para todo
R; sendo assim, tomemos = 0, logo 0 u U , ou seja, 0 U . Tomando
agora = 1, segue que (1) u = u U .
As demais exigencias A1), A2), M1), M2), M3) e M4) de espaco vetorial
s
ao verificadas em U pelo fato de U ser um subconjunto n
ao-vazio de V . 
Observe, por II ) acima, que se U e um subespaco de V entao U deve
necessariamente conter o vetor nulo 0 de V . Com efeito, tomando = 0 R
e u U arbitrario, resulta 0 u = 0 U . Podemos registrar este achado na
forma de uma proposic
ao.
53

Proposi
c
ao 2. Todo subespaco U de um espaco vetorial V deve conter o
vetor 0 de V . Assim um subconjunto U que n
ao contenha o vetor 0 n
ao e
um subespaco.
Nota: Todo espaco vetorial V admite pelo ao menos dois subespacos:
{ 0 }, chamado subespaco nulo, e o pr
oprio espaco vetorial V . Esses dois
subespacos s
ao conhecidos como subespacos triviais.
Exemplos:
1) Consideremos o espaco vetorial R2 e o subconjunto,
U = { (x, y) R2 : x + y = 0 }
dos pontos cuja soma das coordenadas e nula. Vamos mostrar que U e um
subespaco de R2 .
Prova: De fato, de acordo com a Proposi
c
ao 1 devemos inicialmente
mostrar que U 6= ; mas isto e facil porquanto 0 = (0, 0) U , uma vez que:
0 = (0, 0)

x+y=0

Para provar a condic


ao, I ), isto e, que U e fechado para a operacao de
adic
ao, tomemos dois elementos arbitrarios em U : u = (a, b) e v = (c, d).
Devemos provar que
u + v = (a, b) + (c, d) = (a + c, b + d) U
para isto e suficiente mostrar que:
(a + c) + (b + d) = 0

(1.13)

A nosso favor contamos com a hip


otese de que u = (a, b) e v = (c, d) est
ao
em U , o que se traduz nas seguintes equacoes:
a+b=0
c+d =0
somando-as obtemos,
(a + b) + (c + d) = 0

(a + c) + (b + d) = 0

o que prova (1.13). Agora s


o nos resta mostrar que U e tambem fechado para
a multiplicac
ao por escalar. Para isto, pela condicao II )(da Proposi
c
ao
1), devemos fixar R e u = (a, b) U arbitrariamente, e mostrar que
u = ( a, b) U , para isto e suficiente mostrar que:
( a) + ( b) = 0
54

(1.14)

A nosso favor contamos com a hip


otese de que u = (a, b) est
a em U , o que
se traduz na seguinte equac
ao:
a+b=0
multiplicando esta equac
ao por , obtemos

(a + b) = 0

( a) + ( b) = 0

o que prova (1.14).

>

Os vetores em U s
ao os pontos (x, y), do plano, cujas coordenadas satisfazem a equac
ao x + y = 0, ou ainda, y = x. S
ao os pontos da bissetriz
dos quadrantes mpares. Podemos visualizar geometricamente o subespaco
U deste exemplo, assim:
y

3
U

x+y = 0

Nota: Para que U V seja um subespaco e uma condicao necessaria,


mas n
ao suficiente, que 0 U . Em outras palavras: o vetor nulo obrigatoriamente est
a em todo subespaco. Ou ainda, se 0 6 U ja podemos descarta
U como subespaco. Entretanto, se o vetor nulo est
a em U , isto por si s
o
n
ao e suficiente para garantir que U seja um espaco vetorial. No exemplo
seguinte mostramos um contraexemplo,
2) Consideremos o espaco vetorial R2 e o subconjunto,
U = { (x, y) R2 : y = |x| }
dos pontos cuja ordenada e o valor absoluto da abscissa.
Inicialmente observamos que 0 = (0, 0) U uma vez que:
y = |0|

0 = (0, 0)

55

Para mostrar que um dado U V e um subespaco de V devemos mostrar


que o mesmo satisfaz as condicoes I ) e II ) da Proposi
c
ao 1; agora para
mostrar que que U n
ao e um subespaco a fica mais facil, basta exibir um
contra-exemplo. Digo, basta exibir dois pontos u e v em U , cuja soma u + v
n
ao pertence a U ; ou ainda, basta exibir um ponto u em U e um escalar
R de modo que o produto u 6 U .
No caso em quest
ao tomemos u = (1, 1) e v = (2, 2) pontos de U ,
temos que,
u + v = (1, 1) + (2, 2) = (1 + 2, 1 + 2)
= (1, 3) 6 U

(devido a que 3 6= |1| )

Alternativamente, poderiamos ter provado que U n


ao e um subespaco
vetorial de R2 tomando, por exemplo, u = (1, 1) U e = 1 R. De
fato,
u = 1 (1, 1) = (1 (1), 1 1)
= (1, 1) 6 U

(devido a que 1 6= |1| )

Geometricamente tudo se passa assim:


y

u + v 6 U
t

tv

ut
p

t u 6 U

3) R2 n
ao e um subespaco de R3 , pois R2 n
ao e um subconjunto de R3 .
4) Seja V um espaco vetorial. Seja u um vetor arbitrariamente fixado
em V . Vamos mostrar que o conjunto,
U = { u: R }
dos m
ultiplos escalares de u, e um subespaco vetorial de V .
Prova: Antes de mais nada observe que no conjunto U acima temos infinitos elementos; digo, a cada n
umero real corresponde um elemento neste
conjunto, assim:
56

p
3

p
2

p
1

s u U
p
p
1
0

I ) Inicialmente vamos mostrar que U e fechado para a adicao. Para


tanto tomemos dois elementos arbitrarios v e w em U e mostremos que
v + w U.
Se v e w est
ao em U ent
ao, pela definicao de U , existem dois escalares
e em R tais que:
v = u e w = u
logo,
v +w = u + u
Como, por hip
otese, u est
a em V que e um espaco vetorial, segue que podemos aplicar o axioma M2) (p. 13) para concluir que v + w = ( + ) u. Como
+ R segue que v + w U .

II ) Agora mostremos que U e fechado para a multiplicacao por escalar.


Para tanto fixemos, arbitrariamente, um ponto v em U e um escalar em R
e mostremos que v U . Com efeito, como v est
a em U , existe um escalar
em R tal que: v = u; logo,
v = ( u)

Como, por hip


otese, u est
a em V que e um espaco vetorial, segue que podemos aplicar o axioma M1) para concluir que v = ( ) u. Como R
>
segue que v U .
O subespaco,

U = { u: R }
pode ser apelidado de a reta que passa pela origem e contem u. Este
possvel apelido se deve a que nos espacos vetoriais V = R2 e V = R3 e
precisamente isto que acontece. Para contextualizar vejamos dois exemplos:
1o ) Fixemos V = R2 e u = (2, 1). Sendo assim, temos:
U = { (2, 1) : R } = { (2, ) : R }
Por exemplo,
= 1
= 21

u = (2 (1), 1) = (2, 1)

u = (2

=0

u = (2 0, 0) = (0, 0)

1
2 ,

21 ) = (1, 21 )

1
2

u = (2 12 , 12 ) = (1, 21 )

=1

u = (2 1, 1) = (2, 1)

57

Geometricamente, temos,
y

1 u

12 u

2o ) Fixemos V = R3 e u = (1, 2, 1). Sendo assim, temos:


U = { (1, 2, 1) : R } = { (, 2, ) : R }
Por exemplo,
= 1
= 12
=0
=

1
2

=1

u = (1, 2 (1), 1) = (1, 2, 1)


1
2 ,

u = ( 12 , 2

21 ) = ( 12 , 1, 21 )

u = (0, 2 0, 0) = (0, 0, 0)

u = ( 21 , 2 12 , 21 ) = ( 12 , 1, 12 )

u = (1, 2 1, 1) = (1, 2, 1)

Geometricamente, temos,
z

U
y

1 u
x

5) Sejam o espaco vetorial V = M22 (R) das matrizes de ordem 2 2,


com entradas reais; ou ainda,



a b
V =
: a, b, c, d R
c d
58

e,
U=



a b
0 0

: a, b R

isto e, U e o conjunto das matrizes quadradas, de ordem 2, cujos elementos


da segunda linha s
ao nulos. Vamos provar que U e um subespaco vetorial
de V .
Prova: Com efeito, fixemos u, v U arbitrarios, assim:




a b
c d
u=
, v=
.
0 0
0 0
Entao,
u+v =

a b
0 0

c d
0 0

a+c b+d
0
0

U.

Agora tomemos R arbitrario, entao



 
 

a b
a b
a b
u =
=
=
U.
0 0
0 0
0
0
Portanto, U e subespaco vetorial de M22 (R).

>

6) Considere o espaco vetorial F de funcoes (p. 33). Considere, ademais o


conjunto


U p = f F : f (x) = f (x), para todo x R

das func
oes, f : R R pares, e o conjunto


U I = f F : f (x) = f (x), para todo x R

das func
oes, f : R R mpares.
Afirmamos que U p e U I s
ao, ambos, subespacos vetoriais de F.
Faremos a prova para U p e deixaremos a outra como exerccio. Com
efeito, fixemos g, h U p e provemos que g + h ainda e uma funcao par. Isto
e, devemos mostrar que,
(g + h)(x) = (g + h)(x),

x R

A nosso favor contamos com a hip


otese de que g e h s
ao funcoes pares, logo
g(x) = g(x),

x R

h(x) = h(x),

x R

somando estas duas equac


oes obtemos,
g(x) + h(x) = g(x) + h(x),
59

x R

Agora aplicamos a definicao de adicao


desta equac
ao para obter,

(eq. (1.6), p. 33)

(g + h)(x) = (g + h)(x),

em ambos os membros

x R.

Agora seja R um escalar arbitrariamente fixado. Provemos que g e


uma func
ao par, isto e, que
( g)(x) = ( g)(x),

x R

Com efeito, sendo g, por hip


otese, uma funcao par, temos
g(x) = g(x),

x R

multiplicando esta equacao por , obtemos:


g(x) = g(x),

x R

Agora aplicamos a definicao de multiplicacao por escalar


ambos os membros desta equacao para obter,
( g)(x) = ( g)(x),

(eq. (1.7), p. 34)

em

x R.

7) O conjunto C(X, R) das funcoes reais contnuas, com domnio no


conjunto X, e um subespaco do espaco F(X, R) (ver eq. (1.8), p. 37). De fato,
sabe-se do C
alculo que a soma de funcoes contnuas e ainda uma funcao
contnua e o mesmo acontece com a multiplicacao de uma funcao contnua
por um escalar.
8) O espaco Pn ( R ) e, por sua vez, um subespaco de C(X, R), porquanto
um polin
omio,
p(x) = a0 + a1 x + a2 x2 + + an xn
pode ser visto como uma funcao contnua e, ademais, a soma de dois polin
omios
e um polin
omio e o produto de um n
umero real por um polin
omio e um
polin
omio.
Podemos escrever,
Pn ( R ) C(X, R) F(X, R)
9) Um outro exemplo de subespaco e o de todos os polin
omios que se
anulam no 0. Com efeito, se p e q s
ao dois de tais polin
omios, entao a soma
p + q e o m
ultiplo por escalar p tambem se anulam em 0 pois,
( p + q )(0) = p(0) + q(0) = 0 + 0 = 0;
( p)(0) = p(0) = 0 = 0.
10) Considere o seguinte conjunto de codigos:
Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 }
O subconjunto U = { 000, 110, 011, 101 } e um subespaco de Z32 . Prove isto.
60

Interse
c
ao de subespa
cos
No exemplo 4) vimos que o conjunto,
U = { u: R }
e um subespaco. Fazendo u variar obtemos uma famlia de subespacos. Apenas para ilustrar consideremos, novamente, V = R2 . Observe, graficamente,
alguns membros da famlia,
y
u=(1, 2)

3
)
3

u=(1,

u=(2, 1)

u=(2, 12 )

Observe que a interseca


o de todos estes subespacos e a origem: { 0 },
que, por sua vez, e tambem um subespaco.
Esta observac
ao pode ser generalizada dizendo-se que a intersecao de
qualquer famlia (colec
ao) de subespacos continua sendo um subespaco.
Mais formalmente,
11) Seja V um espaco vetorial e L um conjunto de ndices. Se, para
cada L, U e um subespaco vetorial de V , entao a intersecao
\

U = U

e ainda um subespaco vetorial de V .


Apenas por curiosidade, o conjunto de ndices L, da famlia de subespacos
plotada anteriormente, pode ser considerado como os reais, digo, L = R
onde o ndice que fixa cada subespaco e a inclinaca
o (tangente) da reta, por
exemplo,
61

y
=2

3
3

= 12

= 14

Neste caso, temos

1.2.5

U = { 0}

Soma de Subespacos

Sejam U e V dois subespacos vetoriais de um espaco vetorial W .


Defini
c
ao 4 (Soma de subespacos). Indicaremos por U + V e chamaremos
de soma de U com V o seguinte subconjunto de W :
U + V = {u + v: u U e v V }
Observe que um vetor w pertence a U + V se, e somente se, ele puder
ser escrito na forma de uma soma w = u + v, com u U e v V .
Exemplos:
a ) U + { 0} = U . De fato, tomando V = { 0}, na definicao de soma, temos
U + { 0} = { u + v : u U e v { 0} }
= { u + 0: u U }
= { u: u U } = U
b ) U U + V . De fato, seja u U um elemento arbitrario, queremos
provar que,
u U + V = { u + v : u U e v V },

como, por hip


otese, V e um subespaco temos que 0 V , logo, tomando
v = 0, temos que u pode ser escrito como,
u = u + 0, com u U e 0 V
62

portanto, desta forma, todo elemento de U tem livre acesso ao conjunto


U +V.
De modo an
alogo provamos que V U + V .
Proposi
c
ao 3. Se U e V s
ao subespacos vetoriais de W , ent
ao U + V e
tambem um subespaco vetorial de W .
Prova: Como U e V s
ao subespacos segue-se que 0 U e 0 V ; como,
0+ 0 = 0

U

isto significa que conseguimos escrever o vetor nulo como soma de dois elementos, um de U e outro de V , portanto 0 U + V .
Agora, sejam w1 e w2 dois elementos arbitrarios de U + V , desejamos
mostrar que w1 + w2 U + V . Com efeito, pelo fato de w1 e w2 estarem em
U + V isto implica em que estes dois elementos podem ser escritos assim:
w1 = u1 + v1

w2 = u2 + v2

para algum u1 U e para algum v1 V , bem como para algum u2 U e


para algum v2 V . Sendo assim, temos
w1 + w2 = (u1 + v1 ) + (u2 + v2 )

Como u1 , v1 , u2 , v2 s
ao vetores em W , podemos aplicar as propriedades
comutativa e associativa, assim:
w1 + w2 = (u1 + u2 ) + (v1 + v2 )

Como, por hip


otese, U e V s
ao subespacos segue-se que (u1 + u2 ) U e
(v1 + v2 ) V , isto e,
(

w1 + w2 = (u1 + u2 ) + (v1 + v2 )
U

Resumindo, mostramos que w1 + w2 pode ser escrito como soma de dois


elementos, um de U e outro de V , portanto, w1 + w2 U + V .

Finalmente, seja w U + V , um elemento arbitrario e R tambem


arbitrariamente fixado. Devemos mostrar que w U + V .
Como, por hip
otese, w U + V entao podemos escrever,
w =u+v

U

63

para algum u U e para algum v V . Sendo assim temos


w = (u + v)

U

Como u e v pertencem ao espaco vetorial W entao podemos aplicar a distributividade, assim:


w = u + v

Como U e V s
ao subespacos segue que u U e v V , ou ainda:


w = u + v

Resumindo, mostramos que w pode ser escrito como soma de dois elementos, um de U e outro de V , portanto, w U + V ; sendo assim U + V
e necessariamente um subespaco vetorial e, por conseguinte, seus elementos
adquirem o status de vetores.


Defini
c
ao 5 (Soma Direta de subespacos). Sejam U e V subespacos vetoriais de W tais que U V = { 0}. Neste caso diz-se que U + V e soma
direta dos subespacos U e V .
Para este caso particular de somas temos uma notacao especial: U V ,
significa soma direta.
Se U e V s
ao subespacos de W tais que U V = W dizemos que U e
V s
ao suplementares ou que U e suplementar de V (ou vice-versa).
Proposi
c
ao 4. Sejam U e V subespacos vetoriais de um espaco vetorial
W.
Ent
ao W = U V se, e somente se, cada vetor w W admite uma
u
nica decomposica
o w = u + v, com u U e v V .
Prova: ( )

H: W e soma direta de U e V : W = U V .

T:

Todo vetor w W se escreve, de modo u


nico, na forma w = u + v,
onde u U e v V .

De fato, de W = U V segue-se que, pela definicao de soma direta:


W =U +V

(1.15)

U V = { 0}

(1.16)

64

Seja w W um vetor arbitrario; de (1.15) segue que,


w = u + v,

para algum u U e para algum v V.

(1.17)

Suponhamos, por um momento, que w pudesse exprimir-se de outra forma,


tipo:
w = u + v ,

para algum u U e para algum v V.

(1.18)

As igualdades (1.17) e (1.18) permitem escrever:


u + v = u + v ;

onde, u, u U e v, v V

ou ainda,
u u = v v

(1.19)

Como U e V s
ao subespacos decorre que u u U e v v V . Daqui
e da equac
ao (1.19) concluimos que,

u u U e u u V
v v V

e v v U

Conclusao:

u u U e u u V
v v V

e v v U

uu

v v

U V
e
U V

Sendo assim, respaldados na igualdade (1.16), podemos escrever:


(
(
u u = 0
u = u

v v = 0
v = v

( ) Para provar a recproca, o que era tese vira hip


otese e o que era hip
otese
vira tese, ent
ao:

nico, na forma w = u + v,

H: Todo vetor w W se escreve, de modo u


onde u U e v V .

T: W e soma direta de U e V : W = U V .

Se quisermos podemos desdobrar a recproca em duas (sub)hipoteses e


em duas (sub)teses, assim:
65

H:

T:

H1 : Todo vetor w W se escreve na forma w = u + v, com u U e v V .


H : A escrita acima e u
nica (se verifica de modo u
nico).
2

T1 : W = U + V .
T : U V = { 0}
2

Da hip
otese H1 e da definicao de U + V segue-se que W U + V , como a
inclusao contr
aria e sempre verdadeira, decorre que W = U + V . Por outro
lado, seja w U V , vamos mostrar que w = 0. Com efeito, temos
w = w + 0 = 0 + w,
como w pertence a ambos os subespacos U e V e, ademais, 0 U e 0 V ,
podemos escrever:
w =w+ 0= 0+w

Segundo H2 a escrita acima e u


nica, o que significa que,
=
w =w+ 0= 0+w
=
Exemplo: O espaco vetorial W =

R2

e soma direta dos subespacos:

U = { (x, 0) : x R }
V = { (0, y) : y R }
De fato, primeiramente vamos mostrar que R2 = U + V . Isto e facil uma
vez que, para todo (x, y) R2 , podemos escrever:
(x, y) = (x, 0) + (0, y)

Tambem e imediato que, U V = { (0, 0) }. Logo, por definicao de soma


direta, resulta que R2 = U V . Geometricamente tudo se passa assim:
V

(0, y) s

s(x, y)

s
(x, 0)

(0, 0)

66

1.2.6

Combinac
oes Lineares

Seja V um espaco vetorial sobre R. Escolhamos neste espaco n vetores u1 ,


u2 , . . . , un para montar o subconjunto S = { u1 , u2 , . . . , un }. Indiquemos
por [ S ] o seguinte subconjunto de V construido a partir de S:


[ S ] = 1 u1 + 2 u2 + + n un : i R
(1.20)

Observe que a cada n n


umeros reais, 1 , 2 , . . . , n , arbitrariamente fixados, corresponde um vetor (de V ): 1 u1 + 2 u2 + + n un em [ S ], veja:
1 u1 + 2 u2 + + n un [ S ]

p s

s p

s p
2

Vamos provar que [ S ] e um subespaco vetorial de V .


Prova: Vamos mostrar inicialmente que o vetor nulo pertence a [ S ]; para
isto escolhamos, na definic
ao de [ S ], 1 = 2 = = n = 0, para obter:
1 u1 + 2 u2 + + n un = 0u1 + 0u2 + + 0un = 0

0 [S ]

Agora vamos mostrar que [ S ] e fechado para a operacao de adicao, para


tanto tomemos dois elementos u e v, arbitrarios em [ S ], e mostremos que
a soma u + v tambem pertence a [ S ]. De fato, como por hip
otese u e
v pertencem a [ S ] ent
ao, pela definicao de [ S ], existem duas nuplas de
n
umeros reais,
1 , 2 , . . . , n e 1 , 2 , . . . , n
tais que,
u = 1 u1 + 2 u2 + + n un
v = 1 u1 + 2 u2 + + n un
Entao,
u + v = ( 1 + 1 ) u1 + ( 2 + 2 ) u2 + + ( n + n ) un
Fazendo,
u + v = ( 1 + 1 ) u1 + ( 2 + 2 ) u2 + + ( n + n ) un
| {z }
| {z }
| {z }
1

Isto e,

u + v = 1 u1 + 2 u2 + + n un
comparando com a definic
ao de [ S ] vemos que u + v [ S ].
67

Agora vamos mostrar que [ S ] e fechado para a operacao de multiplicacao


por escalar, para tanto tomemos um elemento u, arbitrario em [ S ], e um
escalar , arbitrario em R e mostremos que o produto u tambem pertence
a [ S ]. De fato, como por hip
otese u pertence a [ S ] entao, pela definicao de
[ S ], existe uma nupla de n
umeros reais,
1 , 2 , . . . , n
tal que,
u = 1 u1 + 2 u2 + + n un
Ent
ao,
u = (1 u1 + 2 u2 + + n un )
= ( 1 ) u1 + ( 2 ) u2 + + ( n ) un
Fazendo,
u = ( 1 ) u1 + ( 2 ) u2 + + ( n ) un
|{z}
|{z}
|{z}
1

Isto e,

u = 1 u1 + 2 u2 + + n un
comparando com a definicao de [ S ] vemos que u [ S ].

>

Defini
c
ao 6. O subespaco [ S ] construido acima recebe o nome de subespaco
gerado por S. Dizemos que cada elemento de [ S ], isto e, cada
1 u1 + 2 u2 + + n un
e uma combinaca
o linear de S ou combinaca
o linear de u1 , u2 , . . . , un .
Uma outra notac
ao consagrada para [ S ] e:
[ u1 , u2 , . . . , un ]
Diz-se tambem que os vetores u1 , u2 , . . . , un geram [ S ], ou entao que s
ao
um sistema de geradores de [ S ] = [ u1 , u2 , . . . , un ].
Em particular, quando [ S ] = V , dizemos que S = { u1 , u2 , . . . , un } e
um conjunto de geradores de V .
Nota: Podemos estender a definicao anterior para o caso S = mediante
a seguinte convenc
ao: [ ] = { 0 }.
68

Da definic
ao 6 decorrem as seguintes propriedades:
P1 ) S [ S ]

P2 ) S1 S2 V [ S1 ] [ S2 ]


P3 ) [ S ] = [ S ]

P4 ) Se S1 e S2 s
ao subconjuntos de V , entao:
[ S1 S2 ] = [ S1 ] [ S2 ]

Prova: Exerccio.

Exemplos:
1o ) Seja V = R2 e u = (2, 1). Encontre o subespaco gerado por u; isto
e, encontre [ u ] = [ (2, 1) ].
Solu
c
ao: Temos,
[u] = {u : R}
= { (2, 1) : R }
= { (2 , ) : R }

Portanto, os vetores (2 , ) de [ u ] s
ao todos os vetores (x, y) de R2 tais
que x = 2y; ou ainda, s
ao os pontos sobre a reta de equacao y = 21 x, veja:
y

[u]

t
0

1 u

21 u

2o ) Seja V = R2 e S = { u1 = (1, 0), u2 = (0, 1) }. Encontre o subespaco gerado por S; isto e, encontre [ S ] = [ (1, 0), (0, 1) ].
Solu
c
ao: Temos,
[ S ] = { 1 u1 + 2 u2 : 1 , 2 R }
= { 1 (1, 0) + 2 (0, 1) : 1 , 2 R }
= { (1 , 2 ) : 1 , 2 R }
69

` medida que 1 e 2 percorrem (varrem) os reais, (1 , 2 ) percorre


A
todo o plano, de sorte que [ S ] = R2 . Veja geometricamente:
R
[S ]

l 2

1 , 2 )

(0, 1)

s(

ps

(1, 0)

3o ) Seja V = R3 e S = { u1 = (1, 0, 0), u2 = (0, 1, 0) }. Encontre o


subespaco gerado por S; isto e, encontre [ S ] = [ (1, 0, 0), (0, 1, 0) ].
Solu
c
ao: Temos,
[ S ] = { 1 u1 + 2 u2 : 1 , 2 R }
= { 1 (1, 0, 0) + 2 (0, 1, 0) : 1 , 2 R }
= { (1 , 2 , 0) : 1 , 2 R }
` medida que 1 e 2 percorrem (varrem) os reais, (1 , 2 , 0) percorre
A
todo o plano xoy (plano do ch
ao), veja:
z

[S]

(0, 1, 0)
(1, 0, 0)
x

70

De modo an
alogo, considerando S = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } resulta [ S ] = R3 , uma vez que,
(x, y, z) = x (1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)
Generalizando este exemplo, temos que o conjunto de n vetores,
S = { (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, 0, . . . , 1) }
gera todo o espaco vetorial Rn , isto e, [ S ] = Rn .
4o ) Seja V = R3 . Encontre o subespaco gerado por S = { u1 , u2 }, onde
u1 = (1, 2, 1) e u2 = (2, 1, 1).
Solu
c
ao: Facamos,
[ u1 , u2 ] = { (x, y, z) R3 : (x, y, z) = 1 (1, 2, 1) + 2 (2, 1, 1) }
Desta u
ltima igualdade resulta:

22

=x

21

=y

=z

Desta u
ltima equac
ao tiramos 2 = z + 1 , substituindo nas duas primeiras
e eliminando, de ambas, 1 , obtemos x + 3y 5z = 0. Logo,
[ u1 , u2 ] = { (x, y, z) R3 : x + 3y 5z = 0 }
Geometricamente, o subespaco acima e um plano passando pela origem.
5o ) Considere o espaco vetorial M22 (R) e S M22 (R) dado por:

 
 
 

0 0
0 0
0 1
1 0
,
,
,
S=
0 1
1 0
0 0
0 0
encontre [ S ].
Solu
ca
o: Temos,










1 0
0 1
0 0
0 0
[ S ] = 1
+ 2
+ 3
+ 4
: i R
0 0
0 0
1 0
0 1
=



1 2
3 4

: 1 , 2 , 3 , 4 R

` medida que 1 , . . . , 4 percorrem (varrem) os reais, obtemos todas as


A
matrizes (vetores) de ordem 2 2, portanto, [ S ] = M22 (R).
71

6o ) Seja V = Pn ( R ) e S = { 1, x, x2 , . . . , xn }
subespaco gerado por S.
Solu
c
ao: Temos,

(ver p. 32).

Encontre o

[ S ] = { 0 1 + 1 x + 2 x 2 + + n x n : i R }
` medida que os i (i = 0, 1, . . . , n) percorrem os reais, todos os polin
A
omios
s
ao gerados, isto e, [ S ] = Pn ( R ).
7o ) A definic
ao (1.20) (p. 67) pode ser estendida para espacos vetoriais V
sobre um corpo K arbitrario:


[ S ] = 1 u1 + 2 u2 + + n un : i K

Por exemplo consideremos o corpo Z2 = { 0, 1 } e Z22 = { 00, 10, 01, 11 }.


Para qualque u Z22 temos


[ u ] = u : Z2 = { 0 u, 1 u} = { 0, 1 u} = { 00, u}

Se S = { 10, 01 }, por exemplo, temos




[ S ] = 1 10 + 2 01 : 1 , 2 Z2

(1.21)

Sendo Z2 = { 0, 1} existem duas possibilidades para 1 e duas possibilidades para 2 , logo pelo princpio multiplicativo existem ao todo 2 2 = 22
possibilidades, constantes na tabela a seguir
1
2

0
0

1
0

0
1

1
1

Substituindo essas possibilidades em (1.21) e fazendo as contas obtemos:


[ { 10, 01 } ] =

1.2.7


00, 10, 01, 11 = Z22

(1.22)

Espacos Vetoriais Finitamente Gerados

Vimos anteriormente que o conjunto S = { (1, 0, 0), (0, 1, 0), (0, 0, 1) }


gera todo o espaco R3 . Ou ainda, estes tres vetores s
ao suficientes para gerar
(via combinac
ao linear) todos os vetores de R3 , haja vista que, para todo
vetor (a, b, c) R3 , podemos escrever:
(a, b, c) = a (1, 0, 0) + b (0, 1, 0) + c (0, 0, 1)
Este e um exemplo de espaco vetorial finitamente gerado.
Um outro exemplo e dado pelo espaco M22 ( R ) de matrizes visto anteriormente; e ainda um outro exemplo e dado pelo espaco Pn ( R ) tambem
visto anteriormente; ainda um outro exemplo e dado na equacao (1.22).
Defini
c
ao 7. Dizemos que um espaco vetorial V e finitamente gerado se
existe S V , S finito, de modo que V = [ S ].
Neste livro consideramos apenas espacos vetoriais finitamente gerados.
72

Um espa
co que n
ao
e finitamente gerado
Consideremos P( R ) como o espaco de todos os polin
omios reais. Este
espaco n
ao e finitamente gerado. De fato, dado S = { p1 , p2 , . . . , pn }
P( R ), onde pi e um polin
omio de grau i e pn e o polin
omio de mais alto
grau; qualquer combinac
ao linear,
1 p 1 + 2 p 2 + + n p n
tem grau n. Sendo assim, o subespaco [ p1 , p2 , . . . , pn ] contem somente
polin
omios de grau menor ou igual ao de pn . Como P( R ) e formado por
polin
omios de qualquer grau, existem nele polin
omios de grau maior que o de
pn . Portanto, [ S ] 6= P( R ), qualquer que seja o conjunto finito S P( R ).
Convidamos o leitor a mostrar que R considerado como espaco vetorial
sobre o corpo R e finitamente gerado (exiba um conjunto gerador), considerado como espaco vetorial sobre Q, n
ao e finitamente gerado.
Uma contribuic
ao: adaptando o contexto inicial da p
agina 67, temos:
Seja R um espaco vetorial sobre Q. Escolhamos neste espaco n vetores u1 ,
u2 , . . . , un para montar o subconjunto S = { u1 , u2 , . . . , un }. Indiquemos
por [ S ] o seguinte subconjunto de R construido a partir de S:


[ S ] = 1 u1 + 2 u2 + + n un : i Q
O que o leitor deve mostrar e que n
ao existe S de modo que [ S ] = R.

O que S
ao Vetores?
Do ponto de vista matem
atico, esta pergunta tem uma resposta simples mas
satisfat
oria: vetores s
ao os elementos de um espaco vetorial. No entanto,
como fsico, voce e `
as vezes exposto a um outro ponto de vista quando, por
exemplo, no primeiro volume do Curso de Fsica de Berkeley , p. 25, voce
le que: um vetor e uma quantidade que tem associados a ele uma direcao
e um sentido, bem como uma intensidade. O que est
ao querendo dizer
neste caso? O que isto tem a ver com o conceito matem
atico de vetores?
a mesma coisa apenas em palavras diferentes? S
E
ao perguntas bastante
razo
aveis, mas n
ao muito faceis de responder. De um modo ou de outro,
o conceito n
ao
e exatamente o mesmo.
([1], p. 29/Grifo nosso)

Kittel, C., Knight, W.D., and Ruderman, M.A., Mechanics. Berkeley Physics Course,
Vol. I. McGraw-Hill: New York, 1965.

73

1.2.8

Exerccios

1) Quais dos seguintes subconjuntos W abaixo s


ao subespacos do R3 ?
( a ) W = { (x, y, z) R3 : y = 0 }

( b ) W = { (x, y, z) R3 : x 0 }

( c ) W = { (x, y, z) R3 : x2 + y 2 + z 2 1 }

( d ) W = { (x, y, z) R3 : x e irracional }

( e ) W = { (x, y, z) R3 : a x + b y + c z = 0, com a, b, c R }.

2) Quais dos seguintes subconjuntos W abaixo s


ao subespacos do P2 ( R ) ?


2
( a ) W = p(x) = a0 + a1 x + a2 x : a0 = 0


( b ) W = p(x) = a0 + a1 x + a2 x2 : a0 + a1 + a2 = 0


( c ) W = p(x) = a0 + a1 x + a2 x2 : a0 , a1 , a2 Z


( d ) W = p(x) P2 ( R ) : p(x) > 0, x R


( e ) W = p(x) P2 ( R ) : p(3) = p(1) , polin
omios que possuem o
mesmo valor em 3 e em 1.

3) Seja I = [ 0, 1 ] e C(I) = { f : [ 0, 1 ] R / f e contnua }. Verificar se


s
ao subespacos de C(I):


( a ) f C (I) : f (0) = 0


( b ) f C(I) : f (0) = 0 ou f (1) = 0


( c ) f C(I) : f (0) = f (1)

R1

( d ) f C(I) : 0 f (x) dx = 0


( e ) f C(I) : f (x) = 0 em todos os pontos de I exceto em um n.f.d .
Nota: n.f.d, significa (abreviacao de): n
umero finito deles.

4) Considere o subconjunto de Zn2 de todos os vetores com n


umero par de
bits iguais a 1, perguntamos se este subconjunto e um subespaco vetorial de
Zn2 .
5) Considere o subconjunto de Zn2 de todos os vetores com n
umero mpar
de bits iguais a 1, perguntamos se este subconjunto e um subespaco vetorial
de Zn2 .
6) Mostre que o sistema W de todas as matrizes triangualares superiores
2 2 e um subespaco de M22 ( R ).

7) Mostre que o sistema W de todas as matrizes anti-simetricas 3 3 e um


subespaco de M33 ( R ).
8) Mostre que o sistema W de todas as matrizes 2 2 da forma
"

a
ab

ab
b

e um subespaco de M22 .
74

9) Considere os seguintes subespacos de R3


U = { (x, y, z) R3 : x = y = z = 0 }
V = { (x, y, z) R3 : z = 0 }
W = { (x, y, z) R3 : x + y + z = 0 }
Mostre que U + V = R3 , U + W = R3 e V + W = R3 . Em algum destes
casos a soma e direta?
10) Considere o espaco vetorial P3 ( R ) e o seguinte subconjunto


S = 1, 1 x, (1 x)2 , (1 x)3

Mostre que S gera o espaco P3 ( R ); isto e, mostre que [ S ] = P3 ( R ).


11) Encontre um conjunto de geradores para cada um dos seguintes subespacos:


( a ) (x, y, y) R3 : 3x 5y + 2z = 0


( b ) (x, y, y) R3 : x + z = 0 e x 2y = 0


( c ) A M22 ( R ) : 3a11 = 2a12


( d ) p P3 ( R ) : p(2) = 0


( e ) p P3 ( R ) : p(2) = p(1)
12) Sejam u e v dois vetores n
ao-nulos do R2 . Se n
ao existe nenhum R
de modo que u = v, mostre que R2 = [ u ] [ v ].
13) Sejam U e V subespacos vetoriais do espaco vetorial W . Prove que:
(a) U V

(b) U V

(c) U + V = U
(d) U V = U

U +V =V
U V =U

U V.

U V.

14) Seja S = { 10, 11 }, T = { 01, 11 } e U = { 10, 01, 11 } subconjuntos de


Z22 . Encontre [ S ], [ T ] e [ U ].
15) Seja S um subconjunto n
ao-vazio de um espaco vetorial V . Entao,
( a ) Mostre que [ S ] e o menor subespaco de V que contem S, ou seja,
se U e subespaco de V e S U , entao [ S ] U .

( b ) Mostre que se S1 e S2 s
ao subconjuntos de um espaco vetorial V e
S1 S2 , ent
ao [ S1 ] [ S2 ].
( c ) Mostre que se S1 e S2 s
ao subconjuntos de um espaco vetorial V ,
entao [ S1 S2 ] = [ S1 ] + [ S2 ].
75

16) Mostre que os dois conjuntos


{ (1, 1, 2), (3, 0, 1) }

{ (1, 1, 3), (3, 3, 4) }

geram o mesmo subespaco vetorial do R3 .


17) Construa um contraexemplo mostrando que a uni
ao de dois subespacos
de um mesmo espaco vetorial n
ao precisa ser um subespaco vetorial desse
espaco.
18) Mostre que os dois conjuntos a seguir,




sin2 x, cos2 x e 1, cos 2x

geram o mesmo subespaco vetorial de C ( R ).

76

Esta p
agina ficaria em branco (ociosa), decidi aproveita-la para justificar
a afirmativa que fiz na p. 29 de que na fsica de Einstein 1 + 1 6= 2.
Suponhamos um observador O fixo em relacao ao solo, e um vagao
movendo-se com velocidade v em relacao ao solo. Dentro do vagao h
a uma
bola que se move com velocidade u.
u

q
O

Sendo assim, Galileu nos diz que: V = v + u.


Onde, V : velocidade da bola para o observador no solo.
Einstein, respaldado em seu segundo postulado , corrigiu a adicao de
Galileu da seguinte forma:
V =

v+u
vu
1+ 2
c

Onde c = 3 108 (m/s) e a velocidade da luz. Tomando u = v = 1 teremos


que para Galileu 1 + 1 = 2, ja para Einstein 1 + 1 6= 2. De fato,
V =

1+1
6= 2
11
1+
(3 108 )2

(1.23)

Claro, os fsicos argumentariam que para todos os fins pr


aticos 1016 =
0 e a as duas adic
oes coincidem. Primeiro que arredondamento e sempre
uma opc
ao, nunca uma obrigac
ao. Segundo, n
ao trata-se de arredondamento, e uma quest
ao conceitual. Por exemplo, para todos os fins pr
aticos
= 3, 14159265359, entretanto conceitualmente o n
umero da esquerda e irracional e o da direita racional.
A fsica de Newton-Galileu n
ao e um caso particular da de Einstein.
Observe que s
o existe uma maneira de obter 1 + 1 = 2 na fsica de
Einstein, devemos fazer 1016 = 0, o que implicaria 1 = 0 (multiplicando
por 1016 ). Logo, estabelecemos (na fsica de Einstein):
Se 1 + 1 = 2 ent
ao 1 = 0. Mas isto equivale a: Se 1 6= 0 entao 1 + 1 6= 2.
An passant, gostaria de deixar aqui um questionamento aos fsicos. A
matem
atica nos diz que a adic
ao de vetores obedece a regra do paralelogramo,
dada por | V~ |2 = | ~u |2 + | ~v |2 + 2 | ~u | | ~v | cos . Esta equacao para = 0o
~ | = | ~u | + | ~v |. Tomando u = v = 1 teremos | V
~ | = | 1 | + | 1 | = 2,
torna-se | V
contrariando (1.23)!
Ent
ao velocidade n
ao e um vetor na fsica de Einstein?

A velocidade da luz no v
acuo tem o mesmo valor c em qualquer referencial inercial,
independentemente da velocidade da fonte de luz.

77

Acho que muita gente vai se


claro e
beneficiar com este livro. E
com muitos exemplos e aplicaco
es interessantes. Parab
ens por ver seu grande
esforco coroado.
(Ubiratan DAmbr
osio/USP)

Taguatinga-DF: Editora Kiron, 2013; 628 p. ISBN: 978-85-8113-125-2


ebah
slideshare
scribd
https://goo.gl/OOaBBk https://goo.gl/R6MfVj https://goo.gl/yfqclG

78

Captulo

BASE E DIMENSAO
De repente, a efic
acia do esforco matematizante e tal que o real
se cristaliza nos eixos oferecidos pelo pensamento humano: novos
fen
omenos se produzem. Pois e possvel falar sem hesitaca
o de uma
criaca
o dos fen
omenos pelo homem. O eletron existia antes do homem
do seculo XX. Mas, antes do homem do seculo XX, o eletron n
ao cantava. Ora, ele canta nos computadores, televisores e celulares.
(Gaston Bachelard/A formaca
o do esprito cientfico, p. 305/Adap.)

2.1

Depend
encia Linear

Consideremos os seguintes vetores,

u=

1 0 0
1 0 0

v=

0 2 1
1 1 1

w=

2 6 3
1 3 3

Estes vetores est


ao relacionados pela seguinte equacao:
w = 2u 3v
Isto e,


2 6 3
1 3 3

=2

1 0 0
1 0 0

0 2 1
1 1 1

como e facil verificar. Neste caso, dizemos que w depende de u e v.


Dizemos que um conjunto de vetores e linearmente dependente se
um dos vetores do conjunto pode ser escrito como combinacao linear dos
demais. Por exemplo, no que diz respeito aos vetores acima, o conjunto
{ u, v, w } e linearmente dependente.
Seja V um espaco vetorial sobre R. Temos a seguinte:
79

Defini
c
ao 8. Dizemos que um conjunto L = { u1 , u2 , . . . , un } V e linearmente dependente (L.D.) se, e somente se, numa igualdade do tipo
1 u1 + 2 u2 + + n un = 0

(2.1)

pelo ao menos um dos escalares e n


ao nulo. Neste caso dizemos que os
elementos de L s
ao linearmente dependentes.
Um conjunto de vetores n
ao linearmente dependente e chamado linearmente independente (L.I.).
De modo mais explcito: O conjunto de vetores { u1 , u2 , . . . , un } e L.I.
se, e somente se, numa igualdade do tipo
1 u1 + 2 u2 + + n un = 0
obrigatoriamente todos os escalares (n
umeros) i s
ao nulos.
A relac
ao entre a nocao intuitiva de dependencia linear e a definicao
formal e dada no pr
oximo teorema.
Teorema 1. Um conjunto L = { u1 , u2 , . . . , un } V e linearmente dependente se, e somente se, pelo menos um dos vetores puder ser escrito como
uma combinaca
o linear dos demais.
Prova:
( ) H : L e L.D.

T : ui e combinacao linear.

A hip
otese nos assegura que na igualdade,
1 u1 + 2 u2 + + n un = 0

um dos escalares i e diferente de zero. Para fixar (facilitar) o raciocinio


suponhamos que 1 6= 0. Sendo assim, existe o inverso de 1 , multiplicando
a igualdade acima por este inverso obtemos:
1 u1 + ( 1
2 ) u2 + + ( 1
n ) u n = 0
1
1
Logo,
u1 = ( 1
2 ) u2 + + ( 1
n ) u n
1
1

esta igualdade mostra que u1 e combinacao linear dos demais vetores de L.


Analogamente se procede se o escalar n
ao nulo for um outro que n
ao 1 .
ao linear.
T : L e L.D.
( ) H : ui e combinac

A hip
otese nos assegura que um dos vetores de L e combinacao linear dos
demais. Novamente para facilitar o raciocinio suponhamos que u1 seja o tal
vetor, ent
ao existem escalares 2 , . . . , n tais que u1 = 2 u2 + + n u2 .
Rearranjando, obtemos u1 2 u2 n u2 = 0, o que implica que
u1 , u2 , . . . , un s
ao linearmente dependentes, haja vista que pelo menos um
dos escalares (a saber, o coeficiente 1 de u1 ) e n
ao nulo.

Vamos colocar em destaque o contrapositivo do teorema 1:
80

Teorema 2. Um conjunto L = { u1 , u2 , . . . , un } V e linearmente independente se, e somente se, nenhum de seus vetores puder ser escrito como
uma combinaca
o linear dos demais.
Exemplos:
1 ) Sejam u1 = (1, 1) e u2 = (1, 1) vetores do R2 . Para sabermos se eles
s
ao L.I. ou L.D. escrevemos a equacao (2.1) (p. 80), assim:
1 u1 + 2 u2 = 0
ou ainda, 1 (1, 1) + 2 (1, 1) = (0, 0).
Esta equac
ao d
a origem ao sistema linear,
(
1 2 = 0
1 + 2 = 0

cuja soluc
ao e 1 = 0, 2 = 0. Da definicao 8 (p. 80) concluimos que os
vetores s
ao linearmente independentes.
2 ) Sejam u1 = (1, 1) e u2 = (2, 2) vetores do R2 . Para sabermos se eles s
ao
L.I. ou L.D. escrevemos a equacao (2.1) (p. 80), assim:
1 (1, 1) + 2 (2, 2) = (0, 0)

(2.2)

Esta equac
ao d
a origem ao sistema linear,
(
1 + 2 2 = 0

1 + 2 2 = 0

que e um sistema indeterminado. Por exemplo uma das possveis solucoes


e: 1 = 2, 2 = 1. Neste caso a equacao (2.2) fica:
2 (1, 1) + (1) (2, 2) = (0, 0)
Da definic
ao 8 concluimos que os vetores s
ao linearmente dependentes.
Na figura seguinte plotamos os vetores dos dois exemplos anteriores
y

tu

tu

u2 t

tu

Dois vetores L.I.

81

Dois vetores L.D.

Do teorema 1 podemos concluir que um conjunto { u1 , u2 } com dois vetores e L.D. se, e somente se, um dos vetores e m
ultiplo escalar do outro. No
caso particular do R2 isto se traduz em termos geometricos no fato de
que dois vetores s
ao L.D. se, e somente se, eles situam-se sobre uma mesma
reta , como na figura anterior.
3 ) Os vetores u1 = ( 1, 2, 3 ) e u2 = ( 2, 4, 6 ) s
ao L.D. porquanto,
1
u1 = 2 u2 ; ou ainda, u2 = 2 u1 ; enquanto, v1 = ( 1, 2, 3 ) e v2 = ( 3, 2, 1 )
s
ao L.I. pois, v1 6= k v2 para todo k R.
Nos gr
aficos a seguir mostramos uma interpretacao geometrica da dependencia linear de dois e tres vetores no espaco R3 .

u2 t
tu

tu

tu

Dois vetores L.I.


(Sobre retas distintas)

tu2

tu2

tu1

tu1

Tr^
es vetores L.I.

Tr^
es vetores L.D.

(Sobre um mesmo plano)

(Sobre planos distintos)

tu3
y

(Sobre a mesma reta)

ut3

Dois vetores L.D.

Passando pela origem.

82

4 ) Mostre que os vetores de R2


u = (a, b)

v = ( a cos b sen , a sen + b cos )

(2.3)

s
ao L.I., onde e um par
ametro tal que 6= k com k Z e u 6= 0.
Solu
c
ao: Inicialmente montamos a seguinte equacao,
1 u + 2 v = 0
Ou ainda,
1 (a, b) + 2 ( a cos b sen , a sen + b cos ) = (0, 0)
Esta equac
ao d
a origem ao seguinte sistema:

a + ( a cos b sen ) = 0
1
2
b + ( a sen + b cos ) = 0
1
2

Multiplicando a primeira equac


ao por b e a segunda por a, obtemos:

ab + ( ab cos b2 sen ) = 0
1
2
ab
1

2 ( a2 sen ab cos ) = 0

Somando estas duas equac


oes resulta: 2 ( a2 + b2 ) sen = 0.
Sendo u = (a, b) 6= (0, 0) segue que 2 sen = 0, sendo 6= k, temos
sen 6= 0, donde 2 = 0. Substituindo este resultado no sistema original
obtemos 1 = 0; deste modo provamos que os vetores, nas condicoes dadas,
de fato s
ao linearmente independentes.
Interpretaca
o geometrica: Na p. 246 provamos que o vetor v na equacao
(2.3) e uma rotac
ao do vetor u de um angulo em torno da origem.
Na figura seguinte plotamos os vetores deste exemplo para u = (a, b) =
(1, 0) e alguns valores do par
ametro .

tv
u
pt

{ u, v } e L.I.

{ u, v } e L.I.
83

v
u
pt

= 120o

= 60o

= 30o

u
pt

{ u, v } e L.I.

5 ) No espaco Z32 , onde


Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 }
considere o conjunto B = { 110, 101, 011 }. Para sabermos se este conjunto
e L.I. ou L.D. escrevemos a equacao (2.1) (p. 80), assim:
1 110 + 2 101 + 3 011 = 0
Multiplicando ponto a ponto, temos:
1 1 0 + 2 0 2 + 0 3 3 = 0
Adicionando ponto a ponto, obtemos:
( 1 + 2 + 0 )( 1 + 0 + 3 )( 0 + 2 + 3 ) = 000
Pela definic
ao de igualdade entre duas sequencias obtemos o seguinte sistema:

= 0
1 + 2

Resolvendo este sistema obtemos a solucao trivial: 1 = 2 = 3 = 0. Disto


resulta que os vetores (codigos) 110, 101 e 011 s
ao L.I..
6 ) Considere o conjunto { p1 (t), p2 (t), p3 (t) } P2 (R), onde,
p1 (t) = 1 + t2 ,

p2 (t) = t + t2 ,

p3 (t) = 1 + t + t2 .

Para sabermos se eles s


ao L.I. ou L.D. escrevemos a equacao (2.1), assim:
1 p1 + 2 p2 + 3 p3 = 0
Ou ainda,
1 (1 + t2 ) + 2 (t + t2 ) + 3 (1 + t + t2 ) = 0
Agrupando os termos de mesmo grau obtemos:
( 1 + 3 ) + ( 2 + 3 ) t + ( 1 + 2 + 3 ) t2 = 0 + 0 t + 0 t2
Da definic
ao de igualdade de dois polin
omios

+ 3

1
2 + 3

1 + 2 + 3

resulta o seguinte sistema:


=

Resolvendo este sistema obtemos a solucao trivial: 1 = 2 = 3 = 0. Disto


resulta que os vetores p1 , p2 e p3 s
ao L.I..
84

7 ) Considere o conjunto { u1 , u2 , u3 } M2 (R), onde,








1
0
2 1
2
0
u1 =
, u2 =
, u3 =
0 1
0
0
0 2

Para sabermos se estes vetores s


ao L.I. ou L.D. escrevemos a equacao
(2.1), assim:
1 u1 + 2 u2 + 3 u3 = 0
(2.4)
Ou ainda,
1

1
0
0 1

+ 2

2 1
0
0

+ 3

2
0
0 2

0 0
0 0

Da definic
ao de igualdade de matrizes resulta o seguinte sistema:

1 1 + 2 2 + 2 3 = 0

0
1 2 + 0 3 = 0
1

0 1

0 2

0 3

1 1

0 2

2 3

Da segunda equac
ao obtemos que 2 = 0, substituindo este resultado na
primeira e na quarta equac
oes, resulta:


+ 2 3 = 0
1

1

2 3

Podemos eliminar do sistema acima uma das equacoes (s


ao iguais) do que
resulta um sistema indeterminado; por exemplo, 1 = 2 e 3 = 1, e apenas
uma das infinitas soluc
oes possveis; substituindo estes valores na equacao
(2.4) obtemos:
2 u1 + 0 u2 1 u3 = 0
De acordo com a definic
ao 8 os vetores em consideracao s
ao linearmente
dependentes.
8 ) Seja F o espaco vetorial das funcoes de R em R (ver eq. (1.5), p. 33).
Mostraremos que as func
oes dadas por f (x) = sen x, g(x) = ex e h(x) = x2
s
ao linearmente independentes.
Com efeito, inicialmente escrevemos a equacao (2.1), assim:
1 f + 2 g + 3 h = 0
Lembrando que nesta igualdade 0 e a funcao nula, digo, 0(x) = 0, para
todo x real, ent
ao esta equac
ao significa que devemos ter (ver def. 2, p. 34)
1 sen x + 2 ex + 3 x2 = 0,
85

x R.

Ora, se esta equac


ao e valida para todo x real, entao vamos escolher valores
apropriados desta vari
avel para concluir que ela (equacao) implica em que
1 = 2 = 3 = 0. Ent
ao,

x=0

1 sen 0

2 e 0

3 02 = 0

2 = 0

x=

1 sen

0 e

3 2 = 0

3 = 0

x=

1 sen 2

0 ( 2 )2 = 0

1 = 0

0e

Sendo assim, de fato f , g e h s


ao linearmente independentes.
9 ) Mostrar que se o conjunto { u, v, w } de vetores de um espaco vetorial
V for L.I., o mesmo acontecer
a com o conjunto { u + v, u + w, v + w }.

Solu
c
ao: De fato, de acordo com a definicao 8 devemos montar a seguinte
equac
ao
1 ( u + v ) + 2 ( u + w ) + 3 ( v + w ) = 0
Podemos reescrever esta equacao do seguinte modo:
( 1 + 2 ) u + ( 1 + 3 ) v + ( 2 + 3 ) w = 0
Como, por hip
otese, os vetores u, v e w s
ao L.I. obrigatoriamente devemos
ter,

+ 2
= 0

1
1
+ 3 = 0

2 + 3 = 0
Resolvendo este sistema encontramos a solucao trivial 1 = 2 = 3 = 0.
Logo, o conjunto { u + v, u + w, v + w } e L.I..

86

2.1.1

Exerccios

1) Provar que se u e v s
ao L.I., entao u + v e u v tambem o s
ao.
2) Classifique os subconjuntos abaixo do R3 como L.D. ou L.I.:
a ) { (1, 0, 0), (0, 1, 0), (0, 0, 1) }
b ) { (1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1) }

c ) { (1, 1, 0), (1, 3, 2), (4, 9, 5) }

d ) { (1, 1, 1), (1, 1, 0), (1, 0, 0) }

3) Escreva o vetor (1, 2, 5) de R3 como uma combinacao linear dos vetores


u = (1, 1, 1), v = (1, 2, 3), w = (2, 1, 1)
4) Escreva o vetor (2, 5, 3) de R3 como uma combinacao linear dos vetores
u = (1, 3, 2), v = (2, 4, 1), w = (1, 5, 7)
5) Determinar o valor de k para que o conjunto { (1, 0, 1), (1, 1, 0), (k, 1, 1) }
seja L.I..
6) Determinar o valor de k para que o conjunto { (1, 5k, 1), (2, 0, 4), (1, k, 3) }
seja L.I..
7) Em cada tem determine se os subconjuntos de de Z22 s
ao L.I. ou L.D.:
a ) { 10, 11 }
b ) { 01, 11 }
c ) { 10, 01, 11 }

8) Em cada tem determine se os subconjuntos de de Z32 s


ao L.I. ou L.D.:
a ) { 101, 111 }
b ) { 101, 111, 001 }
c ) { 101, 010, 110, 001 }

9) Em cada tem determine se os polin


omios dados s
ao L.I. ou L.D.:
2
a ) { 1, x, x }
b ) { 1, 1 + x, 1 + x + x2 }

c ) { x(x 1), x3 , 2x3 x2 , x }


d ) { x2 1, x3 x + 1, x4 + x 1 }

10) Escreva o vetor p(x) = x2 + 4x 3 de P2 ( R ) como uma combinacao


linear dos vetores
p1 (x) = x2 2x + 5,

p2 (x) = 2x2 3x,

p3 (x) = x + 1

11) Em cada tem determine se matrizes dadas s


ao L.I. ou L.D.:

 
 
 

1 0
0 1
0 0
0 0
a)
,
,
,
.
0 0
0 0
1 0
0 1
87

b)

1 0
0 1

 
 

2 1
4 0
,
,
.
0 0
0 4

c)

1 2
3 1


 
 
3 4
2 3
.
,
,
3
1
3
0

d)

0 1 2
3 4 5

 
 

1 1
0
1 0 1
,
,
.
2 1 1
0 4 2



4 7
12) Escreva o vetor
de M2 (R) como uma combinacao linear dos
7 9
vetores






1 1
1 2
1 1
,
,
.
1 1
3 4
4 5
13) Mostrar que o conjunto de vetores { (1 i, i), (2, 1+ i) } de C2 e L.D.
sobre C mas L.I. sobre R.
14) Mostrar que o conjunto de vetores { 1, cos x, cos 2x } de C([ , ], R)
(p. 60) e L.I..
15) Mostrar que o conjunto de vetores { 1, sen 2 x, cos2 x } de C([ , ], R)
e L.D..
16) Mostrar que o conjunto de vetores { 1, ex , xex } de C([ 0, 1 ], R) e L.I..

17) Suponha que { u1 , u2 , . . . , un } seja um subconjunto L.I. de um espaco


vetorial. Mostre que { a1 u1 , a2 u2 , . . . , an un } tambem e L.I., desde que
nenhum dos escalares ai seja nulo.

18) Suponha que { u1 , . . . , ur , v1 , . . . , vs } seja um subconjunto L.I. de um


espaco vetorial V. Mostre que:
[ u1 , . . . , ur ] [ v1 , . . . , vs ] = { 0 }
19) Se { u1 , . . . , ui , . . . , uj , . . . , un } e L.I. mostre que
{ u1 , . . . , ui , . . . , uj + ui , . . . , un }
tambem e L.I. para todo escalar .

88

2.1.2

Propriedades da Depend
encia Linear

Seja V um espaco vetorial sobre R. Entao:


P1 ) Se W = { u } V e u 6= 0, entao W e L.I..

Ou seja, qualquer conjunto unit


ario e L.I. (exceto se o elemento for o
vetor nulo).
Prova: Suponha u = 0. Como, por hip
otese, u 6= 0 e tendo em conta a
propriedade P3 ) (p. 45) concluimos que necessariamente = 0, isto prova
>
nossa tese.
P2 ) Se um subconjunto W V contem o vetor nulo, entao W e L.D.
Prova: De fato, seja o conjunto W = { 0, u2 , . . . , un }, entao a equacao,
0 + 0 u2 + + 0 un = 0
se verifica mesmo sendo 6= 0. Portanto W e L.D.

>

P3 ) Se W1 e W2 s
ao subconjuntos finitos e n
ao vazios de V , se W1 W2
e, ademais, W1 e L.D., ent
ao W2 tambem e L.D..
Prova: Suponhamos W1 = { u1 , . . . , ur } e W2 = { u1 , . . . , ur , ur+1 , . . . , ut }.
Como, por hip
otese, W1 e L.D., entao existem escalares 1 , . . . , r , n
ao todos nulos, de modo que: 1 u1 + + r ur = 0.

Podemos estender esta equac


ao da seguinte forma:

1 u1 + + r ur + 0 ur+1 + + 0 ut = 0
Como nem todos os escalares que figuram nesta equacao s
ao nulos, segue-se
que W2 e L.D..
>
P4 ) Se um conjunto W V e L.I., entao qualquer subconjunto W1 W
tambem e L.I..
Prova: De fato, se W1 fosse L.D., pela propriedade anterior o conjunto W
>
seria tambem L.D., o que contradiz a hip
otese.
Nota: Se todos os subconjuntos pr
oprios de um conjunto finito de vetores
s
ao L.I., isto n
ao implica que o conjunto seja L.I.. Vejamos um contraexemplo, consideremos o conjunto W = { (1, 0), (0, 1), (1, 1) } de vetores
do R2 ; temos que cada um dos subconjuntos
{ (1, 0), (0, 1) },

{ (1, 0), (1, 1) },

{ (1, 0) }, { (0, 1) } e { (1, 1) }


e L.I., enquanto W e L.D..

89

{ (0, 1), (1, 1) }

P5 ) Se W = { u1 , . . . , un } e L.I., e, para algum v V resultar


W = W { v } = { u1 , . . . , un , v }
L.D., ent
ao o vetor v e combinacao linear dos vetores de W , isto e, v [ W ].
Prova: De fato, de acordo com as hip
oteses, temos as duas seguintes igualdades

()
W , L.D.:1 u1 + + n un + v = 0
W, L.I.:

u + + n un = 0
1
1

( 1 = = n = 0 )

Na primeira equac
ao um dos escalares e n
ao nulo. Afirmamos que este
escalar s
o pode ser , porquanto, caso contr
ario (isto e, se = 0), entao um
dos escalares n
ao nulos deve ser um dos i , ora mas isto contradiz a segunda
equac
ao.
Sendo 6= 0 podemos multiplicar a igualdade ( ) por 1 obtendo:
( 1 1 ) u1 + + ( 1 n ) un + v = 0
Esta equac
ao pode ser escrita assim:
v = ( 1 1 ) u1 + + ( 1 n ) un
Esta igualdade prova que v [ W ].

>

P6 ) Se W = { u1 , . . . , uj , . . . , un } e uj [ W { uj } ] (isto e, uj e
combinac
ao linear dos demais vetores de W ), entao
[ W ] = [ W { uj } ]

(2.5)

Ou seja, se em um conjunto de vetores um deles e combinacao linear dos


demais, este vetor pode ser retirado e o conjunto remanescente continua
gerando o mesmo subespaco que o conjunto original.

Prova: Faremos a prova supondo j = 1, n


ao h
a perda de generalidade.
Pois bem, sendo W { u1 } W segue que [ W { u1 } ] [ W ].

(ver P2 , p. 69)

Por outro lado, para mostrar a inclusao contr


aria, tomemos u [ W ]
um vetor arbitrario, ent
ao existem escalares i R tais que:
u = 1 u1 + 2 u2 + + n un

(2.6)

Como, por hip


otese, u1 est
a em [ W { u1 } ], entao existem escalares i R
tais que:
u1 = 2 u2 + + n un
(2.7)

A prova de (2.5), consiste em mostrar que dois conjuntos s


ao iguais. Lembramos que
para provar uma igualdade A = B entre dois conjuntos devemos provar duas inclus
oes:
A B e B A.

90

Substituindo (2.7) em (2.6) resulta


u = 1 ( 2 u2 + + n un ) + 2 u2 + + n un
Desta equac
ao, obtemos
u = 1 2 u2 + + 1 n un + 2 u2 + + n un
Donde,
u = ( 1 2 + 2 ) u2 + + ( 1 n + n ) un
isto mostra que u [ W { u1 } ], logo, [ W ] [ W { u1 } ].

>

Exemplo: Na figura a seguir


R
W ={ (1, 0), (0, 1), (1, 1) }

t(x, y)

[ W ] = R2

(0, 1)

t
R

t
0

(1, 0)

W gera o espaco R2 . Tendo em conta que (1, 1) = 1 (1, 0) + 1 (0, 1), a propriedade anterior nos assegura que se retirarmos o vetor (1, 1) o subconjunto
W { (1, 1) } continua gerando o R2 .

R
W { (1, 1) }={ (1, 0), (0, 1) }

y (0, 1)

[ W { (1, 1) } ] = R2

(0, 1)

t(x, y)
t
R

t
0

91

(1, 0)

x (1, 0)

2.2

Base de um Espa
co Vetorial

Defini
c
ao 9 (Base). Seja V um espaco vetorial finitamente gerado. Uma
base B de V e um subconjunto finito B V para o qual as seguintes
condico
es se verificam:
1a ) B e linearmente independente;
2a ) B gera V.
Se B = { u1 , . . . , un } e uma base isto implica em que podemos esccrever
todo elemento u V como uma combinacao linear u = 1 u1 + + n un e
assim gerar todo o espaco vetorial por meio dos vetores u1 , . . . , un . Mas
esta informac
ao ja consta da segunda condicao da definicao de base, e assim
por que impor a condicao adicional de que u1 , . . . , un sejam linearmente
independentes?
Esta condic
ao faz com que todo vetor u V possa ser escrito univocamente como 1 u1 + + n un . Com efeito,
Proposi
c
ao 5. Se B = { u1 , . . . , un } e uma base de V, ent
ao para todo
vetor u V existe exatamente uma u
nica n-upla de escalares ( 1 , . . . , n )
de modo que u = 1 u1 + + n un .
Prova: Como [ B ] = V, para todo u V existem 1 , . . . , n tais que
u = 1 u1 + + n un
Suponhamos que existam outros escalares 1 , . . . , n tais que
u = 1 u1 + + n un
Sendo assim, temos
1 u1 + + n un = 1 u1 + + n un
ou ainda,
( 1 1 ) u1 + + ( n n ) un = 0

como { u1 , . . . , un } e L.I. (definicao de base) seque que i i = 0 e,


portanto, i = i para i = 1, . . . , n.


92

Exemplos:
1) B = { (1, 1), (1, 1) } e uma base do R2 .

De fato, para provar isto devemos verificar as duas condicoes da definicao 9.


Entao:
1a ) B e L.I. pois,
1 (1, 1) + 2 (1, 1) = 0

1 2 = 0

1 = 2 = 0.

1 + 2 = 0

2a ) B gera o R2 . Para provar isto tomemos um vetor arbitrario (a, b) em


R2 e provemos que ele pode ser escrito como combinacao linear dos vetores
de B. Veja,
(a, b) = 1 (1, 1) + 2 (1, 1)
(2.8)
Nesta equac
ao 1 e 2 s
ao inc
ognitas a serem determinadas. Temos:
(
1 2 = a
1 + 2 = b

Este resultado em (2.8) nos d


a:
(a, b) =

a+b

1 = 2

= a + b
2
2

a + b
a+b
(1, 1) +
(1, 1)
2
2

Esta equac
ao prova que todo vetor do R2 pode ser escrito como combinacao linear dos vetores de B. Por exemplo,
(a, b) = (2, 0)

(2, 0) =

2+0
2

(1, 1) +

2+0
2

(1, 1)

= 1 (1, 1) + (1) (1, 1)


Geometricamente tudo se passa assim:

1 (1, 1)

(2, 0)

t
1 (1, 1)
B={ (1, 1), (1, 1) }
e uma base do R2

O vetor (2, 0) como combinaca


o linear de B.

93

facil ver que B = { (1, 0), (0, 1) } e uma outra base para o R2 .
2) E
Esta e conhecida como base can
onica (padrao) do R2 . Geometricamente,
temos:

(2, 1)
(0, 1)

1 (0, 1)

t
t

(1, 0)

B={ (1, 0), (0, 1) }


e uma base do R2

t
t

(1, 0)

2 (1, 0)

O vetor (2, 1) = 2 (1, 0) + 1 (0, 1)


como combinaca
o linear de B.

3) B = { (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, 0, . . . , 1) } e a base can


onica
n
3
do R . Para o R , por exemplo, temos:
z

B={ (1, 0, 0), (0, 1, 0), (0, 0, 1) }

t(0, 0, 1)
t
(0, 1, 0)

t(1, 0, 0)

Base can^
onica do R3

4) B = { 10, 01 } e uma base do Z22 .

De fato, para provar isto devemos verificar as duas condicoes da definicao


9. Ent
ao:
a
1 ) B e L.I. pois,
1 10 + 2 01 = 00

1 1 + 2 0 = 0
1 0 + 2 1 = 0

1 = 2 = 0.

2a ) B gera o Z22 . Para provar isto tomemos um vetor arbitrario a, b em Z22


e provemos que ele pode ser escrito como combinacao linear dos vetores de
B. Veja,
a b = 1 10 + 2 01
(2.9)
94

Nesta equac
ao 1 e 2 s
ao inc
ognitas a serem determinadas. Temos:
(
1 1 + 2 0 = a
1 = a, 2 = b
1 0 + 2 1 = b
Este resultado em (2.9) nos d
a:
a b = a 10 + b 01
Esta equac
ao nos diz como expressar um vetor qualquer de Z22 como
combinac
ao linear dos vetores de B.
5) B = { 100 . . . 0, 010 . . . 0, . . . , 000 . . . , 1 } e a base can
onica do Zn2 .
3
Para o Z2 , por exemplo, temos:
001 s
101

B = { 100, 010, 001 }

011
111

000

s
100

s010
110

6) Vamos provar que o conjunto abaixo,



 
 
 

1 0
0 1
0 0
0 0
B=
,
,
,
0 0
0 0
1 0
0 1
e uma base para o espaco vetorial M2 (R) das matrizes quadradas de ordem
2. Entao,
1a ) B e L.I. pois,







 

1 0
0 1
0 0
0 0
0 0
1
+ 2
+ 3
+ 4
=
0 0
0 0
1 0
0 1
0 0
Resulta,


1 2
3 4

0 0
0 0

1 = 2 = 3 = 4 = 0.

2a ) B gera o espaco M2 (R). Para provar isto tomemos um vetor ara b


bitr
ario
em M2 (R) e provemos que ele pode ser escrito como comc d
binacao linear dos vetores de B. Veja,










a b
1 0
0 1
0 0
0 0
= 1
+ 2
+ 3
+ 4
c d
0 0
0 0
1 0
0 1
Desta equac
ao resulta que 1 = a, 2 = b, 3 = c, 4 = d. Isto significa que
qualquer vetor do espaco pode ser escrito assim:










a b
1 0
0 1
0 0
0 0
=a
+b
+c
+d
c d
0 0
0 0
1 0
0 1
95

Por isto B e chamada a base can


onica de M2 (R).
Generalizando este exemplo, o conjunto das m n matrizes abaixo,

1 0 ... 0
0 1 ... 0
0 0 ... 0

0 0 ... 0 , 0 0 ... 0 ,..., 0 0 ... 0


............ ............
. . . . . . . . . . . .

0 0 ... 0
0 0 ... 0
0 0 ... 1

e a base can
onica do espaco Mmn (R) das matrizes retangulares de ordem
m n com entradas (elementos) reais.

7) O conjunto B = { 1, t, . . . , tn } de n + 1 polin
omios e uma base de
Pn ( R ).
De fato,

1a ) B e L.I. pois,
0 1 + 1 t + + n tn = 0
Melhor dizendo,
0 1 + 1 t + + n tn = 0 1 + 0 t + + 0 tn
implica, 0 = 1 = = n = 0, devido a definicao de igualdade entre
polin
omios.
2a ) B gera o espaco Pn ( R ). Para provar isto tomemos um vetor arbitrario
p(t) = a0 + a1 t + + an tn em Pn ( R ) e provemos que ele pode ser escrito
como combinac
ao linear dos vetores de B. Veja,
p(t) = a0 + a1 t + + an tn = 0 1 + 1 t + + n tn
Nesta equac
ao 0 , 1 , . . . , n s
ao inc
ognitas a serem determinadas. Sendo
assim, resulta:
0 = a0 , 1 = a1 , . . . , n = an
Conclusao, o vetor p(t) = a0 + a1 t + + an tn ja encontra-se escrito como
combinac
ao linear dos vetores de B, por esta raz
ao B e a base can
onica de
Pn ( R ).
8) Consideremos o espaco vetorial { 0 }, conforme nossa convencao feita na
Nota da p. 68, podemos dizer que uma base deste espaco e o conjunto .
9) Todo conjunto L.I. de um espaco vetorial V e base do subespaco por
ele gerado.
Por exemplo, o conjunto B = { (1, 2, 1), (2, 1, 1) } R3 e L.I. e
gera o subespaco,
S = { (x, y, z) R3 : x + 3y 5z = 0 }
(ver exemplo 4o , p. 71). Entao, B e base de S, pois B e L.I. e gera S.
96

Proposi
c
ao 6. Todo espaco vetorial V finitamente gerado admite uma base.
Prova: Se V = { 0 }, ent
ao , por convencao, e uma base de V. Caso
contr
ario existe um subconjunto finito e n
ao vazio S V , de modo que
V = [ S ]. Como S 6= { 0 }, ent
ao existem subconjuntos n
ao vazios de S que
s
ao L.I. (ver P1 , p. 89). Tomemos um deles com o maior n
umero possvel
de elementos. Indicando por B esse conjunto, afirmamos que B e uma base
de V.
Devido `
a maneira como tomamos B, para todo vetor u S B teremos que B { u } resulta L.D.. Logo, pela propriedade P5 (p. 90), u e
combinac
ao linear dos vetores de B. Usando agora a propriedade P6 , concluimos que [ B ] = [ S ] = V. Finalmente, tendo em conta que B e L.I.,
entao B e uma base de V.


2.3

Dimens
ao de um Espa
co Vetorial

Podem existir muitas bases para um mesmo espaco vetorial, a bem da


verdade h
a mesmo espacos com infinitas bases, como e o caso do espaco R2 .
Por exemplo, para cada
angulo substituido na equacao (2.3) (p. 83) temos
uma base para o R2 (exerc. p. 107).
Nao obstante um mesmo espaco vetorial possuir infinitas bases vamos
provar um importante resultado, qual seja: todas as bases possuem um
mesmo n
umero de vetores. Antes necessitaremos de um
Lema 1. Seja B = { u1 , u2 , . . . , un } uma base de um espaco vetorial V,
ent
ao todo conjunto com mais de n vetores ser
a linearmente dependente.
Prova: Seja C = { v1 , v2 , . . . , vm } um conjunto com m vetores de V,
com m > n. Queremos mostrar que C e L.D.. Para tanto, e suficiente
mostrar que existem escalares 1 , 2 , . . . , m n
ao todos nulos tais que
1 v1 + 2 v2 + + m vm = 0

(2.10)

Como B e uma base de V, cada vetor vi pertencente a C e uma combinacao


linear dos vetores de B, isto e, existem n
umeros ij tais que:
v1 = 11 u1 + 12 u2 + + 1n un
v2 = 21 u1 + 22 u2 + + 2n un

....................................
vm = m1 u1 + m2 u2 + + mn un

N
ao esqueca que, por hip
otese, o espaco V e finitamente gerado.

97

Substituindo estas equacoes em (2.10), obtemos:


1 ( 11 u1 + 12 u2 + + 1n un )
+ 2 ( 21 u1 + 22 u2 + + 2n un )

.......................................
+ m ( m1 u1 + m2 u2 + + mn un ) = 0
ordenando os termos convenientemente:
( 1 11 + 2 21 + + m m1 ) u1
+ ( 1 12 + 2 22 + + m m2 ) u2

.......................................
+ ( 1 1n + 2 2n + + m mn ) un = 0
Tendo em conta que os vetores u1 , u2 , . . . , un s
ao L.I., os coeficientes desta
combinac
ao linear s
ao nulos, ou seja:
+ + + = 0
m
1
11
2
21
m1

1 12 + 2 22 + + m m2 = 0

....................................

1 1n + 2 2n + + m mn = 0

Esse sistema linear homogeneo possui m inc


ognitas 1 , 2 , . . . , m e n
equac
oes. Como, por hip
otese, m > n, existem solucoes n
ao nulas , isto e,
existe k 6= 0. Portanto, C = { v1 , v2 , . . . , vm } e L.D.

Teorema 3 (Da invari
ancia). Seja V um espaco vetorial finitamente gerado.
Ent
ao duas bases quaisquer de V tem o mesmo n
umero de vetores.
Prova: Sejam B = { u1 , . . . , un } e C = { v1 , . . . , vm } duas bases do
espaco vetorial V.
Como B e base e C e L.I., pelo lema anterior, m n. Por outro lado,
como C e base e B e L.I., tem-se n m. Portanto, m = n.

Devido ao teorema da invari
ancia faz sentido a seguinte,
Defini
c
ao 10 (Dimens
ao de um Espaco Vetorial). Seja V um espaco vetorial
finitamente gerado. Denomina-se dimens
ao de V o n
umero de vetores de
uma qualquer de suas bases. Neste caso, dizemos que V e um espaco de
dimens
ao finita.

Existe o seguinte Teorema: Todo sistema linear homogeneo cujo n


umero de
inc
ognitas e maior que o n
umero de equac
oes admite uma soluc
ao n
ao trivial [n
ao nula].
(ver [5]).

98

Usaremos da seguinte notac


ao para a dimensao de um espaco vetorial V:

dim V
Exemplos: Da definic
ao de dimensao e dos exemplos iniciados na p. 93,
temos que:
a) dim R2 = 2

b) dim Rn = n

c) dim Zn2 = n

d) dim Mmn (R) = m n

e) dim Pn ( R ) = n + 1

f ) dim { 0 } = 0.

Teorema 4. Se S gera o espaco vetorial V, ent


ao:
( i ) Qualquer quantidade m
axima de vetores linearmente independentes
de S formam uma base de V .
( ii ) Suponha que excluimos de S todos os vetores que s
ao combinaca
o
linear dos vetores de S que o antecedem, ent
ao os vetores remanescentes
formam uma base de V .
Prova: Apendice, p. 125.

Teorema 5 (Do Completamento). Seja V um espaco vetorial de dimens


ao
finita e seja S = { u1 , u2 , . . . , ur } um conjunto de vetores linearmente independentes de V. Ent
ao S e parte de uma base de V; isto e, S pode ser
estendido a uma base de V.
Prova: Apendice, p. 125.

Proposi
c
ao 7. Todo subespaco vetorial de um espaco vetorial finitamente
gerado e tambem finitamente gerado.
Prova: Seja V finitamente gerado e W um subespaco vetorial de V.
Se W = { 0 }, conforme convenc
ao feita `a p. 68 temos que [ ] = { 0 }.
Sen
ao, tomemos w1 W , w1 6= 0. Se W = { 1 w1 : 1 R }, resulta
que W = [ w1 ]. Sen
ao, existe w2 W , que n
ao e da forma 1 w1 , isto e,
{ w1 , w2 } e L.I.. Se W e gerado por { w1 , w2 }, est
a terminado. Sen
ao,
existe w3 em W , que n
ao e combinacao linear de { w1 , w2 }. E assim sucessivamente. Este processo deve parar sen
ao haveria em V um conjunto L.I.
e infinito, o que contraria a hip
otese de que V e finitamente gerado.

Proposi
c
ao 8. Seja W um subespaco vetorial de V (finitamente gerado).
Se dim W = dim V, ent
ao W = V.
Prova: Pela proposic
ao 7, W e finitamente gerado. Portanto, W tem
uma base. Devido `
a hip
otese de que dim W = dim V toda base de W tambem
e base de V. Portanto todo vetor de V pertence a W, ou seja, V W e,
como W est
a contido em V , segue que W = V.

99

Algoritmo para Determinar uma Base de um Subespa


co de Rn
Um subespaco do Rn , em geral, ou e dado pelos seus geradores ou e possvel
achar esses geradores. Daremos a seguir um algoritmo para achar uma base
desse subespaco a partir dos seus geradores. Esse algoritmo se baseia em
tres lemas:
Seja V = [ u1 , u2 , . . . , ur ] um subespaco do Rn . Entao:
1o ) Se no subespaco [ u1 , u2 , . . . , ur ] permutarmos dois vetores quaisquer
o subespaco gerado n
ao se altera, isto e,
V = [ u1 , . . . , ui , . . . , uj , . . . , ur ] = [ u1 , . . . , uj , . . . , ui , . . . , ur ]
Isto se deve a que:
(ver eq. (1.20), p.


