Escolar Documentos
Profissional Documentos
Cultura Documentos
Algebra e Matrizes - Hamilton
Algebra e Matrizes - Hamilton
Em memria de
Eliana Farias Bueno.
Inesquecvel esposa,
eterna amiga.
i
i
i
i
Prefcio
Este texto dirigido a alunos de um segundo curso de lgebra Linear. Apesar
de todos os conceitos estarem definidos, noes bsicas sobre o espao Rn so
supostas conhecidas e, portanto, tm apresentao concisa. So utilizados alguns
resultados elementares do clculo diferencial e da teoria de funes em uma varivel
complexa.
Com o ponto de vista da Anlise Matemtica, o livro oferece um tratamento
moderno para temas bsicos da lgebra Linear e pode ser lido com diversos graus
de aprofundamento, destinando-se tanto a alunos que ainda esto aprendendo o
formalismo da linguagem matemtica como tambm queles mais avanados, que
pretendem consolidar e ampliar seus conhecimentos sobre o assunto.
A primeira verso deste texto surgiu como uma adaptao de parte de um livro
que considero uma obra-prima: o texto de P. Lax, "Linear Algebra" [20], cuja
influncia no dissimulada.
Decidi adaptar o texto de Lax quando senti a dificuldade de meus alunos
em acompanh-lo. Alterei demonstraes e o ordenamento do texto, salientei as
diferenas entre espaos reais e complexos, esmiucei certas passagens e inseri
alguns tpicos complementares, sempre visando tornar o texto menos denso. Aps a
utilizao dessa adaptao por mim e outros professores, resolvi fazer modificaes
mais profundas, enfatizando um tpico que tradicionalmente ignorado nos textos
de lgebra Linear: as assim chamadas funes de matrizes, que so matrizes
originadas por funes f : U C C, tais como Ak , A1 , sen A ou mesmo
o fluxo eAt . Usualmente restringe-se a apresentao dessas ao caso de polinmios
de uma matriz quadrada ou ento, se a matriz A for simtrica e A = P 1 DP com
D diagonal, define-se f (A) por P 1 f (D)P , em que f (D) obtida ao se avaliar f
em cada uma das entradas diagonais de D.
A apresentao de funes de matrizes pode ser sintetizada como sendo uma
generalizao da verso em dimenso finita do clculo funcional de DunfordSchwartz [8] e j era conhecida por Gantmacher [9]. Ela simples e tem conseqncias notveis: f (A) sempre um polinmio na matriz A (com coeficientes
dependendo da funo f ), que pode ser facilmente obtido, se forem conhecidos os
iii
i
i
i
i
i
i
i
espao coluna, ncleo e imagem de uma aplicao linear etc. Grande nfase dada
s matrizes de mudana de base (a rigor, mudana de coordenadas), pois entendo
que o tratamento clssico por meio da matriz de passagem mais confunde do
que esclarece. Se o professor optar por evitar a introduo do espao quociente,
o Teorema do Ncleo e da Imagem pode, ainda assim, ser enunciado como um
teorema de isomorfismo, por meio da utilizao do Exerccio 16 do Captulo 3.
O Captulo 4 aborda a teoria de determinantes. Os textos de lgebra Linear
normalmente enfrentam um dilema ao trat-los: ou apresentam a "teoria completa"
de permutaes e do sinal de uma permutao, segundo mtodos que, stricto sensu,
fogem ao escopo da lgebra Linear, ou preferem introduzir brevemente esses
tpicos, remetendo aos textos de lgebra a demonstrao dos resultados utilizados.
Isso causa um certo desconforto, evidenciado na observao feita por Lang na seo
sobre permutaes da primeira edio de seu texto de lgebra Linear [19]: "Ao
leitor que for alrgico a argumentos combinatrios, aconselhamos assimilar apenas
o enunciado das propriedades e omitir as demonstraes." A apresentao escolhida
para determinantes supera esse dilema: a teoria de permutaes e do sinal de uma
permutao apresentada segundo mtodos da lgebra Linear, como conseqncia
do material exposto.
No Captulo 5 so introduzidos os autovalores e autovetores de um operador,
bem como o polinmio mnimo e o Teorema de Cayley-Hamilton, aqui demonstrado de um modo bastante simples. Tambm estudada a complexificao de um
espao vetorial.
Apesar de inclurem a apresentao do espao quociente e da complexificao
de um espao vetorial tpicos que, normalmente, no so vistos em um primeiro
curso de lgebra Linear , os Captulos 1-5 formam a parte bsica do curso.
O Captulo 6 introduz o clculo funcional. (Se o professor julgar que seus alunos
no possuem os conhecimentos necessrios para a leitura desse Captulo, ele pode
optar entre uma apresentao "operacional" do mesmo ou seguir algum dos roteiros
alternativos, que sero descritos posteriormente.) A Seo 6.3 relativamente
mais avanada, consideradas as noes de topologia empregadas para se mostrar
a "estabilidade" do mtodo que fundamenta o clculo funcional. Entretanto, essas
preocupaes no so essenciais, e o professor pode apenas mostrar o isomorfismo
de lgebras, sem preocupaes com a estabilidade do mtodo. A Seo 6.4
d exemplos do emprego do clculo funcional: o fluxo de uma matriz, funes
trigonomtricas etc.
O Captulo 7 apresenta a decomposio primria, a forma cannica de Jordan
e a decomposio racional. O clculo funcional mostra o Teorema da Imagem do
i
i
i
i
i
i
Sumrio
Prefcio
ix
Quadro de Dependncias
xv
1 Base e Dimenso
1.1 Espaos Vetoriais
1.2 Bases . . . . . .
1.3 Somas Diretas . .
1.4 Espao Quociente
1.5 Exerccios . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
. 1
. 3
. 6
. 8
. 10
2 Dualidade
15
2.1 O Espao Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Aplicaes Lineares
3.1 Aplicaes Lineares e Matrizes - parte 1
3.2 Multiplicao de Matrizes . . . . . . .
3.3 Espao Linha e Espao Coluna . . . . .
3.4 Resoluo de Sistemas Lineares . . . .
3.5 O Teorema do Ncleo e da Imagem . .
3.6 Aplicaes Lineares e Matrizes - parte 2
3.7 A Transposta de uma Aplicao Linear .
3.8 Exerccios . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
22
22
25
29
32
37
40
45
47
4 Determinantes
4.1 Determinantes de Matrizes 2 2 . . . . . . . . . . . . . . . . . . .
4.2 Funo Determinante . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Existncia de uma Funo Determinante . . . . . . . . . . . . . . .
55
55
57
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ix
i
i
i
4.4
4.5
4.6
4.7
4.8
5 Operadores e Polinmios
5.1 Autovetores e Autovalores . . . . . . . .
5.2 Subespaos Invariantes . . . . . . . . . .
5.3 O Polinmio Mnimo . . . . . . . . . . .
5.4 O Teorema de Cayley-Hamilton . . . . .
5.5 A Complexificao de um Espao Vetorial
5.6 Um Homomorfismo de lgebras . . . . .
5.7 Exerccios . . . . . . . . . . . . . . . . .
6 O Clculo Funcional
6.1 O Polinmio Interpolador . . . . . . . . .
6.2 Funes de Matrizes . . . . . . . . . . .
6.3 Estendendo o Homomorfismo de lgebras
6.4 Aplicaes do Clculo Funcional . . . . .
6.4.1 O Fluxo . . . . . . . . . . . . . .
6.4.2 Funes Trigonomtricas . . . . .
6.4.3 Logaritmo . . . . . . . . . . . . .
6.4.4 Raiz Quadrada . . . . . . . . . .
6.4.5 A Inversa . . . . . . . . . . . . .
6.5 Exerccios . . . . . . . . . . . . . . . . .
7 Teoria Espectral
7.1 Imagem do Espectro . . .
7.2 O Teorema Espectral . . .
7.3 Decomposio Primria . .
7.4 Forma Cannica de Jordan
7.5 Forma de Jordan Real . . .
7.6 Decomposio Racional .
7.7 Exerccios . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
67
67
68
70
72
73
.
.
.
.
.
.
.
78
78
82
85
86
87
90
91
.
.
.
.
.
.
.
.
.
.
96
96
100
103
104
104
108
108
108
109
110
.
.
.
.
.
.
.
114
114
115
122
127
136
138
147
i
i
8 Estrutura Euclidiana
8.1 Produto Interno . . . . . . . . . . .
8.2 Norma . . . . . . . . . . . . . . . .
8.3 Bases Ortonormais . . . . . . . . .
8.4 Projees Ortogonais . . . . . . . .
8.5 A Adjunta de uma Aplicao Linear
8.6 Isometrias . . . . . . . . . . . . . .
8.7 Operadores Lineares . . . . . . . .
8.8 Norma de Matrizes . . . . . . . . .
8.9 Exerccios . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
152
152
153
156
158
162
168
171
173
176
.
.
.
.
186
186
190
194
196
.
.
.
.
.
.
201
201
206
208
212
216
222
.
.
.
.
227
227
229
230
234
Apndices
A Matrizes Elementares e a Decomposio LU
236
A.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
B Funes de Matrizes: Comparando Definies
242
i
i
C Decomposio Primria
246
280
Referncias Bibliogrficas
283
ndice Remissivo
287
i
i
Quadro de Dependncias
Captulo 2
Captulo 1
?
-
Captulo 3
Apndice A
Captulo 4
?
Captulo 5
------------------------------------------------@
Apndice B
?
R
@
H
Y
H
*
Apndice E
Captulo 6
Apndice D
H
j
H
Apndice C
H
j
H
H
j
H
?
- Seo 7.6
Seo 7.5
------------------------------------------------?
Captulo 9
Captulo 8
-
Apndice F
-
Apndice A
Captulo 10
?
Captulo 11
xiii
i
i
i
Outras opes de curso. O texto foi escrito de maneira a proporcionar uma grande
flexibilidade na escolha do material a ser lecionado.
O Apndice A opcional, mas pode ser apresentado simultaneamente ou logo
aps o Captulo 3. (Alguns resultados sobre matrizes elementares so utilizadas nos
exerccios do Captulo 4. A decomposio LU utilizada no Captulo 11.)
O Captulo 2 tambm opcional, bem como a Seo 3.7.
O Captulo 6 e as duas primeiras sees do Captulo 7 expem o clculo
funcional. O Captulo 6 relativamente simples (com exceo de parte de sua
ltima seo, que pode ser omitida) e pode ser apresentado com um ponto de
vista operacional. A ligao entre a apresentao tradicional clculo funcional
de matrizes simtricas e na forma cannica de Jordan com o Captulo 6 feita
no Apndice B, que no precisa ser exposto. O Apndice E apresenta resultados
bsicos sobre sistemas lineares de equaes diferenciais ordinrias e pode servir
como apoio para o estudo do fluxo linear, feito no Captulo 6.
Se o professor tiver dvidas com respeito "maturidade matemtica" de seus
alunos, talvez seja recomendvel omitir a Seo 7.2 e apresentar, ao invs opo
que no est presente no quadro de dependncias , o Apndice C ou o Apndice
D.
Mas, todo o clculo funcional pode no ser exposto. Nesse caso, h duas
possibilidades: a primeira consiste em substituir o Captulo 6 e as duas primeiras
sees do Captulo 7 pelo Apndice C e ento voltar ao texto principal no Exemplo
7.10.
A outra consiste em substituir o clculo funcional pelo Apndice D, o que
significa uma aprecivel economia de tempo. Nesse Apndice feita uma demonstrao bastante simples da forma cannica de Jordan, adaptando e complementando aquela presente em Strang [33]. (Os nicos pr-requisitos para essa
demonstrao so somas diretas de subespaos e o Teorema do Ncleo e da
Imagem.) Nesse caso, os resultados da Seo 7.2 sero obtidos como conseqncia
da forma de Jordan. (Apesar de a Seo 7.5 ter sido escrita enfatizando a repetio
de mtodos utilizados na Seo 7.3, o professor no ter dificuldades em apresentla.)
Seguindo a ordem natural do texto, a Seo 7.3 pode ser omitida; por esse
motivo, a ordem natural do Captulo 7 no quadro de dependncias foi alterada.
Tambm pode-se no apresentar a Seo 7.6, que trata da decomposio racional de
Frobenius.
A apresentao do Captulo 9 facultativa, uma vez que a passagem direta do
Captulo 8 para o Captulo 10 inteiramente natural.
i
i
xv
A Seo 10.2 pode ser omitida, j que apenas apresenta uma segunda demonstrao do Teorema Espectral para operadores auto-adjuntos.
O Captulo 11 pode no ser exposto ou ento ser apresentado simultaneamente
com resultados dos Captulos 8 e 10. Muitos dos resultados deste Captulo
so apenas uma formulao diferente de resultados anteriormente descritos. So
utilizados resultados apresentados no Apndice A.
O Apndice B opcional, mostrando que a apresentao feita de funes de
matrizes equivalente s definies usualmente utilizadas nos textos de lgebra
Linear.
A Seo 8.8 introduz a norma de uma matriz quadrada; o Apndice F mais
ambicioso, introduzindo a norma de uma aplicao linear. A escolha entre a Seo
8.8 ou o Apndice F fica a critrio do professor.
Finalmente, vrios resultados tm uma demonstrao alternativa exposta no
prprio texto. Pode-se optar entre essas alternativas ou apresentar ambas.
i
i
i
i
1
Base e Dimenso
Este Captulo apresenta algumas noes bsicas da lgebra Linear, introduz
somas diretas e define o espao quociente.
1.1
Espaos Vetoriais
1
i
i
i
Base e Dimenso
Cap. 1
i
i
1.2
Bases
1.2
Bases
i
i
Base e Dimenso
Cap. 1
mostrando o afirmado.
De maneira anloga, y2 = 2 x2 + . . . + n xn + 1 y1 , com ao menos um dos
escalares 2 , . . . , n diferente de zero (veja o Exerccio 11). Supondo 2 6= 0,
verificamos ento que o conjunto {x3 , . . . , xn , y1 , y2 } gera o espao X. Repetindo
sucessivamente esse procedimento, obtemos que
{y1 , . . . , yn }
gera o espao X. Em particular,
yn+1 = 1 y1 + . . . + n yn .
Mas, ento,
1 y1 . . . n yn + 1yn+1 + 0yn+2 + . . . + 0yj = 0,
o que contradiz {y1 , . . . , yj } ser um conjunto linearmente independente.
i
i
1.2
Bases
i
i
Base e Dimenso
Cap. 1
1.3
Somas Diretas
i
i
1.3
Somas Diretas
v
V
(u, v) U V
Figura 1.1:
Se W = U V , um ponto w W escreve-se de maneira nica como w = u + v.
i
i
Base e Dimenso
Cap. 1
1.4
Espao Quociente
mod Y,
se x1 x2 Y .
Podemos dividir o espao X em diferentes classes de equivalncia mdulo Y
(veja o Exerccio 30). Denotaremos a classe contendo o elemento x por [x].
Definio 1.25 Se [x] e [z] forem classes de equivalncia mdulo Y e K,
definimos
[x] + [z] = [x + z], [x] = [x].
Com essas operaes, o conjunto de todas as classes de equivalncia mdulo Y
torna-se um espao vetorial, denotado por
X
Y
ou X/Y
i
i
1.4
Espao Quociente
w5
[w]+Y
w4
w3
6
w
Y
2
I
w1X
@
y
X
@
XX
X@
X
x
Figura 1.2:
O subespao Y a reta y = 2x. Os vetores w1 , . . . , w5 pertencem todos mesma classe.
O espao R2 /Y formado por todas as retas paralelas reta y = 2x.
Sem dificuldades, podemos estender a interpretao geomtrica aqui apresentada ao caso geral.
Exemplo 1.28 Seja x Kn e considere Y o subespao de todos os vetores cujas
duas primeiras coordenadas so nulas. Ento dois vetores so congruentes mdulo
Y se, e somente se, suas duas primeiras coordenadas forem iguais. Isto ,
(x1 , x2 , x3 , . . . , xn ) (y1 , y2 , y3 , . . . , yn ) mod Y
x1 = y1 e x2 = y2 .
i
i
10
Base e Dimenso
Cap. 1
1.5
Exerccios
i
i
1.5
11
Exerccios
z1 = (x1 , y1 ).
(a) Mostre que U um espao vetorial com elemento neutro aditivo (1, 1);
(b) mostre que, se v1 = (e, 1) e v2 = (1, e), ento B = {v1 , v2 } uma base
de U (estamos denotando por e a base dos logaritmos naturais).
(c) Defina T : U R2 por T (z) = [z]B , em que [z]B a representao de
z na base B. Mostre que T um isomorfismo.
9. Seja S X um subconjunto arbitrrio do espao vetorial X. Mostre
que o conjunto de todas as combinaes lineares dos elementos de S
um subespao de X, chamado (sub)espao gerado por S e denotado por
< S >. Mostre que, se Y X for um subespao tal que S Y ,
ento < S > Y . (Esse exerccio generaliza o procedimento usado na
demonstrao do Teorema 1.23).
10. Se S X for linearmente independente, mostre que 0 6 S. Mostre que,
se um conjunto possuir um subconjunto linearmente dependente, ento esse
conjunto linearmente dependente.
11. Qual a razo, na demonstrao do Lema 1.10, de substituirmos sempre
um dos elementos xj , . . . , xn do conjunto {xj , . . . , xn , y1 , . . . , yj1 } pelo
elemento yj ? Porque no podemos substituir yj por um dos elementos
y1 , . . . , yj1 ?
12. Seja S = {1, z, z 2 , . . . , z n , . . .}. Mostre que S uma base de K[z].
13. Seja T : X Y uma aplicao linear e defina ker T := {v X | T v = 0}.
Mostre que T injetora se, e somente se, ker T = {0}.