V = 1 u1 + + i ui + + j uj + + r ur : i R


= 1 u1 + + j uj + + i ui + + r ur : i R

67)

2o ) Para todo escalar e valida a seguinte igualdade:

V = [ u1 , . . . , ui , . . . , uj , . . . , ur ] = [ u1 , . . . , ui , . . . , uj + ui , . . . , ur ]
De fato, seja u = 1 u1 + + i ui + + j uj + + r ur um elemento
arbitrario de V . Esse elemento pode ser reescrito da seguinte maneira:
u = 1 u1 + + i ui + + j uj + + r ur
= 1 u1 + + i ui j ui + + j uj + j ui + + r ur
= 1 u1 + + ( i j ) ui + + j ( uj + ui ) + + r ur
Esta u
tima igualdade implica que u [ u1 , . . . , ui , . . . , uj + ui , . . . , ur ].
Para mostrar a inclusao contr
aria e suficiente tomar = 0.
o
3 ) Se u1 , u2 , . . . , ur , se apresentam na forma escalonada, ou seja, se o
n
umero de zeros iniciais de u2 e maior que o de u1 e assim sucessivamente, ent
ao os vetores u1 , u2 , . . . , ur formam um conjunto L.I. e, portanto, dim V = r.
Com efeito, se os geradores de V n
ao formassem um conjunto L.I., entao
teriamos algo como:
u1 = 2 u2 + + r ur
O que e impossvel haja vista que o n
umero de zeros iniciais de u1 e certamente diferente do n
umero de zeros inicias de 2 u2 + + r ur , devido `a
hip
otese de que esses vetores se encontram na forma escalonada.
Veja um exemplo do que estamos tentando dizer nesse u
ltimo argumento:
(0, 1, 1, 2) = 2 (0, 0, 3, 2) + 3 (0, 0, 0, 4)
100

Exemplo: Encontre uma base para o seguinte subespaco


V = [ (1, 2, 0), (1, 1, 1), (1, 4, 2) ] R3
Solu
c
ao: Na pr
atica formamos com esses
simb
olica, assim:

1 2
0

1 1 1
1 4
2

vetores as linhas de uma matriz

A seguir aplicamos convenientemente as operacoes vistas anteriormente, visando ao escalonamento da matriz, entao:

1 2
0

1 1 1
1 4
2

L2 L1
L3 L1

1
2
0

0 1 1
0
2
2

1
2
0

0 1 1
0
0
0

L3 + 2L2

Levando em conta os lemas 1o e 2o temos que


V = [ (1, 2, 0), (0, 1, 1), (0, 0, 0) ]
Levando em conta as propriedades P5 e P6 (p. 90), podemos deletar o
vetor nulo desta igualdade, logo
V = [ (1, 2, 0), (0, 1, 1) ]
Agora considerando o lema 3o do algoritmo resulta que { (1, 2, 0), (0, 1, 1) }
e uma base de V , logo dim V = 2.

101

2.3.1

Dimens
ao da Soma de dois Subespacos

Seja W um espaco vetorial sobre R. J


a vimos que se U e V s
ao subespacos
de W , ent
ao U V e U + V tambem s
ao subespacos de W (pp. 61, 63). A
seguinte proposic
ao relaciona as dimensoes desses subespacos.
Proposi
c
ao 9. Seja W um espaco vetorial sobre R de dimens
ao finita. Se
U e V s
ao subespacos de W , ent
ao:
dim (U V ) + dim (U + V ) = dim U + dim V
Prova: Seja B1 = { u1 , . . . , ur } uma base de U V . Como B1 e L.I.
em U e em V , o teorema do completamento nos garante a existencia de
vetores v1 , . . . , vs U e w1 , . . . , wt V de modo que
B2 = { u1 , . . . , ur , v1 , . . . , vs }
B3 = { u1 , . . . , ur , w1 , . . . , wt }
s
ao bases de U e V , respectivamente. Afirmamos que
B = { u1 , . . . , ur , v1 , . . . , vs , w1 , . . . , wt }
e uma base de U + V .
De fato, inicialmente mostremos que B gera U + V , isto e, que um vetor
arbitrario w U + V pode ser escrito como uma combinacao linear dos
vetores de B. Como w U + V existe u U e v V tais que w = u + v.
Sendo B2 e B3 bases podemos escrever:
u = 1 u1 + + r ur + 1 v1 + + s vs
v = 1 u1 + + r ur + 1 w1 + + t wt
Da,
w = u + v = ( 1 + 1 ) u1 + + ( r + r ) ur + 1 v1 + + s vs + 1 w1 + + t wt

Esta igualdade mostra que [ B ] = U + V .

102

Agora vamos mostrar que B e L.I., para isto partimos da seguinte


combinac
ao linear:
1 u1 + + r ur + 1 v1 + + s vs + 1 w1 + + t wt = 0 (2.11)
Entao,
1 u1 + + r ur + 1 v1 + + s vs = 1 w1 t wt
Como o primeiro membro desta igualdade est
a em U e o segundo membro
est
a em V e se trata do mesmo vetor, entao:
1 w1 t wt U V
Como B1 e uma base de U V implica em que podemos escrever o vetor
acima como combinac
ao linear dos vetores de B1 , assim:
1 w1 t wt = 1 u1 + + r ur
Podemos reescrever esta igualdade como:
1 u1 + + r ur + 1 w1 + + t wt =
Do fato de B3 ser L.I., necessariamente resulta
1 = = r = 1 = = t = 0.
Sendo 1 = = t = 0 a igualdade (2.11) fica:
1 u1 + + r ur + 1 v1 + + s vs = 0
Do fato de B2 ser L.I., necessariamente resulta
1 = = r = 1 = = s = 0
De sorte que todos os escalares presentes na equacao (2.11) s
ao nulos, com
isto ficou provado que B e L.I., logo, uma base de U + V . Resumindo,
temos:
base de

U V

dim ( U V ) = r

base de

U +V

dim ( U + V ) = r + s + t

B2 = { u1 , ..., ur , v1 , ..., vs }

base de

dim U = r + s

B3 = { u1 , ..., ur , w1 , ..., wt }

base de

dim V = r + t

B1 = { u1 , ..., ur }
B = { u1 , ..., ur , v1 , ..., vs , w1 , ..., wt }

Sendo assim e verdade que:


dim (U V ) + dim (U + V ) = dim U + dim V

(2.12)


103

Corol
ario 2. Se W = U V e soma direta dos subespacos, ent
ao
dim W = dim U + dim V

(2.13)

Prova: Lembramos (definicao 5, p. 64) que W = U V significa


W =U +V

e U V = { 0}

logo, dim (U V ) = 0, da estes resultados na equacao (2.12) nos d


a (2.13).

Para um exemplo, veja exemplo p. 66.
Exemplo: Consideremos os seguintes subespacos do R3 :
U = [ (1, 0, 1), (0, 1, 1) ]

V = { (x, y, z) R3 : x + y = 0 }

Vamos encontrar dim (U V ) e dim (U + V ).

Observe que B = { (1, 0, 1), (0, 1, 1) } gera o subespaco U e e L.I. portanto e uma base desse subespaco, logo, dim U = 2.
No que diz respeito a V , temos:
u = (x, y, z) V

y = x u = (x, x, z)
= x (1, 1, 0) + z (0, 0, 1)

facil ver que estes vetores s


Portanto, V = [ (1, 1, 0), (0, 0, 1) ]. E
ao L.I.,
logo, C = { (1, 1, 0), (0, 0, 1) } e uma base de V , entao, dim V = 2.
Lembrando a soma de dois subespacos
U + V = {u + v: u U e v V }
Para vetores arbitrarios u U e v V temos:
u = 1 (1, 0, 1) + 2 (0, 1, 1)

(B gera U )

v = 1 (1, 1, 0) + 2 (0, 0, 1)

(C gera V )

Logo,
u + v = 1 (1, 0, 1) + 2 (0, 1, 1) + 1 (1, 1, 0) + 2 (0, 0, 1)
Sendo u + v um vetor arbitrario de U + V , isto deixa claro que U + V e
gerado pela uni
ao B C = { (1, 0, 1), (0, 1, 1), (1, 1, 0), (0, 0, 1) }, isto e,
U + V = [ B C ].
Para encontrar uma base de U + V , aplicamos o algoritmo dado anteriormente, assim:

104

1 0 1
0 1 1
1 1 0
0 0 1

1L1 + L3

1 0

0 1
1
0 1 1
0 0

1 0

0 1
1
0 0 2

0 0

1
L
2 3

1L2 + L3

1 0

0 1
1
0 0 2

0 0

+ L4

Logo dim (U + V ) = 3 e, pela proposicao 8 (p. 99), concluimos que


U + V = R3 . Sendo assim, temos:

2.3.2

dim (U V ) + dim (U + V ) = dim U + dim V


1

Exerccios

1) Mostre que { 10, 11} e { 110, 011, 111 } s


ao bases dos espacos Z22 e Z32 ,
respectivamente.

n
2) Mostre (justifique) que o n
umero de bases no espaco Zn2 e 2 n1 . Verifique esta formula para n = 2.
3) Mostre que os vetores u = (1, 1) e v = (1, 1) formam uma base
do R2 . Exprima cada um dos vetores (1, 0) e (0, 1) como uma combinacao
linear dos elementos dessa base.
4) Sejam os vetores u1 = (1, 2, 3), u2 = (0, 1, 2) e u3 = (0, 0, 1). Mostrar
que o conjunto B = { u1 , u2 , u3 } e uma base do R3 .
5) Mostrar que o subconjunto de vetores:
{ (0, 2, 2), (0, 4, 1) }
e uma base do seguinte subespaco vetorial do R3 :
U = { (x, y, z) R3 : x = 0 }
6) No espaco vetorial R3 consideremos os seguintes subespacos:
U = { (x, y, z) R3 : x = 0 } e
V = [ (1, 2, 0), (3, 1, 2) ]
Determinar uma base e a dimensao dos subespacos U , V , U + V e U V .

105

7) No espaco vetorial R3 consideremos os seguintes subespacos vetoriais:


S = [ (1, 1, 2), (2, 1, 1) ]
T = [ (0, 1, 1), (1, 2, 1) ]
U = { (x, y, z) : x + y = 4x z = 0 } e

V = { (x, y, z) R3 : 3x y z = 0 }

Determinar as dimensoes de: S, T , U , V , S + T , S T , T + U e T U .


Determinar uma base e a dimensao dos subespacos U , V , U + V e U V .
8) Dar uma base e a dimensao do subespaco W de R4 dado por
W = { (x, y, z, t) R4 : x y = y e x 3y + t = 0 }.
9) Quais dos seguintes conjuntos de vetores formam uma base de P2 (R)?
a) 2t2 + t 4, t2 3t + 1, t + 3
b) 2, 1 x, 1 + x2

c) 1 + x, x x2 , 1 + 2x x2

10) Mostre que os polin


omios 1, 1 + t, 1 t2 e 1 t t2 t3 formam uma
base de P3 (R).
11) A seguir encontre a dimensao do subespaco W e de uma base para W .
a) W = { p(x) P2 : p (0) = 0 }
b) W = { p(x) P2 : p (1) = 0 }
c) W = { p(x) P2 : x p (x) = p (x) }

12) Mostre que o conjunto



 
 
 

3 7
3 2
1 1
2 3
,
,
,
2
5
1 1
0 2
1 0
e uma base de M22 (R).

106

13) Determine a dimensao e uma base para cada um dos seguintes subespacos vetoriais de M22 (R):
a)



a b
c d

b)



a b
c d

c)



a b
c d

: c = a 3b e d = 0

d)



a b
c d

: a+d=b+c

e)



a b
c d

:b=d

: b =a+c e d =c




: c =a+b e d =a

14) Suponha que { u1 , u2 , . . . , un } e uma base de um espaco vetorial. Mostre


que { a1 u1 , a2 u2 , . . . , an un } tambem e uma base, desde que nenhum dos
n
umeros ai R seja nulo.
Conclua da que num espaco veorial existem infinitas bases.
15) Considere os vetores
u = (a, b)

v = ( a cos b sen , a sen + b cos )

de R2 , onde e um par
ametro tal que 6= k com k Z e u 6= 0. Mostre
que o conjunto { u, v } e uma base do R2 .

Conclua da que no espaco veorial R2 existem infinitas bases desta forma.

Por exemplo, considere u = (1, 0) e encontre as bases para = 6 , =


e = 3 . Plote essas bases graficamente.

16) Sejam u1 , . . . , un vetores em um espaco vetorial V . Prove que se cada


u de S = [ u1 , . . . , un ] admite uma u
nica representacao como combinacao
linear de u1 , . . . , un , ent
ao os vetores u1 , . . . , un formam uma base de S.
17) Mostrar que o conjunto { 2 } e uma base do espaco vetorial V, onde
V = { x R : x > 0 }, com operac
oes dadas por (veja exemplo 9, p. 38):
u + v = u v,
u = u ,

u, v V
u V e R.
107

18) Sejam U e V subespacos vetoriais de um espaco de dimensao n.


Supondo que dim U >

n
2

e dim V > n2 , prove que U V 6= { 0 }.

19) Sejam U e V espacos vetoriais sobre R de dimensoes m e n, respectivamente. Considere o espaco vetorial U V cuja adicao e dada por
(u1 , v1 ) + (u2 , v2 ) = (u1 + u2 , v1 + v2 )
e a multiplicac
ao por escalares e dada por
(u, v) = (u, v)
Admitindo que { u1 , . . . , um } e { v1 , . . . , vn } s
ao bases de U e V , respectivamente, prove que:
{ (u1 , 0 ), . . . , (um , 0), ( 0, v1 ), . . . , ( 0, vn ) }
e uma base de U V .
20) As matrizes T = [ tij ] Mn (R) tais que tij = 0 para i < j s
ao
chamadas triangulares inferiores. Por exemplo, para n = 3, temos

t11

t21
t31

t12
t22
t32


t13
t11

t23 = t21
t31
t33

0
t22

0
0

t32

t33

Prove que elas constituem um subespaco vetorial W Mn (R), obtenha uma


base para W e determine sua dimensao.
21) Seja { v1 , . . . , vn } uma base para um espaco vetorial V . Prove que
{ v1 , v1 + v2 , v1 + v2 + v3 , . . . , v1 + v2 + + vn }
tambem e uma base para V .
22) Mostrar que o conjunto de vetores { (1 i, i), (2, 1 + i) } de C2 e L.D.
sobre C mas L.I. sobre R.

108

2.4

Coordenadas

Para falarmos de coordenadas de um vetor necessitamos considerar uma


base de um espaco vetorial como estando ordenada. Uma base ordenada e
uma base na qual fixamos quem e o primeiro vetor, quem e o segundo vetor,
etc.
Considerando B = { u1 , u2 , . . . , un } como sendo uma base ordenada
para um espaco vetorial V , ent
ao C = { u2 , u1 , . . . , un } e uma base ordenada para V diferente.
Se B = { u1 , u2 , . . . , un } e uma base (ordenada) para o espaco vetorial
V de dimensao n, ent
ao todo vetor v de V pode ser expresso de maneira
u
nica como
v = 1 u1 + 2 u2 + + n un
Nota: A unicidade dos escalares i foi demonstrada na proposicao 5, p. 92.

Defini
c
ao 11 (Coordenadas). Os escalares 1 , 2 , . . . , n , que figuram na
igualdade
v = 1 u1 + 2 u2 + + n un
(2.14)

s
ao chamados coordenadas do vetor v em relaca
o `
a base ordenada
B = { u1 , u2 , . . . , un }.

As coordenadas de um vetor v em relacao a uma base ordenada B s


ao
denotadas da seguinte forma:
( 1 , 2 , . . . , n )
Ou ainda, na forma de uma matriz coluna n 1:

[ v ]B = .2
..
n

A matriz acima e chamada matriz coordenada de v em relacao `a base B.


Exemplos:

a ) Considere o espaco vetorial P2 dos polin


omios de grau 2. Os
polin
omios
p1 (t) = 1 + t,

p2 (t) = 1 + t,

p3 (t) = (1 t)2

formam uma base B de P2 . Vamos obter as coordenadas do vetor


em relac
ao a essa base.

p(t) = 9 5 t + 2 t2

Observe que o vetor p est


a sendo dado (escrito) na base can
onica { 1, t, t2 }.

109

Inicialmente escrevemos a equacao (2.14) para a presente situacao, assim:


p(t) = 1 p1 (t) + 2 p2 (t) + 3 p3 (t)

(2.15)

Ou ainda,
9 5 t + 2 t2 = 1 (1 + t) + 2 (1 + t) + 3 (1 t)2
Escrevendo o polin
omio do lado direito na ordem crescente obtemos
9 5 t + 2 t2 = ( 1 2 + 3 ) + ( 1 + 2 23 ) t + 3 t2
Da definic
ao de igualdade de dois polin
omios

2 + 3

1
1 + 2 23

resulta o seguinte sistema:


=

Cuja soluc
ao e: 1 = 3, 2 = 4 e 3 = 2. Este resultado na equacao (6.3)
nos d
a
p = 3 p1 4 p2 + 2 p3

Em notac
ao de coordenadas
( 3, 4, 2 )

ou

b ) No R2 consideremos as bases

3
4
2

B = { (1, 0), (0, 1) }, C = { (2, 0), (1, 3) } e D = { (1, 3), (2, 4) }


Dado o vetor v = (8, 6), temos:
(8, 6) = 8 (1, 0)

+ 6(0, 1)

(8, 6) = 3 (2, 0)

+ 2(1, 3)

(8, 6) = 2 (1, 3) + 3(2, 4)


Ou ainda (subescrevendo as bases):
vB = (8, 6),

vC = (3, 2),

Na notac
ao de matriz de coordenadas, temos
 
 
8
3
[ v ]B =
,
[ v ]C =
,
6
2
110

vD = (2, 3)

[ v ]D =

2
3

(2.16)

Na figura a seguir mostramos a representacao do vetor v = (8, 6) em


relacao `
as bases B e C.
y
2 (1, 3)

t v = (8, 6)

(1, 3
)

6 (0, 1)

(0, 1)

pt

pt

(1, 0) (2, 0)

3 (2, 0)

8 (1, 0)

A seguir destacamos a representacao geometrica do vetor v = (8, 6)


apenas em relac
ao `
a base C.
y
2 (1, 3)

t v = (8, 6)

(1, 3)

pt

(2, 0)

3 (2, 0)

v = 3 (2, 0) + 2(1, 3)

A matem
atica e um campo demasiadamente
arduo e in
ospito para
agradar `
aqueles a quem n
ao oferece grandes recompensas. Recompensas
que s
ao da mesma ndole que as do artista. . .
(Norbert Wiener)

111

2.5

Mudanca de Base
z


2m

(x, t)
x2

+ V (x, t) (x, t) = i

(x, t)
t

2 (r, , ) + V (r) (r, , ) = i E (r, , )


2m

P (r, , )

y
y

Em muitas aplicacoes, um problema descrito por meio de um sistema


de coordenadas pode ser resolvido mais facilmente pela mudanca para um
novo sistema de coordenadas (para uma nova base).
A bem da verdade existem mesmo casos em que a resolucao de um problema torna-se impossvel em um dado sistema de coordenadas, caso em
que uma mudanca de base deixa de ser opcional e torna-se uma necessidade; e precisamente isto o que ocorre ao tentarmos resolver a equacao de
Schr
oedinger da mec
anica quantica (quadro acima) para o atomo de
hidrogenio (o mais simples dos atomos).
Esta equac
ao n
ao pode ser resolvida quando expressa em coordenadas
retangulares (base can
onica do R3 ), raz
ao porque devemos proceder a uma
mudanca de base, mais precisamente para o sistema de coordenadas esfericas.

N
ao creio que devo gastar anos estudando o trabalho dos outros,
decifrando um campo complicado para poder contribuir com um pequeno
aporte meu. Prefiro dar largas passadas numa direca
o totalmente nova,
em que a imaginaca
o e, pelo menos, inicialmente, muito mais importante
do que a tecnica, porque suas tecnicas correspondentes tem ainda de ser
desenvolvidas. [. . .]
Lembre-se que a matem
atica e uma livre criaca
o da mente humana
e, como disse Cantor o inventor da moderna teoria da infinitude,
descrita por Wallace , a essencia da matem
atica reside na liberdade,
na liberdade de criar. A hist
oria, porem, julga essas criaco
es por sua
beleza duradoura e pela extens
ao com que elas iluminam outras ideias
matem
aticas ou o universo fsico, em suma, por sua fertilidade.
(Gregory Chaitin/Matem
atico e cientista da computaca
o)

112

Matriz de mudanca de base


A partir de agora, para facilitar a exposicao, diremos apenas base em vez
de base ordenada.
Defini
c
ao 12. Seja B = { u1 , u2 , . . . , un } uma base do espaco vetorial V e
seja C = { v1 , v2 , . . . , vn } outra base . Como B e uma base, cada vetor da
base nova C pode ser escrito, de modo u
nico, como uma combinaca
o linear
dos vetores de B, assim:
v1 = 11 u1 + 21 u2 + + n1 un
v2 = 12 u1 + 22 u2 + + n2 un

....................................
vn = 1n u1 + 2n u2 + + nn un
Seja P a transposta da matriz dos coeficientes acima; isto e

11 12 . . . 1n

22 . . . 2n

21
P =
...................
n1 n2 . . . nn
ca de base da base antiga B para
Ent
ao P e chamada de matriz de mudan
a base nova C.
Exemplos:
a ) Considere as duas bases de R2 dadas abaixo
B = { (1, 0), (0, 1) }, C = { (2, 0), (1, 3) }
Determine a matriz P de mudanca da base B para a nova base C.
Solu
c
ao: Escreva cada um dos vetores da nova base C como uma combinacao linear dos vetores da base antiga B, assim:
(2, 0) = 11 (1, 0) + 21 (0, 1)
(1, 3) = 12 (1, 0) + 22 (0, 1)
Daqui montamos os seguintes sistemas:
(2, 0) = 11 (1, 0)+21 (0, 1)

(
1 11 + 0 21 = 2

0 11 + 1 21 = 0

11 = 2, 21 = 0

Apenas para referencia, chamaremos B de base antiga e C de base nova.

113

e
(
1 12 + 0 22 = 1

(1, 3) = 12 (1, 0)+22 (0, 1)

12 = 1, 22 = 3

0 12 + 1 22 = 3

Sendo assim, temos


(2, 0) = 2 (1, 0) + 0 (0, 1)
(1, 3) = 1 (1, 0) + 3 (0, 1)
Tomando o transposto dos coeficientes acima, resulta:
#
"
# "
11 12
2 1
P =
=
0 3
21 22
Vamos agora p
or em evidencia um fato que, com raz
ao, causa muita
confus
ao ao ne
ofito em
algebra linear. Observe que a matriz P possui inversa
dada por
(eq. (8.3), p. 428)

1
1
2 6

P 1 =
1
0
3
Consideremos agora o vetor v = (8, 6), isto e
vB = (8, 6)

ou

Facamos a seguinte multiplicacao


1
P

Pelo exemplo b )

[ v ]B =

(p. 110)

[ v ]B =

61

1
3

temos que

3
2

8
6

8
6

3
2

= [ v ]C , portanto

P 1 [ v ]B = [ v ]C

(2.17)

Conclus
ao: Embora a matriz P seja chamada de matriz de mudanca da
base B para a base C , a bem da verdade, a matriz P 1 e quem realiza
esta tarefa.
Isto n
ao e por acaso, provaremos daqui a pouco que a igualdade (2.17)
vale sempre.
Antes vejamos geometricamente o papel da matriz P 1 , no que diz respeito ao exemplo anterior:
114

v = (8, 6)

6 (0, 1)

p
p
(1, 3)

p
r

p
0

p
p

P 1

3
(0, 1)

v = (8, 6)

2 (1, 3)

pr p

(1, 0)

8 (1, 0)

pr p

(2, 0)

3 (2, 0)

b ) Considere as duas bases de P2 dadas abaixo


B = { 1, t }, C = { 2, 1 + 3 t }
Determine a matriz P de mudanca da base B para a nova base C.
Solu
c
ao: Escreva cada um dos vetores da nova base C como uma combinacao linear dos vetores da base antiga B, assim:
2 = 11 1 + 21 t
1 + 3 t = 12 1 + 22 t
Pela definic
o de igualdade entre polin
omios, temos:
(

11 + 21 t

11 = 2, 21 = 0

12 + 22 t

1 + 3t

12 = 1, 22 = 3

Sendo assim, temos


P =

"

11

12

21

22

"

2 1
0 3

Podemos tentar uma representacao geometrica para este exemplo, assim:


P2

P2
1 + 3t
P 1

0
115

Nota: Oportunamente provaremos ao leitor que esta construcao geometrica,


das bases B e C, n
ao e arbitraria, existe uma logica subjacente.
Como dissemos, quem muda as coordenadas de um vetor da base B para
a base C e a matriz P 1 e n
ao a matriz P propriamente.
Por exemplo, consideremos o vetor p(t) = 2+t escrito na base B = { 1, t }.
Para escrever este vetor na base C = { 2, 1 + 3 t }, procedemos assim:
2 + t = 1 2 + 2 (1 + 3 t)
ou ainda,
2 + t = ( 2 1 + 2 ) + ( 3 2 )t
Daqui encontramos 1 = 5/6 e 2 = 1/3. Entao:
2+t=

1
5
2 + (1 + 3 t)
6
3

Alternativamente, podemos obter as coordenadas deste vetor na base C


a partir da equac
ao (2.17), a qual repetimos aqui (adaptada ao presente
contexto)
[ p ]C = P 1 [ p ]B
Ent
ao,

[ p ]C =

1
2

61

1
3

2
1

"

5
6
1
3

Geometricamente, tudo se passa assim:

P2

P2
1 + 3t
P 1

p(t)=2 + t

p(t)
1
(1+3 t)
3

2
5
2
6

116

c ) Se na definic
ao 12

(p. 113)

tivermos B = C, isto e

B = { u1 , u2 , . . . , un },

C = { u1 , u2 , . . . , un }

Teremos para a matriz de mudanca de base


u1 = 1 u1 + 0 u2 + + 0 un
u2 = 0 u1 + 1 u2 + + 0 un

..............................
un = 0 u1 + 0 u2 + + 1 un
Ou seja,

1 0 ... 0
0 1 ... 0

P =
. . . . . . . . . . . . = In
0 0 ... 1

Colocaremos (e resolveremos) agora tres importantes problemas referentes a mudanca de Bases.


Problema 1 Se a matriz de mudanca da base B para a base C e
P = ( ij ) e a matriz de mudanca da base C para outra base D e Q = ( ij ),
qual a matriz de mudanca de B para D?
Em resumo
B

?
Suponhamos
B = { u1 , u2 , . . . , un }, C = { v1 , v2 , . . . , vn } e D = { w1 , w2 , . . . , wn }

A definic
ao de matriz de mudanca de base nos permite escrever:

e
w1 = 11 v1 + 21 v2 + + n1 vn
w2 = 12 v1 + 22 v2 + + n2 vn

n
X

ij ui

( j = 1, 2, . . . , n )

i=1

BC

.................................
vn = 1n u1 + 2n u2 + + nn un

vj =

v2 = 12 u1 + 22 u2 + + n2 un

v1 = 11 u1 + 21 u2 + + n1 un

.................................
wn = 1n v1 + 2n v2 + + nn vn

wk =

C D

117

n
X
j=1

jk vj

( k = 1, 2, . . . , n )

Da
wk =

n
X
j=1

jk

n
X

ij ui

i=1

n
n  X
X
i=1

ij jk

j=1

ui

( k = 1, 2, . . . , n )

Portanto o termo geral da matriz de mudanca da base B para a base D


e dado por
n
X
ij jk
j=1

que, conforme equac


ao 8.2 (p. 426), e o termo geral da matriz produto P Q.
Logo, a matriz de mudanca da base B para a base D e a matriz P Q.
Em resumo
B

C
PQ

Corol
ario 3. Uma consequencia do resultado precedente e que uma matriz
de mudanca de base e sempre inversvel.
Prova: Com efeito, Sejam P a matriz de mudanca de B para C e Q a
matriz de mudanca de C para B. Veja,

C
In

B
In

(ver exemplo c ) p. 117)


Dos diagramas acima decorre que P Q = Q P = In . Portanto P e
invesvel e P 1 nada mais e que a matriz de mudanca de C para B.
>

118

Problema 2 Se a matriz das coordenadas de u V em relacao `a base


B = { u1 , u2 , . . . , un } e:

[ u ]B =

1
2
..
.
n

e a matriz de mudanca de base de B para C e P = ( ij ), qual a matriz das


coordenadas de u em relac
ao `
a base C = { v1 , v2 , . . . , vn } ?
Em resumo
P

B
[ u ]B

C
[ u ]C

Solu
c
ao: Seja

[ u ]C =

1
2
..
.
n

a matriz procurada. Sendo assim temos

u = 1 u1 + 2 u2 + + n un = 1 v1 + 2 v2 + + n vn
Ou ainda (mudando de notac
ao),
u=

n
X

i ui =

n
X

ij ui

j vj

j=1

i=1

Como vj =

n
X

( j = 1, 2, . . . , n ) (ver p. 117), entao

i=1

u=

n
X

i ui =

n
X
j=1

i=1

n
X
i=1

ij ui

Utilizando propriedades do somat


orio, temos
n  X
n
n

X
X
ij j ui
i ui =
u=
i=1

i=1

j=1

Para maior comodidade do leitor vamos abrir um pouco mais este imbr
oglio
(para i = 1, . . . , n), assim:
n
n


X
X
nj j un
u = 1 u1 + + n un =
1j j u1 + +
j=1

j=1

119

Devido `
a unicidade das coordenadas, temos
1 =

n
X

1j j , . . . , n =

n
X

nj j

j=1

j=1

Abrindo cada um desses somat


orios:
1 = 11 1 + 12 2 + + 1n n
..................................
n = n1 1 + n2 2 + + nn n
Em notac
ao matricial fica

1
11 12 . . . 1n
1

=
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

...
n1 n2 . . . nn
n
n

Portanto,
[ u ]B = P [ u ]C

(2.18)

O que equivale a
P 1 [ u ]B = [ u ]C
Em resumo
B
[ u ]B

P 1

[ u ]C

Conclus
ao: Nao obstante a matriz P seja chamada de matriz de mudanca
da base B para a base C , a bem da verdade, a matriz P 1 e quem realiza
esta tarefa.

120

Problema 3 Se B = { u1 , u2 , . . . , un } e uma base V e P = ( ij ) e uma


matriz inversvel, ent
ao os n vetores v1 , v2 , . . . , vn obtidos assim:

11

12

...

1n


21 22 . . . 2n

...................
n1 n2 . . . nn

v1 = 11 u1 + 12 u2 + + 1n un
v2 = 21 u1 + 22 u2 + + 2n un

.................................
vn = n1 u1 + n2 u2 + + nn un

v1

u v
2 2

=
... ...
vn
un

Isto e,

u1

Pn

vj =

i=1

ij ui

( j = 1, 2, . . . , n )

()

formam tambem uma base de V ?


Solu
ca
o: Para responder a esta pergunta vejamos se os vetores vj s
ao L.I.:
1 v1 + 2 v2 + + n vn = 0

n
X

j vj = 0

(2.19)

j=1

Substituindo nesta u
ltima igualdade vj dado em ( ) resulta
n
X
j=1

n
X

ij ui

i=1

= 0

Esta igualdade e equivalente `


a seguinte
n
n  X
X
i=1

ij j

j=1

ui = 0

Para maior comodidade do leitor vamos abrir um pouco mais este imbr
oglio
(para i = 1, . . . , n), assim:
n
X

1j j

j=1

u1 + +

n
X

nj j

j=1

un = 0

Como, por hip


otese, B = { ui } e L.I., resulta
n
X

1j j = 0 , . . . ,

n
X
j=1

j=1

121

nj j = 0

Podemos abrir mais ainda,

+ 12 2 + + 1n n = 0

11 1
................................

n1 1 + n2 2 + + nn n = 0

Neste sistema linear homogeneo, se o leitor volver `a equacao (2.19) lembrara que as inc
ognitas s
ao os i . Como a matriz dos seus coeficientes e P
que, por hip
otese, e inversvel entao a u
nica solucao deste sistema e a trivial,
ou seja, 1 = 2 = = n = 0. Logo, { v1 , v2 , . . . , vn } e L.I. e, portanto,
tambem e base de V .

2.5.1

Exerccios

1) Determine as coordenadas do vetor u = ( 5, 3, 4) do R3 em relacao `as


bases:
a ) { ( 1, 1, 0), ( 1, 1, 0), ( 0, 1, 1) }
b ) { ( 1, 1, 1), ( 1, 0, 1), ( 1, 0, 1) }
2) Determine as coordenadas do vetor p(t) = 3 + 4t + t2 de P2 em relacao
as bases:
`
a ) { 1 + t, 1 + t, (1 + t)2 }

b ) { 5 2t + t2 , 3t + 2t2 , 1 + t }
3) Determine as coordenadas do vetor p(t) = t3 de P3 em relacao `a base
{ 1, 2 t, 1 + t2 , 1 + t + t3 }
#
"
2
3
de M2 em relacao
4) Determine as coordenadas do vetor M =
4 7
as bases:
`
a)

b)

("
("

1 1
1 1
1 1
1 1

# "
,

# "
,

1 1
1

1 1
1

# "
,

# "
,

1 1
0

1 1
0

# "
,

# "
,

3 5
6

1 0
0 0

#)
#)

5) No espaco R2 achar a matriz de mudanca da base B = { (1, 3), (1, 2) }


para a base C = { (3, 5), (1, 2) }, e da base C para a base B.

122

6) Achar a matriz de mudanca da base


B = { (1, 1, 0), (0, 1, 0), (0, 0, 3) }

para a base can


onica do R3 .

7) Sabendo que B = { (1, 3), (2, 4) } e uma base do

R2

e que

"

4 7

e a matriz de mudanca da base B para a base C, determine a base C.

2
8) A matriz de mudanca da base B
" = { 1 +#t, 1 t } para uma base C
2
3
, encontre a base C.
ambas do mesmo subespaco de P2 e
4 7

9) Seja o espaco vetorial V = M2 (R). Considere B como sendo a base


can
onica desse espaco. Ademais, considere a base
#)
# "
# "
# "
("
0 1
2 0
0 1
1 1
,
,
,
C=
0 0
0 3
1 0
1 0
Determine a matriz de mudanca da base B para a base C e de C para
B.
10) Considere, no R3 , as bases A = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } e B =
{ (1, 0, 1), (0, 1, 1), (1, 1, 1) }.
a ) Determine a matriz M de mudanca da base A para a base B;
b ) Calcule vB sabendo que vA = ( 1, 2, 3);
c ) Calcule vA sabendo que vB = ( 7, 4, 6).

11) Considere as bases B = { e1 , e2 , e3 } e C = { g1 , g2 , g3 } de R3 assim


relacionadas:
g1 = e1 e2 e3
g2 =

2e2 + 3e3

g3 = 3e1

+ e3

a ) Determine as matrizes de mudanca de B para C e de C para B;


b ) Se uB = (1, 2, 3) encontre uC .
12) Considere o seguinte subespaco vetorial de M2 (R):
#
)
("
x y
: xyz =0
U=
z t
a ) Mostre que os seguintes subconjuntos de M2 (R) s
ao bases de U :
#)
# "
# "
("
0 0
1 0
1 1
,
,
B=
0 1
1 0
0 0
123

e
C=

("

1 0
1 0

# "
,

0 1
1
0

# "
,

0 0
0 1

#)

b ) Achar a matriz de mudanca de B para C e a de C para B.


c ) Achar uma base D de U , de tal maneira que a matriz de mudanca de D
para B seja:

1 1 0

0 0 2
0 3 1

13) Rotacione os eixos coordenados xy por um angulo = 60o no plano,


no sentido anti-hor
ario, para obter novos eixos coordenados x y . Encontre:
a ) as coordenadas x y do ponto cujas coordenadas xy s
ao (3, 2);

b ) as coordenadas xy do ponto cujas coordenadas x y s


ao (4, 4).
Faca um esboco geometrico dos eixos com respectivos pontos.
14) Seja B = { u1 , . . . , un } uma base do espaco vetorial V e seja C =
{ v1 , . . . , vn } onde vi = uni+1 para i = 1, . . . , n. Prove que C e uma base
de V e encontre a matriz de mudanca de B para C.
15) Seja B = { u1 , . . . , un } uma base do espaco vetorial V e seja C =
{ u1 , u1 u2 , . . . , u1 un }. Mostre que C e uma base de V e encontre a
matriz de mudanca de B para C.

Mas, se voce observar, se observar profundamente, ficar


a surpreso.
Voce n
ao existe! N
ao que voce precise se dissolver! Simplesmente voce
n
ao existe. Essa e apenas uma falsa noca
o que voce tem carregado, a
noca
o de que voce existe. Alguns instantes de silencio e de repente voce
percebe que h
a um vazio dentro de voce, um nada dentro de voce. Buda
chamou esse nada de anatta, n
ao-ser, shunya, nada. Se olhar para den por isso que as pessoas n
tro, voce n
ao vai se encontrar. E
ao olham para
dentro de si; elas tem medo.
(Osho/Zen, p. 105)

124

Ap
endice
Prova do teorema 4 (p. 99).
Teorema 4. Se S gera o espaco vetorial V, entao:
( i ) Qualquer quantidade m
axima de vetores linearmente independentes
de S formam uma base de V.
( ii ) Suponha que excluimos de S todos os vetores que s
ao combinacao
linear dos vetores de S que o antecedem, entao os vetores remanescentes
formam uma base de V.
Prova: ( i ) Suponha que { u1 , u2 , . . . , um } e o maior subconjunto linearmente independente de S e suponha w S. Desta forma { u1 , u2 , . . . , um , w }
e linearmente dependente. Nenhum uk pode ser uma combinacao linear dos
anteriores. Logo w e uma combinacao linear dos ui s. Assim, w [ ui ] e,
portanto, S [ ui ]. Disso decorre
V = [ S ] [ u i ] V V = [ ui ]
Assim, [ ui ] gera V e, como e L.I., e uma base de V.
( ii ) Os vetores remanescentes formam um subconjunto L.I. de S com a
maior quantidade possvel de vetores; portanto, por ( i ), e uma base de V.
Prova do teorema 5 (p. 99).
Teorema 5 (Do Completamento).

Seja V um espaco vetorial de dimensao finita e seja S = { u1 , u2 , . . . , ur }


um conjunto de vetores linearmente independentes de V. Entao S e parte
de uma base de V; isto e, S pode ser estendido a uma base de V.
Prova: Suponha que B = { v1 , v2 , . . . , vn } e uma base de V. Entao B gera
V e, portanto, V e gerado por
S B = { u1 , u2 , . . . , ur , v1 , v2 , . . . , vn }
Entao, pelo teorema 4, podemos excluir de S B todos os vetores que s
ao
combinac
oes lineares dos anteriores para obter uma base C de V. Como S
e L.I., nenhum uk e combinac
ao linear dos anteriores. Assim, C contem
todo vetor de S, o que faz com que S seja uma parte da base C de V. 

Ver propriedades Pi , p. 69.

125

(p. 440)

Em 1932, o eminente matematico h


ungaro John von Neumann lancou a
pedra fundamental da teoria quantica em solo matematicamente firme; desde
ent
ao, sua formulacao foi considerada o n
ucleo ortodoxo da teoria quantica.
A interpretacao de Von Neumann, como a interpretacao de Copenhague, presume que a teoria qu
antica nos descreve o conhecimento da realidade por parte
do observador em vez da propria Realidade e o instrumento de observacao
e aquilo que e observado fazem parte do mesmo sistema completo. O fsico
Henry Stapp, do Laboratorio Nacional Lawrence, da Universidade de Berkeley,
h
a pouco tempo refinou a interpretacao de Von Neumann. A abordagem StappVon Neumann presume que, uma vez que um componente-chave do processo
de medicao qu
antica inclui um observador e seu conhecimento, significa que a
mente est
a inextrincavelmente enlacada com a realidade quantica.
(Dean Radin/Mentes Interligadas, p. 251)

126

Captulo

TRANSFORMAC
OES
LINEARES
N
ao
e paradoxo dizer que nos nossos momentos de inspiraca
o mais te
orica
podemos estar o mais pr
oximo possvel
de nossas aplicaco
es mais pr
aticas.
(A.N. Whitehead)

3.1

No
c
oes sobre Transformac
oes, Func
oes

Nos dois captulos precedentes estudamos um espaco vetorial isolado V


e alguns conceitos intrnsecos relacionados a estes tais como: nuplas de
vetores linearmente independentes, subespacos, base, dimensao, etc. Neste
captulo iremos considerar, simult
aneamente, dois espacos vetoriais e estudar
correspondencias entre estes dois espacos. O escopo principal da algebra
linear e o estudo das transformacoes lineares e sua representacao por meio
de matrizes.
Defini
c
ao 13 (Transformac
ao). Dados dois conjuntos U e V , ambos n
ao
c~
ao de U em V e uma lei pela qual a cada elemento
vazios, uma transforma
de U associa-se um u
nico elemento de V . Se F indica essa lei e u representa
um elemento generico de U , ent
ao o (
unico) elemento de V associado a u e
representado por F (u) (lemos F de u) e se denomina imagem de u por F .
U

V
F

u t
t F (u)

127

O conjunto U e o domnio e o conjunto V e o contradomnio da transformac


ao F . Alternativamente, podemos representar uma transformacao F
de U em V , assim:
F: U
u

V
7 F (u)

c~
ao e aplica
c~
ao s
ao sin
onimos da palavra transNota: Os termos fun
formaca
o, embora alguns autores prefiram reservar a palavra funcao para
se referir a aplicac
oes de valores reais ou complexos.
Defini
c
ao 14 (igualdade). Duas transformaco
es F : U V e G : U V
s
ao iguais se, e somente se, F (u) = G(u), u U .

Imagem de um Conjunto Via Transformac


ao
Sejam F : U V uma transformacao e W U . Vamos reunir em um
mesmo subconjunto de V todos os elementos que s
ao imagem, por F , dos
elementos de W . Formalizando, temos
Defini
c
ao 15 (Imagem de Conjunto). Consideremos uma transformaca
o
F : U V . Dado um subconjunto W U , chama-se imagem de W por F ,
e indica-se por F (W ), o seguinte subconjunto de V :


F (W ) = F (w) : w W
U

F (W )

sw

s
F (w)

s
F (u)

Se W = U , ent
ao F (U ) recebe o nome de imagem de F e a notacao ser
a
Im (F ). Portanto,
Im (F ) = { F (u) : u U }
(3.1)
Exemplo:
Considere a transformacao F : R2 R3 tal que F (x, y) = (x, y, xy).
Por exemplo
u = (2, 1)

F (x, y) = (x, y, x y)
F (2, 1) = (2, 1, 2 1)

Geometricamente fica assim


128

F (2, 1) = (2, 1, 1).

u=(2,r1)

F (u)

2
x

Vejamos ainda um outro exemplo

u = (1, 2)

F (x, y) = (x, y, x y)
F (1, 2) = (1, 2, 1 2)

F (1, 2) = (1, 2, 1).

Geometricamente temos
z

F
u=(1, 2)

y
1

F (u)

Aproveitando o exemplo anterior , vejamos um exemplo de imagem de


conjunto. Encontre F (W ), onde
W = { (x, y) R2 : y = x }
Solu
ca
o: pela definic
ao 15 temos


F (W ) = F (w) : w W


= F (x, y) : (x, y) W



= (x, y, x y) : y = x = (x, x, 0)

F : R2 R3 tal que F (x, y) = (x, y, x y)

129

Sendo assim, F (W ) e a reta no espaco localizada no plano xoy (z = 0) e


de equac
ao y = x, isto e, x + y = 0.
Geometricamente tudo se passa assim:
z

F (W )

x
=

y=x
x

Por oportuno, a imagem da aplicacao F : U V e encontrada assim:


Im (F ) = { F (u) : u U }

= { F (x, y) : (x, y) R2 }

= { (x, y, x y) : (x, y) R2 }
= { x(1, 0, 1) + y(0, 1, 1) : x, y R }
A imagem e gerada pelos vetores (1, 0, 1), (0, 1, 1), isto e,
Im (F ) = [ (1, 0, 1), (0, 1, 1) ]
e o plano que contem estes dois vetores e a origem:
z

(1, 0, 1)

(0, 1, 1)

Estes dois vetores geram a imagem de F


(um plano passando pela origem)

130

A imagem de F

Defini
c
ao 16 (Transformac
ao Injetora). uma transformaca
o F : U V
se diz injetora se, e somente se,
u1 , u2 U, F (u1 ) = F (u2 ) u1 = u2 .
Ou, em outra formulac
ao:

(ver contrapositivo, p. 435)

u1 , u2 U, u1 6= u2 F (u1 ) 6= F (u2 ).
Exemplos:
1 ) A transformac
ao F : R2 R3 dada por F (x, y) = (x, y, x y), e
injetora pois se u1 = (x1 , y1 ) e u2 = (x2 , y2 ) entao:
F (u1 ) = F (u2 ) (x1 , y1 , x1 y1 ) = (x2 , y2 , x2 y2 )
(
x1 = x2

u1 = u2 .
y1 = y2
2 ) A transformac
ao F : R2 R3 dada por F (x, y) = (1, x + y, 2), n
ao
e injetora pois temos, por exemplo,

F (1, 0) = (1, 1 + 0, 2) = (1, 1, 2)


(1, 0) 6= (0, 1)
F (1, 0) = F (0, 1).
F (0, 1) = (1, 0 + 1, 2) = (1, 1, 2)
Geometricamente temos:

u2

F (u1 )=F (u2 )

t
t

u1

1
x

P
3 ) A transformac
ao F : Z32 R dada por F (x1 x2 x3 ) = 3i=1 xi ,
n
ao e injetora pois temos, por exemplo,

F (101) = 1 + 0 + 1 = 2
101 6= 110
F (101) = F (110).
F (110) = 1 + 1 + 0 = 2
131

Defini
c
ao 17 (Transformacao Sobrejetora). uma transformaca
o F : U
V se diz sobrejetora se, e somente se, Im (F ) = V , ou seja, para todo
v V , existe u U tal que F (u) = v.
Exemplos:
1 ) A transformac
ao F : R2 R2 dada por F (x, y) = (x, y), e sobrejetora. De fato, dado v = (c, d) no contradomnio, basta tomar, no domnio,
u = (c, d) e teremos
F (c, d) = (c, (d)) = (c, d)
2 ) A transformac
ao F : R2 R3 dada por F (x, y) = (1, x + y, 2), n
ao e
3
sobrejetora. De fato, por exemplo o ponto v = (0, 0, 1) R n
ao e imagem
de ponto algum do domnio.
Defini
c
ao 18 (Transformacao Bijetora). uma transformaca
o F : U V
se diz bijetora se, e somente se, F e injetora e e sobrejetora.
Exemplo: A transformacao F : R2 R2 dada por F (x, y) = (x, y)
e injetora (verifique) e sobrejetora. Logo, F e bijetora.
Se uma transformac
ao F : U V e bijetora, entao podemos definir uma
outra transformac
ao F 1 : V U , chamada a inversa de F , veja:
U

V
F

u u
uF (u)

F 1

u U, F 1 F (u) = u

132

Provaremos agora uma importante propriedade relativa a funcao inversa:


P ) Qualquer que seja a func
ao bijetora F : A B, as compostas
F 1 F : A A

F F 1 : B B

s
ao, respectivamente, iguais `
as funcoes identidade de A e B, assim:
F 1 F = IA
A
x

F 1

B
y

A
x

F F 1 = IB
B
y

F 1

A
x

F 1 F

B
y

F F 1

Prova: Seja x um elemento qualquer de A e y B a sua imagem pela


F , isto e, F (x) = y, donde, pela definicao de funcao inversa, F 1 (y) = x.
Portanto:


F 1 F (x) = F 1 F (x) = F 1 (y) = x = IA (x)
(3.2)


F F 1 (y) = F F 1 (y) = F (x) = y = IB (y)
(3.3)

o que demonstra as igualdades F 1 F = IA e

F F 1 = IB .

>

Nota: Estas igualdades justificam a seguintes operacoes (equivalencia):


F (x) = y

x = F 1 (y)

Com efeito,
F (x) = y


F 1 F (x) = F 1 (y)

F 1 F (x) = F 1 (y)
IA (x) = F 1 (y)
x = F 1 (y)

e
x = F 1 (y)


F (x) = F F 1 (y)

= F F 1 (y)
= IB (y)
=y

A definic
ao de composta e a mesma encontrada nos livros do ensino medio.

133

3.2

Transformac
oes Lineares

Uma transformac
ao F : U V entre dois espaco vetoriais e dita linear
se for compatvel com as operacoes de espaco vetorial + e em U e V ; ou
seja, se e irrelevante adicionar primeiro dois elementos de U e depois transformar a soma, ou ent
ao transformar primeiro os dois elementos e depois
adicionar suas imagens; o mesmo deve ser verdadeiro para a multiplicacao
por um escalar.
Defini
c
ao 19 (Transformacao Linear). Sejam U e V espacos vetoriais
c~
ao linear de U
sobre R. Uma funca
o F : U V e dita uma transforma
em V se, e somente se,
(i)
( ii )

F ( u1 + u2 ) = F ( u1 ) + F ( u2 ),

u1 , u2 U

F ( u ) = F ( u ),

R e u U.

Exemplo: Nos amplificadores lineares da eletr


onica temos um exemplo
c~
oes lineares
de transforma

F (u)

Saida

Entrada

F
Sendo um amplificador linear uma transformacao linear a condicao ( i )
da definic
ao nos diz que se colocarmos na entrada do circuito a soma de
dois sinais ( u1 + u2 ) na sada do circuito teremos a soma das respectivas
respostas a cada um dos sinais aplicados individualmente: F ( u1 ) + F ( u2 ).
A condic
ao ( ii ) da definicao nos diz que se multiplicarmos um sinal de
entrada por um fator e considerarmos este resultado ( u ) como uma
nova entrada, na saida do circuito teremos a saida do sinal original ( u )
multiplicada por este mesmo fator : F ( u ).
No caso particular em que U = V , a transformacao linear F : U V
tambem e chamada de operador linear.
134

Exemplos:
1 ) A transformac
ao F : R2 R2 , F (x, y) = (3x+y, 2x+3y) e linear. De
fato, se u1 = (x1 , y1 ) e u2 = (x2 , y2 ) s
ao vetores genericos do R2 , tem-se:
( i ) F (u1 + u2 ) = F (x1 + x2 , y1 + y2 )
=

3(x1 + x2 ) + (y1 + y2 ), 2(x1 + x2 ) + 3(y1 + y2 )

= (3x1 3x2 + y1 + y2 , 2x1 + 2x2 + 3y1 + 3y2 )

= (3x1 + y1 ) + (3x2 + y2 ), (2x1 + 3y1 ) + (2x2 + 3y2 )


= (3x1 + y1 , 2x1 + 3y1 ) + (3x2 + y2 , 2x2 + 3y2 )

= F (u1 ) + F (u2 ).
( ii ) Para todo R e para todo u = (x, y) R2 , tem-se:
F ( u) = F (x, y)
3(x) + (y), 2(x) + 3(y)

= (3x + y), (2x + 3y)

= 3x + y, 2x + 3y

= F (u).

Interpreta
c
ao Geom
etrica

Vamos dar uma interpretac


ao geometrica para o operador linear do exem2
plo anterior, isto e: F : R R2 , F (x, y) = (3x + y, 2x + 3y). Por
exemplo,
u1 = (0, 1)

F (u1 ) = (1, 3)

u2 = (1, 1)

F (u2 ) = (4, 1)

u1 + u2 = (1, 2)

F (u1 + u2 ) = (5, 4)

Na figura a seguir (esquerda), sendo u1 + u2 o ponto extremo da diagonal


do paralelogramo determinado por u1 e u2 , sua imagem F (u1 + u2 ) situa-se
no ponto extremo da diagonal do paralelogramo determinado por F (u1 ) e
F (u2 ), isto e, F (u1 +u2 ) = F (u1 )+F (u2 ). Diz-se, nesse caso, que F preserva
a adica
o de vetores.
135

y
F (u1 +u2 )

p
p

t F (u

tu

u2 t
2

F (u1 )

u1 + u2 t

2)

Na figura a seguir (esquerda) multiplicamos o vetor u2 por 2, por exemplo, sua imagem F (u2 ) tambem fica multiplicada por 2. Esse fato vale para
qualquer real, isto e, F ( u) = F (u). Diz-se, nesse caso, que F preserva
a operac
ao multiplicac
ao de um vetor por um escalar.
y

2 p 1p

F (2 u2 )

F (u2 )

u2 s

2 su2

4p

8p

2 ) Consideremos o espaco vetorial U = Pn dos polin


omios de grau n.
Consideremos o operador derivada
D : Pn Pn
que leva f Pn em sua derivada f , isto e, D(f ) = f . Por exemplo,
D
P2

P2
f (t) = 1 + t 3t2

g(t) = 4 + 3t

f (t) + g(t) = 5 + 4t 3t2

D f (t) = 1 6t

D g(t) = 3


D f (t) + g(t) = 4 6t
136

Este operador e linear. De fato, pelas regras de derivacao, sabe-se que:


(i)

D(f + g) = D(f ) + D(g)

( ii )

D( f ) = D(f )

3 ) Sejam os espacos vetoriais U = Pn e V = R. A transformacao


Z

T : Pn R, definida por T (p) =

p dt

onde a, b R, que a cada polin


omio p Pn faz corresponder a sua integral
definida T (p) R; por exemplo
p

R
s

f (t) dt = T f (t)
1

8
3

s2 +


f (t) + g(t) dt

f (t) + g(t) = 4t + t2

f (t) = 1 + t + t2
g(t) = 1 + 3t

P2

8
3

s2 =

g(t) dt = T g(t)

e linear. De fato, do C
alculo sabe-se que:
(i)

T (f + g) =

(f + g) dt =

( ii )

T ( f ) =

( f ) dt =

f dt +

g dt = T (f ) + T (g)

f dt = T (f )

4 ) Sejam os espacos vetoriais U = M2 e V = M2 . A transformacao


T : M2 M2 , definida por T (p) =
e linear.
De fato, sejam u1 =
M2 . Temos,

a b
c d



e u2 =

137

a11
a21


a12
a22

e f
g h



2a11
a21

a12
3a22

vetores arbitrarios em

( i ) T (u1 + u2 ) = T



a+e b+f
c+g d+h



2(a + e)
b+f
c+g
3(d + h)

2a + 2e b + f
c + g 3d + 3h

2a b
c 3d

( ii ) T ( u1 ) = T

"

a b
c d

#!

"

T (u1 )

"

2( a)

3( d)




2e f
g 3h
T (u2 )

(2a)

(3d)
#
b

"

2a
c

3d

= T (u1 )
5 ) A transformac
ao T : R2 R2 , T (x, y) = (x + 1, y 1) n
ao e linear.

Para mostrar que uma dada transformacao n


ao e linear basta exibir um
contraexemplo; para isto temos duas alternativas:
( i ) Devemos conseguir dois vetores u1 , u2 R2 tais que
T ( u1 + u2 ) 6= T ( u1 ) + T ( u2 )

(3.4)

ou
( ii ) Devemos conseguir um n
umero R e um vetor u R2 tais que
T ( u ) 6= T ( u )
Pois bem, pela primeira alternativa, facamos a seguinte tentativa u1 =
(1, 0) e u2 = (0, 1). Sendo assim, temos u1 + u2 = (1, 1), entao
T ( u1 + u2 ) = T (1, 1) = (1 + 1, 1 1) = (2, 0)
T ( u1 ) = T (1, 0) = (1 + 1, 0 1) = (2, 1)
T ( u2 ) = T (0, 1) = (0 + 1, 0 1) = (1, 1)
T ( u1 ) + T ( u2 ) = (2, 1) + (1, 1) = (3, 2)
logo, a desigualdade (3.4) est
a satisfeita e, portanto, T n
ao e linear.

138

6 ) Sejam os espacos vetoriais U = V = Z32 . A transformacao


F : Z32
u

Z32
u

n
ao e linear.
Nota: u
significa inverter (trocar) cada bit do codigo (vetor) u, veja:
u1 = 101

F (u1 ) = u
1 = 101 = 010

u2 = 001

F (u2 ) = u
2 = 001 = 110

Temos:
u1 + u2 = 101 + 001 = 100
Entao:
F (u1 + u2 ) = F (100) = 100 = 011
Logo:
F (u1 + u2 ) = 011 6= 100 = F (u1 ) + F (u2 )
7 ) A transformac
ao identidade
U
I: U

u u

u 7 u

uU

uu
I(u) = u

ou I(u) = u, u U , e mais um exemplo de operador linear. De fato,


(i)
( ii )

I(u1 + u2 ) = u1 + u2 = I(u1 ) + I(u2 )


I( u) = u = I(u).

Nota: Dada uma transformac


ao qualquer F : U V , entre dois espacos
vetoriais arbitrarios, via de regra o vetor nulo de U e distinto do vetor
nulo de V , raz
ao porque doravante estaremos mudando a cor do zero de V
(contradomnio), este estar
a na cor azul: 0. Veja:

F: U V
0

139

8 ) A transformac
ao nula (ou zero)
U
F: U
u

u u

uU

u0
F (u)= 0

F (u) = 0, u U , e mais um exemplo de transformacao linear. Veja:


(i)
( ii )

F (u1 + u2 ) = 0 = 0 + 0 = F (u1 ) + F (u2 )


F ( u) = 0 = 0 = F (u).

9 ) Seja U um espaco vetorial sobre R. Fixando um R qualquer, chamase homotetia determinada pelo escalar a aplicacao
U
H : U
u

u u

7 u

uU

u u
H (u)= u

ou H (u) = u, u U . H e mais um exemplo de operador linear, veja


(i)
( ii )

H (u1 + u2 ) = (u1 + u2 ) = u1 + u2 = H (u1 ) + H (u2 )


H ( u) = ( u) = ( u) = H (u).

10 ) Seja U um espaco vetorial sobre R. Fixando um w U qualquer,


chama-se translaca
o definida por w a aplicacao
U
Tw : U U
u 7 u+w

u u
uU

U
Tw

uu + w
Tw (u) = u+w

Se w 6= 0, ent
ao Tw n
ao e linear. De fato, para todos u1 , u2 U , temos:
T (u1 + u2 ) = (u1 + u2 ) + w
T (u1 ) = u1 + w
T (u2 ) = u2 + w

T (u1 ) + T (u2 ) = u1 + u2 + 2w

Logo, se w 6= 0, Tw n
ao e linear. Por outro lado, se w = 0, entao Tw
coincide com o operador identidade que e linear.
140

Uma transforma
c
ao linear especial
Interregno cultural: Precisamente no ano de 1988 senti a necessidade
de fazer um programa computacional para tracar o gr
afico de superfcies
z = f (x, y). Na epoca n
ao existiam os potentes softwares algebricos existentes hoje e que tracam gr
aficos com a maior facilidade. Inicialmente, para
desenvolver meu programa consultei dois ou tres livros sobre computacao
gr
afica, entretanto achei os algoritmos constantes nestes livros um tanto
quanto complicados para serem implementados; foi quando decidi criar meu
pr
oprio algoritmo.

Deduc
ao do meu algoritmo
Apos alguns instantes de reflex
ao me coloquei o seguinte problema: Como
plotar um ponto (x, y, z), do espaco tridimensional, em uma superfcie bidimensional (a tela do computador ou uma folha de papel, por exemplo)?
Para resolver meu problema devo construir a seguinte transformacao
T : R3 R2
z

t (x, y, z)

t (X, Y )

Observe que o ponto a ser plotado e o mesmo nas duas figuras. Digo,
para plotar o ponto de coordenadas (x, y, z) no espaco basta plotar o
ponto de coordenadas (X, Y ) no plano de modo que esta plotagem nos
de a ilus
ao de que o ponto encontra-se no espaco, entenderam?
Pois bem, s
o nos resta agora relacionar as coordenadas virtuais X e
Y com as coordenadas reais x, y e z. Isto pode ser feito a partir das figuras
z
z

t (X, Y ) (x, y, z)

t (X, Y )

y
x

141

Nota: e um
angulo entre o eixo x e o eixo z (negativo).
O nosso interesse estar
a centrado na figura da direita. Desta figura
destacamos o seguinte tri
angulo (ver seta):
yX

zY

sen =

yX
x

X = y x sen

cos =

zY
x

Y = z x cos

Ent
ao, o menor algoritmo do mundo para o tracado de superfcies, e:
(x, y, z) (X, Y ) = ( y x sen , z x cos )

(3.5)

Aplicac
oes do algoritmo
Na figura seguinte temos o gr
afico da superfcie dada por
z(x, y) = cos x cos y
no domnio [0, 4] [0, 2] (isto e, 0 x 4, 0 y 2), com = 35 o :

Na figura seguinte temos o gr


afico da superfcie dada por
z(x, y) = sen x cos y
no domnio [0, 4] [0, 2](isto e, 0 x 4, 0 y 2 ), com = 35 o :
142

Nota: Para mais um exemplo de superfcie ver p. 417.

Morte e ressurreic
ao de um algoritmo
Alguns anos depois da concepcao do meu algoritmo surgem os poderosos
softwares computacionais para o tracado de gr
aficos (inclusive superfcies),
devo confessar que, com muito pesar, vislumbrei a morte de meu rebento.
Entretanto, alguns anos depois as circustancias me levaram a utilizar
o processador de texto LATEX 2 e neste existe um ambiente (pspicture)
para o tracado de figuras que trabalha com as coordenadas cartesianas bidimensionais (X, Y ).
Somente ent
ao me dei conta de que a finalidade principal de meu algoritmo n
ao estava no tracado de superfcies mas sim em plotar um ponto no
espaco R3 e, em func
ao disto, o mesmo se revelaria de grande utilidade dentro do ambiente de figuras do referido processador de texto. Por exemplo,
os seguintes paralelepipedos foram tracados com o algoritmo (3.5).

Nota: As duas superfcies anteriores foram tracadas no ambiente de figuras (pspicture) do LATEX, programei a equacao (3.5) em minha H.P. para
me fornecer as coordenadas dos pontos da superfcie. Para mais detalhes
sobre estas figuras veja p. 195.

No qual foi feita a Editorac


ao eletr
onica deste livro.

143

Uma outra aplicac


ao inestimavel que encontrei para o meu algoritmo se
deu 21 anos ap
os sua concepcao, quando iniciei a escrever o presente livro.
Todas as figuras deste livro, que envolvem o espaco vetorial R3 , como, por
exemplo, a seguinte:
(p. 162)
F

z
N (F )

t (x, y, z)

t(x, y, z)
Im (F )
y

s(x, y, 0)
x

foram feitas com o auxlio do algoritmo.


O nosso algoritmo pode ser visto como a aplicacao,
T:

R3

(x, y, z)

R2
(yx sen , zxcos )

que e uma transformac


ao linear, uma vez que e um par
ametro.
Observe que
T (0, y, z) = (y 0 sen , z 0 cos ) = (y, z)
Ou seja, os pontos do plano yoz s
ao invariantes por T .
A pr
oxima proposicao nos fornece uma definicao alternativa para transformac
ao linear envolvendo uma u
nica condicao.
Proposi
c
ao 10. Uma funca
o F : U V e uma transformaca
o linear, se
e somente se,
F ( u + v) = F (u) + F (v)
(3.6)
para quaisquer u, v U e quaisquer , R.
Prova:
( ) Assumindo F linear devemos mostrar que vale a igualdade (3.6).
Resumindo:

( i ) F ( u1 + u2 ) = F ( u1 ) + F ( u2 )
( u1 , u2 U )

H:

T:

( ii )

F (u) = F (u)

F ( u + v) = F (u) + F (v)
144

( R, u U )

Pois bem, tomando u1 = u e u2 = v e substituindo em ( i ), obtemos


F ( u + v) = F ( u) + F ( v)
Agora utilizando a parte ( ii ) da hip
otese, obtemos
F ( u + v) = F (u) + F (v)
que e a nossa tese.
( ) Para provar a reciproca o que e tese vira hip
otese e o que e hip
otese
vira tese , assim:

H:

F ( u + v) = F (u) + F (v)

(i)

T:

( ii )

( , R; u, v U )

F ( u1 + u2 ) = F ( u1 ) + F ( u2 )

( u1 , u2 U )
( R, u U )

F (u) = F (u)

Tomando na hip
otese = = 1 provamos a parte ( i ) da tese. Para
provar a parte ( ii ) e suficiente tomar = 0.

Desta proposic
ao segue, por inducao, a propriedade b
asica das transformacoes lineares:
F (1 u1 + 2 u2 + + n un ) = 1 F (u1 ) + 2 F (u2 ) + + n F (un )
Ou, o que d
a no mesmo
F

n
X
i=1

n
 X
i F (ui )
i ui =

(3.7)

i=1

No nosso pr
oximo exemplo (teorema) iremos caracterizar todas as transformacoes lineares F : Rm Rn .

Atraves dos tempos, os matem


aticos tem considerado seus objetos,
tais como n
umeros, pontos, etc., como coisas substanciais em si. Uma
vez que estas entidades sempre tinham desafiado tentativas de uma descrica
o adequada, manifestou-se corretamente nos matem
aticos do seculo
XIX a convicca
o de que a quest
ao do significado destes objetos como
coisas substanciais n
ao fazia sentido dentro da Matem
atica, ou mesmo
em geral.
(Richard Courant/O que
e Matem
atica?)

145

Teorema 6. Considerando uma transformaca


o F : Rm Rn ; dado
m
u = (x1 , x2 , . . . , xm ) R temos
F ( x1 , x2 , . . . , xm ) = ( y 1 , y 2 , . . . , y n ) R n
Se F e linear ent
ao existem m n n
umeros reais
( aij ), 1 i n, 1 j m
ou ainda,

tais que F e da forma

a11

a12

. . . a1m

a21 a22 . . . a2m

...................

an1 an2 . . . anm

()

F ( x1 , x2 , . . . , xm ) = ( y 1 , y 2 , . . . , y n )

y1 = a11 x1 + a12 x2 + + a1m xm


y2 = a21 x1 + a22 x2 + + a2m xm

yn = an1 x1 + an2 x2 + + anm xm

Reciprocamente, se ( aij ) e uma coleca


o de m n n
umeros reais, ent
ao a
funca
o que associa a cada u de Rm o elemento y em Rn de acordo com a
equaca
o ( ), e uma transformaca
o linear com domnio em Rm e contradon
minio em R .
Antes da prova do teorema observe a seguinte perspectiva:

F : Rm Rn

y1

a11

a12

. . . a1m


a21 a22 . . . a2m
=
...................

an1 an2 . . . anm
yn
|
{z
y2
..
.

nm

146

x1
x2
..
.
xm

Prova: ( ) Supondo F linear vamos mostrar que existem mn n


umeros
reais aij de modo que F e da forma ( ). De fato, sejam e1 , e2 , . . . , em os
vetores da base can
onica de Rm , isto e
e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , em = (0, 0, . . . , 1)
Examinemos a imagem desses vetores pela transformacao F . Suponhamos

F (em ) = ( a1m , a2m , . . . , anm )

F (e2 ) = ( a12 , a22 , . . . , an2 )

F (e1 ) = ( a11 , a21 , . . . , an1 )

F : Rm Rn
ej 7 F (ej )

j = 1, 2, ... , m

()

Isto e, o n
umero real aij e a iesima coordenada do vetor F (ej ).
Seja u = (x1 , x2 , . . . , xm ) um vetor arbitrario de Rm . Logo,
u = x1 e1 + x2 e2 + + xm em
Entao,
F (u) = F (x1 e1 + x2 e2 + + xm em )
Como F e linear podemos fazer uso da equacao (3.7) (p. 145) para obter
F (u) = x1 F (e1 ) + x2 F (e2 ) + + xm F (em )
Usando as m igualdades em ( ), obtemos
F (u) = x1 ( a11 , a21 , ..., an1 ) + x2 ( a12 , a22 , ..., an2 ) + + xm ( a1m , a2m , ..., anm )
=( a11 x1 , a21 x1 , ..., an1 x1 ) + ( a12 x2 , a22 x2 , ..., an2 x2 ) + + ( a1m xm , a2m xm , ..., anm xm )

Adicionando estes m vetores, F (u) resulta da forma ( ).


Nota: J
a neste momento observe que a contrapositiva da proposicao que
acabamos de provar nos assegura de que se uma transformacao F do Rm
em Rn n
ao for da forma ( ) entao F n
ao e linear. O leitor poderia ser
tentado a concluir que se uma tal transformacao F for da forma ( ) entao e
linear. Observamos que isto deve ser provado uma vez que uma proposicao
n
ao e equivalente `
a sua reciproca.
( ) Reciprocamente, e facil mostrar por calculo direto que toda transformacao da forma ( ) e linear.


Exegese : A vantagem deste teorema e que podemos decidir a olho nu


se uma transformac
ao F : Rm Rn e ou n
ao linear: Uma transformaca
o
F:

Rm

Rn

(x1 , ..., xm )7 (y1 , ..., yn )

147

e linear se, e somente se, as coordenadas yi s


ao combinacoes lineares das
coordenadas xi .
Por exemplo,
F : R2 R3 ,

a)
b)

F : R2 R2 ,

F : R3 R2 ,

c)

F (x, y) = (2x + y, x 2y, x y)

e linear;

F (x, y) = (2x + y, 3x + 2y)

e linear;

F (x, y, z) = (x + y, x + z)

e linear;

d)

F : R3 R3 ,

F (x, y, z) = (2x2 + 3y, x, z)

n
ao e linear;

e)

F : R R,

F (x) = a x + b

n
ao e linear;

F (x) = (3x, 2)

n
ao e linear.

f)

F : R R2 ,

Exemplo: Apenas a ttulo de ilustracao vamos encontrar a matriz associada


a seguinte transformac
`
ao linear,
F : R3 R2 ,

dada por

F (x, y) = (x + y, x + z)

segundo o teorema 6 (p. 146). Seguindo os passos da demonstracao devemos


calcular a transformac
ao nos vetores da base can
onica do R3 , assim:

F (e1 ) = ( 1 + 0, 1 + 0 ) = (1, 1)

B = { (1, 0, 0), (0, 1, 0), (0, 0, 1) }


F (e2 ) = ( 0 + 1, 0 + 0 ) = (1, 0)

F (e3 ) = ( 0 + 0, 0 + 1 ) = (0, 1)

Tomamos o transposto das coordenadas, assim:

F : R3 R2
"

y1
y2

23

}|
#{
x1
1 1 0

=
x2
1 0 1
x3

F (e1 )
F (e3 )
F (e2 )

z"

Observe a equac
ao matricial da seguinte perspectiva
Y = F (X) = A X
Oportunamente vamos generalizar este exemplo para espacos vetoriais
arbitrarios.
148

Propriedades das Transformac


oes Lineares
Sejam U e V espacos vetoriais sobre R e consideremos uma transformacao
linear F : U V . Valem as seguintes propriedades para F :

P1 ) F ( 0) = 0. Isto e, sob qualquer transformacao linear F : U V a


imagem do vetor nulo de U e o vetor nulo de V .
Prova: Com efeito,
F ( 0) = F ( 0 + 0) = F ( 0) + F ( 0)
logo,

F ( 0) F ( 0) = F ( 0) + F ( 0) F ( 0)
0 = F ( 0)

>
Considerando a proposic
ao que acabamos de provar:
Proposic
ao: Se F : U V e linear, entao F ( 0) = 0.

a sua reciproca: Se F ( 0) = 0, entao F : U V e linear. n


ao e verdadeira
o caso da transformacao
(n
ao vale). E
F : R2 R3 , T (x, y) = (x2 , y, y 2 )
ao e
na qual temos F ( 0) = F (0, 0) = (02 , 0, 02 ) = (0, 0, 0) = 0 e F n
linear.
Conclus
ao: A condic
ao F ( 0) = 0 e necess
aria, mas n
ao suficiente, para
que uma transformac
ao F seja linear; o que significa que se acontecer F ( 0) 6=
0 ja podemos, de imediato, garantir que F n
ao e linear; entretanto se acono n
ao garante que F seja linear.
tecer F ( 0) = 0, isto por si s
P2 ) F ( u1 u2 ) = F ( u1 ) F ( u2 ), u1 , u2 U .
Prova: Da condic
ao ( i ) abaixo
(i)
( ii )

F ( u1 + u2 ) = F ( u1 ) + F ( u2 ),

u1 , u2 U

F ( u ) = F ( u ),

R e u U.

temos
F ( u1 u2 ) = F ( u1 + (u2 ) ) = F ( u1 ) + F ( u2 )
Tomando na condic
ao ( ii ) = 1 e u = u2 , resulta F ( u2 ) = F ( u2 ),
donde
F ( u1 u2 ) = F ( u1 ) F ( u2 )
>

149

Observe que se na igualdade acima tomarmos u1 = u2 , isto e, u1 u2 = 0


teremos
F ( 0 ) = F ( u 1 ) F ( u2 ) = 0
uma outra alternativa para se demonstrar esse resultado.
P3 ) Se W e um subespaco de U , entao a imagem de W e um subespaco
de V .
V

U
W

F (W )

sw

s
F (w)

s
F (u)

Se W e subespaco . . .

F (W ) e subespaco.

Prova: Inicialmente resumimos a proposicao assim:

H:

H1 : F : U V e linear.

T: F (W ) V e subespaco.

H : W U e subespaco.
2

Segundo a proposicao 1

(p. 53)

F (W ) =

devemos mostrar que




F (w) : w W

e fechado para as operacoes de espaco vetorial. Com efeito, sejam v1 e v2


vetores arbitrarios em F (W ), devemos provar que v1 + v2 F (W ). Pela
definic
ao de F (W ) existem w1 e w2 em W tais que v1 = F (w1 ) e v2 = F (w2 ),
ent
ao
v1 + v2 = F (w1 ) + F (w2 )
Como F e linear resulta
v1 + v2 = F (w1 + w2 )
Por hip
otese, W e subespaco, segue que w1 + w2 W ; isto implica que
v1 + v2 V e imagem de um elemento de W , logo, v1 + v2 F (W ).
Seja agora R e v F (W ), arbitrarios, devemos provar que v
F (W ).
Pela definic
ao de F (W ) existe w W tal que v = F (w). Entao,
v = F (w)
Como F e linear resulta
v = F ( w)
150

Por hip
otese, W e subespaco, entao w W ; isto implica que v V e
imagem de um elemento de W , logo, v F (W ).
>
Nota: A propriedade P3 significa que uma transformacao linear F : U
V transforma subespacos vetoriais do domnio em subespacos vetoriais no
contradomnio. Em outras palavras, uma transformacao linear preserva a
estrutura de espaco vetorial.
P4 ) Se F : U V e linear e { u1 , . . . , un } gera U , entao
{ F (u1 ), . . . , F (un ) } gera Im (F ).
Prova: Com efeito, seja v Im (F ) = { F (u) : u U } arbitrario. Entao,
v = F (u) para algum u U . Como { u1 , . . . , un } gera U , existem escalares
1 , . . . , n tais que:
u = 1 u1 + + n un
Logo,
v = F (u) = F (1 u1 + + n un )
= 1 F (u1 ) + + n F (un )
Portanto, Im (F ) = [ F (u1 ), . . . , F (un ) ].

>

P5 ) Uma transformac
ao linear F : U V fica completamente determinada quando se conhecem as imagens dos vetores de uma base de U .
Prova: Com efeito, suponhamos que B = { u1 , u2 , . . . , un } seja uma base
do domnio U e que se conheca quais s
ao as imagens F (u1 ), F (u2 ), . . . , F (un )
dos vetores desta base. Sempre e possvel obter a imagem T (u) de qualquer
u U , pois sendo u uma combinacao linear dos vetores da base, isto e:
u = 1 u1 + 2 u2 + + n un
Aplicando F a ambos os membros obtemos:
F (u) = 1 F (u1 ) + 2 F (u2 ) + + n F (un )
>

151

Vejamos um exemplo desta u


ltima propriedade. Seja F : R3 R2 uma
transformac
ao linear, s
ao conhecidos (dados),

B = { u1 , u2 , u3 }, onde, u1 = (0, 1, 0), u2 = (1, 0, 1), u3 = (1, 1, 0)


F (u ) = (1, 2), F (u ) = (3, 1), F (u ) = (0, 2)
1
2
3

Determine F (x, y, z), a imagem de um vetor arbitrario do R3 .


F =?

R3

R2
F (u3 )

s (x, y, z)

sF (x, y, z) = ?

F (u2 )
p

u2 s

us1

su

s F (u

1)

Solu
c
ao: Inicialmente devemos expressar um vetor u = (x, y, z) R3 como
uma combinac
ao linear dos elementos da base:
(x, y, z) = 1 u1 + 2 u2 + 3 u3
isto e,
(x, y, z) = 1 (0, 1, 0) + 2 (1, 0, 1) + 3 (1, 1, 0)

(3.8)

desta equac
ao obtemos o seguinte sistema linear

2 + 3 = x

1 + 3 = y

2 = z
cuja soluc
ao e:
2 = z,

3 = x 2 = x z e 1 = y 3 = y (x z) = y x + z.

Substituindo estes valores em (3.8) obtemos


(x, y, z) = (y x + z) (0, 1, 0) + z (1, 0, 1) + (x z) (1, 1, 0)
Aplicando F , linear, temos:
F (x, y, z) = (y x + z) F (0, 1, 0) + z F (1, 0, 1) + (x z) F (1, 1, 0)
152

Substituindo os valores de F nos vetores da base temos


F (x, y, z) = (y x + z) (1, 2) + z (3, 1) + (x z) (0, 2)


= 1 (y x + z), 2 (y x + z) + (3z, 1 z) + 0, 2(x z)

Somando:

F (x, y, z) = (x + y + 4z, 4x 2y 3z)


Por exemplo,
F (1, 2, 5) = (1 + 2 + 4 5, 4 1 2 2 3 5) = (21, 15)

3.2.1

Exerccios

1) Dentre as transformac
oes a seguir, verificar quais s
ao lineares:
a ) F : R2 R2 definida por F (x, y) = (x 3y, 2x + 5y);

b ) F : R2 R3 definida por F (x, y) = (x y, 3x, x + 2 y);

c ) F : R2 R3 definida por F (x, y) = (x y, 3x, x + 2 y);

d ) F : R3 R3 definida por F (x, y, z) = (x + y, 0, x y);

e ) F : R2 R3 definida por F (x, y) = (x + y, 0, (x y)/ 2 ).