14. Exiba um isomorfismo entre Kn e Kn [z].
15. Defina K como o espao de todas as seqncias (z1 , . . . , zn , . . .) com a
soma e multiplicao por escalar definidas de maneira natural. Mostre que
K um espao vetorial. Considere seu subespao K
0 , formado por todas
i
i
12
Base e Dimenso
Cap. 1
i
i
1.5
13
Exerccios
27. Denotaremos por Mnn (K) o conjunto das matrizes n n com entradas
no corpo K. Defina o conjunto das matrizes simtricas S = {A
Mnn (K) | At = A}, em que At denota a transposta da matriz A (veja
3.12 para a definio da transposta de uma matriz); defina o conjunto das
matrizes anti-simtricas A = {A Mnn (K) | At = A}. Mostre que
Mnn (K) = S A.
28. Mostre que U V um subespao de X, se U e V forem subespaos de X.
O subespao U V a interseo dos subespaos U e V .
29. Seja X um espao vetorial e W1 , W2 subespaos. Mostre que, se X =
W1 W2 , ento X = Wi para pelo menos algum i {1, 2}.
30. Seja uma relao de equivalncia2 num conjunto A. Dado x A, denote
cl(x) := {y A | y x}
a classe de equivalncia do elemento x. Mostre que A pode ser escrito como
uma unio disjunta de suas classes de equivalncia.
31. Mostre que a congruncia mdulo Y uma relao de equivalncia.
32. Seja Y um subespao de X com dim Y = dim X. Mostre que Y = X.
33. Seja W R3 o subespao (verifique!) formado por todas as solues da
equao linear homognea 2x + 3y + 4z = 0. Descreva as classes de
equivalncia da congruncia mdulo W .
34. Sejam X um espao vetorial e M, N subespaos. D exemplo desses espaos,
de modo que
(a) nem M , nem X/M tenha dimenso finita;
(b) X/M tenha dimenso finita, mas X/N no tenha.
35. Seja T : X X um operador linear e W um subespao invariante por T ,
isto , T (W ) W . Considere a aplicao T : X X/W definida por
T(x) = [T x]. Mostre que T linear e que, se q K[z] satisfizer q(T ) = 0,
ento q(T) = 0.
2
i
i
14
Base e Dimenso
Cap. 1
i
i
2
Dualidade
Este Captulo apresenta uma primeira verso do Teorema de Representao de
Riesz e tambm do isomorfismo cannico entre o espao X e o bidual X . Ele pode
ser suprimido numa primeira leitura ou a critrio do instrutor.
2.1
O Espao Dual
()(x) = (x).
15
i
i
i
16
Dualidade
Cap. 2
R1
Exemplo 2.2 Seja X = {f : [0, 1] R | f contnua}. Defina (f ) = 0 f (s)ds
e, para s0 [0, 1] fixo, m(f ) = f (s0 ). fcil verificar que X e m X .
Exemplo 2.3 Defina 1 : Kn K por 1 (x1 , . . . , xn ) = x1 . Ento 1 (Kn ) .
Seja {x1 , . . . , xn } uma base do espao vetorial X. Ento, para todo x X, existem
escalares 1 (x), . . . , n (x) tais que
x = 1 (x)x1 + . . . + n (x)xn .
Os escalares i (x) so justamente as coordenadas de x na base {x1 , . . . , xn }.
(Quer dizer, se x = 1 x1 + . . . + n xn , i (x) denota i .)
Teorema 2.4 Seja B = {x1 , . . . , xn } uma base de X e
x = 1 (x)x1 + . . . + n (x)xn .
Ento, se ij denotar 0, se i 6= j, e 1, se i = j, temos:
(i) i : X K um funcional linear e i (xj ) = ij , para i, j {1, . . . , n};
(ii) o conjunto {1 , . . . , n } uma base de X , chamada de base dual da base B;
(iii) se m X , ento
m(x) = 1 (x)m(x1 ) + . . . + n (x)m(xn ).
(iv) para todo 0 6= x X, existe m X tal que m(x) 6= 0.
Demonstrao: (i) Suponhamos que x = 1 x1 +. . .+n xn e y = 1 x1 +. . .+n xn
(quer dizer, i (x) = i e i (y) = i ). Ento x + y = (1 + 1 )x1 + . . . + (n +
n )xn e, portanto, i (x + y) = i + i = i (x) + i (y).
(ii) Suponhamos que 1 1 + . . . + n n = 0 X . Avaliando esse funcional
sucessivamente nos vetores x1 , . . . , xn , conclumos que 1 = . . . = n = 0. Seja
agora m X . Ento
m(x) = m(1 x1 + . . . + n xn ) = 1 m(x1 ) + . . . + n m(xn )
= 1 (x)m(x1 ) + . . . + n (x)m(xn ),
provando no apenas que 1 , . . . , n geram X , mas tambm a afirmao (iii).
(iv) Se 0 6= x, ento alguma coordenada i (x) na expresso x = 1 (x)x1 + . . . +
n (x)xn no nula. Considere m = i .
2
i
i
2.1
17
O Espao Dual
Teorema 2.7 Os espaos X e X so canonicamente isomorfos. Mais precisamente, todo elemento do espao X da forma Lx , para algum x X.
Demonstrao: Apesar de ser constituda de etapas bastante simples, a idia da
demonstrao relativamente elaborada. Definimos = {Lx | x X}. Quer dizer,
os elementos de so as aplicaes lineares definidas no lema anterior. Vamos
mostrar, em primeiro lugar, que um subespao de X . Depois, mostraremos
que X isomorfo a . Assim, dim = n = dim X . Isso quer dizer que = X .
i
i
18
Dualidade
Cap. 2
Ento existem
p Kn [t].
(2.1)
i
i
2.2
19
Exerccios
Considere os polinmios
q1 (t) = (tt2) (ttn), q2 (t) = (tt1)(tt3) (ttn),. . ., qn (t) = (tt1). . .(ttn1).
Cada polinmio qi possui exatamente n 1 razes nos pontos tj , com j 6= i.
Substituindo sucessivamente os polinmios qi na relao (2.1), obtemos i q(ti ) =
0, o que implica i = 0. Isso mostra que {1 , . . . , n } linearmente independente
em (Kn [t]) e, portanto, uma base desse espao.
Assim, todo funcional linear : Kn [t] R uma combinao linear dos
funcionais 1 , . . . , n e, portanto,
= 1 1 + . . . + n n
para escalares 1 , . . . , n K. O resultado segue-se da ao considerarmos o
funcional linear
Z
p 7 p(t)dt.
2
I
2.2
Exerccios
i
i
20
Dualidade
Cap. 2
@
R
@
-
i
i
2.2
Exerccios
21
i
i
3
Aplicaes Lineares
Este Captulo introduz aplicaes lineares e suas representaes matriciais, os
espaos linha e coluna de uma matriz, demonstra o Teorema do Ncleo e da Imagem
e estuda detalhadamente a relao entre diferentes representaes matriciais de um
mesmo operador.
3.1
x, y X e K.
22
i
i
i
3.1
23
y6
H
Y
*a+b
K HH R(a)
A
A
H
b
A
AK
A
A
YH A
H
*a
R(b) HHA
R(a + b)
Figura 3.1:
A linearidade de R geometricamente clara.
n
X
aij (xj + wj ) =
j=1
n
X
aij xj +
j=1
n
X
j=1
y = Tx = T
n
X
xj ej
j=1
n
X
xj T (ej ).
j=1
Denotemos a i-sima coordenada do vetor T (ej ) por aij , isto , aij = (T (ej ))i .
Assim, a i-sima coordenada de y
yi =
n
X
xj aij ,
j=1
Observao 3.4 Note que, para provarmos o Teorema 3.3, fizemos uso explcito da
base cannica do Rn . Ao denotar aij = (T (ej ))i , estamos fazendo uso implcito da
base cannica do Rm .
i
i
24
Aplicaes Lineares
Cap. 3
A = ..
.. ;
..
.
.
.
.
.
.
am1 am2 amn
i
i
3.2
25
Multiplicao de Matrizes
(T )(x) = T x.
3.2
Multiplicao de Matrizes
i
i
26
Aplicaes Lineares
(i) R (S T ) = (R S) T,
Cap. 3
R L(Z, W );
(ii) (P + S) T = P T + S T,
P L(Y, Z);
(iii) S (T + Q) = S T + S Q,
Q L(X, Y ).
(As propriedades (i) e (ii) independem das aplicaes envolvidas serem lineares.)
Usualmente, no caso de aplicaes lineares, denotamos S T por ST , chamado
de produto das aplicaes lineares S e T . Note que, em geral, ST 6= T S (na
verdade, os dois lados nem precisam estar simultaneamente definidos; mesmo
estando, no h razo para serem iguais).
Atravs do Lema 3.8 foram interpretadas as operaes no espao vetorial
L(Kn , Km ) em termos de operaes entre matrizes, introduzindo assim operaes
em Mmn (K) com as quais este um espao vetorial, isomorfo ao espao
L(Kn , Km ) (verifique que temos realmente um isomorfismo!). A composio das
aplicaes lineares T : Kn Km e S : Km Kp pode ser interpretada
como operao entre matrizes. Isso introduz o produto de matrizes e justifica a
denominao de produto para a composio de aplicaes lineares, bem como a
notao ST ao invs de S T . Vamos obter a expresso do produto de matrizes.
O nosso ponto de partida, para isso, consiste da expresso (3.1). Considerando
o vetor x = ej , vemos que o lado direito de (3.1) produz a j-sima coluna da matriz
(aij ). Mas, T ej justamente um vetor do Km , cuja i-sima coordenada aij :
T ej = cj , em que cj a j-sima coluna da matriz que representa T.
(3.2)
A = (c1 c2 . . . cn ) = ... ,
(3.3)
m
em que
a1j
cj = ...
amj
i
i
3.2
27
Multiplicao de Matrizes
x1
x = (c1 . . . cn ) ... = c1 x1 + c2 x2 + . . . + cn xn ,
(3.4)
xn
expresso que serve como definio do produto de uma matriz linha por uma matriz
coluna!
A frmula de multiplicao de uma matriz m n por uma matriz coluna n 1
decorre tambm imediatamente de (3.1): se T L(Kn , Km ) for representada pela
matriz (aij ), ento y = T x tem coordenadas
yi =
n
X
aij xj ,
i = 1, . . . , m.
(3.5)
j=1
a11 a12
a21 a22
T x = ..
..
.
.
vemos que
os nossos vetores
a1n
x1
a2n x2
.. ..
...
. .
am1 am2
y=
y1
y2
..
.
ym
= Tx =
amn
1
2
..
.
m
xn
x =
so representados por
1 x
2 x
..
.
m x
(3.6)
i
i
28
Aplicaes Lineares
Cap. 3
1 c j
em que
S = ...
p
e T = (c1 cn ).
i
i
29
3.3
3.3
+ . . . + a1n xn
+ . . . + a2n xn
..
.
=
=
..
.
b1
b2
..
.
am1 x1 + . . . + amn xn = bm .
Em termos de matrizes, esse sistema pode ser escrito como
a11 a12 a1n
x1
b1
a21 a22 a2n x2 b2
..
= .
..
.
.
.
..
.
.
.. .. ..
am1 am2 amn
ou,
xn
bm
Ax = b
Se b = 0, o sistema chamado homogneo; se b 6= 0, o sistema nohomogneo. Os sistemas Ax = b e Ax = 0 relacionam-se de um modo especial, de
modo que informaes sobre as solues de um fornecem dados importantes para a
soluo do outro. Por esse motivo, no estudo do sistema Ax = b, o sistema Ax = 0
chamado sistema homogneo associado.
Nesta e nas prximas sees estudaremos o sistema linear Ax = b. Para isso,
comeamos estudando mais detalhadamente a matriz A = (aij ) Mmn (K).
Como sabemos, ela pode ser vista por meio de suas linhas ou colunas:
a11 . . . a1n
1
.. = (c . . . c ) = .. .
...
A = ...
(3.7)
.
1
n
.
am1 . . . amn
m
Os vetores colunas c1 , . . . , cn so vetores do Km . Se C = {c1 , . . . , cn },
chamamos de espao coluna o espao gerado por C, isto , < C > Km .
Por outro lado, podemos interpretar as linhas de A como elementos do
prprio espao Kn (ou como elementos do dual (Kn ) ). Se escrevermos L =
i
i
30
Aplicaes Lineares
Cap. 3
a11
a12
a1n
b1
a21
a22
a2n b2
x1 .. + x2 .. + . . . + xn .. = .. .
.
.
. .
am1
am2
amn
bm
i
i
3.3
31
a11 . . . am1
.. .
At = ... . . .
.
a1n . . . amn
(3.8)
i
i
32
Aplicaes Lineares
Quer dizer,
a1i
a2i
..
.
ami
= b1i
11
21
..
.
m1
+ b2i
12
22
..
.
m2
+ . . . + bri
1r
2r
..
.
mr
11
1r
21
2r
,
.
.
.
,
..
.. .
.
.
m1
mr
Cap. 3
Isso quer dizer que o espao coluna tem dimenso, no mximo, igual a r, ou seja,
dim < C >
Definio 3.14 Definimos o posto da matriz A, denotado por posto A, como sendo
dim < C > = dim < L > .
Se A for uma representao matricial da aplicao linear T , definimos posto T =
posto A.
3.4
De maneira mais elegante, podemos notar que mostramos dim < C >
qualquer matriz. Aplicando esse fato matriz At , obtemos o resultado.
i
i
3.4
33
aumentada do sistema:
A = (A | b) =
a11
a21
..
.
a12
a22
..
.
...
b1
b2
.
..
bm
a1n
a2n
..
.
+ ...
+ ...
+ ain xn
+ ajn xn
= bi
= bj
+ ...
+ ...
+
+
ain xn
(ajn + ain )xn
=
bi
= bj + bi .
i
i
34
Aplicaes Lineares
Cap. 3
i
i
3.4
35
i
i
36
Aplicaes Lineares
Cap. 3
i
i
37
3.5
3.5
im T
so canonicamente isomorfos.
Em particular, se X e Y tiverem dimenso finita, ento
dim X = dim(ker T ) + dim(im T ).
(3.10)
6
@
Tq
@@
R
X
ker T
Vamos definir Tq : kerXT im T por Tq ([x]) = T x e mostrar que Tq um
isomorfismo cannico. Temos:
i
i
38
Aplicaes Lineares
Cap. 3
i
i
3.5
39
i
i
40
Aplicaes Lineares
Cap. 3
dim(ker At ) = m r.
Da decorre o afirmado.
3.6
i
i
3.6
41
(3.12)
X
Y
B
C .
n
K Km
TBC
i
i
42
Aplicaes Lineares
Cap. 3
X
X
.
B
B
n
n
K K
PBB
(Para sermos coerentes com a notao anterior, deveramos escrever IBB ao invs de
De acordo com o exemplo 3.27, a i-sima coluna de PBB obtida calculando 1 (e1 ) = BI(x
1 ) = [xi ]B. A matriz P B chamada matriz
se a expresso de BIB
B
Dadas as coordenadas de x na base B, isto ,
mudana5 da base B para a base B.
Alguns autores preferem chamar essa matriz de "matriz de passagem" da base B para a base B.
Assim, a terminologia utilizada por eles fica invertida com relao nossa.
5
i
i
3.6
43
de Y . Temos o diagrama
TBC
X, B Y, C
PBB
QCC .
X, B Y, C
TBC
Esse diagrama, cujas componentes so matrizes, nos mostra que
i
i
44
Aplicaes Lineares
Cap. 3
3 2
1
2
2
1
3 2
1
2
2
1
4
4
i
i
3.7
45
PEB
0 1
1 1
TE = [PEB ]1 TB PEB ,
ou seja,
4 2
2
1
0 1
1 1
1
3 2
1
2
0 1
1 1
3.7
(Esta Seo mais avanada e pode ser omitida sem prejuzo para o restante do
texto.)
Existe uma maneira intrnseca de se definir a aplicao transposta T t de um
operador linear T . (No caso de aplicaes lineares denota-se a transposta T t
tambm por T , o que faremos a seguir. Veja o Exerccio 10 do Captulo 2.)
Para isso, sejam T : X Y uma aplicao linear entre os espaos X e Y .
Considere Y , isto , : Y K linear. Ento o produto dessas aplicaes
(isto , a composta) T : X K um elemento do dual X .
i
i
46
Aplicaes Lineares
T
X
Y
@
Cap. 3
@
R
-
(3.13)
a11 . . . a1n
.. .
...
T = (c1 . . . cm ) ...
.
am1 . . . amn
m
i
i
3.8
Exerccios
47
Se quisermos interpretar T como uma matriz, ento devemos identificar (Km ) com
Km e (Kn ) com Kn . Assim T : (Km ) (Kn ) passa a ser vista como uma
aplicao T : Km Kn . O vetor coluna Km , quando aplicado a T , satisfaz a
igualdade T = T , ou seja, se B = (bij ) for a representao matricial de T (com
relao s bases cannicas do Km e Kn ), ento
c1
b11 . . . b1m
c1
a11 . . . a1n
.. .. = (c . . . c ) ..
.. .
...
T ... = ... . . .
1
m
. .
.
.
cm
bn1 . . . anm
cm
am1 . . . amn
A segunda igualdade mostra que B = (bij ) deve satisfazer bij = aji , como se
verifica mediante escolha adequada de c1 , . . . , cm . Mas, ento, B = At , como antes
definido.
3.8
Exerccios
i
i
48
Aplicaes Lineares
Cap. 3
6. Mostre que uma matriz quadrada A tem inversa se, e somente se, o sistema
Ax = 0 s possuir a soluo trivial.
7. Seja A Mnn (K) uma matriz diagonal, com todos os elementos diagonais
distintos. Se B comutar com A, mostre que B diagonal.
8. Quais matrizes A Mnn (K) comutam com todas as matrizes B
Mnn (K)?
9. Exiba uma base de Mnn (K) formada apenas por matrizes invertveis.
10. Seja K[t] o espao de todos os polinmios na incgnita t. Considere T :
K[t] K6 [t] definida da seguinte maneira: se p K[t], ento T p o
polinmio em K6 [t] cujos coeficientes de grau menor que 6 so iguais aos
coeficientes de p. Mostre que T linear. Ache uma base para im T e ker T .