2) Mostre que as aplicac


oes abaixo n
ao s
ao lineares:
2
2
a ) F : R R definida por F (x, y) = (x y, x)

b ) F : R2 R2 definida por F (x, y) = (x + 2, y + 3)


c ) F : R2 R definida por F (x, y) = |x|

d ) F : R3 R2 definida por F (x, y, z) = (|x|, y + z)

3) Determine a transformac
ao linear F : R3 R2 tal que
F (1, 1, 0) = (1, 1),

F (0, 1, 1) = (2, 2),

e F (0, 0, 1) = (3, 3).

Achar F (1, 0, 0) e F (0, 1, 0).


4) Seja F : R3 R2 uma transformacao linear definida por
F (1, 1, 1) = (1, 2),

F (1, 1, 0) = (2, 3),

e F (1, 0, 0) = (3, 4).

a ) Determine F (x, y, z);


b ) Determine u R3 tal que F (u) = (3, 2);
c ) Determine u R3 tal que F (u) = (0, 0).

153

5) Verifique se o operador a seguir e linear


F : Z32
u

Z32

7 F (u)

onde u = x1 x2 x3 7 F (u) = x3 x1 x2

6) Verifique se a transformacao a seguir e linear


F : Z32
u

R
7 F (u)

onde u = x1 x2 x3 7 F (u) = max{ 1 x1 , 2 x2 , 3 x3 }

7) Verifique se s
ao operadores lineares no espaco Pn

a ) F : Pn Pn tal que F p(t) = t p (t);

b ) F : Pn Pn tal que F p(t) = p (t) + t2 p (t).

8) Determine a transformacao linear F : P2 P2 tal que


F (1) = x, F (x) = 1 x2 e F (x2 ) = x + 2x2 .

9) Verifique se e linear a seguinte transformacao




a b
2
F : M2 R tal que F
= (a b, a + b).
c d
10) Seja o espaco vetorial U = Mn , das matrizes quadradas de ordem n,
e A uma matriz fixa em U . Seja a aplicacao F : U U definida por
F (X) = XA + AX, com X U . Mostre que F e linear.

11) Seja F : U V uma tranformacao linear com a seguinte propriedade:


se { u1 , u2 , . . . , un } e uma base de U , entao { F (u1 ), F (u2 ), . . . , F (un ) } e
linearmente independente em V . Mostre que F e injetora.
12) Sejam U e V subespacos de um espaco W tais que W = U V . Sejam
P1 e P2 as transformac
oes de W em W tais que para todo w = u + v de W
(com u U e v V ) associam, respectivamente, u e v, ou seja, P1 (w) = u
e P2 (w) = v. Mostre que P1 e P2 s
ao lineares.

154

3.3

N
ucleo e Imagem

Defini
c
ao 20 (N
ucleo). Sejam U e V espacos vetoriais sobre R e F : U
ucleo de
V uma transformaca
o linear. Indica-se por N (F ) e denomina-se n
F o seguinte subconjunto de U : N (F ) = { u U : F (u) = 0 }.
U
N (F )

V
F

s0

Resumindo: N
ucleo da transformacao e o conjunto dos vetores no domnio
que tem como imagem o vetor nulo do contradomnio.
Observe que o n
ucleo nunca e vazio, posto que, como F e linear F ( 0) = 0,
isto e, sempre teremos 0 N (F ).
Importante: Para encontrar o n
ucleo de uma transformacao devemos
resolver, a equac
ao F (u) = 0.
Exemplos:
1 ) Seja F : R2 R3 a transformacao linear definida por
F (x, y) = (0, 2x y, 0)
Encontre o n
ucleo de F .
Solu
c
ao: Pela definic
ao de n
ucleo temos:
N (F ) = { u U : F (u) = 0 }

= { (x, y) R2 : F (x, y) = (0, 0, 0) }

Sendo assim para encontrar o n


ucleo e suficiente resolver a equacao
F (x, y) = (0, 0, 0) (0, 2x y, 0) = (0, 0, 0) 2x y = 0.
Portanto, N (F ) = { (x, y) R2 : y = 2 x }. Geometricamente, temos
y
2

R2

N (F )

R3

0 = (0, 0, 0)

y = 2x

155

2 ) Seja F : R3 R3 , dada F (x, y, z) = (x, y, 0) a projecao ortogonal do


R3 sobre o plano xoy. Encontremos o n
ucleo de F . Entao:
N (F ) = { u U : F (u) = 0 }
= { (x, y, z) R3 : F (x, y, z) = (0, 0, 0) }
Devemos resolver a equacao
F (x, y, z) = (0, 0, 0) (x, y, 0) = (0, 0, 0) x = 0 e y = 0.
Logo,
N (F ) = { (x, y, z) R3 : x = 0 e y = 0 }
Ou seja, o n
ucleo consta dos vetores (0, 0, z) R3 , e o eixo oz. Veja:
F

N (F )

tu = (x, y, z)

tu = (x, y, z)

t
s F (u) = (x, y, 0)

3 ) Seja D : P3 P3 o operador de derivacao D(p) = p , encontre o n


ucleo
de D.
Solu
c
ao: Pela definicao de n
ucleo temos:
N (D) = { u U : F (u) = 0 }

= { p(t) P3 : p (t) = 0 }

Temos,
p(t) = a0 + a1 t + a2 t2 + a3 t3 p (t) = a1 + 2 a2 t + 3 a3 t2
Para encontrar o n
ucleo e suficiente resolver a equacao
p (t) = 0

a1 + 2 a2 t + 3 a3 t2 = 0 + 0 t + 0 t2 + 0 t3

Portanto,
N (D) =

p(t) = a0 + a1 t + a2 t2 + a3 t3 P3 : a1 = a2 = a3 = 0
156

Ou seja, no n
ucleo de D constam apenas os polin
omios constantes: p(t) = a0 .
Observe porque nenhum polin
omio do 1o grau poderia est
a no n
ucleo,
por exemplo:
p(t) = 1 + 3 t D(p(t)) = 3 6= 0
Proposi
c
ao 11. Seja F : U V uma transformaca
o linear. Ent
ao:
a ) N (F ) e um subespaco vetorial de U ;

b ) A transformaca
o linear F e injetora se, e somente se, N (F ) = { 0 }.
Prova: a ) Devemos mostrar que
N (F ) = { u U : F (u) = 0 }

e fechado para as operac


oes de espaco vetorial. Sejam u1 , u2 vetores arbitr
arios em N (F ), devemos provar que u1 + u2 N (F ). Com efeito, pela
definicao de n
ucleo temos F (u1 ) = 0 e F (u2 ) = 0, da
F (u1 ) + F (u2 ) = 0
Como F e linear resulta, F (u1 + u2 ) = 0. Logo, u1 + u2 N (F ).

Seja agora R e u N (F ), arbitrarios, devemos provar que u


N (F ).
Pela definic
ao de n
ucleo, temos F (u) = 0, da
F (u) = 0

Como F e linear resulta


F ( u) = 0
Logo, u N (F ), portanto o n
ucleo e um subespaco de U .

b ) Em enunciados de proposicoes tipo:


A transformac
ao linear F e injetora se, e somente se, N (F ) = { 0 }.

como se sabe, temos duas provas a fazer, a ida e a volta. Antes de


prossegui pedimos ao leitor para testar sua habilidade que tente descobrir quem, no enunciado acima, e hip
otese e quem e tese nos dois sentidos.
Pois bem, para compreendermos a tecnica de demonstracao a ser utilizada, reescrevemos nossa proposicao na seguinte forma
H1 ( H2 T )
onde,
H1

H2 T

F
e linear
F
e injetora

157

N (F )={ 0 }

Ou seja:
Se F e linear, ent
ao F e injetora se, e somente se, N (F ) = { 0 }..
Este teorema deve ser desdobrado assim

 ( ) H1 H2 T
H1 H2 T

( ) H H T 
1
2
Estes dois u
ltimos teoremas possuem as seguintes equivalencias

( ) H1 H2 T ( H1 H2 T )

( ) H
1

T H2

(p. 438)

( H1 T H2 )

Sendo assim temos:

( ) Resumimos a ida assim

H1 : F e linear.
H:
H : F e injetora.
2

T: N (F ) = { 0 }.

( ) Resumimos a volta assim

H1 : F e linear.
H:
H : N (F ) = { 0 }.
2

T: F e injetora.

Seja u N (F ), ent
ao F (u) = 0. Como F e linear segue que F ( 0) = 0,
da F (u) = F ( 0), agora usando a injetividade de F concluimos que u = 0.
Conclusao: Se F e injetora o seu n
ucleo se resume ao vetor nulo de U .

Ent
ao, dados u1 , u2 U arbitrarios devemos mostrar que
F (u1 ) = F (u2 ) u1 = u2

Pois bem,
F (u1 ) = F (u2 ) F (u1 ) F (u2 ) = 0
Como F e linear vale a propriedade P2

(p. 149),

isto e

F (u1 ) F (u2 ) = 0 F (u1 u2 ) = 0


Como, pela segunda hip
otese, no n
ucleo s
o existe o vetor nulo, temos
F (u1 u2 ) = 0 u1 u2 = 0 u1 = u2 .

158

Exemplo: Seja D : Pn Pn o operador de derivacao D(p) = p . Perguntamos se D e um operador injetor.


Inicialmente vamos encontrar o n
ucleo deste operador:
p(t) = a0 + a1 t + a2 t2 + + an tn D(p(t)) = a1 + 2 a2 t + + n an tn1
Logo,
D(p(t)) = 0 a1 = a2 = = an = 0.

Sendo assim resulta

N (D) = { p(t) = a0 : a0 R } =
6 { 0}
N (D) e o conjunto dos polin
omios constantes, logo D n
ao e injetor.
Veja, de uma outra perspectiva, porque D n
ao e um operador injetor:
P2

P2

p1 (t) = 1 + t + t2
s p(t) = 1 + 2 t

p2 (t) = 3 + t +

t2

p1 6= p2

D(p1 ) = D(p2 )

Na equac
ao (3.1) (p. 128) definimos a imagem de uma transformacao
arbitraria F : U V como: Im (F ) = { F (u) : u U }.
Na propriedade P3 (p. 150) provamos que se F e linear entao Im (F ) e
um subespaco vetorial de V .
Iremos agora demonstrar um importante teorema relacionando as dimensoes do n
ucleo e da imagem de uma transformacao linear.
Teorema 7 (Do N
ucleo e da Imagem). Sejam U e V espacos vetoriais de
dimens
ao finita sobre R. Dada uma transformaca
o linear F : U V , ent
ao
dim U = dim N (F ) + dim Im (F )
U
N (F )

(3.9)
V

Im (F )

Prova: Suponha que dim N (F ) = r e que B1 = { u1 , . . . , ur } e uma


base de N (F ). De acordo com o teorema do completamento (teo. 5, p. 99)
essa base pode ser estendida a uma base B2 = { u1 , . . . , ur , v1 , . . . , vs } de
U . Mostremos que B = { F (v1 ), . . . , F (vs ) } e uma base de Im (F ).
159

1o ) Inicialmente mostremos que B gera Im (F ). Seja v Im (F ) um


vetor arbitrario na imagem, entao existe u U tal que F (u) = v. Mas u e
combinac
ao linear dos vetores de B2 , o que implica na existencia de escalares
tais que:
u = 1 u1 + + r ur + 1 v1 + + s vs
Aplicando F , obtemos

F (u) = v = F (1 u1 + + r ur + 1 v1 + + s vs )
= 1 F (u1 ) + + r F (ur ) + 1 F (v1 ) + + s F (vs )
+ + r 0

= 1 0

+ 1 F (v1 ) + + s F (vs )

= 1 F (v1 ) + + s F (vs )
Observe que u1 , . . . , ur est
ao no n
ucleo, o que implica que suas imagens,
por F , e o vetor nulo. Pois bem, esta u
ltima igualdade prova que B gera a
imagem de F .
2o ) Vamos agora mostrar que B e linearmente independente, entao seja
1 F (v1 ) + + s F (vs ) = 0
Desta igualdade obtemos
F (1 v1 + + s vs ) = 0
Logo, o vetor 1 v1 + + s vs pertence ao n
ucleo de F , o que significa
que ele pode ser expresso como combinacao linear dos vetores de B1 , isto e,
existem escalares 1 , . . . , r R de modo que:
1 v1 + + s vs = 1 u1 + + r ur
Ent
ao
1 u1 + + r ur + (1 ) v1 + + (s ) vs = 0

Como o conjunto B2 e L.I., podemos concluir que todos os escalares que


figuram nesta u
ltima igualdade s
ao nulos. Em particular 1 = = s = 0.
Provamos assim que B, de fato, e L.I.. Resumindo, temos:
B1 = { u1 , . . . , ur }

base de

N (F )

dim N (F ) = r

B2 = { u1 , . . . , ur , v1 , . . . , vs }

base de

dim U = r + s

base de

Im (F )

dim Im (F ) = s

B = { F (v1 ), . . . , F (vs ) }
Sendo assim e verdade que:

dim U = dim N (F ) + dim Im (F ).




160

Exemplos:
1 ) No exemplo da p. 155 encontramos o n
ucleo da transformacao
F : R2 R3 , dada por F (x, y) = (0, 2x y, 0)
Agora encontremos sua imagem. A imagem da aplicacao F : U V e
encontrada assim:
Im (F ) = { F (u) : u U }

= { F (x, y) : (x, y) R2 }

= { (0, 2x y, 0) : (x, y) R2 } = { 2x y (0, 1, 0) : (x, y) R2 }


A imagem e gerada pelo vetor (0, 1, 0), isto e, Im (F ) = [ (0, 1, 0) ], e o
eixo oy. Veja:
y

N (F )

R2

R3

Im (F )

y = 2x
Temos: dim N (F ) = 1 e dim Im (F ) = 1, o que confirma
dim U = dim N (F ) + dim Im (F )
dim R2 =

2 ) No exemplo da p. 156 encontramos o n


ucleo da transformacao
F : R3 R3 , dada por F (x, y, z) = (x, y, 0)
Agora encontremos a imagem de F :
Im (F ) = { F (u) : u U }

= { F (x, y, z) : (x, y, z) R3 }

= { (x, y, 0) : (x, y, z) R3 }
Portanto, Im (F ) e o plano xoy. Veja:
161

N (F )

t (x, y, z)

t(x, y, z)
Im (F )
y

s(x, y, 0)
x

Temos: dim N (F ) = 1 e dim Im (F ) = 2, o que confirma


dim U = dim N (F ) + dim Im (F )
dim R3 =

3 ) Determine o n
ucleo e a imagem do operador F : R3 R3 , dado por
F (x, y, z) = (x 2y z, y + 2z, x + 3y + z).
Solu
c
ao:
N (F ) = { u U : F (u) = 0 }
= { (x, y, z) R3 : F (x, y, z) = (0, 0, 0) }
F (x, y, z) = (0, 0, 0) (x 2y z, y + 2z, x + 3y + z) = (0, 0, 0)
Donde resulta o sistema:

x 2y z = 0

y + 2z = 0

x + 3y + z = 0

cuja u
nica soluc
ao e (0, 0, 0). Logo, N (F ) = { 0 } = { (0, 0, 0) }.
Agora encontremos a imagem de F :
Im (F ) = { F (u) : u U }

= { F (x, y, z) : (x, y, z) R3 }

= { (x 2y z, y + 2z, x + 3y + z) : x, y, z R }
Vamos encontrar um conjunto de geradores para a imagem, assim:
(x 2y z, y + 2z, x+ 3y + z) = x ( ? , ? , ? ) + y ( ? , ? , ? ) + z ( ? , ? , ? )
Com um pouco de reflexao chegamos a
(x 2y z, y + 2z, x + 3y + z) = x (1, 0, 1) + y (2, 1, 3) + z (1, 2, 1)
162

Logo, qualquer vetor da imagem e combinacao linear destes tres vetores e,


portanto:
Im (F ) = [ (1, 0, 1), (2, 1, 3), (1, 2, 1) ]

Como { (1, 0, 1), (2, 1, 3), (1, 2, 1) } e L.I. pelo teorema 4 (p. 99) e uma
base do subespaco Im (F ) e pela proposicao 8 (p. 99) podemos concluir que
Im (F ) = R3 . Geometricamente tudo se passa assim:
z

t(2, 1, 3)

F
t(1, 2, 1)

N (F )

(1, 0, 1)

Temos: dim N (F ) = 0 e dim Im (F ) = 3, o que confirma


dim U = dim N (F ) + dim Im (F )

dim R3 =

4 ) Determine uma aplicac


ao linear F : R3 R4 tal que

Im (F ) = [ (3, 1, 2, 1), (4, 1, 0, 1) ]

Solu
ca
o: Como dim Im (F ) = 2, entao dim N (F ) = 1. Como, pela propriedade P5 (p. 151), uma transformacao linear fica completamente definida
quando se conhecem as imagens dos vetores de uma base do domnio, podemos escollher, por exemplo
F (1, 0, 0) = (0, 0, 0, 0), F (0, 1, 0) = (3, 1, 2, 1), F (0, 0, 1) = (4, 1, 0, 1)
A imagem ser
a o conjunto dado porquanto sendo
(x, y, z) = x (1, 0, 0) + y (0, 1, 0) + z (0, 0, 1)
temos
F (x, y, z) = x F (1, 0, 0) + y F (0, 1, 0) + z F (0, 0, 1)
= x (0, 0, 0, 0) + y (3, 1, 2, 1) + z (4, 1, 0, 1)
= (3y + 4z, y + z, 2y, y z)
163

Obviamente que este problema admite outras solucoes.


Podemos confirmar o resultado obtido calculando a imagem de F , assim:
Im (F ) = { F (u) : u U }

= { F (x, y, z) : (x, y, z) R3 }

= { (3y + 4z, y + z, 2y, y z) : (x, y, z) R3 }

= { y (3, 1, 2, 1) + z (4, 1, 0, 1) : (x, y, z) R3 }


Isto mostra que Im (F ) = [ (3, 1, 2, 1), (4, 1, 0, 1) ].

5 ) Determine o n
ucleo e a imagem, bem como as dimens
oes respectivas da

transformac
ao F : P2 (R) P3 (R) dada por F f (t) = f (t) + t2 f (t).
Solu
c
ao: Antes da resolucao propriamente, veja um exemplo de como
esta transformac
ao funciona (atua):
P2 (R)

P3 (R)

f (t) = 2 + 4 t + 5 t2


F f (t) =

f (t)

+ t2 f (t)

F (2 + 4 t + 5 t2 ) = (2 + 4 t + 5 t2 ) + t2 (2 + 4 t + 5 t2 )
= (2 + 4 t + 5 t2 ) + t2 (0 + 4 + 10 t)
= 2 + 4 t + 9 t2 + 10 t3
Pois bem, encontremos o n
ucleo da tranformacao:
N (F ) = { u U : F (u) = 0 }
= { a + b t + c t2 P2 (R) : F (a + b t + c t2 ) = 0 }
Devemos resolver a equacao
F (a + b t + c t2 ) = 0 (a + b t + c t2 ) + t2 (a + b t + c t2 ) = 0
a + b t + (b + c) t2 + 2c t3 = 0
Ou ainda,
a + b t + (b + c) t2 + 2c t3 = 0 + 0 t + 0 t2 + 0 t3 a = b = c = 0.
Logo, N (F ) = { 0 }. Sendo assim dim N (F ) = 0. Por outro lado, seja f (t)
um polin
omio generico da Im (F ). Entao
f (t) = a + b t + (b + c) t2 + 2c t3
= a + b ( t + t2 ) + c ( t2 + 2 t3 )
164

Esta u
ltima igualdade mostra que Im (F ) = [ 1, t + t2 , t2 + 2 t3 ]. Como
esses tres vetores que geram a imagem de F s
ao L.I. (verifique) entao
{ 1, t + t2 , t2 + 2 t3 } e uma base de Im (F ).

6 ) Encontre uma transformac


ao linear F : R3 R2 cujo n
ucleo seja gerado
pelo vetor (1, 1, 0).
y

F =?

R3

N (F )

R2

s(1, 1, 0)
x

Solu
ca
o: A ideia a ser utilizada na resolucao est
a contida na propriedade
P5 (p. 151).
O conjunto B = { (1, 1, 0), (0, 1, 0), (0, 0, 1) } e uma base do R3 que
completa a base { (1, 1, 0) } do n
ucleo da transformacao que procuramos.
Se tomarmos F (0, 1, 0) e F (0, 0, 1) linearmente independentes teremos
uma base da imagem de Im (F ). Facamos entao F (0, 1, 0) = (1, 0) e
F (0, 0, 1) = (0, 1).
y

F =?

R3

R2
s(0, 1)

(0, 0, 1) s

(0, 1, 0)

(1, 0)

(1, 1, 0)
x

Agora vamos escrever um vetor generico do R3 como combinacao linear


dos vetores da base B, assim:
(x, y, z) = (1, 1, 0) + (0, 1, 0) + (0, 0, 1)
= x (1, 1, 0) + (y x) (0, 1, 0) + z (0, 0, 1)
165

Portanto,
F (x, y, z) = x F (1, 1, 0) + (y x) F (0, 1, 0) + z F (0, 0, 1)
= x (0, 0) + (y x) (1, 0) + z (0, 1) = (y x, z)
Naturalmente que este problema possui outras solucoes, a bem da verdade infinitas.
Corol
ario 4. Sejam U e V espacos vetoriais sobre R com a mesma dimens
ao finita n e suponhamos F : U V uma transformaca
o linear. Ent
ao
s
ao equivalentes as seguintes afirmaco
es:
( I ) F e sobrejetora.
( II ) F e bijetora.
( III ) F e injetora.
( IV ) F transforma uma base de U em uma base de V (isto e, se B e
uma base de U , ent
ao F (B) e base de V ).
Prova: Devemos mostrar as seguintes implicacoes:
( I ) ( II ) ( III ) ( IV ) ( I )
Ent
ao: ( I ) ( II )

Como F e sobrejetora entao Im (F ) = V . Temos ainda, por hip


otese,
que dim U = dim V , logo, da equacao dim U = dim N (F ) + dim Im (F )
resulta que dim N (F ) = 0. Logo N (F ) = { 0 } e F e injetora; sendo F
sobrejetora e injetora resulta bijetora.
imediato.
( II ) ( III ) E

( III ) ( IV ). Sendo B = { u1 , . . . , un } uma base de U mostremos que


F (B) = { F (u1 ), . . . , F (un ) } e uma base de V . Inicialmente observamos
que F (B) tem o mesmo n
umero de vetores que B pelo fato de F ser injetora.
Ent
ao e suficiente mostrar que F (B) e L.I. Consideremos a combinacao
linear:
1 F (u1 ) + + n F (un ) = 0
Sendo F linear podemos escrever
F ( 1 u1 + + n un ) = 0
Sendo F injetora resulta que
1 u1 + + n un = 0
Como B e L.I. concluimos que 1 = 0, . . . , n = 0.
( IV ) ( I ). Tomando um vetor arbitrario no contradomnio, digamos v V , devemos provar que ele e imagem de algum vetor do domnio.
166

Sendo B = { u1 , . . . , un } uma base de U , por hip


otese resulta que F (B) =
{ F (u1 ), . . . , F (un ) } e uma base de V . Logo v e combinacao linear de F (B),
isto e, existem n
umeros i tais que:
v = 1 F (u1 ) + + n F (un )
Pela linearidade de F resulta
v = F ( 1 u1 + + n un )
Portanto v e imagem, por F , de u = 1 u1 + + n un U .

Como a teoria qu
antica, em que as leis da fsicas assumem novas
formas bizarras, mas somente em domnios muito menores do que os
encontrados na vida di
aria, o espaco curvo pode existir, mas sendo t
ao
pr
oximo do euclidiano que, na escala da vida terrestre normal, n
ao detectamos a diferenca. E no entanto, como a teoria qu
antica, as implicacoes
da curvatura para as teorias da fsica podem ser enormes.
(Leonard Mlodinow/A janela de Euclides, p. 111)

Schwarz viu algo na teoria das cordas que outros poucos viram, uma
beleza matem
atica essencial que ele sentiu que n
ao podia ter sido acidental. A teoria era difcil de ser desenvolvida, mas isso n
ao o desanimou.
Ele estava tentando resolver um problema que confundiu Einstein e todo
mundo depois de Einstein reconciliar a teoria qu
antica com a relatividade. A soluca
o n
ao poderia ser f
acil.
(A janela de Euclides, p. 218)

167

3.4

Isomorfismo entre espacos vetoriais

Isomorfismo: e uma palavra formada pelos radicais gregos iso, que significa identico e morfo, que significa forma. Formas identicas.
No contexto dos isomorfismos podemos mais uma vez apreciar a diferenca
entre conjuntos e estruturas (p. 19). Dois objetos isomorfos s
ao identicos
como estruturas (estruturalmente falando) embora possam diferir nos conjuntos subjacentes `
as respectivas estruturas.
Por exemplo, observe o conjunto das pecas do xadrez

A =

E um conjunto formado por gr


aos de cereais (arroz, feij
ao, milho, etc.)

, ...

B =

Como conjuntos A 6= B, ja que tem elementos de naturezas distintas. No


entanto, podemos jogar xadrez substituindo cada peca por gr
aos de cereais,
como ja assinalamos na p
agina 21. Portanto as duas estruturas (jogos) a
seguir s
ao equivalentes, ou isomorfas:
A = ( A, regras xadrez ) B = ( B, regras xadrez )
Ou ainda,

..
.

..
.

168

Vejamos um exemplo na matem


atica. Considere os dois conjuntos a
seguir:
P1 = { a0 + a1 t : ai R }
e
R2 = { (a, b) : a, b R }
O primeiro e um conjunto de polin
omios com coeficientes reais, o segundo
e um conjunto de pares ordenados de n
umeros reais. Como estes conjuntos
tem elementos de naturezas distintas eles s
ao distintos: P1 6= R2 .
Agora, erigindo sobre estes conjuntos estruturas de espacos vetoriais:
P1 = ( P1 , +, )

R2 = ( R2 , +, )

seus respectivos vetores se comportam de forma identica, relativamente `as


operacoes dos espacos vetoriais, veja:
( i ) Quanto `
a adic
ao:
R2

P1
p(t) = a + b t

u = (a, b)

q(t) = c + d t

v = (c, d)

p(t) + q(t) = (a + c) + (b + d) t

u + v = (a + c, b + d)

( ii ) Quanto `
a multiplicac
ao:
R2

P1
p(t) = a + b t

u = (a, b)

p(t) = ( a) + ( b) t

u = ( a, b)

Devido a esta semelhanca estrutural dizemos que estes dois espacos vetoriais s
ao isomorfos: P1 = R2 . Mais precisamente:
Defini
c
ao 21 (Isomorfismo). Uma transformaca
o linear F : U V e um
isomorfismo quando e bijetora. Se U e V s
ao dois espacos vetoriais tais que
existe um isomorfismo de U em V , ent
ao dizemos que U e V s
ao isomorfos
e denotamos por U = V.

169

Um isomorfismo F : U U e dito um automorfismo de U .


Exemplos:
1 ) A transformac
ao F : P2 R3 dada por
F ( a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 )
e um isomorfismo. Observe que F extrai de um polin
omio seus coeficientes.
Apenas a ttulo informativo, duas das especialidades
da calculadora HP50g e matrizes e algebra linear; na tela
ao lado simulamos a transformacao F dada acima: entramos com um polin
omio e na sada temos seus coeficientes.
Deixamos a linearidade de F para o leitor provar. Vamos provar que F
e bijetora. Temos duas alternativas para mostrar que F e injetora:
1a ) Diretamente da definicao:
p1 , p2 P2 , F (p1 ) = F (p2 ) p1 = p2 .
Ent
ao:
p2

p1

F ( a 0 + a 1 x + a 2 x 2 ) = F ( b0 + b1 x + b2 x 2 )
F (p1 )

F (p2 )

(a0 , a1 , a2 ) = (b0 , b1 , b2 ) a0 = b0 , a1 = b1 , a2 = b2 p1 = p2
2a ) Encontrando o n
ucleo:
N (F ) = { u U : F (u) = 0 }
= { p P2 : F (p) = 0 }
Devemos resolver a equacao:
F (p) = 0 F ( a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 ) = (0, 0, 0)
Logo, a0 = a1 = a2 = 0 e resulta p = 0, portanto N (F ) = { 0 }, logo, F e
injetiva.
Temos duas alternativas para mostrar que F e sobrejetora:
Diretamente da definicao: F : U V e sobre sse

1a )

v V, existe u U tal que F (u) = v.


170

Com efeito, dado v = (a, b, c) R3 tomamos u = a + b x + c x2 P2 e


teremos F (u) = v.
ario 4 (p. 166). Com efeito, os espacos R3 e P2 tem a
2a ) Fazendo uso do corol
mesma dimensao; logo, pelo corol
ario, injetividade implica sobrejetividade.
3
2 ) Mostre que o operador F : R R3 dado por
F (x, y, z) = (x + z, x z, y)
e um automorfismo. Encontre F 1 .
Solu
c
ao: Para mostrar que F e injetora encontremos seu n
ucleo, assim:
N (F ) = { u U : F (u) = 0 }

= { (x, y, z) R3 : (x + z, x z, y) = (0, 0, 0) }

Resolvendo o sistema

x+z =0

xz =0

y=0

encontramos a soluc
ao (
unica) (0, 0, 0) = 0. Logo, N (F ) = { 0 } e F
resulta injetora. Como o domnio e o contradomnio de F tem a mesma
dimensao podemos recorrer ao corol
ario 4 para concluir que F e tambem
sobrejetora, portanto bijetora, um automorfismo.
Agora devemos encontrar F 1 (x, y, z) = (?, ?, ?). Facamos F 1 (x, y, z) =
(a, b, c) onde as coordenadas a, b e c, que s
ao funcoes de x, y e z, devem ser
encontradas. Ent
ao
F 1 (x, y, z) = (a, b, c) (x, y, z) = F (a, b, c) = (a + c, a c, b)
Daqui extraimos o seguinte sistema

a+c=x

cuja soluc
ao e: a =

x+y
2 ,

F 1 (x, y, z) =

ac=y
b=z

b=z e c=
x+y
2

, z,

xy
2

. Portanto:

xy  1
= (x + y, 2z, x y)
2
2

171

3 ) A transformac
ao F : M23 R23 dada por


a11 a12 a13
= ( a11 , a12 , a13 , a21 , a22 , a23 )
F
a21 a22 a23
e um isomorfismo. Deixaremos a prova como exerccio ao leitor.
Nos limitaremos a fornecer uma formula que nos permite resolver o
seguinte problema: Dada a posicao (i, j) de um termo qualquer na matriz,
determinar sua posic
ao (localizacao) n no vetor de R6 .
A formula e a seguinte:
(prop. 13, p. 183)
n = N (i 1) + j

(3.10)

onde N e o n
umero de colunas na matriz. Esta formula nos mostra como
transferir os elementos da matriz para o vetor de R6 . Por exemplo:
a11

n = 3(1 1) + 1 = 1

( a11 , ? , ? , ? , ? , ? )

a12

n = 3(1 1) + 2 = 2

( a11 , a12 , ? , ? , ? , ? )

a13

n = 3(1 1) + 3 = 3

( a11 , a12 , a13 , ? , ? , ? )

a21

n = 3(2 1) + 1 = 4

( a11 , a12 , a13 , a21 , ? , ? )

a22

n = 3(2 1) + 2 = 5

( a11 , a12 , a13 , a21 , a22 , ? )

a23

n = 3(2 1) + 3 = 6

( a11 , a12 , a13 , a21 , a22 , a23 )

Portanto:


a11
a21

a12
a22

a13
a23

( a11 , a12 , a13 , a21 , a22 , a23 )

Mais geralmente essa ideia pode ser usada para mostrar que o espaco
vetorial Mmn das matrizes retangulares mn com entradas reais e isomorfo
a Rmn .
4 ) A transformac
ao T : R23 M23 dada por

a1 a2
T ( a1 , a2 , a3 , a4 , a5 , a6 ) =
a4 a5

a3
a6

e um isomorfismo. Deixaremos a prova como exerccio ao leitor.


Nos limitaremos a fornecer uma formula que nos permite resolver o
seguinte problema: Dada a posicao n de um termo qualquer no vetor de
R23 , determinar sua posicao (localizacao) na matriz.
A formula e a seguinte:
(prop. 13, p. 183)



i = n1
+1
N

j = n N n1 
N
172

onde N e o n
umero de colunas na matriz. x e chamado o maior inteiro
que n
ao supera x (func
ao piso).
Esta formula nos mostra como transferir os elementos do vetor de R23
para a matriz. Por exemplo:



i = 51
+1 =2
3
a5
j = 5 3 51  = 2
3

Ou seja, a quinta coordenada do ponto (n = 5) ocupara a posicao (i, j) =


(2, 2) da matriz, assim:


(a1 , a2 , a3 , a4 , a5 , a6 , )

Em [9] mostramos aplicac


oes destas formulas na computacao.

O pr
oximo teorema um dos mais importantes resultados da Algebra
Linear generaliza os exemplos anteriores e revela a import
ancia fundamental do espaco vetorial Rn .
Teorema 8. Qualquer espaco vetorial real n-dimensional e isomorfo a Rn .
Prova: Seja U um espaco vetorial real n-dimensional. Para provar que
U e isomorfo a Rn devemos encontrar uma transformacao linear F : U Rn
que seja bijetora. Com este desiderato em mente considere { u1 , u2 , . . . , un }
uma base qualquer de U . Agora seja
u = 1 u1 + 2 u2 + + n un
a representac
ao de um vetor arbitrario u pertencente a U como combinacao
linear dos vetores da base. Vamos definir uma transformacao F : U Rn
por
F (u) = ( 1 , 2 , . . . , n )
Mostremos que F e um isomorfismo (linear, injetora e sobre). Para provar
a linearidade sejam u e v dois vetores de U e um escalar e sejam
u = 1 u1 + 2 u2 + + n un e v = 1 u1 + 2 u2 + + n un (3.11)
as representac
oes de u e v como combinacao linear dos vetores da base.
Sendo assim, temos:

F (u + v) = F (1 + 1 ) u1 + (2 + 2 ) u2 + + (n + n ) un
= ( 1 + 1 , 2 + 2 , . . . , n + n )

= ( 1 , 2 , . . . , n ) + ( 1 , 2 , . . . , n )
= F (u) + F (v)
173

e
F ( u) = F ( 1 u1 + 2 u2 + + n un )
= ( 1 , 2 , . . . , n )
= (1 , 2 , . . . , n )
= F (u)
Para mostrar que F e injetora, devemos mostrar que se u e v s
ao vetores
distintos, ent
ao tambem o s
ao suas imagens por F . Mas se u 6= v e se as
representac
oes desses vetores em funcao dos vetores da base s
ao como em
(3.11), ent
ao devemos ter k 6= k para algum 1 k n. Assim,
F (u) = ( 1 , 2 , . . . , n ) 6= ( 1 , 2 , . . . , n ) = F (v)
mostrando que u e v tem imagens distintas por F .
Finalmente, para provar a sobrejetividade de F podemos invocar o corol
ario
4 (p. 166) ja que os espacos tem a mesma dimensao; ou, alternativamente,
dado w = (a1 , a2 , . . . , an ) Rn , entao w e imagem por F do vetor

u = a1 u1 + a2 u2 + + an un de U .
Exemplos:
Daremos dois exemplos de contextualizacao do teorema anterior:
1 ) O isomorfismo natural de Pn1 em Rn .
Rn

Pn1
a0 + a1 x + + an1 xn1

( a0 , a1 , . . . , an1 )

Essa transformac
ao e denominada o isomorfismo natural de Pn1 em
Rn , pois, como mostra o esquema a seguir, ela leva a base natural 1, x, x2 ,
. . . , xn1 de Pn1 na base can
onica de Rn .
Rn

Pn1
1 = 1 + 0 x + 0 x2 + + 0 xn1

x = 0 + 1 x + 0 x2 + + 0 xn1

x2 = 0 + 0 x + 1 x2 + + 0 xn1


F
xn1 = 0 + 0 x + 0 x2 + + 1 xn1
174

( 1, 0, 0, . . . , 0 )
( 0, 1, 0, . . . , 0 )
( 0, 0, 1, . . . , 0 )

( 0, 0, 0, . . . , 1 )

2 ) O isomorfismo natural de M22 em R4 .


As matrizes
#
# "
# "
# "
"
0 0
0 0
0 1
1 0
,
,
,
0 1
1 0
0 0
0 0
formam a base can
onica do espaco vetorial M22 . Seguindo a prova do
teorema 8, podemos construir um isomorfismo F : M22 R4 escrevendo
primeiramente uma matriz A de M22 em funcao dos vetores da base como
#
"
#
"
#
"
#
"
"
#
0 0
0 0
0 1
1 0
a11 a12
+a22
+a21
+a12
A=
= a11
0 1
1 0
0 0
0 0
a21 a22
e entao definindo F como: F (A) = ( a11 , a12 , a21 , a22 ).
Proposi
c
ao 12. Se F e um isomorfismo de U em V , ent
ao F 1 : V U
tambem e um isomorfismo.
Prova: Inicialmente vamos mostrar que F 1 : V U e injetora. Devemos mostrar que
v1 , v2 V, F 1 (v1 ) = F 1 (v2 ) v1 = v2 .
Suponhamos v1 , v2 V e F 1 (v1 ) = F 1 (v2 ).
U

V
F

F 1 (v

)=

F 1 (v

s v2

F 1

s v1

Aplicando F a ambos os membros da u


ltima igualdade obtemos


F 1 (v1 ) = F 1 (v2 ) F F 1 (v1 ) = F F 1 (v2 ) v1 = v2 .

Veja equac
ao (3.3)

(p. 133).

Para verificar que F 1 : V U e sobrejetora tomamos um vetor arbitr


ario u U , e mostremos que ele e imagem, por F 1 , de algum elemento
do domnio V .
U

V
F
s v = F (u)

u s
F 1
175

Como u pertence ao domnio de F ele possui uma imagem, digamos F (u) =


v V . Afirmamos que v e, precisamente, o vetor do qual u e imagem por
F 1 ; de fato

F 1 (v) = F 1 F (u) = u.
Mostremos agora que F 1 e linear. Sejam v1 , v2 V , inicialmente
desejamos mostrar que
F 1 (v1 + v2 ) = F 1 (v1 ) + F 1 (v2 )

(3.12)

Como F e sobrejetora, entao existem u1 , u2 U de maneira que



F (u1 ) = v1
u1 = F 1 (v1 )
u2 = F 1 (v2 )

F (u2 ) = v2
U

u1 s

sv

s v1 + v2

u2 s

sv2

F 1

Substituindo estes resultados no lado esquerdo da igualdade (3.12) obtemos:




F 1 (v1 + v2 ) = F 1 F (u1 ) + F (u2 ) = F 1 F (u1 + u2 )
= u1 + u2

= F 1 (v1 ) + F 1 (v2 )
Sejam v V e R, desejamos mostrar que
F 1 ( v) = F 1 (v)

(3.13)

Como F e sobrejetora, entao existe u U de maneira que



F (u) = v
u = F 1 (v)

Substituindo estes resultados no lado esquerdo da igualdade (3.13) obtemos:




F 1 ( v) = F 1 F (u) = F 1 F ( u)
= u

= F 1 (v)


176

A proposic
ao que acabamos de demonstrar nos mostra, sob uma nova
perspectiva, por que dois espacos vetoriais isomorfos podem ser considerados
indistintos:
F

U
su
sv

F 1

V
s F (u)

s u = ?

s F (v)

su + v =?

U


s F 1 F (u) = u

s F (u)

s F 1 F (u) + F (v) = u + v

s F (u) + F (v)

A figura acima nos diz que, ao inves de operarmos com vetores no espaco
vetorial U , podemos trabalhar sobre suas imagens (por F ) em V e, ap
os,
transferimos (por F 1 ) os resultados de volta a U , e indiferente.
No teorema 8 provamos que todo espaco vetorial n-dimensional e isomorfo a Rn , sendo assim podemos dizer que Rn e o espaco vetorial universal
no sentido de que todos os outros s
ao imagens do Rn . Para contextualizar:
Rn

Pn1
a0 + a1 x + + an1 xn1

F
F 1

( a0 , a1 , . . . , an1 )

ou ainda
R4

M22
"

a11
a21

a12
a22

F
F 1

( a11 , a12 , a21 , a22 )

Generalizando este u
ltimo exemplo
Rmn

Mmn

a11 a12 . . . a1n


F
....................
F 1
am1 am2 . . . amn

( a11 , a12 , . . . , a1n , . . . , am1 , am2 , . . . , amn )

Podemos, alternativamente, ver um isomorfismo F : U V como uma


codifica
c~
ao entre vetores. Podemos chamar as codificacoes exemplificadas
acima como codificaco
es naturais (ou can
onicas) ja que elas codificam (transformam) a base can
onica de um espaco na base can
onica do outro.
importante observar que podem existir, entre dois espacos vetoriais,
E
outros isomorfismos alem do isomorfismo natural. De outro modo: pode
existir mais de uma codificac
ao para os vetores de um espaco. Vejamos um
exemplo:
177

Exemplo: A aplicacao F : P1 (R) R2 definida por F (a + b x) =


(a, b a) e tambem um isomorfismo; isto e, nos d
a uma outra codificacao
de um polin
omio por um par ordenado. De fato,
( I ) F e injetora, pois, dados p1 (x) = a + b x e p2 (x) = c + d x, temos:
F (p1 ) = F (p2 ) (a, b a) = (c, d c) a = c, b = d p1 = p2 .
( II ) Para mostrar que F e sobrejetora, considere um vetor arbitrario
(a, b) de R2 , desejamos mostrar que ele e imagem de algum polin
omio p(x) =
a0 + a1 x de P1 (R), assim:
F (p) = (a, b)
(a0 , a1 a0 ) = (a, b) a0 = a, a1 = a + b.
Logo, p(x) = a + (a + b) x e o polin
omio procurado, veja:

F (p) = a, (a + b) a = (a, b)

( III ) F e linear, pois, dados p1 (x) = a + b x e p2 (x) = c + d x, temos:




( i ) F ( p1 + p2 ) = F (a + c) + (b + d) x = (a + c), (b + d) (a + c)

= a + c, (b a) + (d c)
= (a, b a) + (c, d c)
= F ( p1 ) + F ( p2 )

e
( ii ) F ( p1 ) = F ( a + b x) = ( a, b a)
= (a, b a) = F (p1 )
O nosso objetivo agora ser
a ampliar a informacao contida no teorema 8
no sentido de provar que todos os espacos vetoriais de mesma dimensao s
ao
isomorfos. Necessitaremos do seguinte
Lema 2. Sejam U e V espacos vetoriais sobre R. Seja B = { u1 , u2 , . . . , un }
uma base de U e sejam v1 , v2 , . . . , vn vetores quaisquer em V . Ent
ao existe
uma u
nica aplicaca
o linear F : U V tal que
F (u1 ) = v1 , F (u2 ) = v2 , . . . , F (un ) = vn .
U

u1 s

sv

sv

u2 s .
.

s vn

un s

178

(3.14)

Os vetores v1 , v2 , . . . , vn do lema 2 s
ao completamente arbitrarios; eles
podem ser linearmente independentes ou ate mesmo serem iguais entre si.
Prova: A demonstrac
ao deste teorema consta de tres partes:
1a ) Construir uma aplicac
ao F : U V tal que (3.14) se verifique;
a
2 ) Mostrar que F e linear;
nica.
3a ) Mostrar que F e u
Entao:
1a ) Seja u U . Como { u1 , u2 , . . . , un } e uma base de U , existem e s
ao
u
nicos os escalares 1 , 2 , . . . , n R tais que
u = 1 u1 + 2 u2 + + n un
Definimos F : U V como
F (u) = 1 v1 + 2 v2 + + n vn
(Como os i s
ao u
nicos, F est
a bem definida.). Agora observe que
u1 = 1 u1 + 0 u2 + + 0 un

F (u1 ) = 1 v1 + 0 v2 + + 0 vn = v1

u2 = 0 u1 + 1 u2 + + 0 un

F (u2 ) = 0 v1 + 1 v2 + + 0 vn = v2

............................ ... ....................................


un = 0 u1 + 0 u2 + + 1 un

F (un ) = 0 v1 + 0 v2 + + 1 vn = vn

ou seja, F cumpre as condic


oes dadas em (3.14), a primeira parte da demonstracao est
a completa.
2a ) Consideremos u e u vetores arbitrarios em U . Podemos escrever
u = 1 u1 + 2 u2 + + n un , u = 1 u1 + 2 u2 + + n un
Entao
u + u = (1 + 1 ) u1 + (2 + 2 ) u2 + + (n + n ) un
Temos
F (u + u ) = (1 + 1 ) v1 + (2 + 2 ) v2 + + (n + n ) vn
= (1 v1 + 2 v2 + + n vn ) + (1 v1 + 2 v2 + + n vn )

= F (u) + F (u )
e

F ( u) = F ( 1 ) u1 + ( 2 ) u2 + + ( n ) un
= ( 1 ) v1 + ( 2 ) v2 + + ( n ) vn
= (1 v1 + 2 v2 + + n vn )
= F (u)
Assim, F e linear.
179

3a ) Suponhamos G : U V uma outra aplicacao linear e tal que G(ui ) = vi


para i = 1, . . . , n. Seja
u = 1 u1 + 2 u2 + + n un
um vetor arbitrario em U . Entao,
G(u) = G(1 u1 + 2 u2 + + n un ) = 1 G(u1 ) + 2 G(u2 ) + + n G(un )
= 1 v1 + 2 v2 + + n vn
= F (u)
Como G(u) = F (u) para todo u U , pela definicao 14 (p. 128), resulta
G = F . Assim, F e u
nica.

Para uma contextualizacao deste teorema veja a propriedade P5 (p. 151) e
o exemplo que se lhe segue.
Teorema 9. Dois espacos U e V de dimens
ao finita s
ao isomorfos se, e
somente se, dim U = dim V .
T: dim U = dim V .
Prova: ( ) H: U e V isomorfos.
Seja F : U V um isomorfismo. Daqui colhemos duas informacoes relevantes: N (F ) = { 0 } e Im (F ) = V . Do teorema do n
ucleo e da imagem,
concluimos que
dim U = dim N (F ) + dim Im (F )

dim U =

+ dim V

( ) H: dim U = dim V .

T: U e V isomorfos.

Sejam B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vn } bases de U e V ,
respectivamente. Sendo u = 1 u1 + 2 u2 + + n un U consideremos
F : U V dada por
F (u) = 1 v1 + 2 v2 + + n vn
conforme lema 2. Assim, F e linear. Vamos mostrar que F e bijetora.
Encontremos o n
ucleo de F :
N (F ) = { u U : F (u) = 0 }
= { u U : 1 v1 + 2 v2 + + n vn = 0 }
Como C e L.I., resulta 1 = 2 = . . . = n = 0. Sendo assim,
u = 0 u1 + 0 u2 + + 0 un = 0
e o u
nico morador do n
ucleo de F , logo F e injetora. O corol
ario 4
nos assegura ent
ao que F e sobrejetora e portanto F e isomorfismo.
180

(p. 166)

A ttulo de ilustrac
ao vamos construir um isomorfismo entre os espacos
P3 e M22 . Isto e, pretendemos construir uma transformacao F : P3
M22 que seja linear e bijetora.
Para tanto podemos considerar as bases can
onicas destes espacos:
B = { 1, x, x2 , x3 }
e
C=

("

1 0
0 0

"

0 1
0 0

"

0 0
1 0

"

0 0
0 1

#)

Sendo p = a0 + a1 x + a2 x2 + a3 x3 P3 , definimos
#
"
#
"
#
"
#
"
0 0
0 0
0 1
1 0
+ a3
+ a2
+ a1
F (p) = a0
0 1
1 0
0 0
0 0
Ou seja, o isomorfismo que codifica um polin
omio de P3 como uma matriz
de M22 (considerando-se as bases can
onicas destes espacos) e dado por
"
#
a
a
0
1
F ( a0 + a1 x + a2 x 2 + a3 x 3 ) =
a2 a3

3.4.1

Exerccios

1) Seja a transformac
ao linear
F : R3 R2 , F (x, y, z) = (x y + 4z, 3x + y + 8z)
a ) Dar uma base e a dimensao de N (F );

b ) Dar uma base e a dimensao de Im (F ).

c ) Verifique a equac
ao do n
ucleo e da imagem equacao (3.9),

p. 159.

2) Dado o operador linear

F : R3 R3 , F (x, y, z) = (x + 2y z, y + 2z, x + 3y + z)
a ) Determine o n
ucleo de F , a dimensao do n
ucleo e uma de suas bases;
b ) Determine a imagem de F , a dimensao da imagem e uma de suas
bases;
c ) Verifique a equac
ao do n
ucleo e da imagem.
181

3) Dado o operador linear


F : P2 P2 ,


F f (t) = t2 f (t)

a ) Determine o n
ucleo de F , a dimensao do n
ucleo e uma de suas bases;
b ) Determine a imagem de F , a dimensao da imagem e uma de suas
bases;
c ) Verifique a equacao do n
ucleo e da imagem.
4) No exemplo 5 ) (p. 164) a transformacao F n
ao e sobrejetora, encontre um
vetor no contradomnio que n
ao pertenca `a imagem.
5) Dado o operador linear
F : M2 M2 ,

F (X) = M X + X , onde M =

1 1
0 0

a ) Determine o n
ucleo de F , a dimensao do n
ucleo e uma de suas bases;
b ) Determine a imagem de F , a dimensao da imagem e uma de suas
bases;
c ) Verifique a equacao do n
ucleo e da imagem.
6) Dado o operador linear
F : M2 M2 ,

F (X) = M X X M , onde M =

1 2
0 1

a ) Determine o n
ucleo de F , a dimensao do n
ucleo e uma de suas bases;
b ) Determine a imagem de F , a dimensao da imagem e uma de suas
bases;
c ) Verifique a equacao do n
ucleo e da imagem.
7) Considere a transformacao nula 0 : U V definida por 0(u) = 0, u
U . Determine o n
ucleo e a imagem de 0.
8) Determine um operador linear F : R3 R3 cuja imagem e gerada pelos
vetores (2, 1, 1) e (1, 1, 2).

9) Determine um operador linear F : R4 R4 cujo n


ucleo e gerado pelos
vetores (1, 1, 0, 0) e (0, 0, 1, 0).
10) Encontre n
umeros a, b, c, d de modo que o operador F : R2 R2 dado
por F (x, y) = (ax + by, cx + dy) tenha como n
ucleo a reta y = 2x.

11) Encontre n
umeros a, b, c, d de modo que o operador F : R2 R2 dado
por F (x, y) = (ax + by, cx + dy) tenha como imagem a reta y = 2x.
12) Defina um operador F : R2 R2 que tenha como n
ucleo a reta y = x
e como imagem a reta y = x.
F (x, y) = (ax + by, cx + dy) tenha como imagem a reta y = 2x.
182

13) Determine uma transfromac


ao linear F : R3 R4 tal que
N (F ) = { (x, y, z) R3 : z = x y }
14) Seja F : R3 R2 a transformacao linear tal que F (e1 ) = (1, 2),
F (e2 ) = (0, 1) e F (e3 ) = (1, 3), sendo { e1 , e2 , e3 } a base can
onica
3
do R .
a ) Determine o n
ucleo de F e uma de suas bases. F e injetora?
b ) Determine a imagem de F e uma de suas bases. F e sobrejetora?
15) Mostre que cada um dos operadores lineares do R3 a seguir e inversvel
e determine o isomorfismo inverso em cada caso:
a ) F (x, y, z) = (x 3y 2z, y 4z, z);
b ) F (x, y, z) = (x, x y, 2x + y z).

16) Mostre que a transformac


ao linear
F : P2 R3 ,

F (a + b t + c t2 ) = (a, a + b, b c)

e um isomorfismo e determine o isomorfismo inverso.


17) Mostre que o espaco vetorial R2 e isomorfo ao subespaco
W = { (x, y, z) R3 : z = 0 } (W representa o plano xoy do R3 ).

18) Mostre que o espaco vetorial R2 e isomorfo a qualquer subespaco de


dimensao 2 do R3 .

19) Sejam U e V subespacos do espaco W = U V . Consideremos o espaco


vetorial U V cuja adic
ao e (u1 , v1 ) + (u2 , v2 ) = (u1 + u2 , v1 + v2 ) e cuja
multiplicac
ao por escalares e dada por (u, v) = ( u, v). Mostrar que e
um isomorfismo de U V em W a aplicacao assim definida: F (u, v) = u+v.

20) Considere a transformac


ao F : R2 R2 definida por F (x, y) = (3y, 2x).
Seja o crculo unit
ario de R2 , isto e, a solucao da equacao x2 + y 2 = 1.
a ) Descreva F ();
b ) Determine a preimagem de .

21) Prove a seguinte proposic


ao (ver equacao (3.10), p. 172):
Proposi
c
ao 13. Seja N um natural arbitrariamente fixado. A aplicaca
o
definida abaixo,
f : N { 1, 2, . . . , N }
( i, j )

N
N (i1)+j

e inversvel; com inversa dada por,


f 1 : N
n

N { 1, 2, . . . , N }

( i, j )

183

com i e j dados por,


i=

n 1
+ 1;
N

j = n N (i 1).

Vejamos um exemplo. Para N = 4, temos


f : N { 1, 2, 3, 4}
( i, j )

N
4 (i1)+j

com inversa dada por,


f 1 : N
n

N { 1, 2, 3, 4 }

n1
+1, n4 n1

4
4

Para mais detalhes veja o diagrama seguinte:


N{ 1, 2, 3, 4 }

(1, 1)

(1, 2)

(1, 3)

(1, 4)

(2, 1)

(2, 2)

(2, 3)

(2, 4)

(3, 1) (3, 2) (3, 3) (3, 4)


.................................
(m, 1) (m, 2) (m, 3) (m, 4)
.................................

1
f
f 1

2
3
4
..
.


Por exemplo, f (2, 3) = 4(2 1) + 3 = 7.
Tambem,

f 1 (1000) =

  1000 1 

 1000 1  
= (250, 4)
+ 1, 1000 4
4

4

Confirmando, f (250, 4) = 4(250 1) + 4 = 1000.

Observe que a func


ao f conta (enumera) os elementos da matriz linha a
linha.
Sugest
ao: Veja as equac
oes (3.2) e (3.3), p. 133.

184

Captulo

MATRIZ DE UMA
LINEAR
TRANSFORMAC
AO
Uma vez, Einstein afirmou que, se a
mec
anica qu
antica fosse correta, o mundo
seria louco. Einstein tinha toda raz
ao

o mundo realmente
e louco.

(Daniel Greenberger/fsico)

4.1

Matriz de uma Transformac


ao Linear

Introduc
ao: No teorema 6 (p. 146) demonstramos o seguinte resultado

F : Rm Rn

Y = F (X) = A X

y1
y2
..
.

a11

a12

. . . a1m


a21 a22 . . . a2m
=
...................

an1 an2 . . . anm
yn
{z
|

nm

x1
x2
..
.
xm

Nosso objetivo agora ser


a generalizar a equacao matricial Y = F (X) =
A X para espacos vetoriais arbitrarios bem como consideraremos bases
quaisquer no domnio e contradomnio de uma transformacao linear.
185

Seja F : U V uma transformacao linear, B uma base de U e C uma


base de V . Sem prejuzo da generalizacao, consideremos o caso em que
dim U = 3 e dim V = 2.
Sejam B = { u1 , u2 , u3 } e C = { v1 , v2 } bases de U e V , respectivamente.
Um vetor u U pode ser escrito como:
u = 1 u1 + 2 u2 + 3 u3

ou uB = (1 , 2 , 3 )

e a imagem F (u) como:


F (u) = 1 v1 + 2 v2

(4.1)

ou
F (u)C = (1 , 2 )
Por outro lado:
F (u) = F (1 u1 + 2 u2 + 3 u3 ) = 1 F (u1 ) + 2 F (u2 ) + 3 F (u3 ) (4.2)
Sendo F (u1 ), F (u2 ) e F (u3 ) vetores em V , eles s
ao combinacoes lineares dos
vetores de C, digamos:
F (u1 ) = a11 v1 + a21 v2

(4.3)

F (u2 ) = a12 v1 + a22 v2

(4.4)

F (u1 ) = a13 v1 + a23 v2

(4.5)

Substituindo esses vetores em (4.2), obtemos:


F (u) = 1 (a11 v1 + a21 v2 ) + 2 (a12 v1 + a22 v2 ) + 3 (a13 v1 + a23 v2 )
Ou ainda:
F (u) = ( a11 1 + a12 2 + a13 3 ) v1 + ( a21 1 + a22 2 + a23 3 ) v2
Comparando este resultado com (4.1), devido a unicidade das coordenadas,
temos:
1 = a11 1 + a12 2 + a13 3
2 = a21 1 + a22 2 + a23 3
Ou, na forma matricial:
"

1
2

"

a11
a21

a12
a22
186

a13
a23

2
3

Ou, simbolicamente:

[ F (u) ]C = [ F ]C [ u ]B

(4.6)

A matriz [ F ]C e denominada matriz de F em relaca


o `
as bases B e C.
Nota: Se F : U U e um operador linear e consideramos B = C, entao
diremos apenas matriz de F em relacao `a base B para indicar a matriz acima
definida e usaremos a notac
ao [ F ]B para representa-la.
Observa
co
es:
B

1a ) A matriz [ F ]C resultou de ordem 2 3 porque dim U = 3 e dim V = 2.


B

2a ) As colunas da matriz [ F ]C s
ao as componentes das imagens dos vetores
da base B em relac
ao `
a base C, conforme se pode ver em (4.3), (4.4) e (4.5):
"
F (u1 )C

a11

a12

a13

a21

a22

a23

#
F (u3 )C

F (u2 )C

Resumindo:

F:U V

B = { u1 , u2 , u3 }

u = 1 u1 + 2 u2 + 3 u3

C = { v1 , v2 }

F (u) = 1 v1 + 2 v2

"
B

[ F (u) ]C = [ F ]C [ u ]B

1
2

z
"

a11
a21

23
}|
a12
a22

a13
a23

F (u1 )C

F (u3 )C
F (u2 )C

Este resultado generaliza o exemplo dado na p


agina 148.
187

#{
1

2
3

Generalizando, sendo F : U V uma transformacao linear, se dim U =


n e dim V = m, e, ademais, B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vm }
B

s
ao bases de U e V , respectivamente, resulta que [ F ]C e uma matriz de
ordem m n, onde cada coluna e formada pelas componentes das imagens
dos vetores de B em relacao `a base C, assim:

a11 a12 . . . a1n


a
B
21 a22 . . . a2n
[ F ]C =
....................
am1

am2

...

F (u2 )C
...
F (u1 )C

amn

F (un )C

Resumindo:

F : U V C = {v , v , ..., v }
1

u = 1 u1 + 2 u2 + + n un

F (u) = 1 v1 + 2 v2 + + m vm

B = { u1 , u2 , . . . , un }

[ F (u) ]C = [ F ]C [ u ]B

m }|
n

a11 a12 . . . a1m



a21 a22 . . . a2m
2
. =

.. . . . . . . . . . . . . . . . . . . .
an1 an2 . . . amn
m
1

F (u1 )C

F (u2 )C

1
2
..
.
n

F (un )C

Observe uma analogia com a figura que consta na p


agina 185,
B

[ F (u) ]C = [ F ]C [ u ]B
l

Y = F (X) = A X
Em ambos os casos estamos calculando a imagem de um vetor do domnio
pela transformac
ao F .
188

Algoritmo para encontrar a matriz [ F ]C


U
sF (u
s.

..

1)

s.v2

un

sv1

[ F ]C = ?

.. s
vm

sF (u
B={ u1 , u2 , ..., un }

2)

sF (un )

u1

B
u2

C={ v1 , v2 , ..., vm }

( 1 ) Calculamos F (ui ) (i = 1, 2, . . . , n);


( 2 ) Escrevemos os vetores F (ui ) como combinacao linear dos vetores de C:
F (u1 ) = a11 v1 + a21 v2 + + am1 vm

F (u2 ) = a12 v1 + a22 v2 + + am2 vm


.....................................
F (un ) = a1n v1 + a2n v2 + + amn vm
( 3 ) Tomamos o transposto dos coeficientes acima para obter:

a11 a12 . . . a1n


a
a22 . . . a2n
B

[ F ]C = 21

....................
am1

am2

...

amn

Exemplos:
1 ) Seja F : R3 R2 , F (x, y, z) = (x + y, x + z). Fixemos as bases
B = { u1 = (1, 1, 1), u2 = (1, 1, 1), u3 = (1, 0, 1) } e
C = { v1 = (1, 1), v2 = (1, 1) }
B

a ) Encontre [ F ]C ;
b ) Se u = (2, 1, 1), calcular F (u)C utilizando a matriz encontrada.
Solu
c
ao:
a ) Seguindo o algoritmo dado:

( 1 ) Calculamos F (ui ) (i = 1, 2, 3);


F (u1 ) = F (1, 1, 1) = (1 + 1, 1 + 1) = (2, 2)
F (u2 ) = F (1, 1, 1) = (1 1, 1 + 1) = (0, 2)
F (u2 ) = F (1, 0, 1) = (1 + 0, 1 + 1) = (1, 0)
189

( 2 ) Escrevemos os vetores F (ui ) como combinacao linear dos vetores de C:


F (u1 ) = a11 v1 + a21 v2
F (u2 ) = a12 v1 + a22 v2

(2, 2) = a11 (1, 1) + a21 (1, 1)

F (u3 ) = a13 v1 + a23 v2


Da primeira equac
ao tiramos:

a a =2
11
21

a + a =2
11
21

Da segunda equac
ao tiramos:

a a =0
12
22

a + a =2
12
22

(0, 2) = a12 (1, 1) + a22 (1, 1)


(1, 0) = a13 (1, 1) + a23 (1, 1)

Da terceira equac
ao tiramos:

a a = 1
13
23
a + a =0
13
23

Sendo assim podemos escrever:

11

=2

21

=0

12

=1

22

13
23

=1

= 1/2
= 1/2

F (u1 ) =

2 v1

0 v2

F (u2 ) =

1 v1

1 v2

F (u3 ) = 1/2 v1

+ 1/2 v2

( 3 ) Tomamos o transposto dos coeficientes acima para obter:


#
"
2 1 1/2
B
[ F ]C =
0 1
1/2
Compare com a matriz obtida no exemplo da p
agina 148 (base can
onica).
B

b ) Como mostramos (eq. (4.6), p. 187): [ F (u) ]C = [ F ]C [ u ]B . Para encontrar [ F (u) ]C precisamos encontrar [ u ]B . O vetor u = (2, 1, 1), encontrase escrito na base can
onica, isto e:
u = (2, 1, 1) = 2 (1, 0, 0) 1 (0, 1, 0) + 1 (0, 0, 1)
precisamo escreve-lo na base B:
(2, 1, 1) = (1, 1, 1) + (1, 1, 1) + (1, 0, 1)
190

Daqui retiramos o seguinte sistema:

+ =2

1
5
1
= , = , =

= 1

4
4
2

++ =1

Ou seja, uB = 14 , 54 , 21 . Sendo assim, temos:
1
" #
"
#
4
2
2 1 1/2

B
5
=

[ F (u) ]C = [ F ]C [ u ]B =
4

1
0 1
1/2
1
2
Isto significa que:

F (u) = F (2, 1, 1) = (2 1, 2 + 1) = (1, 3) = 2 v1 + 1 v2


= 2 (1, 1) + 1 (1, 1)
Veja a geometria do exemplo

sF (u)
x

su3

u2
u

su1

1 p

1 v2

2 v1

sv1

p1

p2

Observe, na equac
ao
F (u) = F (2, 1, 1) = (1, 3)
Tanto u quanto F (u) est
ao expressos nas bases can
onicas dos respectivos
B

espacos. A equac
ao [ F (u) ]C = [ F ]C [ u ]B nos permitiu calcular as coordenadas de F (u) na base C.
F (u) = (1, 3) = 2 v1 + 1 v2
= 2 (1, 1) + 1 (1, 1)
Confirme na figura anterior.
191

2 ) Consideremos a mesma transformacao linear do exemplo anterior, isto e,


F : R3 R2 , onde, F (x, y, z) = (x + y, x + z)
Escolhemos agora as bases can
onicas do R3 e R2 :
B = { u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (0, 0, 1) } e
C = { v1 = (1, 0), v2 = (0, 1) }
B

a ) Encontre [ F ]C ;
b ) Se u = (2, 1, 1), calcular F (u)C utilizando a matriz encontrada.
Solu
c
ao:
a ) Temos
F (1, 0, 0) = (1 + 0, 1 + 0) = (1, 1) = 1 (1, 0) + 1 (0, 1)
F (0, 1, 0) = (0 + 1, 0 + 0) = (1, 0) = 1 (1, 0) + 0 (0, 1)
F (0, 0, 1) = (0 + 0, 0 + 1) = (0, 1) = 0 (1, 0) + 1 (0, 1)
Portanto, tomando o transposto:
B

[ F ]C =

"

1 1 0
1 0 1

Compare esta matriz com F (x, y, z):


F (x, y, z) = (x + y, y + z) = (1 x + 1 y + 0 z, 1 x + 0 y + 1 z)
b ) Como uB = (2, 1, 1), pois B e a base can
onica, resulta:

" #
#
"
2
1
1 1 0
B

[ F (u) ]C = [ F ]C [ u ]B =
1 =
1 0 1
3
1

A geometria deste exemplo fica assim:


z

sF (u)

2
u3

v2

s
s

u2

s u1
x

192

s
s

v1

p2

(4.7)

3 ) Seja U um espaco vetorial sobre R e seja I : U U o operador identiB

dade. Dadas duas bases B e C de U , qual o significado de [ I ] C ?


Solu
ca
o: Suponhamos
B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vn }

Calculemos o operador I nos vetores da base B e escrevamos as imagens


como combinac
oes lineares dos vetores de C, assim:
I(u1 ) = u1 = a11 v1 + a21 v2 + + an1 vn

I(u2 ) = u2 = a12 v1 + a22 v2 + + an2 vn


..........................................
I(un ) = un = a1n v1 + a2n v2 + + ann vn
Entao
B

[I ]C

a11 a12 . . . a1n


a
21 a22 . . . a2n
=
...................
an1

an2

...

ann

a matriz de mudanca da base B para a base C.


E

Observa
co
es:
1a ) No caso de serem B e C as bases can
onicas, representamos a matriz
simplesmente por [ F ], que e chamada matriz can
onica de F . Sendo assim,
vale a seguinte equivalencia
B

[ F (u) ]C = [ F ]C [ u ]B

[ F (u) ] = [ F ] [ u ]

F (X) = A X

2a ) Observe que calcular F (u) pela matriz [ F ], como em (4.7), e o mesmo


que faze-lo pela equac
ao que define F , veja:
F (x, y, z) = (x + y, x + z)
F (2, 1, 1) = (2 1, 2 + 1) = (1, 3)
ao linear F : Rm Rn podemos pegar um
3a ) Dada uma transformac
atalho e escrever diretamente a matriz can
onica, como mostram os exemplos
a seguir:
a ) F : R2 R3 , F (x, y) = (2x 3y, 2x + y, y).
Lembramos que toda transformacao linear de Rm em Rn e da forma
( ) (p. 146). Sendo assim, temos:
F (x, y) = (2x 3y, 2x + y, y)

2 3

1
= (2x 3y, 2x + 1 y, 0 x + 1 y) [ F ] = 2
0
1
193

b ) Vamos encontrar a matriz can


onica associada `a seguinte transformacao
linear,
F : R2 R3 ,

dada por

F (x, y) = (2x + y, x 2y, x y)

Veja,

F : R2 R3

y1

32

}|

y2 = 1
1
1
y3

F (e1 ) F (e2 )

"

x1
x2

Observe a equac
ao matricial da seguinte perspectiva
Y = F (X) = A X
c ) Vamos encontrar a matriz can
onica do nosso algoritmo
G : R3 R2 ,

((3.5), p. 142):

G(x, y, z) = ( y x sen , z x cos )

Neste caso, temos:


G(x, y, z) = ( y x sen , z x cos )
= ( sen x + 1 y + 0 z, cos x + 0 y + 1 z)
Desta u
ltima igualdade construimos diretamente a matriz can
onica, veja:
#
"
sen 1 0
[G] =
cos 0 1
Temos: (X, Y ) = ( y x sen , z x cos ). Ou ainda

# x
"
# "
X
sen 1 0
=
y
Y
cos 0 1
z

194

Observe que
G(0, y, z) = ( y 0 sen , z 0 cos ) = (y, z)
Ou seja, os pontos do plano yoz s
ao invariantes.
Observe como o algoritmo transforma as coordenadas reais, (x, y, z), de
um paralelepipedo em coordenadas virtuais (X, Y ):
G
(x, y, z)
(X, Y )

G
(x, y, z)
(X, Y )

(0, 0, 0) (0, 0)

(1, 0, 0) (0.6428, 0.7660)

(0, 1, 0) (1, 0)

(1, 1, 0) (0.3572, 0.7660)

(0, 1, 1) (1, 1)

(1, 1, 1) (0.3572, 0.2340)

(0, 0, 1) (0, 1)

(1, 0, 1) (0.6428, 0.2340)

(0, 0, 1)
(1, 0, 1)

(1, 0, 0)

r
r

r(0, 1, 1)

G : R3 R2

(0, 1, 0)

(0, 1)

r(1, 1)

r
r
r

r(1, 1, 0)

(1, 0)

r(0.3572, 0.7660)

(0.6428, 0.7660)

Nesta figura fixamos = 40o e arredondamos as cordenadas em (X, Y )


para quatro casas decimais. Em nosso trabalho damos detalhes de como
programar a tranformac
ao G (algoritmo) dentro do LATEX 2 para contruir
novos comandos (macros).
Por exemplo, criamos um comando (\pld{a}{b}{c}{cor}) no qual entramos com as arestas a, b, e c de um paralelepipedo e mais a cor e ele
desenha o paralelepipedo pedido, por exemplo:

Tracados 3 D (Um auxlio para o tracado de figuras no LATEX).

195

Todas as figuras no espaco, deste livro, foram feitas com o auxlio da


tranformac
ao G.
Quando for dada uma matriz de uma transformacao linear F sem que
haja referencia `
as bases, essa deve ser entendida como a matriz can
onica de
F.

2 3
Por exemplo a matriz ao lado define

1
2
a transformac
ao linear F : R2 R3 ,
F (x, y) = (2x 3y, 2x + y, y).
0
1
4 ) Dadas as bases B = { (1, 0, 0), (0, 1, 0), (0, 1, 2) } do R3 e
C = { (1, 0), (1, 1) } do R2 , determinar a transformacao linear F : R3 R2
cuja matriz e:
#
"
1 2 3
B
[ F ]C =
0 1 0
Solu
c
ao: Sabemos (p. 188) que o significado de cada coluna da matriz acima
e:
"

1 2 3
0 1 0

[ F (1, 0, 0) ]C

#
[ F (0, 1, 2) ]C

[ F (0, 1, 0) ]C
Sendo assim, devemos ter:
F (1, 0, 0) = 1 (1, 0) + 0 (1, 1) = (1, 0)
F (0, 1, 0) = 2 (1, 0) + 1 (1, 1) = (3, 1)
F (0, 1, 2) = 3 (1, 0) + 0 (1, 1) = (3, 0)
Uma transformac
ao linear fica completamente definida quando se conhece as imagens dos vetores de uma base.
(P5 , p. 151)
Expressemos um vetor arbitrario u = (x, y, z) R3 como uma combinac
ao linear dos elementos da base B:
(x, y, z) = 1 (1, 0, 0) + 2 (0, 1, 0) + 3 (0, 1, 2)
desta equac
ao obtemos o seguinte sistema linear

1 = x

2 + 3 = y

2 = z
3

196

(4.8)

cuja soluc
ao e: 1 = x, 3 = z/2 e 2 = y 3 = y z/2. Substituindo
estes valores em (4.8) obtemos
(x, y, z) = x (1, 0, 0) + (y z/2) (0, 1, 0) + z/2 (0, 1, 2)
Aplicando F , linear, temos:
F (x, y, z) = x F (1, 0, 0) + (y z/2) F (0, 1, 0) + z/2 F (0, 1, 2)
Substituindo os valores de F nos vetores da base temos
F (x, y, z) = x (1, 0) + (y z/2) (3, 1) + z/2 (3, 0)

z
= x + 3y, y
2

5 ) Seja F : P2 P2 definida por F p(t) ) = (1 t) p (t). Determine a


matriz de F em relac
ao `
a base can
onica de P2 .
Solu
c
ao: A base can
onica de P2 e { 1, t, t2 }, entao
B = { u1 = 1, u2 = t, u3 = t2 } = C
Seguindo o algoritmo dado

temos:

(p. 189)

F (u1 ) = F (1) = (1 t) 1 = 0

F (1)C = 0 1 + 0 t + 0 t2

F (u2 ) = F (t) = (1 t) t = 1 t

F (t)C = 1 1 1 t + 0 t2

F (u3 ) = F (t2 ) = (1 t) (t2 ) = 2 t 2 t2

F (t2 )C = 0 1 + 2 t 2 t2

Sendo assim, temos:

0
1
0

2
[ F ] = 0 1
0
0 2

6 ) Considere o operador linear do exemplo 6 ):


F:

Z3
2

(p. 139)

Z3
7

encontre a matriz de F em relac


ao `a base can
onica de Z32 .
Solu
c
ao: A base can
onica de Z32 e B = { 100, 010, 001 } = C. Seguindo
o algoritmo:
( 1 ) Calculamos F (ui ) (i = 1, 2, 3);
F (u1 ) = F (100) = 100 = 011
F (u2 ) = F (010) = 010 = 101
F (u3 ) = F (001) = 001 = 110
197

Por tratar-se da base can


onica, podemos escrever

0 1 1
[F ] = 1 0 1
1 1 0

7 ) Seja F : P3 R a transformacao linear assim definida:


Z 1
p(t) dt
F p(t) ) =
0

Determine a matriz de F em relacao `a bases can


onicas de P3 e R.
Solu
c
ao: A base can
onica de P3 e B = { 1, t, t2 , t3 } e de R e C = { 1 }.

Seguindo o algoritmo temos:

F (u1 ) = F (1) =
F (u2 ) = F (t) =
F (u3 ) = F (t2 ) =
F (u4 ) = F (t3 ) =
Portanto:

R1
0

R1
0

R1
0

R1
0

1 dt = 1

F (1)C = 1 1

t dt =

1
2

F (1)C =

1
2

t2 dt =

1
3

F (1)C =

1
3

t3 dt =

1
4

F (1)C =

1
4

[ F ]C =

4.1.1

Exerccios

1
2

1
3

1
4

1) Dadas a transformacao linear


F : R3 R2 , F (x, y, z) = (2x y + z, 3x + y 2z)
e as bases
B = { u1 = (1, 1, 1), u2 = (0, 1, 1), u3 = (0, 0, 1) } e
C = { v1 = (2, 1), v2 = (5, 3) }
B

a ) Determine [ F ]C ;
b ) Se u = (1, 1, 1), encontre F (u)C .

2) Dadas a transformacao linear


F : R2 R3 ,

F (x, y, z) = (2x y, x + 3y, 2y)

e as bases
B = { u1 = (1, 1), u2 = (2, 1) } e
C = { v1 = (0, 0, 1), v2 = (0, 1, 1), v3 = (1, 1, 0) }
198

a ) Determine [ F ]C ;
b ) Se u = (1, 1), encontre F (u)C .
B

c ) Qual a matriz [ F ]C onde C e a base can


onica do R3 ?
3) Determine a matriz da transformacao linear F : R3 R2 , relativamente
`as bases can
onicas dos respectivos espacos, sabendo que F (1, 1, 0) = (0, 0),
F (0, 1, 0) = (1, 0) e F (0, 0, 1) = (0, 1).
4) Dada a matriz
M=

"

1 2 1
1 0
1

encontre F : R3 R2 de maneira que, sendo


B = { (1, 0, 0), (0, 1, 0), (0, 1, 2) } e
C = { (1, 0), (1, 1) }
B

se tenha M = [ F ]C .
5) Determine o operador linear" do F : R#2 R2 cuja matriz em relacao `a
1 1
.
base B = { (1, 1), (1, 1) } e
1 1

6) Sabendo que a matriz de uma transformacao linear F : R2 R3 nas


bases
B = { (1, 1), (1, 0) } e
C = { (1, 1, 1), (2, 1, 0), (3, 0, 1) }
e

3
1
B

5
[ F ]C = 2
1 1

encontre a express
ao F (x, y) e a matriz [ F ].
7) Seja

3
1

5
[F ] = 2
1 1

a matriz can
onica de uma transformacao linear F : R2 R3 .
Se T (u) = (2, 4, 2) encontre u.

199

8) Considere o operador linear


F : R2
R2
(x, y) 7 (x + 2y, x y)
e as bases
B = { (1, 1), (1, 0) }, C = { (2, 1), (1, 1) } e D = { (1, 0), (0, 1) }
Encontre [ F ]B , [ F ]C , [ F ]D .
9) Mostre que a matriz do operador identidade
I : Rn
Rn
u 7 u
em uma base qualquer, e a matriz identidade n n.

10) Determine as matrizes das seguintes transformacoes lineares em relacao


as bases can
`
onicas dos respectivos espacos:
a ) F : R3 R2 , definida por F (x, y, z) = (x + y, x y)
b ) F : R2 R3 , definida por F (x, y) = (x + y, x, x y)

c ) F : R4 R , definida por F (x, y, z, t) = x + 2y 3z + 4t

d ) F : R R3 , definida por F (x) = (x, 2x, 3x).


11) Seja F : R2 R2 definida por
"
#
1 2
[F ] =
2 1
Determine os vetores u, v e w tais que:
a ) F (u) = u

b ) F (v) = 2v

c ) F (w) = (1, 1).

12) Considere a seguinte transformacao


#!
"
a
b
= (a + b, a c, a + d)
F : M22 R3 , F
c d
a ) Mostre que F e linear;
B

onicas de M22 e R3 ,
b ) Encontre [ F ]C sendo B e C as bases can
respectivamente;
c ) Calcule u M22 tal que F (u) = (1, 1, 0);
d ) Determine N (F ).