O Teorema do Ncleo e da Imagem pode ser aplicado? Justifique.
11. Mostre que o escalonamento do mesmo sistema pode produzir duas formas
escalonadas distintas.
12. Mostre que a equivalncia por linhas, tal qual definida na pgina 34, uma
relao de equivalncia.
13. Seja A uma matriz n n.
afirmaes:
i
i
3.8
Exerccios
49
(c) o espao gerado pelas linhas de A igual ao espao gerado pelas linhas
de B.
15. Mostre a Proposio 3.26 utilizando o isomorfismo Tq definido na primeira
demonstrao do Teorema do Ncleo e da Imagem.
16. Enuncie e demonstre o Teorema do Ncleo e da Imagem substituindo
X/ ker T por um espao Z tal que X = ker T Z. Voc deve dar uma
demonstrao direta, isto , sem apelar para o prprio Teorema do Ncleo e
da Imagem.
17. Uma projeo uma aplicao linear : X X tal que 2 = . Mostre
que toda projeo : X X satisfaz X = ker im (compare com o
Exerccio 28). Seja X = W1 W2 e x = w1 + w2 , com wi Wi . Mostre
que : X W1 , definida por x = w1 , uma projeo.
18. Sejam 1 , 2 : X X projees. Mostre que so equivalentes:
(a) 1 + 2 uma projeo;
(b) 1 2 + 2 1 = 0;
(c) 1 2 = 2 1 = 0.
19. Sejam X e Y espaos vetoriais e B uma base de X (mesmo que X tenha
dimenso infinita). Faa corresponder, de maneira arbitrria, um vetor yx Y
a cada elemento x B. Mostre que existe uma nica transformao linear
T : X Y tal que T x = yx para todo x B. (Note que, em
particular, isso implica que uma transformao linear T : Kn Km fica
completamente determinada pela imagem que ela assume em qualquer base
do Kn .) Mostre ento que uma transformao linear T : X Y injetora se,
e somente se, levar vetores linearmente independentes em vetores linearmente
independentes.
20. Sejam X e Y espaos vetoriais com a mesma dimenso finita. Suponha que,
para as aplicaes linear T : X Y e S : Y X, seja verdadeiro ST = I,
a identidade em X. Mostre que S = T 1 . (Compare com o Exerccio 29.)
21. Se T : X Y e S : Y Z forem aplicaes lineares invertveis, mostre
que (ST )1 = T 1 S 1 . Mostre tambm que (S t )1 = (S 1 )t .
i
i
50
Aplicaes Lineares
Cap. 3
22. Seja A Mmn (K). Considere os seguintes "mtodos" para obter-se uma
base para im A:
(a) Escolha uma base para Kn . Calcule a imagem dos vetores dessa
base. Esses vetores geram a imagem. Extraia ento um subconjunto
linearmente independente, que a base procurada;
(b) Obtenha uma base para ker At . Complete at obter uma base do espao
inteiro. Os vetores introduzidos formam uma base do espao im A;
(c) Escalone a matriz At (veja a Seo A). As transpostas das linhas nonulas de At nos do uma base de im T ;
(d) Calcule uma base de ker T . Complete esse conjunto, at obter uma base
do espao inteiro. As imagens dos vetores adicionados base de ker T
formam uma base de im A;
(e) Seja b = (b1 b2 . . . bm )t um vetor genrico do Km . Monte a matriz
aumentada do sistema (veja a Seo A). Escalone o sistema e imponha
que ele possua soluo. Cada linha nula no escalonamento de A produz
uma equao na matriz aumentada e a imagem o conjunto dos pontos
que satisfazem essas equaes. Extraia da uma base. (O que acontece
se no houver linha nula?)
(f ) Escalone a matriz A. As colunas de A correspondentes aos pivs (veja
a Seo A) da forma escalonada de A so uma base de im A.
Justifique quais desses mtodos realmente produzem bases de im A.
Considere agora
3 1 2 4 1
A = 1 1 1 1 2 .
2 2 2 1 1
i
i
3.8
51
Exerccios
tal que T v = w. Mostre que assim est definida uma relao de equivalncia.
Mostre tambm que essa relao de equivalncia possui apenas duas classes:
uma formada apenas pelo elemento 0 X e a outra formada por todos os
outros vetores de X.
25. Se
M=
a11 a12
a21 a22
B =
C =
1 0
0 1
1 0
0 0
1 1
1 1
1 1
,
,
,
,
1 1
1 0
0 0
0 0
0 0
0 1
,
,
,
,
0 1
1 0
0 0
1
,
0
1
1 1 1
,
1
1 1 0
1 0 0
0 0 0
0
,
0
0 0 0
,
0 1 0
1 0 0
0 0 0
1 0
0 0
1 1
1 1
1 1 1
1 1 1
,
,
,
1 0 0
0 0 0
0 0 0
0 0 1
,
,
,
1 0 0
0 0 0
0 0 0
.
0 0 1
1 0
0 0
i
i
52
Aplicaes Lineares
Cap. 3
nr
t pt
i
i
3.8
53
Exerccios
Mostre que
AB =
35. Sejam A, B, C, D Mnn (K). Suponha que A seja invertvel. Mostre que
existem matrizes X, Y Mnn (K) tais que
I Y
A O
A B
.
=
P =
0 X
C I
C D
Decomponha P de maneira similar, se B, C ou D forem invertveis.
36. Seja T : X X uma transformao linear e X = W1 Wk .
Suponhamos que T (Wi ) Wi para i {1, . . . , k} (dizemos que os
subespaos Wi so invariantes por T ). Se Bi for uma base de Wi , mostre
que B = {B1 , . . . , Bk } uma base de X. Ache TB em termos de TBi .
37. Seja X um espao de dimenso finita e T : X X um operador tal que
T (V ) V para algum subespao V X. Sempre existe W X tal que
T (W ) W e X = V W ?
38. Sejam A, B Mnn (K), o espao das matrizes n n com coeficientes
em K. Dizemos que A semelhante a B, se existir uma matriz invertvel
P Mnn (K) tal que B = P 1 AP . Mostre que a semelhana uma
relao de equivalncia. Esboce um diagrama que representa essa relao
de equivalncia. usual dizer ento que A e B so iguais, a menos de uma
mudana de base. Essa frase faz sentido para voc?
i
i
54
Aplicaes Lineares
Cap. 3
de Y de modo que TBC = SBC . Mostre que assim est definida uma relao
de equivalncia. Mostre que duas aplicaes de mesmo posto so sempre
equivalentes em bases. Descreva em termos de diagramas a equivalncia
em bases. Em particular, mostre que S e T so equivalentes em bases
se, e somente se, existirem aplicaes lineares invertveis P : X X e
Q : Y Y tais que S = P T Q.
40. Sejam X um espao vetorial e U, V X subespaos. Mostre que
U +V
V
U
U V
i
i
4
Determinantes
Aqui feita uma apresentao elementar da teoria de determinantes e suas
propriedades, incluindo a regra de Cramer. A relao entre determinantes e volumes
ser apresentada nos exerccios do Captulo 8.
4.1
Determinantes de Matrizes 2 2
+ det
= det
det(c1 + c1 c2 ) = det
c d
c d
c + c d
= det(c1 c2 ) + det(c1 c2 )
55
i
i
i
56
Determinantes
Cap. 4
e
det(c1 c2 +
c2 )
a b
a b + b
a b
+ det
= det
= det
c d
c d
c d + d
= det(c1 c2 ) + det(c1 c2 );
a b
c d
= det
a c
b d
i
i
4.2
57
Funo Determinante
Analogamente,
x2 (ad bc) = ay2 cy1 .
Escrevendo o sistema matricialmente na forma Ax = y,
y1
x1
a b
,
=
y2
x2
c d
vemos que sua soluo, se det A 6= 0, pode ser escrita em termos de determinantes
y1 b
a y1
det
det
y2 d
c y2
x1 =
e x1 =
.
det A
det A
Essa a regra de Cramer para a soluo de um sistema de duas equaes em duas
incgnitas.
4.2
Funo Determinante
i
i
58
Determinantes
Cap. 4
Ento, so
ci
ci+1
forem
iguais,
ento
i
i
4.2
Funo Determinante
59
Observao 4.4 Seja A uma matriz real nn. Nesse caso, D(A) pode ser positivo,
negativo ou nulo. Nos dois primeiros casos, a imagem da base cannica E do Rn
uma base B desse espao, cujos vetores correspondem s colunas de A.
Dizemos que a base B est positivamente orientada (ou que E e B tm a mesma
orientao), se D(A) > 0.
Se D(A) 6= 0, dizer que a funo determinante anti-simtrica dizer
que, permutando duas colunas de A, alteramos a orientao da base B. (Veja a
Observao 8.52.)
i
i
60
Determinantes
4.3
Cap. 4
2 3 5
A = 7 11 13 .
17 19 23
Ento
A11 =
11 13
19 23
A12 =
7 13
17 23
A13 =
7 11
17 19
i
i
4.4
61
4.4
i
i
62
Determinantes
Cap. 4
1 2 ... n
p1 p2 . . . pn
1 2 3 4
2 4 3 1
0
1
0
0
0
0
0
1
0
0
1
0
1
0
= A.
0
0
Note que cada coluna da matriz A corresponde a um vetor distinto da base cannica
do Kn .
claro que uma permutao , necessariamente, injetora. Permutaes podem
ser compostas e tm inversa. Denotamos por pq a composta das permutaes p e q.
Exemplo 4.12 Considere as permutaes
p=
1 2 3 4
2 4 1 3
qp =
1 2 3 4
4 2 3 1
Ento
e q=
e p
1 2 3 4
3 4 1 2
1 2 3 4
3 1 4 2
i
i
4.4
63
(4.2)
i
i
64
Determinantes
Cap. 4
n
X
i1 ,...,in =1
(4.3)
i
i
4.4
65
i
i
66
Determinantes
Cap. 4
1
1
A=
1
4
1
2
1
3
1
2
3
2
1
2
.
3
1
1
1
1
1
1 1 1 1
0
1 2 2 2
1
1
1
.
det A = det
1 1 3 3 = det 0
0
2
2
0 1 2 3
4 3 2 1
i
i
4.5
67
1
1
1
1
0
1
1
1
= (2) det
det A = det
0
0
2
2
0 1 2 3
com as propriedades do
1
0
0
0
Ento,
1
0
det A = (2) det
0
0
1
1
1
1
1
1
= (2) det
0
1
1
0 1 2
1
1
1
1
1
1
.
0
1
1
0 1 2
1
0
0
0
1
1
0
0
1
1
1
0
1
1
.
1
1
claro que, levando a ltima matriz forma escalonada reduzida por linhas,
obteremos a matriz identidade. (Veja tambm o Exerccio 16.) Assim,
det A = 2.
4.5
Mas, se p(i) = j, ento i = p1 p(i) = p1 (j). Como pi denota p(i), p1 (j) ser
denotado por p1 j , de modo que a ltima expresso pode ser escrita como i = p1 j .
i
i
68
Determinantes
Cap. 4
p1
que o determinante da matriz transposta, pois cada uma de suas entradas aparece
na forma aji ao invs de aij .
2
Corolrio 4.25 A expanso em cofatores pode ser feita tambm segundo qualquer
coluna da matriz quadrada A.
= det B
X
p
i
i
4.5
69
det(BA)
.
det B
D(BA1 , . . . , BAn )
.
det B
(4.6)
D(Be1 , . . . , Ben )
.
det B
det B
D(B1 , . . . , Bn )
=
= 1.
det B
det B
Uma vez que existe uma nica funo determinante, D(A1 , . . . , An ) = det(A).
.
Isso prova o afirmado, se det B 6= 0, pois D(A1 , . . . , An ) = det(BA)
det B
Suponhamos agora que det B
= 0.
Como vimos, a funo
D(BA1 , , BAn ) = det(BA) satisfaz as propriedades (d1 ) e (d2 ). Alm disso,
quando Ai = ei , temos 0 = det B = D(Be1 , , Ben ). O Teorema 4.16 garante
que D(BA1 , , BAn ) = 0. Assim, det(BA) = 0 e o mesmo valor assumido
por det A det B, como queramos mostrar. (Demonstraes alternativas do caso em
que det B = 0 so apresentadas nos Exerccios 10 e 25 (c).)
2
i
i
70
Determinantes
4.6
Cap. 4
A Regra de Cramer
n
X
j=1
n
X
xj Aej =
j=1
n
X
xj cj = b. Isso
j=1
x1
..
b1
n
n
.
X
X
..
(c1 cj cn ) xj = .
xj c j = b e bi =
xj aij . (4.7)
.
j=1
j=1
..
bn
xn
n
X
xj cj ck+1 . . . cn ),
(4.8)
j=1
n
X
j=1
(4.9)
i
i
4.6
71
A Regra de Cramer
B = (1)1+k det A1k . . . (1)i+k det Aik . . . (1)n+k det Ank ,
em que a matriz B est sendo descrita em termos de suas colunas. Ento vale
BA = AB = (det A)I.
(4.11)
n
X
i=1
(det A) xk =
n
X
(4.13)
i=1
A equao (4.7) nos mostra como se multiplica uma matriz descrita em termos
de suas colunas por um vetor (observe a inverso de ndices na definio de B!):
x1
u
.1
..
1+k
i+k
n+k
det A . = (1) det A1k (1) det Aik (1)
det Ank ..
xn
un
Quer dizer, mostramos que, ao definir u = Ax, ento vale
(det A) x = Bu.
(4.14)
i
i
72
Determinantes
4.7
Cap. 4
Matrizes Semelhantes
Definio 4.28 Seja A = (aij ) uma matriz quadrada. Definimos o trao da matriz
A, denotado por tr A, por
n
X
tr A =
aii .
i=1
n
X
aik bki
e (BA)kk =
n
X
bki aik .
i=1
k=1
Assim,
tr (AB) =
n
n
X
X
i=1
aik bki
k=1
n
n
X
X
k=1
i=1
bki aik
= tr (BA).
2
i
i
4.8
73
Exerccios
4.8
Exerccios
2
5 3 2
2 3
2 5
.
1
3 2
2
1 6
4
3
i
i
74
Determinantes
Cap. 4
1 x1 x21
det 1 x2 x22 = (x2 x1 )(x3 x1 )(x3 x2 ).
1 x3 x23
Se x1 , . . . , xn K, mostre ento por induo que
1 x1 x1n1
1 x2 xn1 Y
2
(xi xj )
Vn = det ..
.. =
.
. i>j
1 xn xnn1
i
i
4.8
75
Exerccios
ento
(t) = det
f1 (t) f2 (t)
f1 (t) f2 (t)
f1 (t)
f1 (t)
.
(n1)
f1
f2 (t)
f2 (t)
(n1)
(t) f2
fn (t)
fn (t)
..
.
(n1)
(t) fn
(t)
A = ..
.. .
..
.
.
.
.
.
.
0
0 ann
Mostre que det A = a11 ann . Mostre o resultado anlogo para uma matriz
triangular inferior, isto , para uma matriz com a forma da transposta da
matriz A dada acima.
A B
0 D
i
i
76
Determinantes
Cap. 4
Generalize para uma matriz A que seja triangular superior em blocos, isso ,
uma matriz da forma
A1
0 A2
P = ..
.. ,
.. . .
.
. .
.
0 0 Aj
i
i
4.8
77
Exerccios
i
i
5
Operadores e Polinmios
Neste Captulo introduzimos autovalores e autovetores, apresentamos alguns
resultados simples sobre diagonalizao de operadores, demonstramos o Teorema
de Cayley-Hamilton e definimos a complexificao de um espao real.
5.1
Autovetores e Autovalores
dim Wi = 1,
T (Wi ) Wi ,
1 i n. (5.1)
1 0 0
0 2 0
A = ..
.. . .
.. .
.
. .
.
0 0 n
i
i
5.1
79
Autovetores e Autovalores
1). Isso quer dizer que i uma raiz do polinmio p(t) = det(tI A), chamado
polinmio caracterstico do operador T (ou da matriz A). Lembramos1 que p(t)
um polinmio mnico de grau n. Assim, podemos concluir (mesmo quando i = j
para i 6= j) que
p(t) = (t 1 )(t 2 ) (t n )
(5.2)
i
i
80
Operadores e Polinmios
Cap. 5
i
i
5.1
Autovetores e Autovalores
81
(5.3)
i
i
82
Operadores e Polinmios
Cap. 5
1 0 0
0 2 0
TB = D = ..
.. . .
.. .
.
.
.
.
0 0 n
5.2
Subespaos Invariantes
i
i
5.2
83
Subespaos Invariantes
xj W j ,
j = 1, . . . , .
(5.5)
j = I.
(5.6)
j=1
X
X
X
T i x =
ij T j x =
i T j x = i T
j x = i T x.
j=1
j=1
j=1
i
i
84
Operadores e Polinmios
Cap. 5
[T1 ]B1
0
0
0
[T2 ]B2
0
TB = ..
..
.. .
.
.
.
.
.
.
0
0
[T ]B
Reciprocamente, se existir uma base B do espao X na qual T : X X
representado por uma matriz diagonal com blocos, ento existe uma decomposio
X = W1 W , com T (Wi ) Wi (veja o Exerccio 11).
A decomposio do espao X como soma direta de subespaos invariantes pelo
operador T : X X ser exaustivamente estudada no Captulo 7.
T (x, y, z, w) = (x z, y + w, x + 2z, w)
Claramente T (Wi ) Wi para i = 1, 2.
Tomemos as bases B1 =
{(1, 0, 1, 0), (1, 0, 1, 0)} e B2 = {(0, 1, 0, 1), (0, 0, 0, 1)} de W1 e W2 ,
respectivamente. A representao de T na base B = {B1 , B2 }
3
12
0 0
2
3
3
0 0
2
2
.
TB =
0
0
2 1
0
0 1 0
i
i
5.3
O Polinmio Mnimo
5.3
O Polinmio Mnimo
85
0 I + 1 T + . . . + n2 T n = 0.
2
i
i
86
Operadores e Polinmios
Cap. 5
5.4
O Teorema de Cayley-Hamilton
i
i
5.5
87
Para obtermos p1 (A), decorre de (5.7) que Ak tem a forma (veja o Exerccio 15)
e, portanto,
p1 (A) =
k
0 Ak1
p1 ()
0
p1 (A1 )
p1 ()
0
0
0 (A1 I)
p1 ()
0
0
0 0
0 0
completando a demonstrao.
,
2
5.5
i
i
88
Operadores e Polinmios
Cap. 5
w = u + iv W
.
w = u iv W
(d1)
p () = . . . = p
() = 0 e p(d) () 6= 0 (isto , se for raiz de multiplicidade d
do polinmio caracterstico), tomando o conjugado em cada uma dessas equaes
i
i
5.5
89
= . . . = p(d1) ()
= 0 e p(d) ()
6= 0, o que garante que
tambm
obtemos p ()
tem multiplicidade d.
, com wj = uj + ivj , j = 1, . . . , k.
(iv) Seja {w1 , . . . , wk } uma base de W
Somando e subtraindo os vetores wj e wj , obtemos que uj = uj + i0 e vj = vj + i0
. Assim, o conjunto S = {u1 , v1 , . . . , uk , vk } um conjunto de vetores
esto em W
. Uma base formada de vetores reais obtida ao se tomar um
reais que gera W
subconjunto de S com k elementos que seja linearmente independente em X. (Veja
o Exerccio 19.)
2
Exemplo 5.21 Consideremos o operador T : R2 R2 definido por T (x, y) =
(y, x). Sua representao matricial na base cannica do R2 a matriz
0 1
.
A=
1
0
A complexificao TC do operador T definida por
TC (x1 , y1 ) + i(x2 , y2 ) = T (x1 , y1 ) + iT (x2 , y2 ) = (y1 , x1 ) + i(y2 , x2 ).
i
i
90
Operadores e Polinmios
Cap. 5
5.6
Um Homomorfismo de lgebras
i
i
5.7
91
Exerccios
5.7
Exerccios
i
i
92
Operadores e Polinmios
Cap. 5
i = tr A e
n
Y
i = det A.
i=1
i
i
5.7
93
Exerccios
A1 0
0 A2
A = ..
..
.
.
0 0
...
0
0
..
.
Ak1 0 0
0 Ak 0
2
Ak = ..
.. . .
.. .
.
. .
.
0
0 Ak
Alm disso, se
A=
A1 A2
0 A4
i
i
94
Operadores e Polinmios
Cap. 5
(ii) (ST )C = SC TC ;
i
i
5.7
95
Exerccios
(b) mostre que qualquer polinmio que anula x X um mltiplo do T anulador de x; conclua que o polinmio mnimo de T um mltiplo do
polinmio mnimo de x;
i
i
6
O Clculo Funcional
Neste captulo apresentaremos, para o caso de dimenso finita, a verso
generalizada do clculo funcional de Dunford e Schwartz [8], de modo a podermos
dar sentido para f (T ), no caso em que T : X X um operador linear no espao
de dimenso finita X e f : U C C uma funo suave o suficiente. Esse tipo de
aplicao linear f (T ) usualmente chamado de funo de matriz. (Note, contudo,
que essa denominao no precisa: como no se estuda como f varia com T , no
estamos lidando com uma funo, mas sim com a aplicao linear f (T ), isto , o
valor assumido por f em T !)
6.1
O Polinmio Interpolador
96
i
i
i
6.1
97
O Polinmio Interpolador
Proposio 6.2 Seja f euclidiana com relao ao polinmio p. Ento existem uma
funo q, contnua em cada uma das razes do polinmio p, e um polinmio r tais
que f = qp + r, gr r < gr p.
Demonstrao: Seja r um polinmio arbitrrio. Consideremos a funo q definida
(nos pontos do domnio de f que no so razes de p) por
q=
f r
.
p
Queremos mostrar que podemos escolher r com grau menor do que o de p, de modo
que q possua extenso contnua em cada uma das razes de p. Notamos que q to
suave quanto f em cada ponto z que no uma raiz de p.
Seja z0 uma raiz de multiplicidade k do polinmio p, isto ,
p(z) = (z z0 )k s(z),
sendo s um polinmio tal que s(z0 ) 6= 0. Queremos achar r de modo que o
quociente
f (z) r(z)
(z z0 )k
(6.1)
e se existir
f k (z0 ).
Basta, portanto, mostrar que existe um polinmio r com grau menor do que o de p,
satisfazendo relaes como (6.1) em cada raiz z0 do polinmio p. A existncia de
tal polinmio ser mostrada no lema a seguir.
2
Para mostrarmos a existncia do polinmio r, denotaremos f (0) = f .
Lema 6.3 Sejam dados os valores
f (z1 ) f (z1 ) f (d1 1) (z1 )
..
..
.
.
f (z ) f (z ) f (d 1) (z )
i
i
98
O Clculo Funcional
Cap. 6
2
f (z0 )
a
z0 z0 1
z12 z1 1 b = f (z1 ) .
(6.2)
f (z1 )
c
2z1 1 0
Se os valores f (z0 ), f (z1 ) e f (z1 ) forem nulos, basta tomar r 0. (A unicidade
de r, nesse caso, conseqncia do argumento apresentado a seguir.)
Suponhamos que o sistema (6.2) no possua soluo ou que essa no seja nica.
Ento, o sistema homogneo associado possui uma soluo no-trivial (a0 b0 c0 )t .
Consideremos o polinmio no-nulo
t(z) = a0 z 2 + b0 z + c0 .
claro que t(z) tem razes z0 e z1 , a segunda com multiplicidade 2 (j que z1
raiz da derivada de t). Mas isso implica que t(z) um mltiplo de (z z0 )(z z1 )2
e tem grau maior do que ou igual a 3, o que um absurdo. Logo (6.2) tem soluo
nica para quaisquer valores f (z0 ), f (z1 ) e f (z1 ).
Demonstrao: O polinmio r procurado satisfaz a um sistema linear que pode ser
escrito matricialmente como
Bz = b,
sendo z o vetor que tem como coordenadas os coeficientes procurados de r, b um
vetor cujas n coordenadas so os valores conhecidos de f e B a matriz n n do
sistema linear assim formado.
Se B no possuir inversa, o sistema Bz = 0 tem soluo no trivial
z0 = (a0 . . . an1 )t .
i
i
6.1
99
O Polinmio Interpolador
Consideremos o polinmio
t(z) = a0 + a1 z + . . . + an1 z n1 ,
que um polinmio de grau menor do que ou igual a n 1. Como z0 satisfaz o
sistema homogneo associado, temos que t(z) deve ser um mltiplo de
(z z1 )d1 (z z )d ,
o que um absurdo, pois o ltimo polinmio tem grau n. Assim, B possui inversa
e o sistema Bz = b soluo nica, qualquer que seja o vetor b.
2
O polinmio r chamado de polinmio interpolador.
Apresentamos agora uma conseqncia da Proposio 6.2 que est ausente de
nossos cursos bsicos de uma varivel complexa: a lgebra H de todas as funes
analticas f : C C euclidiana com relao a todo polinmio p. Mais
geralmente, temos
Proposio 6.5 Na diviso euclidiana
f = qp + r
(gr r < gr p)
f r
p
i
i
100
6.2
O Clculo Funcional
Cap. 6
Funes de Matrizes
f ( ) f ( ) f (d 1) ( ),
dizemos que f euclidiana com respeito a T e definimos
f (T ) = r(T ),
sendo r o polinmio interpolador dado pelo Lema 6.3.
A Definio 6.6 tem uma conseqncia importante, que salientamos desde j: o
operador f (T ) sempre comuta com o operador T !
Observao 6.7 Se compararmos a definio anterior com a definio de uma
funo euclidiana f com respeito a m, vemos que as exigncias sobre f so menos
restritivas. Qual a razo dessa diferena?
A resposta simples: ao considerarmos abstratamente a diviso
f (z) = q(z)m(z) + r(z),
(6.3)
i
i
6.2
101
Funes de Matrizes
concluir que r dado pelo polinmio interpolador, que est definido sob condies
menos exigentes.
Por outro lado, ao considerarmos f (T ), supondo possvel a substituio de z
por T em (6.3), obtemos f (T ) = q(T )m(T ) + r(T ), teremos f (T ) = r(T ),
independente da definio de q(T ). Assim, apenas o valor do polinmio r em T
importante.
A possibilidade da substituio de z por T em (6.3) aceita implicitamente em
muitos textos. Mas uma dificuldade incontornvel antepe-se a ela em situaes
gerais: q(T ) tem que estar previamente definido para que a substituio faa
sentido!
Entretanto, a Definio 6.6 , muitas vezes, pouco aplicvel: mais fcil obter
o polinmio caracterstico p de T do que o polinmio mnimo m. Seria proveitoso
se pudssemos utilizar p ao invs de m na definio do operador f (T ). E isso pode
ser feito. Podemos utilizar mltiplos de m enquanto a suavidade de f permitir. Ao
mostrarmos esse resultado manteremos a notao f = qm + r (sendo r o polinmio
interpolador definido antes) para simbolizar que f (T ) foi definido como r(T ).
Suponhamos que s seja outro polinmio que anula a matriz T e r1 o polinmio
interpolador gerado por s. Ento teramos f = q1 s + r1 (isto , f (T ) seria definido
como r1 (T )). Mas o Lema 6.3 garante que
r1 (z) = q2 (z)m(z) + r(z).
(6.4)
for
i = 0, . . . , d 1.
i
i
102
O Clculo Funcional
Cap. 6
2 1 1
A = 1 2 1 .
1 1 2
A1000 = r(A) =
c+2
3
c1
3
c1
3
c1
3
c+2
3
c1
3
c1
3
c1
3
c+2
3
Notamos que, uma vez que f (z) = z 1000 um polinmio, poderamos ter feito a
diviso euclidiana f (z) = q(z)m(z) + r(z) (obtendo assim r), donde se segue que
A1000 = r(A), em virtude do homomorfismo de lgebras 5.6.
Exemplo 6.10 Consideremos a matriz
0 0 1
A = 0 0 0 .
0 0 0
2
1 0 0
1 0 0
0 0 1
1
rp (A) = 0 0 0 + 0 1 0 = 0 1 0 = rm (A)
2
0 0 1
0 0 1
0 0 0
i
i
103
6.3
6.3
K[T ]
i
i
104
O Clculo Funcional
Cap. 6
F k
K[T ]
6.4
Esta seo dar especial ateno ao fluxo eAt e suas principais propriedades.
6.4.1 O Fluxo
Comeamos com a definio usual do fluxo eAt . Essa depende da noo de
convergncia uniforme e da noo de norma de uma matriz quadrada (veja a Seo
8.8). Essa primeira definio pode ser omitida, se o professor julgar desejvel.
i
i
6.4
105
X
zn n
z
,
exp(z ) = e = 1 +
n!
n=1
X
An n
n=1
n!
(6.5)
Para cada valor de fixo, a srie direita converge. Como o espao L(Cn , Cn )
completo, o M -teste de Weierstra implica que
exp(A ) = eA := I +
X
An n
n=1
n!
i
i
106
O Clculo Funcional
Cap. 6
Essa definio do fluxo eAt torna difcil o seu clculo explcito: usualmente
necessrio obter a forma cannica de Jordan J = P 1 AP da matriz A, ento eJt
(veja o Apndice B) e, finalmente, eAt = P eJt P 1 . O clculo funcional torna
possvel obter eAt facilmente.
Apresentamos agora uma forma alternativa de introduzir o fluxo, sem apelar
para sua definio por meio de sries de potncias. Seja A uma matriz quadrada.
Consideremos a funo f : C C (dependente do parmetro real t) definida por
f (z) = ezt . Ela define a funo de matriz eAt .
Exemplo 6.12 Seja
1 0
0
A = 0 2 5 .
0 1 2
+
2
2
2
2
que , para cada t, uma matriz real (como no poderia deixar de ser), embora
tenhamos considerado a matriz A como uma matriz complexa.
Exemplo 6.13 Seja
3 4 1
5
1 .
A = 3
21 32 7
O polinmio caracterstico de A
p(z) = (z 1)z 2 .
i
i
6.4
107
h0
x(t + h) x(t)
Kn .
h
(ii)
d At
e
dt
= eAt A.
Da fato, a funo de matriz eAt pode ser considerada oriunda da funo g(z, t) =
ezt . Se fizermos t = 0 nessa funo, obtemos g(z, 0) = e0 , de onde segue-se (i).
Uma vez que
i
i
108
O Clculo Funcional
Cap. 6
6.4.3 Logaritmo
Dada uma matriz quadrada A, com det A 6= 0, o clculo funcional permite a
obteno da matriz B = log A. Apenas temos que escolher um ramo da funo
f (z) = log z que contenha o espectro (A) e, ento, obter B = log A por meio
do polinmio interpolador. Claro, a matriz B depende do ramo escolhido, mas a
relao eB = A segue-se sempre de elog z = z.
Se todos os autovalores da matriz real A forem positivos, podemos ento
considerar a funo real f (x) = ln x (logaritmo neperiano) e aplicar a mesma
tcnica. A matriz B = ln A, assim obtida, a nica soluo real da equao
eB = A.
i
i
6.4
109
6.4.5 A Inversa
A maneira clssica de se obter a inversa por meio do polinmio caracterstico p
(ou mnimo) da matriz invertvel A a seguinte: se
p(z) = z m + . . . + a1 z + a0
temos
0 = Am + am1 Am1 + . . . + a1 A + a0 I.
Multiplicando essa relao por A1 , obtemos
a0 A1 = [a1 + . . . + am Am1 ].
Como A possui inversa, a0 6= 0. Obtemos A1 dividindo o lado direito da igualdade
anterior por a0 .
Para uma matriz invertvel arbitrria, esse procedimento no vantajoso com
relao ao clculo da inversa por meio de eliminao gaussiana. Em geral, tambm
o clculo funcional no vantajoso.
Mas, por exemplo, se a matriz invertvel A for simtrica e possuir poucos
autovalores, o clculo funcional til: veja [28] (ou [5]).
i
i
110
6.5
O Clculo Funcional
Cap. 6
Exerccios
(c) Conclua, por meio de argumentos clssicos (veja, por exemplo, [27]),
que toda funo analtica holomorfa.
(d) Se for como em (b), utilize a diviso euclidiana para demonstrar que
Z
f (z)dz
= f (z0 )W (z0 , ).
2
(z
z
)
0
A1 0 0
0 A2 0
A = ..
.. ,
.. . .
.
.
.
.
0 0 A
i
i
6.5
111
Exerccios
f (A1 )
0
0
0
f (A2 )
0
f (A) =
.
..
..
..
...
.
.
.
0
0
f (A )
4. Sejam p(z) = (z )n e f uma funo euclidiana com relao a p. Obtenha
explicitamente os coeficientes do polinmio interpolador r tal que f = qp+r,
gr r < gr p.
5. Calcule sen A e eA , para
1 1 2
A = 0 1 3 .
0 0 1
6. Calcule eAt , se
A=
0 1
1
0
0 0
1 0
d
[A(t)]k
dt
i
i
112
O Clculo Funcional
Cap. 6
d
[tr f (A(t))]
dt
comutarem.
10. Sejam x1 , . . . , xn : I Kn caminhos diferenciveis. Se D denotar
a funo determinante, mostre que D(x1 (t), . . . , xn (t)) diferencivel e
calcule sua derivada. Deduza que, se t 7 A(t) Mnn (K) for um caminho
diferencivel tal que A(0) = I, ento dtd det A(t)t=0 = tr A (0).
11. Seja t 7 A(t) Mnn (R) um caminho diferencivel. Mostre que, para
todo valor de t tal que A(t) invertvel, vale
ou seja,
[det A(t)]
= tr [A(t)]1 A (t) ,
det A(t)
d
ln det A(t) = tr [A(t)]1 A (t) .
dt
3
0
0
0
0 3
0
0 e B = 0
0
.
A=
3
0
3
0
Definio 6.17 Seja A = (aij ) Mnn (R). A matriz A positiva, se aij > 0 e
no-negativa, se aij 0 para todo i, j {1, . . . , n}. Um vetor x = (x1 , . . . , xn )
positivo (resp., no-negativo) se xi > 0 (resp., xi 0) para todo i {1, . . . , n}.
Notamos x y, se xi yi para todo i {1, . . . , n}.
14. (O Teorema de Perron) Seja A uma matriz positiva. Considere
K := {x 0 | kxk = 1}
e defina r = supK { > 0 | Ax x}.
i
i
6.5
Exerccios
113
i
i
7
Teoria Espectral
Neste Captulo apresentamos os resultados mais importantes sobre operadores
definidos em espaos arbitrrios de dimenso finita: o Teorema Espectral e a
decomposio primria, a forma cannica de Jordan e a decomposio racional.
A demonstrao do Teorema Espectral feita utilizando-se o clculo funcional
e, por isso, relativamente, abstrata (veja o quadro de dependncias para trajetos
alternativos).
7.1
Imagem do Espectro
k
Y
i=1
(z i ).
114
i
i
i
7.2
115
O Teorema Espectral
Conseqentemente,
r(T ) I = ak
k
Y
i=1
(T i I).
Como o lado esquerdo dessa equao no possui inversa, ao menos um dos fatores
T i I no invertvel. Assim, i , ao mesmo tempo, um autovalor de T e uma
raiz de r(z) . Portanto,
f (i ) = r(i ) = .
2
7.2
O Teorema Espectral
i
i
116
Teoria Espectral
Cap. 7
so vlidas em
i=1
fi fj = 0, se i 6= j,
fi = 1
i=1
i2
= i ,
i j = 0, se i 6= j,
i = I,
(7.1)
i=1
continuam vlidas (de acordo com a Seo 6.3), mostrando assim que cada i uma
projeo.