200

13) Sejam F : R2 M22 uma transformacao linear e B e C as bases


can
onicas de R2 e M22 , respectivamente. Sabendo que

Encontre:

[ F ]C =

0
1

3 2
1
2
1
2

a ) F (1, 0);
b ) F (0, 1);
c ) F (1, 1);
d ) F (x, y);
e ) F (a, b) tal que F (a, b) =

"

1 1
2
3

14) No espaco vetorial M22 seja


M=

"

1 1
2

Encontre a matriz do operador linear F : M22 M22 dado por


F (X) = M X XM , em relac
ao a` base can
onica
#)
# "
# "
# "
("
0 0
0 0
0 1
1 0
,
,
,
B=
0 1
1 0
0 0
0 0

15) Seja F : P2 P3 , definida por F p(t) = t p(t) p(1), p(t) P2 .
Determine a matriz de F em relacao ao seguinte par de bases


B = 1, t 1, (t 1)2
e


C = 1, t 1, (t 1)2 , (t 1)3

de P2 e P3 respectivamente.


16) Seja F : P2 P3 , definida por F p(t) = (t 1) p(t), p(t) P2 .
Determine a matriz de F em relacao ao seguinte par de bases


B = 1, t 1, (t 1)2
e


C = 1, t 1, (t 1)2 , (t 1)3

de P2 e P3 respectivamente.

201

17) Seja F : P2 P2 definida por F p(t) ) = (1 + t) p (t). Determine a


matriz de F em relac
ao `a base can
onica de P2 .
18) Determine a matriz do operador de derivacao
F : Pn
Pn
p(t) 7 p (t)

em relac
ao `
a base can
onica desse espaco.

R1
19) Seja F : P2 R, definida por F p(t) = 1 p(t) dt. Determine a
matriz de F em relac
ao `as bases:


a ) B = 1, t, t2 e C = { 1 };


b ) B = 1, 1 + t, 1 + t2 e C = { 2 }.

20) Seja a transformacao linear

G : R3 R2 , G(x, y, z) = ( y x sen 45o , z x cos 45o )


a ) Encontre a matriz [ G ];
b ) Utilizando a equacao
[ G(u) ] = [ G ] [ u ]
encontre [ G(u) ] para os seguintes vetores:
i)

u = (0, 0, 0),

ii ) u = (1, 0, 0),

iii ) u = (0, 1, 0),

iv ) u = (0, 0, 1).

c ) Relacione seus c
alculos com a seguinte figura:

G : R3 R2

s(0, 0, 1)
s

s(0, 1)

(0, 1, 0)

(1, 0, 0)

(?, ?)

202

(1, 0)

4.2

Opera
c
oes com Transformac
oes Lineares

Nesta sec
ao definiremos algumas operacoes envolvendo transformacoes
lineares o que vai nos permitir construir, a partir de transformacoes dadas,
novas transformac
oes lineares.
U

Sejam U e V espacos vetoriais sobre R. Indicaremos por L V o conjunto


das transformac
oes lineares de U em V , isto e:

F : U V

: F e linear

u 7 F (u)

U
V

Desejamos construir sobre o conjunto L V uma estrutura de espaco vetorial. Ou ainda, desejamos que cada transformacao linear F : U V seja
um vetor. O primeiro passo nesse sentido e dado a seguir.
U

Defini
c
ao 22 (Adic
ao). Dados F, G L V , definimos a soma F + G de F
com G do seguinte modo:
F +G : U V
F : U V

e (F + G)(u) = F (u) + G(u), u U.


G : U V

u 7 F (u)

u 7 G(u)

(4.9)

F +G : U V
u

7 F (u)+G(u)

Esteja mais uma vez atento `


a economia de smbolos, veja:
essa e a nova adicao definida em

L UV ,

F +G : U V

u 7 F (u) + G(u)

essa e a velha adicao definida em V .

Vejamos um exemplo de adic


ao de transformacoes lineares. Considere,
R3

oes:
em L R2 , as aplicac
F : R3 R2 , F (x, y, z) = (x + y, x + z) ,

G : R3 R2 , G(x, y, z) = (x 2y, x + 2z)


Pela definic
ao de adic
ao temos:
F + G : R3 R2
Onde,
(F + G)(x, y, z) = F (x, y, z) + G(x, y, z),
203

(x, y, z) R3 .

Ent
ao,
(F + G)(x, y, z) = F (x, y, z) + G(x, y, z)
= (x + y, x + z) + (x 2y, x + 2z)
= (2x y, 2x + 3z)
U

Uma pergunta que surge naturalmente e: Dados F, G L V teremos


U

sempre F + G L V ? (isto e, F + G e linear ?).


A resposta e afirmativa: a soma F + G, de duas transformacoes lineares,
e tambem uma transformacao linear. De fato,
( i ) Pela definic
ao de adicao, temos
(F + G)(u1 + u2 ) = F (u1 + u2 ) + G(u1 + u2 )
= F (u1 ) + F (u2 ) + G(u1 ) + G(u2 )
= F (u1 ) + G(u1 ) + F (u2 ) + G(u2 )
= (F + G)(u1 ) + (F + G)(u2 )
( ii ) Para R arbitrario temos:
(F + G)( u) = F ( u) + G( u)
= F (u) + G(u)
= F (u) + G(u)
= (F + G)(u)

Temos assim uma adicao (F, G) F + G em L V . Ou ainda:


U

+ : LV LV

LV

F +G

(F, G)

Para essa adic


ao valem as seguintes propriedades:
A1) F + G = G + F
A2) (F + G) + H = F + (G + H)
A3) Pelo exemplo 8

(p. 140)

(Comutativa)
(Associativa)

a transformacao nula

F: U
u

V
0

e linear, logo, F L V . Trocando de notacao F = 0 (vermelho), isto e


0: U
u

V
0

204

e facil mostrar que esta transformacao satisfaz: F + 0 = F, F L V , isto


e, a operac
ao de adic
ao (F, G) F + G possui elemento neutro.
Observe que na simbologia

0: U

temos tres zeros envolvidos, assim:


U

0 L V , 0 U, 0 V
U

A4) Para toda F L V definimos a transformacao F por


(F )(u) = F (u)

(4.10)
U

e facil ver que F e tambem linear, ou seja, F L V e, ademais,


F + (F ) = F + F = 0
U

Isto e, para a operac


ao de adic
ao (F, G) F + G todo elemento F L V
possui elemento oposto, dado por (4.10).
U

Observe que, por enquanto, 0 L V e uma mera transformacao linear,


ainda n
ao adquiriu o status de vetor nulo.
A seguir, definiremos a multiplicacao de uma transformacao linear por
um escalar.
U

Defini
c
ao 23. Dados F L V e R, definimos o produto F de F por
assim:
F : U V e ( F )(u) = F (u), u U.
(4.11)
F : U V

F : U V

u 7 F (u)

u 7 F (u)

A aplicac
ao F assim definida tambem e uma transformacao linear de U
U

em V , isto e, tambem mora em L V (prove isto!). Sendo assim ficou definida


U

uma multiplicac
ao de R L V em L V , multiplicacao essa que verifica as
seguintes propriedades:
M1) ( F ) = ( ) F
(Associativa)
M2) ( + ) F = F + F
M3) ( F + G ) = F + G

(Distributiva)
(Distributiva)

M4) 1 F = F

(elemento neutro)
U

quaisquer que sejam e em R e F e G em L V .


205

Deixamos a prova destas propriedades, com excecao da M3, a cargo do


leitor. Desejamos mostrar que
(F + G) = F + G

(4.12)

Pela definic
ao (4.11), temos
(F + G) : U V

Pela definic
ao (4.9), temos
F + G : U V


( F + G ) (u) = (F + G)(u),

u U.

e ( F + G)(u) = ( F )(u) + ( G)(u), u U.


= F (u) + G(u)

14

Feito este pre


ambulo para provar (4.12) devemos recorrer `a definicao
(p. 128), ou seja, devemos mostrar que


( F + G ) (u) = F + G (u), u U.

Ent
ao:


( F + G ) (u) = ( F + G )(u)

= ( F + G )(u)

= F (u) + G(u)

= F (u) + G(u)
= ( F + G)(u)

Sendo assim podemos concluir que se U e V s


ao espacos vetoriais sobre R,

U
U
ent
ao a tripla L V , +, = LV tambem e um espaco vetorial sobre R.
U

Nota: Agora podemos afirmar que 0 L V e o vetor nulo do espaco LV .


Enfatizamos (observe o jogo das cores):

Transformacao linear nula e o vetor nulo do


U

0: U

espaco vetorial LV

0
Vetor nulo do contradomnio
Vetor nulo do domnio
206

Composic
ao de transformac
oes lineares
Defini
c
ao 24 (Composta). Sejam U , V e W espaco vetoriais sobre R.
Se F : U V e G : V W s
ao transformaco
es lineares, define-se a
aplicaca
o composta de F e G (notaca
o : G F ) do seguinte modo:
G F : U W e (G F )(u) = G F (u) ), u U.
F : U V

G : V W

u 7 F (u)

GF : U W

v 7 G(v)

(4.13)

u 7 G( F (u) )

F (u)
u

G(
s F (u))

(GF )(u)

GF
Nota: Observe que na definic
ao anterior o domnio de G coincide com o
contradomnio de F .
Vejamos um exemplo de composicao de transformacoes lineares. Consideremos as seguintes tranfomac
oes:
F : R3 R2 , F (x, y, z) = (x + y, x + z) ,

G : R2 R3 , G(x, y) = (x 2y, x + y, y x)
Pela definic
ao de composic
ao temos:

G F : R3 R3 e (G F )(x, y, z) = G F (x, y, z) , (x, y, z) R3 .

Entao,



G F (x, y, z) = G (x + y, x + z)
= G(x + y, x + z)

= (x + y) 2(x + z), (x + y) + (x + z), (x + z) (x + y)


= (x + y 2z, 2x + y + z, z y)
U

Uma pergunta que surge naturalmente e: Dados F L V , G L W


U

teremos sempre G F L W ? (isto e, G F e linear ?).


207

A resposta e afirmativa: a composicao GF , de duas transformacoes lineares,


e tambem uma transformacao linear. De fato,
( i ) Pela definic
ao de composicao, temos
(G F )(u1 + u2 ) = G F (u1 + u2 )


= G F (u1 ) + F (u2 )


= G F (u1 ) + G F (u2 )

= (G F )(u1 ) + (G F )(u2 )
( ii ) Fica como exerccio mostrar que
(G F )( u) = (G F )(u)

4.3

Matriz da Transformac
ao Composta

Sejam U , V e W espaco vetoriais sobre R que admitem como bases:


U

B = { u1 , . . . , un }

C = { v 1 , . . . , vm }

D = { w1 , . . . , wp }

Sejam as transformacoes lineares F : U V e G : V W e, ademais,


considere a aplicaca
o composta
G F : U W,

(G F )(u) = G F (u) ), u U.

Conhecidas as matrizes [ F ]C = (aij ) e [ G ]D = (bki ) pretendemos determiB

nar a matriz [ G F ]D , veja:


U
B

V
C

[ F ]C

[ G ]D

W
D

[ G F ]D = ?
Observe que pela definicao de matriz de uma transformacao linear temos:
(ver tem ( 2 ) do algoritmo dado na p. 189 )
B

[ F ]C = (aij )mn
C

[ G ]D = (bki )pm

F (uj ) =

G(vi ) =

m
X

aij vi

( j = 1, 2, . . . , n )

bki wk

( i = 1, 2, . . . , m )

i=1
p
X
k=1

208

ao obtidas
Nota: Observe que pelo algoritmo as matrizes [ F ]C e [ G ]D s
pelo transposto dos coeficientes obtidos na expans
ao dos respectivos
somat
orios.
Pelo mesmo algoritmo temos:
( 1 ) Calculamos (G F )(uj ) ( j = 1, 2, . . . , n );

Ou ainda,

m
m
 X
X

aij G(vi )
aij vi =
(G F )(uj ) = G F (uj ) = G
i=1

i=1

m
X

aij

i=1

p
X

bki wk =

k=1

p  X
m
X
i=1

k=1

Portanto, o termo geral de [ G F ]D


geral do produto:

e akj =

bki aij

Pm

i=1

wk

bki aij que e o termo



C
B
[ G ]D [ F ]C = (bki )pm (aij )mn

(veja eq. (8.2), p. 426, atente para a ordem do produto).


Resumindo, vale a seguinte identidade:
C

[ G F ]D = [ G ]D [ F ]C

(4.14)

Ou ainda,

U
B

F
B

[ F ]C

V
C

G
C

[ G ]D

W
D

[ G F ]D = [ G ]C [ F ]B
D
C
209

Uma consequencia (corol


ario) da formula (4.14) e que existe uma relacao
o que veremos agora.
entre isomorfismos e matrizes inversveis. E
Sejam U e V espacos vetoriais de dimensao n. Se B e C s
ao bases de
U e V , reespectivamente, e F : U V e um isomorfismo. Os diagramas a
seguir
U
B

F
B

V
C

[ F ]C

F 1
C
[ F 1 ]

U
B

B
B

[ F 1

[ F 1 F ] B = [ F 1 ] B [ F ] C

= [ F 1 ] B [ F ] C

[ In ] B

F ]B

e, inversamente
V
C

F 1
C
[ F 1 ]

U
B

F
B

V
C

[ F 1 ] B

[ F 1 ] B

[F ]C

[F

[ F F 1 ] C = [ F ] C

= [F ]C

[ In ] C

C
F 1 ]
C

provam que a matriz [ F ] C e inversvel e que sua inversa e a matriz [ F 1 ] B .


Exemplo: Vamos retomar o exemplo dado na p. 178, isto e, consideremos
o isomorfismo
F : P1 (R) R2 ,

dado por

F (a + b x) = (a, b a).

Considerando as bases can


onicas destes espacos, isto e, B = { 1, x } e
C = { (1, 0), (0, 1) }, temos
F (1 + 0 x) = (1, 0 1) = (1, 1)
F (0 + 1 x) = (0, 1 0) = (0, 1)
Sendo assim, temos
B

[F ]C =

"

1 0
1 1

[ F 1 ] B =

"

1 0
1 1

Onde F 1 : R2 P1 (R). Considerando a equacao (4.6)


ao nosso contexto, temos
[ F 1 (u) ]B = [ F 1 ] B [ u ]C
C

210

(p. 187)

adaptada

Logo
[F

(u) ]B =

"

1 0
1 1

#"

a
b

"

a
a+b

Entao: F 1 (a, b) = a + (a + b) x.
Para a demonstrac
ao do pr
oximo teorema iremos necessitar de dois resultados vistos anteriormente. Equacao (2.18)
(p. 120)
[ u ]B = P [ u ]C

P 1 [ u ]B = [ u ]C

(4.15)

P e a matriz de mudanca de base, da base antiga B para a nova base C.


E da equac
ao (4.6)

(p. 187)
B

[ F (u) ]C = [ F ] C [ u ]B
Adaptando essa equac
ao para o operador linear T : U U e tomando as
bases B = C, temos
B

[ T ] B [ u ]B = [ T (u) ]B

(4.16)

[ T ] C [ u ]C = [ T (u) ]C

(4.17)

[ T (u) ]B = [ T ] B [ u ]B
Ou ainda
[ T (u) ]C = [ T ] C [ u ]C

O teorema a seguir nos diz o que acontece com a matriz de um operador


linear T : U U quando se muda da base B para a base C de U .
Teorema 10. Seja P a matriz de mudanca da base B para a base C no
espaco vetorial U . Ent
ao, para qualquer operador linear T : U U , temos
[ T ]C = P 1 [ T ]B P
Prova: Seja u um vetor em U . Considerando a equacao P [ u ]C = [ u ]B ,
vamos multiplic
a-la da seguinte formada


P 1 [ T ]B P [ u ]C = P 1 [ T ]B [ u ]B

Isto e

P 1 [ T ]B P [ u ]C = P 1 [ T ]B [ u ]B

= P 1 [ T (u) ]B

Na u
ltima igualdade usamos (4.16). Substituindo na equacao (4.15), u por
T (u), obtemos P 1 [ T (u) ]B = [ T (u) ]C . Entao
P 1 [ T ]B P [ u ]C = [ T (u) ]C
Utilizando a equac
ao (4.17), resulta
P 1 [ T ]B P [ u ]C = [ T ] C [ u ]C
211

Como a aplicac
ao u 7 [ u ]C e sobrejetiva em Rn , temos
P 1 [ T ]B P X = [ T ] C X,

X Rn

Sendo assim, P 1 [ T ]B P = [ T ] C.

Produto de vetores
Observe que na operacao de composica
o definida anteriormente temos
U

F L V , G L W, G F L W
Ou ainda
U

: LV LW
(F, G)

LW
GF

Embora F L V e G L W sejam vetores n


ao podemos considerar
G F como sendo uma multiplicacao genuna de vetores porquanto essa
operac
ao n
ao e uma lei de composicao interna.
(Veja def. 55, p. 419)
No entanto, no importante caso em que U = V = W a operacao de
composic
ao toma a forma
U

: LU LU
(F, G)

LU
GF

Sendo assim a operac


ao torna-se uma lei de composicao interna em
U

L U o que significa que podemos considerar esta operacao como sendo uma
(legtima) multiplicacao de vetores (no caso operadores lineares).
Em sendo este o caso, trocaremos de notacao, faremos G F = G F =
G F ; ou seja, trocaremos a notacao de composicao pela de produto.
O produto de vetores possui algumas propriedades excentricas n
ao
compartilhadas pelo produto de n
umeros Reais (ou Complexos), como por
exemplo as propriedades P5 , P6 e P7 , vistas a seguir:
U

H, G, F L U

P1 ) (HG)F = H(GF ),
U

P2 ) 1 L U : 1F = F 1 = F,

F LU
U

P3 ) H(F + G) = HF + HG,

F, G, H L U

P3 ) (F + G)H = F H + GH,

F, G, H L U

R, F, G L U

P4 ) G( F ) = (GF ),

P5 ) GF 6= F G,

F, G L U
U

F, G, H L U

P6 ) GF = HF ; G = H,
P7 ) GF = 0 ; G = 0 ou F = 0,
212

F, G L U

No caso da propriedade P6 dizemos que n


ao vale a lei do corte para o
produto de vetores e no caso da propriedade P7 dizemos que o produto de
vetores admite divisores de zero.
Deixamos a prova destas propriedades ao leitor, no entanto forneceremos
os contraexemplos para as tres u
ltimas. Entao:
( i ) O produto de vetores n
ao e comutativo em geral. Com efeito, consideremos os dois vetores seguintes
F : R2 R2 ; F (x, y) = (x + y, x y)
G : R2 R2 ; G(x, y) = (y, x)
Temos

(GF )(x, y) = G F (x, y) = G(x + y, x y) = (x y, x + y)

(F G)(x, y) = F G(x, y) = F (y, x) = (y + x, y x)

Logo, GF 6= F G.
( ii ) No produto de vetores n
ao vale a lei do corte. Com efeito, consideremos
a seguinte terna de vetores
F : R2 R2 ; F (x, y) = (y, y)
G : R2 R2 ; G(x, y) = (x, x)
H : R2 R2 ; H(x, y) = (x, y)
Verifique que GF = HF e, no entanto, G 6= H.

( iii ) No produto de vetores existem divisores de zero. Com efeito, consideremos os dois operadores
F : R2 R2 ; F (x, y) = (x, 0)
G : R2 R2 ; G(x, y) = (y, y)
Temos F 6= 0, G 6= 0 e, no entanto:

(GF )(x, y) = G F (x, y) = G(x, 0) = (0, 0)

isto e, GF = 0.

Em um sistema algebrico (A, +, ) um elemento n


ao nulo a A diz-se um divisor de
zero se existe b A, tambem n
ao nulo, tal que a b = 0.

213

A dan
ca dos smbolos
Na propriedade P2 vista anteriormente:
U

P2 ) 1 L U : 1F = F 1 = F, F L U

(elemento neutro)

o smbolo 1, no presente contexto, significa a transformacao identidade dada


no exemplo 7 (p. 139) que aqui passa a ser o elemento neutro para o produto
de vetores. Em resumo:
1: U
u

U
u

1(u) = u, U.

O leitor n
ao se surpreenda por esta danca dos smbolos porquanto ela
e mais frequente em matem
atica do que possamos suspeitar.

Potenciac
ao de vetores
U

Definiremos agora uma nova operacao para vetores em L U .


U

Defini
c
ao 25 (Potencia de vetores). Sejam F L U e n um n
umero natun
ral. Potencia de base F e expoente n e o vetor F tal que:
(
F0 = 1
F n = F n1 F, n 1.

Desta definic
ao decorre que:
F1 = F0 F = 1 F = F
F2 = F1 F = F F
F 3 = F 2 F = (F F ) F = F F F
e, de modo geral, para p natural e p 2, temos que F p e um produto de p
fatores iguais a F .
A potenciac
ao de vetores n
ao e uma operacao bem comportada, a
exemplo da potenciac
ao numerica, podemos nos deparar com alguns resultados curiosos, como por exemplo os dois a seguir

- Em R :

se x2 = 1

- Em R :

se x2 = 0

x = 1

- Em L U : se X 2 = 1 ; X = 1

x=0

- Em L U : se X 2 = 0 ; X = 0
214

Um operador F L U tal que F 2 = F chama-se idempotente; se F n = 0,


para um certo n
umero natural n, entao F se diz nilpotente.

Exerccios Resolvidos
R2

1) Mostre que o vetor F L R2 dado por F (x, y) = (y, x) satisfaz


F 2 = 1, com F 6= 1
Solu
ca
o: Temos
F 2 (x, y) = F F (x, y) = F F (x, y) ) = F (y, x) ) = F (y, x) = (x, y)
R2

Por outro lado, o operador identidade de L R2 e dado por


1 : R2 R2 ; 1(x, y) = (x, y)
portanto, F 2 = 1 com F 6= 1.
Geometricamente o operador F produz uma reflexao em torno da reta
y = x (como ser
a visto oportunamente, p. 237), veja:
y

s(y, x)

y=x

s(x, y)
x

R2

2) Mostre que o vetor F L R2 dado por F (x, y) = (0, x) 6= 0 satisfaz a


equacao
F2 = 0
Solu
ca
o: Temos


F 2 (x, y) = F F (x, y) = F F (x, y) = F (0, x) = F (0, x) = (0, 0)

Sendo assim podemos escrever,

F 2 = 0 : R2
(x, y)

215

R2
(0, 0)

3) Seja F : U U um operador idempotente (isto e, F 2 = F ) de um espaco


vetorial U . Mostre que U = N (F ) Im (F ).
Solu
c
ao:
Prova: Podemos escrever um vetor u U arbitrario como:
u = (u F (u)) + F (u)
A segunda parcela est
a, obviamente, no subespaco Im (F ). Vamos mostrar
que a primeira parcela est
a no n
ucleo:

F u F (u) = F (u) F 2 (u) = F (u) F (u) = 0
Resumindo: mostramos que um vetor arbitrario de U pode ser escrito
como a soma de dois vetores, um do n
ucleo e outro da imagem, logo
U = N (F ) + Im (F )
Para mostrar que esta soma e direta basta mostrar que
N (F ) Im (F ) = { 0 }
Suponhamos ent
ao que u N (F ) Im (F ), entao
(

u Im (F )

u = F (u ), para algum u U ;

u N (F )

F (u) = 0.

(4.18)

Aplicando F na primeira equacao acima obtemos



F (u) = F F (u ) = F 2 (u )

usando a hip
otese de que o operador e idempotente resulta
F (u) = F 2 (u ) = F (u )
Agora considerando a segunda equacao em (4.18) concluimos que F (u ) = 0.
Este resultado na primeira equacao em (4.18) fornece u = 0.
Conclusao: na intersecao dos subespacos N (F ) e Im (F ) mora apenas
o vetor nulo, logo, a soma e direta.
>

216

Vamos ilustrar a igualdade U = N (F ) Im (F ) do exemplo anterior


com um exemplo geometrico.
Considere o operador (projec
ao sobre o eixo ox):
F : R2 R2 , F (x, y) = (x, 0)
Primeiramente mostremos que ele e idempotente, isto e, que F 2 = F :


F 2 (x, y) = F F (x, y) = F F (x, y) = F (x, 0) = F (x, 0) = (x, 0) = F (x, y)

Vamos encontrar o n
ucleo desse operador:

N (F ) = { u U : F (u) = 0 }

= { (x, y) R2 : F (x, y) = (0, 0) }

Devemos resolver a equac


ao:
F (x, y) = (0, 0) (x, 0) = (0, 0) x = 0
Ou seja,
N (F ) = { (x, y) R2 : x = 0 } = { (0, y) R2 }
Isto e, o n
ucleo do operador e o eixo oy. Calculemos a imagem do operador.
Im (F ) = { F (u) : u U }

= { F (x, y) : (x, y) R2 }

= { (x, 0) : (x, y) R2 } = { x (1, 0) : x R }

A imagem e gerada pelo vetor (1, 0), isto e, Im (F ) = [ (1, 0) ], e o eixo ox.
Geometricamente tudo se passa assim:

N (F )

N (F )

(0, y) s

(x, y)

(0, y) s

(x, y)

s
0

s
(x, 0)

Im (F )

s
0

s
(x, 0)

Im (F )

R2 = N (F ) Im (F )

217

R2

4) Lembramos que L R3 e o conjunto


(
F : R2 R3 : F e linear
R2
L R3 =
u 7 F (u)
R2

Mostre que dim L R3 = 2 3 = 6.


Prova: Vamos considerar B = { u1 , u2 } e C = { v1 , v2 , v3 } bases dos
respectivos espacos. Pelo lema 2 (p. 178), uma aplicacao linear F : R2 R3
R2

nico) por uma associacao qualquer de


de L R3 e determinada (de modo u
imagens de elementos da base B. Consideremos as aplicacoes
R2

Fij L R3 , i = 1, 2;

j = 1, 2, 3.

observe que temos 2 3 aplicacoes, veja:


i = 1:

F11

F12

F13

i = 2:

F21

F22

F23

(4.19)

vamos definir a aplicac


ao linear Fij como

v , k = i;
j
Fij (uk ) =
0, k =
6 i.

Por exemplo, para as aplicacoes da primeira linha de (4.19) obtemos:


F11 (u1 ) = v1 , F11 (u2 ) = 0
F12 (u1 ) = v2 , F12 (u2 ) = 0

(4.20)

F13 (u1 ) = v3 , F13 (u2 ) = 0


Para as aplicac
oes da segunda linha de (4.19) obtemos:
F21 (u1 ) = 0 , F21 (u2 ) = v1
F22 (u1 ) = 0 , F22 (u2 ) = v2

(4.21)

F23 (u1 ) = 0 , F23 (u2 ) = v3


Tendo o conjunto { Fij } exatamente 2 3 elementos a proposicao estar
a
R2

provada se mostrarmos que { Fij } e uma base de L R3 .


R2

Inicialmente mostraremos que { Fij } gera L R3 . Considere uma funcao


R2

arbitraria F L R3 , isto e, F : R2 R3 . Suponha, ademais, que


F (u1 ) = w1 , F (u2 ) = w2

Veja propriedade P5 (p. 151) e lema 2 (p. 178).

218

(4.22)

Como wk R3 , ele e uma combinacao linear dos vetores de C, assim:


w1 = 11 v1 + 12 v2 + 13 v3

(4.23)

w2 = 21 v1 + 22 v2 + 23 v3

(4.24)

Considere a aplicac
ao linear G =
G=

3
X

P2

i=1

P3

1j F1j +

j=1

3
X

ij Fij . Ou, se preferirmos:


2j F2j

j=1

j=1

Ou ainda:
G = 11 F11 + 12 F12 + 13 F13
+ 21 F21 + 22 F22 + 23 F23
Como G e uma combinac
ao linear dos Fij , a demonstracao de que { Fij }
R2

a terminada se mostrarmos que F = G.


gera L R3 estar
Vamos calcular G(uk ), k = 1, 2 e comparar com (4.22). Temos:
G(u1 ) = 11 F11 (u1 ) + 12 F12 (u1 ) + 13 F13 (u1 )

(4.25)

+ 21 F21 (u1 ) + 22 F22 (u1 ) + 23 F23 (u1 )


Das primeiras colunas em (4.20) e (4.21) obtemos
G(u1 ) = 11 v1 + 12 v2 + 13 v3

(4.26)

+ 21 0 + 22 0 + 23 0
Comparando este resultado com (4.23) concluimos que G(u1 ) = w1 , comparando com (4.22) concluimos que G(u1 ) = F (u1 ).
Por outro lado, temos:
G(u2 ) = 11 F11 (u2 ) + 12 F12 (u2 ) + 13 F13 (u2 )
+ 21 F21 (u2 ) + 22 F22 (u2 ) + 23 F23 (u2 )
Das segundas colunas em (4.20) e (4.21) obtemos
G(u2 ) = 11 0 + 12 0 + 13 0
+ 21 v1 + 22 v2 + 23 v3
Comparando este resultado com (4.24) concluimos que G(u2 ) = w2 , comparando com (4.22) concluimos que G(u2 ) = F (u2 ). Sendo assim, pelo lema
2 (p. 178) concluimos que F = G.
219

Para demonstrar que { Fij } s


ao linearmente independentes suponha que,
para escalares ij R, temos
3
2 X
X

ij Fij = 0

(4.27)

i=1 j=1

Ou, se preferirmos:
11 F11 + 12 F12 + 13 F13
+ 21 F21 + 22 F22 + 23 F23 = 0
Colocando, nesta igualdade, o vetor u1 como argumento das funcoes Fij
obtemos o lado direito da igualdade (4.25) igual a 0. Fazendo as devidas
substituic
oes obtemos o lado direito da igualdade (4.26) igual a 0, isto e:
11 v1 + 12 v2 + 13 v3 = 0
Como os vi s
ao linearmente independentes obtemos 11 = 12 = 13 = 0.
Fazendo o mesmo procedimento com o vetor u2 , obtemos todos os demais
>
escalares da combinac
ao linear (4.27) iguais a 0.
A prova est
a concluida, no apendice (p. 254) demonstramos o caso geral.
R2

Vamos obter, de modo explcito, uma base para o espaco vetorial LR3 .
Para tanto vamos, por exemplo, escolher as bases can
onicas
B = { u1 = (1, 0), u2 = (0, 1) }
C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) }
Sendo assim, para as aplicacoes da primeira linha de (4.19) (p. 218) obtemos:
F11 (1, 0) = (1, 0, 0) , F11 (0, 1) = (0, 0, 0)
F12 (1, 0) = (0, 1, 0) , F12 (0, 1) = (0, 0, 0)
F13 (1, 0) = (0, 0, 1) , F13 (0, 1) = (0, 0, 0)
Para as aplicac
oes da segunda linha de (4.19) obtemos:
F21 (1, 0) = (0, 0, 0) , F21 (0, 1) = (1, 0, 0)
F22 (1, 0) = (0, 0, 0) , F22 (0, 1) = (0, 1, 0)
F23 (1, 0) = (0, 0, 0) , F23 (0, 1) = (0, 0, 1)
Seguindo os passos da propriedade P5
aplicac
oes Fij , por exemplo, sendo

(p. 151)

podemos determinar todas as

(x, y) = x (1, 0) + y (0, 1)


220

temos
F11 (x, y) = x F11 (1, 0) + y F11 (0, 1)
= x (1, 0, 0) + y (0, 0, 0) = (x, 0, 0)
Com um procedimento an
alogo, obtemos:
F11 (x, y) = (x, 0, 0) ,

F12 (x, y) = (0, x, 0) ,

F13 (x, y) = (0, 0, x)

F21 (x, y) = (y, 0, 0) ,

F22 (x, y) = (0, y, 0) ,

F23 (x, y) = (0, 0, y)


R2

Sendo assim { Fij } e uma base do espaco vetorial LR3 .


Uma transformac
ao linear F : R2 R3 arbitraria pode ser escrita como:
F (x, y) = (a11 x + a12 y, a21 x + a22 y, a31 x + a32 y)
Ou ainda,

(ver ( ), p. 146 e p. 148)

F : R2 R3

Y = F (X) = A X

32

a11
y1

a
y2 = 21
a31
y3

}|

{
"
#
a12
x1

a22
x2
a32

Temos:
F (x, y) = a11 (x, 0, 0) + a21 (0, x, 0) + a31 (0, 0, x)
+ a12 (y, 0, 0) + a22 (0, y, 0) + a32 (0, 0, y)
Ou ainda:
F (x, y) = a11 F11 (x, y) + a21 F12 (x, y) + a31 F13 (x, y)
+ a12 F21 (x, y) + a22 F22 (x, y) + a32 F23 (x, y)
R2

o que confirma que { Fij } gera o espaco vetorial LR3 .

221

4.3.1

Exerccios

1) Sejam F : R2 R3 e G : R2 R3 as transformacoes lineares definidas


por
F (x, y) = (x + y, x y, x) e G(x, y) = (x y, x + y, y)
Determine as seguintes transformacoes lineares:
a) F + G;
b ) 2 F 3 G,

c ) A matriz can
onica de 2 F 3 G e mostre que
[ 2 F 3 G ] = 2[ F ] 3[ G ]
2) Sejam F : R2 R e G : R R as transformacoes lineares
F (x, y) = x + 2y e G(x, y) = 2x
Determine a transformacao G F . Perguntamos se F G est
a definida.

3) Sejam F e G operadores lineares no R2 dados por

F (x, y) = (x + y, x y) e G(x, y) = (x y, x + y)
Determine os seguintes produtos:
a) F G

b) GF

c) F2

d ) G2

R2

4) Sejam F, G L R2 vetores dados por


F (x, y) = (0, x) e G(x, y) = (x, 0)
Determine os seguintes produtos:
a) F G

b) GF

c ) ( F G )2

d ) ( G F )2

R3

5) Seja F L R3 dado por F (x, y, z) = (3x, x y, 2x + y + z). Mostre que:


( F 2 1 )( F 3 1 ) = 0
R2

6) Sejam F, G L R3 vetores dados por


F (x, y) = (x + y, y + z, z) e G(x, y) = (x + 2y, y z, x + 2z)
Encontre:
a ) F G;
b ) N ( F G ) e Im ( G F );
c ) uma base e a dimensao de N ( F 2 G ).
222

R2

R3

7) Sejam F L R3 e G L R3 dados por:


F (x, y) = (x + y, x y, 0) e G(x, y, z) = (x + y, x z, y + z)
Determine: F G F .

8) Sejam F, G : R3 R2 definidas por


F (x, y, z) = (y, x + z) e G(x, y, z) = (2z, x y)
R3

Mostre que { F, G} e linearmente independente no espaco LR2 .


R3

9) Determine uma base para o espaco vetorial LR2 .

R2

10) Determine uma base para o espaco vetorial LR2 .


P

11) Determine uma base para o espaco vetorial LP22 .


R2

12) Seja F L R2 dado por F (x, y) = (y, x). Determine F n (x, y), sendo
n 1 um n
umero natural.
R2

13) Seja F L R2 dado por F (x, y) = (x, 0). Determine F n (x, y), sendo
n 1 um n
umero natural.
14) Determine se os seguintes vetores (operadores) lineares de R3 s
ao idempotentes ou nilpotentes:
a ) F (x, y, z) = (x, y, z);

b ) F (x, y, z) = (z, x, y);


c ) F (x, y, z) = (0, x, z);
d ) F (x, y, z) = (x, y, 0);
R2

15) Seja F L R2 dado por F (x, y) = (x, x + y).


a ) Determine F 2 ;

b ) Determine ( F 1 )2 ;

c ) Mostre que ( F 1 )2 = F 2 2 F + 1 = 0. Observe que F 1 6= 0.

223

Espa
co Dual

Reconsideremos o conjunto
(
F : U V
U
LV =
u 7 F (u)

(p. 203)

: F e linear

4.4

das transformac
oes lineares do espaco vetorial U no espaco vetorial V .

U
U
J
a vimos que LV = L V , +, tambem e um espaco vetorial sobre R.
Sendo o pr
oprio R um espaco vetorial sobre R tomemos no conjunto
acima V = R, isto e

F : U R

: F e linear

u 7 F (u)

U
R

Esse espaco vetorial e chamado espa


co vetorial dual de U e costuma
ser denotado na literatura por U . Enfatizamos:

=L

U
R

Cada elemento de U recebe o nome de forma linear ou funcional


linear sobre U .
Exemplos:
1 ) A transformac
ao
F : R3 R

(x, y, z) 7 x+y+z
R3

e um elemento do espaco L R = ( R3 ) .
2 ) A transformac
ao
F : P2 (R) R
R1
p(x) 7 0 p(x) dx

e um elemento do espaco ( P2 (R) ) .


3 ) A transformac
ao

F : Mn (R) R
(aij ) 7 a11 + a22 + + ann
224

Faz corresponder a cada matriz quadrada de ordem n o seu traco. A


aplicac
ao traco e uma forma linear.
O nosso objetivo agora ser
a caracterizar os elementos F do espaco dual
n
de R . Ent
ao, seja
F : Rn R
u

7 F (u)

Rn
R

()

uma forma linear sobre o Rn . Consideremos { e1 , e2 , . . . , en } como sendo a


base can
onica do Rn , isto e
e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1)
Fixado arbitrariamente um vetor u = (x1 , x2 , . . . , xn ) em Rn , u pode ser
escrito como uma combinac
ao linear desta base, assim
u = x1 e1 + x2 e2 + + xn en
Entao
F (u) = F ( x1 e1 + x2 e2 + +xn en ) = x1 F (e1 ) + x2 F (e2 ) + +xn F (en )
Observe em () que F (e1 ), F (e2 ), . . . , F (en ), s
ao n
umeros reais; facamos
F (e1 ) = k1 , F (e2 ) = k2 , . . . , F (en ) = kn ; sendo assim obtemos
F (x1 , x2 , . . . , xn ) = k1 x1 + k2 x2 + + kn xn
A conclusao e que todo elemento do espaco ( Rn ) e desta forma. Por
exemplo, veja o Exemplo 1 ) dado anteriormente (p. 224).
Por outro lado, dada qualquer n-upla (k1 , k2 , . . . , kn ) de n
umeros reais
e facil ver que a aplicac
ao
Rn

F :

(x1 , x2 , ..., xn ) 7 k1 x1 + k2 x2 + +kn xn

e uma forma linear sobre o Rn . Entao, podemos afirmar que F ( Rn ) se,


e somente se, existem n
umeros reais k1 , k2 , . . . , kn tais que
F (x1 , x2 , . . . , xn ) = k1 x1 + k2 x2 + + kn xn , (x1 , x2 , . . . , xn ) Rn
Em resumo:

= L

Rn
R

F : Rn R

u 7 F (u)

225

: F e linear

( Rn )

Um espa
co e seu dual t
em a mesma dimens
ao
Seja U um espaco vetorial sobre R de dimensao n. Desejamos provar que
o espaco vetorial U tambem tem dimensao n. Isto e,

dim U = dim L R = dim U


De fato, consideremos B = { u1 , u2 , . . . , un } uma base de U , o que
implica que todo vetor desse espaco pode ser escrito como
u = x1 u1 + x2 u2 + + xn un ,

com xi R.

(4.28)

As n aplicac
oes ssim
F1 : U R ,
u 7 x1

F2 : U R ,

, Fn : U R

...

u 7 xn

u 7 x2

s
ao transformac
oes lineares de U em R, logo, pertencem ao dual de U , isto
e, a U . Tendo o conjunto { F1 , F2 , . . . , Fn } exatamente n elementos o
nosso desiderato ter
a sido cumprido se mostrarmos que { Fi } e uma base de
U

L R = U . Inicialmente mostraremos que { Fi } gera L R .


U

Considere uma funcao arbitraria F L R . Suponha, ademais, que


F (u1 ) = k1 , F (u2 ) = k2 , . . . , F (un ) = kn
Ent
ao
F (u) = F (x1 u1 + x2 u2 + + xn un ) = x1 F (u1 ) + x2 F (u2 ) + + xn F (un )
= k1 x1 + k2 x2 + + kn xn
= k1 F1 (u) + k2 F2 (u) + + kn Fn (u)
Podemos escrever essa u
ltima igualdade como
F (u) = k1 F1 (u) + k2 F2 (u) + + kn Fn (u)
= ( k1 F1 + k2 F2 + + kn Fn )(u)
Como u foi tomado arbitrariamente em U concluimos que
F = k1 F1 + k2 F2 + + kn Fn
U

Assim mostramos que, de fato, { Fi } gera L R .

Veja propriedade P5 (p. 151) e lema 2 (p. 178).

226

Para demonstrar que { Fi } e linearmente independente consideremos,


para escalares i R, a combinac
ao
1 F1 + 2 F2 + + n Fn = 0
Coloquemos o vetor u1 como argumento das funcoes Fi acima, assim
1 F1 (u1 ) + 2 F2 (u1 ) + + n Fn (u1 ) = 0
Nesta igualdade temos
1 F1 (u1 ) +2 F2 (u1 ) + + n Fn (u1 ) = 0
| {z }
| {z }
| {z }
=1

=0

(4.29)

=0

Observe porque: podemos escrever

u1 = 1 u1 + 0 u2 + + 0 un
u2 = 0 u1 + 1 u2 + + 0 un

un = 0 u1 + 0 u2 + + 1 un

Agora basta atentar para o desenvolvimento dado em (4.28), de um vetor


arbitrario u U , e as definic
oes das Fi dadas em seguida. Sendo assim de
(4.29) concluimos que 1 = 0.
Agora coloquemos o vetor u2 como argumento das funcoes Fi , assim
1 F1 (u2 ) + 2 F2 (u2 ) + + n Fn (u2 ) = 0
Nesta igualdade temos
1 F1 (u1 ) +2 F2 (u1 ) + + n Fn (u1 ) = 0
| {z }
| {z }
| {z }
=0

=1

=0

donde 2 = 0. Procedendo desta forma ate o u


ltimo vetor da base B concluimos que todos os i s
ao nulos; logo, o conjunto { Fi } e linearmente
independente.
U

Sendo assim { F1 , F2 , . . . , Fn } e uma base de L R = U . Entao,


dim U = dim U
Pelo teorema 9
espacos isomorfos.

(p. 180)

concluimos que o espaco U e seu dual U s


ao

Nota: A base { F1 , F2 , . . . , Fn } construida anteriormente recebe o nome


de base dual da base B = { u1 , u2 , . . . , un }.

227

Exemplos:
1 ) Determine a base dual da base B = { (1, 1), (1, 1) } do R2 .

Solu
c
ao: Seguindo os passos da demonstracao anterior, vamos escrever um
vetor arbitrario u = (x, y) de R2 como combinacao linear dos vetores da
base B, temos
u = (x, y) = x1 u1 + x2 u2 = x1 (1, 1) + x2 (1, 1)
Resolvendo o sistema acima encontramos x1 =
Isto nos leva a
u=

x+y
2

e x2 =

x+y
2 .

x+y
x + y
(1, 1) +
(1, 1)
2
2

Ainda de acordo com a prova anterior estamos procurando as duas aplicacoes


F2 : R2 R

F1 : R2 R ,

u 7 x2

u 7 x1

Sendo assim, resulta


F1 (x, y) =

x+y
2

F2 (x, y) =

x + y
2

A base { F1 , F2 } e a base dual de B, solicitada.


Existe uma outra alternativa pela qual podemos resolver o problema
acima. Com efeito, as Fi definidas na p. 226 atuam numa base B =
{ u1 , u2 , . . . , un } de U da seguinte forma
Fi (uj ) = ij =

(
1, se i = j;
0, se i 6= j.

A express
ao acima, que usa o delta de Kronecker ij , e uma forma abreviada
de escrever
F1 (u1 ) = 1 , F1 (u2 ) = 0 ,

F1 (u3 ) = 0 , . . .

F1 (un ) = 0

F2 (u1 ) = 0 , F2 (u2 ) = 1 ,

F2 (u3 ) = 0 , . . .

F2 (un ) = 0

.........................................................
Fn (u1 ) = 0 , Fn (u2 ) = 0 , Fn (u3 ) = 0 , . . .

Fn (un ) = 1

Pois bem, estamos procurando duas aplicacoes da forma


F1 (x, y) = ax + by

e
228

F2 (x, y) = cx + dy

Reconsideremos a base B = { u1 = (1, 1), u2 = (1, 1) }; aplicando


nestas transformac
oes o vetores dessa base temos
F1 (1, 1) = a 1 + b 1 = 1 , F1 (1, 1) = a(1) + b 1 = 0
F2 (1, 1) = c 1 + d 1 = 0 , F2 (1, 1) = c(1) + d 1 = 1
Destas equac
oes retiramos os seguintes sistemas
(
(
a+b = 1
c+d = 0
e
a + b = 0
c + d = 1
Resolvendo-os, encontramos
F1 (x, y) =

1
1
x+ y
2
2

1
1
F2 (x, y) = x + y
2
2

2 ) Determine a base dual da seguinte base do R3


B = { (1, 1, 0), (0, 1, 0), (0, 0, 2) }
Solu
ca
o: Seguindo os passos da demonstracao anterior, vamos escrever um
vetor arbitrario u = (x, y, z) de R3 como combinacao linear dos vetores da
base B, temos temos
u = (x, y, z) = x1 u1 + x2 u2 + x3 u3
Ou ainda
(x, y, z) = x1 (1, 1, 0) + x2 (0, 1, 0) + x3 (0, 0, 2)
Resolvendo o sistema

1x + 0x2 + 0x3 = x

1x1 + 1x2 + 0x3 = y

0x1 + 0x2 + 2x3 = z

Obtemos

x1 = x,

x2 = y x,

x3 =

z
2

Estamos procurando tres aplicac


oes
F1 : R3 R ,
u 7 x1

F3 : R3 R

F2 : R3 R,

u 7 x3

u 7 x2

Sendo assim, resulta


F1 (x, y, z) = x,

F2 (x, y, z) = x + y

A base { F1 , F2 , F3 } e a base dual de B procurada.


229

F3 (x, y, z) =

z
2

4.4.1

Exerccios

16) Determine a base dual da base B = { (1, 1), (1, 1) } do R2 .

17) Determine a base dual da base B = { (1, 1, 3), (0, 1, 1), (0, 3, 2) }
do R3 .
18) Determine a base dual da base can
onica do R3 .
19) Determine a base dual da base B = { 1, t, 1 t2 } do P2 (R).
20) Determine a base dual da base can
onica do M2 (R) e escreva a aplicacao
traco como uma combinacao linear dessa base.
21) Verifique se os funcionais lineares F1 e F2 do espaco (R2 ) , dados
abaixo, forma uma base deste espaco:
F1 (x, y) = x + y

F2 (x, y) = x y

22) Seja { e1 , e2 , . . . , en } a base can


onica do Rn . Mostre que sua base dual
e { 1 , 2 , . . . , n } onde i e a aplicacao projecao na coordenada i; isto e,
i :

Rn

(x1 , ..., xn ) 7 xi

23) Seja U um espaco vetorial sobre R. Sejam F1 e F2 U e suponha


F : U R definida por F (u) = F1 (u) F2 (u), tambem pertence a U . Mostre
que F1 = 0 ou F2 = 0.
24) Seja V = R3 . Considere o subespaco W de V gerado pelos funcionais
F e G dados por F (x, y, z) = x y e G(x, y, z) = y 2z. Determine uma
base do seguinte subespaco de W :
W = { u V : F (u) = 0, F W }
25) Sejam F e G formas lineares n
ao nulas no espaco vetorial U (i.e. F
e G U ), linearmente dependentes. Prove que N (F ) = N (G) e sua
dimensao e n 1 se dim U = n.
(Sug.: Considere o teorema do n
ucleo e da imagem)

Importa bem pouco o que se sup


oe [a respeito da disposica
o primeva
da materia], pois depois isso dever
a mudar de acordo com as leis da
natureza. J
a que por obra dessas leis a materia assume em sucess
ao
[sucessive] todas as formas de que e capaz, se considerarmos essas formas
segundo sua ordem poderemos, afinal, chegar `
aquela que e pr
opria deste
mundo; neste caso, n
ao h
a raz
ao alguma para temer algum erro derivado
de falsa hip
otese.
(Descartes)
(Paolo Rossi/Os Sinais do Tempo, p. 74)

230

4.5

Matrizes Semelhantes

No captulo 6 estaremos considerando um importante tema pertinente `a


algebra linear, a diagonalizaca
o de operadores, que se inicia com
Defini
c
ao 26 (Matrizes Semelhantes). Duas matrizes A e B, quadradas e
de ordem n, s
ao semelhantes se, e somente se, existe uma matriz inversvel
P , tambem de ordem n, de modo que:
P 1 A P = B


1 1
0 1

(4.30)


1
0
0 1

Exemplos: As matrizes A =
e B =
s
ao seme

1
1
lhantes, onde P =
. Deixamos como exerccio ao leitor confirmar
1 1
a equac
ao (4.30).
Observamos, ademais, que a matriz P na definicao acima n
ao e u
nica.
Por exemplo, no
 exemplo
 dado uma outra P que satisfaz a equacao (4.30) e
2
2
dada por P =
. Isto e uma consequencia da seguinte propriedade
2 2
da invers
ao de matrizes:
Se A e uma matriz invertvel e um escalar n
ao nulo, ent
ao A e uma
matriz invertvel e
(p. 429)
( A)1 =

1
A

De fato, temos
P 1 A P = B

1


P 1 A ( P ) = B ( P )1 A ( P ) = B.

Notaca
o: Se A e semelhante a B escrevemos: A B.

Proposi
c
ao 14. A relaca
o no conjunto das matrizes quadradas e uma
relaca
o de equivalencia, isto e:
(i)
( ii )
( iii )

A A, para toda A;
Se A B ent
ao B A;

Se A B e B C ent
ao A C.

Prova: ( i ) A matriz identidade I e inversvel com I 1 = I. Como


A = I 1 A I, segue que A A.
( ii ) Como A B, existe uma matriz inversvel P tal que A = P 1 B P .
Multiplicado essa igualdade do lado esquerdo por P e do lado direito por
P 1 encontramos B = P A P 1 , mas B = P A P 1 = (P 1 )1 A P 1 e
P 1 tambem e inversvel; assim, B A.
231

( iii ) Como A B e B C existem matrizes inversvis P e Q tais que


A = P 1 B P

B = Q1 C Q

Ent
ao
A = P 1 B P = P 1 (Q1 C Q) P
Logo
A = (P 1 Q1 ) C (Q P ) = (Q P )1 C (Q P )
Q P sendo inversvel decorre que A C.

Proposi
c
ao 15. Duas matrizes representam o mesmo operador linear T se
e s
o se essas matrizes s
ao semelhantes.
Sendo assim, todas as representacoes matriciais de um operador linear
T formam uma classe de equivalencia de matrizes semelhantes.
uma consequencia direta do teorema 10.
Prova: ( ) E
(p. 211)

( ) O recproco do teorema afirma que se A e B s


ao matrizes semelhantes,
de ordem n, ent
ao existe um operador T : Rn Rn tal que A e B s
ao
n
matrizes de T relativamente a bases distintas de R .
De fato, Tomemos uma base B do Rn e seja
T : Rn Rn
B

o operador tal que [ T ] B = [ T ] B = A.

Por hip
otese, existe uma matriz P de modo que B = P 1 A P . Suponhamos

11 12 . . . 1n

22 . . . 2n
21

B = { u1 , u2 , . . . , un } e P =
...................
n1

n2

...

nn

Consideremos os seguintes vetores do Rn :

v1 = 11 u1 + 21 u2 + + n1 un
v2 = 12 u1 + 22 u2 + + n2 un

....................................
vn = 1n u1 + 2n u2 + + nn un
Como a matriz P e inversvel concluimos (Problema 3, p. 121) que o conjunto
C = { v1 , v2 , . . . , vn } tambem e uma base do Rn .
Observe que P pode ser vista como a matriz de mudanca da base antiga
B para a nova base C.
(p. 113)
232

Suponhamos o operador identidade


Rn


I : Rn

C = { vi }

Sendo assim, temos

B = { ui }

I(v1 ) = v1 = 11 u1 + 21 u2 + + n1 un
I(v2 ) = v2 = 12 u1 + 22 u2 + + n2 un

I(vn ) = vn = 1n u1 + 2n u2 + + nn un
C

Do algoritmo dado na p. 189 concluimos que [ I ] B = P . Entao


C

P = [ I ] B

P 1 = [ I 1 ] C = [ I ] C

Sendo assim, temos


B

B = P 1 A P = [ I ] C [ T ] B [ I ] B
B

= [ I ] C [ T I ] B
B

= [ I ] C [ T ] B
C

= [ I T ]C
C

= [T ]C
Portanto B e a matriz de T em relacao `a base C.

Vamos voltar `
a equac
ao, e notacao, dada no enunciado do teorema 10
para provar uma importante propriedade.
(p. 211)
Proposi
c
ao 16. As matrizes semelhantes [ T ]C e [ T ]B tem o mesmo determinante.
Prova: De fato, sendo
[ T ]C = P 1 [ T ]B P
temos
P [ T ]C = [ T ]B P
Entao
donde

det P det [ T ]C = det [ T ]B det P


det [ T ]C = det [ T ]B


233

A proposic
ao anterior torna valida a seguinte
Defini
c
ao 27 (Determinante de um operador linear). Chama-se determinante de um operador linear T : V V o determinante da matriz de T em
relaca
o a uma base qualquer de V .
Usaremos a seguinte notacao det (T ) para indicar o determinante do
operador T .
Temos as seguintes propriedades
(a) Se F e G s
ao operadores lineares de V , entao
det (F G) = det (F ) det (G)
Isto e uma consequencia imediata da equacao (4.14).

(p. 209)

(b) det (I) = 1, onde I indica o operador identidade;


(c) T : V V e um isomorfismo se, e somente se, det (T ) 6= 0.

De uma perspectiva qu
antica, tudo, desde os
atomos da materia, a
folha do gramado, ate nosso corpo, o planeta e o que se encontra alem,
tudo isso pode ser pensado como uma perturbaca
o no tecido liso desse
cobertor espaco-temporal. Talvez n
ao seja coincidencia o fato de as antigas tradico
es espirituais e poeticas se assemelharem tanto ao descreverem
o fen
omeno da existencia. As escrituras vedicas, por exemplo, falam de
um campo unificado de pura consciencia , que banha e permeia toda
a criaca
o. Nesses escritos, nossas experiencias do pensar, sentir, ter
emoco
es e alimentar crencas e todo o discernimento criado por tais
experiencias s
ao considerados como perturbaco
es , interrupco
es em
um campo que, n
ao fosse por isso, teria suavidade e imobilidade.
(Gregg Braden/A Matriz Divina, p. 16)

Metaforicamente, como eu sugeri, podemos pensar o v


acuo como um vasto mar; e tudo quanto existe
as estrelas, a Terra, as
arvores, n
os e as partculas
de que somos feitos , como ondas nesse mar. Os
fsicos denominam tais ondas n
os e tudo quanto
existe excitaco
es ou flutuaco
es do v
acuo.

(Danah Zohar/Sociedade qu
antica, p. 284)

As ondas existem, mas n


ao separadas do oceano. Da mesma forma,
isso que Deus
n
os existimos: n
ao separados do oceano da consciencia. E
e.
(Osho/Zen, p. 104)

234

Exerccios
26) Para que valores de a, b e c (reais) as seguintes matrizes de M2 (R) s
ao
semelhantes?
#
#
"
"
c
0
a
b
e
0
c
b
a
27) Seja o operador linear T : R2 R2 dado por
T (x, y) = (2x + 9y, x + 2y)
Determine [ T ], matriz can
onica de T , e a seguir utilize a identidade [ T ]B =
P 1 [ T ] P para transforma-la na matriz de T na base B = { (3, 1), (3, 1) }.

28) Seja T : R2 R2 dado por T (x, y) = (4x + 5y, 2x y).

(a) Calcule a matriz A que representa T na base can


onica E.
(b) Calcule a matriz B que representa T na base can
onica S = { (1, 4), (2, 9) }.

(c) Determine P tal que B = P 1 A P .


(d) Para u = (a, b), calcule [ u ]S e [ T (u) ]S . Verifique que [ T ]S [ u ]S =
[ T (u) ]S .
#
#
"
"
1
2
1
1
.
e P =
29) Sejam A =
3
5
2
3
(a) Calcule B = P 1 A P ;
(b) Verifique que tr(B) = tr(A);
(c) Verifique det(B) = det(A).
30) Considere o operador linear T : R2 R2 e as bases
B = { (3, 4), (5, 7) }

C = { (1, 1), (1, 1) }


"
2
Considere a matriz de T na base B como sendo [ T ]B =
2
e

Calcule a matriz [ T ]C .
31) Verifique se as matrizes a seguir s
ao semelhantes.
#
#
"
"
1 1
0 1
e
0 0
0 0
32) Verifique se as matrizes a seguir s
ao semelhantes.
#
#
"
"
1 0
1 2
e
0 0
1
2
235

4
1

33) Prove que se A e B s


ao semelhantes entao An e B n s
ao semelhantes,
para todo n 1.
Solu
c
ao: Considerando B = P 1 A P provaremos que B n = P 1 An P e,
portanto, B n e An s
ao semelhantes.
Faremos a prova por inducao sobre n. O resultado e verdadeiro para
n = 1, por hip
otese. Suponha que n > 1 e que o resultado seja verdadeiro
para n 1. Sendo assim
B n = B B n1 = ( P 1 A P )( P 1 An1 P ) = P 1 An P.
34) Sendo p(t) = a0 + a1 t + a2 t2 + + an tn um polin
omio, indicamos por
p(A) e p(B) as matrizes
p(A) = a0 I + a1 A + a2 A2 + + an An
p(B) = a0 I + a1 B + a2 B 2 + + an B n
Mostre que se A e B s
ao semelhantes, entao p(A) e p(B) tambem s
ao
semelhantes.
Solu
c
ao: Considerando B = P 1 A P provaremos que p(B) = P 1 p(A) P
e, portanto, p(B) e p(A) s
ao semelhantes.
De fato, usando distributividade `a direita e `a esquerda e o exerccio anterior, obtemos
P 1 p(A) P = P 1 ( a0 I + a1 A + a2 A2 + + an An ) P
= P 1 ( a0 I ) P + P 1 ( a1 A ) P + + P 1 ( an An ) P
= a0 ( P 1 I P ) + a1 ( P 1 A P ) + + an ( P 1 An P )
= a0 I + a1 B + a2 B 2 + + an B n = p(B).
35) Calcule

A10

para A =

"

0 1
2 1

36) Calcule a n-esima potencia da matriz


37) Considere os seguintes objetos
#
#
"
"
1
0
0 1
, B=
A=
0 1
1 0

"

1 a
0 1

Calcule p(A) e p(B) e mostre que p(A) p(B).


236

p(t) = 2 + 3t t2 .

4.6

Transformac
oes do Plano no Plano

As transformac
oes geometricas vistas a seguir ocupam um papel muito
importante em computac
ao gr
afica.

Reflex
ao em torno de uma reta
Na figura a seguir (esquerda) desenhamos o efeito de uma transfromacao
F : R2 R2 que faz a reflex
ao de um ponto de coordenadas (x, y) em torno
de uma reta de equac
ao y = ax.
y
(x , y )

y=ax

y
(x , y )

y=ax

s ( x+x , y+y )

s (x, y)

s (x, y)

- Dedu
c~
ao de (x , y ) = ?

- Reflex~
ao em torno de uma reta

Temos o seguinte problema a resolver: Conhecemos a reta de equacao


y = ax e conhecemos as coordenadas (x, y) do ponto a ser refletido em torno
desta reta, devemos obter as coordenadas (x , y ) do ponto refletido.
Sabemos da geometria analtica que y y0 = m (x x0 ) e a equacao da
reta que passa no ponto (x0 , y0 ) e tem m como coeficiente angular.
Devemos resolver o seguinte sistema:

y y = a (x x)
(4.31)

y+y = a x+x
2
2

A primeira das equac


oes acima se deve a que a reta de equacao y (fig. da
direita) passa no ponto de coordenadas (x, y) e e perpendicular `a reta de
equacao y = ax. A segunda equacao e obtida tendo em conta que os dois
pontos (objeto e imagem) est
ao `
a mesma dist
ancia da reta y = ax, o que
tem como consequencia que o ponto medio pertence a esta reta.
Resolvendo o sistema acima (para x e y ) obtemos (exerccio):
(x , y ) =

 1 a2
1 + a2

x+

2a
2a
1 a2 
y,
x

y
1 + a2
1 + a2
1 + a2

Vejamos alguns casos particulares de reflexao:

237

(4.32)

Reflex
ao em torno do eixo dos x
Nesse caso temos y = 0x, substituindo a = 0 na equacao (4.32), obtemos:
(x , y ) = (x, y)
Dentro do contexto das transformacoes lineares, temos:
y

F : R2 R2
(x, y) 7 (x, y)

s (x, y)
F

ou F (x, y) = (x, y)

s (x, y)

A matriz can
onica desta transformacao e
"

x
y

"

x
y

"

"

1
0
0 1

1
0
0 1

#"

, porquanto:

x
y

Reflex
ao em torno do eixo dos y
Para refletir um ponto de coordenadas (x, y) em torno do eixo y e facil ver
que:
(x , y ) = (x, y)
Dentro do contexto das transformacoes lineares, temos:
y

F :

R2

R2

(x, y) 7 (x, y)

(x, y) s

ou F (x, y) = (x, y)

A matriz can
onica desta transformacao e
"

x
y

"

x
y

238

"

"

1 0
0 1

1 0

0 1

#"

s (x, y)

x
y

, porquanto:

Reflex
ao em torno da origem
Para refletir um ponto de coordenadas (x, y) em torno da origem e facil ver
que:
(x , y ) = (x, y)
Dentro do contexto das transformacoes lineares, temos:
y

F :

R2

R2

(x, y) 7 (x, y)

s(x, y)

ou F (x, y) = (x, y)
(x, y)

A matriz can
onica desta transformacao e
"

x
y

"

x
y

"

"

1
0
0 1

#"

0 1

x
y

, porquanto:

Reflex
ao em torno da reta y = x
Nesse caso temos y = 1 x, substituindo a = 1 na equacao (4.32), obtemos:
(x , y ) = (y, x)
Dentro do contexto das transformacoes lineares, temos:
y=x

y
(y, x)

F :

R2

R2

(x, y) 7 (y, x)

s (x, y)
x

ou F (x, y) = (y, x)

A matriz can
onica desta transformacao e
"

x
y

"

y
x

239

"

"

0 1
1 0

0 1
1 0
#"

x
y

, porquanto:

Reflex
ao em torno da reta y = x
Nesse caso temos y = 1 x, substituindo a = 1 na equacao (4.32),
obtemos:
(x , y ) = (y, x)
Dentro do contexto das transformacoes lineares, temos:
y
(x, y)

F : R2 R2
(x, y) 7 (y, x)

s
F

s
(y, x)

ou F (x, y) = (y, x)

y = x

A matriz can
onica desta transformacao e
"

x
y

"

y
x

"

"

x
y

0 1

0 1
1 0

#"

, porquanto:

Dilatac
oes e Contrac
oes
a ) Dilatac
ao ou contrac
ao na direcao do vetor:
y

sF

F : R2 R2
(x, y) 7 (x, y)

A matriz can
onica desta transformacao e
x
y

(u)

su

ou F (x, y) = ( x, y) , R.

"

"

x
y

240

"

"

0
0

0
#"

#
x
y

, porquanto:
#

Observemos que:
Se || > 1, F dilata o vetor;

Se || < 1, F contrai o vetor.


Defini
c
ao 28 (Homotetia de raz
ao ). Se e um escalar n
ao negativo,
ent
ao o operador linear T (x, y) = ( x, y) e dito uma homotetia de
raz
ao .
b ) Dilatac
ao ou contrac
ao na direcao do eixo dos x:
y

F :

R2

( 21 x, y) (x, y)

R2

(2x, y)

p
x

p
x

p
2x

(x, y) 7 (x, y)

ou F (x, y) = ( x, y) , > 0.

1
2

Na forma matricial temos:


"

x
y

"

x
y

"

#"

0
0 1

x
y

c ) Dilatac
ao ou contrac
ao na direcao do eixo dos y:

1
2

F : R2 R2
(x, y) 7 (x, y)

s(x, 2y)

2y

s(x, y)

s(x, 1 y)
2

p
x

ou F (x, y) = ( x, y) , > 0.

Na forma matricial temos:


"

x
y

"

x
y

241

"

1 0
0

#"

x
y

Cisalhamentos
a ) Cisalhamento na direcao do eixo dos x:
y

F
F :
ou

R2

R2

(x, y) 7 (x + y, y)

F (x, y) = ( x + y, y) , R.

Na forma matricial temos:


#" #
# "
"
" #
x
1
x + y
x
=
7
y
0 1
y
y
Observe que o cisalhamento F n
ao altera a ordenada de um vetor (x, y) e,
ademais, vetores sobre o eixo x s
ao invariantes (n
ao se movem):
(x, 0) 7 (x, 0)
Para que o leitor veja a funcao do par
ametro , na figura a seguir aplicamos varios cisalhamentos em um quadrado de lado unit
ario:
y

=0

1
2

=1

3
2

b ) Cisalhamento na direcao do eixo dos y:


y

F
F :
ou

R2

R2

(x, y) 7 (x, y + x)

F (x, y) = ( x, y + x) , R.

Na forma matricial temos:


#" #
# "
"
" #
x
1 0
x
x
=
7
y
1
y + x
y
242

Observe que o cisalhamento F n


ao altera a abscissa de um vetor (x, y) e,
ademais, vetores sobre o eixo y s
ao invariantes (n
ao se movem):
(0, y) 7 (0, y)
Para que o leitor veja a func
ao do par
ametro , na figura a seguir aplicamos varios cisalhamentos em um quadrado de lado unit
ario:
y

=0

1
2

=1

3
2

Translac
ao
Dado um vetor w = (a, b) como par
ametro definimos a translacao do vetor
(x, y) como:
y

T
Tw :

R2

R2

(x, y)7 (x + a, y + b)

ou Tw (x, y) = ( x + a, y + b)

Na forma matricial temos:


#" # " #
"
" #
a
x
1 0
x
+
7
b
y
0 1
y
facil ver que T n
E
ao e uma transformacao linear, exceto se (a, b) = (0, 0).

Matem
atica: Esta ciencia vazia que espantosamente se
aplica a todas as contingencias fenomenol
ogicas, apesar de ser um puro
formalismo reflexivo.

243

Rotac
ao do Sistema de Coordenadas
Nosso objetivo agora ser
a analisar o efeito de uma rotacao (do sistema) sobre
as coordenadas de um vetor.
y

s (x , y )

s(x, y)

` esquerda temos no plano R2 um sistema de coordenadas xoy, a ser


A
chamado sistema antigo, esse sistema sofre uma rotacao de angulo dando
origem a um sistema novo de coordenadas x oy (`a direita).
Temos o seguinte problema a resolver: Dadas as coordenadas (x, y) de
um ponto no sistema antigo, obter suas coordenadas (x , y ) no sistema novo.
Para resolver esse problema faremos os seguintes acrescimos (complementos)
na u
ltima figura
y

sP

A B

s (x , y )

Desta figura destacamos os dois tri


angulos a seguir:
P

y
C

A B

Devemos encontrar as coordenadas x e y em funcao de x, y e .


Com o auxlio do tri
angulo OBC escrevemos:
OA = OB AB x = x cos y sen
Com o auxlio do tri
angulo DCP escrevemos:
AP = AD + DP y = x sen + y cos
244

Resumindo, temos:
x = x cos y sen
y = x sen + y cos

Na forma matricial, resulta:


#
#"
" # "
x
cos sen
x
=
y
sen
cos
y

(4.33)

Para calcular as coordenadas (x , y ), no novo sistema, em funcao das


coordenadas (x, y), no antigo sistema, observamos que o determinante da
matriz acima e = cos cos sen ( sen ) = 1, portanto ela e
inversvel; temos:
#
#
"
"
cos

sen

cos sen
R1 =
R=
sen cos
sen
cos
Multiplicando ambos os membros da equacao (4.33) por R1 , obtemos:
#" #
# "
"
x
cos sen
x
(4.34)
=
y
sen cos
y
De outro modo:
x =

x cos + y sen

y = x sen + y cos
Ou ainda:
(x , y ) = (x cos + y sen , x sen + y cos )

(4.35)

Observe que a transformac


ao (x, y) 7 (x , y ) e linear (ver ( ), p. 146).

Exemplo: Dado o vetor (x, y) = 1, 32 (coordenadas can
onicas), obter
suas novas coordenadas por uma rotacao de = 30o no sistema antigo.
Solu
c
ao: Da equac
ao (4.35) temos:

(x , y ) = (x cos + y sen , x sen + y cos )


= (1 cos 30o +

3
3
sen 30o , 1 sen 30o + cos 30o )
2
2

Fazendo as contas, obtemos:


 2 3 + 3 2 + 3 3 
,
(x , y ) =
4
4

Geometricamente tudo se passa assim:

245

s(1, 3 )

30o

Rotac
ao de um Vetor em torno da Origem
No problema anterior mantivemos um vetor fixo e rotacionamos o sistema
de coordenadas, aqui fazemos o contr
ario, mantemos o sistema fixo e rotacionamos o vetor.
R

(x , y ) = ?

(x, y)

s(x, y)

Desejamos encontrar as novas coordenadas (x , y ) do vetor rotacionado


em func
ao das coordenadas anteriores (x, y) e do angulo .
Para a resoluc
ao do nosso problema vamos considerar as seguintes figuras:
R
y

s
r

Do primeiro tri
angulo obtemos:
x = r cos( + )
= r cos cos r sen sen
Do segundo tri
angulo obtemos:
r cos = x e r sen = y
Portanto:
x = x cos y sen
246

Analogamente,
y = r sen ( + )
= r sen cos + r sen cos
= y cos + x sen
Resumindo, temos:
x = x cos y sen
y = x sen + y cos

Portanto resulta linear a aplicaca


o rotaca
o:
F : R2 R2
(x, y) 7 (x cos y sen , x sen +y cos )
Em forma matricial, temos:
#" #
# "
"
x
cos sen
x
=
y
sen
cos
y
Temos:
(x , y ) = (x cos y sen , x sen + y cos )

(4.36)

Exemplo: Dar uma rotac


ao de = 45o no vetor (x, y) = (2, 1):
Solu
c
ao: Da equac
ao (4.36) temos:
(x , y ) = (x cos y sen , x sen + y cos )

= (2 cos 45o 1 sen 45o , 2 sen 45o + 1 cos 45o )

Fazendo as contas, obtemos:


 2 3 2 
(x , y ) =
,
2
2

Geometricamente tudo se passa assim:

F45o

(2, 1)

s(2, 1)

45o
0

2
2

247

Rotac
ao de um Vetor em torno de um Ponto Arbitr
ario
Vamos construir agora uma aplicacao, do plano no plano, que nos permita
rotacionar de um
angulo um vetor arbitrario (x, y) em torno de um
ponto (a, b) arbitrariamente fixado, como na figura a seguir:
R

s(x , y ) = ?

s(a, b)

s(x, y)
R

Desejamos encontrar as novas coordenadas (x , y ) do vetor rotacionado


em func
ao das coordenadas dos pontos (a, b), (x, y) e do angulo .
Para a resoluc
ao do nosso problema temos que fazer a composica
o de
varias aplicac
oes.
I ) Inicialmente aplicamos uma translacao Tw (ver p. 243) para que o ponto
(a, b) (centro da rotac
ao) coincida com a origem, veja:
R

Tw

s(a, b)
s(x, y)
R

(0, 0)

s
s (xa, yb)

Isto se consegue com a aplicacao:


Tw (x, y) = (x, y) + (a, b) = (x a, y b)
II ) Agora aplicamos uma rotacao em torno da origem, veja:
R

s(x , y )
(0, 0)

(0, 0)

(xa, yb)

s(xa, yb)

248

Isto se consegue substituindo o ponto (x a, y b) na equacao (4.36):


(x , y ) = (x a) cos (y b) sen , (x a) sen + (y b) cos

III ) Finalmente aplicamos uma translacao Tw para que este u


ltimo ponto
retorne `
a sua posic
ao original, veja:
R

s(x , y )

Tw

s(x , y )
(0, 0)

(xa, yb)

Aplicando Tw no ponto (x , y ), obtemos:


(x , y ) = (x a) cos (y b) sen + a, (x a) sen + (y b) cos + b

Resumimos todos os passos anteriores na seguinte sequencia de composicoes:


(x, y)

Tw

(x a, y b)

(x , y )

Tw

(x , y )

H
onde:
H = Tw F Tw
Exemplo: Dar uma rotac
ao de = 60o no vetor (x, y) = (2, 1) em torno
do ponto w = (1, 2).
Solu
c
ao: Temos:


y ) = (x a) cos (y b) sen + a, (x a) sen + (y b) cos + b



= (21) cos 60o (12) sen 60o +1, (21) sen 60o +(12) cos 60o +2

(x ,

Fazendo as contas, obtemos:

 3 + 3 3 + 3 
(x , y ) =
,
2
2

Geometricamente tudo se passa assim:


249

60o

s(2, 1)

s(x , y )
s

s(1, 2)

3+ 3
2

3+ 3
2

Exemplo: Na figura a seguir,


R

s(1, 2)

s(1, 2)

(1, 2)

s
s
s

s
p
1

p
2

p
1

p
2

p
1

p
2

ao centro aparece o tri


angulo da esquerda rotacionado de 30o em relacao ao
vertice superior. Na figura da direita aparece esse mesmo tri
angulo rotacionado de 30o em relac
ao ao vertice inferior direito.
Exemplo: Na figura a seguir (esquerda)

p
p
p

p
1

p
2

p
3

p
4

p
1

p
2

p
3

p
4

18

(2); = 30o ; = 0, 7321

(2); = 10o ; = 0, 8632

rotacionamos um quadrado ( 2 ) com = 30o em torno do seu centro aplicando uma contrac
ao (p. 240) com par
ametro = 0, 7321; fizemos 9 iteracoes
(composic
oes). Na figura da direita apenas mudamos os par
ametros para
= 10o e = 0, 8632 com 18 iteracoes.
250

O fator de contraca
o em funcao do angulo desejado e dado por
(exerccio):
= ( sen + cos )1
(4.37)
Para obter a figura anterior necessitamos da seguinte sequencia de composicoes:
(x, y)

Tw

(x a, y b)

(x , y )

(x , y )

Tw

(x , y )

onde:
= Tw F F Tw

No diagrama de composic
oes temos que w = (a, b) = 25 , 52 e o centro
do quadrado. A translac
ao Tw e aplicada a cada um dos vertices (x, y) do
quadrado.

Exerccios
1) Resolva o sistema (4.31) (p. 237).
2) De uma reflex
ao no vetor (1, 2) em torno da reta y = 3x. Faca um
esboco gr
afico do resultado.
3) Aplique um cisalhamento com = 2, na direcao horizontal, no tri
angulo
de vertices: (0, 0), (1, 1) e (2, 0). Faca um esboco.
4) No tri
angulo do exerccio anterior aplique um cisalhamento na vertical.
5) Aplique um cisalhamento na horizontal, com par
ametro em um
quadrado unit
ario mostre que a `area do quadro permanece inalterada.
Encontre, ademais, uma express
ao p() para o permetro do quadril
atero
resultante.
[ Resp.: p() = 2 (1 +

1 + 2 ) ]

6) Determine a matriz da transformacao linear F em R2 que representa um


cisalhamento de fator 2 na direcao horizontal seguida de uma reflexao em
relacao ao eixo dos y.
7) Sabendo que e1 = (1, 0) e e2 = (0, 1), calcular as imagens F (e1 ) e
F (e2 ) por uma rotac
ao do sistema de coordenadas (can
onico) de um angulo
o
= 30 . Faca um esboco gr
afico do resultado.
8) Rotacione os vetores e1 = (1, 0) e e2 = (0, 1) de um angulo = 30o .
Faca um esboco gr
afico do resultado.
9) O sistema de coordenadas `
a esquerda sofreu uma rotacao de angulo =
30o , encontre as novas coordenadas do ponto assinalado.
251

p
0

s (x , y ) = ?

s(2, 1)
p

30o

(x , y ) = ?

s(1, 2)

10) O sistema de coordenadas `a esquerda sofreu uma rotacao de angulo


= 45o , encontre as novas coordenadas do ponto assinalado.

45o

11) Os dois pontos na figura da direita s


ao imagens por F (rotacao de um
ponto em torno da origem), onde = 30o ; calcule, para cada ponto sua
pre-imagem, no domnio.
y
p

( 21 ,
p

3
2

?
)s

s(
0

3 1
, 2)
2

12) Dado o operador F : R2 R2 que produz uma rotacao - de angulo de um vetor em torno da origem, calcule F (x, y) e F (1, 2) nos seguintes
casos:
a ) = 30o

b ) = 60o

c ) = 90o

d ) = 120o

Nos exerccios 13-15 a seguir, determine a matriz da transformacao linear


em R2 que representa a sequencia de transformacoes dadas em cada um deles.
Calcule tambem a express
ao geral F (x, y) para a transformacao resultante
(composta).
13) Reflex
ao em relac
ao ao eixo dos y, seguida de cisalhamento de fator 2
na direc
ao forizontal.
14) Rotac
ao de = 30o , seguida de uma duplicacao dos m
odulos, seguida
de uma reflex
ao em torno da origem.

252

15) Rotac
ao de = 30o , no sentido hor
ario, seguida de uma duplicacao dos
m
odulos, seguida de uma reflex
ao em torno da reta y = x.
16) Reflex
ao em relac
ao `
a reta y = 2x, seguida de uma dilatacao de fator 2
na direc
ao vertical e, finalmente, um cisalhamento de fator 1/2 na direcao
horizontal.
17) Na figura a seguir,
R

s(1, 2)

s(1, 2)

(1, 2)

s
s
s

( 12 , 1)

( 32 , 1)
p
1

s
p
2

p
1

p
2

p
1

p
2

ao centro aparece o tri


angulo da esquerda rotacionado de 30o em relacao ao
vertice superior. Na figura da direita aparece esse mesmo tri
angulo rotacionado de 30o em relac
ao os vertice inferior direito.
Calcule os vertices dos tri
angulos rotacionados.
18) Na figura a seguir,
R

s(1, 2)

s(1, 2)

( 12 , 1)

( 32 , 1)
p
1

p
2

p
1

s
s

p
2

p
1

p
2

ao centro aparece o tri


angulo da esquerda rotacionado de 30o (no sentido
hor
ario) em relac
ao ao vertice superior. Na figura da direita aparece esse
mesmo tri
angulo rotacionado de 30o (no sentido hor
ario) em relacao os
vertice inferior direito.
Calcule os vertices dos tri
angulos rotacionados.
19) Deduza a equac
ao (4.37), p. 251.
20) Considere nas figuras da p
agina 251 um quadrado (inicial) de lado .
Aplicando-se a operac
ao (2) indefinidamente mostre que a soma S
das areas de todos os quadrados vale:
S =


1 
2
2
=

1
+
1 2
sen 2
253

Ap
endice
U

Se dim U = m e dim V = n, mostre que dim L V = mn.