Se Wi denotar a imagem i (X), obtemos
X = W1 W .
Como i comuta com T , claramente vale T (Wi ) Wi (veja a Proposio 5.10).
Independente das bases B1 , . . . , B escolhidas para os espaos W1 , . . . , W ,
respectivamente, T pode ser representado por uma matriz diagonal em blocos A
com relao base B = {B1 , . . . , B } de X = W1 W :
A1 0 0
0 A2 0
A = TB = ..
.. .
.. . .
.
. .
.
0 0 A
Afirmamos que, para i = 1, . . . , , o polinmio caracterstico de Ai
det(zI Ai ) = (z i )si ,
o que implica que dim Wi = si e que o polinmio mnimo de Ai (z i )di ,
para 1 di si (de acordo com o Lema 5.14). Da decorre imediatamente que o
polinmio m tem a forma dada pelo teorema. (Veja o Exerccio 12 do Captulo 5.
Compare com a Proposio 7.6.)
Para provarmos nossa afirmao suficiente mostrar que o nico autovalor de
Ai i pois, por um lado, temos a fatorao
p(z) = (z 1 )s1 (z )s
i
i
7.2
117
O Teorema Espectral
e, por outro,
p(A) = det(zI A) = det(zI A1 ) det(zI A ).
Vamos considerar apenas i = 1, os casos restantes sendo anlogos. Seja 6= 1
arbitrrio. Definimos as funes
q
(z)
=
z
,
se
z
U
,
1
1
1/(z ), se z U1 ,
[
[
g(z) =
e h(z) =
q
(z)
=
1,
se
z
U
,
1,
se
z
Uj .
j
j
j=2
j=2
A1 I 0 0
0
I 0
g(A) =
..
.. . . .. .
. .
.
.
0
0 I
Como g(A) tem inversa, A1 I tambm possui inversa. Como 6= 1 foi tomado
arbitrariamente, est provado que o nico autovalor de A1P
1 .
Consideramos agora o operador diagonalizvel D = i=1 i i . (Em cada Wi
temos Di := i i = i I, em que I o operador identidade em Wi , de acordo com
(7.1). Isso implica que D diagonalizvel. Veja o Exemplo 7.5.)
i
i
118
Teoria Espectral
A1 1 I
0
0
A
0
2
2
NB =
..
..
..
...
.
.
.
0
0
A I
Cap. 7
0 2 1 1
0
0 0 0
.
1 = A2 4A + 4I =
0
0 0 0
0 2 1 1
i
i
7.2
119
O Teorema Espectral
Do mesmo modo,
1
0
2 =
0
0
2 1 1
1
0
0
.
0
1
0
2 1
0
2x
+
x
+
x
x
x1 + 2x2 x3 x4
2
3
4
1
x2
0
x
+
2 = R4 =
x3
0
x3
2x2 x3
2x2 + x3 + x4
x4
= W1 W2 .
2 2 1 1
0 2 0 0
D = 31 + 22 =
0 0 2 0
0 2 1 3
0
0
N =AD =
0
0
1
1
1
1
1
1
1
1
0
0
.
0
0
0
(3) 0 0
0
2
0
0
B=
0 0 3 1
0 1
1
0
i
i
120
Teoria Espectral
Cap. 7
3 0 0 0
0 2 0 0
D=
0 0 2 0
0 0 0 2
e
0 0 0 0
0 0 0 0
N =BD =
0 0 1 1
0 0 1 1
tambm satisfaz N 2 = 0.
j=1,...,
i
i
7.2
121
O Teorema Espectral
i
i
122
7.3
Teoria Espectral
Cap. 7
Decomposio Primria
XC = W
(7.3)
i
i
7.3
Decomposio Primria
123
por vetores reais. Mas uma base formada por vetores reais para ker(TC I)d
uma base para ker(T I)d .
tambm um autovalor de
Seja agora C \ R um autovalor de TC . Ento
TC , de acordo com o item (iii) do Lema 5.20. Assim, aos autovalores distintos e
esto associados os subespaos W
e W
da decomposio (7.3).
,
= ker(TC I)d e {w1 , . . . , wk } uma base de W
, com wj = uj +ivj .
Sejam W
W
, pois esse
gera esse espao e possui 2k elementos, ele uma base de W
subespao de XC tem dimenso 2k. Seja W = < S > o subespao real gerado
W
a complexificao do espao
por S. O Corolrio 5.23 (iv) garante que W
real W .
Assim, vemos que
X = W1 Ws W1 1 Wt t
a decomposio de T em subespaos invariantes, associada decomposio
espectral (7.3) de TC .
2
Observao 7.9 Os subespaos invariantes W1 1 , . . . , Wt t no esto associados
a autovalores reais, mas a fatores irredutveis de grau 2 do polinmio caracterstico
de T .
Exemplo 7.10 Considere a aplicao T : R5 R5 definida por
T (x1 , x2 , x3 , x4 , x5 ) = (10x1 7x4 + x5 , x3 , x2 , 13x1 9x4 + x5 , 4x1 3x4 + x5 ).
A representao de T na base cannica do R5 a matriz
10 0 0 7 1
0 0 1 0 0
A=
0 1 0 0 0 .
13 0 0 9 1
4 0 0 3 1
i
i
124
Teoria Espectral
Cap. 7
O polinmio caracterstico de A
det(A I) =
10 0
0
7
1
0
1
0
0
0
1
0
0
13
0
0 9
1
4
0
0
3
1
10 0
7
1
0
0
det(A I) = det
13
0 9
1
4
0
3
1
10 0
7
1
0
1
0
0
.
det
13
0 9
1
4
0
3
1
10
7
1
9
1
det(A I) = 2 det 13
4
3
1
10
7
1
9
1
+ det 13
4
3
1
= (2 + 1)[3 22 + ]
= (2 + 1)( 1)2 .
i
i
7.3
125
Decomposio Primria
10 0
10 0
0 7 1
0 0 1
0 0
0 1
0 0
0 1
0
0
0
3 0
13 0
0 9 1
4 0
4 0
0 3 1
Assim,
0 7 1
0
0 0
1
0 0
0 2 0
0 3 1
v3 = (0, 0, 1, 0, 0).
e v5 = (0, 0, 0, 1, 2).
0 = 0v1
(0, 0, 1, 0, 0) = 1v3
(0, 1, 0, 0, 0) = v2
(13, 0, 0, 16, 7) = 13v4 + 16v5
(9, 0, 0, 11, 5) = 9v4 11v5 .
0
0
0
(0) 0
0
0
0
0 1
0
0
1
0
0
TB =
.
0
13 9
0 0
16 11
0
0 0
2
O Exerccio 17 pede que voc obtenha a decomposio primria por meio do clculo funcional,
isto , como no Exemplo 7.5.
i
i
126
Teoria Espectral
Cap. 7
i
i
127
7.4
7.4
i 1 0 0
J1 0 0
0 i 1 0
0 J2 0
. . ..
.
J = ..
. . . . .. ,
.. . .
.. , em que Ji = .. ..
.
. .
.
0 0 i 1
0 0 Jk
0 0 0 i
(Ao autovalor i est associado pelo menos um bloco Ji ; s vezes define-se Ji com
a sub-diagonal de 1s situando-se abaixo da diagonal principal. O bloco Ji pode
ser uma matriz 1 1.) O bloco Ji um bloco de Jordan associado ao autovalor i .
N+1
N
(A i I)
Z1
Q
N
N1
N = N1 Z1
N+1
N
N
,
N1
estamos
i
i
128
Teoria Espectral
Cap. 7
N
N+1
N
N1
de Nd /Nd1 .
Pelo lema,
n
o
(A i I)xd1 , . . . , (A i I)xdkd
i
i
7.4
129
..
.
N1
N0
{xd1 , . . . , xdkd }
{Sxd1 , . . . , Sxdkd , x(d1)1 , . . . , x(d1)k
(d1)
(d1)
(d1)
i
i
130
Teoria Espectral
Cap. 7
e no de espaos quocientes):
N3
N2
N2
N1
N1
{x31 , x32 }
{(A i I)x31 , (A i I)x32 , x21 , x22 }
{(A i I)2 x31 , (A i I)2 x32 , (A i I)x21 , (A i I)x22 , x11 }.
0 0
0
0 0
0 0 0
1 1 0
0 1 1
0
0 0
0 0 0
0 0
0
0
0
0
0
0
0
0
0
0
0 0
0 0
0
1 1 0
0 0 0
0 1 1
0
0
0
0
0
0
0
0
0
0
0
0
0
0 0 1
0 0 0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
1 1
0 0 0
0 0 0
0 0
0
0 1
0 0 0
0 0 0
0 0
0 0 0
0 0 0
0 0
0 0
(1 )
Teorema 7.17 (Jordan)
Sejam A, B Mnn (C) duas matrizes semelhantes, isto ,
A = P 1 BP.
Ento
(i) A e B possuem os mesmos autovalores i ;
(ii) os espaos Nj (i ) = ker(A i I)j e Mj (i ) = ker(B i I)j possuem a
mesma dimenso para todo j N e todo autovalor i .
i
i
7.4
131
i
i
132
Teoria Espectral
Cap. 7
1 0 0 1
1 1
0 1
0
0
0 1 0
.
0 1 0
(T 3I) =
0 0 1
0
0
1 2 0
0 0 0
0
0 1
0 0
Assim, o subespao W3 = ker(T 3I) do Teorema Espectral 7.3 (ou D.5) dado
por
{(x1 , 0, 0, x1 ) | x1 R}.
i
i
7.4
133
0
0
2 1
0
0
0 2
.
TB = J =
0 0
(2) 0
0 0
0 (3)
Exemplo 7.19 Obtenha uma base B
de Jordan:
2
1
1
A=
0
1
0
0 0 0 0 0
2 0 0 0 0
0 2 0 0 0
.
1 0 2 0 0
1 1 1 2 0
0 0 0 1 1
0 0 0 0 0 0
1 0 0 0 0 0
1 0 0 0 0 0
.
A 2I =
0
1
0
0
0
0
1 1 1 1 0 0
0 0 0 0 1 3
Se chamarmos N1 = ker(A 2I), vemos que dim N1 = 2. (Voc consegue
perceber isso sem fazer qualquer conta? Lembre-se que o nmero de linhas
nulas no escalonamento de A 2I fornece os graus de liberdade nas solues de
(A 2I)x = 0, isto , a dimenso desse espao.)
i
i
134
Teoria Espectral
Cap. 7
Verificamos que
N1 = ker(A 2I) = {(0, 0, x3 , x3 , x4 , x4 /3) | x3 , x4 R}
O nmero de elementos em N1 nos d o nmero de blocos de Jordan associados ao
autovalor 2. Assim, dois blocos de Jordan esto associados a esse autovalor. Como
o espao invariante W2 associado ao autovalor 2 tem dimenso 5, existem apenas
duas possibilidades para a decomposio de Jordan desse subespao: ou existe um
bloco 2 2 e outro bloco 3 3, ou existe um bloco 4 4 e um bloco 1 1.
Um novo clculo nos mostra que
N2 = ker(A 2I)2 = {(0, 0, x3 , x4 , x5 , (3x5 x4 x3 )/9)}.
Ora, isso indica que a nica possibilidade para decompor os blocos de Jordan um
bloco 4 4 e um bloco 1 1. Em particular, W2 = N4 .
Verificamos ento que
N3 = ker(A 2I)3 = {(0, x2 , x3 , x4 , x5 , (2x2 3x3 3x4 + 9x5 )/27}
N4 = ker(A 2I)4 = {(x1 , x2 , x3 , x4 , x5 , (27x5 9x4 9x3 6x2 10x1 )/81}.
=
=
=
=
=
=
w1 (pois (A + I)w1 = 0)
2w2 (pois (A 2I)w2 = 0)
w2 + 2w3 (pois (A 2I)w3 = w2 )
w3 + 2w4 (pois (A 2I)w4 = w3 )
w4 + 2w5 (pois (A 2I)w5 = w4 )
2w6
i
i
7.4
135
(1) 0 0
2 1
0
0 0 2
J =
0 0 0
0 0
0
0 0
0
0
0
1
2
0
0
0
0
0
1
2
0
0
0
0
0
0
(2)
A=
1
1 1 3 1
7
0 1
1
2
3
2
0
0 1
0 2
1
0
0
0 1
1 2
0
0
0
0 1
3
0
0
0
0
0 4
=
=
=
=
{(2x1 , 0, x1 , x1 , x1 , x1 ) | x1 R}
{(x1 , x2 , 2x2 , x2 , 0, 0) | x1 , x2 R}
{(x1 , x2 , 2x3 2x4 , x3 , x4 , 0) | x1 , x2 , x3 , x4 R}
{(x1 , x2 , x3 , x4 , x5 , 0) | x1 , x2 , x3 , x4 , x5 R}
i
i
136
Teoria Espectral
Cap. 7
de ker(A+I)
, linearmente independente com w3 w5 = (0, 0, 2, 0, 1, 0) (verifique).
ker(A+I)
Ento (A + I)w5 = w4 = (1, 1, 2, 1, 0, 0).
Notamos, em particular, que pode ser complicada a escolha de trs vetores
linearmente independentes num espao quociente Ni /Ni1 . Em geral, isso pode
ser obtido por simples inspeo: o vetor w5 escolhido tem uma coordenada que
no est presente no espao ker(A + I). Se essa inspeo no for suficiente, a
melhor maneira pensar como construda a base do espao Ni /Ni1 : partindo
de uma base de Ni1 os elementos que completam a base de Ni formam a base
do quociente. Esse o processo computacional adequado quando a dimenso do
quociente for grande.
Teorema 7.21 Toda matriz A Mnn (C) semelhante sua transposta.
Demonstrao: Uma vez que det A = det At , obtemos que o polinmio
caracterstico dessas duas matrizes igual. Em particular, elas tm os mesmos
autovalores.
Notamos que, se q for um polinmio e B uma matriz n n, ento [q(B)]t =
q(B t ) (basta tomar a transposta). Se i for um autovalor de A (e, portanto, de
At ), aplicando esse resultado para os polinmios (t i )k e ento considerando
a dimenso de seus ncleos, decorre do Corolrio 3.25 que a condio (ii) do
Teorema de Jordan tambm cumprida.
2
Nas duas prximas sees estudaremos como expressar a forma cannica de
Jordan, no caso em que todas as razes do polinmio caracterstico no esto no
corpo K. A primeira dessas maneiras produz a forma de Jordan real; a segunda, a
decomposio racional de Frobenius.
7.5
i
i
7.5
137
J,
D,
I2
0
0
0
D, I2
0
..
..
..
...
.
.
.
0
0
0 D,
I2
0
0
0
0
D,
em que D, =
(7.4)
i
i
138
Teoria Espectral
Cap. 7
0 0
.. ..
. .
0 0
1 0
0 1
,
0 0
.. ..
. .
0 0
7.6
Decomposio Racional
i
i
7.6
139
Decomposio Racional
i
i
140
Teoria Espectral
Cap. 7
(7.5)
B=
0 0 0
1 0 0
0 1 0
.
0 0 1 ..
.. .. .. . .
.
. . .
0 0 0
0
0
0
a0
a1
a2
0 a3
..
...
.
1 ak1
(7.6)
i
i
7.6
Decomposio Racional
141
Vamos mostrar que uma tal decomposio sempre existe. Mais precisamente,
denotemos W = Z(x0 , T ) o subespao gerado pelo T -anulador de x0 e,
generalizando, Z(xk , T ) o subespao gerado pelo T -anulador de xk X. Ento
temos:
Teorema 7.26 (Decomposio Racional Frobenius)
Seja T : X X um operador definido no espao de dimenso finita X. Ento
existem vetores no-nulos x0 , x1 , . . . , xk tais que
X = Z(x0 , T ) Z(x1 , T ) Z(xk , T ),
em que cada espao Z(xi , T ) invariante por T e, se pi denotar o T -anulador de
xi , ento pi divide pi1 para todo i e p0 o polinmio mnimo de T .
Alm disso, o inteiro k e os T -anuladores p0 , . . . , pk so determinados de
maneira nica por essas condies.
Os polinmios p0 , . . . , pk so chamados fatores irredutveis de T .
A demonstrao do Teorema 7.26 ser feita utilizando-se a forma de Jordan do
operador T . Comeamos mostrando como obter vetores de determinadas ordens:
Lema 7.27 Sejam T : X X um operador linear e
1 0 0
0 1 0
.. .. . .
..
.
.
. .
.
. .
0 0 1
0 0 0
i
i
142
Teoria Espectral
Cap. 7
1 0 0
1 0 0
0
0 1 0
1 0
.. .. . .
..
.. e .. .. . .
.
.
.
.
. .
. .
.
. .
.
. .
0 0
0 0 1
0 0 0
0 0 0
0 0 0 0 a0
1 0 0 0 a1
0 1 0 0 a2
.
.
0 0 1 . . 0 a3
.
..
... ...
..
.
0 0 0 1 a2k1
i
i
7.6
Decomposio Racional
143
i
i
144
Teoria Espectral
1 1 0 0 0 0 0 0 0 0 0
0 1 1 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 0 0
1 1 0 0 0 0 0
0 0 0 0
A=
0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 2 1 0 0 0
0 0 0 0 0 0 0 2 0 0 0
0 0 0 0 0 0 0 0 2 1 0
0 0 0 0 0 0 0 0 0 2 0
0 0 0 0 0 0 0 0 0 0 2
Cap. 7
1 )3 (t 2 )2 .
e m(t) = (t 1 )3 (t
em que o vetor x0 obtido como soma de trs vetores: o terceiro, o sexto e o oitavo
(ou ento o dcimo) vetores da base B. Note que o terceiro e o sexto vetores sero
vetores conjugados, de modo que o vetor x0 ser um vetor real.