Prova: Suponha que B = { u1 , u2 , . . . , um } seja uma base de U e C =


{ v1 , v2 , . . . , vn } uma base de V . Pelo lema 2 (p. 178), uma aplicacao linear
U

F : U V de L V e u
nicamente determinada por uma associacao qualquer
entre os elementos da base B. Consideremos as aplicacoes
U

Fij L V , i = 1, . . . , m, j = 1, . . . , n
observe que temos mn aplicacoes, veja:
i = 1:

F11

F12

...

F1n

i = 2:

F21

F22

...

F2n

(4.38)

....................................
i = m:

Fm1

Fm2

...

Fmn

vamos definir a aplicac


ao linear Fij como

v , k = i;
j
Fij (uk ) =
0, k =
6 i.

Por exemplo, para as aplicacoes da primeira linha de (4.38) obtemos:


F11 (u1 ) = v1 ,

F11 (u2 ) = 0 ,

F11 (u3 ) = 0 , . . .

F11 (um ) = 0

F12 (u1 ) = v2 ,

F12 (u2 ) = 0 ,

F12 (u3 ) = 0 , . . .

F12 (um ) = 0

...............................................................
F1n (u1 ) = vn , F1n (u2 ) = 0 , F1n (u3 ) = 0 , . . .

(4.39)

F1n (um ) = 0

Para as aplicac
oes da segunda linha de (4.38) obtemos:
F21 (u1 ) = 0 ,

F21 (u2 ) = v1 ,

F21 (u3 ) = 0 , . . .

F21 (um ) = 0

F22 (u1 ) = 0 ,

F22 (u2 ) = v2 ,

F22 (u3 ) = 0 , . . .

F22 (um ) = 0

...............................................................
F2n (u1 ) = 0 , F2n (u2 ) = vn , F2n (u3 ) = 0 , . . .

(4.40)

F2n (um ) = 0

E assim sucessivamente, para as aplicacoes da m-esima linha de (4.38) obtemos:


Fm1 (u1 ) = 0 , Fm1 (u2 ) = 0 , Fm1 (u3 ) = 0 , . . . Fm1 (um ) = v1
Fm2 (u1 ) = 0 , Fm2 (u2 ) = 0 , Fm2 (u3 ) = 0 , . . .

Fm2 (um ) = v2

..................................................................
Fmn (u1 ) = 0 , Fmn (u2 ) = 0 , Fmn (u3 ) = 0 , . . .

254

Fmn (um ) = vn
(4.41)

Tendo o conjunto { Fij } exatamente m n elementos a proposicao estar


a
U

provada se mostrarmos que { Fij } e uma base de L V .


U

Inicialmente mostraremos que { Fij } gera L V . Considere uma funcao


U

arbitraria F L V . Suponha, ademais, que

F (u1 ) = w1 , F (u2 ) = w2 , . . . , F (un ) = wn

(4.42)

Como wk V , ele e uma combinacao linear dos vetores de C, assim:


w1 = 11 v1 + 12 v2 + + 1n vn

(4.43)

w2 = 21 v1 + 22 v2 + + 2n vn

(4.44)

wn = n1 v1 + n2 v2 + + nn vn
(4.45)
Pm Pn
Considere a aplicac
ao linear G = i=1 j=1 ij Fij . Ou, se preferirmos:
G=

n
X
j=1

1j F1j +

n
X
j=1

2j F2j + +

n
X

mj Fmj

j=1

Ou ainda:
G = 11 F11 + 12 F12 + + 1n F1n
+ 21 F21 + 22 F22 + + 2n F2n

+ m1 Fm1 + m2 Fm2 + + mn Fmn

Como G e uma combinac


ao linear dos Fij , a demonstracao de que { Fij }
U

gera L V estar
a terminada se mostrarmos que F = G.
Vamos calcular G(uk ), k = 1, 2, . . . , n e comparar com (4.42). Temos:
G(u1 ) = 11 F11 (u1 ) + 12 F12 (u1 ) + + 1n F1n (u1 )

(4.46)

+ 21 F21 (u1 ) + 22 F22 (u1 ) + + 2n F2n (u1 )

+ m1 Fm1 (u1 ) + m2 Fm2 (u1 ) + + mn Fmn (u1 )

Das primeiras colunas em (4.39), (4.40) e (4.41) obtemos


G(u1 ) = 11 v1 + 12 v2 + + 1n vn
+ 21 0 + 22 0 + + 2n 0

+ m1 0 + m2 0 + + mn 0

Veja propriedade P5 (p. 151) e lema 2 (p. 178).

255

(4.47)

Comparando este resultado com (4.43) concluimos que G(u1 ) = w1 , comparando com (4.42) concluimos que G(u1 ) = F (u1 ).
Por outro lado, temos:
G(u2 ) = 11 F11 (u2 ) + 12 F12 (u2 ) + + 1n F1n (u2 )
+ 21 F21 (u2 ) + 22 F22 (u2 ) + + 2n F2n (u2 )

+ m1 Fm1 (u2 ) + m2 Fm2 (u2 ) + + mn Fmn (u2 )

Das segundas colunas em (4.39), (4.40) e (4.41) obtemos


G(u2 ) = 11 0 + 12 0 + + 1n 0
+ 21 v1 + 22 v2 + + 2n vn

+ m1 0 + m2 0 + + mn 0

Comparando este resultado com (4.44) concluimos que G(u2 ) = w2 , comparando com (4.42) concluimos que G(u2 ) = F (u2 ). Com um procedimento
identico aos anteriores podemos mostrar que G(un ) = F (un ). Sendo assim,
pelo lema 2 (p. 178) concluimos que F = G.
Para demonstrar que { Fij } s
ao linearmente independentes suponha que,
para escalares ij R, temos
n
m X
X

ij Fij = 0

(4.48)

i=1 j=1

Ou, se preferirmos:
11 F11 + 12 F12 + + 1n F1n
+ 21 F21 + 22 F22 + + 2n F2n

+ m1 Fm1 + m2 Fm2 + + mn Fmn = 0

Colocando, nesta igualdade, o vetor u1 como argumento das funcoes Fij


obtemos o lado direito da igualdade (4.46) igual a 0. Fazendo as devidas
substituic
oes obtemos o lado direito da igualdade (4.47) igual a 0, isto e:
11 v1 + 12 v2 + + 1n vn = 0
Como os vi s
ao linearmente independentes obtemos 11 = 12 = = 1n =
0. Fazendo o mesmo procedimento com os vetores u2 , . . . , um , obtemos todos os demais escalares da combinacao linear (4.48) iguais a 0.


256

Captulo

ESPAC
OS COM PRODUTO
INTERNO
Finalizando, desejo exprimir a esperanca de que . . . a matem
atica
possa servir agora como modelo para a soluca
o de muitos problemas de
nossa epoca: revelar um objetivo religioso supremo e avaliar o significado
da atividade espiritual da humanidade.
(I.R. Shafarevitch)

5.1

Produto Interno

Introdu
c
ao: O m
odulo de um n
umero real definido como
(
x, se x 0;
|x| =
x, se x < 0.

(5.1)

pode ser interpretado geometricamente como a dist


ancia de um n
umero
(ponto) `
a origem, por exemplo:
|3| = 3,

| 2| = 2

Geometricamente, temos:
|2| = 2

...

p
3

p
2

p
1

|3| = 3
p
0

p
1

p
2

p
3

...

De um modo geral |x y| e a dist


ancia entre dois pontos da reta, por
exemplo:
d(2, 3) = | 2 3| = 5
cuja representac
ao geometrica e vista a seguir:
|23| = 5

...

p
3

p
2

p
1

p
0

257

p
1

p
2

p
3

...

Um dos conceitos mais ferteis de toda a matem


atica e o de dist
ancia
entre dois pontos deste derivam muitos outros, tais como convergencia e
continuidade.
Desejamos estender o importante conceito de dist
ancia a espacos vetoriais em geral; isto e, calcular a dist
ancia entre vetores quaisquer: matrizes,
polin
omios, func
oes, c
odigos, etc.
Os axiomas de espacos vetoriais (listados na p. 12) n
ao s
ao suficientes
para esse objetivo. O primeiro passo neste sentido e dado a seguir:
Defini
c
ao 29 (Produto Interno). Seja V um espaco vetorial de dimens
ao
o F
finita sobre R. Entende-se por produto interno sobre V uma aplicaca
que transforma cada par ordenado (u, v) V V em um n
umero real (que
indicaremos por h u, v i), isto e:
F : V V

(u, v) 7 h u, v i

desde que as seguintes condico


es sejam satisfeitas:
( a ) h u + v, w i = h u, w i + h v, w i,

u, v, w V ;

( b ) h u, v i = h u, vi,

R e u, v V ;

( c ) h u, v i = h v, u i,

u, v V ;

( d ) h u, u i > 0,

u 6= 0.

As primeiras duas condicoes nos dizem que um produto interno e linear


com respeito `
a primeira vari
avel. A terceira condicao nos diz que o produto
interno e simetrico, a quarta condicao nos diz que um produto interno de
um vetor n
ao nulo com ele mesmo e sempre positivo.
Defini
c
ao 30 (Espaco Euclidiano). Um espaco euclidiano e um espaco vetorial sobre R munido de um produto interno.
Nota: Ao acrescentarmos (definirmos) um produto interno sobre um espaco
vetorial podemos dizer que estamos enriquecendo essa estrutura; por exemplo, em func
ao desse produto interno poderemos calcular a dist
ancia e o
angulo entre dois vetores, como ser

a visto oportunamente.

E ainda outros conceitos geometricos tais como


angulo e perpendicularidade, por
exemplo.

258

Exemplos:
1 ) Produto interno usual do Rn .
Se u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) s
ao arbitrarios em Rn ,
entao:
(u, v) 7 h u, v i = x1 y1 + x2 y2 + + xn yn
(5.2)

e um produto interno sobre o Rn . Por exemplo:


No R2 , se u = (1, 1) e v = (2, 3), entao:
h u, v i = x1 y1 + x2 y2

h u, v i = 1 2 + (1) 3 = 1
No R3 , se u = (2, 1, 0) e v = (1, 3, 4), entao:
h u, v i = x1 y1 + x2 y2 + x3 y3
h u, v i = 2 (1) + 1 3 + 0 4 = 1
Devemos provar que a aplicacao dada por (5.2) de fato e um produto
interno sobre o espaco vetorial Rn . Provaremos as exigencias ( b ) e ( d ), e
deixaremos as demais como exerccio ao leitor.
( b ) Inicialmente temos que,
u = (x1 , x2 , . . . , xn ) u = ( x1 , x2 , . . . , xn )
Entao:
h u, v i = ( x1 ) y1 + ( x2 ) y2 + + ( xn ) yn
= (x1 y1 + x2 y2 + + xn y2 )
= h u, v i
( d ) Inicialmente temos que,
h u, u i = x1 x1 + x2 x2 + + xn xn
Se u 6= (0, 0, . . . , 0), ent
ao um dos xi , ao menos, e n
ao nulo. Logo,
h u, u i = x21 + x22 + + x2n > 0
2 ) O c
odigo UPC e um c
odigo associado aos codigos de barra encontrados
em muitos tipos de mercadorias:

74927 02094 6
259

as barras pretas e brancas escaneadas pelo laser da caixa registradora do


mercado s
ao codificadas em um vetor 10-ario u = ( u1 , u2 , . . . , u11 , d ) de
comprimento 12. As 11 primeiras componentes constituem um vetor em Z11
,
10
que guardam informac
oes sobre o fabricante e o produto; a u
ltima componente d e um dgito de checagem escolhido de maneira que h c, u i = 0 em Z10 ,
onde o vetor de checagem c e dado por c = { 3, 1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1 }.
Para o UPC mostrado na figura podemos confirmar o dgito de checagem; da
figura obtemos u = ( 0, 7, 4, 9, 2, 7, 0, 2, 0, 9, 4, d ), entao
h c, u i = 3 0 + 1 7 + 3 4 + 1 9 + 3 2 + 1 7
+30+12+30+19+34+1d
listando os produtos n
ao nulos temos
h c, u i = 7 + 3 4 + 9 + 6 + 7 + 2 + 9 + 3 4 + d
lembramos que a aritmetica e a de Z10 , entao
h c, u i = 7 + 2 + 9 + 6 + 7 + 2 + 9 + 2 + d = 44 + d = 4 + d
devemos ter h c, u i = 4 + d = 0, logo, d = 6, o que confirma o u
ltimo dgito
do c
odigo da figura.
3 ) Produto interno sobre Pn (R).
Se f e g s
ao polin
omios arbitrarios em Pn (R) , entao:
Z 1
f (t) g(t) dt
(f, g) 7 h f, g i =

(5.3)

e um produto interno sobre este espaco. Por exemplo:

Em P1 (R) , se f (t) = 1 t e g(t) = 2 + 3 t, entao:


f (t) g(t) = (1 t)(2 + 3 t) = 2 + t 3 t2

logo,
Z

h f (t), g(t) i =

(2 + t 3 t2 ) dt =

3
2

Devemos provar que a aplicacao dada por (5.3) de fato e um produto


interno sobre o espaco vetorial Pn (R). Provaremos as exigencias ( b ) e ( d ),
e deixaremos as demais como exerccio ao leitor.
( b ) Temos
Z 1

f (t) g(t) dt
h f (t), g(t) i =
0

f (t) g(t) dt = h f (t), g(t) i

Tambem chamado decimal, ou seja, cujas coordenadas pertencem ao conjunto


{ 0, 1, 2, . . . , 9 }.

260

( d ) Temos
h f (t), f (t) i =

f (t) f (t) dt =

f (t)2 dt

R1
Como, por hip
otese, f (t) 6= 0, segue que h f (t), f (t) i = 0 f (t)2 dt > 0.
possvel a existencia de mais de um produto interno num mesmo espaco
E
vetorial. Por exemplo, deixamos como exerccio ao leitor mostrar que:
3 ) Se u = (x1 , x2 ) e v = (y1 , y2 ) s
ao vetores arbitrarios em R2 , entao a
aplicacao definida por
(u, v) 7 h u, v i = 3 x1 y1 + 4 x2 y2
e um outro produto interno sobre o R2 .
4 ) Se f (t) = a0 + a1 t + a2 t2 e g(t) = b0 + b1 t + b2 t2 s
ao vetores
(polin
omios) arbitrarios em P2 (R) , entao a aplicacao definida por
(f, g) 7 h f (t), g(t) i = a0 b0 + a1 b1 + a2 b2

(5.4)

e um outro produto interno sobre o espaco P2 (R).


5 ) Seja V um espaco vetorial de dimensao finita arbitrario e consideremos
uma base B = { u1 , u2 , . . . , un } de V . Sendo
u = 1 u1 + 2 u2 + + n un
v = 1 u1 + 2 u2 + + n un
Podemos definir um produto interno em V pondo
h u, v i = 1 1 + 2 2 + + n n

(5.5)

Portanto todo espaco vetorial de dimensao finita pode ser munido de um


produto interno.

Acredito que o matem


atico desenvolve um sentido irredutvel a
`
vis
ao, `
a audica
o e ao tato, que lhe permite perceber uma realidade t
ao
palp
avel quanto, mas bem mais est
avel que a realidade fsica, pois n
ao
localizada no espaco-tempo.
(Alain Connes)

Aqui estamos nos valendo de um teorema do C


alculo que afirma: Se f 0 e uma
func
ao contnua num intervalo [a, b], com f (c) > 0 em algum ponto c [a, b], ent
ao
Rb
f
>
0.
a

261

Propriedades do Produto Interno



Seja V, h , i um espaco vetorial munido de um produto interno. Valem
as seguintes propriedades:

P1 ) h 0, u i = h u, 0 i = 0,
Prova: J
a sabemos que 0 u = 0, para todo u V . Logo,

u V .

h 0, u i = h 0 u, u i = 0 h u, u i = 0.

(b)

Como h u, 0 i = h 0, u i, entao h u, 0 i = 0.

>

P2 ) h u, v i = h u, v i,

R e u, v V .

Prova: Temos:
h u, v i = h v, u i = h v, u i = h u, v i

(c)

(b)

>

(c)

P3 ) h u, v+w i = h u, v i+h u, w i,

u, v, w V .

Prova: Temos:
h u, v + w i = h v + w, u i = h v, u i + h w, u i = h u, v i + h u, w i >

(c)

(a)

(c)

P4 ) Dado um n
umero inteiro m 1, temos.
m
DX

i ui , v

i=1

m
X
i=1

i h ui , v i

Prova: Basta usar inducao juntamente com os axiomas ( a ) e ( b ) da


definic
ao de produto interno.
>
P5 ) Dado um n
umero inteiro n 1, temos.
D

u,

n
X

j vj

j=1

n
X
j=1

j h u, vj i

Prova: Basta usar inducao juntamente com as propriedades P2 e P3


>
demonstradas anteriormente.
P6 ) Dados dois n
umeros inteiros m, n 1, temos.
m
DX
i=1

i ui ,

n
X
j=1

j vj

262

n
m X
X
i=1 j=1

i j h ui , vj i

5.2

Produto Interno e Norma

Com a definic
ao a seguir daremos mais um passo no sentido de generalizar
a funcao m
odulo, dos n
umeros reais, para um espaco vetorial arbitrario.
Defini
c
ao 31 (Norma). Seja V um espaco euclidiano (u, v)
7
h u, v i.
umero
Dado um vetor u V indica-se por kuk e chama-se norma de u o n
real n
ao negativo dado por
p
kuk = h u, u i
(5.6)

Nota: Observe que a norma de um vetor est


a bem definida em virtude
do axioma ( d ) da definic
ao de produto interno (p. 258) juntamente com a
propriedade P1 (p. 262).
Exemplos:
1 ) Seja u = (x1 , x2 , . . . , xn ) um vetor arbitrario do Rn , para o produto
interno usual temos:
h u, u i = x1 x1 + x2 x2 + + xn xn = x21 + x22 + + x2n
Logo,
kuk =

h u, u i =

x21 + x22 + + x2n

(5.7)

a norma euclidiana (ou usual) de um vetor do Rn .


E
Por exemplo, a seguir calculamos a norma de cada um dos vetores da
base can
onica do R3 .
R

12 + 02 + 02 = 1

e2 = (0, 1, 0) ke2 k = 02 + 12 + 02 = 1

e3 = (0, 0, 1) ke3 k = 02 + 02 + 12 = 1
e1 = (1, 0, 0) ke1 k =

e3 s
s

e2
se

A interpretac
ao geometrica destes resultados e que a norma nos d
a a
dist
ancia de um vetor para a origem (vetor nulo). Estaremos logo mais justificando essa interpretac
ao.

263

Propriedades da Norma

Seja V, k k um espaco vetorial munido de uma norma. Valem as
seguintes propriedades:
PN1 ) kuk 0 e kuk = 0 u = 0,

u V .

PN2 ) k uk = || kuk,

u V e R.

PN3 ) ku + vk kuk + kvk,

u, v V .

Prova: PN1 ) Pela pr


opria definicao temos kuk 0. Por outro lado
p
()
kuk = h u, u i = 0 h u, u i = 0 u = 0.

Au
ltima implicac
ao se deve a que, pelo axioma ( d ) da definicao de produto
interno, se u 6= 0 h u, u i > 0, o que estaria em contradicao com
h u, u i = 0.
Esta propriedade permite-nos escrever: kuk2 = h u, u i.
p

()
u = 0 h 0, 0 i = 0 k 0k = h 0, 0 i = 0 = 0.
>

Prova: PN2 ) Inicialmente temos,



h u, u i = h u, u i = h u, u i = 2 h u, u i

(b)

P2

Logo,
k uk =

h u, u i =

p
p
2 h u, u i = || h u, u i = || kuk

>

A propriedade PN3 da norma e conhecida como desigualdade triangular,


para demonstr
a-la iremos necessitar de um lema.
Lema 3 (Desigualdade de Cauchy-Schwarz). Em qualquer espaco vetorial
euclidiano V vale a seguinte desigualdade
|h u, v i| kuk kvk,

u, v V.

(5.8)

Prova: Faremos uso da seguinte identidade:


h u v, u v i = kuk2 2 h u, v i + 2 kvk2
valida para quaisquer u, v V e para todo R (exerccio).
Se v = 0 a desigualdade (5.8) fica

|h u, 0 i| kuk k 0k |0| kuk 0 0 0


e a desigualdade proposta resulta verdadeira.
264

(5.9)

Suponhamos agora v 6= 0. Como a identidade (5.9) vale para qualquer


R, em particular vale para
=

h u, v i
kvk2

isto e,
h u v, u v i = kuk2 2 h u, v i + 2 kvk2
= kuk2 2

 h u, v i 2
h u, v i
h
u,
v
i
+
kvk2
kvk2
kvk2

= kuk2 2

h u, v i2
h u, v i2
+
kvk2
kvk2

= kuk2

h u, v i2
kvk2

Devido a que h u v, u v i 0, resulta que


kuk2
Logo,
kuk2

h u, v i2
0
kvk2

h u, v i2
0
kvk2

h u, v i2 kuk2 kvk2

Extraindo a raiz quadrada de cada um dos membros desta u


ltima desigualdade resulta:
|h u, v i| kuk kvk

Agora vamos demonstrar a desigualdade triangular da norma:
ku + vk2 = h u + v, u + v i = h u, u i + h u, v i + h v, u i + h v, v i
= kuk2 + 2 h u, v i + kvk2

(5.10)

Da desigualdade de Cauchy-Schwarz obtemos


2 |h u, v i| 2 kuk kvk
somando kuk2 + kvk2 a ambos os membros desta desigualdade obtemos
kuk2 + 2 |h u, v i| + kvk2 kuk2 + 2 kuk kvk + kvk2
Portanto
ku + vk2 ( kuk + kvk )2
265

Extraindo a raiz quadrada obtemos


ku + vk kuk + kvk
Exemplo: Vejamos como fica a desigualdade de Cauchy-Schwarz no caso
especial em que V = Rn ; e o produto interno seja o usual; ou seja, dados
u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ), temos:
h u, v i = x1 y1 + x2 y2 + + xn yn =

n
X

h u, u i = x21 + x22 + + x2n =

n
X

kuk =

h v, v i = y12 + y22 + + yn2 =

n
X

kvk =

xi y i

i=1

e
x2i

i=1

e
yi2

i=1

v
u n
uX
h u, u i = t
x2i
i=1

v
u n
uX
h v, v i = t
yi2
i=1

substituindo estes resultados na desigualdade (5.8) obtemos


v
v
u n
u n
n

X
X
u
uX


2
t
xi y i
xi t
yi2

i=1

i=1

i=1

que tambem pode ser escrita como

n
n
n
2
X
X
X


2
yi2
xi
xi y i

i=1

i=1

i=1

Esta desigualdade tambem e conhecida como desigualdade de Lagrange.


Defini
c
ao 32 (Dist
ancia entre vetores). Seja V um espaco vetorial. Consideremos uma aplicaca
o d : V V R, que associa a cada par ordenado
(u, v) V V um n
umero real d(u, v) satisfazendo as seguintes condico
es
(para quaisquer u, v e w em V ):
(M1 )

d(u, v) 0 e d(u, v) = 0 u = v ;

(M2 )

d(u, v) = d(v, u) ;

(M3 )

d(u, v) d(u, w) + d(w, v).

Nestas condico
es dizemos que d e uma metrica sobre V e que d(u, v) e a
dist
ancia do vetor u ao vetor v.
266

Podemos dizer tambem que uma aplicacao d : V V R satisfazendo


as condic
oes anteriores adquire status de metrica. O par (V, d) e o que
entendemos por espaco metrico.
A exigencia feita em (M1 ) e bastante intuitiva: uma dist
ancia nunca e
negativa; se a dist
ancia entre dois pontos e nula entao, obrigatoriamente,
estes pontos s
ao o mesmo (s
ao iguais), e; reciprocamente: a dist
ancia de um
ponto para si mesmo deve ser nula.
A exigencia feita em (M2 ), tambem assaz intuitiva, foi tomada de emprestimo
do dito popular que todos conhecemos: fulano!! vem ca! E o fulano responde: vem c
a t
u, pois a dist
ancia daqui pr
a la, e a mesma de la pr
a ca.
A exigencia feita em (M3 ), a menos intuitiva, e conhecida como desigualdade triangular e se inspira no fato de que na geometria elementar cada
lado de um tri
angulo tem sempre medida menor que a soma das medidas
dos outros dois lados.
us
d(u, v)

d(u, w)

d(w, v)

Exemplos: Qualquer espaco vetorial euclidiano V pode se tornar um


espaco metrico se considerarmos d : V V R, definida como:
d(u, v) = ku vk,

u, v V.

Prova: Devemos mostrar que d assim definida satisfaz a todas as exigencias


para uma metrica. Primeiramente devemos mostrar que
(M1 )

d(u, v) = ku vk 0 e d(u, v) = ku vk = 0 u = v.

uma decorrencia imediata de PN


E
1
(M2 )

(p. 264).

d(u, v) = ku vk = k(1)(v u)k = | 1| kv uk = d(v, u).

(M3 ) Pela desigualdade triangular da norma (PN3 , p. 264) podemos escrever


ku vk = ku w + w vk ku wk + kw vk
Logo,
ku vk ku wk + kw vk d(u, v) d(u, w) + d(w, v).
>
Observe que agora podemos d
a uma interpretacao geometrica para a
norma de um vetor, veja:
(def. 31, p. 263)
kuk = ku 0k = d(u, 0)
267

Isto e, podemos dizer que a norma de um vetor u V e igual `a sua dist


ancia
para o vetor nulo (origem). Tal como acontece com a funcao m
odulo nos
reais (reveja a introduc
ao deste captulo, p. 257).
Exemplos:
1 ) No espaco vetorial R2 , sejam u = (x1 , x2 ) e v = (y1 , y2 ) vetores
arbitrarios; ademais, consideremos neste espaco o produto interno usual.
Temos:
u v = (x1 , x2 ) (y1 , y2 ) = (x1 y1 , x2 y2 )
ent
ao,

h u v, u v i = (x1 y1 ) (x1 y1 ) + (x2 y2 ) (x2 y2 )


logo, com o auxlio da equacao (5.6) (p. 263) podemos escrever
p
p
d(u, v) = ku vk = h u v, u v i = (x1 y1 )2 + (x2 y2 )2

Que nada mais e que a velha e conhecida dist


ancia euclidiana entre dois
pontos no plano.
Por exemplo, para u = (1, 2) e v = (0, 0), temos
p

d(u, 0) = ku 0k = (1 0)2 + (2 0)2 = 5

Geometricamente, temos:

s(1, 2)

d(u, 0) = ku 0k = kuk =

Observaca
o: Nos livros de algebra linear os autores definem o comprimento
de um vetor u como sendo a sua norma, kuk. Aqui n
ao adotaremos esta
definic
ao uma vez que n
ao vemos sentido em se atribuir um comprimento
a um vetor (estamos falando de um vetor matem
atico, n
ao fsico),
porquanto um vetor segundo entendemos e um ponto em um espaco
e um ponto n
ao tem comprimento.
Feita esta observac
ao vejamos como fica a figura anterior:
R

s vetor

d(u, 0) = dist
ancia 6= comprimento.

u=(1, 2)

vetor

268

Esta observac
ao visa apenas a contribuir no descondicionamento do
aluno no sentido de que um vetor seja um ente que possui m
odulo, direca
o
e sentido.
Se isto e verdade no que diz respeito aos vetores da fsica, no que concerne aos vetores da matem
atica, resulta totalmente falso. Nossos vetores
n
ao possuem nem m
odulo (comprimento) nem direcao e nem sentido. Digo,
estes tres conceitos n
ao nos fazem falta.
Pouco a pouco, procuro liberar suavemente o
esprito dos alunos de seu apego a imagens privilegiadas. Eu os encaminho para as vias da abstraca
o,
esforcando-me para despertar o gosto pela abstraca
o.
Enfim, acho que o primeiro princpio da educaca
o
cientfica e, no reino intelectual, esse ascetismo que
e o pensamento abstrato. S
o ele pode levar-nos a dominar o conhecimento
experimental.
(Bachelard/A formaca
o do esprito cientfico)

Por oportuno, dissemos alhures que em todo esse livro n


ao h
a de encontrarse uma u
nica seta vetorial.
(representando um vetor da matem
atica)
Poderia questionar-se: E qual o mal em se considerar um vetor com
comprimento?
No meu entendimento o mal consiste precisamente em deturpar na
mente do novico em
algebra linear o conceito (definicao) de vetor. Da
deriva toda uma gama de maus h
abitos de pensamento uma questao
de inteligibilidade.
De fato, trata-se de operar a passagem do mundo sensvel ao mundo
inteligvel, e esse movimento e um doloroso e difcil movimento de alforria. Exige etapas pelas quais a alma se esforca progressivamente por
se elevar em direca
o `
as Ideias, e compreendemos que essa ascens
ao e,
antes de mais nada, uma convers
ao da sombra `
a luz, o que no fundo
e uma maneira de reentrar em si mesmo para olhar com os olhos da
alma aquilo que de incio est
avamos condenados a deformar, porque o
capt
avamos com os olhos do corpo.
(Simone Manon/ Plat
ao)
2 ) Vimos que podem existir diversos produtos internos em um mesmo
espaco vetorial, o que tem como consequencia a existencia de diversas dist
ancias
sobre um mesmo espaco.
Por exemplo, vamos calcular duas dist
ancias entre dois polin
omios
f (t) = 1 + t e g(t) = 1 t, em P1

Juntamente com os outros pseudo-atributos de um vetor (direc


ao e sentido).

269

A primeira, segundo o produto interno dado em (5.3) (p. 260), inicialmente


temos:
Z 1
4
2 t 2 t dt =
f (t) g(t) = 2 t h f (t) g(t), f (t) g(t) i =
3
0
Em um espaco arbitrario temos
d(u, v) = ku vk =

h u v, u v i

no nosso caso em quest


ao temos:
 p
d f (t), g(t) = h f (t) g(t), f (t) g(t) i

Logo,

2 3
4
d(1 + t, 1 t) =
=
3
3
A segunda dist
ancia, segundo o produto interno dado em (5.4)
inicialmente temos:
r

(p. 261),

f (t) g(t) = 0 + 2 t h f (t) g(t), f (t) g(t) i = 0 0 + 2 2 = 4


Logo,
d (1 + t, 1 t) =

4 =2

Observamos que metricas distintas sobre um mesmo conjunto d


ao origem

a espacos metricos distintos. Por exemplo, ( P1 , d ) e ( P1 , d ) s


ao dois
espacos metricos distintos.
Nota: Estamos considerando d como a metrica oriunda do produto interno dado por (5.3) (p. 260) e d como a metrica oriunda do produto interno
dado por (5.4) (p. 261).

5.3

Normas e Dist
ancias

Anteriormente definimos a norma de um vetor


p
kuk = h u, u i

em func
ao de um produto interno, e, posteriormente, a dist
ancia entre dois
vetores
d(u, v) = ku vk
(5.11)

em func
ao de uma norma, de modo que a dist
ancia entre vetores est
a a
depender de um produto interno:
p
d(u, v) = h u v, u v i
possvel eliminarmos a restricao (dependencia) da dist
E
ancia em relacao
ao produto interno de modo que a equacao (5.11) ainda seja valida.
Para este proposito necessitamos da definicao dada a seguir.
270

Defini
c
ao 33 (Norma). Seja V um espaco vetorial de dimens
ao finita. Entende-se por norma sobre V uma aplicaca
o F que transforma cada vetor
u V em um n
umero real (que indicaremos por kuk), chamado norma de u
kk : V R
u 7 kuk
desde que as seguintes condico
es sejam satisfeitas para todos os vetores u e
v e todos os escalares :
(N1 )

kuk 0 e kuk = 0 u = 0 ;

(N2 )

k uk = || kuk ;

(N3 )

ku + vk kuk + kvk.

Um espaco vetorial munido de uma norma e chamado de espaco vetorial


normado.
Exemplos:
p
facil ver que em um espaco com produto interno, kuk = h u, u i
(1) E
define uma norma.

( 2 ) A seguir listamos duas normas para o Rn que n


ao provem de um produto interno (exerccio, p. 281):
kuks = |x1 | + |x2 | + + |xn |


kukm = max |x1 |, |x2 |, . . . , |xn |

(5.12)
(5.13)

onde u = (x1 , x2 , . . . , xn ) Rn . No apendice estaremos provando que de


fato essas aplicac
oes s
ao normas. A equacao (5.11) (p. 270) define uma
dist
ancia num espaco vetorial independente de um produto interno, a prova
e a mesma apresentada na p
agina 267.

Dist
ancias no Rn
Agora estamos em condic
oes de exibir outras (importantes) dist
ancias no
espaco vetorial Rn . Consideremos neste espaco dois vetores arbitrarios:
u = (x1 . . . , xn ) e v = (y1 , . . . , yn ), sendo assim temos:
u v = (x1 y1 , . . . , xn yn )
Daqui resultam, segundo (5.11), tres dist
ancias para o Rn :
p
D1 (u, v) = (x1 y1 )2 + + (xn yn )2
D2 (u, v) = |x1 y1 | + + |xn yn |


D3 (u, v) = max |x1 y1 |, . . . , |xn yn |
271

(5.14)
(5.15)
(5.16)

A primeira provem da norma euclidiana ((5.7), p. 263), as duas outras provem


das normas (5.12) e (5.13), respectivamente.
D1 e a metrica euclidiana, no apendice provamos que D2 e D3 s
ao duas
n
outras metricas sobre o R , isto e, que satisfazem todas as condicoes listadas
na definic
ao 32 de dist
ancia entre vetores (p. 266).
Particularizando estas metricas para o espaco R2 , temos:
p
D1 (u, v) = (x1 y1 )2 + (x2 y2 )2
(5.17)
D2 (u, v) = |x1 y1 | + |x2 y2 |


D3 (u, v) = max |x1 y1 |, |x2 y2 |

(5.18)

(5.19)

onde u = (x1 , x2 ) e v = (y1 , y2 ) R2 .

D2 acima e conhecida como metrica (dist


ancia) da soma ou do t
axi, D3
e conhecida como metrica (dist
ancia) do m
aximo.
Exemplo: Para efeito de comparacao calculemos a dist
ancia entre os
dois vetores u = (x1 , x2 ) = (1, 1) e v = (y1 , y2 ) = (4, 5) nas tres metricas
acima.
( i ) Dist
ancia euclidiana
p
D1 (x, y) = (x1 y1 )2 + (x2 y2 )2
 p
D1 (1, 1), (4, 5) = (1 4)2 + (1 5)2 = 5.

( ii ) Dist
ancia do t
axi

D2 (x, y) = |x1 y1 | + |x2 y2 |



D2 (1, 1), (4, 5) = |1 4| + |1 5| = 7.

( iii ) Dist
ancia do m
aximo



D3 (x, y) = max |x1 y1 |, |x2 y2 |



D3 (1, 1), (4, 5) = max |1 4|, |1 5|
= max{ 3, 4 } = 4.

Vejamos como fica a representacao geometrica destas tres dist


ancias, veja:
R

D1

(4,5)

5 4

5 4

5 4

3
(1,1)

(4,5)

(4,5)

-R

(1,1)
0

272

D3

D2

-R

(1,1)
0

-R

` esquerda temos a dist


A
ancia euclidiana dada pela medida da hipotenusa
do tri
angulo, ao centro temos a dist
ancia do taxi dada pela medida da soma
dos catetos e
a direita temos a metrica do m
aximo dada pela medida do
maior dos catetos do tri
angulo. Vejamos ainda sob uma nova perspectiva
estas tres dist
ancias:
R

-R

-R

-R

Uma pergunta ingenua, n


ao obstante pertinente, seria: Em existindo
mais de uma dist
ancia entre dois pontos, qual a verdadeira?
Do ponto de vista da matem
atica, isto e, da logica, todas as metricas
gozam do mesmo status, nenhuma e mais ou menos verdadeira que as outras. O que acontece e que a metrica (trena) usual (euclidiana) e a mais
conveniente para, por exemplo: o pedreiro, o carpinteiro, para o engenheiro
civil, etc., porque esta e suficiente para resolver todos os seus problemas de
medida. J
a para o matem
atico e o fsico, estes profissionais tem necessidade
em seus trabalhos de outras reguas, as quais n
ao se encontram no
comercio, pois s
ao, por assim dizer, abstratas.
A proposito, acontece no que diz respeito `as metricas o mesmo
que ocorre no
ambito das geometrias euclidiana e n
ao-euclidianas. A de
Euclides n
ao e nem mais nem menos verdadeira que as outras; pode ou n
ao
ser a mais conveniente a determinados propositos; por exemplo, Einstein ao
formular sua Teoria da Relatividade (Gravitacao) preferiu optar por uma
das geometrias n
ao-euclidianas (optou pela geometria riemaniana).

Dist
ancias no espaco de c
odigos
Vamos definir a seguinte aplicacao
k k : Zn2 R
u 7 kuk
onde,
kuk =

n
X

xi

(5.20)

i=1

Por exemplo,
kuk =

4
X

xi = x1 + x2 + x3 + x4

i=1

273

k1011k = 1 + 0 + 1 + 1 = 3

O somat
orio (5.20) conta o n
umero de 1s presentes no vetor u. Uma observac
ao importante e a de que as adicoes que comparecem no desenvolvimento do somat
orio n
ao e mais a adicao em Z2 mas a pr
opria adicao em
R.
Nosso objetivo agora ser
a provar que a aplicacao assim definida e uma
n
norma em Z2 .
Devemos, para tanto, provar todas as condicoes exigidas na definicao 33,
ent
ao:
(p. 271)
(N1 )
kuk 0 e kuk = 0 u = 0 . Temos
kuk =
(N2 )

n
X
i=1

xi 0

kuk =

k uk = || kuk.

n
X
i=1

xi = 0 xi = 0 u = 0.

Como u = ( xi ) temos u = ( xi )
k uk =
uma vez que { 0, 1 }.

n
X

xi =

n
X
i=1

i=1

xi = || kuk

(N3 )
ku + vk kuk + kvk.
Considerando u = ( xi ) e v = ( yi ) vetores arbitrarios em Zn2 . Temos
u + v = ( xi + yi ). Devemos mostrar que
n
X
i=1

( xi + y i )

n
X

xi +

i=1

n
X

yi

(5.21)

i=1

Observe que nesta desigualdade temos algumas sutilezas te


oricas. Sen
ao
vejamos, abrindo os somat
orios resulta
( x1 + y1 )+ ( x2 + y2 )+ + ( xn + yn ) x1 + x2 + + xn + y1 + y2 + + yn
do lado esquerdo n
ao podemos aplicar as propriedades associativa e comutativa porquanto a adicao u + v e bit a bit. Ou ainda: as adicoes dentro
dos parentesis se verificam em Z2 e as entre os parentesis se verificam
em R. Por outro lado, as adicoes do lado direito se d
ao em R.
Pois bem, devido a desigualdade triangular para os n
umeros reais podemos escrever
|x1 + y1 | |x1 | + |x1 |
|x2 + y2 | |x2 | + |x2 |
(5.22)
.......................
|xn + yn | |xn | + |xn |

Somando essas n desigualdades resulta


n
X
i=1

| xi + y i |

n
X
i=1

274

|xi | +

n
X
i=1

|yi |

(5.23)

A adicao que comparece em | xk + yk | nas desigualdades (5.22) e a de R,


tendo em conta a tabela a seguir
xk 0
yk 0

1
0

0
1

1
1

vemos que as desigualdade em (5.22) continuam validas se substituirmos


o resultado da adica
o de | xk + yk | em R pelo resultado da adica
o de
( xk +yk ) em Z2 . Sendo assim, a desigualdade (5.23) implica na desigualdade
(5.21).
Apenas a ttulo de curiosidade observe que | xk + yk | n
ao faz sentido em
Z2 . E por que n
ao faz sentido?
A raz
ao e que para se definir m
odulo (veja eq. (5.1), p. 257) necessitamos
de uma ordem e Z2 n
ao e um corpo ordenado.
E por que Z2 n
ao e um corpo ordenado? A raz
ao e que num corpo
ordenado valem as desigualdades
1>0

1+1>1

e em Z2 temos 1 + 1 = 0.
Uma vez que demonstramos a existencia de uma norma em Zn2 temos
agora como calcular a dist
ancia entre dois codigos. Dados dois vetores u =
( xi ) e v = ( yi ), temos
u v = (xi yi )

d(u, v) = ku vk = k(xi yi )k

substituindo esse resultado na equacao (5.20)


d(u, v) =

n
X
i=1

(p. 273)

resulta

(xi yi )

(5.24)

ancia de Hamming e e muito


Essa dist
ancia em Zn2 e conhecida como dist
utilizada na construc
ao de c
odigos de correcao de erros (em transmiss
ao de
dados).
Por exemplo, consideremos os vetores x = 1010 e y = 0011 em Z42 , temos:
d(u, v) =

4
X
i=1

(xi yi ) = (x1 y1 ) + (x2 y2 ) + (x3 y3 ) + (x4 y4 )


= (1 0)

+ (0 0)

+ (1 1)

+ (0 1) = 2

Richard W. Hamming (19151998) obteve seu Ph.D. em Matem


atica na Universidade
de Illinois, em Urbana-Champaign, em 1942. De 1946 a 1976, trabalhou no Bell Labs,
depois integrou-se ao corpo docente na US Naval Postgraduate School, em Monterey,
Calif
ornia. Em 1950, publicou seu trabalho fundamental em c
odigos corretores de erros,
dando uma construc
ao explcita para os c
odigos de otimizac
ao que Claude Shannon tinha
provado serem teoricamente possveis, em 1948.

275

Observe que a dist


ancia de Hamming entre duas sequencias nos d
a precisamente o n
umero de posicoes em que estas sequencias diferem quando
comparadas bit a bit; no caso do exemplo em questao, temos:
x: 1 0 1 0
y: 0011
As sequencias em
Z22 = { 00, 10, 01, 11 }

podem ser arrumadas segundo os vertices de um quadrado unit


ario, veja:
01

11

00

10

A dist
ancia de Hamming entre quaisquer dois vetores u e v e o n
umero
de arestas no caminho mais curto para ir de u ate v.
As sequencias em
Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 }
podem ser arrumadas segundo os vertices de um cubo unit
ario, veja:
001

011

101

111
000

100

010
110

A dist
ancia de Hamming entre quaisquer dois vetores u e v e o n
umero
de arestas no caminho mais curto para ir de u ate v.
Tambem construi uma outra dist
ancia entre vetores de Zn2 . Sen
ao vejamos, considere a seguinte aplicacao
k k : Zn2 R
u 7 kuk
onde,



kuk = max 1 x1 , 2 x2 , . . . , n xn

Por exemplo, para u = 1011, temos




kuk = max 1 x1 , 2 x2 , 3 x3 , 4 x4


= max 1 1, 2 0, 3 1, 4 1 = 4

Vejamos um outro exemplo, seja u = 1010, entao




kuk = max 1 1, 2 0, 3 1, 4 0 = 3
276

(5.25)

A formula (5.25) nos d


a a maior posicao onde ocorre um bit 1 no vetor u.
Nosso objetivo agora ser
a provar que a aplicacao assim definida e uma
norma em Zn2 .
Devemos para tanto provar todas as condicoes exigidas na definicao 33,
entao:
(N1 )
kuk 0 e kuk = 0 u = 0 .


Que kuk = max 1 x1 , 2 x2 , . . . , n xn 0 e imediato.


kuk = max 1 x1 , 2 x2 , . . . , n xn = 0 xi = 0 u = 0.

(N2 )
k uk = || kuk.
Como u = ( xi ) temos u = ( xi )


k uk = max 1 ( x1 ), 2 ( x2 ), . . . , n ( xn )


= max 1 x1 , 2 x2 , . . . , n xn = || k uk
uma vez que { 0, 1 }.

(N3 )
ku + vk kuk + kvk.
Considerando u = ( xi ) e v = ( yi ) vetores arbitrarios em Zn2 . Temos
u + v = ( xi + yi ). Devemos mostrar que




max 1 ( x1 + y1 ), 2 ( x2 + y2 ), . . . , n ( xn + yn ) max 1 x1 , 2 x2 , . . . , n xn


+ max 1 y1 , 2 y2 , . . . , n yn

Pois bem, existem ndices i, j, k { 1, 2, . . . , n } tais que




max 1 ( x1 + y1 ), 2 ( x2 + y2 ), . . . , n ( xn + yn ) = i ( xi + yi )


max 1 x1 , 2 x2 , . . . , n xn = j xj


max 1 y1 , 2 y2 , . . . , n yn = k yk

(5.26)
(5.27)
(5.28)

Sendo assim, devemos mostrar que

i ( xi + y i ) j xj + k y k
Temos que
i xi j xj

por (5.27)

i yi k yk

por (5.28)

Somando essas desigualdades temos o resultado (5.29).

277

(5.29)

Uma vez que demonstramos a existencia de uma nova norma em Zn2


temos agora uma nova dist
ancia entre dois codigos. Dados dois vetores
u = ( xi ) e v = ( yi ), temos
u v = (xi yi )

d(u, v) = ku vk = k(xi yi )k

substituindo esse resultado na equacao (5.25) (p. 276) resulta




d(u, v) = max 1 ( x1 y1 ), 2 ( x2 y2 ), . . . , n ( xn yn )

(5.30)

Por exemplo, consideremos os vetores x = 1010 e y = 0011 em Z42 , temos:




d(u, v) = max 1 (1 0), 2 (0 1), 3 (0 0), 4 (0 1) = 4

Compare esse resultado com a dist


ancia de Hamming.
(p. 276)
Observe que esta dist
ancia entre duas sequencias nos d
a precisamente a
maior posic
ao em que as sequencias diferem entre si, veja:
x: 1 0 1 0
y: 0011

Nota: A dist
ancia (5.30) e de minha pr
opria autoria.
Nota: No caso de duas sequencias iguais estamos assumindo que

max
=0

Esta igualdade pode ser provada por vacuidade, no sentido de que ela
jamais poder
a ser contraditada .

Exerccios
1) Em relac
ao ao produto interno usual do R2 , calcular h u, v i sendo dados:
a ) u = (1, 1) e v = (1, 1);

b ) u = (6, 2) e v = (3, 9);



c ) u = (2, 1) e v = 21 , 1 .

2) Para os mesmos vetores do exerccio anterior, calcular h u, v i em relacao


ao produto interno dado por
h u, v i = 3 x1 y1 + 4 x2 y2

E semelhante `
a prova de que o conjuto vazio e subconjunto de qualquer conjunto.

278

3) Sejam x = (x1 , x2 ) e y = (y1 , y2 ). Mostrar que cada aplicacao a seguir


define um produto interno no R2 :
a ) (u, v) 7 x1 y1 + x2 y2 ;
b ) (u, v) 7 2 x1 y1 + 5 x2 y2 ;
c ) (u, v) 7

x 1 y1
a2

x 2 y2
b2

com a, b R fixos e n
ao nulos.
R1
4) Em P2 (R) com o produto interno dado por h f, g i = 0 f (t) g(t) dt calcular a norma dos seguintes vetores:
+

a ) f (t) = 1 t ;

b ) f (t) = 1 + t ;
c ) f (t) = 1 t2 .

5) Sejam x e y n
umeros reais n
ao negativos. Aplique a desigualdade de


Cauchy-Schwarz para u = ( x, y ) e v = ( y, x ) para demonstrar que
x+y

xy
2
6) Calcular a norma dos vetores do exerccio anterior em relacao ao produto
interno dado por h f (t), g(t) i = a0 b0 + a1 b1 + a2 b2 .

7) Dados os vetores u = (0, 0, 0) e v = (1, 1, 1) em R3 calcule as tres


dist
ancias D1 , D2 e D3 dadas na p. 271 e de uma interpretacao geometrica
das mesmas (faca um esboco gr
afico).
8) Chama-se traco de uma matriz A = ( aij ), quadrada de ordem n, a soma
dos termos da sua diagonal principal.
Notaca
o: tr (A). Ent
ao, tr (A) = a11 + + ann . Sendo V = Mmn (R),
mostre que h A, B i = tr(B t A) define um produto interno sobre V .

9) No espaco vetorial V = M2 (R) considere o produto interno definido no


exerccio anterior. Sendo




2 1
1 1
A=
e B=
1 1
1
0
calcule h A, B i, kAk, kBk e d(A, B).
Para alguns dos exerccios a seguir necessitaremos de algumas consideracoes concernentes a norma e produto interno.
Perguntamos, por exemplo, se toda norma e oriunda de um produto
interno.
Vejamos uma condic
ao necessaria para que uma norma seja oriunda de
um produto interno.

279

Proposi
c
ao 17 (Identidade do Paralelogramo). Em um espaco vetorial com
produto interno e v
alida a seguinte identidade

ku + vk2 + ku vk2 = 2 kuk2 + kvk2
Prova: De fato,

ku + vk2 = hu + v, u + vi
= hu, ui + hu, vi + hv, ui + hv, vi
= kuk2 + 2hu, vi + kvk2
Por outro lado
ku vk2 = hu v, u vi
= hu, ui + hu, vi + hv, ui + hv, vi
= kuk2 2hu, vi + kvk2
somando estas duas equacoes obtemos o resultado desejado.

Observe que esta proposicao pode ser reformulada assim:


p
ao ku + vk2 + ku vk2 =
Se a norma e dada por kuk = hu, ui ent
2
2
2 kuk + kvk .
A qual e equivalente a:
p

Se ku + vk2 + ku vk2 6= 2 kuk2 + kvk2 ent
ao kuk =
6
hu, ui.

Isto significa que se uma norma n


ao satisfaz a identidade do paralelogramo ent
ao ela n
ao provem do produto interno, segundo a equacao
p
(5.31)
kuk = hu, ui

Sendo assim e imediata a pergunta: Uma norma que n


ao satisfaca a identidade do paralelogramo n
ao poderia provir de um produto interno dado por
uma outra equac
ao que n
ao seja (5.31)?
Para responder a essa pergunta vamos considerar o seguinte axioma de
norma
k uk = || kuk,
R e u V.
(5.32)

E a igualdade
hu, ui = 2 hu, ui
que e consequencia da definicao de produto interno.

280

(5.33)

Vamos supor que estamos tentando definir uma norma em funcao do


produto interno. Devemos ter

k uk = || kuk
p
hu, ui = || hu, ui

Daqui concluimos que necessariamente a relacao entre norma e produto


interno deve ser
p
kuk = hu, ui
a menos de constantes multiplicativas.
10) Mostre, para algum valor de n, que as normas kuks e kukm sobre o Rn
dadas na p. 271 n
ao provem de um produto interno.
11) Perguntamos se as normas
kukH =
e

n
X

xi

i=1



kukG = max 1 x1 , 2 x2 , . . . , n xn

em Zn2 provem de um produto interno.


Sugestao: Inicialmente, para algum valor de n, tente obter duas sequencias
tais que a identidade do paralelogramo n
ao seja satisfeita.
12) Mostre que a aplicac
ao
k k : Zn2 R
u 7 kuk
onde,
kuk =
e uma norma em

Zn .

n
X

2n1 xn

i=1

281

(5.34)

Crculos e bolas em espacos vetoriais normados


Num espaco vetorial normado (V, k k) define-se um crculo de centro em
um vetor p V e raio r > 0 como o conjunto de todos os vetores u V que
satisfazem a equac
ao
ku pk = r
Ou seja, um crculo de centro p e raio r > 0 e o conjunto de todos os pontos
(vetores) que est
ao a uma mesma dist
ancia r do centro p.
13) Nas figuras a seguir:

temos os crculos de centro na origem e raio 1 segundo as dist


ancias dadas
em (5.17), (5.18) e (5.19), respectivamente (p. 272). Encontre a equacao
que descreve cada um desses crculos.
14) Mostre que cada uma das figuras acima n
ao e um crculo nas duas outras
normas.
15) Faca, no plano R2 , um esboco da figura de equacao dada por


|x| + |y| + |x| |y| = 2

16) Encontre em Z42 o crculo de centro em p = 1110 e raio r = 2 para as


tres normas deste espaco (eqs: (5.24), p. 275; (5.30), p. 278; (5.34), p.
281).

Num espaco vetorial normado (V, k k) define-se bola aberta de centro


em um vetor p V e raio r > 0 como o conjunto de todos os vetores u V
que satisfazem a inequacao
ku pk < r
Ou seja, uma bola aberta de centro p e raio r > 0 e o conjunto de todos os
pontos (vetores) que est
ao a uma dist
ancia de p menor que r.
17) Faca um esb
oco (desenhe) a bola aberta de centro na origem e raio 1
para as tres normas do R2 .
18) Encontre em Z42 a bola aberta de centro em p = 0101 e raio r = 2 para
as tres normas deste espaco.
282

5.4

Angulo
entre vetores

O objetivo que temos em vista agora ser


a definir o angulo entre dois
vetores em um espaco vetorial arbitrario. Para tanto iremos nos inspirar no
que acontece no espaco R2 ; digo, vamos inicialmente obter uma formula para
o calculo do
angulo entre dois vetores nesse espaco; para tanto partiremos
da seguinte figura rotac
ao do vetor v de graus em torno da origem:
R

u = (x1 , x2 )
s

s v = (y , y )
1
2

Temos que o
angulo entre os vetores u e v e dado por = . Com
o auxlio da trigonometria podemos escrever
cos = cos( ) = cos cos + sen sen
Da figura anterior destacamos os dois tri
angulos a seguir:
s

kuk

x2
s

kvk

x1

y2

y1

Sendo assim, temos:


cos = cos cos + sen sen
=
De modo que
cos =

x y2
x1 y 1
+ 2
kuk kvk
kuk kvk
h u, v i
x1 y 1 + x2 y 2
=
kuk kvk
kuk kvk
283

Vamos generalizar esse resultado para um espaco vetorial arbitrario

Defini
c
ao 34 (Angulo
entre vetores). Seja V um espaco vetorial de dimens
ao finita qualquer, dados dois vetores u, v V , n
ao nulos, definimos o
angulo entre esses vetores pela f

ormula
h u, v i
,
kuk kvk

cos =

(5.35)

Observe que por (5.5) (p. 261) todo espaco de dimensao finita pode ser
munido de um produto interno.
Temos um probleminha agora: precisamos saber se a equacao (5.35),
deduzida para vetores em R2 , faz sentido em espacos arbitrarios.
Sabemos da trigonometria que 1 cos 1, portanto para que o
angulo entre dois vetores esteja bem definido precisamo mostrar que em um

espaco arbitrario de fato temos


1

h u, v i
1
kuk kvk

Ora, esta desigualdade e valida em todo espaco com produto interno justamente por ser uma consequencia da desigualdade de Cauchy-Schwarz, veja:
|h u, v i| kuk kvk
Essa desiguldade implica em
kuk kvk h u, v i kuk kvk 1

h u, v i
1.
kuk kvk

Exemplos:


1 ) Calcule o
angulo entre os vetores u = 12 , 23 e v = 23 , 21
com o produto interno usual do R2 .
Solu
c
ao: Para u = (x1 , x2 ) e v = (y1 , y2 ) temos as seguintes formulas

h u, v i = x1 y1 + x2 y2
Ent
ao

kuk =

q
x21 + x22

1 3
3 1
3
h u, v i =
+
=
2 2
2 2
2

Por outro lado


kuk =

1 2
+
2
284

3 2
=1
2

e
kvk =

Portanto

3 2

+
2

23
h u, v i
3
=
=
cos =
kuk kvk
11
2

1 2
=1
2

5
= 150o
6

Geometricamente temos
R
p

su

su

vs
p

vs

Observe que o
angulo entre dois vetores u e v n
ao necessariamente coincide com o
angulo entre as retas que os contem. Na geometria, o angulo
entre duas retas e definido como o menor angulo entre os dois angulos determinados pela intersec
ao das mesmas. O angulo entre as duas retas na
figura e = 30o .
2 ) Calcule o
angulo entre os dois polin
omios f (t) = 1t e g(t) = 2+3 t,
com produto interno dado por
(p. 260)
Z 1
f (t) g(t) dt
(f, g) 7 h f, g i =
0

Solu
ca
o: Inicialmente, temos kuk = h u, u i , ou seja,
s
s
Z 1
Z 1
p
1
f (t) f (t) dt =
(1 t) (1 t) dt =
kf k = h f, f i =
3
0
0
s
s
Z 1
Z 1
p

g(t) g(t) dt =
(2 + 3t) (2 + 3t) dt = 13
kgk = h g, g i =
0

Na p
agina (p. 260) encontramos h f (t), g(t) i = 32 , logo,
3
 3 3 
h f, g i

cos =
= 1 2
43, 90o
= arccos

kf k kgk
13
2 13
3
285

3 ) No espaco vetorial Z22 , temos


Z22 = { 00, 10, 01, 11 }
Calcule o
angulo entre os vetores u = 10 e v = 11 com o produto interno
usual do Z22 .
Solu
c
ao: Para u = x1 x2 e v = y1 y2 temos as seguintes formulas
q
h u, v i = x1 y1 + x2 y2 e kuk = x21 + x22

Nota: No exemplo 4 (p. 95) estamos considerando a base can


onica do Z22 :
B = { 10, 01 }, para a qual u = x1 x2 = x1 10 + x2 01.
Ent
ao
h 10, 11 i = 1 1 + 0 1 = 1
Por outro lado
kuk =

e
kvk =
Portanto

12 + 02 = 1

12 + 12 =

1
h u, v i
2
=
=
cos =
kuk kvk
2
1 2
Geometricamente temos
r01
r

00

v=
r 11

u = 10

286

= 45o
4

5.5

Ortogonalizac
ao

Defini
c
ao 35 (Vetores ortogonais). Seja V um espaco euclidiano. Dizemos
que dois vetores u, v V s
ao ortogonais se, e somente se, h u, v i = 0.
A definic
ao de
angulo entre vetores (eq. (5.35), p. 284) implica que dois
vetores s
ao ortogonais se, e somente se, o angulo entre eles e 90o .
Defini
c
ao 36 (Conjuntos ortonormais). Um conjunto S = { u1 , . . . , ur } se
es a seguir s
ao satisfeitas:
diz ortonormal se, e somente se, as duas condico
( I ) kui k = 1 (i = 1, 2, . . . , r) e
( II ) dois vetores quaisquer de S, distintos entre si, s
ao ortogonais.
p
Nota: Tendo em conta kui k = h ui , ui i as duas condicoes da definicao
anterior podem ser substituidas pela seguinte:
(
1,
se i = j;
h ui , uj i = ij =
(5.36)
0,
se i 6= j.
Exemplos: As bases can
onicas do R2 e R3
B = { (1, 0), (0, 1) };

B = { (1, 0, 0), (0, 1, 0), (0, 0, 1) }

s
ao conjuntos ortonormais (exerccio). O que significa que os vetores, dois a
dois, formam um
angulo de 90o entre si e todo est
ao `a mesma dist
ancia, 1,
da origem, veja:

(0, 1)

t(0, 0, 1)

t
t

t
(0, 1, 0)

(1, 0)

t(1, 0, 0)
R

287

Coeficientes de Fourier
A import
ancia das bases ortogonais reside no fato de que existe um procedimento padrao para se encontrar as coordenadas de um vetor qualquer
em relac
ao a elas. De fato, seja V um espaco vetorial com produto interno
h , i, B = { u1 , . . . , un } uma base ortogonal de V e u um vetor arbitrario
em V . Vamos calcular as coordenadas de u em relacao a B. Sabemos que
u = x1 u1 + + xi ui + + xn un
e queremos encontrar a i-esima coordenada xi . Para isto, facamos o produto
interno dos dois membros da igualdade acima por ui , assim:
h u, ui i = h x1 u1 + + xi ui + + xn un , ui i
= x1 h u1 , ui i + + xi h ui , ui i + + xn h un , ui i
= x1 0

+ + xi h ui , ui i + + xn 0 = xi h ui , ui i

portanto h u, ui i = xi h ui , ui i, entao:
xi =

h u, ui i
,
h ui , ui i

(i = 1, 2, . . . , n)

(5.37)

Esta coordenada e chamada coeficiente de Fourier de u em relacao a ui .


Observe que se tivermos uma base ortonormal { u1 , . . . , un } os coeficientes (coordenadas) xi de um vetor u = x1 u1 + + xi ui + + xn un
s
ao dados por
xi =

h u, ui i
= h u, ui i
h ui , ui i

Isto e, as coordenadas de um vetor relativamente a uma base ortonormal


s
ao os produtos internos desse vetor pelos elementos da referida base.
Exemplo: Na figura a seguir
y

(0, 1)

u2
ps
(1, 0)

sp
30o

u1

demos uma rotac


ao de = 30o na base can
onica do R2 . Para calcular uma
base ortogonal para o novo sistema rotacionamos de , segundo a formula
(4.36) (p. 247), os vetores da base antiga { (1, 0), (0, 1) }, assim:
288

(confira na f
ormula)

1
3 1
3
,
;
(0, 1) 7 u2
= ,
(1, 0) 7 u1 =
2 2
2 2

3
Vamos calcular as coordenadas do vetor u = 1, 2 em relacao a essa
nova base, isto e, queremos x1 e x2 na equacao
u = x1 u1 + x2 u2
Pelo coeficiente de Fourier (5.37) temos
x1 =
Temos:

h u, u1 i
h u1 , u1 i

2 3+3
3
3 1
3 3 1
,
+ =

=1
h u, u1 i = 1,
2
2 2
2
2 2
4
e


3 1
3 1
3
3 1 1
h u1 , u1 i =
,
,

+ =1

=
2
2
2
2
2
2
2 2

2 3+3
Portanto, x1 = 4 . Analogamente,
x2 =

Temos:
3

h u, u2 i = 1,
2

Portanto, x2 =

2 + 3 3
1
1 3
3
3
+
=
,
=1
2 2
2
2 2
2

1
3
,

2 2

h u2 , u2 i =

2+3
2

, isto e,


1
1 1
3
3
3
+

=1
,
=
2 2
2 2
2
2

u = (x1 , x2 ) =
Geometricamente temos

h u, u2 i
h u2 , u2 i

2 3 + 3 2 + 3 3 
,
4
4

s(1, 3 )

x1

x2

30o

Compare esse resultado com o obtido pela formula (4.35)


exemplo da p. 245.
289

(p. 245),

no

Conjunto ortogonal e independ


encia linear
Proposi
c
ao 18. Todo conjunto ortogonal S = { u1 , u2 , . . . , ur } contido
num espaco vetorial euclidiano e necessariamente L.I.
Prova: Com efeito, suponha
1 u1 + 2 u2 + + r ur = 0
Ent
ao
0 = h 0, u1 i = h 1 u1 + 2 u2 + + r ur , u1 i
= 1 h u1 , u1 i + 2 h u2 , u1 i + + r h ur , u1 i
= 1 1

+ 2 0

+ + r 0 = 1

Analogamente se prova que 2 = 3 = = r = 0.

Proposi
c
ao 19. Seja U = { u1 , u2 , . . . , ur } um subconjunto ortonormal
do espaco euclidiano V . Ent
ao, para todo vetor u de V , o vetor
v = u h u, u1 i u1 h u, u2 i u2 h u, ur i ur
e ortogonal a cada vetor do subespaco gerado pelos vetores de U .
Prova: Iniciamente observemos que se v for ortogonal aos vetores de
U , ent
ao ser
a ortogonal a toda combinacao linear de U . Com efeito, seja
w = 1 u1 + 2 u2 + + r ur uma dessas combinacoes lineares. Entao
h v, w i = h v, 1 u1 + 2 u2 + + r ur i
= 1 h v, u1 i + 2 h v, u2 i + + r h v, ur i
= 1 0

+ 2 0

+ + r 0 = 0

Sendo assim, s
o nos resta provar que v e ortogonal a cada ui . Consideremos o produto
h v, u1 i = h uh u, u1 i u1 h u, u2 i u2 h u, ur i ur , u1 i
= h u, u1 ih h u, u1 iu1 , u1 ih h u, u2 iu2 , u1 i h h u, ur iur , u1 i
= h u, u1 ih u, u1 i h u1 , u1 ih u, u2 i h u2 , u1 i h u, ur i h ur , u1 i
= h u, u1 ih u, u1 i 1

h u, u2 i 0

h u, ur i 0 = 0

Onde usamos a hip


otese de que o conjunto { u1 , u2 , . . . , ur } e ortonormal. De modo an
alogo provamos que h v, u2 i = = h v, ur i = 0.

290

Processo de ortogonaliza
c
ao de Gram-Schmidt
A partir de uma base qualquer de um espaco vetorial existe um processo
(algoritmo) para se obter uma base ortogonal. Inicialmente vamos mostrar
como esse algoritmo funciona para uma base B = { v1 , v2 } com dois vetores.
Enfatizando: a partir da base B, na qual v1 e v2 n
ao s
ao ortogonais
queremos construir uma outra base C = { u1 , u2 } na qual u1 e u2 s
ao
ortogonais.
t v2

u2
t

t v1

t u1

Ent
ao, tomemos u1 = v1 . Precisamos encontrar com o auxlio de v2 um
novo vetor u2 ortogonal a u1 . Para isto tomamos u2 = v2 u1 , onde e
um n
umero a ser encontrado de modo que u1 e u2 resultem ortogonais, ou
seja, h u2 , u1 i = 0,
ou ainda
h v2 u 1 , u 1 i = 0
Sendo assim temos
h v2 + ( u1 ), u1 i = h v2 , u1 i + h ( u1 ), u1 i
= h v2 , u1 i h u1 , u1 i
Logo
h v2 u1 , u1 i = h v2 , u1 i h u1 , u1 i = 0

h v2 , u 1 i
h u1 , u1 i

Comparando com a equac


ao (5.37) (p. 288) concluimos que e a coordenada
(projecao, coeficiente de Fourier) de v2 em relacao a v1 (= u1 ).

J
orgen Pederson Gram (1850-1916) foi um atu
ario dinamarques.
Erhard Schmidt (1876-1959) ensinou em diversas universidades alem
as importantes e foi
aluno de Hermann Amandus Schwarz e David Hilbert. Ele realizou contribuic
oes importantes para o estudo de equac
oes integrais e equac
oes diferenciais parciais e, como parte
deste estudo, introduziu o metodo para encontrar uma base ortogonal em 1907. Em 1908,
escreveu um artigo sobre sistemas lineares de infinitas equac
oes com infinitas inc
ognitas,
no qual fundou a teoria dos espacos de Hilbert e no qual ele novamente utilizou este
metodo.

291

Resumindo, a base procurada fica assim:


u1 = v1

u2 = v2 u1 = v2

h v2 , u1 i
u
h u1 , u1 i 1

(5.38)

Observe que u2 foi obtido de v2 subtraindo-se deste a projecao (coordenada)


do vetor v2 em relac
ao a v1 (= u1 ). Geometricamente tudo se passa assim:
t v2

u2
t

t u1 = v1
t

u1

u1
u1 e u2 s
ao vetores ortogonais n
ao nulos. Podemos entao normaliza-los:
u1 =

u1
ku1 k

u2 =

u2
ku2 k

para obter uma base C = { u1 , u2 } ortonormal.


Nota: Normalizar um vetor u (n
ao nulo) significa a partir dele obter um
outro vetor u de norma 1; para isto basta dividir o vetor por sua norma.
De fato,
1
u
1
1

u =
=
u ku k =
u =
kuk = 1
kuk
kuk
kuk
kuk

Observe que na pen


ultima igualdade acima usamos as propriedades PN1 e
PN2 da norma (p. 264).
Exemplo: Seja B = { (4, 1), (1, 3) } uma base do R2 . Vamos obter a partir
de B uma base ortonormal em relacao ao produto interno usual. Sejam entao
v1 = (4, 1)

v2 = (1, 3)

Agora basta usar a equacao (5.38), isto e,


u1 = (4, 1)

u2 = (1, 3)

h (1, 3), (4, 1) i


(4, 1)
h (4, 1), (4, 1) i

Ent
ao
h (1, 3), (4, 1) i = 1 4 + 3 1 = 7
h (4, 1), (4, 1) i = 4 4 + 1 1 = 17
292

Logo
u2 = (1, 3)

7
(4, 1) =
17

11 44 
,
17 17

Para normalizar esses vetores precisamos de


r

2057
11 2
44 2
2
2

ku1 k = 4 + 1 = 17 e ku2 k =
+
=
17
17
17
Entao

u1 =

1
1
u1 = (4, 1)
ku1 k
17

u2 =

1
17
u2 =
ku2 k
2057

Geometricamente tudo se passa assim


y

sv

s v2

11 44 
,
17 17

u2 s
p

v1

p1

p2

p3

u2 s

p4

N { v1 , v2 } base n
ao ortogonal.

us1
p

u 1 = v1

u1
p

u1

N { u1 , u2 } base ortonormal.

O procedimento de ortogonalizacao de dois vetores pode ser generalizado


para uma base B = { v1 , v2 , . . . , vn } com n vetores. Tomemos como anteriormente

u1 = v1
u2 = v2 u1

onde

h v2 , u1 i
h u1 , u1 i

J
a vimos que u1 e u2 s
ao ortogonais. Vamos construir agora um vetor u3
que seja ao mesmo tempo ortogonal a u1 e u2 . Por analogia ao caso anterior
vamos adotar
u3 = v3 u2 u1
(5.39)
e determinar os escalares e tais que h u3 , u2 i = 0 e h u3 , u1 i = 0.
Sendo assim temos o seguinte sistema a resolver

h v3 u2 u1 , u2 i = 0 h v3 , u2 i h u2 , u2 i h u1 , u2 i = 0
hv u u , u i = 0 hv , u i hu , u i hu , u i = 0
3
2
1
1
3
1
2
1
1
1
293

Como h u1 , u2 i = h u2 , u1 i = 0, das duas u


ltimas equacoes obtemos:
=

h v3 , u2 i
h u2 , u2 i

h v3 , u1 i
h u1 , u1 i

Substituindo esses resultados em (5.39), obtemos


u3 = v3

hv , u i
h v3 , u2 i
u 3 1 u
h u2 , u2 i 2 h u1 , u1 i 1

Comparando com a equacao (5.37) (p. 288) concluimos que e a coordenada (projec
ao, coeficiente de Fourier) de v3 em relacao a u2 . Conclusao
an
aloga vale para . Sendo assim u3 e obtido de v3 subtraindo-se suas
projec
oes sobre u1 e u2 .
Procedendo de maneira an
aloga, obtemos os vetores u4 , . . . , un .
Assim, a partir de uma base B = { v1 , . . . , vn } de um espaco vetorial V ,
construimos a base ortogonal C = { u1 , . . . , un } dada por:
u 1 = v1
u 2 = v2

h v2 , u1 i
h u1 , u1 i

u1

u 3 = v3

h v3 , u2 i
h u2 , u2 i

u2

h v3 , u1 i
h u1 , u1 i

u1

............................................
u n = vn

h vn , un1 i
h un1 , un1 i

un1

h vn , u1 i
h u1 , u1 i

u1

A partir desta base podemos obter uma outra base de vetores ortonormais,
basta normalizar cada um dos vetores acima.
Nota: Podemos, alternativamente, provar o algoritmo (ou processo) de
Gram-Schmidt fazendo uso da proposicao 19.
(p. 290)
Exemplo: Seja B = { (1, 0, 0), (0, 1, 1), (0, 1, 2) } uma base do R3 .
Vamos aplicar o algoritmo de Gram-Schmidt para obter a partir de B uma
base ortonormal em relacao ao produto interno usual.
Sejam v1 = (1, 0, 0), v2 = (0, 1, 1) e v3 = (0, 1, 2). Entao, seguindo o
algoritmo temos:
u1 = v1 = (1, 0, 0)
u2 = v2

h v2 , u1 i
h u1 , u1 i

u1 = (0, 1, 1)

h (0, 1, 1), (1, 0, 0) i


h (1, 0, 0), (1, 0, 0) i

(1, 0, 0) = (0, 1, 1)

Observe que u2 = v2 porque v2 ja e ortogonal a v1 . Continuando


u 3 = v3

hv , u i
h v3 , u2 i
u2 3 1 u1
h u2 , u2 i
h u1 , u1 i

= (0, 1, 2)

h (0, 1, 2), (0, 1, 1) i


h (0, 1, 2), (1, 0, 0) i
(0, 1, 1)
(1, 0, 0)
h (0, 1, 1), (0, 1, 1) i
h (1, 0, 0), (1, 0, 0) i
294

Fazendo as contas obtemos u3 = 0, 12 ,


C=

1
2


. Logo,

1 1 o
(1, 0, 0), (0, 1, 1), 0, ,
2 2

e uma base ortogonal (o que pode ser confirmado diretamente). Normalizando cada um dos vetores acima obtemos
o

n
2
2
2
2

,
,
, 0,
C = (1, 0, 0), 0,
2
2
2
2
que e uma base ortonormal do R3 , construida a partir da base B.
Geometricamente temos
Algoritmo
Gram-Schmidt

sv

= (0, 1, 2)

sv

= (0, 1, 1)

u3

u2

sv

su

= (1, 0, 0)

N { v1 , v2 , v3 } base n
ao ortogonal.

N { u1 , u2 , u3 } base ortonormal.

Polin
omios de Legendre
Os polin
omios de Legendre s
ao aplicados na fsica quantica, por exemplo na
resolucao da equac
ao de Schr
oedinger para o atomo de hidrogenio (p. 112).
Consideremos em P3 (R) a seguinte base

B = { 1, t, t2 , t3 }
que e ortogonal em relac
ao ao produto interno usual (equacao (5.4), p. 261),
prove isto. Mostre que esta base n
ao e ortogonal segundo o produto interno
dado por
Z
1

h f, g i =

f (t) g(t) dt

(5.40)

Vamos, a partir de B, construir uma base C = { u1 , u2 , u3 , u4 } ortogonal


em relac
ao a esse produto interno.
Solu
c
ao: Sejam v1 = 1, v2 = t, v3 = t2
algoritmo temos:
295

e v4 = t3 . Entao, seguindo o

u1 = v1 = 1
u2 = v2

h v2 , u1 i
h u1 , u1 i

u1

Temos
h v2 , u1 i = h t, 1 i =

t 1 dt = 0

h u1 , u1 i =

1 1 dt = 2

Sendo assim, temos: u2 = v2 = t. Prosseguindo, devemos obter


u3 = v3

hv , u i
h v3 , u2 i
u2 3 1 u1
h u2 , u2 i
h u1 , u1 i

Ent
ao
h v3 , u2 i = h t2 , t i =

1
1

t2 t dt = 0

h u2 , u2 i =

t t dt = 2/3

Ainda
2

h v3 , u1 i = h t , 1 i =

1
1

t2 1 dt = 2/3

Substituindo estes resultados na equacao de u3 , dada acima, obtemos


u3 = t 2

0
2/3
1
t
1 = t2
2/3
2
3

Finalmente
u4 = v4

hv , u i
hv , u i
h v4 , u3 i
u3 4 2 u2 4 1 u1
h u3 , u3 i
h u2 , u2 i
h u1 , u1 i

Deixamos como exerccio ao leitor confirmar os seguintes resultados


h v4 , u3 i = 0,

h v4 , u2 i =

2
5

e h v4 , u1 i = 0

Substituindo os resultados obtidos na equacao de u4 , dada anteriormente,


obtemos u4 = t3 35 t. Sendo assim, resulta
C=

1
3 o
1, t, t2 , t3 t
3
5

uma base ortogonal em relacao ao produto interno dado em (5.40).


E
Observe que se dois vetores s
ao ortogonais multiplicando um deles por
uma constante a ortogonalidade e preservada. Dizemos
h u, v i = 0 h u, v i = 0
296

Assim e que vamos multiplicar o terceiro vetor em C, acima, por 3/2 e o


quarto por 5/2 para obter
n
o
1
1
C = 1, t, (3t2 1), (5t3 3t)
2
2

Cada um destes vetores vale 1 em t = 1, isto e, p(1) = 1. Estes s


ao os
quatro primeiros polin
omios de Legendre, em homenagem ao matem
atico
frances Adrien-Marie Legendre (1752-1833), que primeiro reconheceu sua
import
ancia no estudo da atrac
ao gravitacional.
Os polin
omios de Legendre:
P0 (t) = 1

P1 (t) = t

P2 (t) = 12 (3t2 1)

P3 (t) = 12 (5t3 3t)

s
ao soluc
oes da importante equac
ao diferencial de Legendre:
(1 t2 )Pn 2tPn + n(n + 1)Pn = 0

(5.41)

Utilizada na fsica quantica. A formula seguinte


1 dn
[(t2 1)n ]
2n n! dtn
conhecida como f
ormula de Rodrigues nos fornece o polin
omio de Legendre
de ordem n ( n = 0, 1, 2, . . .).
Ainda a ttulo de informac
ao, os polin
omios de Legendre comparecem
na famosa Quadratura
Gaussiana,
uma
importante
tecnica numerica para o
Rb
calculo de integrais a f (x) dx, na qual faz-se a seguinte mudanca de vari
avel:
Z 1
Z b
F (t) dt
f (x) dx =
Pn (t) =

Os polin
omios de Legendre encontram-se disponveis na Calculadora HP50g;
por exemplo, nas telas a seguir

`a esquerda temos os polin


omios de terceira e quarta ordem,
1
1
(5 t3 3 t) e p4 (t) = (35 t4 30 t2 + 3)
2
8
no centro e a
` direita a plotagem dos respectivos gr
aficos.
p3 (t) =

297

Complemento ortogonal
Seja U um subespaco vetorial do espaco com produto interno V . O
complemento ortogonal de U , denotado por U (le-se U perp) e formado
por todos os vetores v de V que s
ao ortogonais a todo vetor u U ; isto e


U = v V : h v, u i = 0, u U
Exemplo:
Seja V = R2 com o produto interno usual e U = { (, ) : R }.
Vamos encontrar o complemento ortogonal de U , assim:


U = v V : h v, u i = 0, u U


= (x, y) R2 : h (x, y), (, ) i = 0, u U

Devemos resolver a equacao

h (x, y), (, ) i = 0 x + y = 0
Como essa equac
ao deve ser satisfeita para todo real entao y = x.
Portanto
y

= { (x, y)

R2

: y = x }

Proposi
c
ao 20. O subconjunto U e um subespaco vetorial de V .
Prova: Sejam u1 e u2 dois vetores arbitrarios em U . Entao
h u1 , v i = h u2 , v i = 0,

v V.

Daqui decorre
h u1 + u2 , v i = h u1 , v i + h u2 , v i = 0,

v V.

Portanto, u1 +u2 U . Outrossim, mostremos que o complemento e fechado


para a multiplicac
ao por escalar. Sejam u U e R, entao
h u, v i = h u, v i = 0 = 0,

v V.

Para concluir observamos que U e n


ao vazio, pois 0 U .
298

Proposi
c
ao 21. Seja U um subespaco vetorial de um espaco euclidiano de
dimens
ao finita V . Ent
ao V = U U .
Isto e, V e a soma direta de U e U .
Prova: Devemos provar que V = U + U e U U = { 0 }.
Com efeito, seja B = { u1 , u2 , . . . , ur } uma base ortonormal de U . Pela
proposic
ao 19 (p. 290), dado u V , o vetor
v = u h u, u1 i u1 h u, u2 i u2 h u, ur i ur
e ortogonal a todo vetor de U , ou seja, v U . Sendo assim o vetor
u = h u, u1 i u1 + h u, u2 i u2 + + h u, ur i ur + v
pertence a U + U ja que a soma das r primeiras parcelas no segundo
membro acima est
a em U . Como u foi fixado arbitrariamente em V isso
prova que V U + U . Logo V = U + U .

Agora seja w U U , sendo assim w U ; entao w e ortogonal a todo


vetor de U . Em particular temos h w, w i = 0, no que resulta w = 0, logo:
U U = { 0 }.


Projec
ao ortogonal

Conforme vimos se B = { u1 , u2 , . . . , ur } e uma base ortonormal de


um subespaco U de um espaco euclidiano V , entao todo vetor u V se
decompoe, de maneira u
nica, em duas parcelas ortogonais entre si, de acordo
com a equac
ao
u = h u, u1 i u1 + h u, u2 i u2 + + h u, ur i ur + |{z}
v
|
{z
}
U

A primeira parcela acima e chamada projeca


o ortogonal de u sobre o subespaco U .
Exemplo:
Seja V = R2 com o produto interno usual e U = { (, ) : R }.
Encontrar a projec
ao de u = (1, 3) sobre este subespaco.
Solu
ca
o: B = { (1, 1) } e uma
 base de U , dividindo esse vetor por sua
norma, temos uma base, B = 12 (1, 1) , ortonormal de U ; sendo assim a
projecao procurada vale
E 1
D
1
h u, u1 i u1 = (1, 3), (1, 1) (1, 1)
2
2
Temos

1
1
h u, u1 i u1 = (1 1 + 3 1) (1, 1) = (2, 2)
2
2
Geometricamente, temos
299

R
U

Exemplo: Encontre a projecao ortogonal do polin


omio f (t)
R 1 = 1 + 2t P2
sobre o subespaco U = [ t ], em relacao ao produto interno 1 f (t) g(t) dt.
Solu
c
ao: B = { t } e uma base de U , dividindo esse vetor por sua norma
sZ
r
1
2
t t dt =
ktk =
3
1

 q3
temos uma base, B = u1 =
2 t , ortonormal de U ; sendo assim a
projec
ao procurada vale
r Er
D
3
3
t
t
h u, u1 i u1 = 1 + 2t,
2
2
Ou ainda

r Z 1
 r3
3
(1 + 2t) t dt
t = 2t
h u, u1 i u1 =
2
2
1

Por ora, tudo se passa como se Nietzsche recusasse apenas os atributos que a chamada metafsica dogm
atica confere a Deus, sem todavia
negar-lhe a existencia. A leitura de mais alguns de seus escritos fortalece
essa hip
otese. Afastemos a suprema bondade do conceito de Deus: ela
e indigna de um Deus. Afastemos tambem a suprema sabedoria: foi a
vaidade dos fil
osofos que se tornou culpada dessa extravag
ancia de um
Deus monstro de sabedoria: ele deveria parecer-se com eles tanto quanto
possvel. N
ao! Deus, a suprema potencia isso basta.
(Scarlett Marton/Nietzsche das forcas c
osmicas aos valores humanos, p. 166)

300

5.6

Isometrias

Daremos enfase agora a um tipo de operador linear especial que dentre


outras propriedades preserva o angulo entre dois vetores bem como suas
dist
ancias para a origem. Por sinal, ja estudamos dois destes operadores: o
operador rotaca
o em torno da origem
s

Uma rotac
ao em torno da
origem preserva a dist
ancia dos
vetores para a origem e
tambem o
angulo entre os vetores.

s
)

s
0

E o operador reflex
ao em uma reta pela origem
s

Uma reflex
ao numa reta pela
origem preserva a dist
ancia dos
vetores para a origem e
tambem o
angulo entre os vetores.

s
)

Defini
c
ao 37 (Isometria). Seja V um espaco euclidiano de dimens
ao finita.
Um operador linear T : V V e dito uma isometria se possui a seguinte
propriedade
k T (u) k = k u k,
u V.
Isto e, se preserva a norma dos vetores. Uma tal isometria e tambem
conhecida como operador ortogonal sobre V .
Exemplo: Consideremos a rotacao de um ponto em torno da origem
T : R2 R2
(x, y) 7 (x cos y sen , x sen +y cos )
Onde T (x, y) = (x cos y sen , x sen + y cos ). Utilizando a norma
usual:
(ver eq. (5.7), p. 263)
p
k T (x, y) k = (x cos y sen )2 + (x sen + y cos )2
p
= x2 (cos2 + sen 2 ) + y 2 ( sen 2 + cos2 )
p
= x2 + y 2 = k (x, y) k
301

Proposi
c
ao 22. Toda isometria T : V V e um isomorfismo.
Prova: Inicialmente vamos encontrar o n
ucleo de T , assim:
N (F ) = { u V : T (u) = 0 }
Ent
ao
T (u) = 0 k T (u) k = k 0k = 0 kuk = k T (u) k = 0 u = 0
Logo, N (F ) = { 0 }. O que significa que T e injetora. Como o domnio e
o contradomnio de T tem a mesma dimensao podemos recorrer ao corol
ario
4 (p. 166) para concluir que T e tambem sobrejetora, portanto bijetora. 
Proposi
c
ao 23. Seja T : V V um operador linear sobre um espaco
euclidiano V . Ent
ao s
ao equivalentes as seguintes afirmaco
es:
( I ) T e isometria.
( II ) T transforma bases ortonormais de V em bases ortonormais de V .
( III ) T preserva o produto interno de vetores; isto e,
h T (u), T (v) i = h u, v i,

u, v V.

Prova: ( I ) ( II )
Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V e provemos que
T (B) tambem e uma base ortonormal de V . Como T e injetora, T (B) e B
tem o mesmo n
umero de vetores, digamos:
B = { u1 , u2 , . . . , un }

T (B) = { T (u1 ), T (u2 ), . . . , T (un ) }

Devemos provar que T (B) e um conjunto ortonormal. Da igualdade


(5.10) (p. 265), podemos escrever as duas seguintes
k ui + uj k2 = kui k2 + kuj k2 + 2h ui , uj i
k T (ui ) + T (uj ) k2 = kT (ui )k2 + kT (uj )k2 + 2h T (ui ), T (uj ) i
Como, por hip
otese, T e isometria decorre que os primeiros membros nestas
igualdades s
ao iguais, e, ademais
kT (uk )k = kuk k

(k = 1, 2, . . . , n).

Donde
h T (ui ), T (uj ) i = h ui , uj i = ij
Isto prova que T (B) e um conjunto ortonormal.

302

(eq. (5.36), p. 287)

( II ) ( III )
Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V . Entao, dados
u = 1 u1 + + n un

v = 1 u1 + + n un

Temos
h T (u), T (v) i = h T (1 u1 + + n un ), T (1 u1 + + n un ) i
= h 1 T (u1 ) + + n T (un ), 1 T (u1 ) + + n T (un ) i
Aplicando as propriedades do produto interno, obtemos
h T (u), T (v) i = 1 1 h T (u1 ), T (u1 ) i + + 1 n h T (u1 ), T (un ) i
+

+ n 1 h T (un ), T (u1 ) i + + n n h T (un ), T (un ) i


Decorre da hip
otese que T (B) = { T (u1 ), T (u2 ), . . . , T (un ) } e ortonormal, o que acarreta
h T (u), T (v) i = 1 1 h T (u1 ), T (u1 ) i + + 1 n h T (u1 ), T (un ) i
|
{z
}
{z
}
|
=1

=0

+ n 1 h T (un ), T (u1 ) i + + n n h T (un ), T (un ) i


{z
}
{z
}
|
|
=0

=1

Sendo assim, temos

h T (u), T (v) i = 1 1 + + n n
Por outro lado, um raciocnio an
alogo ao anterior nos fornece
h u, v i = h 1 u1 + + n un , 1 u1 + + n un i = 1 1 + + n n
Logo
( III ) ( I )

h T (u), T (v) i = h u, v i,

u, v V.

Tomando u = v na hip
otese, obtemos
h T (u), T (u) i = h u, u i,

u, v V.

O que nos fornece


p
p
k T (u) k = h T (u), T (u) i = h u, u i = k u k,

303

u V.


Decorre desta proposicao que toda isometria T : V V preserva o


ngulo entre dois vetores; isto e, o angulo entre dois vetores u e v e igual
a
ao
angulo entre suas imagens T (u) e T (v).
(ver eq. (5.35), p. 284)
Exemplo: Se T1 e T2 s
ao isometrias num espaco euclidiano V , mostraremos que a composta T1 T2 tambem o e. Ademais, provaremos que se T
e uma isometria em V , entao T 1 tambem e uma isometria em V .
De fato, ja vimos (p. 207) que a composta de duas transformacoes lineares
continua sendo uma transformacao linear. Por outro lado

k (T1 T2 )(u) k = k T1 T2 (u) k = k T2 (u) k = kuk, u V

na segunda e terceira igualdades usamos a hip


otese de que T1 e T2 s
ao
isometrias. A igualdade acima prova que a composta preserva a norma dos
vetores, portanto e tambem isometria.
Vamos `
a segunda parte. J
a provamos que toda isometria e um isomor1
fismo, logo existe T . Entao
1



T (u) 2 = h T 1 (u), T 1 (u) i = h T T 1 (u) , T T 1 (u) i
= h I(u), I(u) i = h u, u i = kuk2

Observe que na segunda igualdade usamos ( III ) da proposicao 23


tendo em conta que T e ismometria, por hip
otese.
1


Da igualdade acima concluimos que T (u) = kuk, u V . Portanto T 1 tambem preserva a norma e por isso tambem e isometria.
O nome alternativo para uma isometria (operador ortogonal ) decorre
da seguinte proposic
ao
Proposi
c
ao 24. Seja T : V V um operador linear de um espaco euclidiano de dimens
ao finita. Ent
ao T e uma isometria se, e somente se, a
matriz de T em relaca
o a uma base ortonormal e uma matriz ortogonal.
Nota: Uma matriz [ T ] e ortogonal quando sua inversa e igual `a sua
transposta, isto e, [ T ]1 = [ T ]t .
Prova: ( ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V .
Seguindo o algoritmo dado na p. 189 podemos escrever
T (u1 ) = 11 u1 + 21 u2 + + n1 un

T (u2 ) = 12 u1 + 22 u2 + + n2 un
.....................................
T (un ) = 1n u1 + 2n u2 + + nn un

Tomamos o transposto dos coeficientes acima para obter:

11 12 . . . 1n

21 22 . . . 2n
[T ] =

...................
n1

n2

304

...

nn

Em correspondencia aos ndices desta matriz consideremos a seguinte


matriz

h T (u1 ), T (u1 ) i

h T (u1 ), T (u2 ) i . . .

h T (u1 ), T (un ) i

h T (un ), T (u1 ) i h T (un ), T (u2 ) i . . .

h T (un ), T (un ) i

h T (u ), T (u ) i h T (u ), T (u ) i . . . h T (u ), T (u ) i

n
2
1
2
2
2

.......................................................

= In

Nestas condic
oes n
ao e difcil mostrar a seguinte relacao
[ T ]t [ T ] = In
Daqui decorre que [ T ]1 = [ T ]t .
( ) A volta e praticamente o caminho inverso da prova anterior.

Exemplo: A matriz-rotac
ao

[T ] =
e ortogonal, o que significa que
"
[ T ]t =

"

cos sen
sen
cos

cos
sen

sen
cos


(p. 247)

= [ T ]1

Corol
ario: Decorre da proposicao anterior que o determinante de uma
matriz ortogonal e +1 ou 1.
De fato, sendo [ T ] ortogonal, [ T ]t [ T ] = In , logo

det [ T ]t [ T ] = det ( In ) det [ T ]t det [ T ] = 1

Como det [ T ] = det [ T ]t , decorre queremos


det [ T ]

2

=1

305

det [ T ] = 1.

Corol
ario: Dizer que uma matriz real de ordem n e ortogonal significa
que suas colunas formam uma base ortonormal do Rn . Reciprocamente, os
vetores de uma base ortonormal do Rn , em relacao ao produto interno usual,
costituem as colunas de uma matriz ortogonal.
Vejamos o que foi dito acima para o caso n = 2. Consideremos
"
#
a11 a12
M=
a21 a22
uma matriz ortogonal. Consideremos os seguintes vetores


u = (a11 , a21 ), v = (a12 , a22 )

(5.42)

do R2 , formados pelas colunas dessa matriz. Da hip


otese de que a matriz e
ortogonal vale M t M = In ; o que se traduz como

a11 a11 + a21 a21 = 1

#
"
#"
# "

a11 a12 + a21 a22 = 0


a11 a21
a11 a12
1 0

0 1
a12 a22
a21 a22

a12 a11 + a22 a21 = 0

a12 a12 + a22 a22 = 1


Logo

h u, u i = 1,

h u, v i = 0

h v, u i = 0,

h v, v i = 1

Isso mostra que (5.42) e uma base ortonormal do R2 . Para constatar o


Reciprocamente basta seguir o caminho inverso da prova anterior.

[. . .] Sim, de fato ele [Leibniz] percebeu no bit 0 e no bit 1 o poder


combinat
orio para criar o universo inteiro, que e exatamente o que acontece nos modernos computadores digitais eletr
onicos e no restante de
nossa tecnologia de informaca
o digital: CDS, DVDS, c
ameras digitais,
PCS. . . Tudo isso e 0s e 1s, e esta e a nossa imagem do mundo! Voce
combina apenas 0s e 1s e voce consegue tudo. [. . .]
A despeito da crtica de Laplace, a vis
ao de Leibniz, pela qual o mundo
e criado a partir dos 0s e 1s, recusa-se a sair de cena. De fato, ela
comecou a inspirar alguns fsicos contempor
aneos, que provavelmente
nunca ouviram falar de Leibniz.
(Gregory Chaitin/Metamat!/pp. 99-101)

306

5.6.1

Exerccios

1) No espaco Z22 cujos vetores s


ao listados a seguir
01

11

00

10

Z22 = { 00, 10, 01, 11 }


a partir da base B = { 10, 11 } aplique, com o produto interno usual, o
algoritmo de Gram-Schmidt para obter uma base ortonormal.
2) No espaco Z32 cujos vetores s
ao listados a seguir
001

Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 }

011

101

111
000

100

010
110

a partir da base B = { 101, 011, 111 } aplique, com o produto interno usual,
o algoritmo de Gram-Schmidt para obter uma base ortonormal.
3) Calcule o valor de k para que os vetores u = (k + 1, 2) e v = (1, 4)
sejam ortogonais em relac
ao ao produto interno usual de R2 .
4) Calcule o valor de k para que os vetores u = (5, k, 3) e v = (k, 1, 2)
sejam ortogonais em relac
ao ao produto interno usual de R3 .
5) Calcule o valor de k para que os vetores
u = (1, k + 1, k)

v = (k 1, k, k + 1)

sejam ortogonais em relac


ao ao produto interno usual de R3 .
6) Dados V = R2 e o produto interno h u, v i = 2x1 y1 + 3x2 y2 calcule um
vetor unit
ario simult
aneamente ortogonal aos vetores u = (1, 2) e v = (2, 4).
7) Consideremos no espaco V = R2 o produto interno dado por
h u, v i = x1 y1 + 2x2 y2
para vetores arbitrarios u = (x1 , x2 ), v = (y1 , y2 ). Verifique se u e v s
ao
ortogonais, em relac
ao a esse produto, nos seguintes casos:
a ) u = (1, 1) e v = (1, 1);
b ) u = (1, 1)
c ) u = (2, 1)
d ) u = (3, 2)

e v = (2, 1);

e v = (1, 1);

e v = (2, 1).

307

8) Dadas duas matrizes quaisquer




a1 a2
A=
a3 a4

B=

b1
b3

b2
b4

do espaco vetorial V = M22 munido do produto interno


h A, B i = a1 b1 + a2 b2 + a3 b3 + a4 b4
e dados os vetores
A=

1 1
0 1

B=

2 2
1
1

calcule:
a ) kA + Bk;

b ) d(A, B) = kA Bk;

b) o
angulo entre A e B.
9) Em relac
ao ao produto interno do exerccio anterior calcule k de modo
que o
angulo entre os vetores a seguir




1 1
1 1
e B=
A=
2
k
2
1
tenha uma medida de 90o .
10) Dados os polin
omios f (t) = 1 t + t2 Re g(t) = 1 + t no espaco V = P2 ,
1
munido do produto interno h f (t), g(t) i = 0 f (t) g(t) dt calcule:
a ) kf + gk
b ) d(f, g) = kf gk
c ) o angulo entre f e g.

11) Mesmo enunciado do Rexerccio anterior mudando o produto interno para


1
o seguinte h f (t), g(t) i = 1 f (t) g(t) dt.

12) Mostrar que a base can


onica
ao e ortonormal em relacao ao
R 1 de P2 n
produto interno h f (t), g(t) i = 0 f (t) g(t) dt.
13) A partir da base can
onica de P2 obter uma base ortonormal em relacao
ao produto interno
Z 1
f (t) g(t) dt
h f (t), g(t) i =
0

14) Determinar a projecao ortogonal de f (t) = 1 + 2t P2 sobre o subespaco U = [ t ], em relacao ao produto interno
Z 1
f (t) g(t) dt
h f (t), g(t) i =
1

15) Seja V um espaco vetorial euclidiano. Dados u, v V (v 6= 0) e


u, v i
k = hkvk
e ortogonal a v.
2 , mostre que u k v
308

16) Mostre que se u e v s


ao vetores em um espaco vetorial euclidiano tais
que ku + vk = ku vk, ent
ao u e v s
ao ortogonais.

17) Seja B = { (1, 0), (0, 1) } a base can


onica de R2 . Mostre que esta base
n
ao e ortonormal em relac
ao so produto interno de R2 , definido por
h (x1 , x2 ), (y1 , y2 ) i = 2x1 y1 x1 y2 x2 y1 + x2 y2
18) A partir da base can
onica de R2 obter uma base ortonormal em relacao
ao produto interno do exerccio anterior.
19) Determine uma base ortonormal, em relacao ao produto interno can
onico,
3
para o seguinte subespaco de R :
W = { (x, y, z) R3 : x y + z = 0 }
20) Suponha que os vetores u e v s
ao ortogonais. Mostre o teorema de
2
2
2
Pit
agoras: ku + vk = kuk + kvk .
21) Mostre que um produto interno pode ser obtido a partir de uma funcao
norma:

1
h u, v i =
ku + vk2 ku vk2
4
22) A partir da formula anterior obtenha dois produtos internos para os
espacos Z22 e Z32 segundo as normas dadas em (5.20) (p. 273) e (5.25) (p. 276).
23) Calcule o
angulo entre os vetores u = 10 e v = 11 em relacao aos
dois produtos internos obtidos no exerccio anterior. Idem para os vetores
u = 110 e v = 111.
24) Seja V um espaco vetorial euclidiano de dimensao finita. Se W e um
subespaco vetorial de V , mostremos que W = ( W ) .
Solu
ca
o: Devemos mostrar uma igualdade entre dois conjuntos. Mostremos
inicialmente que W ( W ) . Entao, seja w W , temos: h w, u i = 0,
u W . Observe que, por definic
ao,
(p. 298)
( W ) = { v V : h v, u i = 0, u W }
Portanto, w ( W ) . Por outro lado, ja provamos (prop. 21, p. 299) que V e
soma direta de cada um dos seus subespacos com o respectivo complemento
ortogonal, o que nos permite escrever
(eq. (2.13), p. 104)
dim W + dim W = dim V
dim W + dim ( W ) = dim V
Daqui resulta: dim W = dim ( W ) .
Tendo em conta a proposic
ao 8 (p. 99) concluimos que W = W .

309

25) Sejam U e V subespacos de um espaco euclidiano W de dimensao finita.


Provemos que (U + V ) = U V .
Solu
c
ao: Devemos mostrar uma igualdade entre dois conjuntos. Mostremos
inicialmente que (U + V ) U V . Entao, seja w (U + V ) , logo
w e ortogonal a todo vetor u + v U + V . Como s
ao validas as seguintes
inclusoes
U U +V e V U +V
ent
ao w e ortogonal a todo vetor u U e a todo vetor v V , o que implica
u U e u V ; portanto u U V .

Para mostrar a inclusao contr


aria consideremos w U V . Entao w
e ortogonal a todo vetor de U e de V . Agora considere um vetor arbitrario
u + v U + V , ent
ao:
h w, u + v i = h w, u i + h w, v i = 0 + 0 = 0.
Portanto, w (U + V ) , o que conclui a demonstracao.

Entre observaco
es, o eletron espalha-se de acordo com a equaca
o de
Schr
odinger, mas probabilisticamente, em potentia, disse Heisenberg, que
adotou a palavra potentia usada por Arist
oteles. Onde e que existe essa
potentia? Uma vez que a onda de eletron entra imediatamente em colapso quando a observamos, a potentia n
ao poderia existir no domnio
material do espaco-tempo. Nessa dimens
ao, todos os objetos tem que obedecer ao limite de velocidade einsteiniano, lembram-se? Em vista disso,
o domnio da potentia deve situar-se fora do espaco-tempo. A potentia
existe em um domnio transcendente da realidade. Entre observaco
es, o
eletron existe como uma forma de possibilidade, tal como um arquetipo
plat
onico, no domnio transcendente da potentia.
Eletrons s
ao remotos demais da realidade pessoal comum. Suponhamos que perguntamos: a Lua est
a l
a em cima quando n
ao a olhamos?
Na medida em que ela e, em u
ltima an
alise, um objeto qu
antico (sendo
composta inteiramente de objetos qu
anticos), temos que responder que
n
ao ou assim diz o fsico David Mermim. Entre observaco
es, a Lua
existe tambem como uma forma de possibilidade em potentia transcendente.
(Amit Goswami/O Universo Autoconsciente, p. 84)

310

5.7

Operadores Autoadjuntos

A fsica (mec
anica quantica) e a engenharia eletrica (sistemas de comunicacao) s
ao dois ramos da ciencia nos quais os espacos vetoriais comparecem
com bastante frequencia. Em particular, os operadores autoadjuntos e os
espacos hermitianos vistos oportunamente s
ao dois topicos de grande
interesse nessas disciplinas.
Defini
c
ao 38. Seja V um espaco vetorial euclidiano. Um operador T : V
V se diz autoadjunto se
h T (u), v i = h u, T (v) i,

u, v V.

Exemplo: Considere o operador linear


T : R2 R2 ,

T (x, y) = (2x + 4y, 4x y)

Sejam u = (1, 1) e v = (0, 1), entao:


T (u) = T (1, 1) = 2 1 + 4 (1), 4 1 (1) = (2, 5)
T (v) = T (0, 1) = ( 2 0 + 4 1, 4 0 1 ) = (4, 1)

Com o produto interno usual, temos


h T (u), v i = h (2, 5), (0, 1) i = 2 0 + 5 1 = 5
h u, T (v) i = h (1, 1), (4, 1) i = 1 4 + (1) (1) = 5
Tomando vetores u = (a, b) e v = (c, d) arbitrarios em R2 n
ao e difcil
provar que T e autoadjunto.
Por outro lado, observe que a matriz can
onica de T
#
"
2
4
[T ] =
4 1
e simetrica, isto e, [ T ] = [ T ]t . Este e um caso particular do seguinte
resultado
Proposi
c
ao 25. Seja V um espaco euclidiano de dimens
ao finita. Ent
ao,
um operador T : V V e autoadjunto se, e somente se, a matriz de T em
relaca
o a uma base ortonormal de V e simetrica.
Nota: Como se ve, os operadores autoadjuntos admitem uma caracterizacao matricial bastante simples.
311

Prova: ( ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V . Por


hip
otese
h T (ui ), uj i = h ui , T (uj ) i,
1 i, j n.
(5.43)
Consideremos que a matriz de T na base B e [ T ]B = (aij ), entao

T (un ) = a1n u1 + a2n u2 + + ann un

T (u2 ) = a12 u1 + a22 u2 + + an2 un


....................................

T (u1 ) = a11 u1 + a21 u2 + + an1 un

T (ui ) =

n
X

aki uk

n
X

atj ut

(p. 189)

k=1

i = 1, 2, ... , n

De igual modo

T (un ) = a1n u1 + a2n u2 + + ann un

T (u2 ) = a12 u1 + a22 u2 + + an2 un


....................................

T (u1 ) = a11 u1 + a21 u2 + + an1 un

T (uj ) =

t=1

j = 1, 2, ... , n

Substituindo estes somat


orios em (5.43), obtemos
n
DX
k=1

aki uk , uj

ui ,

n
X
t=1

E
atj ut ,

1 i, j n.

(5.44)

Observe que em correspondencia `a matriz dos ndices i e j:


(1, 1)

(1, 2) . . . (1, n)

(2, 1) (2, 2) . . . (2, n)


..........................
(n, 1) (n, 2) . . . (n, n)
Obtemos
n
DX

ak1 uk , u2

...

n
DX

ak2 uk , u2

...

n
E DX

akn uk , u2

...

ak1 uk , u1

n
DX

ak2 uk , u1

n
DX

akn uk , u1

k=1

k=1

n
DX

k=1

k=1

n
DX

ak1 uk , un

n
DX

ak2 uk , un

n
DX

akn uk , un

k=1

k=1

.............................................................

k=1

k=1

312

k=1

para o lado esquerdo da igualdade (5.44). Para o lado direito da mesma


igualdade temos
n
n
n
E
E
D
E D
D
X
X
X
atn ut
...
u1 ,
at2 ut
u1 ,
at1 ut
u1 ,
u2 ,

un ,

t=1

t=1

t=1

n
X

at1 ut

n
X

at1 ut

t=1

u2 ,

E D

un ,

n
X

at2 ut

n
X

at2 ut

t=1

...

...

u2 ,

un ,

n
X

atn ut

n
X

atn ut

t=1

..........................................................

t=1

t=1

t=1

Como a base B = { ui } e ortonormal obtemos para estas duas matrizes


a11 a21 . . . an1
a12 a22 . . . an2
...................
a1n a2n . . . ann

a11 a12 . . . a1n


a21 a22 . . . a2n
...................
an1 an2 . . . ann

respectivamente. Por (5.44) estas duas matrizes s


ao iguais, logo aji = aij
para 1 i, j n., isto e, [ T ]B e simetrica.
( ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V e, ainda por
hip
otese, consideremos [ T ]B simetrica.
Pois bem, como a base B e ortonormal, como antes, temos

Logo

h T (ui ), uj i = aji

e h ui , T (uj ) i = aji ,

h T (ui ), uj i = h ui , T (uj ) i,

1 i, j n.

Considerando vetores arbitrarios u, v V :

u = 1 u1 + 2 u2 + + n un =

n
X

i ui

v = 1 u1 + 2 u2 + + n un =

n
X

j uj

teremos
h T (u), v i =
=

1 i, j n.

n
DX

i T (ui ),

i=1

n X
n
X
i=1 j=1

n
X
j=1

j uj

i j hui , T (uj )i =

n
n X
X
i=1 j=1

n
DX
i=1

i=1

j=1

i j hT (ui ), uj i

i ui ,

n
X
j=1

E
j T (uj ) = hu, T (v)i


313


U
U
Na sec
ao 4.2 (p. 203) provamos que L V , +, = LV e um espaco vetorial
facil mostrar que o conjunto dos operadores autoadjuntos de
sobre R. E
V
V e um subespaco vetorial de LV . De fato, se T1 e T2 s
ao operadores
autoadjuntos de V , ent
ao T1 + T2 tambem e, veja:
h (T1 + T2 )(u), v i = h T1 (u) + T2 (u), v i
= h T1 (u), v i + h T2 (u), v i
= h u, T1 (v) i + h u, T2 (v) i
= h u, T1 (v) + T2 (v) i = h u, (T1 + T2 )(v) i
Deixamos como exerccio ao leitor provar que se T e autoadjunto e R
ent
ao T tambem e autoadjunto.
Fixando uma base ortonormal B no espaco vetorial V , consideremos a
aplicac
ao
V

T : L V Mn (R)
7 [ T ]B
T
V

que a cada operador autoadjunto T L V associa sua matriz com respeito `a


base B. Por exemplo,
V

L V , +,
T :

R2
(x, y)

M2 (R), +,
"

R2
(2x+4y, 4xy)

2
4
4 1

A transformac
ao T e linear e injetora (prove isto), e, tendo em conta a
proposic
ao 25, concluimos que T e um isomorfismo do espaco dos operadores
autoadjuntos no espaco das matrizes simetricas de ordem n sobre R.
Esse isomorfismo tem como consequencia que os operadores autoadjuntos
podem ser identificados com as matrizes simetricas.

O matem
atico Roger Penrose argumenta que o raciocnio algortmico,
semelhante ao que faz o computador, n
ao basta para permitir a descoberta
de teoremas e axiomas matem
aticos. [. . .]
Outra capacidade importate da mente humana, que parece estar alem
do alcance de um computador de silcio, e a criatividade.
(O Universo Autoconsciente, p. 41, 42)

314

5.7.1

Exerccios

26) Ache os valores de x e y tais que

x y
1 0

seja ortogonal.

27) Para cada uma das matrizes simetricas A dadas abaixo, determine uma
matriz ortogonal P tal que P t A P e diagonal:






1
2
5
4
6
5
a) A =
b) A =
c) A =
2 2
4 1
5 1
28) Considere a seguinte matriz

12

0
A=

1
2

0
1
2

Mostre que os vetores formados pelas colunas de A formam uma base ortonormal do R3 .
29) No espaco R3 com o produto interno usual considere o operador T : R3
R3 dado por
T (x, y, z) = (2x + 2z, x + z, x + z)
A matriz de T em relac
ao `
a base B = { (1, 1, 0), (1, 0, 0), (0, 0, 1) } e

1 1 1

A= 1 1 1
1 1 1

simetrica. Mostre que T n


ao e autoadjunto. Tendo em conta que B n
ao e
ortonormal conclua da que na proposicao 25 a hip
otese de que a base seja
ortonormal e imprescindvel.
30) Seja T um operador autoadjunto de um espaco euclidiano V . Se
h T (u), u i = 0
para todo u V , mostre que T = 0.
31) Mostre que o produto e que a inversa de matrizes ortogonais s
ao ortogonais.
32) Suponha que T1 e T2 s
ao autoadjuntos. Mostre que T1 T2 e autoadjunto se e s
o se T1 e T2 comutam, isto e, T1 T2 = T2 T1 .
V

33) Seja T L V um automorfismo. Se T e autoadjunto, mostre que T 1


tambem o e.

315

34) Seja T um operador autoadjunto de um espaco euclidiano V . Se U e


um subespaco vetorial de V com a propriedade
u U T (u) U
mostre que U tambem tem essa propriedade.
35) Mostre que se T : R2 R2 e uma transformacao ortogonal sua matriz
em relac
ao `
a base can
onica s
o pode ser da forma:
#
#
"
"
cos
sen
cos sen
ou B =
A=
sen cos
sen
cos
Sugestao: Tome em consideracao que T preserva a norma dos vetores.
Se a matriz de T for da forma dada por A entao T"ser
a uma# rotacao de
1
0
e a matriz
um
angulo (p. 247). Mostre que B = A J, onde J =
0 1
em relac
ao `
a base can
onica de reflexao no eixo dos x (p. 238).
Usando composic
ao de funcoes conclua que se a matriz da transformacao
T for da forma dada por B, entao T ser
a uma reflexao atraves de uma reta
que passa pela origem.
P
36) Considere o R3 com o produto interno h u, v i = 3i, j=1 aij xi yj , onde

2 1 0

A= 1 2 0
0 1 4

Calcule os cossenos dos angulos entre os vetores da base can


onica do R3 .
Nota: u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ).

Quando convers
avamos com Hermite sobre matem
atica, ele nunca
invocava uma ideia concreta e logo percebamos que a mais abstrata das
ideias do conhecimento matem
atico, para ele e como se fossem criaturas
vivas e presentes no dia-a-dia de todos n
os.
(Poincar
e)

316

5.8

Espa
cos Vetoriais Complexos

A presente sec
ao e uma especie de pre-requisito para o pr
oximo captulo.
Ate agora temos dado enfase aos espacos vetoriais reais que, lembramos, s
ao
os espacos tendo como escalares os n
umeros reais (K = R). Agora estaremos
interessados nos espacos complexos, isto e, nos espacos onde os escalares
s
ao n
umeros complexos (K = C).
Exemplo: Consideremos V = Cn e K = C e definamos
(z1 , z2 , . . . , zn ) + (w1 , w2 , . . . , wn ) = (z1 + w1 , z2 + w2 , . . . , zn + wn , )
(z1 , z2 , . . . , zn ) = ( z1 , z2 , . . . , zn )
Onde zi , wi e s
ao n
umeros complexos. Estas operacoes satisfazem todos
os requisitos para que ( Cn , +, ) seja um espaco vetorial sobre C. Sendo
assim os elementos de Cn adquirem o status de vetores.
Exemplo: Considere os vetores u = ( 1 + 2 i, 4 i, 2 ), v = ( 2 i, 3, 4 i )
em C3 e o escalar = 1 i em C, temos:
u + v = ( 1 + 2 i, 4 i, 2 ) + ( 2 i, 3, 4 i )

= (1 + 2 i) + (2 i), (4 i) + 3, 2 + 4 i = ( 3 + i, 7 i, 2 + 4 i )

Tambem

u = (1 i) ( 1 + 2 i, 4 i, 2 ) = (1 i)(1 + 2 i), (1 i)(4 i), (1 i)2


= ( 3 + i, 3 5 i, 2 2 i )

Os espacos vetoriais complexos aparecem com frequencia nas aplicacoes


pr
aticas, por exemplo na resoluc
ao de equacoes diferenciais as quais, por
sua vez, comparecem em muitos ramos do conhecimento.
A raz
ao principal para lidarmos com espacos complexos e que eles s
ao
imprescindveis na prova de muitos teoremas , em funcao de que o corpo dos
n
umeros complexos, C, e alg
ebricamente fechado o que tem como consequencia que os polin
omios com coeficientes complexos podem ser fatorados
em fatores lineares. O corpo R dos n
umeros reais n
ao possui esta importante propriedade. Como um simples exemplo do que estamos afirmando,
observe:
x2 + 1 = (x + i)(x i)

em C

x2 + 1 = (x + ?)(x ?)

em R (Nao se fatora).

No pr
oximo captulo teremos oportunidade de ver que isso faz toda a diferenca
entre os espacos (reais e complexos).

Por exemplo na resoluc


ao da equac
ao de Schr
oedinger da mec
anica qu
antica (p. 112).
Mesmo teoremas referentes a espacos vetoriais reais.

317

5.8.1

Espacos Hermitinianos

Vimos que ao definirmos produto interno em um espaco vetorial essa


estrutura foi substancialmente enriquecida, podemos dizer que seu potencial
de aplicabilidade foi multiplicado por um fator de 10.
Vejamos porque a definicao 29 (p. 258), de produto interno, n
ao pode ser
diretamente transplantada para os espacos vetoriais complexos.
Consideremos os seguinte vetores u 6= 0 e w = i u; por ( d ) devemos
ter h u, u i > 0, por outro lado,
h w, w i = h i u, i u i = i h u, i u i = i h i u, u i = i i h u, u i = 1 h u, u i < 0
uma flagrante incompatibilidade. Este resultado justifica uma nova definicao
de produto interno para espacos vetoriais complexos.
Defini
c
ao 39 (Produto Interno Complexo). Seja V um espaco vetorial soo F que transforma
bre C. Um produto interno sobre V e uma aplicaca
cada par ordenado (u, v) V V em um n
umero complexo (que indicaremos
por h u, v i), isto e:
h, i : V V

(u, v) 7 h u, v i

desde que as seguintes condico


es sejam satisfeitas:
( a ) h u + v, w i = h u, w i + h v, w i,

u, v, w V ;

( b ) h u, v i = h u, vi,

C e u, v V ;

h u, v i = h v, u i,

u, v V ;

( d ) h u, u i > 0,

u 6= 0.

Nota: a barra em ( c ) denota o complexo conjugado.


Um espaco vetorial complexo munido de um produto interno recebe o
nome de Espa
co Hermitiniano.
Exemplo:
Consideremos V = Cn e u = (z1 , z2 , . . . , zn ) e v = (w1 , w2 , . . . , wn )
vetores neste espaco, entao a aplicacao dada por
(u, v) 7 h u, v i = z1 w1 + z2 w2 + + zn wn

(5.45)

define o chamado produto interno usual de Cn . A norma de um vetor e


definida como no caso real, assim:
p
p
p
kuk = h u, u i = z1 z1 + z2 z2 + + zn zn = |z1 |2 + |z2 |2 + + |zn |2
318

Exemplo: Considere os vetores u = ( 1 + 2 i, 4 i, 2 ) e v = ( 2 i, 3, 4 i )


em C3 . Ent
ao
h u, v i = (1 + 2 i) ( 2 i ) + (4 i) 3 + 2 4 i
= (1 + 2 i) (2 + i) + (4 i) 3 + 2 (4 i) = 12 6 i
e
p
|z1 |2 + |z2 |2 + |z3 |2
p
= |1 + 2 i|2 + |4 i|2 + |2|2
q p
p

= ( 12 + 22 )2 + ( 42 + (1)2 )2 + 4 = 26

kuk =

Destacamos agora uma importante consequencia da definicao de produto


interno complexo
h u, v i = h v, u i = h v, u i = h v, u i = h u, v i = h u, v i
O que significa que devemos tomar o conjugado de um n
umero complexo
quando o retiramos da segunda posicao de um produto interno.
Vamos mostrar que a transformacao dada por (5.45) satisfaz a exigencia
( c ) para produto interno. De fato, inicialmente observe que
h u, v i = z1 w1 + z2 w2 + + zn wn
h v, u i = w1 z1 + w2 z2 + + wn zn
Entao
h v, u i = ( w1 z1 + w2 z2 + + wn zn )
= w1 z1 + w2 z2 + + wn zn
= z1 w1 + z2 w2 + + zn wn = h u, v i
Finalmente, observamos que num espaco hermitiniano alem da norma de
um vetor definimos os conceitos de ortogonalidade, complemento ortogonal
e conjuntos ortogonais e ortonormais como antes. A bem da verdade, as
definicoes de dist
ancia, coeficientes de Fourier e projecao s
ao as mesmas que
as do caso real.
Ademais, importantes resultados obtidos, tais como a desigualdade de
Cauchy-Schwarz e o algoritmo de Gram-Schimidt tambem continuam validos
num espaco hermitiniano.
319

O Desafio do Seculo
Um desafio dirigido preferencialmente aos estudantes de ciencia da
computac
ao, mas n
ao apenas a estes. Nao fazemos discriminacao.
Nos livros de C
alculo I constam algumas formulas (deduzidas a duras
penas) para se encontrar a soma de potencias dos n primeiros n
umeros
naturais, por exemplo:
1 + 2 + 3 + + n =

n(n + 1)
2

Ou ainda
12 + 22 + 32 + + n2 =

n(2n + 1)(n + 1)
6

13 + 23 + 33 + + n3 =

n2 (n + 1)2
4

Ou ainda

No entanto, n
ao existe uma formula para uma potencia arbitraria.
O Desafio: faca um programa no qual entramos (apenas) com a potencia
m e o mesmo saia com a f
ormula correspondente:
1m + 2m + 3m + + nm = ?
Nota: m e um inteiro positivo arbitrariamente fixado. Por exemplo, se
entrarmos com m = 2, teremos

m=2

Programa

n(2n+1)(n+1)
6

Faca o programa na linguagem de sua preferencia deixamos livre.

Nota: Tente resolver o desafio, de preferencia sem nenhuma ajuda minha.


As possveis soluc
oes devem ser enviadas para: gentil.silva@gmail.com

Uma curiosidade: Se o eminente matem


atico Gauss vivesse nos dias
atuais, e, se eu quisesse mante-lo ocupado por algum tempo, ser
a que ele
resolveria este desafio antes de Jesus voltar?
O arquivo .pdf deste desafio encontra-se disponvel em:
www.profgentil.com.br
Prof. Gentil, o taumaturgo
Boa Vista, RR/17.05.2013
320

Captulo

AUTOVALORES E
AUTOVETORES
O algoritmo PageRank, inventado pela empresa Google, permite
ao computador saber qual
e o site mais importante quando uma busca

e realizada pelo usu


ario. O algoritmo cria matrizes constitudas por
dados que mostram o quanto um site
e indicado por outro site, por
exemplo. Uma parte decisiva do algoritmo envolve a busca de autovalores.

6.1

Vetor Pr
oprio e Valor Pr
oprio

Introduc
ao: Na resolucao da equacao de Schrodinger (p. 112) chegamos
`a seguinte equac
ao
H =

(6.1)

onde H e um operador, um vetor (em um espaco de funcoes) e um


escalar, representando a energia do sistema um atomo por exemplo. Alem
da fsica quantica esse tipo de equacao comparece em varios outros ramos,
como por exemplo, na resoluc
ao de equacoes diferenciais, no estudo dos
fenomenos de vibrac
oes e na an
alise de estabilidade de um aviao.
Spectrum e uma palavra latina que significa
imagem. Quando
atomos vibram, eles emitem
luz. Quando a luz passa atraves de um prisma, ela
se espalha em um espectro uma faixa de cores do
arco-ris. As freq
uencias de vibraca
o correspondem aos autovalores de um certo operador e s
ao
visveis como retas brilhantes em um espectro de luz emitido atraves de um
prisma. Podemos literalmente ver os autovalores de um
atomo em seu espectro, e, por essa raz
ao, e razo
avel que a palavra spectrum seja usada para
designar o conjunto dos autovalores de uma matriz (ou operador).
([6], p. 356)

321

A equac
ao (6.1) est
a contemplada no contexto da algebra linear pela
Defini
c
ao 40. Seja V um espaco vetorial e seja T : V V um operador
linear sobre o corpo K. Um vetor u V , u 6= 0, e um vetor pr
oprio de T
se existe um escalar tal que T (u) = u. Neste caso dizemos que e um
valor pr
oprio de T associado a u.
Nota: Um vetor pr
oprio, e conhecido tambem como autovetor ou
vetor caracterstico e um valor pr
oprio, e conhecido tambem como autovalor ou valor caracterstico.
Quando existe um vetor n
ao nulo u tal que T (u) = u, dizemos que o
autovalor correponde (ou est
a associado) ao autovetor u e, vice-versa, que
o autovetor u corresponde (ou est
a associado) ao autovalor .
Exemplos: Vamos encontrar os vetores pr
oprios (caso existam) de algumas
das transformac
oes geometricas vistas na secao 4.6.
1 ) Reflex
ao em torno do eixo dos x

(p. 238)
y

T :

R2

R2

(x, y) 7 (x, y)

s (x, y)

ou T (x, y) = (x, y)

s (x, y)

Procuramos os vetores u = (x, y) R2 tais que T (u) = u, para algum


R. Ent
ao
T (u) = u T (x, y) = (x, y)
como T (x, y) = (x, y), temos

(x, y) = (x, y)

x = x

(6.2)

y = y

Da primeira equac
ao obtemos = 1, que satisfar
a a segunda somente se
y = 0. Sendo assim, temos
T (x, 0) = (x, 0) = 1 (x, 0)
Desta forma todo ponto do eixo x exceto a origem e um vetor pr
oprio
do operador T com autovalor = 1. Mas, tem mais: Se na primeira equacao
de (6.2) considerarmos x = 0 temos que = 1 satisfaz a segunda. Sendo
assim, temos
T (0, y) = (0, y) = 1 (0, y)

Desta forma todo ponto do eixo y exceto a origem e um vetor pr


oprio
do operador T com autovalor = 1.
322

2 ) Reflex
ao em torno da origem

(p. 239)
y

T :

R2

R2

(x, y) 7 (x, y)

s(x, y)
x

ou T (x, y) = (x, y)
(x, y)

Procuramos os vetores u = (x, y) R2 tais que T (u) = u, para algum


R. Ent
ao
T (u) = u T (x, y) = (x, y)

como T (x, y) = (x, y), temos

(x, y) = (x, y)

x = x
y = y

Observamos que = 1 satisfaz o sistema acima para todo (x, y) R2 .


Sendo assim, temos
T (x, y) = (x, y) = 1 (x, y)
Desta forma todo vetor do R2 exceto a origem e um vetor pr
oprio
do operador T com autovalor = 1.
3 ) Reflex
ao em torno da reta y = x

(p. 239)

y=x

y
(y, x)

T :

R2

R2

(x, y) 7 (y, x)

s (x, y)
x

ou T (x, y) = (y, x)

Procuramos os vetores u = (x, y) R2 tais que T (u) = u, para algum


R. Ent
ao
T (u) = u T (x, y) = (x, y)

como T (x, y) = (y, x), temos

(y, x) = (x, y)
323

x = y

y = x

Substituindo o y da primeira equacao na segunda temos


( x) = x (2 1) x = 0
Se x = 0, substituindo na primeira equacao do sistema encontramos y = 0,
n
ao vale pois um autovetor e sempre diferente de 0, por definicao. Agora
temos de considerar = 1. Substituindo no sistema temos
=1 y=x

= 1 y = x

Sendo assim todo ponto sobre a reta y = x e um autovetor com autovalor


= 1 e todo ponto sobre a reta y = x e um autovetor com autovalor
= 1.
(com exceca
o da origem)
4 ) Cisalhamento na dire
c
ao do eixo dos x

(p. 242)

F
T :

R2

R2

(x, y) 7 (x + y, y)

ou T (x, y) = ( x + y, y) , R.

Procuramos os vetores u = (x, y) R2 tais que T (u) = u, para algum


R. Ent
ao
T (u) = u T (x, y) = (x, y)
como T (x, y) = ( x + y, y), temos
( x + y, y) = (x, y)

x = x +y
y = y

Se = 0 temos o operador identidade e e facil ver que todo vetor do R2


exceto a origem e um autovetor com autovalor = 1.
Se 6= 0 o sistema e satisfeito por y = 0 e = 1, neste caso temos
T (x, 0) = ( x + 0, 0) = 1 ( x, 0)
O que significa que todo ponto do eixo x exceto a origem e um autovetor
com vetor pr
oprio = 1.

324

5 ) Rota
c
ao de 90o em torno da origem

(p. 247)

R
T (x, y)

T : R2 R2
(x, y) 7 (y, x)

(x, y)

ou T (x, y) = (y, x)

Procuramos os vetores u = (x, y) R2 tais que T (u) = u, para algum


R. Ent
ao
T (u) = u T (x, y) = (x, y)
como T (x, y) = (y, x), temos
(y, x) = (x, y)

x = y
y = x

Substituindo o y da primeira equacao na segunda temos


( x) = x (2 + 1) x = 0
Se x = 0, substituindo na primeira equacao do sistema encontramos y = 0,
n
ao vale pois um autovetor e sempre diferente de 0, por definicao. Como
2 + 1 = 0 n
ao possui soluc
ao nos reais concluimos que o operador em
questao n
ao admite vetores pr
oprios.
Como se ve, nem todo operador linear possui autovetores e autovalores.
6 ) Proje
c
ao no plano xy
z

T : R3 R3
(x, y, z) 7 (x, y, 0)

t(x, y, z)

ou T (x, y, z) = (x, y, 0)
sT (x, y, 0)
x

Procuramos os vetores u = (x, y, z) R3 tais que T (u) = u, para


algum R. Ent
ao
325

T (u) = u T (x, y, z) = (x, y, z)


como T (x, y, z) = (x, y, 0), temos

x = x

(x, y, 0) = (x, y, z)
y = y

z = 0

Para = 1 e z = 0, temos

u = (x, y, 0) T (x, y, 0) = (x, y, 0) = 1 (x, y, 0)


O que significa que todo vetor do plano xoy exceto a origem e um vetor
pr
oprio deste operador com valor pr
oprio = 1.
Podemos ter ainda = 0, z 6= 0 e x = y = 0; o que implica
u = (0, 0, z) T (0, 0, z) = (0, 0, 0) = 0 (0, 0, z)
O que significa que todo vetor do eixo z exceto a origem e um vetor
pr
oprio deste operador com valor pr
oprio = 0.

6.1.1

Propriedades dos vetores pr


oprios e valores pr
oprios

P1 ) O valor pr
oprio associado ao vetor pr
oprio u de um operador T e
univocamente determinado por T e u.
De fato, digamos que existam dois valores pr
oprios associado a um u
nico
vetor pr
oprio, ent
ao
T (u) = u = u ( ) u = 0 = 0 = .
P2 ) Se u e um vetor pr
oprio associado ao valor pr
oprio de um operador
linear T , ent
ao o vetor u, para qualquer 6= 0, e tambem vetor pr
oprio
de T associado ao mesmo .
De fato, por hip
otese, T (u) = u e, por ser T linear, T ( u) = T (u),
ent
ao
T ( u) = ( u) T ( u) = ( u)
E isto prova que o vetor u e vetor pr
oprio associado ao mesmo valor pr
oprio
. Essa propriedade pode ser confirmada em todos os exemplos vistos anteriormente.
P3 ) Se e um valor pr
oprio do operador linear T : V V , entao o subconjunto
U() = { u V : T (u) = u }
326

e um subespaco vetorial de V . Ou seja, o conjunto de todos os vetores


pr
oprios associados a um mesmo valor pr
oprio e mais o vetor nulo e
um subespaco.
De fato, sejam u1 e u2 U() , entao
T (u1 + u2 ) = T (u1 ) + T (u2 ) = u1 + u2 = (u1 + u2 )
e, portanto, u1 + u2 U() .
Sejam agora, u U() e R, arbitrarios, entao
T ( u) = T (u) = ( u) = ( u)
e, portanto, u U() .
O subespaco u U() chama-se o subespaco pr
oprio de .
Observe que as provas continuam as mesmas se o corpo de escalares for
os Complexos.
A ttulo de ilustrac
ao vamos exibir geometricamente os subespacos U()
para os exemplos vistos anteriormente.
1 ) Reflex
ao em torno do eixo dos x

(p. 322)

U(1) #

s (x, y)
x

T
0

U(1)

s (x, y)

2 ) Reflex
ao em torno da origem

(p. 323)

R
y

s(x, y)
x

(x, y)

327

U(1)

3 ) Reflex
ao em torno da reta y = x

(p. 323)

R
y=x

y
(y, x)

U(1)

U(1)
s (x, y)
x

4 ) Cisalhamento na dire
c
ao do eixo dos x
y

(p. 324)

U(1)

Nota: Consideramos apenas o caso 6= 0.


5 ) Rota
c
ao de 90o em torno da origem

(p. 325)

T (x, y)

s
(x, y)

t
0

328

U() = { 0 }

6 ) Proje
c
ao no plano xy

(p. 325)

U(0) #
t(x, y, z)

sT (x, y, 0)

U(1)

6.1.2

Polin
omio Caracterstico

Tivemos oportunidade de observar que o calculo dos autovalores e autovetores de um operador, a partir da definicao, resultou assaz trabalhoso;
nosso objetivo agora ser
a desenvolver um metodo pr
atico mais eficiente
para efetuar tais c
alculos.

Determina
c
ao dos valores pr
oprios

Seja o operador linear T : R3 R3 , cuja matriz can


onica e dada por

a11 a12 a13

A = a21 a22 a23


a31

a32

a33

isto e, A = [ T ].
Se u e s
ao, respectivamente, vetor pr
oprio e o correspondente valor
pr
oprio do operador T , a equac
ao T (u) = u toma a seguinte forma matricial:
[ T ] u = u,
(u e um vetor-coluna 3 1)
Ou ainda: A u u = 0.

x

Considerando u = y , por exemplo; observe que
z

1 0 0


0 1 0 y = y
z
z
0 0 1
329

Iu = u

Sendo assim, temos


Au u = 0

A u (Iu) = 0

(A I ) u = 0

Observe que esta u


ltima equacao equivale a um sistema homog

eneo. Para
0
x


que esse sistema admita solucoes n
ao nulas, isto e: u = y 6= 0
0
z
devemos ter

a11 a12 a13


1 0 0

det (A I ) = 0 det a21 a22 a23 0 1 0 = 0


a31

Ou ainda:

a11

det a21
a31

a32

a12
a22
a32

0 0 1

a33

a13
a23
a33

=0

Generalizando essa introducao temos a seguinte


Defini
c
ao 41 (Polin
omio caracterstico de uma matriz). Dada uma matriz
omio caractersA = (aij ) de ordem n (real ou complexa), chama-se polin
tico de A o seguinte polin
omio em , de grau n:

a11
a12
...
a1n

a
a22
...
a2n

P (A) = det 21
= det (A In )
.....................................
an1

an2

...

ann

Uma importante propriedade das matrizes semelhantes e dada na


Proposi
c
ao 26. Matrizes semelhantes tem o mesmo polin
omio caracterstico.
Prova: Sejam A e B matrizes semelhantes. Pela definicao 26
existe uma matriz inversvel P de modo que P 1 A P = B, entao

(p. 231)

P (A) = det (A In ) = det (P B P 1 In )


= det (P B P 1 P In P 1 )

= det P (B In ) P 1

= det P det (B In ) det P 1


= det (B In ) = P (B)

330

Defini
c
ao 42 (Polin
omio caracterstico de um operador). Seja T : V V
um operador linear sobre um espaco vetorial de dimens
ao n. Chama-se
polin
omio caracterstico de T o polin
omio caracterstico da matriz de T
em relaca
o a qualquer base de V .
Observe que a proposic
ao 26, juntamente com a proposicao 15
nos assegura a validade desta definicao.

(p. 232),

Proposi
c
ao 27. Seja T : V V um operador linear sobre um espaco
vetorial sobre o corpo K (K = R ou K = C) de dimens
ao n. Ent
ao os
valores pr
oprios de T s
ao as razes do polin
omio caracterstico de T .
Prova: Consideremos as seguintes equivalencias

T (u) = u
T (u) u = 0 (T I)(u) = 0

esta u
ltima equac
ao implica em que o autovetor u pertence ao n
ucleo do
operador (T I). Em smbolos
T (u) = u u Ker (T I)

(6.3)

Como deve ser u 6= 0 isto implica que devemos ter Ker (T I) 6= { 0 }.


Pela proposic
ao 11 (p. 157) a transformacao (T I) n
ao e injetora; ou ainda,
n
ao possui inversa n
ao e inversvel. Logo, det (T I)=0.
(p. 234)
Como, por definic
ao

det (T I) = det ([ T ] I)
a proposic
ao est
a provada.

Valores pr
oprios e vetores pr
oprios de uma matriz
Assim como definimos valores e vetores pr
oprios de um operador, de
modo an
alogo podemos definir valores e vetores pr
oprios de uma matriz. Se
A e uma matriz quadrada de ordem n, real ou complexa, chama-se vetor
pr
oprio de A toda matriz

x1

x2

X= .
6= 0
..
xn

tal que

AX = X

(6.4)

Doravante estaremos utilizando a seguinte notac


ao para o n
ucleo de um operador T :
Ker (T ). A palavra Kernel deriva do termo cyrnel, do ingles antigo, significando semente.

331

onde e chamado valor pr


oprio de A. Para encontrar os autovalores de
uma matriz, de modo an
alogo ao caso dos operadores, devemos resolver a
equac
ao
det (A In ) = 0
A ttulo de ilustrac
ao da proposicao 27 vamos calcular os valores pr
oprios
dos exemplos vistos no incio.
1 ) Reflex
ao em torno do eixo dos x
Nesse caso a matriz do operador na base can
onica e


1
0
[T ] =
0 1

(p. 238)

Ent
ao
(T I) =

1
0
0 1

1 0
0 1

Logo
det (T I) = 0

det

o que nos fornece

1
0

1
0

(1 ) (1 ) = 0

0
1

0
1

=0

= 1

O que concorda com os resultados obtidos anteriormente.

(p. 322)

2 ) Reflex
ao em torno da origem
Nesse caso a matriz do operador na base can
onica e


1
0
[T ] =
0 1

(p. 239)

Ent
ao
(T I) =

1
0
0 1

1 0
0 1

1
0

0
1

Logo
det (T I) = 0

det

1
0

0
1

(1 + )2 = 0

=0

o que nos fornece


(1 ) (1 ) = 0

O que concorda com o resultado obtido anteriormente.

332

= 1
(p. 323)

3 ) Reflex
ao em torno da reta y = x
Nesse caso a matriz do operador na base can
onica e


0 1
[T ] =
1 0
Entao
(T I) =

0 1
1 0

Logo
det (T I) = 0

1 0
0 1

det

(p. 239)

1
1

=0

o que nos fornece


2 1 = 0

= 1

O que concorda com o resultado obtido anteriormente.

(p. 323)

4 ) Cisalhamento na dire
c
ao do eixo dos x

(p. 242)

Nesse caso a matriz do operador na base can


onica e


1
[T ] =
0 1
Entao
(T I) =

1
0 1

1 0
0 1

Logo
det (T I) = 0

det

1
0

1
0

1


=0

o que nos fornece


(1 )2 = 0

=1

O que concorda com o resultado obtido anteriormente.

(p. 324)

5 ) Rota
c
ao de 90o em torno da origem
Nesse caso a matriz do operador na base can
onica e


0 1
[T ] =
1
0

(p. 247)

Entao
(T I) =

0 1
1
0

333

1 0
0 1

Logo
det (T I) = 0

det

o que nos fornece


2 + 1 = 0

S = { },

=0

(em R)

O que concorda com o resultado obtido anteriormente.

(p. 325)

Nota: Nesse exemplo estamos considerando o espaco vetorial V sobre o corpo


de escalares R; caso decidissemos trabalhar com os escalares em C o que
e muito comum em aplicacoes pr
aticas os autovalores de um operador
sempre existir
ao. Com efeito,

O teorema fundamental da Algebra


afirma que se p() e um polin
omio
n
ao constante de grau n com coeficientes reais ou complexos, entao a equacao
polinomial p() = 0 tem pelo ao menos uma raiz real ou imagin
aria. Se 1 e

uma tal raiz, ent


ao o teorema da fatoraca
o da Algebra afirma que p() pode
ser fatorado como p() = ( 1 ) p1 (), onde p1 () e um polin
omio de grau
n 1. Aplicando esse mesmo processo de fatoracao ao polin
omio p1 (), etc.
chegamos `
a conclusao que todo polin
omio p() pode ser fatorado em fatores
lineares.
Na p
agina 336 estaremos discutindo o significado geometrico dos autovalores complexos de uma matriz real 2 2.
6 ) Proje
c
ao no plano xy
Nesse caso a matriz do operador na

1
[T ] = 0
0

Ent
ao

base can
onica e

0 0
1 0
0 0

1
1 0 0
1 0 0

0
(T I) = 0 1 0 0 1 0 =
0 0 1
0
0 0 0

0
1
0

Logo

det (T I) = 0

(1 )2 () = 0

0
0

(6.5)

o que nos fornece = 0 ou = 1. O que concorda com o resultado obtido


anteriormente.
(p. 325)
Defini
c
ao 43 (Multiplicidades algebrica e geometrica de um autovalor). A
multiplicidade de como raiz do polin
omio caracterstico e a multipliciao do subespaco pr
oprio U() e
dade alg
ebrica do autovalor . A dimens
etrica do autovalor .
chamada multiplicidade geom
334

Exemplos: Da equac
ao (6.5) concluimos que a multiplicidade algebrica
do autovalor = 1 e 2. J
a vimos (pp. 325, 329) que dim U(1) = 2; nesse caso
as duas multiplicidades coincidem; todavia, nem sempre e este o caso.
A proposito pode-se provar que a multiplicidade geometrica e sempre
menor ou igual `
a multiplicidade algebrica Veja exerccio (p. 407).

C
alculo dos vetores pr
oprios

A partir dos valores pr


oprios de um operador T podemos encontrar os
respectivos vetores pr
oprios. Para tanto basta considerar a equacao matricial

T (u) = u

[ T ] [u] = [u]

Vejamos alguns exemplos:


1 ) Reflex
ao em torno do eixo dos x
(p. 238)
Como vimos, nesse caso temos dois autovalores = 1 e = 1, entao
 
 

x
x
1
0
=1
[ T ] [u] = [u]

y
y
0 1
Daqui deriva o seguinte sistema
(
1x + 0y = 1x

0x 1y = 1y

x=x
y = y

x=x
y=0

Logo, os autovetores procurados s


ao da forma u = (x, y) = (x, 0). Ou,
u = (x, 0) = x (1, 0), com x R . Sendo assim o vetor (1, 0) gera o
subespaco (ou subespaco pr
oprio) de = 1, isto e: U(1) = [ (1, 0) ] . Observe
a representac
ao geometrica desse subespaco na p. 327
Temos ainda
[ T ] [u] = [u]

Daqui deriva o seguinte sistema


(
1 x + 0 y = 1 x

0 x 1 y = 1 y

1
0
0 1



x = x
y = y

x
y

= 1

x
y

x=0
y=y

Logo, os autovetores procurados s


ao da forma u = (x, y) = (0, y). Ou,
u = (0, y) = y (0, 1), com y R . Sendo assim o vetor (0, 1) gera o subespaco pr
oprio associado a = 1, isto e: U(1) = [ (0, 1) ] . Observe a
representac
ao geometrica desse subespaco na p. 327.

Lembramos que na
algebra matricial n
ao vale a lei do corte.

335

6 ) Proje
c
ao no plano xy
Como vimos, nesse caso temos dois autovalores = 0 e = 1, entao



1 0 0
x
x

[ T ] [u] = [u]

0 1 0
y =0 y
0 0 0
z
z

Daqui

1x
0x

0x

deriva o seguinte sistema

+ 0y + 0z = 0x
+ 1y + 0z = 0y
+ 0y + 0z = 0z

1x = 0x

1y = 0y

0z = 0z

x=0

y=0

z = qualquer

Logo, os autovetores procurados s


ao da forma u = (x, y, z) = (0, 0, z).
Ou, u = z (0, 0, 1), com z R . Sendo assim o vetor (0, 0, 1) gera o
subespaco pr
oprio associado a = 0, isto e: U(0) = [ (0, 0, 1) ] . Observe a
representac
ao geometrica desse subespaco na p. 329. Temos ainda



1 0 0
x
x
0 1 0 y = 1 y
[ T ] [u] = [u]

0 0 0
z
z
Daqui

1x
0x

0x

deriva o seguinte sistema

+ 0y + 0z = 1x
+ 1y + 0z = 1y
+ 0y + 0z = 1z

1x = 1x

1y = 1y

0z = 1z

x = qualquer

y = qualquer

z=0

Logo, os autovetores procurados s


ao da forma u = (x, y, z) = (x, y, 0). Ou,
u = (x, y, 0) = x (1, 0, 0) + y (0, 1, 0), com x e y reais n
ao ambos nulos.
Sendo assim os vetores (1, 0, 0) e (0, 1, 0) geram o subespaco pr
oprio associado a = 1, isto e: U(0) = [ (1, 0, 0), (0, 1, 0) ] . Observe a representacao
geometrica desse subespaco na p. 329.
Iremos agora ver uma interpretacao geometrica para os autovalores complexos de uma matriz real 2 2.

Proposi
c
ao 28. Os autovalores da matriz real


a b
T =
b
a

(6.6)

s
ao = a bi. Se a e b n
ao s
ao ambos nulos, ent
ao essa matriz pode ser
fatorada como
#
#"

 "
cos sen
|| 0
a b
(6.7)
=
b
a
sen
cos
0 ||
onde e o
angulo que vai do eixo x positivo ao raio desde a origem ate o
ponto (a, b).
336

Geometricamente, essa proposicao afirma que a multiplicacao por uma


matriz da forma (6.6) pode ser vista como uma rotacao pelo angulo seguida
de uma homotetia de raz
ao ||.
(def. 28, p. 241)
Prova: Vamos calcular o polin
omio caracterstico de T :



 
a b
1 0
a
(T I) =

=
b
a
0 1
b
Logo
det (T I) = 0

det

o que nos fornece


(a )2 + b2 = 0

a
b

b
a

b
a


=0

= a bi

Supondo a e b n
ao ambos nulos, seja o angulo do eixo x positivo ao
raio desde a origem ate o ponto (a, b).
O angulo e o argumento do autovalor = a + b i, conforme visto a
seguir
R

cos =

s(a, b)

||

a
||

sen =

b
||

a = || cos
b = || sen

Sendo assim a matriz (6.6) pode ser reescrita como




a b
b
a

"

||
0

0
||

a
||
b
||

b
||
a
||

"

||
0

0
||

#"

cos sen

sen

cos

#


Interpretac
ao geom
etrica
Multiplicando a matriz T por um ponto (vetor) arbitrario do R2 , assim:
#" #
#"

" # "
x
cos sen
|| 0
x
a b
=
b
a
y
sen
cos
0 ||
y
Obtemos
T (x, y) = || (x cos y sen , x sen + y cos )
uma rotac
ao seguida de uma homotetia.
337

(6.8)

A figura ao lado exibe uma


rotac
ao seguida de uma homotetia de raz
ao ||. No caso da figura
a homotetia nada mais e que uma
contrac
ao por ser || < 1.

(a, b)

Iterac
oes sucessivas destas duas operacoes nos permitiu desenhar as figuras a seguir

onde um quadrado e rotacionado e em seguida contrado.

A matem
atica e um campo demasiadamente
rduo e in
a
ospito para agradar `
aqueles a quem n
ao oferece grandes recompensas. Recompensas que s
ao da
mesma ndole que as do artista. . . . Acrescenta ainda
que e no ato de criar que o matem
atico encontra sua
culmin
ancia e que nenhuma quantidade de trabalho
ou correca
o tecnica pode substituir este momento de
criaca
o na vida de um matem
atico, poeta ou m
usico.

338

(p. 251)

(Norbert Wiener)

6.1.3

Exerccios

1) Encontre os valores pr
oprios e os vetores pr
oprios do operador linear
T : R2 R2 ,

T (x, y) = (3x 5y, 2y)

dado por

Encontre e faca um esboco geometrico dos respectivos subespacos pr


oprios.
2) Encontre os valores pr
oprios e os vetores pr
oprios do operador linear
T : R2 R2 ,

dado por

T (1, 0) = (0, 1) e T (0, 1) = (1, 0)

Encontre e faca um esboco geometrico dos respectivos subespacos pr


oprios.
3) Encontre os valores pr
oprios e os vetores pr
oprios do operador linear
T : R3 R3 ,

dado por

T (x, y, z) = (3xy+z, x+5yz, xy+3z)

Tente visualizar mentalmente os respectivos subespacos pr


oprios.
4) Encontre os valores pr
oprios e os vetores pr
oprios do operador linear
T : R3 R3 dado por
T (1, 0, 0) = (2, 0, 0), T (0, 1, 0) = (2, 1, 2), T (0, 0, 1) = (3, 2, 1)
Tente visualizar mentalmente os respectivos subespacos pr
oprios.
5) Encontre os valores pr
oprios e os vetores pr
oprios da matriz


4 5
A=
2 1
6) Encontre os valores pr
oprios e os vetores pr
oprios da matriz


1 3
A=
4 2
Esboce os espacos pr
oprios de A num sistema de coordenadas xy.
7) Encontre os valores pr
oprios e os vetores pr
oprios da matriz


2 1
A=
5
2
8) Considere a matriz
A=

a b
c d

Mostre que seu polin


omio caracterstico e dado por
det (A I2 ) = 2 (a + d) + (ad bc)
= 2 tr(A) + det A
339

9) Prove que se A e uma matriz quadrada, entao A e At tem o mesmo


polin
omio caracterstico.
10) Os valores pr
oprios de um operador linear T : R2 R2 s
ao 1 = 2 e
2 = 3, sendo u1 = (1, 1) e u2 = (1, 0) os respectivos vetores pr
oprios
associados, encontre T (x, y).
11) Considere a matriz do operador T

[T ] =
1
3

dada por

0 0
3 0
5 3

mostre que esse operador tem como autovalores

= 2, com multiplicidade algebrica 1 e multiplicidade geometrica 1;


= 3, com multiplicidade algebrica 2 e multiplicidade geometrica 1.
12) Encontre os valores pr
oprios e os vetores pr
oprios do operador linear
T : P1 (R) P1 (R)
dado por
T (1 + x) = 1 + 2x

T (1 x) = 1 + 3x

13) Encontre os valores pr


oprios e os vetores pr
oprios do operador linear
T : P2 (R) P2 (R)
dado por
T (c + bx + ax2 ) = b + cx + ax2
14) Prove que se e um autovalor de uma matriz invertvel A e u e um
autovetor associado, entao 1/ e um autovetor de A1 e u e um autovetor
associado. [Sugest
ao: comece com a equacao A u = u].
15) Encontre p() o polin
omio caracterstico da matriz


1 3
A=
4 5
mostre que p(A) = 0.

340

6.2

Diagonalizac
ao de matrizes e operadores

Matrizes diagonais desempenham um papel relevante em muitas aplicacoes


porque, sob muitos aspectos, elas representam os tipos mais simples de operadores lineares. Dado um operador linear T : V V , como vimos, a cada

base B de V corresponde uma matriz [ T ]B que representa T nesta base.


Nosso objetivo ser
a obter, quando possvel, uma base do espaco de modo
que a matriz do operador T nesta base seja diagonal.
Da proposic
ao a seguir inferimos que um operador linear num espaco
vetorial de dimens
ao n possui no m
aximo n autovalores distintos.

Proposi
c
ao 29. Autovetores associados a autovalores distintos de um operador T : V V s
ao linearmente independentes.
Prova: Faremos a prova para dois autovalores distintos, a generalizacao
fica facil.

Sejam 1 , 2 autovalores, com 1 6= 2 , e v1 , v2 os respectivos autovetores associados. Para provarmos que v1 e v2 s


ao L.I. consideremos a
equacao
a 1 v1 + a 2 v2 = 0
Apliquemos a esta equac
ao o operador T 2 I:
(T 2 I)(a1 v1 + a2 v2 ) = T ( 0)
Logo
(T 2 I)(a1 v1 ) + (T 2 I)(a2 v2 ) = 0

Entao

T (a1 v1 ) 2 I(a1 v1 ) + T (a2 v2 ) 2 I(a2 v2 ) = 0


a1 T (v1 ) 2 a1 v1 + a2 T (v2 ) 2 a2 v2 = 0
Tendo em conta que, por hip
otese
T ( v1 ) = 1 v1

T ( v2 ) = 2 v2

Obtemos
a1 (1 v1 ) 2 a1 v1 + a2 (2 v2 ) 2 a2 v2 = 0
Simplificando
Ou

a1 (1 2 ) v1 + a2 (2 2 ) v2 = 0
a1 (1 2 ) v1 = 0

Como v1 6= 0 e 1 6= 2 , resulta necessariamente a1 = 0.


Aplicando `
a equac
ao original o operador T 1 I e com uma manipulacao an
aloga obtemos a2 = 0.


341

Um corol
ario deste resultado que nos ser
au
til para o objetivo em vista
e o que segue
Corol
ario 5. Sempre que tivermos um operador T : R2 R2 com autovalores 1 6= 2 , ent
ao o conjunto { v1 , v2 }, formado pelos autovetores
associados, ser
a uma base do R2 . Este fato pode ser generalizado, isto e,
se V e um espaco vetorial de dimens
ao n e T : V V e um operador linear que possui n autovalores distintos, ent
ao o conjunto { v1 , v2 , , vn },
formado pelos correspondentes autovetores, e uma base de V .
Defini
c
ao 44 (Operador diagonaliz
avel). Seja V um espaco vetorial de
avel se existe
dimens
ao finita. Um operador T : V V se diz diagonaliz
uma base de V formada por vetores pr
oprios.
Observe que se B = { v1 , v2 , . . . , vn } e uma base formada de vetores
pr
oprios de T associados aos valores pr
oprios 1 , 2 , . . . , n , entao
T (v1 ) = 1 v1 + 0 v2 + + 0 vn

T (v2 ) = 0 v1 + 2 v2 + + 0 vn
...................................
T (vn ) = 0 v1 + 0 v2 + + n vn

Tomando o transposto dos coeficientes acima:

...

0 ... 0

2
[ T ]B =
................
0 0 . . . n

(p. 189)

concluimos que a matriz do operador na base B, formada pelos vetores


pr
oprios, e diagonal e que os elementos da diagonal s
ao os valores pr
oprios.
Exemplos:
1 ) Seja T : R2 R2 , o operador dado por T (x, y) = (3x + 4y, x + 2y).
Sua matriz na base can
onica e:
#
"
3 4
[ T ]B =
1 2
Nosso objetivo ser
a encontrar para esse operador uma outra base na
qual sua matriz seja diagonal. Pois bem, inicialmente vamos determinar os
autovalores do operador.
#
"
3
4
= 0 2 + 2 = 0
det ([ T ] I ) = 0 det
1
2
342

Resolvendo essa equac


ao encontramos 1 = 1 e 2 = 2. Como esses
autovalores s
ao distintos segue do corol
ario anterior que seus autovetores
associados s
ao L.I. e, portanto, formam uma base. Vamos encontr
a-los:
# 
"
 
3 4
x
x
=1
[ T ] [u] = [u]

y
y
1 2
Daqui deriva o seguinte sistema
(
3 x + 4 y = 1 x

1 x + 2 y = 1 y

x + y = 0
x + y = 0

y=x

Logo, os autovetores procurados s


ao da forma u1 = (x, y) = (x, x). Ou,
u1 = (x, x) = x (1, 1), com x R . Por outro lado,
# 
"
 
3 4
x
x
= 2
[ T ] [u] = [u]

y
y
1 2
Daqui deriva o seguinte sistema
(
3 x + 4 y = 2 x

1 x + 2 y = 2 y

x + 4y = 0
x + 4y = 0

x = 4y

Logo, os autovetores procurados s


ao da forma u2 = (x, y) = (4y, y). Ou,
u1 = (4y, y) = y (4, 1), com y R . Portanto, a base procurada pode ser


B = u1 = (1, 1), u2 = (4, 1)
Calculemos agora [ T ]B :

T (u1 ) = a11 u1 + a21 u2


T (u2 ) = a12 u1 + a22 u2

(p. 189)

(1, 1) = a11 (1, 1) + a21 (4, 1)

(8, 2) = a12 (1, 1) + a22 (4, 1)

Resolvendo este sistema encontramos


T (u1 ) = 1 u1 + 0 u2
T (u2 ) = 0 u1 2 u2

[ T ]B =

"

1
0
0 2

A matriz do operador T nesta nova base resultou diagonal, onde os elementos da diagonal s
ao os autovalores do operador.
Nota: Poderiamos ter encontrado a matriz acima diretamente, conforme
observac
ao ap
os a definic
ao 44 preferimos assim.

Vamos explorar um pouco mais este exemplo. Consideremos as duas


bases:




B = u1 = (1, 0), u2 = (0, 1) , B = v1 = (1, 1), v2 = (4, 1)
343

Isto e, a base antiga (can


onica) e a base nova. Vamos calcular, de acordo
com a definic
ao 12 (p. 113), a matriz de mudanca da base antiga B para a
nova base B :
v1 = 11 u1 + 21 u2
v2 = 12 u1 + 22 u2

(1, 1) = 11 (1, 0) + 21 (0, 1)

(4, 1) = 12 (1, 0) + 22 (0, 1)

Resolvendo esse sistema encontramos


#
"
11 12

P =
21 22

P =

"

1 4
1 1

e a matriz cujas colunas s


ao os autovetores do operador. Vimos (p. 15, p. 232)
que duas matrizes de um mesmo operador linear s
ao semelhantes. Verifique
que, no caso em quest
ao,
P 1 [ T ]B P = [ T ]B
Isto e

"

1 4
1 1

#1 "

3 4
1 2

#"

1 4
1 1

"

0 2

2 ) Seja T : R3 R3 , o operador dado por T (x, y) = (3x 4z, 3y + 5z, z).


Sua matriz na base can
onica e:

3 0 4

5
[ T ]B = 0 3
0 0 1

Nosso objetivo ser


a encontrar para esse operador uma outra base na
qual sua matriz seja diagonal. Pois bem, inicialmente vamos determinar os
autovalores do operador.

3
0
4

3
5
det ([ T ] I ) = 0 det 0
=0
0
0
1
Desenvolvendo esse determinante encontramos: (3 )(3 )(1 ) = 0.

Portanto, os autovalores s
ao 1 = 3 e 2 = 1. Encontremos os respectivos autovetores:


3 0 4
x
x

5 y =3 y
[ T ] [u] = [u]

0 3
z
z
0 0 1
344

Daqui deriva o seguinte sistema

3 x + 0 y 4z = 3 x

0 x + 3 y + 5z = 3 y

0x + 0y z = 3z

3 x 4z = 3 x
3 y + 5z = 3 y

z = 3z

x=x
y=y

z=0

Logo, os autovetores procurados s


ao da forma u1 = (x, y, z) = (x, y, 0).
Ou, ainda:
u1 = (x, y, 0) = x (1, 0, 0) + y (0, 0, 1)
Portanto, associado ao autovalor 1 = 3, obtemos dois autovetores L.I.
u1 = (1, 0, 0) e u2 = (0, 0, 1)
Agora calculemos os autovetores associados ao autovalor 2 = 1:


3 0 4
x
x

0
3
5
[ T ] [u] = [u]

=
1

y
y

z
z
0 0 1

Daqui deriva o seguinte sistema

3 x + 0 y 4z = 1 x

0 x + 3 y + 5z = 1 y

0 x + 0 y z = 1 z

3 x 4z = x
3 y + 5z = y

z = z

x=z
4y = 5z

z=z

Logo, os autovetores procurados s


ao da forma (x, y, z) = (z, 54 z, z). Pela
propriedade P2 (p. 326) podemos multiplicar estes autovetores por 4, obtendo (4z, 5 z, 4z) = z (4, 5, 4), que ainda s
ao autovetores associados ao
mesmo autovalor. Portanto, a base procurada pode ser


B = u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (4, 5, 4)
Procedendo como no exemplo anterior, obtemos:

3 0
0

0
[ T ]B = 0 3
0 0 1

Um autovalor aparecera na diagonal tantas vezes quantas forem os autovetores L.I. a ele associados.
Como no exemplo anterior podemos mostrar que
P 1 [ T ]B P = [ T ]B
345

Isto e

0
0

1 5
0
4

0
0

0 4

3
5 0
0
0 1


1 5 = 0
0
0
4

Onde P e a matriz cujas colunas s


ao os vetores da base B .