O segundo bloco de Frobenius obtido ao se considerar os polinmios
caracterstico e mnimo dos blocos restantes:
p1 (t) = (t 2 )3
e m1 (t) = (t 2 )2 .
i
i
7.6
145
Decomposio Racional
2 0
1 2
1 0
A=
0 1
1 1
0 0
0
0
2
0
1
0
0
0
0
2
1
0
0 0
0 0
0 0
0 0
2 0
1 1
0
0 0 0 0 16
1 0 0 0
16
0
0 1 0 0
8
0
0 0 1 0 16 0 .
0
0 0 0 1
7
0 0 0 0
0
(2)
0 0
0
0
1
0
0 0
0
1
0
0
0 0
0 1
0
1
.
P =
0
0
1
0
0
1
0 1
0
1
0
0
10
10
1 31 19 27
81
0
O bloco de Frobenius 5 5 associado ao polinmio mnimo tem como base
{x0 , Ax0 , . . . , A4 x0 },
i
i
146
Teoria Espectral
0
2 0
1 2 0
0 1
A=
1
1 2 1
1 4 3
6
0
3
1
3
2
2
2
2
4
Cap. 7
3 2i
3 2i
32i 32i
2
2
2
2
0
0
2
2
1+i
1i
2
2
i
i
2
2
1
+
1
4
4
i
i
2
2
B = 1 , 1 + 2 , 1 2 , 1 i2 , 1 i2 .
2 4 2 + 4
0
0
0
0
i 2
i 2
1 2
1 + 2
3i 2
3i 2
4
x0 =
3 ,
1
0
x1 =
2 .
1
0
i
i
7.7
147
Exerccios
0
0
0 0
4
1 0 2
0
0
0 1
2
0
.
0
0 0
0
0 2
1
0
0 0
0
7.7
Exerccios
1. Suponha que a matriz A seja diagonalizvel. Mostre o Teorema de CayleyHamilton como conseqncia do Teorema da Imagem do Espectro.
2. Seja T : X X um operador definido no espao de dimenso finita X.
Suponha que T k = 0 para algum inteiro k. Obtenha os autovalores de T .
3. Seja
A=
Calcule os autovalores de sen A.
1 2
2 1
i
i
148
Teoria Espectral
Cap. 7
i
i
7.7
Exerccios
149
1 1 1 1 1
0 1 1 1 1
A=
0 0 1 1 1 .
0 0 0 2 1
0 0 0 0 2
17. Obtenha a decomposio primria do operador T do Exemplo 7.10 utilizando
o clculo funcional.
18. Seja A Mnn (K) uma matriz tal que A2 = 2A + I. A matriz A
diagonalizvel?
19. D uma demonstrao direta do Lema 7.15. Mostre, portanto, que a aplicao
A i I est bem definida e tem as propriedades descritas no lema.
20. Demonstre a Proposio 7.13.
21. Sejam A e B matrizes reais tais que A = P 1 BP para alguma matriz
complexa P . Mostre que A = Q1 BQ para alguma matriz real Q.
22. Obtenha bases B na quais as seguintes matrizes estejam na forma cannica de
Jordan:
2 5
0
0
0
0 2
0
0
0
0 1
(a)
0 0 1
.
0 0
0 1
0
0 0
0
0 1
1 1 0
0 1
0
4
0
0 1 1 1 1 3
3 4
0 0 1
0
1
1
2
1
0 0 0
1
1
1
4
5
.
(b)
0 0 0
0
1
0 1 5
0 0 0
0
0
1
1
1
0 0 0
0
0
0
1 2
0 0 0
0
0
0
0
3
i
i
150
Teoria Espectral
Cap. 7
23. Sejam
m(t) = (t 1 )d1 . . . (t r )dr
25. Suponha que sejam reais os autovalores de A Mnn (R) e que A2 seja
semelhante a A. Quais so os possveis autovalores de A?
26. Seja T : X X um operador no espao complexo X. Suponha que T k = I
para algum inteiro positivo k. Mostre que T diagonalizvel.
27. Seja A Mnn (C) uma matriz invertvel e J a sua forma cannica de Jordan.
Qual a forma cannica de Jordan de A1 ?
28. Verifique que a demonstrao do Teorema 7.22 garante, em particular, que os
possuem a
subespaos W e W associados aos autovalores conjugados ,
mesma dimenso. Voc capaz de dar uma outra demonstrao desse fato?
29. Seja T : X X um operador no espao de dimenso finita X. Mostre que
existe um espao invariante W X com dim W = 1 ou dim W = 2.
i
i
7.7
151
Exerccios
i
0
0
0
1 0 0
i
0 0
.
0 i 0
0 0 i
i
0
0
0
Ache a sua forma de Jordan real.
1 0 0
i
0 0
.
0 i 1
0 0 i
Definio 7.33 Um operador T : X X definido no espao real X semisimples se sua complexificao TC : XC XC for diagonalizvel.
32. Sejam X um espao real de dimenso finita e T : X X um operador.
Mostre que T = D + N , com D semi-simples e N nilpotente, sendo que
DN = N D.
33. Verifique que, na base C descrita no Exemplo 7.31, a matriz A assume sua
decomposio racional.
34. Verifique que a matriz A do Exemplo 7.32 assume sua forma de Jordan na
base B ali descrita. Verifique tambm que, na base C daquele exemplo, A
assume sua decomposio racional.
35. Seja que, na base B, a matriz A assume sua forma racional. Obtenha uma
base C na qual A assume a forma de Jordan.
i
i
8
Estrutura Euclidiana
Neste Captulo estudamos as propriedades bsicas de espaos com produto
interno, projees ortogonais, o Teorema de Representao de Riesz e algumas
propriedades geomtricas relacionadas com a adjunta de uma aplicao linear T .
8.1
Produto Interno
y1
n
X
t ..
hx, yi = x y =
xi yi = (x1 . . . xn ) .
i=1
yn
1
(tambm chamado de
t
= x y,
Essa terminologia varia de acordo com o autor consultado: para alguns, um espao euclidiano
um espao real com produto interno, mesmo em dimenso infinita.
152
i
i
i
8.2
Norma
153
y
1
n
X
hx, yi = x y =
xi yi = (x1 . . . xn )t ... = xt y.
i=1
yn
Definio 8.3 Sejam x, y vetores do espao com produto interno E. Esses vetores
so ortogonais (ou perpendiculares) se hx, yi = 0. Nesse caso escrevemos x y.
Posteriormente justificaremos geometricamente essa definio.
8.2
Norma
i
i
154
Estrutura Euclidiana
Cap. 8
i
i
8.2
155
Norma
(8.1)
i
i
156
Estrutura Euclidiana
Cap. 8
com a Observao 8.21.) Estudar espaos de dimenso finita sem produto interno
procurar entender quais resultados dependem da estrutura topolgica do espao.
Essa a situao em dimenso finita, mas espaos de dimenso infinita so
muito diferentes: nem sempre razovel (ou desejvel) definir um produto interno
nesses espaos. Em muitas situaes prticas, um espao vetorial tem uma norma
que est naturalmente associada ao problema considerado, a qual pode gerar uma
topologia que no equivalente quela gerada por um produto interno. (Veja o
Apndice F).
Lema 8.9 Seja E um espao com produto interno. Ento so vlidas as identidades
de polarizao:
(i) se E for um espao real,
1
1
hx, yi = kx + yk2 kx yk2 .
4
4
(ii) se E for um espao complexo,
1
1
i
i
hx, yi = kx + yk2 kx yk2 + kx + iyk2 kx iyk2 .
4
4
4
4
Demonstrao: Basta desenvolver o lado direito de cada uma das igualdades.
8.3
Bases Ortonormais
i
i
8.3
157
Bases Ortonormais
hx, yi = h1 x1 + . . . + n xn , 1 x1 + . . . + n xn i = 1 1 + . . . + n n ,
o que mostra que, com relao a uma base ortonormal,2 qualquer produto interno
em E tem a forma dada pela Observao 8.8. Em particular, quando y = x, temos
kxk2 = 1 1 + . . . + n n = |1 |2 + . . . + |n |2 .
Podemos ainda explorar mais as relaes anteriores com a Observao 8.8. Se
x = 1 x1 + . . . + n xn , conclumos facilmente que a aplicao
S : E Kn ,
Sx = (1 , . . . , n )
i
i
158
Estrutura Euclidiana
Cap. 8
8.4
Projees Ortogonais
Na Seo anterior, mostramos que bases ortogonais so fceis de lidar. Mas, elas
existem? Num primeiro curso de lgebra Linear, as noes de projeo ortogonal,
ilustradas nas figuras (8.1) e (8.2), foram apresentadas.
u6
w
-
projx1 u
x1
Figura 8.1:
O vetor projx1 u = (hu, x1 i/kx1 k2 )x1 a projeo ortogonal do vetor u no vetor x1 . O
vetor w a "componente" de u ortogonal ao vetor x1 .
u
projx1 u
x1
6
w proj u
x2
x2
Figura 8.2:
O vetor w a "componente" de u ortogonal ao plano gerado por x1 e x2 .
i
i
8.4
159
Projees Ortogonais
i
i
160
Estrutura Euclidiana
Cap. 8
Y
+ z,
(8.2)
Exemplo 8.20 (O problema dos quadrados mnimos - 1a. parte) Seja A uma
matriz real m n. Quando um sistema Ax = b no tem soluo, podemos ainda
assim procurar o vetor x tal que A
x seja a melhor aproximao possvel para o vetor
b. Esse o problema dos quadrados mnimos.
i
i
8.4
161
Projees Ortogonais
(8.3)
i
i
162
Estrutura Euclidiana
Cap. 8
procuramos minimizar3
p21 (y1 y1 )2 + . . . + p2n (yn yn )2 ,
com y = (
y1 , . . . , yn ) X.
Nesse caso, estamos substituindo o produto interno cannico do Rn pelo produto
interno
hz, wi = p21 z1 w1 + . . . + p2n zn wn ,
8.5
x E.
= x, (x1 )x1 + . . . + x, (xn )xn = x, (x1 )x1 + . . . + (xn )xn .
Defina y = (x1 )x1 + . . . + (xn )xn . Como {x1 , . . . , xn } uma base, y nico. 2
3
i
i
8.5
163
x, zi = hx, T yi + hx, T zi.
x, T (y + z) = hT x, y + zi = hT x, yi + hT
Assim,
x, T (y + z) T y T z = 0.
i
i
164
Estrutura Euclidiana
Cap. 8
T (x1 , y1 ), (x2 , y2 ) = (ax1 + by1 )x2 + (cx1 + dy1 )y2
= (ax2 + cy2 )x1 + (bx2 + dy2 )y1
= (x1 , y1 ), (ax2 + cy2 , bx2 + dy2 ) ,
[T ]E =
a c
b d
= (TE )t .
i
i
8.5
165
Ora,
hb A
x, Ayi = 0 y Rn
At A
x = At b.
A equao At A
x = At b conhecida como equao normal para o problema
dos quadrados mnimos e nos fornece a soluo desse problema. Veja tambm o
Exemplo 11.8.
Proposio 8.30 Sejam E, F, G espaos euclidianos e T, S : E F e R : F G
aplicaes lineares e K. Ento vale:
(i) I = I;
(ii) (T + S) = T + S ;
;
(iii) (T ) = T
(iv) (RT ) = T R ;
(v) (T ) = T ;
(vi) se F = E e T ou T for invertvel, ento (T 1 ) = (T )1 .
Demonstrao: As provas dos resultados afirmados so muito semelhantes.
Faremos apenas algumas delas.
(ii) hx, (S+T ) yi = h(S+T )x, yi = hSx, yi+hT x, yi = hx, S yi+hx, T yi =
hx, (S + T )yi. A unicidade da adjunta garante ento que (S + T ) = S + T .
(v) hx, T yi = hT x, yi = hy, T xi = hT y, xi = hx, T yi. De novo, a
unicidade da adjunta garante o afirmado.
Suponhamos que exista T 1 . Ento, tomando a adjunta em T T 1 = I = T 1 T
e, aplicando (v), obtemos (T 1 ) T = I = T (T 1 ) . O caso em que existe (T )1
anlogo.
2
Proposio 8.31 Seja W um subespao invariante pelo operador T : X X.
Ento W invariante por T .
Demonstrao: Sejam x W e y W . Ento 0 = hT x, yi = hx, T yi. Assim,
T y perpendicular a x para todo x W . Isso quer dizer que T y W .
2
A demonstrao simples do prximo resultado est em oposio sua
importncia...
i
i
166
Estrutura Euclidiana
Cap. 8
ker T
ker T
im T
T
E
im T
Figura 8.3:
As aplicaes T e T decompem ortogonalmente os espaos E e F .
i
i
8.5
167
O Exemplo 8.34 sugere uma relao entre ker A e ker A . Vamos explicitar essa
relao:
Corolrio 8.35 (Alternativa de Fredholm)
Seja T : E E um operador definido no espao euclidiano E. Consideremos
as seguintes equaes:
T x = y, T u = v
(8.4)
e
T x = 0,
T u = 0.
(8.5)
Ento
i
i
168
Estrutura Euclidiana
Cap. 8
8.6
Isometrias
i
i
8.6
169
Isometrias
(8.7)
e ky k = kyk.
(8.8)
(8.9)
Do mesmo modo,
kz xyk2 = kzk2 +kyk2 +kxk2 hz, xihx, zihz, yihy, zi+hx, yi+hy, xi.
Segue-se de (8.7), (8.8) e (8.9) que
kz x y k2 = kz x yk2 .
Escolhemos ento z = x + y. O lado direito dessa igualdade , ento, nulo. Assim,
temos z x y = 0. Mas isso mostra que M (x + y) = M x + M y.
Suponhamos agora que E, F sejam espaos reais. Ento, (8.9) implica que
hM x, M yi = hx, yi.
Agora completamos a prova da linearidade de M :
hM (x), M yi = hx, yi = hx, yi = hM x, M yi = hM x, M yi.
Por conseguinte,
hM (x) M x, M yi = 0.
hM (x) M x, M (x)i = 0
e
hM (x) M x, M xi = hM (x) M x, M xi = 0.
i
i
170
Estrutura Euclidiana
Cap. 8
Logo,
hM (x) M x, M (x) M xi = 0,
mostrando a linearidade de M no caso real. (Veja o Exerccio 38.)
Note que uma isometria linear entre espaos euclidianos E e F sempre uma
aplicao injetora.
Teorema 8.38 Sejam E, F espaos euclidianos e M : E F uma aplicao
linear. As seguintes afirmativas so equivalentes:
(i) M uma isometria;
(ii) M preserva o produto interno: hM x, M yi = hx, yi;
(iii) M M = I.
Se dim E = dim F , ento essas condies so equivalentes a
(iv) M e M so isometrias.
Demonstrao: A identidade de polarizao (Lema 8.9) adequada ao caso mostra
(i) (ii).
Para quaisquer x, y E, vale
hx, yi = hM x, M yi = hx, M M yi
hx, M M y yi = 0.
i
i
8.7
Operadores Lineares
171
8.7
Operadores Lineares
i
i
172
Estrutura Euclidiana
Cap. 8
T = 0.
i
i
8.8
173
Norma de Matrizes
0 = hT x, yi + hT x, yi = (T T )x, y
x, y E.
hT T x, xi = hT T x, xi
(T T T T )x, x = 0 x E.
8.8
Norma de Matrizes
i
i
174
Estrutura Euclidiana
Cap. 8
Seja A Mnn (K) uma matriz. Identificando Mnn (K) com Kn , podemos
introduzir uma noo natural de norma em Mnn (K) e transformar esse em um
espao normado. (Esse , basicamente, o procedimento utilizado no Exerccio 21.)
Contudo, no esse o caminho que escolheremos: definiremos diretamente uma
norma em Mnn (K). A principal vantagem desse procedimento veja na seqncia
consiste na propriedade (ii) da Proposio 8.50.
Para isso, comeamos por relembrar que um conjunto K Kn compacto se,
e somente se, for limitado e fechado; alm disso, sabemos que toda funo contnua
definida num compacto K assume mximo e mnimo em K.
Definio 8.46 Duas normas k k0 e k k1 no espao Kn so equivalentes se, e
somente se, existirem constantes > 0 e > 0 de modo que
kxk0 < kxk1 kxk0 .
Algumas normas equivalentes no espao Kn so consideradas no Exerccio 46.
Proposio 8.47 Todas as normas no espao Kn so equivalentes.
Demonstrao: De fato, seja x = (x1 , . . . , xn ) Kn e k k0 uma norma arbitrria
no espao Kn . Vamos mostrar que essa norma equivalente norma k k , dada
por
kxk = max |xi |.
1in
n
X
i=1
i
i
8.8
175
Norma de Matrizes
n
X
xi T ei e,
i=1
kT xk kxksum ,
Pn
em que := max1in kT ei k e kxksum :=
i=1 |xi |. Tomando x = z w,
como todas as normas no Kn so equivalentes, mostramos que T (uniformemente)
contnuo.
2
Definio 8.49 Seja A Mnn (K) e k k uma norma no Kn . Definimos
kAk = max kAxk.
kxk=1
kxk=1
kxk=1
Finalmente,
kA + Bk = max k(A + B)xk max kAxk + kBxk
kxk=1
kxk=1
kxk=1
i
i
176
Estrutura Euclidiana
Cap. 8
Para provar nossa afirmao, notamos que hx, yi kxk kyk kxk, se kyk = 1.
A desigualdade contrria obtida ao tomarmos y = x/kxk.
Aplicando esse resultado, obtemos
kAk = sup kAxk = sup hAx, yi.
2
kxk=1
kxk=1=kyk
8.9
Exerccios
i
i
8.9
177
Exerccios
i
i
178
Estrutura Euclidiana
Cap. 8
desigualdade de Bessel
m
X
j=1
e (W1 W2 ) = W1 + W2 .
15. Seja 0 o espao de todas as seqncia (xi ) com xi = 0 exceto talvez para um
nmero finito de ndices.
(a) Verifique que {e1 , . . . , en , . . .} uma base de 0 , em que ei a seqncia
cujo i-simo elemento igual a 1, os restantes sendo todos nulos. Dado
x 0 , temos que existe m = m(x) N tal que x = 1 e1 +. . .+m em .
m
2
+ ... +
.