3
0
0 1

Vimos dois exemplos de operadores diagonaliz


aveis, entretanto isso nem
sempre ocorre; a seguir exibimos um operador n
ao diagonaliz
avel.
3
3
3 ) Seja T : R R , o operador cuja matriz na base can
onica e dada por:

3 3 4

3
5
[ T ]B = 0
0
0 1
Vamos tentar encontrar para esse operador uma base formada de autovetores. Inicialmente vamos determinar os autovalores do operador.

3
3
4

3
5 =0
det ([ T ] I ) = 0 det 0
0
0
1

Desenvolvendo esse determinante pela primeira coluna encontramos:


(3 )(3 )(1 ) = 0.
Portanto, os autovalores s
ao 1 = 3 e 2 = 1. Encontremos os respectivos autovetores:


3 3 4
x
x

3
5 y = 3 y
[ T ] [u] = [u]

0
z
z
0
0 1

Daqui deriva o seguinte sistema

3 x 3 y 4z = 3 x
0 x + 3 y + 5z = 3 y

0x + 0y z = 3z

x y=x
y=y

z=0

Da primeira equac
ao deste u
ltimo sistema encontramos que y = 0; logo, os
autovetores procurados s
ao da forma (x, y, z) = (x, 0, 0) = x (1, 0, 0).
Portanto, associado ao autovalor 1 = 3, obtemos apenas um autovetor
L.I., por exemplo, u = (1, 0, 0).
Agora calculemos os autovetores associados ao autovalor 2 = 1:


3 3 4
x
x

y
0
3
5
[ T ] [u] = [u]

= 1 y

z
z
0
0 1
346

Daqui deriva o seguinte sistema

3 x 3 y 4z = 1 x

0 x + 3 y + 5z = 1 y

0 x + 0 y z = 1 z

Sendo assim temos

5
y= z
4

x=

4 x 3 y 4z = 0
4 y + 5z = 0

z=z

3
3
y+z =
4
4

1
5 
z +z =
z
4
16

Logo, os autovetores procurados s


ao da forma

 1
5
z, z, z

16(x, y, z) = (z, 20z, 16z)


(x, y, z) =
16
4
= z (1, 20, 16)

Portanto, associado ao autovalor 2 = 1, temos o autovetor (1, 20, 16).


Conclusao: temos apenas dois autovetores L.I., logo para o operador T em
questao n
ao existe uma base do R3 constituida s
o de autovetores. Tendo
em conta que todas as matrizes de um mesmo operador s
ao semelhantes
e que matrizes semelhantes tem os mesmos autovalores concluimos que em
nenhuma base a matriz do operador T e uma matriz diagonal, ou seja, T
n
ao e diagonaliz
avel.

347

6.2.1

Exerccios

16) Seja T : R2 R2 um operador linear dado por


T (x, y) = (4x + 5y, 2x + y)
Encontre uma base de R2 em relacao `a qual a matriz de T e diagonal.
17) Seja T : R2 R2 um operador linear dado por
T (x, y) = (3x + 4y, x + 2y)
Encontre uma base de R2 em relacao `a qual a matriz de T e diagonal.
18) Para quais valores de a as matrizes abaixo s
ao diagonaliz
aveis?
a) A =

"

b) B =

"

19) Determine uma matriz P , inversvel, tal que P 1 A P seja diagonal,


onde

2
0 4

A = 3 4 12
1 2 5
20) Encontre uma matriz diagonal semelhante `a matriz

A = 1
1
21) Considere a matriz A =

"

5 1
1
3
#

, mostre que:

a) Se A e uma matriz sobre o corpo R dos reais, entao A n


ao e diagonaliz
avel;
b) Se A e uma matriz sobre o corpo C dos complexos, entao A e diagonaliz
avel; neste caso encontre uma matriz P , inversvel, e calcule P 1 A P .
#
"
a a2
.
22) Seja a > 0 um n
umero real, considere a matriz A =
1 a
a) Mostre que A e diagonaliz
avel;
a) Encontre uma matriz P , inversvel, tal que P 1 A P seja uma matriz
diagonal.
348

6.2.2

Diagonalizac
ao de operadores autoadjuntos

Lembramos (def. 38, p. 311) que um operador autoadjunto e um operador


linear T de um espaco euclidiano V que satisfaz
h T (u), v i = h u, T (v) i,

u, v V.

Vimos, ademais, que a matriz de T , em relacao a qualquer base ortonormal e simetrica (prop. 25, p. 311). Sendo assim, reduzimos o problema da
diagonalizac
ao de uma matriz simetrica ao da diagonalizacao de um operador autoadjunto.
Como vimos, nem toda matriz e diagonaliz
avel. Ademais, vimos que
algumas matrizes n
ao possuem autovalor (real). Veremos, no entanto, que
se A e uma matriz real simetrica, entao a existencia de autovalores reais
estar
a garantida.
Proposi
c
ao 30. Seja A uma matriz real simetrica. Ent
ao toda raiz de
seu polin
omio caracterstico e real.
Prova: De fato, seja A = (aij ) uma matriz simetrica real e seja um
valor pr
oprio de A. Sendo assim, vamos nos reportar `a equacao (6.4) (p. 331)
para escrever

a21
a22
...
a2n

.........................

an1
an2
...
ann

a11

a12

...

a1n

x1
x2
..
.
xn

x1
x2
..
.
xn

Como o vetor pr
oprio X de A satisfaz

X=

x1
x2
..
.
xn

6= 0

isso significa que o sistema linear (equivalente `a equacao (6.9)):

a11 x1 + a12 x2 + + a1n xn = x1

a21 x1 + a22 x2 + + a2n xn = x2

a x + a x + + a x = x
n1
1
n2
2
nn
n
n
349

(6.9)

tem ao menos uma solucao n


ao trivial (1 , 2 , . . . , n ); sendo assim, temos:

a11 1 + a12 2 + + a1n n = 1

a21 1 + a22 2 + + a2n n = 2

a + a + + a =
nn n
n
n1 1
n2 2
Agora multipliquemos a primeira equacao pelo conjugado complexo de
1 , a segunda pelo conjugado de 2 e assim sucessivamente. Entao

a11 1 1 + a12 2 1 + + a1n n 1 = 1 1

a + a + + a =
21

22

2n

a + a + + a =
n
n n
nn n
n1 1 n
n2 2 n

Vamos somar todas essas equacoes


a11 1 1 + a12 2 1 + + a1n n 1

+ a21 1 2 + a22 2 2 + + a2n n 2

()

+ an1 1 n + an2 2 n + + ann n n = (1 1 + 2 2 + + n n )


O n
umero entre parentesis do lado direito da igualdade e real; sendo
assim se provarmos que o n
umero do lado esquerdo tambem e real teremos
atingido nosso desiderato.
Para isso e suficiente provar que o primeiro membro e igual ao seu conjugado. Tomemos o conjugado do primeiro membro:
a11 1 1 + a12 2 1 + + a1n n 1
+ a21 1 2 + a22 2 2 + + a2n n 2

+ an1 1 n + an2 2 n + + ann n n


Logo,
350

a11 1 1 + a12 2 1 + + a1n n 1

+ a21 1 2 + a22 2 2 + + a2n n 2

+ an1 1 n + an2 2 n + + ann n n


Ou ainda,
a11 1 1 + a12 2 1 + + a1n n 1

+ a21 1 2 + a22 2 2 + + a2n n 2

+ an1 1 n + an2 2 n + + ann n n


Neste momento vamos utilizar a hip
otese de que a matriz A e simetrica,
isto e, (aij ) = (aji ). Trocando os ndices nos elementos da matriz obtemos:
a11 1 1 + a21 2 1 + + an1 n 1

+ a12 1 2 + a22 2 2 + + an2 n 2

+ a1n 1 n + a2n 2 n + + ann n n


Permutando os s e somando por colunas, obtemos
a11 1 1 + a21 1 2 + + an1 1 n

+ a12 2 1 + a22 2 2 + + an2 2 n


+

+ a1n n 1 + a2n n 2 + + ann n n

a11 1 1 + a12 2 1 + + a1n n 1

+ a21 1 2 + a22 2 2 + + a2n n 2

+ an1 1 n + an2 2 n + + ann n n


351

Comparando este u
ltimo quadro com o lado esquerdo da igualdade em
( ) vemos que s
ao iguais.

J
a vimos (prop. 29, p. 341) que a autovalores diferentes de um mesmo
operador correspondem autovetores distintos. Se, em particular, o operador
for autoadjunto podemos garantir algo a mais: que estes autovetores s
ao
ortogonais.
Proposi
c
ao 31. Seja T : V V autoadjunto e 1 e 2 autovalores distintos de T e v1 , v2 os respectivos autovetores associados. Ent
ao v1 v2 .
Prova: Com efeito, lembramos que T (v1 ) = 1 v1 e T (v2 ) = 2 v2 .
Sendo assim
1 h v1 , v2 i = h 1 v1 , v2 i = h T (v1 ), v2 i = h v1 , T (v2 ) i
= h v1 , 2 v2 i = 2 h v1 , v2 i
O que justifica a u
ltima passagem acima e que 2 R.

(p. ??)

Ent
ao

1 h v1 , v2 i = 2 h v1 , v2 i (1 2 ) h v1 , v2 i = 0
como 1 6= 2 , segue que h v1 , v2 i = 0, o que conclui a demonstracao.

Essa proposic
ao nos permite concluir que, com relacao `a diagonalizacao,
os operadores autoadjuntos comportam-se de uma maneira especial.
De fato, se T : V V e autoadjunto, com V de dimensao n, e T
admite n autovalores distintos (portanto uma base de autovetores), entao T
e diagonaliz
avel e os autovetores s
ao dois a dois ortogonais. Normalizando
os vetores de uma tal base obteremos uma base ortonormal de autovetores
para esse operador. Enfatizamos: T alem de ser diagonaliz
avel ainda possui
uma base de autovetores ortonormais.
Vamos provar que isto vale, a princpio, pelo ao menos para um espaco
de dimensao n = 2.
Proposi
c
ao 32. Seja T : V V um operador autoadjunto num espaco vetorial V de dimens
ao 2. Ent
ao, existe uma base ortonormal B = { u1 , u2 }
V formada por autovetores de T .
Prova: Com efeito, seja T um operador autoadjunto, nas condicoes do
enunciado, ent
ao pela proposicao 25 (p. 311) sua matriz em relacao a uma
base ortonormal B = { v1 , v2 } V e simetrica B sempre existe por
Gram-Schmidt , digamos


a b
[T ] =
b c
352

Vamos calcular o polin


omio caracterstico de T :



 
a b
1 0
a
(T I) =

=
b c
0 1
b
Logo
det (T I) = 0

det

a
b

b
c

b
c


=0

o que nos fornece


(a ) (c ) b2 = 0

2 (a + c) + (ac b2 ) = 0

Vamos encontrar o discriminante dessa equacao


= (a + c)2 4 1 (ac b2 ) = (a c)2 + 4b2 .
Sendo assim 0. Temos duas alternativas quanto ao sinal de . Se
= 0 ent
ao a = c e b = 0. Neste caso a matriz de T toma a forma


a 0
[T ] =
0 a
Isto significa que
T (v1 ) = a v1 + 0 v2
T (v2 ) = 0 v1 + a v2
Isto implica que todo vetor v V , n
ao-nulo, e um autovetor de T . De fato,
seja v V , ent
ao existem escalares 1 , 2 tais que v = 1 v1 + 2 v2 . Logo,
T (v) = T (1 v1 + 2 v2 ) = 1 T (v1 ) + 2 T (v2 )
= 1 (a v1 ) + 2 (a v2 )
= a (1 v1 + 2 v2 ) = a v
Sendo assim, para obter a base B procurada e suficiente ortonormalizar a
base B . No caso em que > 0, teremos dois autovalores distintos o que
acarreta, pela proposic
ao 31, que seus respectivos autovetores s
ao ortogonais,
normalizando estes autovetores encontramos a base B desejada.


353

Defini
c
ao 45 (Subespacos invariantes). Se T : V V e uma transformaca
o
linear e U V e um subespaco de V , U e dito ser invariante sob T se
T (U ) U .
Proposi
c
ao 33. Seja T : V V operador linear autoadjunto e um de

seus autovalores. Ent
ao o subespaco U()
e invariante sob T .
Prova: Lembramos que


U = v V : h v, u i = 0, u U

(pp. 298, 326)

U() = { u V : T (u) = u }

Sendo U() o subespaco formado por todos os autovetores associados ao



autovalor (mais o vetor nulo), temos que U()
e o subespaco formado
por todos os vetores do espaco que s
ao ortogonais a todos os autovetores
associados ao autovalor . Entao,

Se v U()
h v, u i = 0, u U()

Logo: 0 = h v, u i = h v, u i = h v, T (u) i = h T (v), u i.


, o que conclui a prova.
Portanto, T (v) U()

Como um exemplo do que acabamos de ver, consideremos o operador


projec
ao no plano xy.
(p. 325)
Este operador admite dois autosubespacos, vistos na figura a seguir (p. 329)
z

U(0)#
s(x, y, z)
y

rT (x, y, 0)

U(1)

Temos

U(0)
= U(1)

U(1)
= U(0)

A matriz na base caonica do operador projecao


T : R3 R3
(x, y, z) 7 (x, y, 0)

ou

e dada por
354

T (x, y, z) = (x, y, 0)


1 0 0
[T ] = 0 1 0
0 0 0


x
x
1 0 0
0 1 0 y = y
0 0 0
z
0

Como essa matriz e simetrica concluimos que o operador em questao e autoadjunto.


(prop. 25, p. 311)
e U s
Portanto concluimos da proposicao 33 que os subespacos U(0)
(1) ao
invariantes sob o operador projecao. O que significa dizer que a imagem de
todo vetor do eixo z permanece nesse eixo e a imagem de todo vetor no
plano xy permanece nesse plano. Veja

T (0, 0, z) = (0, 0, 0)

T (x, y, 0) = (x, y, 0)

Vamos agora generalizar a proposicao 32.

(p. 352)

Teorema 11 (Teorema Espectral). Seja T : V V um operador autoadjunto num espaco vetorial V de dimens
ao n. Ent
ao, existe uma base
ortonormal B = { u1 , u2 , . . . , un } V formada por autovetores de T .
Prova: A demonstrac
ao se faz por inducao sobre a dimensao n do
espaco. Com efeito, se dim V = 1, fixamos qualquer vetor v V , v 6= 0, e
v
fazemos kvk
= u1 , ent
ao { u1 } e uma base ortonormal. Como V = [ u1 ] e
T (u1 ) V , ent
ao T (u1 ) = u1 , para algum R. Sendo assim u1 e um
autovetor de T e o teorema fica provado para n = 1.
Seja V um espaco euclidiano de dimensao n > 1 e suponhamos o teorema
valido para os espacos euclidianos de dimensao n 1. Devemos provar que
o teorema e valido para o caso em que dim V = n.
Seja R um autovalor de T , se u e um autovetor de T associado a ,
u
1
entao u1 = kuk
= kuk
u tambem o e.
Se [ u1 ] = U , ent
ao podemos escrever V = U U .

(prop. 21, p. 299)

Sendo dim U = 1 e tendo em conta a equacao (2.13) (p. 104) concluimos que
dim U = n 1.
Considerando a definic
ao de produto interno (def. 29, p. 258) concluimos
que U tambem e euclidiano relativamente ao produto interno de V ,
restrito a este subespaco.
Ademais, observamos que U e invariante sob T , isto e, vale a implicacao
v U T (v) U
De fato, se v U , ent
ao
h v, u i = 0, u U.
355

Logo
0 = h v, u i = h v, u i,

u U

= h v, T (u) i,

u U

= h T (v), u i,

u U

Isto prova que T (v) U .


Uma consequencia deste resultado e que podemos considerar T , restrito
aos elementos de U , como um operador linear deste subespaco. E como
h T (u), v i = h u, T (v) i,

vale para todo u, v V,

em particular esta igualdade vale para quaisquer u, v U ; entao T , restrito ao subespaco U , e tambem autoadjunto; logo, podemos aplicar a este
subespaco a hip
otese de inducao e concluir que existe uma base ortonormal
{ u2 , . . . , un } de U formada por autovetores de T (restrito a U ). Entao,
podemos concluir que B = { u1 , u2 , . . . , un } e uma base ortonormal pois
cada vetor de U e ortogonal a u1 . Como cada elemento da base B e um
vetor pr
oprio de T , a demonstracao se encerra.

Observamos que vale o recproco do teorema espectral: Se existe uma
base ortonormal B = { u1 , u2 , . . . , un } V formada por autovetores do
operador T : V V entao este operador e autoadjunto.
B

Prova: Nas condic


oes do enunciado [ T ]B e uma matriz diagonal (def. 44, p.
342) e portanto sim
etrica. Logo T e autoadjunto.
(prop. 25, p. 311) 
Exemplo: Determine uma matriz ortogonal P que diagonaliza a matriz
simetrica:
(ver Nota p. 304)

1 2
0
A = 2
1
0
0
0 1
Solu
c
ao: A equac
ao caracterstica de A e:

det (A I) = 0

1 2
0
=0
det 2 1
0
0
0
1

Dessenvolvendo esse determinante pela terceira linha obtemos:

(1 ) [ (1 )2 4 ] = 0 1 = 1 e 2 = 3.
Os respectivos autovetores s
ao obtidos da equacao matricial
T (u) = u

356

[ T ] [u] = [u]

No caso em quest
ao

([ T ] = A)

1 2
0
x
x
2

1
0
y = y
0
0 1
z
z

Substituindo por 1 e depois por 3 encontramos

U(1) = { (x, x, z) : x, z R } = { x(1, 1, 0) + z(0, 0, 1) : x, z R }


U(3) = { (x, x, 0) : x R } = { x(1, 1, 0) : x R }
Daqui podemos retirar
B = { (1, 1, 0), (0, 0, 1), (1, 1, 0) }
que e uma base de R3 formada de vetores pr
oprios ortogonais. Dividindo
cada um destes vetores pela respectiva norma obtemos

 2
n
 2 2 
2 o

,
, 0 , u2 = (0, 0, 1), u3 =
,
,0
B = u1 =
2
2
2
2
A matriz P , cujas colunas s
ao as componentes dos vetores pr
oprios unit
arios
u1 , u2 , e u3 e ortonormal

2
2
0
2
2



2
P =
0 2 2

0
1
0

u3
u1 u2
isto e
(
1,
se i = j;
h ui , uj i = ij =
0,
se i 6= j.
como o leitor pode constatar diretamente.
A matriz P e a matriz diagonalizadora. De fato,
D = P 1 A P = P t A P
isto e

2
2

D= 0

2
2

2
2

2
2

2
2

2
2

1 2
0

1 2
1
0

0
0 1
0
0
357

2
2

2
2

Fazendo as multiplicac
oes devidas, encontramos

1
0 0
D = 0 1 0
0
0 3

Nestes casos dizemos que P diagonaliza A ortogonalmente.

6.2.3

Exerccios



2 2
23) Seja A =
uma matriz real simetrica. Determine uma
2
5
matriz ortogonal P tal que P 1 A P seja diagonal.
24) Considere o operador autoadjunto T : R2 R2 definido pela matriz:


4 12
A=
12 3
Encontre uma matriz ortogonal P que diagonaliza A.
25) Considere o operador autoadjunto

0
A=
2

T : R3 R3 definido pela matriz:

0 2
0
0
0
4

Encontre uma matriz ortogonal P que diagonaliza A.


26) Seja T : R3 R3 o operador linear definido por

T (x, y, z) = (x + y + z, x + y + z, x + y + z).
a ) Achar os valores pr
oprios de T ;
B

b ) Encontre uma base ortonormal B do R3 tal que [ T ]B e diagonal;


c ) Qual a matriz de mudanca da base can
onica do R3 para a base B?
27) Seja T : R3 R3 o operador linear definido por
T (x, y, z) = (2x + y, x + y + z, y 3z).
a ) Mostre que T e um operador autoadjunto mas n
ao ortogonal;

(p. 301)

b ) Se u = (2, 1, 5) e v = (3, 0, 1), verifique que h T (u), v i = h u, T (v) i;


c ) Exiba uma base de autovetores de T e verifique que e uma base ortogonal.
A partir desta base construa uma base ortonormal.
28) Se T1 e T2 s
ao transformacoes autoadjuntas de um espaco vetorial V ,
e verdade que T1 T2 = T2 T1 ? Prove isso ou apresente um contra-exemplo.
358

29) Seja T : R3 R3 o operador linear definido por


T (x, y, z) = (2x + 2y, x + z, x + y).
Identifique as afirmac
oes verdadeiras:
a ) T n
ao e inversvel;
b ) Dado W = { (x, y, z) : x + y = 0 }, se w W , entao
h T (w), w i = 0 w = 0;
c ) Em relac
ao `
a base B = { (1, 1, 0), (1,

1
B
[ T ]B = 0
2

6.3
6.3.1

0, 0), (0, 0, 1) }

0 2
0
0
0
4

Aplica
c
oes da Diagonalizac
ao
Pot
encias de uma matriz

Defini
c
ao 46 (Potencia de matrizes). Sejam A Mn uma matriz quadrada
e n um n
umero natural. Potencia de base A e expoente n e a matriz An tal
que:
(
A0 = In
An = An1 A, n 1.

Desta definic
ao decorre que:
A1 = A0 A = In A = A
A2 = A1 A = A A
A3 = A2 A = (A A) A = A A A
e, de modo geral, para p natural e p 2, temos que Ap e um produto de p
fatores iguais a A.
Via de regra o c
alculo de An e macante, sobretudo se n e grande. No entanto se A for diagonaliz
avel esse trabalho fica assaz simplificado. Sen
ao
vejamos: se A e diagonaliz
avel, existe uma matriz inversvel P tal que
P 1 A P = D, sendo

1
0

D=

.
.

.
0

359

a matriz diagonal dos valores pr


oprios de A. Na p
agina 236 provamos a
seguinte implicac
ao
D = P 1 A P

D n = P 1 An P

Multiplicando esta u
ltima equacao `a equerda por P e `a direita por P 1 ,
obtemos
P D n P 1 = P (P 1 An P ) P 1

An = P D n P 1

De sorte que (quase) todo o trabalho recai em elevarmos a matriz diagonal


D`
a n-esima potencia. Para tanto e suficiente elevarmos cada elemento da
diagonal a essa potencia:
(mostre isso por induca
o)
n

1
0
n

Dn =

..

.
nn

Exemplo:
a ) Calcule

A10

para A =

0
2


1
.
1

Solu
c
ao: Vamos em busca da matriz P que e a matriz cujas colunas s
ao os
autovetores da matriz A. Temos



 

0 1
1 0

1
(A I) =

=
2 1
0 1
2
1
Logo
det (A I) = 0

det

o que nos fornece


(1 ) 2 = 0

1
1

2 2 = 0

x
y

=0

1 = 1 , 2 = 2

Em busca dos autovetores


[ A ] [u] = [u]

0 1
2 1



= 1

x
y

Daqui deriva o seguinte sistema


(
0 x + 1 y = 1 x
2 x + 1 y = 1 y
donde concluimos que y = x. Logo, os autovetores associados a autovalor
1 s
ao da forma u = (x, y) = (x, x). Ou, u = x (1, 1).
360

Ainda:


[ A ] [u] = [u]

0 1
2 1



x
y

=2

x
y

Daqui deriva o seguinte sistema


(
0x + 1y = 2x
2x + 1y = 2y
donde concluimos que y = 2x. Logo, os autovetores associados a autovalor
2 s
ao da forma u = (x, y) = (x, 2x). Ou, u = x (1, 2).
Sendo assim, podemos escrever


1 1
P =
1 2

1
0

0
2



1
0

0
2

n 

e D=

Sendo
n

A =PD P

A =

1
1

1
2

1
1

1
2

Ou ainda
n

A =

1
1

1
2

 " (1)n
0

0
2n

2
1

1
1

Efetivando os c
alculos obtemos

An =

2(1)n + 2n
3
2(1)n+1

+ 2n+1

(1)n+1 + 2n
3
(1)n

+ 2n+1
3

Em particular, para n = 10, temos

10

2(1)10 + 210
3

(1)10+1 + 210
3

2(1)10+1 + 210+1
3

(1)10 + 210+1
3

361

342
682

341
683

1

6.3.2

Exerccios

30) Suponha que a matriz A =

1
0

Calcule A2 , A3 , An , onde n > 3.




4 4
31) Seja A =
, calcule An .
1 4


3 1
32) Seja A =
. Encontre:
2 2


2
.
1

a ) P a matriz cujas colunas s


ao os autovetores de A;
b ) A matriz diagonal D = P 1 A P ;
c ) An ;
Se os elementos diagonais de D s
ao n
ao negativos, seja

B = P D P 1
onde

D=

" p

0
p
2

Ent
ao B e a raiz quadrada positiva de A; isto e, B 2 = A.
d ) Encontre a raiz quadrada da matriz A;
e ) Verifique que, de fato, B 2 = A.


2 2
33) Seja A =
. Encontre:
1 3
a ) Os autovalores e os autovetores correspondentes;
b ) Uma matriz n
ao singular P e P 1 tais que P 1 A P e diagonal;
c ) A6 e f (A) onde f (t) = t4 3t3 6t2 + 7t + 3;
d ) A raiz quadrada positiva de A.


2 1
34) Repita o exerccio anterior para A =
.
2
3
35) Sejam A, B Mn (R) escreva uma formula para

(A + B)2 , (A B)2 , A2 B 2

0 1 1

36) Seja A = 1 0 1 , calcule An .


1 1 0

1
1 0

37) Seja A = 2 2 2 , calcule An .


0

362

Teorema de Gersgorin
(1906-1995)

Olga Taussky-Todd foi uma das mulheres pioneiras na


An
alise Matricial e a primeira mulher a ocupar um cargo
de professora no Instituto Tecnol
ogico da Calif
ornia. Ela
trabalhou no Laborat
orio Nacional de Fsica em Londres
durante a Segunda Guerra Mundial, onde foi encarregada
de estudar vibraco
es em aeronaves supers
onicas. Ocorre
que os problemas centrais de vibraco
es eram relacionadas `
a localizaca
o dos
autovalores de uma certa matriz complexa 6 6 e assim foi contratado um
grande grupo de jovens meninas para efetuar os c
alculos necess
arios em calculadoras manuais. Olga Taussky-Todd havia ouvido falar de um resultado,
denominado Teorema de Gersgorin, que fornecia uma maneira simples de
identificar certos crculos que continham autovalores de uma matriz complexa. Ela rapidamente percebeu que esse teorema poderia ser usado para
fornecer informaco
es sobre vibraco
es que de outro modo exigiriam c
alculos
trabalhosos. Essa observaca
o elevou o teorema de Gersgorin da obscuridade
a import
`
ancia pr
atica. Depois da Segunda Guerra Mundial ela continuou
seu trabalho em assuntos relacionados a matrizes e ajudou a trazer muitos
resultados conhecidos (mas discrepantes) sobre matrizes para um assunto
coerente, que hoje conhecemos como Teoria de Matrizes.
([8], p. 513)

A equac
ao

(p. 331)

AX = X
define vetor pr
oprio de uma matriz. Se a matriz A e complexa consideramos
o escalar tomando valores no corpo complexo C. Como no caso real provase que e valor pr
oprio de A se, e somente se,
det (A In ) = 0
Isto e, os valores pr
oprios de A s
ao as razes do polin
omio resultante da
equacao acima. O conjunto dos valores pr
oprios de A e chamado de espectro
de A.
O teorema de Gersgorin nos permite prever onde se localiza no plano
complexo o espectro de uma matriz, sem calcular explicitamente seus valores.
Antes de enunciar e provar o teorema de Gersgorin necessitamos de uma
definicao, dada a seguir:

363

Defini
c
ao 47. Seja z0 um n
umero complexo e r > 0 um n
umero real.
Chama-se disco de centro z0 e raio r o subconjunto D(z0 , r) do plano complexo definido por
y

zs0
2

z C : |z z0 | r

D(z0 ; r) =

D(z0 ; r)

Teorema 12 (Teorema de Gersgorin). Seja A = (aij ) uma matriz complexa


de ordem n. Consideremos os n discos D(aii ; ri ) onde
n
X

ri =

j=1
j 6= i

|aij |

(i = 1, . . . , n).

Ent
ao o espectro de A est
a contido na reuni
ao destes n discos.
Antes da prova deste teorema vamos exemplific
a-lo para a matriz

i
i
0

2 + i
i
A= 1
M3 (C)
i
i
1 + i

Vamos encontrar os tres discos:


ri =

3
X

j=1
j 6= i

|aij |

Ent
ao
i=1

Temos
|a12 | =

(i = 1, 2, 3).

3
X

r1 =

j=1
j 6= 1

02 + (1)2 = 1

364

|a1j | = |a12 | + |a13 |

|a13 | =

p
02 + 02 = 0

Portanto o primeiro disco e




D(z0 ; r) = z C : |z z0 | r
D (0, 1); 1

z = (x, y) C : | (x, y) (0, 1) | 1

Onde, z0 = a11 = i = (0, 1). Ou seja, s


ao todos os n
umeros complexos que
satisfazem a desigualdade
p
(x 0)2 + (y 1)2 1

S
ao os pontos no disco de equac
ao

(x 0)2 + (y 1)2 = 1
Para o segundo disco, temos

i=2

Temos
|a21 | =

r2 =

3
X

j=1
j 6= 2

12 + 02 = 1

|a2j | = |a21 | + |a23 |

|a23 | =

Portanto o segundo disco e




D(z0 ; r) = z C : |z z0 | r
D (2, 1); 2

02 + 12 = 1

z = (x, y) C : | (x, y) (2, 1) | 2

Onde, z0 = a22 = 2+i = (2, 1). Ou seja, s


ao todos os n
umeros complexos
que satisfazem a desigualdade
p
(x + 2)2 + (y 1)2 2
S
ao os pontos no disco de equac
ao

(x + 2)2 + (y 1)2 = 2
Para o terceiro disco, temos
i=3

Temos
|a31 | =

r3 =

02 + 12 = 1

3
X

j=1
j 6= 3
e
365

|a3j | = |a31 | + |a32 |

|a32 | =

02 + 12 = 1

Portanto o terceiro disco e




D(z0 ; r) = z C : |z z0 | r
D (1, 1); 2

z = (x, y) C : | (x, y) (1, 1) | 2

Onde, z0 = a33 = 1+i = (1, 1). Ou seja, s


ao todos os n
umeros complexos
que satisfazem a desigualdade
p
(x + 1)2 + (y 1)2 2
S
ao os pontos no disco de equacao

(x + 1)2 + (y 1)2 = 2
Logo, o teorema de Gersgorin afirma que os autovalores da matriz A
situam-se todos na reuniao destes tres discos:
y

Podemos confirmar isto calculando as razes do polin


omio

i
i
0

2 + i
i
det (A In ) = 0 det 1
=0
i
i
1 + i

Desenvolvendo este determinante pela primeira





2 + i
i


(i )
(i)

i
1 + i
366

linha obtemos:

1
i


i
1 + i




=0

Ao final obtemos o polin


omio caracterstico da matriz
3 + (3 3i) 2 (5i) (2 + 2i) = 0
cujas razes s
ao
1 = 1, 2 = i, 3 = 2 + 2i
Vamos alocar estes autovalores no gr
afico anterior
y

pt

Nesta figura retiramos os centros dos discos para


Vamos agora demonstrar o teorema de Gersgorin.

x1
..
Prova: Tomemos um valor pr
oprio e seja X = .
xn

associado a .
A igualdade A X = X pode ser reescrita como

....................................

an1 x1 + an2 x2 + + ann xn = xn


Ou ainda
367

a21 x1 + a22 x2 + + a2n xn = x2

a11 x1 + a12 x2 + + a1n xn = x1

n
X
j=1

evitar confus
ao.

oprio
um vetor pr
(eq. (6.9), p. 349)

aij xj = xi ( i = 1, . . . , n )

a x
21
1

+ a12 x2

+ a1n xn

= x1 a11 x1

+ a2n xn

= x2 a22 x2

.......................................................

a x + a x + +
0
= x2 ann xn
n1
1
n2
2

O sistema acima pode ser reescrito de forma compacta como


n
X
aij xj = xi aii xi = ( aii ) xi
(i = 1, . . . , n).
j=1
j 6= i

(6.10)

Vamos escolher o ndice i0 { 1, . . . , n } tal que

| xi | = max{ |xi | : i = 1, . . . , n }
0

Substituindo este ndice na equacao (6.10) e tomando o m


odulo obtemos:







n

X

ai j xj = |( ai i ) xi |

0 0
0

j =1 0



j 6= i0
Sendo assim temos

Ou ainda

Logo








n
X



ai j xj
|( ai i ) xi | = | ai i | |xi | =
0
0 0
0
0 0
0

j =1



j 6= i0








X
n
X

n
|ai j | |xj |
| ai i | |xi | =
ai j xj
0
0 0
0

j=1 0
j=1


j 6= i0
j 6= i0

X
|ai j |
|ai j | |xj |
| ai i | |xi |
max |xj |

0
0
0 0
0

j=1
j=1
j 6= i0
j 6= i0
n
X

Lembramos
que
para n
umeros reais valem: |a1 + a2 + + an | |a1 | + |a2 | + + |an |
P
P


n
isto e n
a

|a

j |, e mais: |a b| = |a| |b|.
j=1 j
j=1

368

Entao

n
X
n

| ai i | |xi |
|ai j | max |xj |
|ai j | |xi |
0 0
0
0
0
0
j=1

j=1
j 6= i0
j 6= i0

Portanto

| ai

0 i0

| |xi |
0

n
X

j=1
j 6= i0

|ai j | |xi | | ai
0

0 i0

Esta u
ltima desigualdade implica em que D(ai

0 i0

6.3.3

n
X

j=1
j 6= i0

|ai j |
0

; ri ).

Exerccios

38) Considere a matriz A =

"

1+i

2i

M2 (C).

Encontre e faca um esboco gr


afico dos discos de Gersgorin. Plote
no gr
afico os autovalores da matriz.
39) Repita o exerccio anterior para a matriz A =

"

1+i
i

i i

40) Repita o exerccio anterior para a matriz

1+i

A = i

12

1 + i
i

0
M3 (C).

2i

Dica: Um dos autovalores da matriz coincide com o centro do primeiro disco.

369

EPISTOLA PREAMBULAR (De Giordano Bruno)


PARA O ILUSTRISSIMO SENHOR MICHEL DE CASTELNAU
Se eu, ilustrssimo Cavaleiro, manejasse o arado, apascentasse um rebanho,
cultivasse uma horta, remendasse um fato, ninguem faria caso de mim, raros me
observariam, poucos me censurariam, e f`acilmente poderia agradar a todos. Mas,
por eu ser delineador do campo da natureza, atento ao alimento da alma, ansioso
da cultura do esprito e estudioso da actividade do intelecto, eis que me ameaca
quem se sente visado, me assalta quem se ve observado, me morde quem e atingido,
me devora quem se sente descoberto. E n
ao e so um, n
ao sao poucos, sao muitos,
sao quase todos. Se quiserdes saber porque isto acontece, digo-vos que a raz
ao e
que tudo me desagrada, que detesto o vulgo, a multidao n
ao me contenta, e so uma
coisa me fascina: aquela, em virtude da qual me sinto livre em sujeicao, contente em
pena, rico na indigencia e vivo na morte; em virtude da qual n
ao invejo aqueles que
sao servos na liberdade, que sentem pena no prazer, sao pobres na riqueza e mortos
em vida, pois que tem no proprio corpo a cadeia que os acorrenta, no esprito o
inferno que os oprime, na alma o error que os adoenta, na mente o letargo que
os mata, n
ao havendo magnanimidade que os redima, nem longanimidade que os
eleve, nem esplendor que os abrilhante, nem ciencia que os avive. Da, sucede que
n
ao arredo o pe do
arduo caminho, por cansado; nem retiro as maos da obra que se
me apresenta, por indolente; nem qual desesperado, viro as costas ao inimigo que
se me opoe, nem como deslumbrado, desvio os olhos do divino objeto: no entanto,
sinto-me geralmente reputado um sofista, que mais procura parecer subtil do que
ser verdico; um ambicioso, que mais se esforca por suscitar nova e falsa seita do que
por consolidar a antiga e verdadeira; um trapaceiro que procura o resplendor da
gl
oria impingindo as trevas dos erros; um esprito inquieto que subverte os edifcios
da boa disciplina, tornando-se maquinador de perversidade. Oxala, Senhor, que os
santos numes afastem de mim todos aqueles que injustamente me odeiam; oxala
que me seja sempre propcio o meu Deus; oxala que me sejam favoraveis todos os
governantes do nosso mundo; oxala que os astros me tratem tal como `a semente em
relacao ao campo, e ao campo em relacao `a semente, de maneira que apareca no
mundo algum fruto u
til e glorioso do meu labor, acordando o esprito e abrindo o
sentimento `
aqueles que n
ao tem luz de intelecto; pois, em verdade, eu n
ao me entrego a fantasias, e se erro, julgo n
ao errar intencionalmente; falando e escrevendo,
n
ao disputo pelo amor da vitoria em si mesma (pois que todas as reputacoes e
vitorias considero inimigas de Deus, abjectas e sem sombra de honra, se n
ao assentarem na verdade), mas por amor da verdadeira sapiencia e fervor da verdadeira
isto que ir
especulacao me afadigo, me apoquento, me atormento. E
ao comprovar os argumentos da demonstracao, baseados em raciocnios validos que procedem
de um juzo recto, informado por imagens n
ao falsas, que, como verdadeiras embaixadoras, se desprendem das coisas da natureza e se tornam presentes `aqueles
que as procuram, patentes `aqueles que as miram, claras para todo aquele que as
aprende, certas para todo aquele que as compreende. Apresento-vos agora a minha
especulacao acerca do infinito, do universo e dos mundos inumeraveis.
Do livro: ACERCA DO INFINITO, DO UNIVERSO E DOS MUNDOS.
Giordano Bruno (1548-1600) foi queimado vivo em 1600 pelo Papa.

370

Captulo

FORMAS BILINEARES E

QUADRATICAS
Tanto para eruditos quanto para leigos n
ao
e a Filosofia, mas a experi
encia
ativa na pr
opria Matem
atica que unicamente pode responder `
a quest
ao: o que
e
Matem
atica?

(Richard Courant)

Introdu
c
ao: As formas bilineares, a serem estudadas nesta secao, est
ao relacionadas com consideracoes acerca da energia de um sistema e, portanto, com toda
a Fsica.

7.1

Formas Bilineares

Defini
c
ao 48. Sejam U e V espacos vetoriais sobre R. Uma forma bilinear e
uma transformac
ao
f : U V R

(u, v) 7 f (u, v)

que satisfaz as seguintes condic


oes:
( i ) Para todo v fixado, f e linear em u, isto e,
f ( u1 + u2 , v ) = f ( u1 , v ) + f ( u2 , v )
f ( u, v ) = f ( u, v )
( ii ) Para todo u fixado, f e linear em v, isto e,
f ( u, v1 + v2 ) = f ( u, v1 ) + f ( u, v2 )
f ( u, v ) = f ( u, v )
Em resumo: uma forma bilinear e linear em cada uma das duas variaveis.

371

Indicaremos por

B UV o conjunto das transformacoes bilineares de U em V , isto

e:
=

f : U V R
(u, v)

: f e bilinear

7 f (u, v)

U
V

O conjunto B UV passa a ter uma estrutura de espaco vetorial sobre R se definirmos adicao e multiplicacao por escalar da forma usual:
(f + g)(u, v) = f (u, v) + g(u, v)
( f )(u, v) = f (u, v)
Para quaisquer f, g B UV e R.
Exemplos:
1 ) O produto usual de n
umeros reais
p : RRR
(x, y)

7 p(x, y) = x y

De fato,
(i)
p(x + y, z) = (x + y) z = xz + yz = p(x, z) + p(y, z)
p( x, y) = ( x) y = (x y) = p(x, y)
( ii ) Analogo.
2 ) Seja V um espaco vetorial com produto interno. A transformacao
f : V V

(u, v) 7 f (u, v) = h u, v i
e uma forma bilinear. Isto decorre da definicao de produto interno e das propriedades P2 e P3 .
(def. 29, p. 258; p. 262)
Resumindo: Todo produto interno em um espaco vetorial V e uma forma bilinear.
3 ) Seja A uma matriz real m n fixada. A aplicacao
fA : Mm1 (R) Mn1 (R) R

(7.1)

fA (X, Y ) = X t A Y

(7.2)

dada por
e bilinear. Basta ter em conta as propriedades de multiplicacao de matrizes e de
matriz por escalar.
(Cap. 8)

372

Vejamos um exemplo para desanuviar os hieroglifos anteriores. Ent


ao
fA : M21 (R) M31 (R) R

A=

1
4

2 1
3
2

x1
x2

X=

Y =

y1
y2
y3

Portanto
fA (X, Y ) = X t A Y =

x1

x2

1
4

2 1
3
2

Fazendo as multiplicacoes obtemos

y1
y2
y3

fA (X, Y ) = x1 y1 + 4x2 y1 + 2x1 y2 + 3x2 y2 x1 y3 + 2x2 y3


4 ) Sejam : U R e : V R duas formas lineares.

(p. 224)

A transformacao f : U V R definida por


f (u, v) = (u) (v)
e bilinear. Vamos provar, por exemplo, o tem ( ii ) da definicao. Veja

f ( u, v1 + v2 ) = (u) (v1 + v2 ) = (u) (v1 ) + (v2 )

= (u) (v1 ) + (u) (v2 )


= f ( u, v1 ) + f ( u, v2 )

Por outro lado


f ( u, v ) = (u) ( v) = (u) (v)
= (u) (v)
= f (u, v)

Esta forma bilinear e denotada por e recebe o nome de produto tensorial


das formas lineares e . Portanto
: U R
: V R

: U V R
(u, v)

373

7 (u) (v)

5 ) Sejam : U R e : V R duas formas lineares.


A transformacao f : U V R definida por
f (u, v) = (u) (v) (v) (u)
e bilinear (mostre isto). Esta forma bilinear e denotada por e recebe o nome
de produto exterior das formas lineares e .

7.1.1

Matriz de uma forma bilinear

Suponhamos que U e V sejam espacos vetoriais sobre R de dimensoes m e n,


respectivamente, e, ademais, que f : U V R seja uma forma bilinear. Consideremos uma base B = { u1 , u2 , . . . , um } de U e uma base C = { v1 , v2 , . . . , vn }
de V . Consideremos
u = 1 u1 + 2 u2 + + m um

e v = 1 v1 + 2 v2 + + n vn

vetores arbitrarios em U e V , respectivamente. Sendo assim, temos


f (u, v) = f (1 u1 + 2 u2 + + m um , 1 v1 + 2 v2 + + n vn )
= 1 1 f (u1 , v1 ) + 1 2 f (u1 , v2 ) + + 1 n f (u1 , vn )
+ 2 1 f (u2 , v1 ) + 2 2 f (u2 , v2 ) + + 2 n f (u2 , vn )

+ m 1 f (um , v1 ) + m 2 f (um , v2 ) + + m n f (um , vn )


Podemos reescrever o lado direito dessa equacao em forma matricial:

2 m

f (u1 , v1 )

f (u1 , v2 )

...

f (u1 , vn )

 f (u , v ) f (u , v ) . . . f (u , v )
2
1
2
2
2
n

......................................
f (um , v1 ) f (um , v2 ) . . . f (um , vn )

1
2
..
.
n

A matriz de ordem m n dada por

f (u1 , v1 )

f (u1 , v2 )

...

f (u1 , vn )

 f (u , v ) f (u , v ) . . . f (u , v )
2
1
2
2
2
n
f (ui , vj ) =

......................................
f (um , v1 ) f (um , v2 ) . . . f (um , vn )

e chamada matriz da forma bilinear de f em relacao `as bases B e C.

374

(7.3)

Considerando

[ u ]B =

Vale a igualdade

1
2
..
.
n

f (u, v) = [ u ]tB

[ v ]C =

1
2
..
.
n


f (ui , vj ) [ v ]C

(7.4)

Exemplo: Seja a forma bilinear f : R3 R3 R, dada por



f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = 2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3

Consideremos a base can


onica do R3 , isto e

B = { u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (0, 0, 1) }, e


C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) }
Ent
ao, a matriz de f dever
a ser de ordem 3 3, por exemplo

f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = 2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3


f (1, 0, 0), (1, 0, 0) = 2 1 1 + 4 0 1 + 2 0 0 + 2 0 0 = 2
| {z } | {z }
u1

v1

Portanto f (u1 , v1 ) = 2. Procedendo de modo analogo para as outras posicoes


da matriz, obtemos

f (u1 , v1 ) f (u1 , v2 ) f (u1 , v3 )

2 0

f (ui , vj ) =
f
(u
,
v
)
f
(u
,
v
)
f
(u
,
v
)
=
2
1
2
2
2
3

4 2
0 0
f (u , v ) f (u , v ) f (u , v )


0
2

Podemos escrever a forma bilinear dada na forma matricial:

 
f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = x1

375

x2

2

x3 4
0

0 0
y1

2 0 y2
y3
0 2

Exemplo: Seja a forma bilinear f : R2 R3 R, dada por


f (u, v) = x1 y1 + 3x1 y2 x1 y3 + x2 y1 3x2 y3
Onde u = (x1 , x2 ) e v = (y1 , y2 , y3 ) sao vetores genericos do R2 e do R3 ,
respectivamente. Consideremos, nos respectivos espacos, as bases canonicas:
B = { u1 = (1, 0), u2 = (0, 1) }, e
C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) }
Ent
ao, a matriz de f devera ser de ordem 2 3, por exemplo
f (u2 , v3 ) = x1 y1 + 3x1 y2 x1 y3 + x2 y1 3x2 y3

f (0, 1), (0, 0, 1) = 0 0 + 3 0 0 0 1 + 1 0
| {z } | {z }
u2

3 1 1 = 3

v3

Portanto f (u2 , v3 ) = 3. Procedendo de modo analogo para as outras posicoes


da matriz, obtemos

f (ui , vj ) =

"

f (u1 , v1 )

f (u1 , v2 )

f (u1 , v3 )

f (u2 , v1 )

f (u2 , v2 )

f (u2 , v3 )

"

1 3
1 0

1
3

Podemos escrever a forma bilinear dada na forma matricial:

"
# y1

 1 3 1

f (u, v) = x1 x2
y2
1 0 3
y3

Mudan
ca de base
Daqui para a frente restringiremos as formas bilineares f : U V R aos casos
em que U = V . Estaremos tentando responder a seguinte pergunta: como a matriz
que representa uma forma bilinear se altera quando uma nova base e escolhida? A
resposta e dada na proxima
Proposi
c
ao 34. Seja P a matriz de mudanca da base B = { u1 , u2 , . . . , un } do
espaco vetorial V para a base C = { v1 , v2 , . . . , vn } desse mesmo espaco. Se A e
a representac
ao matricial da forma bilinear f : V V R na base original B,
ent
ao P t A P e a representac
ao matricial de f na nova base C.

376

Antes da prova desta proposicao, vejamos um exemplo.


Seja f : R2 R2 R dada por

f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 3x1 y2 + 4x2 y2

a ) Determine a matriz A de f na base { u1 = (1, 0), u2 = (1, 1) }.


b ) Determine a matriz B de f na base { v1 = (2, 1), v2 = (1, 1) }.
c ) Determine a matriz P de mudanca da base antiga { ui } para a nova base
{ vi }. Verifique que B = P t A P .
Solu
c
ao:
a ) A matriz que comparece em (7.3) (p. 374) adaptada ao presente contexto fica
assim:
"
#
f (u1 , u1 ) f (u1 , u2 )
A=
f (u2 , u1 ) f (u2 , u2 )
Por exemplo

f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 3x1 y2 + 4x2 y2


f (1, 0), (1, 0) = 2 1 1 3 1 0 + 4 0 0 = 2
| {z } | {z }
u1

u1

Procedendo de modo analogo para as outras posicoes da matriz, obtemos


"
#
2 1
A=
2
3
b ) Agora procuramos a matriz:
"
B=

f (v1 , v1 ) f (v1 , v2 )
f (v2 , v1 ) f (v2 , v2 )

Por exemplo

f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 3x1 y2 + 4x2 y2


f (1, 1), (2, 1) = 2 1 2 3 1 1 + 4 (1) 1 = 3
| {z } | {z }
v2

v1

Procedendo de modo analogo para as outras posicoes da matriz, obtemos


"
#
6 6
B=
3 9

377

c ) Agora procuramos a matriz:


P =

"

11
21

12
22

Onde:

(def. 12, p. 113)

v1 = 11 u1 + 21 u2
v2 = 12 u1 + 22 u2
Escrevendo os vetores da base { vi } como combinacao linear dos vetores da base
{ ui }, temos
(2, 1) = 11 (1, 0) + 21 (1, 1)
(1, 1) = 12 (1, 0) + 22 (1, 1)
Resolvendo este sistema encontramos
P =
Facamos o produto
"
1
t
P AP =
2

1
1

#"

"

1
1

2
1

#"

1
2
1 1

"

6 6
3 9

=B

Prova: Sejam u, v V . Como P e a matriz de mudanca da base B para a base


C temos que
(eq. (2.18), p. 120)
[ u ] B = P [ u ]C
Similarmente temos
[ v ] B = P [ v ]C
Tomando o transposto em ambos os membros da primeira equacao
t
t
[ u ]tB = [ u ]tC P t
[ u ]B = P [ u ]C

Tendo em conta que

(eq. (7.4), p. 375)

f (u, v) = [ u ]tB A [ v ]B
Escrevemos
f (u, v) = [ u ]tB A [ v ]B
= [ u ]tC P t A P [ v ]C
Como u e v sao vetores arbitrarios em V , segue que P t A P e a representacao
matricial da forma bilinear f na base nova C.

A proposicao anterior motiva a seguinte definicao

Observe que esta equac


ao deriva da equac
ao (7.4) (p. 375), na qual tomamos as duas
bases iguais B = C.

378

Defini
c
ao 49. Uma matriz B e congruente a uma matriz A se existe uma matriz
inversvel P tal que B = P t A P .
Sendo assim: Quando se muda a base do espaco vetorial V , a matriz da forma
bilinear f : V V R muda para uma outra matriz congruente `a primeira.
Notac
ao: Se A e congruente a B escrevemos: A B.
Proposi
c
ao 35. A relac
ao no conjunto das matrizes quadradas e uma relac
ao
de equivalencia, isto e:
(i)
( ii )
( iii )

A A, para toda A;
Se A B ent
ao B A;
Se A B e B C ent
ao A C.

Prova:
( i ) A matriz identidade In e tal que Int = In . Como A = Int A In , segue que A A.
( ii ) Como A B, existe uma matriz inversvel P tal que A = P t B P . Multiplicado
1
essa igualdade do lado esquerdo por P t
e do lado direito por P 1 encontramos



t
t 1
1
t 1
1 t
B = P
A P , mas P
= P
; logo, B = P 1 A P 1 e P 1
tambem e inversvel; assim, B A.
( iii ) Como A B e B C existem matrizes inversveis P e Q tais que
A= PtBP

B = Qt C Q

Ent
ao
A = P t B P = P t (Q t C Q) P
Logo
A = (P t Q t ) C (Q P ) = (Q P ) t C (Q P )
Q P sendo inversvel decorre que A C.

7.1.2

Formas bilineares sim


etricas

Defini
c
ao 50. Seja f : V V R uma forma bilinear sobre V . Dizemos que f
e simetrica se, para todos u, v V tivermos
f (u, v) = f (v, u)

O conjunto

BS VV das formas bilineares simetricas e um subespaco vetorial do

espaco B VV das formas bilineares. De fato, esse conjunto e fechado para as operacoes
de adicao e multiplicacao por escalar; por exemplo, se f e g sao simetricas ent
ao
(f + g)(u, v) = f (u, v) + g(u, v) = f (v, u) + g(v, u) = (f + g)(v, u)
isto e, f + g e simetrica.

379

Das definicoes de matriz de uma forma bilinear e forma bilinear simetrica e facil
inferir que a matriz de uma forma simetrica e uma matriz simetrica.
Por outro lado seja A uma matriz simetrica e seja f a forma representada por
A, numa certa base B:
(eq. (7.2), 372)
fA (X, Y ) = X t A Y
Apenas facamos uma ligeira troca de notacao
f (u, v) = X t A Y
Onde

[ u ]B =

x1
x2
..
.
xn

=X

[ v ]B =

y1
y2
..
.
yn

=Y

Vamos provar que f (u, v) e simetrica. Com efeito,


t
f (v, u) = Y t A X = Y t A t ( (X) t )t = (X t A Y )t = f (u, v) = f (u, v)

Nota: A primeira igualdade acima foi obtida fazendo-se a permuta entre X e Y


na equacao (7.2) (p. 372) . Isto e possvel em funcao de que A e de ordem n n,
observe a equacao (7.1) (p. 372).
A u
ltima igualdade se deve a que f (u, v) e um n
umero real, pode ser visto
como uma matriz 1 1 que, portanto, coincide com sua transposta.
Portanto, existe uma bijecao

BS VV MSn (R)
Onde, a cada f BS VV (dim V = n) est
a associada uma matriz simetrica de ordem
n e, vice-versa. Em resumo: o espaco das formas bilineares simetricas e isomorfo
ao espaco das matrizes reais simetricas.
O principal resultado sobre formas bilineares simetricas e dado a seguir.
Teorema 13. Seja f : V V R uma forma bilinear simetrica. Ent
ao existe
uma base de V em relac
ao a
` qual a matriz de f e diagonal, isto e, tal que f (vi , vj ) =
0 se i 6= j.
Prova: A demonstracao se faz por inducao sobre a dimensao n do espaco.
Inicialmente consideremos
f = 0 e dim

 V = 1. Se B = { u1 } e uma base de V , a
matriz de f e [ f ] = f (u1 , u1 ) = 0 , e o teorema est
a provado.
Seja V um espaco de dimensao n > 1 e suponhamos o teorema valido para os
espacos de dimensao n 1. Devemos provar que o teorema e valido para o caso em
que dim V = n.
Considere ent
ao que f 6= 0 e dim V > 1. Existe um vetor v1 em V tal que

380

f (v1 , v1 ) 6= 0. De fato, se o contr


ario e que fosse verdadeiro, isto e, f (v, v) = 0,
para todo v V , teramos
0 = f (u + v, u + v) = f (u, u) + f (u, v) + f (v, u) + f (v, v)
=

+ f (u, v) + f (u, v) +

0 = 2f (u, v)

resultando f = 0, absurdo.
Considerando ent
ao o vetor v1 tal que f (v1 , v1 ) 6= 0, todo vetor v V admite
a seguinte decomposicao


f (v, v1 )
f (v, v1 )
v= v
v1 +
v
(7.5)
f (v1 , v1 )
f (v1 , v1 ) 1
Facamos a seguinte notacao


f (v, v1 )
x= v
v1
f (v1 , v1 )

y=

f (v, v1 )
v
f (v1 , v1 ) 1

Observe que y e m
ultiplo de v1 . Consideremos, ademais, os seguintes subconjuntos
de V


f (v, v1 )
v1 : v V
e
U2 = [ v1 ]
U1 = x = v
f (v1 , v1 )
Afirmamos que U1 e um subespaco vetorial de V . Com efeito, tomando
v = v1 x = v1

f (v1 , v1 )
v = 0 U1
f (v1 , v1 ) 1

Mostremos que este conjunto e fechado para operacao de adicao. De fato, tomando
dois elementos neste conjunto, digamos:
x=v

f (v, v1 )
v
f (v1 , v1 ) 1

Temos
x + x = v

x = v

f (v , v1 )
v
f (v1 , v1 ) 1

f (v, v1 )
f (v , v1 )
v1 + v
v
f (v1 , v1 )
f (v1 , v1 ) 1

Ent
ao
x + x = (v + v )
Ou ainda:

f (v, v1 )
f (v , v1 )
+
f (v1 , v1 )
f (v1 , v1 )

x + x = (v + v )

v1

f (v + v , v1 )
v1 U1
f (v1 , v1 )

De modo analogo mostramos que U1 e fechado para a multiplicacao por escalar.


Sendo assim a equacao (7.5) nos permite escrever V como a soma de dois subespacos: V = U1 + U2 . Mostremos que esta soma e direta. Temos


f (v, v1 )
f (v, v1 )
v1 , v1 = f (v, v1 )
f (v1 , v1 ) = 0
f (x, v1 ) = f v
f (v1 , v1 )
f (v1 , v1 )
Por isso dizemos que x e ortogonal a v1 relativamente a f . Observe ainda que se
e um escalar n
ao nulo
f (v1 , v1 ) 6= 0 f (v1 , v1 ) 6= 0 f ( v1 , v1 ) 6= 0

381

donde concluimos que nenhum m


ultiplo n
ao nulo de v1 pode ser ortogonal a v1 (relativamente a f ). De outro modo, nenhum elemento n
ao nulo de U2 pode pertencer
a U1 (conjunto dos elementos ortogonais a v1 , relativamente a f ), o que nos permite
escrever U1 U2 = { 0 }. Logo, V = U1 U2 .
V
U2
y s

sv = x + y

v1 s
U1

s
x

O subespaco gerado por v1 e de dimensao 1; logo, a dimensao do subespaco U1


e n 1. A restricao de f a este subespaco e simetrica; logo, podemos aplicar a este
subespaco a hip
otese de inducao e concluir que existe uma base { v2 , . . . , vn } U1
de maneira que f (vi , vj ) = 0 se i 6= j, para i, j { 2, . . . , n }. Ate o presente
momento podemos escrever

f (v1 , v1 )

f (v1 , v2 )

...

f (v1 , vn )

f (v , v ) f (v , v ) . . . f (v , v )
2
1
2
2

| 2{z n}



=0
f (vi , vj ) =
....................................

f (vn , v1 ) f (vn , v2 ) . . . f (vn , vn )


| {z }
=0

Afirmamos que o conjunto { v1 } { v2 , . . . , vn } e linearmente independente.


De fato, se n
ao fosse este o caso, pela propriedade P5 (p. 90), o vetor v1 seria
combinacao linear dos demais; isto e, existiriam escalares 2 , . . . , n tais que
v1 = 2 v2 + + n vn
Sendo assim
f (v1 , v1 ) = f (v1 , 2 v2 + + n vn )
= 2 f (v1 , v2 ) + + n f (v1 , vn )
+ + n 0 = 0

= 2 0

Porquanto os vetores v2 , . . . , vn sao ortogonais a v1 (relativamente a f ). A contradicao acima prova nossa afirmativa. Sendo assim B = { v1 , v2 , . . . , vn } e uma

A ttulo de simplificac
ao de notac
oes manteremos a mesma notac
ao, f , para a restric
ao
de f ao subespaco U1 .

382

base de V satisfazendo f (vi , vj ) = 0, sempre que i 6= j, resultando:




f (vi , vj )
=
B

f (v1 , v2 )
| {z }
=0
=0

f (v2 , v1 )
f (v2 , v2 ) . . . f (v2 , vn )
| {z }
| {z }

=0
=0

.....................................

f (vn , v1 ) f (vn , v2 ) . . . f (vn , vn )


| {z } | {z }
f (v1 , v1 )

f (v1 , v2 )
| {z }

=0

=0

...

Corol
ario 6. Seja A uma matriz simetrica. Ent
ao A e congruente a uma matriz
diagonal; isto e, existe uma matriz inversvel P tal que P t A P e diagonal.

7.1.3

Formas bilineares antissim


etricas

Defini
c
ao 51. Seja f : V V R uma forma bilinear sobre V . Dizemos que f
e antissimetrica se, para todos u, v V tivermos
f (u, v) = f (v, u)
Nota: Decorre da definicao que f (u, u) = 0, u, v V .
O conjunto BA VV das formas bilineares antissimetricas e um subespaco vetorial do
espaco B VV das formas bilineares. De fato, esse conjunto e fechado para as operacoes
de adicao e multiplicacao por escalar; por exemplo, se f e g sao antissimetricas
ent
ao
(f + g)(u, v) = f (u, v) + g(u, v) = f (v, u) g(v, u)

= f (v, u) + g(v, u) = (f + g)(v, u)

isto e, f + g e antissimetrica.
Para que f seja antissimetrica e suficiente que se tenha f (vi , vj ) = f (vj , vi )
numa base { v1 , v2 , . . . , vn } V . Ou seja, a matriz de uma forma bilinear antissimetrica e uma matriz antissimetrica. Reciprocamente, dada uma matriz antissimetrica, pode-se mostrar que a forma bilinear de que ela provem, escolhida uma
base apropriada de V , e antissimetrica.
Uma forma bilinear f , ao mesmo tempo simetrica e antissimetrica, deve ser
nula. Com efeito, para todos u, v V , temos:
(
f (u, v) = f (v, u)
f (v, u) = f (v, u) f (v, u) = f (u, v) = 0
f (u, v) = f (v, u)
Este resultado implica que

BS VV BA VV = { 0 }
383

Por outro lado toda forma bilinear f B VV pode ser escrita como


1
1
f (u, v) =
f (u, v) + f (v, u) +
f (u, v) f (v, u)
2
2
Observe que

1
f (u, v) + f (v, u) = g(v, u) e simetrica
g(u, v) =
2
e

1
h(u, v) =
f (u, v) f (v, u) = h(v, u) e antissimetrica
2

O que significa que toda forma bilinear f


dois elementos
f (u, v) = g(u, v) + h(u, v)

B VV pode ser escrita como a soma dos

B VV = BS VV + BA VV

E mais ainda: B VV = BS VV BA VV .
O principal resultado sobre formas bilineares antissimetricas e dado a seguir.
Teorema 14. Seja f : V V R uma forma bilinear antissimetrica. Ent
ao
existe uma base de V na qual f e representada por uma matriz diagonal por blocos
na forma

..

(7.6)
A

..
.
0
Onde A =

0 1
1 0

Prova: Inicialmente fazemos uma observacao. Quando se afirma que a matriz


da forma antissimetrica e da forma dada em (7.6), isto significa que os blocos da
diagonal sao da forma A ou 0 sendo este ou n
ao exclusivo.
A demonstracao se faz por inducao sobre a dimensao n do espaco.
ao o teorema e obviamente verdadeiro. Alem disso, se dim V = 1,
Se f = 0, ent
ent
ao f (1 u, 2 u) = 1 2 f (u, u) = 0 e, assim , f = 0. Sendo assim, podemos
supor f 6= 0 e dim V > 1. Como f 6= 0, existem vetores v1 , v2 V tais que
f (
v1 , v2 ) 6= 0.
Esses dois vetores sao linearmente independentes, pois se v2 = v1 ent
ao
f (
v1 , v2 ) = f (
v1 , v1 ) = f (
v1 , v1 ) = 0
Seja U1 = [ v1 , v2 ] o subespaco gerado por v1 e v2 . A restricao de f ao subespaco
U1 e uma forma bilinear antissimetrica; calculemos a matriz da restricao de f em
relacao `
a base
1
(7.7)
B = { v1 , v2 },
onde =
f (
v1 , v2 )

Ver nota ap
os def. 51, p. 383.

384

Ent
ao

(eq. (7.3), p. 374)


f (ui , vj ) =

"

f (u1 , v1 ) f (u1 , v2 )
f (u2 , v1 ) f (u2 , v2 )

Adaptando esta (aquela) matriz ao presente contexto temos


B = { u1 = v1 , u2 = v2 }

C = { v1 = v1 , v2 = v2 }

(7.8)

Sendo assim, temos


f (u1 , v1 ) = f ( v1 , v1 ) = 2 f (
v1 , v1 ) = 2 0 = 0
e
f (u1 , v2 ) = f ( v1 , v2 ) = f (
v1 , v2 ) =
e
f (u2 , v1 ) = f (
v2 , v1 ) = f (
v2 , v1 ) =
e

1
f (
v1 , v2 ) = 1
f (
v1 , v2 )


1
f (
v1 , v2 ) = 1
f (
v1 , v2 )

f (u2 , v2 ) = f (
v2 , v2 ) = 0
Logo


f (ui , vj ) = A =

0 1
1 0

Seja V um espaco de dimensao n > 2 e suponhamos o teorema valido para os


espacos de dimensao n 2.
Inicialmente observamos que
U1 = [ v1 , v2 ] = [ v1 , v2 ]
Se u U1 , existem escalares a e b tais que u = a ( v1 ) + b ( v2 ), ent
ao

v1 , v1 ) + b f (
v2 , v1 ) = b
f (u, v1 ) = f a ( v1 ) + b ( v2 ), v1 = a f (

Substituimos na equacao acima como dado em (7.7). Analogamente



v1 , v2 ) + b f (
v2 , v2 ) = a
f (u, v2 ) = f a ( v1 ) + b ( v2 ), v2 = a f (
Sendo assim

u = a ( v1 ) + b ( v2 ) = f (u, v2 ) ( v1 ) f (u, v1 ) ( v2 )


= f (u, v2 ) v1 f (u, v1 ) v2

(7.9)

Isto significa que todo vetor u U1 pode ser expresso, quando conveniente, nesta
forma. Seja
U2 = { u V : f (u, v) = 0, v U1 }
(7.10)
Afirmamos que V = U1 U2 . Com efeito, seja w U1 U2 , ent
ao existem escalares
a e b tais que w = a v1 + b v2 ; por outro lado f (w, v) = 0, v U1 , isto e
f (a v1 + b v2 , v) = 0, v U1

385

Ent
ao, tomando v = v1
f (a v1 + b v2 , v1 ) = 0 af (
v1 , v1 ) + bf (
v2 , v1 ) = 0 b = 0
tomando v = v2
f (a v1 + b v2 , v2 ) = 0 af (
v1 , v2 ) + bf (
v2 , v2 ) = 0 a = 0
Sendo assim, w = 0 o que implica U1 U2 = { 0 }. Resta mostrar que V =
U1 + U2 . Seja ent
ao w V arbitrariamente fixado. Facamos
u1 = f (w, v2 )( v1 ) f (w, v1 )( v2 )

u2 = w u1

(7.11)

Como u1 e uma combinacao linear de v1 e v2 , u1 U1 . A seguir mostraremos


que u2 U2 . Como u1 U1 ent
ao ele pode ser expresso como em (7.9), assim:


u1 = f (u1 , v2 ) v1 f (u1 , v1 ) v2
Comparando este resultado com (7.11) inferimos que
f (u1 , v2 ) = f (w, v2 )

f (u1 , v1 ) = f (w, v1 )

Ent
ao
f (u2 , v1 ) = f (w u1 , v1 ) = f (w, v1 ) f (u1 , v1 ) = 0
e
f (u2 , v2 ) = f (w u1 , v2 ) = f (w, v2 ) f (u1 , v2 ) = 0
Estes dois resultados implicam que
f (u2 , v) = 0,

v U1

que, de acordo com (7.10), e condicao suficiente para que u2 U2 . Por (7.11)
w = u1 + u2 , onde u1 U1 . Isto mostra que V = U1 + U2 e, portanto, V =
U1 U2 . Sendo assim: dim V = dim U1 + dim U2 , isto e, n = 2 + dim U2 . Logo,
dim U2 = n 2. Pela hipotese de inducao, existe uma base B = { u3 , . . . , un }
de U2 na qual a representacao matricial de f , restrita a U2 , e da forma desejada.
Sendo assim B B = { u1 , u2 , u3 , . . . , un } (ver eq. (7.8), p. 385) e uma base de V
na qual a representacao matricial de f possui a forma desejada.


386

Apenas como informacao complementar, observe a matriz de uma forma bilinear


geral

f (u1 , v1 )

f (u1 , v2 )

f (u1 , v3 )

...

f (u1 , vn )

f (u , v ) f (u , v ) f (u , v ) . . . f (u , v )
2
1
2
2
2
3
2
n



f (ui , vj ) = f (u , v ) f (u , v ) f (u , v ) . . . f (u , v )

3
1
3
2
2
3
3
n

................................................
f (un , v1 ) f (un , v2 ) f (un , v3 ) . . . f (un , vn )
Adaptada ao presente contexto

f (u1 , u1 )

(vi ) = (ui )

A
f (u1 , u2 )

f (u1 , u3 )

...

f (u1 , un )

f (u , u ) f (u , u ) f (u , u ) . . . f (u , u )
2
1
2
2
2
3
2
n



f (ui , uj ) = f (u , u ) f (u , u ) f (u , u ) . . . f (u , u )

3
1
3
2
3
3
3
n

.................................................
f (un , u1 ) f (un , u2 ) f (un , u3 ) . . . f (un , un )

Hip
otese de inducao


0 1
, como vimos, e a matriz de f restrita ao subespaco U1 =
1 0
[ v1 , v2 ] com respeito `
a base B = { u1 = v1 , u2 = v2 }.
Observe que todos os termos fora dos ret
angulos, na matriz acima, sao iguais a 0
em funcao de que u1 , u2 U1 e u3 , . . . , un U2 . Observe como U2 foi construido
em (7.10).
(p. 385)
A =

387

7.1.4

Exerccios

1) Sejam u = (x1 , x2 ) e v = (y1 , y2 ). Determine quais das expressoes abaixo sao


formas bilineares sobre R2 :
a) f (u, v) = 2x1 y2 3 x2 y1 ,
b) f (u, v) = x1 + y2 ,
c) f (u, v) = 1,
d) f (u, v) = 0,

e) f (u, v) = x21 + y2 ,

f) f (u, v) = x1 x2 + y1 y2 .

2) Seja a forma bilinear f : R2 R2 R, dada por


f (u, v) = x1 y1 + 2 x2 y1 + 5x2 y2
onde u = (x1 , x2 ) e v = (y1 , y2 ). Encontre a matriz de f com respeito `a base
can
onica do R2 .

1 2
3) Dada a matriz A = 4 3 , encontre a forma bilinear associada, segundo
1 2
o esquema
fA : M31 (R) M21 (R) R,

onde

fA (X, Y ) = X t A Y

4) Considere a forma bilinear dada por


f (u, v) = 3x1 y1 2x1 y3 + 5x2 y1 + 7x2 y2 8x2 y3 + 4x3 y2 6x3 y3
onde u = (x1 , x2 , x3 ), v = (y1 , y2 , y3 ). Expresse f na notacao matricial, fA (X, Y ) =
Xt A Y .
5) Seja a forma bilinear f : R2 R3 R, dada por
f (u, v) = x1 y1 + 3x1 y2 x1 y3 + x2 y1 3x2 y3
Onde u = (x1 , x2 ) e v = (y1 , y2 , y3 ) sao vetores genericos do R2 e do R3 ,
respectivamente. Consideremos, nos respectivos espacos, as bases:
B = { u1 = (1, 1), u2 = (1, 1) }, e
C = { v1 = (1, 1, 0), v2 = (0, 1, 1), v3 = (1, 1, 1) }
Encontre a matriz de f com respeito a estas bases.
6) Prove que se f : U V R e g : U V R sao bilineares ent
ao f + g e
f sao tambem bilineares.
7) Mostre que se e sao formas lineares sobre V , ent
ao f (u, v) = (u) (v) e
uma forma bilinear sobre V .

388

8) Seja f : R2 R2 R dada por



f (x1 , x2 ), (y1 , y2 ) = 4x1 y1 3x1 y2 + 2x2 y2

a ) Determine a matriz A de f na base { u1 = (1, 1), u2 = (1, 0) }.


b ) Determine a matriz B de f na base { v1 = (1, 1), v2 = (2, 1) }.
c ) Determine a matriz P de mudanca da base antiga { ui } para a nova base
{ vi }. Verifique que B = P t A P .
9) Seja f uma forma bilinear sobre V . Para qualquer subconjunto S de V faca
S = { v V : f (u, v) = 0 para todo u S }
e
S = { v V : f (v, u) = 0 para todo u S }
Mostre que:
a ) S e S sao subespacos de V ;
b ) S1 S2 implica que S2 S1 e S2 S1 ;
c ) { 0 } = { 0 } = V .
10) Seja f a forma bilinear . Que condicoes devem satisfazer a, b, c e d para que:
a ) f (u, v) = f (v, u) para todo u, v R2 ;
b ) f (u, v) = f (v, u) para todo u, v R2 ;
c ) Exista u 6= 0 tal que f (u, v) = 0 para todo u R2 ;
d ) f (u, v) = 0 para todo v R2 implique u = 0.
11) Para cada uma das matrizes simetricas A dadas abaixo, determine uma matriz
inversvel P tal que D = P t A P e diagonal.



1 2
1
1 0 2
1 1
5
3 , c) A = 0 3 6
a) A =
, b ) A = 2
1
3
1
3 2
2 6 7

12) Sejam : R2 R e : R2 R as formas lineares dadas por


(x, y) = 2x + y

(x, y) = x y

Calcular as formas bilineares:


a ) ,

b ) ,

c ) ,

d ) ,

e ) ,

f ) + .

13) Seja f : U V R uma forma bilinear. Seja u0 um vetor fixo de U . Prove


que o seguinte subconjunto
W = { v V : f (u0 , v) = 0 }
e um subespaco vetorial de V .
14) Seja f : R2 R dada por f (u, v) = x1 y1 + x1 y2 + x2 y2 x2 y1 para todos
u = (x1 , x2 ) e v = (y1 , y2 ). Calcule a matriz de f em relacao `as bases:
a ) { (0, 1), (1, 0) },

b ) { (1, 0), (0, 1) },

389

c ) { (1, 1), (1, 1) }.

Verifique que elas sao congruentes duas a duas.


15) Dada f B VV provar que as formas bilineares g e h definidas por
g(u, v) = f (u, v) + f (v, u) e

h(u, v) = f (u, v) f (v, u)

satisfazem as condicoes:
a) g

BS VV ,

b) h

BA VV ,

c ) 2f = g + h.

[. . .] As notas autobiogr
aficas de Albert Einstein, por exemplo, nos contam
que ele era um dos que acreditavam que somos observadores essencialmente
passivos vivendo em um universo preexistente, sobre o qual exercemos uma influencia muito pequena: L
a fora encontra-se esse imenso universo , ele dizia,
que existe independentemente dos seres humanos. . . .
Contrastando com a perspectiva de Einstein, que ainda e sustentada por
muitos cientistas hoje, John Wheeler, um fsico de Princeton e colega de Einstein, oferece uma explicac
ao radicalmente diferente de nosso papel na criac
ao.
[. . .]
Os experimentos da fsica qu
antica realmente nos revelam que as propriedades de um eletron mudam enquanto ele est
a sob observac
ao, basta que
focalizemos nossa atenc
ao sobre ele, ainda que por um breve instante. Os
experimentos sugerem que o simples ato de observar e um ato de criar,
e que a consciencia executa uma criac
ao. Aparentemente esses resultados ap
oiam a proposic
ao de Wheeler de que n
ao podemos mais nos julgar simples observadores, sem qualquer efeito sobre o mundo que observamos.
(Gregg Braden/A Matriz Divina, p. 10)

390

7.2

Formas Quadr
aticas

As forma quadr
aticas comparecem numa ampla gama de aplicacoes praticas
como, por exemplo, no estudo de vibracoes de sistemas mecanicos, em estudos sobre
energia na Fsica e no processamento e transmissao de sinais digitais na Engenharia
Eletrica.
O estudo das formas quadr
aticas est
a intimamente relacionado com as formas
bilineares j
a vistas.
Defini
c
ao 52. Seja f : V V R uma forma bilinear sim
etrica. Consideremos a func
ao qf : V R definida por qf (v) = f (v, v), para todo v V . Esta
atica sobre V associada `
a forma bilinear f .
func
ao chama-se forma quadr
Exemplos:
1 ) A forma bilinear a seguir
t

fA (X, Y ) = X A Y =

x1

x2

2
3
3 5

e simetrica (por conta de que a matriz A e simetrica).


Fazendo as multiplicacoes obtemos



y1
y2

fA (X, Y ) = 2x1 y1 + 3x2 y1 + 3x1 y2 5x2 y2


Por conveniencia, facamos a seguinte mudanca de notacao
f (u, v) = 2x1 y1 + 3x2 y1 + 3x1 y2 5x2 y2

onde u = (x1 , x2 ) e v = (y1 , y2 ). Temos que f e da forma f : R2 R2 R.


Tomando u = (x1 , x2 ) = (x, y) = (y1 , y2 ) = v, obtemos
qf (v) = 2x x + 3y x + 3x y 5y y
Ou ainda
qf (v) = 2x2 + 6xy 5y 2

Esta funcao e da forma qf : R2 R, e a forma quadr


atica associada `a forma
bilinear simetrica f .
2 ) A forma bilinear a seguir

fA (X, Y ) = X t A Y =

x1

x2

x3

1
2
1

2
7
4

1
y1
4 y2
3
y3

e simetrica (por conta de que a matriz A e simetrica). Substituindo


u = (x1 , x2 , x3 ) = (x, y, z) = (y1 , y2 , y3 ) = v
ao final obtemos qf : R3 R, dada por
qf (v) = x2 + 7y 2 3z 2 + 4xy 2xz + 8yz

Observe (def. 391) que definimos uma forma quadr


atica a partir de uma forma
bilinear simetrica, a raz
ao para essa exigencia e que podemos recuperar a forma
bilinear original a partir da forma quadr
atica a ela associada, como mostraremos a
seguir:

391

Proposi
c
ao 36. Seja q : V R a forma quadr
atica associada `
a forma bilinear
simetrica f : V V R . Ent
ao f fica univocamente determinada.
Prova: De fato, vamos provar a seguinte equacao
f (u, v) =


1
q(u + v) q(u) q(v)
2

Conhecida como identidade de polarizac


ao. Ent
ao

q(u + v) q(u) q(v) = f (u + v, u + v) f (u, u) f (v, v)


= f (u, u) + f (u, v) + f (v, u) + f (v, v)
f (u, u) f (v, v) = 2f (u, v)
Dividindo ambos os membros desta igualdade por 2, obtemos o resultado desejado.