2
m
i
i
8.9
179
Exerccios
em que
i
i
180
Estrutura Euclidiana
Cap. 8
(x1 , x2 , x3 ), (y1 , y2 , y3 ) = 2x1 y1 + 3x2 y2 + 4x3 y3
i
i
8.9
Exerccios
181
i
i
182
Estrutura Euclidiana
Cap. 8
(x1 , y1 ), (x2 , y2 ) = hx1 , x2 i + hy1 , y2 i.
i
i
8.9
183
Exerccios
z1 z1 + . . . + zn zn .
kzk =
Mostre que k k , k ksum e k k so normas em Kn . Mostre tambm que
kzk kzk kzksum nkzk .
47. Seja A Mnn (K). Mostre que kAk = kA k e kA Ak = kAk2 .
48. Seja A Mnn (K). Se A for normal, mostre que kA2 k = kAk2 .
49. Considere que E = Kn e resolva os Exerccios 7 e 8 do Apndice F.
50. Aceite o fato que todo espao vetorial possui uma base (um resultado que
demonstrado utilizando-se o lema de Zorn). Mostre ento que todo espao
vetorial possui um produto interno e, portanto, uma norma.
Definio 8.51 Sejam v1 , . . . , vr vetores em Kn . O conjunto
x1 v 1 + . . . + xr v r
com 0 xi 1 i = 1, . . . , r
i
i
184
Estrutura Euclidiana
Cap. 8
[v1 ]tB
A = ... .
[vk ]tB
i
i
8.9
Exerccios
185
i
i
9
Formas Sesquilineares e
Quadrticas
Neste Captulo estudamos formas sesquilineares e bilineares. Apresentaremos
o Teorema de Lagrange e a Lei da Inrcia.
9.1
186
i
i
i
9.1
187
a11
a21
B(x, y) = xt Ay = (x1 x2 . . . xn ) ..
.
an1
Definindo B : Kn Kn K por
a12 a1n
y1
a22 a2n
y2
..
.. .. ,
...
.
. .
yn
an2 ann
Denotaremos por S(X) o conjunto das formas em X. (No caso real, esse espao
usualmente denotado por L2 (X).) O espao S(X) um espao vetorial com as
definies usuais de soma de funes e multiplicao de funo por escalar (veja o
Exerccio 1).
Concentraremos nossa ateno no caso em que X um espao euclidiano.
Nesses espaos, formas esto intrinsecamente ligadas a operadores, relao j
sugerida pelo Exemplo 9.3:
Teorema 9.4 Sejam E um espao euclidiano e B uma forma em E. Ento, existe
um nico operador linear S : E E tal que, para quaisquer x, y E,
B(x, y) = hx, S yi = hSx, yi.
A forma B auto-adjunta (respectivamente, antiauto-adjunta) se, e somente se,
S = S (resp., S = S).
=
hx, S y1 i + hx, S y2 i = hx, S y1 + S y2 i.
A unicidade de S clara: se hx, S yi = B(x, y) = hx, R yi, ento, para quaisquer
x, y E, vale hx, (S R )yi = 0, de onde segue-se que S = R .
Para x, y E arbitrrios, temos
B(x, y) = B(y, x) hSx, yi = hSy, xi hSx, yi = hx, Syi
i
i
188
Cap. 9
e
B(x, y) = B(y, x) hSx, yi = hSy, xi hSx, yi = hx, Syi.
Demonstrao: O Teorema 9.4 garante que, dada uma forma B S(E), existe um
operador S : E E tal que B(x, y) = hSx, yi.
Denotamos TB = S, isto , B(x, y) = hTB x, yi. Afirmamos que a aplicao
B 7 TB um isomorfismo cannico entre S(E) e L(E, E). De fato,
hT(B1 +B2 ) x, yi = (B1 + B2 )(x, y) = B1 (x, y) + B2 (x, y)
= hTB1 x, yi + hTB2 x, yi = h(TB1 + TB2 )x, yi.
A unicidade da aplicao S tal que B(x, y) = hSx, yi garante que B 7 TB
injetora. Essa aplicao tambm sobrejetora: dado o operador T : E E,
claramente B(x, y) = hT x, yi define uma forma em E.
2
Por conseguinte, se dim E = n, deduzimos da que dim(S(E)) = n2 , que a
dimenso de L(E, E). Mas, dada a forma B, como determinar o operador S?
= (x1 x2 . . . xn ) ..
..
..
...
.
.
.
an1 an2 ann
y1
y2
..
.
yn
(9.1)
i
i
9.1
189
i
i
190
Cap. 9
1
1
f (x)h + qx (h) + r(h),
1!
2!
9.2
n
X
aij xi xj .
(9.2)
i,j=1
i
i
9.2
191
q(L y) =
n
X
di yi2 .
(9.3)
i=1
Demonstrao: Seja q(x) = hx, Axi, a matriz A = (aij ) sendo simtrica. (Note
que isso significa que estamos identificando a forma com sua expresso matricial.)
Se todos os termos aij forem nulos, q j diagonal.
Suponhamos que todos os termos diagonais de q sejam nulos, mas que exista
um termo aij diferente de zero, digamos a12 = a21 6= 0. De acordo com (9.2), o
nico termo de q envolvendo apenas x1 e x2
2a12 x1 x2 .
Fazendo a mudana de varivel linear x1 = w1 + w2 , x2 = w1 w2 ,
x3 = w3 , . . . , xn = wn , obtemos que os termos envolvendo apenas w1 e w2 so
a12 w12 a12 w22 .
Assim, mostramos que podemos supor, sem perda de generalidade, que q possua
um termo diagonal diferente de zero.
Suponhamos ento que a11 6= 0. Agrupamos os termos contendo x1 :
a11 x21 + 2
n
X
a1j x1 xj .
j=2
i
i
192
n
X
a1j xj
j=2
a21
x
a11 2
Cap. 9
!2
+ ... +
an1
x ,
a11 n
y2 =
(2z y)2
7
3y 2 +z 2 4yz = 2w2 y 2 z 2 2yz =: q1 (w, y, z).
2
2
2, s =
Se
quisermos,
ainda
podemos
fazer
a
mudana
de
varivel
r
=
w/
( 2/ 7)v e t = ( 7/ 5)z, assim obtendo
q3 (r, s, t) = r2 s2 t2 .
Note que todas as mudanas de varivel feitas so lineares e invertveis.
i
i
9.2
193
Demonstrao: Suponhamos que q(x) = hx, Axi, sendo A uma matriz hermitiana.
Escolha v1 tal que q(v1 ) = hv1 , Av1 i =
6 0. (Se q(x) 6 0, a existncia de um tal v1
est garantida pela Proposio 8.42.)
Consideremos agora o conjunto W1 , formado por todos os vetores x E tais
que hx, Av1 i = 0. Claramente W1 um subespao de E. Como Av1 6= 0, temos
ento que dim W1 = n 1. Se q|W1 6= 0, repetimos o processo e obtemos um
vetor v2 tal que hv2 , Av2 i =
6 0 e definimos o espao W2 por W2 = hx, Avi i = 0
para i = 1, 2. Se esse processo puder ser repetido n vezes, obtemos ento uma base
{v1 , . . . , vn } de E. Caso contrrio, aps um nmero r de passagens, teremos obtido
o conjunto linearmente independente {v1 , . . . , vr } e encontraremos um subespao
Wr , com dimenso n r > 0, tal que q|Wr 0. Selecionamos, nesse caso, uma
base {vr+1 , . . . , vn } desse subespao. Claramente {v1 , . . . , vn } uma base de E.
Por construo temos hvi , Avj i = 0 para i > j. Como A auto-adjunta, seguese da hAvi , vj i = 0 = hvj , Avi i e, portanto, hvi , Avj i = 0 para j > i. Assim, se
x = z1 v1 + . . . + zn vn for um vetor arbitrrio,
hx, Axi = hz1 v1 +. . .+zn vn , z1 v1 +. . .+zn vn i = z1 z1 hv1 , Av1 i+. . .+zn zn hvn Avn i.
Definindo di = hvi , Avi i, obtemos o resultado.
(9.5)
i
i
194
Cap. 9
Claramente, q tem a forma (9.4) (ou (9.3), respectivamente) se, e somente se,
M AM for uma matriz diagonal. Isso prova que os Teoremas 9.11 e 9.14 so
equivalentes.
2
9.3
A Lei da Inrcia
i
i
9.3
195
A Lei da Inrcia
(9.6)
(9.7)
i
i
196
9.4
Cap. 9
Exerccios
1
qB (x + y) qB (x y) .
2
(9.8)
y) = 1 qB (x + y) qB (x y) .
B(x,
4
i
i
9.4
197
Exerccios
10. Seja B uma forma no espao X e {x1 , . . . , xn } uma base de X. Mostre que
B est caracterizada pela matriz (aij ), em que aij = B(xi , xj ). Expresse
B(x, y) em termos dessa matriz.
11. Seja B uma forma no espao euclidiano E e B uma base de E. Se A for a
matriz que representa B (nessa base), definimos o posto de B como sendo o
posto de A.
(a) Mostre que o posto de uma forma est bem definido.
i
i
198
Cap. 9
i
i
9.4
Exerccios
199
21. Mostre que uma forma quadrtica hermitiana (simtrica) q(x) = hx, Axi
positiva definida se, e somente se, A for congruente a I.
22. Faa um diagrama para a relao M AM = D em termos de mudanas de
bases.
Definio 9.19 Seja A Mnn (K). Para cada r n, a submatriz (aij ),
1 i, j r n a submatriz principal de A de ordem r, denotada por Ar .
O determinante de Ar o menor principal de ordem r.
23. Mostre que, se todos os menores principais de uma matriz simtrica
(hermitiana) A Mnn (K) forem positivos, ento a matriz A positiva
definida.
24. Mostre que todos os menores principais de uma matriz simtrica (hermitiana)
A Mnn (K) positiva definida so positivos.
25. Mostre que uma matriz simtrica (hermitiana) A = (aij ) negativa definida
se, e somente se, seus menores principais tiverem sinais alternados, com
det A1 = a11 < 0.
26. Seja X um espao complexo. Alm das formas sesquilineares definidas em
E, so importantes as formas B : X X C tais que para quaisquer C
e u1 , u2 , v1 , v2 E,
(i) B(u1 + u2 , v) = B(u1 , v) + B(u2 , v);
(ii) B(u, v1 + v2 ) = B(u, v1 ) + B(u, v2 ).
Essas so as formas bilineares definidas em X. Denotaremos por B(X) o
conjunto das formas bilineares2 em X. Uma forma bilinear simtrica, se
B(u, v) = B(v, u), e anti-simtrica, se B(u, v) = B(v, u) para quaisquer
u, v X.
Verifique as seguintes afirmaes:
(a) Seja B = {x1 , . . . , xn } uma base de X. Ento existe um isomorfismo
entre o espao B(X) e o espao Mnn (C).
2
Como o estrutura bilinear no est em acordo com uma estrutura de produto interno num espao
complexo, no consideramos aqui espaos euclidianos.
i
i
200
Cap. 9
(e) Est bem definido o posto de uma forma B como o posto de uma matriz
que representa B. Uma forma bilinear B no-degenerada se o seu
posto for igual dim X.
(f ) Se B for uma forma bilinear simtrica, definindo q(v) = B(v, v), vale
1
B(u, v) = [q(u + v) q(u v)],
4
chamada identidade de polarizao.
(9.9)
(g) Se B for uma forma bilinear simtrica, existe uma base de X na qual B
representada por uma matriz diagonal (compare com o Exerccio 14).
Em particular, dada uma matriz simtrica A Mnn (C), existe uma
matriz invertvel P Mnn (C) tal que P t AP diagonal.
(h) Seja B uma forma bilinear no-degenerada. Mostre que a cada operador
T : X X est associado um nico operador T tal que B(T x, y) =
B(x, T y). Vale: (T1 T2 ) = T2 T1 ; (cT1 + T2 ) = cT1 + T2 ; (T ) = T .
(i) Seja B uma forma bilinear anti-simtrica. Ento o posto de B par e,
nesse caso, B pode ser representada por uma matriz diagonal em blocos
0 J
,
J 0
em que J a matriz quadrada
0
0
..
.
1
...
...
...
0
1
..
.
1
0
..
.
... 0 0
i
i
10
Teoria Espectral Euclidiana
Alguns dos resultados mais importantes da lgebra Linear em espaos
euclidianos sero vistos neste Captulo: a diagonalizao de operadores autoadjuntos e normais e as decomposies polar e em valores singulares de um
operador.
10.1
Operadores auto-adjuntos
201
i
i
i
202
Cap. 10
Veja a pgina 204 para uma prova alternativa do Teorema 10.2, sem a utilizao de resultados
do Captulo 7.
2
Considerando a forma cannica de Jordan, esse resultado j implica (b).
i
i
10.1
203
Operadores auto-adjuntos
(10.1)
e o fato dos autovalores de H serem reais implicam que as partes real e imaginria
de x satisfazem (10.1). Como ao menos uma dessas partes no-nula, obtemos um
autovetor real de HC associado a cada autovetor complexo.
2
Observao 10.5 Utilizando o Teorema 10.2 (respectivamente, a demonstrao de
10.4), podemos apresentar uma demonstrao alternativa do Teorema 9.13 (resp.,
9.11). Como j vimos, obtemos uma base ortonormal formada por autovetores
(complexos ou reais, conforme o caso) de H. Seja B = {v1 , . . . , vn } essa base
ortonormal de E. Se v E, consideremos sua representao z = (z1 z2 . . . zn ) na
base B (quer dizer, z = [v]B ):
v = z1 v1 + z2 v2 + . . . + zn vn .
Ento
kvk2 = hv, vi =
Aplicando H em (10.2), obtemos
n
X
i=1
|zi |2 = kzk2 .
Hv = 1 z1 v1 + . . . + n zn vn ,
(10.2)
(10.3)
(10.4)
i
i
204
Cap. 10
i
i
10.1
205
Operadores auto-adjuntos
e hT T x, xi = hT x, T xi 0.
i=1
i=1
i
i
206
Cap. 10
1 0 0
1 0 0
0 2 0
0 2 0
H = ..
e
Q
=
..
.. . .
..
.. . .
.. .
.
.
.
.
.
.
.
.
0 0 n
0 0 n
10.2
(Esta Seo pode ser omitida sem prejuzo para o restante do texto. Ela
apresenta ainda um outro mtodo para se provar os Teoremas 10.2 e 10.4 que
i
i
10.2
207
(H 1 I)x, x
0 x E.
(10.5)
t2 (H 1 I)y, y + 2t (H 1 I)x1 , y 0.
que ou igual a zero. Quer dizer, (H 1 I)x1 , y = 0 para todo y E e, portanto,
(H 1 I)x1 = 0. Mostramos assim a existncia de um autovalor 1 e de um
autovetor x1 de H.
Consideremos agora o complementar ortogonal E1 do espao gerado por x1 ,
que tem dimenso n 1. Pela Proposio 8.31, E1 invariante por H e a restrio
de H a este subespao auto-adjunta. Por induo, podemos supor que H|E1 possui
uma base ortonormal formada por autovetores de H. Isso completa a prova.
2
A expresso
hHx, xi
=
kxk2
o quociente de Rayleigh.
x
x
,
H
kxk
kxk
xS, kxk=1
Veja o Apndice F.
i
i
208
Cap. 10
em que S um subespao de E.
Demonstrao: Consideremos um subespao S E arbitrrio, com dimenso j.
Inicialmente vamos mostrar que
max hHx, xi j ,
xS, kxk=1
dim S=j
max hHx, xi
xS, kxk=1
(10.6)
j .
n
X
i=j
i |i | j
n
X
i=j
|i |2 = j ,
mostrando (10.6).
Para completarmos a prova, basta mostrarmos um subespao S de dimenso
j no qual j hHx, xi para todo x S com kxk = 1. Seja S gerado por
x1 , . . . , xj . Ento
Pj x = 21 x1 + . . . + j xj para todo x S e, portanto, supondo que
2
1 = kxk = i=1 |i | = 1, vemos que
hHx, xi =
j
X
i=i
i |i | j
j
X
i=1
|i |2 = j .
10.3
Operadores Normais
Decorre imediatamente do
i
i
10.3
209
Operadores Normais
N + N
2
e A :=
N N
.
2
i
i
210
Cap. 10
1 0 0
0 2 0
NB = ..
.. . .
.. ,
.
. .
.
0 0 n
1
0
NB = ..
.
0
0 0
2 0
.. . .
.
. ..
.
0 n
Como essas matrizes so diagonais, elas comutam. Mas isso implica que N e N
comutam.
2
Note que, em particular, mostramos que autovetores associados a autovalores
distintos de um operador normal so ortogonais. Uma demonstrao alternativa do
Teorema 10.13 sugerida nos exerccios deste Captulo.
Aplicando o Teorema 10.13 obtemos:
Teorema 10.14 Seja U : E E uma aplicao unitria definida no espao
euclidiano complexo E. Ento:
(i) Existe uma base ortonormal formada por autovetores de U ;
(ii) Os autovalores de U tem valor absoluto igual a 1.
i
i
10.3
211
Operadores Normais
j=1
se i 6= j,
j2 = j
e j = j .
xj Ej ,
(10.7)
k
X
j j (x).
j=1
k
X
i=1
hxi , yj i =
i=1
* k
X
i=1
x i , yj
= hx, j yi,
2
i
i
212
Cap. 10
10.4
i
i
10.4
213
(10.8)
i
i
214
Cap. 10
i
i
10.4
215
i
i
216
Cap. 10
10.5
Valores Singulares
i
i
10.5
217
Valores Singulares
2 0 0
0 1 0
AFigura 10.1:
A matriz A transforma a esfera S 2 R3 em uma elipse no R2 .
i
i
218
Cap. 10
= i wi
= 0
= i vi
= 0
para
para
para
para
D1 =
...