Exemplo: Seja a forma quadr
atica q : R2 R dada por
q(u) = 6 x21 + 6 x1 x2 + 4 x22
e as formas bilineares f1 e f2 definidas por
f1 (u, v) =

x1

x2

f2 (u, v) =

x1

x2

6
4

2
4



y1
y2

6
3

3
4



y1
y2

f
E
acil ver que f1 (u, u) = f2 (u, u) = q(u), u R2 . Este exemplo mostra a
necessidade de se exigir que a forma bilinear seja simetrica; de outro modo, a forma
bilinear n
ao ficaria univocamente determinada pela forma quadr
atica associada a
ela.
Exemplo: A seguir mostramos como ficam as formas quadr
aticas gerais em R2 e
3
R , respectivamente:



 a1 a3

x1
2
2
q(u) = a1 x1 + a2 x2 + 2 a3 x1 x2 = x1 x2
a3 a2
x2

q(u) = a1 x21 + a2 x22 + a3 x23 + 2 a4 x1 x2 + 2 a5 x1 x3 + 2 a6 x2 x3


=

x1

x2

x3

a1
a4
a5

a4
a2
a6

a5
x1
a6 x2
a3
x3

Observe que a matriz A nestas igualdades e simetrica e que suas entradas na


diagonal sao os coeficientes dos termos quadrados e que suas entradas fora da
diagonal sao a metade dos coeficientes dos termos mistos.

Estamos dispensando o ndice em qf , a ttulo de simplificac


ao de notac
ao.

392

Exemplo: Vamos obter a matriz A para a


3 x21 + 2x22 5 x23 . Sendo assim, temos:


 3
q(u) = x1 x2 x3 0
0

7.2.1

forma quadr
atica dada por q(u) =

0
0
x1
2
0 x2
0 5
x3

Diagonalizac
ao de formas quadr
aticas

Veremos a seguir que para toda forma quadr


atica q : V R existe uma base
ortonormal de V em relacao a qual a matriz de q e diagonal, ou seja, q ter
a uma
forma parecida com a do exemplo anterior.
Na subsecao 7.1.1 (p. 374) consideremos U = V e as duas bases iguais: B = C =
{ v1 , v2 , . . . , vn }, base do espaco V . Suponhamos q : V R a forma quadr
atica
associada `
a forma bilinear simetrica f .
Neste caso, a partir da igualdade (7.4) (p. 375), obtemos


q(v) = f (v, v) = [ v ]tB f (vi , vj ) [ v ]B

O teorema 13 (p. 380) afirma que existe uma base B de V em relacao a qual a
matriz de f e diagonal. Sendo assim podemos escrever


q(v) = [ v ]tB f (vi , vj ) [ v ]B
B

Supondo

[ v ]B

y1

= ...
yn

f (vi , vj )

d1
d2

..

dn

Substituindo na u
ltima equacao obtemos

q(v) =

y1

yn

d2

..

y1
..
. = d1 y12 + + dn yn2
yn

d1
dn

Dizemos que a base B diagonalizou a forma quadr


atica q. Essa igualdade e
dita uma express
ao diagonal de q.
Na secao seguinte veremos um algoritmo para obter a expressao diagonal de
uma forma quadr
atica. A diagonalizacao de uma forma quadr
atica tem muitas
aplicacoes, uma delas sera vista oportunamente na classificacao de c
onicas.

393

7.2.2

Exerccios

16) Seja a forma bilinear f (u, v) = 3x1 y1 x2 y2 , onde u = (x1 , x2 ) e v = (y1 , y2 ).


Encontre a forma quadr
atica q : R2 R associada a f .
17) Seja q(x, y) = 2x2 + 4xy y 2 . Ache a matriz da forma bilinear associada.

18) Expresse a forma quadr


atica em notacao matricial X t A X, onde A e uma matriz simetrica.
a) 3x21 + 7x22 ,

b) 4x21 9x22 6x1 x2 ,

d) 9x21 x22 + 4x23 + 8x1 x2 6x1 x3 + x2 x3 ,

c) 4x1 x2

e) 5x21 + 5x1 x2 .

19) Determine a forma quadr


atica q que corresponde a cada uma das matrizes
simetricas dadas abaixo:

a)

2 3
3
5

4 2
5
3
1
b) 2
5
1 2

20) Considere a forma quadr


atica q : R3 R dada por
2
q(x, y, z) = 3x + 3xy + 7y 2 4yz z 2 . Ache a matriz da forma bilinear
associada.
21) Para cada uma das forma quadr
aticas abaixo, encontre a forma bilinear que
lhe deu origem :
a) q(x, y, z) = x2 + y 2 + z 2 2xy + 4xz yz;
b) q(x, y, z) = x2 y 2 + 4yz;
c) q(x, y, z) = x2 z 2 4xy + 4yz;
22) De exemplo de uma forma quadr
atica q(x, y) tal que q(u) = 0 e q(v) = 0, mas
q(u + v) 6= 0.

394

7.2.3

Reduc
ao de formas quadr
aticas

Na subsecao 7.2.1 provamos que toda forma quadr


atica q : V R pode ser reduzida a uma express
ao diagonal. Dizemos que aquela foi uma prova de existencia
n
ao uma prova construtiva. Veremos a seguir um processos pratico (algoritmo)
para transformar uma forma quadr
atica a uma expressao diagonal.

Mudan
ca de vari
aveis em formas quadr
aticas
A forma quadr
atica qA (X) = X t A X pode ser reduzida a uma forma diagonal
atraves da substituicao
X =PY
(7.12)
que expressa as variaveis x1 , x2 , . . . , xn em funcao das variaveis y1 , y2 , . . . , yn .
Se a matriz P possui inversa ent
ao (7.12) e denominada uma mudanca de
vari
aveis e se P e ortogonal, dizemos que (7.12) e uma mudanca de vari
aveis ortogonal.
Fazendo a mudanca de coordenadas X = P Y na forma quadr
atica qA (X) obtemos
X t A X = (P Y )t A (P Y ) = Y t P t A P Y = Y t ( P t A P ) Y
Sendo A simetrica por definicao de forma quadr
atica pode-se mostrar que
a matriz B = P t A P e tambem simetrica, sendo assim o efeito de mudanca de
variaveis e produzir uma nova forma quadr
atica Y t B Y nas variaveis y1 , y2 , . . . , yn .
Em particular, se P diagonaliza A ortogonalmente, ent
ao a nova forma quadr
atica
e Y t D Y , onde D e uma matriz diagonal com os autovalores de A na diagonal
principal, veja:

Xt A X = Y t D Y =

y1

y2

yn

..

y1
y2
..
.
yn

= 1 y12 + 2 y22 + + n yn2


Exemplo: Considere a forma quadr
atica q : R3 R dada por

q(x1 , x2 , x3 ) = 7 x21 4 x1 x2 + 6 x22 4 x2 x3 + 5 x23

Encontre uma mudanca de variaveis ortogonal que elimine os termos mistos.


Solu
c
ao:
Esta forma quadr
atica pode ser reescrita como
q(x1 , x2 , x3 ) = 7 x1 x1 2 x1 x2 + 0 x1 x3
2 x2 x1 + 6 x2 x2 2 x2 x3
+ 0 x3 x1 2 x3 x2 + 5 x3 x3

Existe uma base de V em relac


ao a qual a matriz de q e diagonal.

395

Sendo assim, temos

qA (X) =

x1

x2

7 2
0
x

1
x3 2
6 2 x2
x3
0 2
5

Da equacao caracterstica da matriz A

7
2

6
det 2
0
2

2 = 0
5

Encontramos os autovalores: 1 = 3, 2 = 6, e 3 = 9. Os autovetores associados


sao

1
1
v3 = x 1, 1,
v1 = x (1, 2, 2),
v2 = x 1, , 1 ,
2
2
A seguir exibimos uma base ortonormal
B=

u1 =

1 2 2
, , ), u2 =
3 3 3

2 1
2
, , ), u3 =
3 3
3

2
2 1 o
, , )
3
3 3

Sendo assim, a substituicao X = P Y que diagonaliza a forma quadr


atica e

1
2
2
y1
x1
3
3
3

x2 = 2
32
3
y2

3
x3

2
3

23

Isso nos fornece a nova forma quadr


atica

3


q = Y t ( P t A P ) Y = y1 y2 y3 0
0

1
3

y3

0 0
y1
6 0 y2 = 3 y12 + 6 y22 + 9 y32
0 9
y3

na qual n
ao existem termos mistos.
Nota: Existem outros metodos para diagonalizar uma forma quadr
atica que n
ao
serao vistos aqui. Dois desses metodos, o processo de Gauss (ou metodo de completar quadrados) e o processo das matrizes elementares constam na referencia [2].

396

Exerccios
23) Considere a forma quadr
atica q : R2 R dada por
q(x1 , x2 ) = x21 + 2 x22 4 x1 x2
Encontre uma mudanca de variaveis ortogonal que elimine o termo misto.
24) Considere a forma quadr
atica q : R2 R dada por
q(x, y) = 4x2 3 y 2 + 24 x y
Encontre uma mudanca de variaveis ortogonal que elimine o termo misto.
25) Considere a forma quadr
atica q : R2 R dada por
q(x, y) = x2 + y 2 10 x y
Encontre uma mudanca de variaveis ortogonal que elimine o termo misto.
26) Considere a forma quadr
atica q : R2 R dada por
q(x1 , x2 ) = 4 x21 6 x1 x2 + 6 x22
Encontre uma mudanca de variaveis ortogonal que elimine o termo misto.
27) Encontre uma mudanca de variaveis ortogonal que elimine os termos mistos da
forma quadr
atica q : R3 R dada por
q(x1 , x2 , x3 ) = x21 4 x1 x2 + 4 x2 x3 x23
28) Encontre uma mudanca de variaveis ortogonal que elimine os termos mistos da
forma quadr
atica q : R3 R dada por
q(x, y, z) = 2 x2 + 2 y 2 2 z 2 + 4 x y 4 x z + 8 y z
29) Considere a forma quadr
atica q(x, y) = a x2 + 2b x y + c y 2 , com a 6= 0.
Reduza-a `
a forma diagonal, exibindo a substituicao linear correspondente `a reducao.

As teorias matem
aticas, as boas, consistem na definic
ao de uns poucos novos
conceitos-chave e depois o fogo de artifcio comeca: elas revelam novos panoramas, abrem a porta a mundos inteiramente novos.
[. . .] O fascinante e que, simples como s
ao os n
umeros inteiros e os primos,
ainda assim e f
acil propor quest
oes diretas e claras a seu respeito que ningu
em
sabe como responder, e podemos dizer que nem mesmo daqui a dois mil anos,
nem sequer os melhores matem
aticos do mundo, saber
ao!
(Gregory Chaitin/Metamat!)

397

7.3

Classifica
c
ao de C
onicas e Qu
adricas

Estaremos aqui utilizando os resultados da subsecao 7.2.3 no estudo das c


onicas
e qu
adricas.

7.3.1

Sec
oes c
onicas

As c
onicas quando estudadas na geometria analtica sao caracterizadas (definidas)
a partir de propriedades geometricas, aqui estaremos definindo as c
onicas algebricamente.
Defini
c
ao 53. Uma c
onica em R2 e um conjunto de pontos (x, y) cujas coordenadas em relac
ao `
a base can
onica satisfazem a equac
ao
A x2 + B x y + C y 2 + D x + E y + F = 0

(7.13)

onde A, B e C n
ao s
ao todos nulos.
Podemos observar que a equacao da c
onica envolve uma forma quadr
atica
q(x, y), uma forma linear (x, y) e um termo constante, assim:
F =0
A x2 + B x y + C y 2 + D x + E y + |{z}
{z
} | {z }
|
q(x, y)

(x, y)

Vejamos geometricamente algumas possibilidades que podem ocorrer quanto aos


termos da equacao (7.13).
1 a ) Circunferencia
y

x2 + y 2 = r2
r

A x2 + B x y + C y 2 + D x + E y + F = 0

=1

=0

=1

=0

=0

= r 2

A elipse, por exemplo, e o lugar geometrico dos pontos do plano cuja soma das
dist
ancias a dois pontos fixos (chamados focos) e uma constante.

398

2 a ) Elipse
y

y2
x2
+ 2 = 1
2
a
b

b
a

A x2 + B x y + C y 2 + D x + E y + F = 0

=0
=0
=0
= 1
1
1
=
=
a2
b2

(a > b > 0)

3 a ) Hiperbole
y

x2
y2

= 1
a2
b2
x

A x2 + B x y + C y 2 + D x + E y + F = 0

=0
=0
= 1
1
1 =0
=
=
a2
b2

abola
4 a ) Par
y

y2 x = 0
x

A x2 + B x y + C y 2 + D x + E y + F = 0

=0

=0

=1

= 1

=0

=0

Existe a possibilidade de n
ao haver valores x e y reais que satisfacam a equacao
(7.13), por exemplo, x2 + y 2 + 1 = 0. Nesses casos, dizemos que a equacao n
ao
tem gr
afico ou ent
ao que tem um gr
afico vazio.
Ademais, podemos ter ainda os casos chamados degenerados, como por exemplo

399

5 a ) Par de retas concorrentes (hiperbole degenerada)


y

y2
b
x2
2 = 0 y= x
2
a
b
a

A x2 + B x y + C y 2 + D x + E y + F = 0

=0
=0
=0
1
1 =0
=
=
a2
b2

6 a ) Par de retas paralelas (parabola degenerada)


y

a x2 b = 0


b
a

r
b

A x2 + B x y + C y 2 + D x + E y + F = 0

=a

=0

=0

=0

=0

= b

Nota: Nos dois exemplos anteriores estamos admitindo a > 0 e b > 0.

Identificando se
co
es c
onicas
Antes de tratarmos o caso geral vejamos um exemplo particular.
Exemplo: Consideremos a equacao
5x2 4x y + 8y 2 36 = 0
nosso objetivo sera determinar que figura esta c
onica representa no plano. Para
isto precisamos inicialmente eliminar o termo misto; isso pode ser feito seguindo os
passos do exemplo da subsecao 7.2.3 (p. 395). A forma quadr
atica associada a essa
c
onica pode ser escrita assim:
q(x, y) = 5 x2 2 x y
2 x y + 8 y2
Sendo assim, temos
qA (X) =

x y

"

400

5 2
2
8

#

x
y

(7.14)

Da equacao caracterstica da matriz M , acima


#
"
5
2
= (5 )(8 ) 4 = 0
det
2
8
Encontramos os autovalores: 1 = 4, e 2 = 9.
Encontremos uma base de autovetores
"
#



5 2
x
x
[ T ] [u] = [u]

=4
y
y
2
8
Daqui deriva o seguinte sistema
(
5x 2y = 4x

2 x + 8 y = 4 y

x 2y = 0
2x + 4y = 0

x = 2y

Logo, os autovetores procurados sao da forma v1 = (x, y) = (2y, y). Ou, v1 =


y (2, 1), com y R . Por outro lado,
"
#



5 2
x
x
[ T ] [u] = [u]

=9
y
y
2
8
Daqui deriva o seguinte sistema
(
5x 2y = 9x

2 x + 8 y = 9 y

4x 2y = 0
2x y = 0

y = 2x

Logo, os autovetores procurados sao da forma v2 = (x, y) = (x, 2x). Ou, v2 =


x (1, 2), com x R . Uma base de autovetores e
{ (2, 1), (1, 2) }
Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base
ortonormal
n 2
1
2 o
1 
, , ,
5
5
5
5
Sendo assim, a matriz M e ortogonalmente diagonaliz
avel pela matriz

P =

1
5

2
5

25

1
5

Na interpretac
ao geometrica dada a seguir ficar
a claro o por que dessa exigencia.

401

Nota: Colocamos o segundo vetor (da base ortonormal) na primeira coluna da


matriz P porque devemos ter det (P ) = 1, para que a substituicao X = P X
execute uma rotacao de eixos. Essa e uma exigencia que consta na proposicao
2
2
28 (p. 336)
; la det T = a + b e, segundo equacao (6.8) (p. 337) devemos ter
2
2
|| = 1 = a + b , logo det T = 1.
Continuando: A mudanca de base X = P X :

(eq.

X t M X = (P X )t M (P X ) = (X )t (P t M P ) X
| {z }

(7.12), p. 395)

Nota: X t M X e o lado direito da equacao (7.14).


nos fornece:
"
#


 9 0
x

x y
= 36
y
0 4

(p. 400)

que pode ser escrito como

9 x 2 + 4 y 2 = 36

y 2
x 2
+
= 1
4
9

ou

(7.15)

Que e a equacao de uma elipse.

Gottfried Wilhelm Leibniz (1646-1716), um dos maiores intelectos de sua


epoca, apreciava o sistema di
adico. Segundo Laplace, Leibniz via em sua aritmetica bin
aria a imagem da criac
ao. Ele imaginava que a Unidade representava Deus, e zero o vazio; que o Ser Supremo extraiu todos os seres do vazio,
da mesma forma como a unidade e o zero expressam todos os n
umeros em seu
sistema de numerac
ao.

(O que
e matem
atica?/Richard Courant/Herbert Robbins, p. 11)

0 0 0 = {}

0 0 1
1 0 1

(Universo)

V
acuo

0 1 1
1 1 1

1 0 0
0 1 0
1 1 0

Excitacoes
ou
flutuacoes
do
V
acuo

Assim como um dia a explos


ao aconteceu e milh
oes de coisas nasceram
a partir do nada, da mesma maneira, quando a implos
ao acontece, formas e
nomes desaparecem, e novamente o nada nasce da. O crculo est
a completo.
(Osho(1931-1990)/Buda, p. 112)

402

Interpretac
ao geom
etrica do exemplo
Observe que

X =PX

X =P

"

1
5

25

2
5

1
5

"

x
y

Comparando com a equacao (4.34) (p. 245) concluimos que o sistema x o y , ao


qual se refere a equacao (7.15), foi obtido do sistema x o y (can
onico) por uma
rotacao de
angulo

sen = 25

= tan1 (2) 63, 43o

1
cos = 5
Geometricamente tudo se passa assim:

p
p

63, 43o

3p

2p

1p

1 p

2 p

3 p

5x2 4x y + 8y 2 36 = 0

y 2
x 2
+
= 1
4
9

Reiterando: Dando uma rotacao de angulo = tan1 (2) 63, 43o no


sistema de coordenadas x o y obtivemos o sistema de coordenadas x o y no qual
a equacao da c
onica resultou na forma padr
ao, podendo assim ser reconhecida como
sendo uma elipse.

Lembramos que a inversa de uma matriz ortogonal e igual `


a sua transporta ver
Nota p. 304 e corol
ario p. 306.

403

Agora iremos tratar do caso geral de classificacao de c


onicas. Considere a
equacao geral de uma c
onica
A x2 + B x y + C y 2 + D x + E y + F = 0

(7.16)

onde A, B e C n
ao sao todos nulos. Para facilitar a exposicao dividiremos nosso
trabalho em alguns passos:
Passo 1 ) Eliminacao do termo misto x y
Inicialmente escrevemos a equacao na forma matricial :
"



B #

 


 x

 A 2
x
x y
+ F = 0
(7.17)
+ D E
B
y
y
C
2

Passo 1.1 ) Calculamos os autovalores 1 e 2 e os respectivos autovetores unit


arios
da matriz simetrica que comparece na equacao acima:


v1 = (x11 , x12 ), v2 = (x21 , x22 )
(base ortonormal)
Montamos P =

"

x11

x12

, tal que det (P ) = 1. Se necessario trocamos a


x21 x22
posicao (ordem) dos vetores na base acima (ou as colunas da matriz).
Passo 1.2 ) Fazemos na equacao (7.17) a substituicao X = P X :

"

B
2

B
2

#

x
y

X M X = (X ) (P M P ) X
| {z }

x
y

X = P X

Isto e

"

B
2

B
2

#

x
y

"

x
y

#

x
y

"

x11

x12

x21

x22

Observe que F e 0 est


ao sendo vistos como matrizes 1 1.

404

#

x
y

Obtendo assim:

"

#

x
y

"

x11

x12

x21

x22

#

x
y

Realizando os produtos matriciais, obtemos:


1 x 2 + 2 y 2 + (D x11 + E x21 ) x + (D x12 + E x22 ) y + F = 0
Ou ainda, simplificando a notacao:
1 x 2 + 2 y 2 + p x + q y + F = 0

(7.18)

Sendo assim conseguimos eliminar o termo misto na equacao (7.16) por uma
rotacao do sistema can
onico de um
angulo . Para se certificar que a transformacao
dada por X = P X e de fato uma rotacao de eixos basta volver `a equacao (4.33).
(p. 245)

A equacao (7.18) est


a referida `
a nova base { v1 , v2 }. Observe:

s(x, y)

s(x , y )
v2

r
rv

Passo 2 ) Translacao de eixos (eliminacao da parte linear de (7.18))


Para eliminar a parte linear de (7.18) consideraremos tres casos:
Passo 2.1 ) 1 6= 0 e 2 6= 0.
Faremos um completamento de quadrados em (7.18), comecando assim:
p 
q 
1 x 2 +
x + 2 y 2 +
y + F =0
1
2
e

1 x 2 +
Ou ainda

p
q
p2
p2 
q2 
q2
+ 2 y 2 +
+F
x +
y +

=0
2
2
2
1
4 1
2
4 2
4 1
4 22

1 x +

q 2
p2
q2
p 2
+ 2 y +
+F

=0
2 1
2 1
4 21
4 22

Facamos a seguinte mudanca de variaveis (translacao de eixos):


X = x +

p 
,
2 1

Y = y +

q 
,
2 1

405

f =F

q2
p2

2
4 1
4 22

para obter
1 X 2 + 2 Y 2 + f = 0
Passo 2.2 ) 1 = 0 e 2 6= 0.
Nesse caso a equacao (7.18) toma a seguinte forma
2 y 2 + p x + q y + F = 0
Ou
2 y 2 +
ou ainda
2 y 2 +
Ent
ao
2 y +

q 
y + p x + F = 0
2

q
q2
q2 

+
p
x
+
F

y +
=0
2
4 22
4 22
q 2
F
q2 
+ p x +

=0
2 2
p
4 p 22

(7.19)

Facamos a seguinte translacao


X = x +
Para obter

q2 
F

,
p
4 p 22

Y = y +

q 
2 2

2 Y 2 + p X = 0
Nota: Se fosse 1 6= 0 e 2 = 0 (mostre que n
ao podemos ter 1 = 2 = 0) ao
final obteriamos.
1 X 2 + q Y = 0

Lembre-se que a matem


atica e uma livre criac
ao da mente humana e, como
disse Cantor o inventor da moderna teoria da infinitude, descrita por Wallace
, a essencia da matem
atica reside na liberdade, na liberdade de criar. A
hist
oria, porem, julga essas criac
oes por sua beleza duradoura e pela extens
ao
com que elas iluminam outras ideias matem
aticas ou o universo fsico, em suma,
por sua fertilidade.
(Gregory Chaitin/Metamat!)

406

Classifica
c
ao das c
onicas
Em resumo: Por meio de uma rotacao seguida de uma translacao, a equacao
(7.16) se transforma em
1 X 2 + 2 Y 2 + f = 0
(7.20)
que lhe e equivalente. Ent
ao, no que diz respeito a esta equacao
Se 1 e 2 forem ambos de mesmo sinal, a equacao representa uma elipse
(ou suas degeneracoes: um ponto ou o vazio);
Se 1 e 2 forem de sinais contrarios, a equacao representa uma hip
erbole
(ou sua degeneracao: par de retas concorrentes).
Para as outras duas possibilidades:
2 Y 2 + p X = 0

1 X 2 + q Y = 0

ou

teremos uma par


abola (ou suas degeneracoes: par de retas paralelas, uma reta ou
o vazio).
Exemplo: Determine a equacao reduzida e o genero da c
onica representada pela
equacao
x2 + 2xy + y 2 2x + 4y + 1 = 0
Solu
c
ao: Vamos seguir os passos do algoritmo. Ent
ao, reescrevemos
A x2 + B x y + C y 2 + D x + E y + F = 0
x2 + 2xy + y 2 2x + 4y + 1 = 0
Passo 1 ) Eliminacao do termo misto x y
Inicialmente escrevemos a equacao na forma matricial:
"
#



B

 A 2

 x

  
x
x y
+ D E
+ F = 0
B
y
y
C
2

Isto e

"

#

x
y

x
y

(7.21)

Passo 1.1 ) Calculamos os autovalores 1 e 2 e os respectivos autovetores unit


arios
da matriz simetrica que comparece na equacao acima:
"
#
1
1
det
= (1 )2 1 = 0
1
1
Encontramos os autovalores: 1 = 0, 2 = 2. Encontremos uma base de autovetores
"
#



1 1
x
x
[ T ] [u] = [u]

=0
y
y
1 1

407

Daqui deriva o seguinte sistema


(
1x + 1y = 0x

1x + 1y = 0y

x+y = 0

y = x

Logo, os autovetores procurados sao da forma v1 = (x, y) = (x, x). Ou, v1 =


x (1, 1), com x R . Por outro lado,
#
"



1 1
x
x
[ T ] [u] = [u]

=2
y
y
1 1
Daqui deriva o seguinte sistema
(
1x + 1y = 2x

1x + 1y = 2y

x + y = 2x
x + y = 2y

y=x

Logo, os autovetores procurados sao da forma v2 = (x, y) = (x, x). Ou, v2 =


x (1, 1), com x R . Uma base de autovetores e
{ (1, 1), (1, 1) }
Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base
ortonormal:
n 1 1 
1 o
1
, , ,
(7.22)
2
2
2
2
Sendo assim obtemos a matriz de transicao de bases
1

P =

1
2

(7.23)

Passo 1.2 ) Fazemos na equacao (7.21) a seguinte mudanca de variavel:

"

"

0 0

0 2

#

x
y

"

x11

x12

x21

x22

#

x
y

x
y

Isto e

0 2

#

x
y


2 4

Realizando os produtos matriciais, obtemos:

1
2
1

1
2
1
2

2
6
2 y 2 + x + y + 1 = 0
2
2
Passo 2 ) Translacao de eixos (eliminacao da parte linear)
Para eliminar a parte linear da equacao anterior caimos no caso:

408

(7.24)

Passo 2.2 ) 1 = 0 e 2 6= 0. Vamos completar o quadrado na equacao anterior:


6
2
2 y 2 + y + x + 1 = 0
2
2
essa equacao e equivalente a
2 y +
Ou

1 2
6
1 2

+ x + 1 2
=0
2 2
2
2 2

2 y +
Logo
2 y +

6
3
1 2

+ x + = 0
4
2 2
2

1 2
2 3
6

+ x
=0

6 4
2 2
2

Facamos a seguinte translacao de eixos


Y = y +
Para obter

2 2

2 3

6 4

X = x

(7.25)

6
2Y2 + X = 0
2

Essa e a equacao de uma par


abola:
6
Y2 + X = 0
2

2Y2 3

2X = 0

Interpreta
c
ao geom
etrica

O sistema x o y , ao qual se refere a equacao (7.24) (p.


canonico a partir de uma rotacao, assim:

Y2 =

408),

3
2X
2

foi obtido do sistema

1p

2p

3p

45o

1 p

3 p 2

409

Para encontrar o
angulo de rotacao, observe que
X = P X

X = P 1 X

Comparando com a equacao (4.34)

sen =

cos =

"

1
2

1
2

12

1
2

1
2

obtemos

(p. 245)

"

x
y

= tan1 (1) = 45o

1
2

Para obter o sistema XoY executamos no sistema x o y a translacao dada


pela equacao (7.25). Obtemos as coordenadas da origem desse sistema fazendo
(X, Y ) = (0, 0) naquela equacao:

1
2 3
2
2

0=x

(x , y ) =
,
0=y + ,
6 4
8
4
2 2
Ent
ao

y Y

p p

p p

p p

p p

p
p

p p

p p

3
2X
2

refere-se a este u
ltimo sistema. Veja:
y

1p

2p

3p

1 p

3 p 2

2
3

2Y2 3 2X = 0

x2 + 2xy + y 2 2x + 4y + 1 = 0

410

Y2 =

x X

A par
abola de equacao

Exemplo: Determine a equacao reduzida e o genero da c


onica representada pela
equacao
11 x2 24xy + 4y 2 + 20x 40y 20 = 0
Solu
c
ao: Vamos seguir os passos do algoritmo. Ent
ao, reescrevemos
A x2 + B x y + C y 2 + D x + E y + F = 0
11 x2 24xy + 4y 2 + 20x 40y 20 = 0
Passo 1 ) Eliminacao do termo misto x y
Inicialmente escrevemos a equacao na forma matricial:
"



B #

 A 2

  

 x
x
x y
+ F = 0
+ D E
B
y
y
C
2

Isto e

x y

"

11 12
12

#

x
y

20 40

x
y

20

Passo 1.1 ) Calculamos os autovalores 1 e 2 e os respectivos autovetores unit


arios
da matriz simetrica que comparece na equacao acima:
"
#
11
12
det
= (11 )(4 ) 144 = 0
12
4
Encontramos os autovalores: 1 = 20, 2 = 5. Encontremos uma base de autovetores

[ T ] [u] = [u]

"

Daqui deriva o seguinte sistema


(
11 x 12 y = 20 x
12 x + 4 y = 20 y

11 12
12
4

#

3x + 4y = 0

x
y

= 20

x
y

3
y= x
4

Logo, os autovetores procurados sao da forma v2 = (x, 43 x) = x (1, 43 ).


Por outro lado
"
#



11 12
x
x
[ T ] [u] = [u]

= 5
y
y
12
4
Daqui deriva o seguinte sistema
(
11 x 12 y = 5 x
12 x + 4 y = 5 y

n
4x 3y = 0

411

y=

4
x
3

Logo, os autovetores procurados sao da forma v1 = (x,


Uma base de autovetores e
n
4 o
3
1, , 1,
4
3

4
3

x) = x (1, 43 ).

Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base
ortonormal:
n 4
3  3 4 o
(7.26)
, ,
,
5
5
5 5
Sendo assim obtemos a matriz de transicao de bases

P =

4
5

3
5

35

4
5

(7.27)

Passo 1.2 ) Fazemos, na equacao da c


onica na forma matricial, a seguinte mudanca
de variavel:
"
#
"
#

0  x 

  

 1

 x11 x12
x

x y
D
E
+ F = 0
+

y
y
x
x
0
21

22

Isto e

"

20
0

0
5

#

x
y

+ 20 40

Realizando os produtos matriciais, obtemos:

4
5

53

3
5
4
5

x
y


  
+ 20 = 0

20 x 2 5 y 2 + 40 x 20 y 20 = 0
Dividindo essa equacao por 5 resulta:
4 x 2 y 2 + 8 x 4 y 4 = 0

(7.28)

Passo 2 ) Translacao de eixos (eliminacao da parte linear)


Para eliminar a parte linear da equacao anterior caimos no caso:
Passo 2.1 ) 1 6= 0 e 2 6= 0. Vamos completar o quadrado na equacao anterior:
4(x 2 + 2 x ) (y 2 + 4 y ) 4 = 0
essa equacao e equivalente a
4(x + 1)2 4 (y + 2)2 + 4 4 = 0
Ou
4(x + 1)2 (y + 2)2 4 = 0
Facamos a seguinte translacao de eixos
X = x + 1

412

Y = y + 2

(7.29)

Para obter
4 X2 Y 2 = 4

Y2
X2

= 1
1
4

Essa e a equacao de uma hiperbole.


Interpreta
c
ao geom
etrica
O sistema x o y , ao qual se refere a equacao (7.28) (p. 412), foi obtido do sistema
canonico a partir de uma rotacao. Observe que
"
" # 4
#
53
x
x
5

X = P X X = P 1 X
=
3
4
y
y
5
5

Comparando com a equacao (4.34) (p. 245) concluimos que o angulo de rotacao
e dado assim

sen = 35
3
36, 87o

= tan1

4
4
cos = 5
y

3
3

1 p

1p

2p

1p

3p

0
1

36, 87o

1p

3 p 2

Para obter o sistema XoY executamos no sistema x o y a translacao dada


pela equacao (7.29). Obtemos as coordenadas da origem desse sistema fazendo
(X, Y ) = (0, 0) naquela equacao:
0 = x + 1

0 = y + 2

(x , y ) = (1, 2)

Ent
ao
y

p
2

1p

1p

1p

1p

413

A hiperbole de equacao

X2
Y2

= 1
1
4
refere-se a este u
ltimo sistema. Veja:

3
2

3 p r 2

1 p

1p

2p

3p

1pr
0

r
p

1pr
2

11x2 24xy + 4y 2 + 20x 40y 20 = 0

414

Y2
X2

= 1
1
4

7.3.2

Exerccios

1 ) Nos tens seguintes identifique a c


onica representada pela equacao girando os
eixos x o y para colocar a c
onica na posicao canonica. Encontre a equacao padr
ao
da c
onica e determine o
angulo de rotacao dos eixos.
a)
b)
c)
d)
e)

x2 + 4xy 2y 2 6 = 0
2x2 4xy y 2 + 8 = 0
3x2 + 2xy + 3y 2 1 = 0
11x2 + 24xy + 4y 2 15 = 0
x2 + xy + y 2 12 = 0

2 ) Determine a equacao reduzida e o genero da c


onica.
a ) x2 + 2x + 4y 2 = 0
b ) x2 6x + 8y 7 = 0
c ) 3x2 + y 2 + 12x 2y 10 = 0
d ) y 2 + 7x 8y 5 = 0
e ) 9x2 18y 2 + 54x 36 = 0
Nota: Observe que essas c
onicas sao destituidas do termo misto, o que significa que
a primeira parte do algoritmo (rotacao) e desnecessaria.
3 ) Determine a equacao reduzida e o genero da c
onica.
a)
b)
c)
d)
e)

4x2 + xy 3y 2 156 = 0
x2 + xy + y 2 3 = 0
x2 + 2xy + y 2 2x + 8 y 1 = 0
2x2 + 4xy 4x 6y + 2 = 0
16x2 24xy + 9y 2 15x 20y + 50 = 0

4 ) Prove que se b 6= 0, ent


ao o termo misto pode ser eliminado da forma quadr
atica
ax2 + 2bxy + cy 2 com uma rotacao dos eixos coordenados de angulo dado por:
cotg 2 =

ac
2b

Sugest
ao: Considere a forma quadr
atica escrita na forma matricial
"
#


 a b
x
t
X AX = x y
y
b c
Faca a substituicao X = P X , onde
"
X = P X =

(eq. (4.33), p. 245)

cos
sen

sen
cos

#"

x
y

Para obter X t A X = (P X )t A (P X ) = (X )t (P t A P ) X .
| {z }
Diagonal

415

7.3.3

Qu
adricas

O estudo que fizemos das c


onicas pode ser generalizado para as quadricas.
Defini
c
ao 54. Uma qu
adrica em R3 e um conjunto de pontos (x, y, z) cujas
coordenadas em relac
ao `
a base can
onica satisfazem a equac
ao
A x2 + B y 2 + C z 2 + D xy + E xz + F yz + G x + Hy + I z + J = 0
onde A, B, C, D, E e F n
ao s
ao todos nulos.
Vejamos alguns casos especiais:
1 ) Elips
oide
z
c

y2
z2
x2
+
+
= 1
a2
b2
c2

a
c

A esfera e um caso particular de elips


oide, quando a = b = c = r.
z
r

x2 + y 2 + z 2 = r2

x2
y2
z2
+

= 1
a2
b2
c2

r
r

2 ) Hiperbol
oide de uma folha
z

416

3 ) Hiperbol
oide de duas folhas
z

y2
z2
x2
+

= 1
a2
b2
c2

4 ) Parabol
oide elptico
z

x2
y2
+ 2 = cz
2
a
b

5 ) Parabol
oide hiperb
olico

y
x

417

x2
y2
+
= cz
a2
b2

www.profgentil.com.br
gentil.silva@gmail.com

Transcender o ego n
ao e uma aberrac
ao mental nem uma alucinac
ao psic
otica,
sen
ao um estado ou nvel de consciencia infinitamente mais rico, mais natural e
mais satisfat
orio do que o ego poderia imaginar em seus v
oos mais desatinados de
fantasia.
(Ken Wilber/O Espectro da Conscienca, p. 21)
Talvez seja muito f
acil ver atraves desse tipo de ficc
oes, porem muitas outras,
como a separac
ao entre a vida e a morte e a existencia de um mundo objetivo l
a
fora, s
ao muito mais difceis de penetrar. A raz
ao e porque temos sofrido uma
completa lavagem cerebral ministrada por pais e pares bem intencionados mas que
tambem haviam sido submetidos `
a lavagem cerebral, e passamos a confundir uma
descric
ao do mundo com o pr
oprio mundo tal como e em sua realidade sem nome
e sem car
ater, em sua vacuidade.
(Ken Wilber/O Espectro da Conscienca, p. 185)/Grifo nosso

418

Captulo

CONSULTAS
O homem
e o artfice do seu destino:
tem que arrostar o esforco de criar a si
mesmo.

(Pietro Ubaldi)

Introdu
c
ao:
O objetivo deste captulo e estabelecer alguns resultados (pre-requisitos) para
fins de consultas e referencias.

8.1

Opera
c
oes em um Conjunto

Defini
c
ao 55 (Operacao). Sendo A um conjunto n
ao vazio, toda aplicac
ao
F : AA A
(a, b)

7 F (a, b)

recebe o nome de opera


c
ao sobre A ou lei de composic
ao interna em A.
Chamamos a atencao para o importante fato de que estas leis (operacoes)
podem ser escolhidas de modo totalmente arbitrario (apenas n
ao esquecendo que
sao aplicacoes (funcoes)).
Por exemplo se A = { 0, 1 } podemos definir duas operacoes sobre esse conjunto, uma chamada de adicao
+ : AA A

(a, b) 7 +(a, b) = a+b

e outra chamada de multiplicacao


: AA A

(a, b) 7 (a, b) = ab

Dadas pelas seguintes t


abuas operatorias:
+

419

8.2

Corpos

De todas as estruturas (ver p. 19) a mais rica, algebricamente falando, e a


conhecida como corpo, a qual definiremos agora:
Defini
c
ao 56 (Corpo). Um corpo e um sistema algebrico (K, +, ) no qual as
operac
oes + e satisfazem certos postulados, chamados os axiomas de corpo, a
seguir especificados:

Axiomas da adi
c
ao
A1. Comutativa: para quaisquer x e y em K,
x+y = y+x
A2. Associativa: para quaisquer x, y e z em K,
(x + y) + z = x + (y + z)
A3. Elemento neutro: existe 0 K tal que, para todo x K,
x+0=x
A4. Elemento simetrico: para todo x K existe x K tal que,
x + (x) = 0.

Axiomas da multiplica
c
ao
M1. Comutativa: para quaisquer x e y em K,
xy =yx
M2. Associativa: para quaisquer x, y e z em K,
(x y) z = x (y z)
M3. Elemento neutro: existe 1 K, 1 6= 0, tal que, para todo x K,
1x = x
M4. Inverso multiplicativo: para todo x 6= 0 em K existe x1 K tal que,
x x1 = 1.
Devido a existencia do inverso podemos definir, em um corpo, a operacao
(x, y) 7 x/y de divis
ao, como sendo x/y = x y 1 .
O elemento neutro 1 e tambem conhecido por elemento identidade do corpo.

420

Axioma da distributividade
Ou
ltimo axioma de corpo expressa uma relacao entre a multiplicacao e a adicao:
D. Axioma da distributividade para quaisquer x, y e z em K,
x (y + z) = x y + x z
Nota: Fazemos quest
ao de enfatizar: Um corpo e uma estrutura (algebrica) e
n
ao um conjunto. Esta estrutura e erigida sobre um conjunto K no qual definimos duas operacoes satisfazendo todas as condicoes listadas anteriormente. Muitas
vezes para distinguir o corpo (estrutura) do conjunto K, sobre o qual construimos
a estrutura, usaremos da notacao: K. Podemos resumir isto assim:
K = (K, +, )
Exemplos e Contraexemplos: Temos:
N
Z
Q
R
C

N
ao e corpo.
N
ao e corpo.
corpo.
E
corpo.
E
corpo.
E

(nao satisfaz A4.)


(nao satisfaz M4.)

Com as operacoes de adicao e multiplicacao usuais nos respectivos conjuntos.


Na verdade podemos exibir infinitos exemplos de corpos na matematica.
A seguir exibiremos infinitos exemplos de corpos os quais sao utilizados na teoria
dos espacos vetoriais e em suas in
umeras aplicacoes na tecnologia moderna, como
por exemplo, conjugados `
a informatica (ver, p. ex., espacos de c
odigos, p. 26).
Antes necessitamos do
Teorema 15 (Algoritmo da Divis
ao). Para quaisquer a, b N, b 6= 0, existe um
u
nico par de n
umeros naturais q e r, de maneira que a = b q + r com 0 r < b.
Por exemplo, seja a = 20 por b = 3, dividindo a por b, temos:
20
2

3
6

Temos q = 6, r = 2 sao tais que:


20 = 3 6 + 2
A seguinte proposicao e de algum interesse quando formos dividir dois n
umeros
pelo algoritmo da divisao:

421

Proposi
c
ao 37. Se 0 < a < b ent
ao o quociente da divis
ao de a por b e q = 0.
Prova: Dividindo a por b, pelo algoritmo da divisao existem naturais q e r,
tais que,
a = bq + r,
0 r<b
(8.1)
Suponhamos q 6= 0, logo q 1. Ent
ao, q 1
r 0 bq + r bq. Sendo assim, temos,

bq b. Por outro lado,

a = bq + r bq b a b.
o que contradiz a hip
otese.
Nota: Observe ainda que, como q = 0, por (8.1), a = b 0 + r, logo, r = a > 0.
Por exemplo, seja a = 4 por b = 5, dividindo a por b, temos:
4
4

5
0

Temos q = 0, r = 4 sao tais que: 4 = 5 0 + 4.

Os corpos Zp
Um n
umero primo e um inteiro (> 1) que n
ao possui divisores alem de 1 e dele
proprio, a seguir sao listados alguns primos:
2, 3, 5, 7, 11, 13, . . .
Os primos formam uma sequencia infinita, conforme e provado em teoria dos
n
umeros. Consideremos agora o conjunto Zp , onde p e um n
umero primo arbitrariamente fixado, dado por
Zp = { 0, 1, 2, . . . , p 1 }
Tomemos dois elementos arbitrarios x e y em Zp e vamos definir sobre este conjunto duas operacoes; a uma delas chamaremos de adicao e a outra chamaremos de
multiplicacao, assim definidas:
x + y = resto da divisao de x + y por p;
x y = resto da divisao de x y por p.
Inicialmente observe que, devido ao algoritmo da divisao, estas operacoes est
ao bem
definidas. Por outro lado, e facil inferir que sao comutativas e associativas.
Por exemplo, para o conjunto Z5 = { 0, 1, 2, 3, 4 } as operacoes sao:
x + y = resto da divisao de x + y por 5;
x y = resto da divisao de x y por 5.
Por exemplo:
2 + 3 = resto da divisao de 2 + 3 por 5 = 0
2 3 = resto da divisao de 2 3 por 5 = 1
As t
abuas destas operacoes sao vistas a seguir:

422

Em Algebra
(ver por exemplo [11]) prova-se que os sistemas algebricos
Zp = (Zp , +, )
sao corpos.
O elemento neutro da adicao e 0. O simetrico de cada elemento encontramos
na propria tabela de adicao. Veja:
0 + 0 = 0, 1 + 4 = 0, 2 + 3 = 0.
Observe que, segundo a notacao do axioma A4

(p. 420),

podemos escrever

0 = 0, 1 = 4, 2 = 3
O elemento neutro da multiplicacao e 1. O inverso de cada elemento encontramos
na propria tabela de multiplicacao. Veja:
1 1 = 1, 2 3 = 1, 4 4 = 1.

O corpo Z2
Para o conjunto Z2 = { 0, 1 } definimos as duas operacoes:
x + y = resto da divisao de x + y por 2;
x y = resto da divisao de x y por 2.
cujas t
abuas operatorias sao vistas a seguir:
+

423

8.3

Matrizes

Defini
c
ao 57 (Matriz). Sejam m 1 e n 1 dois n
umeros inteiros. Uma matriz
A m n real e uma sequencia dupla de n
umeros reais, distribuidos em m linhas e
n colunas, formando uma tabela que se indica do seguinte modo:

a11 a12 . . . a1n


a

21 a22 . . . a2n
A=

....................
am1 am2 . . . amn
Notacao: A = ( aij )mn ou apenas A = ( aij ).
Indicaremos por Mmn (R) o conjunto das matrizes com elementos (entradas)
reais m n. Se m = n a notacao anterior reduz-se a Mn (R). Uma matriz na
qual m = n chama-se quadrada de ordem n; quando m 6= n a matriz chama-se
retangular de ordem m n.
Nota: Em muitos contextos da matematica da engenharia eletrica e da fsica
as entradas (termos, elementos) de uma matriz podem ser n
umeros complexos,
como por exemplo:
"
#
1+i
1i
A=
2
3 2i
Quando no contexto estiver subentendido que trata-se de matrizes reais podemos, alternativamente, simplificar a notacao Mmn (R) para Mmn .

Igualdade de matrizes
Consideremos duas matrizes reais m n: A = ( aij ) e B = ( aij ). Dizemos que
A = B se, e somente se,
aij = bij

i = 1, 2, . . . , m; j = 1, 2, . . . , n.

Isto e, duas matrizes sao iguais se, e somente se, seus elementos de mesma posicao
sao iguais.

Operac
oes com matrizes
Adic
ao
Sejam A = ( aij ) e B = ( aij ) matrizes (de mesma ordem) m n. Indicaremos
por A + B e chamaremos soma de A com B a matriz m n cujo termo geral e
aij + bij , ou seja

A+B =

a11 + b11
a12 + b12 . . . a1n + b1n
a21 + b21
a22 + b22 . . . a2n + b2n
.......................................
am1 + bm1 am2 + bm2 . . . amn + bmn

424

Por exemplo, se
A=
ent
ao
A+B =

"

"
1
2

1
2

1 0
1
0
3
1
0

0
1
3

"

B=

2 3
2 1

"

2 3
2 1
#

1
2
3

2
3

"

3
0

2 1
1
1

Propriedades da adic
ao de matrizes
Para matrizes A, B e C, de mesma ordem, tem-se:
A1) A + B = B + A
(Comutativa)
A2) (A + B) + C = A + (B + C)
(Associativa)
A3) Existe em Mmn um elemento, denotado por 0, detentor da seguinte propriedade :
A + 0 = 0 + A = A; A Mmn (Elemento neutro)
A4) Para todo elemento A de Mmn existe um outro elemento de Mmn , denotado por A, detentor da seguinte propriedade:
A + (A) = A + A = 0

(Elemento oposto)

As propriedades listadas sao de f


acil verificacao, por exemplo, temos em Mmn

0=

e se

A=

a11 a12 . . . a1n


a21 a22 . . . a2n
....................
am1 am2 . . . amn

0 0 ... 0
0 0 ... 0
.............
0 0 ... 0

A =

a11 a12 . . . a1n


a21 a22 . . . a2n
.........................
am1 am2 . . . amn

Multiplica
c
ao de uma Matriz por um n
umero
Dada uma matriz real A = ( aij )mn , e dado um n
umero real , o produto de por
A e a matriz real de ordem m n dada por:

A =

a11 a12 . . . a1n


a21 a22 . . . a2n
.........................
am1 am2 . . . amn

Escolhemos o zero em negrito para simbolizar o elemento neutro da adic


ao de
matrizes, com o intuito de distingui-lo do 0 n
umero real.

425

Por exemplo, se
"
A=

1 1 0
1
2 0
3

=3

3A =

"

3
6

3 0
0 1

Propriedades
Para matrizes A, B Mmn e para n
umeros , R, valem as seguintes propriedades:
M1) ( A ) = ( ) A
(Associativa)
M2) ( + ) A = A + A
(Distributiva)
M3) ( A + B ) = A + B
(Distributiva)
M4) 1 A = A
(elemento neutro)
Estas propriedades sao de facil verificacao, por exemplo, provemos M2:
Suponhamos A = ( aij ). Ent
ao:
( + ) A = ( + ) aij
= aij + aij

= ( aij ) + ( aij )
= A+B

Multiplica
c
ao de Matrizes
Consideremos a matriz A = ( aij )mn e a matriz B = ( bjk )np . O produto
A B (tambem indicado A B) e a matriz C = ( cik )mp , veja
A = ( aij )mn
B = ( ajk )np
C = ( cik )mp
cujo termo geral e dado por:
cik =

n
X
j=1

aij bjk = ai1 b1k + + ain bnk

Exemplo: Sejam
#

"

a11
a21

a12
a22

a13
a23

b11

B = b21
b31

b12
b22
b32


b13
2

b23 = 3
b33
1

A=
e

"

426

1
2

1 0
0 3

0 1

1 4
1 0

(8.2)

Temos: A B = C, onde:
A = ( aij )23
B = ( bij )33
C = ( cij )23
Sendo assim temos:
"
12+13+01
C=
22+03+31

10+11+01
20+01+31

Fazendo as contas, resulta


A=

"

5
7

1 7
3 2

11+14+00
21+04+30

Propriedades da multiplicac
ao de Matrizes
Para matrizes com produtos compatveis (segundo a definicao), valem as seguintes
propriedades:
MM1) A(BC) = (AB)C
(Associativa)
MM2) A(B + C) = A B + A C
(Distributiva)
Para a prova destas propriedades veja, por exemplo, [2].
Nota: Em geral o produto de matrizes n
ao e comutativo, por exemplo, sejam:
"
"
#
#
1 2
5 6
A=
e B=
3 4
7 8
Temos:
AB =

"

1
3

2
4

#"

5
7

6
8

BA =

"

5
7

6
8

#"

1
3

2
4

"

19 22
43 50

"

23 34
31 46

Transposi
c
ao de Matrizes
Dada uma matriz A = ( aij ) Mmn denomina-se transposta de A e indica-se por
At a seguinte matriz n m:
At = ( bij ),

onde bij = aij

(i = 1, 2, . . . , m; j = 1, 2, . . . , n)

Por exemplo:

A=

"

a11
a21

a12
a22

a13
a23

427

a11

t
A = a12
a13

a21

a22
a23

Propriedade da matriz transposta


Valem as seguintes identidades:
( i ) (A + B)t = At + B t ;
( ii ) ( A)t = At , onde R;

( iii ) (At )t = A;

( iv ) (A B)t = B t At ;
As tres primeiras propriedades sao imediatas, para a prova de ( iv ) consulte [2].

8.3.1

Matrizes Inversveis

Defini
c
ao 58 (Inversao de matrizes). Seja A uma matriz quadrada de ordem nn,
A se diz inversvel se, e somente se, existe uma matriz A , tambem de ordem nn,
de modo que:
AA = A A = In
In , e a matriz quadrada de ordem n n conhecida como identidade de
a matriz com 1 na diagonal principal e 0 em todas as outras entradas,
ordem n. E
assim:

1 0 ... 0
0 1 ... 0

In =

.............
0 0 ... 1
Por exemplo:

"
#
1 0 0
1 0

I2 =
,
I3 = 0 1 0
0 1
0 0 1
"
#
1 2
Exemplo: A matriz A =
e inversvel uma vez que, tomando A =
1 3
"
#
3 2
, resulta:
1
1
#
# "
#"
"
1
0
3
2
1
2
=
AA =
0 1
1
1
1 3

AA=

"

3 2
1
1

#"

1 2
1 3

"

1 0
0 1

Neste momento faremos a seguinte mudanca de notacao: A = A1 .


Para uma matriz A, quadrada e de ordem 2, existe uma formula para a inversa,
dada assim:
#
"
#
"
a b
d b
1
1

A =
A=
(8.3)
ad bc
c d
c a
Se ad bc = 0, A n
ao ter
a inversa. A formula para a inversa pode ser provada por
multiplicacao direta e sera deixada como exerccio ao aluno.

428

Para a determinacao da inversa de matrizes de ordem mais elevada o estudante


poder
a consultar, por exemplo, [2].
Nos limitaremos a enunciar a seguinte
Proposi
c
ao 38. (I) Se A e uma matriz inversvel, ent
ao A1 e inversvel e
(A1 )1 = A
(II) Se A e uma matriz inversvel e e um n
umero n
ao nulo, ent
ao A e uma
matriz inversvel e
1
( A)1 = A1

(III) Se A e B s
ao matrizes inversveis, ent
ao AB e inversvel e, neste caso, vale
(AB)1 = B 1 A1
(IV) Se A e uma matriz inversvel, ent
ao At e inversvel e, neste caso, vale
(At )1 = (A1 )t
(V) Se A e uma matriz inversvel e sendo n um n
umero natural, ent
ao An e
inversvel e, neste caso, vale
(An )1 = (A1 )n
Para a prova desta proposicao veja, por exemplo, [6].

8.4

Elementos de L
ogica & Demonstrac
oes

Nesta seccao recordaremos, de modo resumido, alguns conceitos da L


ogica Matem
atica.
De incio tecemos algumas consideracoes sobre alguns smbolos, objetivando transferilos da L
ogica para o contexto da Matem
atica. Posteriormente estabeleceremos
algumas tecnicas de demonstracoes matematicas.

Proposi
c
ao:
o
Chamamos conceito primitivo aquele conceito que aceitamos sem definicao. E
que acontece, por exemplo, com o conceito de proposic
ao. Portanto, n
ao o definiremos. N
ao obstante, nada impede que conhecamos suas qualidades, tendo em conta
que proposicao e uma sentenca declarativa, afirmativa e que deve exprimir um pensamento de sentido completo; via de regra sendo escrita na linguagem usual ou na
forma simb
olica. Por exemplo, sao proposicoes:

1) sen = 1.
2

2) < 2 2.
3) Todo quadrado e um ret
angulo.
4) Todo ret
angulo e um quadrado.
Dizemos que o valor l
ogico de uma proposicao e a verdade (V ) se a proposicao
e verdadeira; e a falsidade (F ) se a proposicao e falsa.
Por exemplo, para as proposicoes anteriores,temos
1) V

2) F

3) V

429

4) F

8.4.1

Operac
oes L
ogicas sobre Proposic
oes

Faremos um resumo das operacoes do c


alculo proposicional tambem chamadas
operac
oes l
ogicas. Os principais operadores (conectivos) logicos sao os seguintes:

Disjuncao (ou)
Conjuncao (e)
Negacao
Condicional (se...ent
ao)
Bicondicional (se e somente se)

cujas tabelas-verdade sao dadas a seguir (estas tabelas definem os respectivos operadores):
p

pq

pq

p q

p q

p q

Acrescentamos a tabela-verdade da proposicao p q a qual nos sera de grande


utilidade.
Vamos agora enunciar uma relacao entre proposicoes, que se distingue dos operadores, porque n
ao cria nova proposicao.
Defini
c
ao 59 (Implicacao L
ogica). Diz-se que uma proposic
ao p implica logicamente ou apenas implica uma proposic
ao q, se e somente se, na tabela de p e q,
n
ao ocorre V F em nenhuma linha, com V na coluna de p e F na coluna de q.
Exemplo: Da tabela a seguir inferimos que a proposicao q n
ao implica na proposicao
p q, ao passo que a proposicao p q implica na proposicao q.
p

pq

Indica-se que a proposicao p implica a proposicao q com a notacao: p = q.


Nota: Os smbolos e = n
ao devem ser confundidos, pois p q e uma
proposicao enquanto p = q n
ao e proposicao. Isto e analogo ao que acontece com
o sinal + e o sinal < na Aritmetica: 2 + 5 e um n
umero e 2 < 5 n
ao e um n
umero.

430

A escolha do conectivo (palavra) se p ent


ao q para a proposicao p q, a
nosso ver, foi infeliz. De fato, isto induz a que se conclua que a proposicao q se
deduz ou e uma consequ
encia da proposicao p. Isto n
ao se d
a, por exemplo:

5 e um n
umero mpar
2 e irracional
(Se 5
e um n
umero mpar ent
ao

2
e irracional)

e uma proposicao verdadeira (ver tabela-verdade do condicional). Obviamente que


2 ser irracional n
ao e consequencia de 5 ser um n
umero mpar.
Ao contr
ario do que acontece na L
ogica, em Matem
atica n
ao comparece o operador logico , mas apenas = com os seguintes significados para p = q:
1) Se p, ent
ao q;
2) Se p for verdadeira, ent
ao q e verdadeira;
3) p implica q;
4) q e implicada por p;
5) q segue de p;
6) p e uma condicao suficiente para q;
7) q e uma condicao necessaria para p;
impossvel termos p verdadeira e q falsa simult
8) E
aneamente,
dentre outros significados possveis.
Neste momento temos uma importante observacao a fazer:
Dos tens 1) e 3) vemos que a matematica funde (confunde) os smbolos e
=.
Como sempre, nestes casos, o galho quebra do lado do mais fraco: o aluno
que ter
a que distinguir no contexto matematico se o smbolo = est
a se referindo
a ele proprio ou ao condicional .
Chama-se tautologia toda proposicao composta cuja u
ltima coluna da sua tabela
verdade encerra somente a letra V (verdade).
Proposi
c
ao 39. A proposic
ao p implica a proposic
ao q (isto e, p = q) se, e
somente se, a condicional p q e tautol
ogica.
Prova:
(i) Se p implica q, ent
ao, n
ao ocorre que os valores
p
q p q
logicos simult
aneos destas duas proposicoes sejam reV V
V
spectivamente V e F , e por conseguinte na u
ltima colV F
F
una da tabela-verdade da condicional p q consta
F V
V
somente a letra V , logo, esta condicional e tautol
ogica.
F F
V
(ii) Reciprocamente, se a condicional p q e tautol
ogica, ent
ao n
ao ocorre que os valores logicos simult
aneos das proposicoes p e q
sejam respectivamente V e F , e por conseguinte p implica q.


431

Uma diferenca b
asica entre proposicao e teorema e que enquanto e lcito se cogitar do valor logico de uma proposicao (isto e, uma proposicao pode ser verdadeira
ou falsa) o mesmo n
ao acontece com um teorema, que sempre e verdadeiro. N
ao se
demonstra teoremas, mas sim proposicoes. Uma vez demonstrada a veracidade de
uma proposicao: p q, esta adquire status de teorema: p = q.
p
q p q
Em matematica, para demonstrar-se a validade de
uma proposicao p q assumimos a hipotese p como
V V
V
sendo verdadeira. Sendo assim podemos nos restringir
V F
F
as duas primeiras linhas da tabela verdade do condi`
F V
V
cional .
F F
V
Uma vez assumido p verdadeira se conseguirmos
demonstrar a veracidade de q ent
ao podemos riscar a segunda linha da tabela
verdade do condicional. Apos isto a proposicao p q resulta tautol
ogica e, por
conseguinte,
p = q

Isto e, a proposicao p q tornou-se o teorema p = q.


Defini
c
ao 60 (Equivalencia L
ogica). Diz-se que uma proposic
ao p e logicamente
equivalente ou apenas equivalente a uma proposic
ao q, se as tabelas-verdade
destas duas proposic
oes s
ao iguais.
Indica-se que a proposicao p e equivalente a proposicao q com a notacao:
p q
Os smbolos e n
ao devem ser confundidos, pois p q e uma
proposicao enquanto p q n
ao e proposicao.
Os argumentos arrolados anteriormente a respeito dos smbolos e = podem ser adaptados para os smbolos e .
A seguir listamos varias maneiras de se formular p q em palavras:
1) Se p, ent
ao q e recprocamente;
2) Se q, ent
ao p e recprocamente;
3) q e verdadeira se, somente se, p for verdadeira;
4) p implica q e recprocamente;
5) p e uma condicao necessaria e suficiente para q;
6) q e uma condicao necessaria e suficiente para p;
7) p e q sao proposicoes equivalentes.
Dos tens 1) e 4) acima, vemos que a matematica (con) funde os smbolos
e .

Isto na Matem
atica, n
ao na L
ogica.

432

Proposi
c
ao 40. A proposic
ao p e equivalente `
a proposic
ao q (isto e, p q)
se, e somente se, a bicondicional p q e tautol
ogica.
Prova: (i) Se p e equivalente a q, ent
ao, tem tabelas-verdade iguais, e por
conseguinte o valor logico da bicondicional p q e sempre V , isto e, esta bicondicional e tautol
ogica (ver tabela-verdade da bicondicional, p. 430).
(ii) Recprocamente, se a bicondicional p q e tautol
ogica, ent
ao, a u
ltima
coluna da sua tabela-verdade encerra somente a letra V , e por conseguinte os valores logicos respectivos das proposicoes p e q sao ambos V ou ambos F , isto e, estas
duas proposicoes sao equivalentes.

Portanto, a toda equivalencia logica corresponde uma bicondicional tautol
ogica
e vice-versa.

Equivalencias Not
aveis
A seguir listamos algumas equivalencias entre proposicoes, as quais podem ser
demonstradas com o auxlio das respectivas tabelas-verdade.
1) p p

(Dupla Negacao)

2) Leis Idempotentes
a) p p p
b) p p p
3) Leis Comutativas
a) p q q p
b) p p q p
4) Leis Associativas
a) p (q r) (p q) r
b) p (q r) (p q) r
5) Leis de De Morgan
a) ( p q ) p q
b) ( p q ) p q
6) Leis Distributivas
a) p ( q r ) (p q) (p r)
b) p ( q r ) (p q) (p r)

Augustus De Morgan (1806 1873) lecionou no University College, Londres. Foi


matem
atico e l
ogico, e contribuiu para preparar o caminho da L
ogica matem
atica moderna.

433

8.4.2

T
ecnicas (Engenharia) de Demonstrac
ao

Os problemas em matematica dividem-se em duas classes:


Determina
c
ao: calcule, encontre, ache, determine,. . .
Demonstra
c
ao: mostre, prove, demonstre,. . .
Costumo mesmo dizer que a matematica comeca com os problemas do segundo
tipo. De fato, a resolucao da maioria dos problemas do primeiro tipo sao algoritmicas (mec
anicas); enquanto os problemas do segundo tipo exigem muito de
criatividade (engenhosidade).
Um outro criterio que utilizo para distinguir n
ao-matem
atica (algoritmo) de
matematica, e que a n
ao-matem
atica e susceptvel de programacao a exemplo dos
poderosos softwares algebricos enquanto que a matematica em si (demostracoes)
n
ao.
Ademais, estou propenso a acreditar que podemos ver a maioria dos objetos
como consistindo de materia e esprito. Para contextualizar minha tese vejamos
alguns exemplos:
1o ) Um computador consiste de hardware e software, o hardware e a parte material e o software e o esprito do computador.
2o ) Uma celula e composta de materia (e o que os biologos enxergam ao microsc
opio) e esprito (software que comanda suas atividades) que os biologos n
ao
enxergam ao microscopio.
3o ) Os n
umeros inteiros, sao compostos de materia:
Z = { . . . , 3, 2, 1, 0, 1, 2, 3, . . . }
e esprito, que sao seus axiomas de manipulacao da materia (smbolos) tais como:
comutatividade, associatividade, elemento neutro, elemento oposto, Princpio da
Boa Ordem, etc.
De igual modo, a matematica possui uma parte material (smbolos) e uma parte
espiritual (conceitos, ideias), o que se estar a manipular por a e apenas o corpo
(cad
aver) da matematica, seu esprito fica de fora.
Para se lidar com o esprito da matematica (viva) torna-se indispens
avel o
conhecimento de algumas tecnicas de demonstracao.
1. Proposicoes Aparentadas
p q

Direta

q p

Recproca

p q

Contraria

q p

Contrapositiva (contrarrecproca)

Por a a que me refiro e a matem


atica praticada ate o ensino medio e em algumas
cadeiras da universidade, e uma matem
atica mec
anica, morta. O fato de voce manusear
o controle remoto de sua televis
ao n
ao significa que voce compreende como ele funciona.
De igual modo, muitos manipulam a matem
atica sem compreender como ela funciona, e
uma matem
atica sem vida, sem esprito! Ver p
agina 11.

434

2. Equivalencia Entre Proposicoes Aparentadas


2.1 A proposicao direta equivale `a contrarrecproca.
p q q p
Para provar isto faremos uso da seguinte identidade:
p q = p q
Esta identidade pode ser obtida das respectivas tabelas-verdade.
Prova:
(i) p q = p q

(ii) q p = q p

= p q


Isto significa que as proposicoes p q e q p assumem sempre


os mesmos valores logicos; isto e, ou sao ambas verdadeiras (V ) ou sao
ambas falsas (F ).
Sendo assim acabamos de estabelecer nossa primeira tecnica de demonstracao indireta:
(T-1) O teorema direto equivale ao contrarrecproco

H = T T = H
Enunciemos nossa segunda tecnica de demonstracao indireta:
(T-2) Anexacao `
a hip
otese da negacao da tese
H = T


H T = T

Prova: Provemos a seguinte equivalencia:



p q p q q

De fato,

(i) p q = p q.
(ii) p q q = (p q) q
= ( p q ) q

= p q q
= p q.


Negac
H: Hip
otese, T : Tese, H:
ao da hip
otese, T: Negac
ao da tese.

435

(T-3) Redu
c
ao ao absurdo
H = T


H T = f

Onde: f e uma proposicao de valor logico falso (e qualquer contradicao).


Prova: Provemos a seguinte equivalencia:

p q p q f

De fato,

(i) p q = p q.
(ii) p q f = (p q) f
= (p q)

= p q

= p q.

Nota: Na tabela-verdade da proposicao p q vemos que quando o valor
logico de q e F , prevalece o valor logico de p. Estamos dizendo que
p f = p.
Resumindo: Para utilizar esta tecnica em uma demonstracao, devemos anexar `
a Hip
otese a negacao da Tese e devemos exibir, ao final,
alguma contradicao (algum absurdo).

Uma Equivalencia Not


avel
Uma das equivalencias mais utilizadas em demonstracoes matematicas
e a que segue
(T-4) Teorema com hipotese composta ()
Se a hip
otese de um teorema e formada pela conjuncao de duas
outras, e valida a seguinte equivalencia

H1 H2 = T

H1 T = H
2

Isto e, junta-se a uma das hipoteses a negacao da tese e demonstrase a negacao da outra hipotese.
Prova: Provemos a seguinte equivalencia
p q r p r q
De fato,
p q r = (p q) r
= (
p q) r
= p q r.

436

Por outro lado,


p r q = (p r) q
= (
p r) q

= p r q.

Vejamos alguns exemplos de aplicacao desta equivalencia:
umeros: Se a divide b e a n
ao divide c ent
ao b n
ao divide c.
1o ) Teoria dos n

a|b
H1 :

T:
b 6 | c.

H2 :
a6|c

H1 T = H
2

Prova: Para algum n1 e algum n2 inteiros, resulta

H :

T :
Observe que

b
= n1
a
=
c
= n2
b

c
c
= n2
=
b
a n1

= n1 n2 H
2
a


2o ) Em Analise: Se a b e b a ent
ao a = b.

H1 :

H2 :

ab
ba

T:

a = b.

H1 T = H
2

Prova: Suponha a b e a 6= b, ent


ao a < b.
3 ) Em Analise:

Se n N, x R, e n < x < n + 1, ent


ao x 6 N.

x>n
H1 :

T:

H2 :
x<n+1

H1 T = H
2

437

x 6 N.

Prova: Se x > n e x N ent


ao x n + 1.
(T-5) O seguinte teorema n
ao e raro em matematica:

H1 H2 = T

um teorema, tipo se e somente se, isto e


E

H1 = H2 = T
H1 = H2 = T
Ent
ao


(i) H1 = H2 = T
Observemos que a tese do teorema acima e um outro teorema. Isto significa que assumindo H1 devemos demonstrar H2 = T . Isto e, devemos
mostrar que H2 acarreta T . Ainda,
H1 H2 = T
Esta conclusao pode ser provada assim:


H1 H2 T = H1 H2 T

= H1 H2 T
= (H1 H2 ) T

= H1 H2 T.
Portanto subsiste a seguinte equivalencia


H1 = H2 = T H1 H2 = T


(ii) H2 = T = H1


Consideremos a contrapositiva: H1 = H2 = T . Ent
ao,


T
H1 H2 T = H1 H
2
= H1 H2 T

Portanto subsiste a seguinte equivalencia




(H2 = T ) = H1 H1 = H2 T

(T-6) Teorema com hip


otese composta ()
Se a hip
otese de um teorema e formada pela disjuncao de duas outras, e
valida a seguinte equivalencia

H1 H2 = T



H1 = T H2 = T

Prova: Provemos a seguinte equivalencia


p q r

438



p r q r

De fato,
p q r = (p q) r
= (
p q) r


= p r q r


= p r q r

(T-7) Teorema com tese composta ()


Se a tese de um teorema e formada pela disjuncao de duas outras, e valida
a seguinte equivalencia
H = T1 T2

H T1 = T2

Prova: Provemos a seguinte equivalencia

p ( q r ) ( p q ) r
De fato,
p ( q r ) = p ( q r )
= ( p q ) r
= ( p q ) r
= ( p q ) r


Resumo das T
ecnicas de Demonstra
co
~es

H T T H

(T-2)

H T

(T-3)

H T

H1 H2 T

(T-4)

(T-5)

(T-6)
(T-7)
(T-8)

H1 H2 T

H1 = H2 T

H1 = H2 T


H1 H2 T

H T1 T2


H T T

H T f


H1 T H
2

H T

(f =absurdo)

H1 H2 T

H1 H2 T



H 1 T H2 T


H T1 T2


H T H

439

Gentil

(T-1)

Uma F
ormula In
edita
Gostei da sua f
ormula.
Carlos Gustavo T. de A. Moreira (Gugu/IMPA)
Nos livros de C
alculo I constam algumas formulas para se encontrar a soma de
potencias dos n primeiros n
umeros naturais, por exemplo:
1 + 2 + 3 + + n =
Ou ainda

n(n + 1)
2

1 2 + 2 2 + 3 2 + + n2 =

n(2n + 1)(n + 1)
6

1 3 + 2 3 + 3 3 + + n3 =

n2 (n + 1)2
4

Ou ainda

(8.4)

Durante muitos anos por decadas, por seculos os matematicos estiveram `a


procura de uma f
ormula u
nica que incluisse como caso especial as anteriores. . . Ninguem teve exito. Coube a mim materializar essa aspiracao. Em 1997 demonstrei o
seguinte:
(p. 126)
Teorema 16 (Gentil/1997). Sendo m um natural arbitrariamente fixado, e v
alida
a seguinte identidade:
1 m + 2 m + 3 m + + nm =
Onde:

j
X

a(mj) =

k=0

(1)k


m 
X
n
a
j + 1 (mj)
j=0

 
m
j
(1 k + j)
k

Prova: Ver [9].


Vejamos um exemplo de aplicacao desta formula (m = 3):

3 
X
n
a
1 + 2 + 3 + + n =
j + 1 (3j)
j=0
3

 
 
 
 
n
n
n
n
=
a +
a +
a +
a
1 3
2 2
3 1
4 0
Onde:
a(3j) =

j
X

k=0

(1)k

 
3
j
(1 k + j) ;
k

( j = 0, 1, 2, 3. )

Substituindo e simplificando chegamos ao resultado (8.4).

440

Referencias Bibliograficas

[1] Janich, Klaus. Algebra


Linear. Rio de Janeiro, RJ: LTC-Livros Tecnicos e
Cientficos, 1998.
[2] Callioli, Carlos A., Hygino H. Domingues, Roberto C.F. Costa. 6. ed. rev.

Algebra
linear e aplicac
oes. S
ao Paulo: Atual, 1990.
[3] Lipschutz, Seymour, Marc Lars Lipson; Traducao: Dr. Claus Ivo Doering. 4.

ed. Algebra
linear (Colecao Schaum). Porto Alegre: Bookman, 2011.

[4] Coelho, Fl
avio Ulhoa., Mary Lilian Lourenco . Um Curso de Algebra
Linear.
S
ao Paulo: Edusp, 2013.

[5] Lima, Elon Lages. 7. ed. Algebra


Linear. Rio de Janeiro, RJ: IMPA, 2006.

[6] Poole, David. Algebra


Linear. S
ao Paulo: Thomson, 2004.

[7] Lawson, Terry. Algebra


Linear. Traducao de Elza F. Gomide. S
ao Paulo: Editora
Edgard Bl
ucher, 1997.

[8] Anton, Howard, Robert C. Busby. Algebra


Linear Contempor
anea. Traducao de
Claus Ivo Doering. Porto Alegre: Bookman, 2006.
[9] Silva, Gentil Lopes. Novas Seq
uencias Aritmeticas e Geometricas. Braslia - DF:
THESAURUS EDITORA, 2000.
[10] Silva, Gentil Lopes. Fundamentos dos N
umeros (Tudo o que voce gostaria
de saber sobre os n
umeros mas n
ao tinha a quem perguntar). Boa Vista-RR:
Publicacao Eletr
onica, 2016.

[11] Hefez, Abramo. Curso de Algebra,


Volume 1. Rio de Janeiro: IMPA - CNPq,
1993.

441

Indice Remissivo

Arduo
e inospito, 338

Angulo
entre vetores, 284

Desigualdade
De Cauchy-Schwarz, 264
De Lagrange, 266
Algoritmo
triangular, 267
da divisao, 421
Diagonalizacao de Operador, 342
De Gram-Schmidt, 291
Dilatacao e Contracao, 240
Gentil, 142
Dimens
ao de um espaco vetorial, 99
Para determinar uma base de um Dist
ancia
subespaco, 100
entre dois pontos, 266
Para encontrar a matriz de uma trans- Dist
ancia entre vetores, 267
formacao, 189
Ego, transcender, 418
Automorfismos, 168
Einstein
Autovalor, 322
1 + 1 6= 2, 77
Autovetor, 322
Enderecos, livros, 8
Base
Equivalencia L
ogica, 432
Canonica do Rn , 94
Equivalencias Not
aveis, 433
De um espaco vetorial, 92
Espaco
De Codigos, 26
C
odigo ASCII, 26
Dual, 224
C
odigo bin
ario, 27
Euclidiano, 258
C
onicas e Qu
adricas, 398
Funcional, 33
Capas, Gentil, 78, 126, 418
Hermitiniano, 318
Cisalhamento, 242
Vetorial, 12
Coeficientes de Fourier, 288
Vetorial complexo, 317
Combinacoes lineares, 67
Vetorial finitamente gerado, 72
Complemento ortogonal, 298
Exemplo patologico, 38
Conjuntos Estruturas, 19
Forma linear, 224
Conjuntos ortonormais, 287
Formas bilineares, 371
Coordenadas de um vetor, 109
Formas bilineares antissimetricas, 383
Corpos, 420
Formas bilineares simetricas, 379
Dean Radin, 126
Formas quadr
aticas
Definicao
Definicao, 391
C
odigo, 27
Diagonalizacao, 393
Desafio do Seculo, 320
Mudanca de variaveis, 395
Desafio: Engenheiros e fsicos, 11
Funcional linear, 224

442

Gentil
Algoritmo, 142
Capa DQ, 418
Capa E.M., 78
Capa Gugu, 126
Capa NSSAG, 78
Desafio, 320
Formula c
odigos, 31, 52
Formula inedita, 440
Gregory Chaitin
Leibniz, 306
Homotetia, 241
Identidade de um Elemento, 20
Identidade do paralelogramo, 280
Imagem de um conjunto, 128
Imagem Direta, 128
Implicacao L
ogica, 430
Isometria, 301
Isomorfismo, 169

Polinomio caracterstico, 330, 331


Polinomios de Legendre, 295
Potencias de uma matriz, 359
Produto de vetores, 42
Produto Interno, 258
Produto interno de Norma, 309
Proposicao, 429
Quadro amarelo, 14
Resumo das tecnicas, 439
Rotacao, 244, 246, 248
Subespaco proprio, 327
Subespacos
Gerados, 68
Invariantes, 354
Soma de, 62
Soma direta, 64
Vetoriais, 53

Tecnicas de demonstracao, 434


Teorema
Ken Wilber
Da invariancia, 98
Transcender o ego, 418
de Gersgorin, 363
Vida e morte, 418
de Pit
agoras, 309
Do
n
u
cleo e da imagem, 159
Leibniz e os bits, 306
Espectral, 355

Matriz
Fundamental da Algebra,
334
De mudanca de base, 113
Transformacao
de uma forma bilinear, 374
Bijetora, 132
De uma transformacao linear, 185
Identidade, 139
Inversvel, 428
Injetora, 131
Valores proprios e vetores proprios,
Linear, 134
331
N
ucleo, 155
Matrizes semelhantes, 231
Nula (Zero), 140
Multiplicidade algebrica, 334
Sobrejetora, 132
Multiplicidade geometrica, 334
Transformacoes Lineares
Mundo, Vacuidade, 418
Composicao, 207
Do plano no plano, 237
N
ucleo de uma transformacao linear, 155
Operacoes, 203
Norbert Wiener, 338
Norma, 271
Ubiratan DAmbrosio, 78
Norma e produto interno, 263
Vacuidade, Mundo, 418
Operacoes L
ogicas, 430
Vetores
Operador autoadjunto, 311
Linearmente dependentes, 80
Osho
Linearmente independentes, 80
Voce n
ao existe., 124
Ortogonais, 287
Poincare, 11, 43

443

Pelo que temos constatado no difcil encontrar


alunos que tenham cursado a disciplina lgebra linear e que,
ao trmino, no sabem o que um vetor.
Dentre algumas possveis explicaes para este
paradoxo gostaria de destacar uma em especial: o
condicionamento. Com efeito, muitos alunos chegam nesta
disciplina condicionados, por seus estudos anteriores, a
imaginar que um vetor um ente que possui mdulo, direo e
sentido. Se isto verdade na fsica na matemtica
integralmente falso.

Insistimos: na matemtica um vetor no possui


mdulo, no possui direo, no possui sentido.
Isto se deve a que as denies deste ente (vetor) so distintas
nestas duas disciplinas. Embora, atravs de um malabarismo os
vetores da fsica possam ser includos entre os vetores da
matemtica (como um caso especial), os vetores desta ltima vo
muito mais alm. A princpio so pontos em um espao abstrato; e
pontos no possuem nem mdulo (comprimento), nem direo e
nem sentido.
Alguns vetores da matemtica:

Para estes vetores no existe mdulo, direo e sentido.

Gentil, o iconoclasta