(10.9)
(10.10)
(10.11)
(10.12)
e T T (vi ) = 0, i = r + 1, . . . , n.
1
T (vi ).
i
i
i
10.5
219
Valores Singulares
hwi , wj i =
T vi = T T vi = i v i .
T wi = T
i
i
Seja {wr+1 , . . . , wm } uma base ortonormal de ker T . Esses vetores satisfazem
(10.12). De acordo com o Teorema 8.16, ker T = (im T ) . Assim, os vetores
{w1 , . . . , wm } formam uma base ortonormal de F , completando a prova.
2
Usualmente a base B ordenada de modo que 1 2 . . . r .
Sejam A uma matriz m n, En e Em as bases cannicas do Rn e Rm ,
respectivamente. Sejam B e C, respectivamente, as bases ortonormais do Rn e Rm
dados pelo Teorema 10.25. Ento, se denotamos por P a matriz PEBn e por Q a
matriz QECm , temos
A = QDP,
chamada decomposio em valores singulares da matriz A. Note que as matrizes P
e Q so ortogonais.
Observao 10.26 A decomposio matricial de A mostra que toda esfera no Kn
transformada num elipside k-dimensional no Km . De fato, as matrizes Q e P so
isometrias, enquanto D aumenta ou diminui o tamanho dos autovetores.
Exemplo 10.27 Consideremos a matriz real
1 1
A = 1 1 .
0 0
i
i
220
Cap. 10
0
1
1
w2 = 1 e w3 = 0 .
2
1
0
Portanto,
A = QDP =
1
2
1
2
0
2 0
0 0 0
0 0
0 1
1
2
1
1
2
1
2
1
2
1
.
i
i
10.5
Valores Singulares
221
i
i
222
10.6
Cap. 10
Exerccios
1. O Teorema 9.14 mostra que toda matriz simtrica congruente a uma matriz
diagonal. Dada a equivalncia entre os Teoremas 9.11 e 9.14, podemos
concluir que a Lei da Inrcia uma afirmao sobre matrizes simtricas. Ela
garante que, no Teorema 9.14, o nmero de termos positivos, negativos e
nulos na matriz diagonal D independe da mudana de varivel utilizada. Por
outro lado, sabemos que, se D for a diagonalizao da matriz A, ento os
elementos diagonais de D so os autovalores de A. Mas sabemos que os
autovalores de A independem da base na qual a matriz representada. Isso
no implica a Lei da Inrcia?
2. Considere a matriz simtrica
4 2 2
A = 2 4 2 .
2 2 4
i
i
10.6
Exerccios
223
i
i
224
2 i
i 2
Cap. 10
i
i
10.6
225
Exerccios
cos sen
sen cos
i
i
226
Cap. 10
i
i
11
Decomposies Matriciais
Neste Captulo estudaremos as decomposies matriciais de Cholesky, Schur
e QR. Os resultados que apresentaremos so bastante teis na lgebra Linear
Numrica.
11.1
A Decomposio de Cholesky
Note que o Lema 11.1 combinado com a Proposio A.4 garante que uma matriz
positiva definida A possui decomposio LU , obtida mediante a sucessiva aplicao
da operao elementar do tipo (c) matriz A. Em particular, A possui uma fatorao
LDU , a matriz diagonal D = (dii ) tendo seus elementos diagonais positivos. Mas,
como a matriz A simtrica, temos
LDU = A = At = U t DLt .
227
i
i
i
228
Decomposies Matriciais
0
0
d22
0
D1/2 = ..
..
.
.
dnn
0
0
Cap. 11
i
i
11.2
11.2
229
A Decomposio de Schur
A Decomposio de Schur
,
..
.
S
0
em que S uma matriz k k. Pela hiptese de induo, existe uma matriz unitria
V1 tal que T1 = V1 SV1 uma matriz triangular superior. Definimos ento
1 0 0
V = ..
.
.
V1
0
Claramente V unitria e
1 0 0
1
0
0
V (R AR)V = ..
..
.
.
V1
0
0
= ..
=
.
V1 SV1
0
1 0 0
0
..
S
V1
0
= T,
..
.
T1
0
i
i
230
Decomposies Matriciais
Cap. 11
11.3
A Decomposio QR
i
i
11.3
A Decomposio QR
231
Pk1
i=1
v1 = r11 q1
v2 = r12 q1 + r22 q2
..
..
.
.
rik qi .
(11.1)
vn = r1n q1 + . . . + rnn qn .
Definindo Q como a matriz cujas colunas so os vetores q1 , . . . , qn e R a matriz
triangular superior
R = ..
.. . .
.. = (r1 r2 rn ),
.
.
.
.
0
0 rnn
temos que a j-sima coluna da matriz QR
1
0
A=
1
1
1
1
1
0
1
1
.
1
1
i
i
232
Decomposies Matriciais
Cap. 11
3
15
10
10
15
3
15
10
0
5
5
Q = (q1 q2 q3 ) = 3
.
15
10
3
10
15
3
10
2 1515
3
5
3 3
3
hq1 , v1 i hq1 , v2 i hq1 , v3 i
15
15
10
hq3 , v1 i hq3 , v2 i hq3 , v3 i
0
0
5
Se Ax = b, ento QRx = b e, portanto, Rx = Qt b. Portanto, basta resolver
3
3 23 3 3
x
3
t
15
15
0
y = Q b = 2 1515 .
3
5
10
10
z
0
0
5
5
Obtemos imediatamente
0
x
y = 1 .
1
z
i
i
11.3
A Decomposio QR
233
R = (rij ) como sendo a matriz n r triangular superior dada por rij = hui , qj i.
Uma vez que Q uma isometria, temos kAxk = kQRxk = kRxk, de modo que
ker A = ker R. Assim, uma vez que A e R tm n colunas,
posto R = n ker R = n ker A = r = posto A.
Condensamos os nossos resultados no seguinte teorema:
Teorema 11.7 (Decomposio QR)
Seja A uma matriz real m n com posto r. Ento podemos escrever
A = QR,
sendo Q a matriz n r de uma isometria satisfazendo im A = im Q e R uma
matriz triangular superior n r de posto r.
Exemplo 11.8 (O problema dos quadrados mnimos - 3a. parte) Seja A uma
matriz real m n. Procuramos o vetor x tal que A
x seja a melhor aproximao
possvel para o vetor b. O vetor x, que melhor aproxima o vetor b, deve ser a
projeo ortogonal de b no espao im A (justifique!).
Vamos resolver esse problema usando a decomposio QR. Procuramos,
portanto, um vetor x tal que b (QR)
x seja perpendicular im Q = im A. Ora,
sabemos que (im Q) = ker Q . Assim, o vetor b (QR)
x pertence ao ncleo de
Q . Logo,
Q (b QR
x) = 0 R
x = Q b.
1 0 1
A = 0 1 2 = (v1 v2 v3 ).
1 1 3
t
vetores q1 = ((1/ 2) 0 (1/ 2)) e q2 = ((1/ 6) (2/ 6) (1/ 6))t . Assim,
1 1
2
Q= 0
1
2
6
2
6
1
6
i
i
234
Decomposies Matriciais
2
2
1
2
3
6
4
2
6
6
Cap. 11
cuja soluo
1
1
x
y = 2 1 + z 2 .
3
1
0
z
11.4
Exerccios
1. Seja A uma matriz simtrica invertvel. Mostre que A2 uma matriz positiva
definida.
2. Sejam E um espao euclidiano e T : E E um operador cujo polinmio
caracterstico tem suas razes no corpo K. Defina W = < v >, para algum
autovetor v de T e considere E = W W . Ento:
(a) T (W ) W ;
i
i
11.4
235
Exerccios
|i |
n
X
i,j=1
|aij |2
i
i
A
Matrizes Elementares e a
Decomposio LU
Seja A Mmn (K). Vamos mostrar como o escalonamento de uma matriz
pode ser interpretado em termos de uma decomposio da matriz A.
Uma matriz E elementar se puder ser obtida da matriz identidade m m por
meio da aplicao de uma operao elementar. O prximo resultado mostra que a
aplicao de uma operao elementar sobre as linhas da matriz A equivalente
multiplicao desse matriz por uma matriz elementar.
Proposio A.1 Seja e uma operao elementar sobre (as linhas de) a matriz
A Mmn (K) e E a matriz elementar e(I), sendo I a matriz identidade m m.
Ento e(A) = EA.
Demonstrao: A demonstrao deve ser feita para todos os tipos de operao
elementar. Consideraremos apenas a aplicao de uma operao elementar (c): a
linha j ser substituda pela soma da linha j com vezes a linha i. A matriz E,
nesse caso, dada por
1 0
...
..
.
0
..
.
0
..
.
1
linha j
coluna j
236
i
i
i
237
Ento
1 0
..
.
EA = 0 . . .
.
..
0 0
a11
..
a
+
= j1 ai1
..
.
am1
0
a11 a12
.. ..
. .
. . . 1 . . . 0 aj1 aj2
.
..
. ..
...
1
am1 am2
...
a12
...
a1n
..
.
aj2 + ai2
...
ajn + ain
..
.
am2
...
amn
...
...
...
a1n
..
.
ajn
..
.
amn
i
i
238
Cap. A
...
linha i
..
...
.
.
1
linha
,j
.
.
.
1
coluna j
O valor de ,j bj /bij , se bj e bij forem os primeiros elementos no-nulos das
linhas e i, respectivamente, da matriz Ek . . . E1 A. Se multiplicarmos todas as
matrizes que anulam os elementos bj , com > i, obteremos a matriz
1
...
Qj =
.
i+1,j
.
.
..
..
i+r,j
1
fcil verificar que Lj = Q1
existe e tem o mesmo formato da matriz dada.
j
Decorre da que, na decomposio LU da matriz A, todos os elementos da diagonal
principal da matriz L so iguais a 1.
Seja A uma matriz m n. Suponhamos que no tenha sido utilizada a operao
elementar (a) no escalonamento de A e que tenhamos chegado a exatamente n
i
i
239
.
.
.
0 unn ,
U = 0
0 0
0
.
..
..
.
0
0 0
com uii 6= 0, ento podemos decompor U = DU :
DU =
u11 0 0
0 u22 0
..
..
...
.
.
0
0
unn
0
0 0
..
..
.
.
0
0 0
0
0
..
.
0
0
..
.
0
0
..
.
0
0
..
.
0 0
1
0
0
0
..
..
.
.
0
0
i
i
240
Cap. A
EA = ..
.. .
.
.
0 bm2 bmn
Claramente a submatriz principal de EA
a11 a12
0 b22
resulta da submatriz principal de A
a11 a12
a21 b22
i
i
A.1
241
Exerccios
A.1 Exerccios
1. Demonstre a Proposio A.1 com relao s operaes elementares (a) e (b).
2. Mostre que toda matriz elementar tem inversa, e que essa inversa uma
matriz elementar. Mostre que uma matriz elementar surgida no processo de
escalonamento da matriz A uma matriz triangular inferior.
3. Mostre que o produto de matrizes triangulares inferiores (respectivamente,
superiores) uma matriz triangular inferior (resp., superior).
4. Justifique o algoritmo usualmente utilizado para se obter a inversa de uma
matriz.
5. D um exemplo mostrando que possvel ter A = LU = L U , com L, L
matrizes triangulares inferiores com elementos diagonais todos iguais a 1 e
U, U matrizes triangulares superiores. (Compare com a Proposio A.3.)
6. Considere uma matriz A que no tenha decomposio LU . Seja P o produto
de todas as transposies necessrias para tornar possvel o escalonamento de
A. Mostre que P A tem uma decomposio LU .
i
i
B
Funes de Matrizes:
Comparando Definies
Funes de matrizes so usualmente definidas em duas situaes: ou a funo
f suave nos autovalores da matriz diagonalizvel A = P 1 DP (com D diagonal)
e f (A) definida por P 1 f (D)P , sendo f (D) obtida ao se aplicar f em cada uma
das entradas diagonais de D, ou a funo f analtica e f (A) definida por meio
de uma expanso em srie de potncias de f . Em ambos os casos, a funo f
euclidiana com relao a m.
Nosso objetivo neste Apndice mostrar que o mtodo do clculo funcional
coincide com a definio usualmente empregada em livros tradicionais de lgebra
Linear. Por razes de simplicidade, mostraremos primeiro que a definio
no caso de uma matriz diagonalizvel (isto , f (A) = P 1 f (D)P , como
descrito anteriormente) coincide com a Definio 6.6. Contudo, esse caso est
completamente englobado por aquele de uma matriz na forma de Jordan, que ser
averiguado em seguida.
Comeamos pelo seguinte resultado auxiliar, que mostra como se aplica o
clculo funcional para uma matriz diagonal em blocos:
Lema B.1 Seja f uma funo euclidiana com relao matriz n n em blocos
A=
A1 0 0
0 A2 0
.
..
.. . .
. ..
.
.
0 0 A
242
i
i
i
243
Ento
f (A) =
f (A1 )
0
0
0
f (A2 )
0
..
..
..
...
.
.
.
0
0
f (A )
A1 0 0
0 A2 0
f (A) = a0 I + a1 ..
.. . .
..
.
. .
.
0 0 A
Am
0
0
A21 0 0
1
0 Am 0
0 A2 0
2
2
+a2 ..
..
..
.. + . . . + am ..
.. . .
...
.
.
.
.
.
.
.
2
0
0 Am
0 0 A
r(A1 )
0
0
0
r(A2 )
0
= ..
..
..
...
.
.
.
0
0
r(A )
Assim, o resultado estar provado se tivermos
f (Aj ) = r(Aj ).
Para j = 1, . . . , , sejam m e mj os polinmios mnimos de A e Aj ,
respectivamente. Como m(A) = 0, necessariamente cada bloco Aj anulado por
m. Pelo Lema 5.14, temos que m um mltiplo de mj . Como vimos antes da
observao 6.8, isso implica que f (Aj ) = r(Aj ).
2
Consideremos ento o caso de uma matriz diagonalizvel A. Seja, portanto,
f uma funo definida nos autovalores da matriz A = P 1 DP (sendo D matriz
diagonal). A definio usual de f (A) P 1 f (D)P .
De acordo com o Lema B.1, para calcularmos f (D) segundo a Definio 6.6,
basta calcularmos f em cada um dos n blocos diagonais D1 = 1 , . . . , Dn = n
i
i
244
Cap. B
f (1 )
0
0
0
f (2 )
0
f (D) = r(D) = ..
..
.. .
.
.
.
.
.
.
0
0
f (n )
Mas ento
J1 0 0
0 J2 0
J = ..
..
.. . .
.
.
.
.
0 0 Jk
sendo que os blocos Ji possuem a forma
i 1 0 0
0 i 1 0
0 0 i 1
0 0 0 i
i
i
245
(k1)
f ()
0
f
()
1!
.
..
..
.
...
...
(B.1)
=
..
.
.
f ()
0
0
f ()
1!
0
0
0
f ()
Comparando essa expresso, obtida por meio da Definio 6.6, com a definio
de funo de matriz na forma de Jordan1 vemos que elas coincidem.
No caso de blocos k k, com 1 k < d, basta ento notarmos que o polinmio
procurado sempre dever ter grau k 1, pois o polinmio mnimo do bloco (que
coincide com o polinmio caracterstico) tem grau k. Assim, a expresso obtida
continua vlida para qualquer bloco k k.
Para passarmos dos blocos para a matriz na forma cannica de Jordan basta
empregarmos o Lema B.1.
Em [32], o fluxo eJt de uma matriz J na forma cannica de Jordan explicitamente calculado.
Trocando-se a funo exp zt por uma funo f suficientemente suave, obtemos ento uma expresso
idntica equao (B.1). Veja, a esse respeito, [29].
1
i
i
C
Decomposio Primria
O objetivo deste Apndice apresentar uma demonstrao "tradicional" do
Teorema da Decomposio Primria.
Dizemos que dois polinmios p, q K[t] so primos entre si, se o nico
polinmio mnico que dividir tanto p quanto q for o polinmio 1.
Lema C.1 Sejam p, q K[t]. Se p e q forem primos entre si, ento existem
polinmios a, b K[t] tais que
ap + bq = 1.
Demonstrao: Seja I o conjunto de todos os polinmios da forma ap + bq, com
a, b K[t]. Como I possui elemento no-nulo, existe em I um polinmio no-nulo
de menor grau, que chamaremos d = ap + bq.
Afirmamos que d divide tanto p quanto q. De fato, se d no dividisse p, por
exemplo, teramos p = md + r, em que o grau de r menor do que o grau de d.
Como p e d esto em I, r = p md I, o que contradiz a escolha de d. Logo
r = 0, mostrando o afirmado.
Como p e q so primos entre si, d tem grau zero, isto , d uma constante,
digamos k. Como k 6= 0, escolhendo a = a/k e b = b/k temos
ap + bq = 1.
246
i
i
i
247
i
i
248
Decomposio Primria
Cap. C
i
i
249
(C.1)
(C.2)
Se ri > di ainda temos Nmi Nqi , pois a definio de di garante que Nqi = Nmi .
Em outras palavras, a decomposio (C.2) sempre vlida e, tendo em conta o
Lema C.6, provamos a decomposio afirmada no enunciado do teorema.
Vamos agora provar que ri = di . Denotando Ti = T |Wi , temos que qi (Ti ) = 0,
pela definio de Wi . Assim (q1 . . . qj )T = 0 e, como m(t) o polinmio mnimo
de T , m(t) divide q1 (t) . . . qj (t) e portanto ri di . Mas a definio de di garante
a existncia de x Wi tal que x 6 [pi (T )]ri para ri < di . Como Nmi Nqi , isso
contradiz a existncia das decomposies (C.1) e (C.2). Logo ri = di .
2
i
i
250
Decomposio Primria
Cap. C
A1 0 0
0 A2 0
TB = A = ..
.. . .
.. ,
.
. .
.
0 0 Aj
em que Ai um bloco de tamanho ki ki , em que ki a dimenso de Wi . Assim
det(tI A) = det(tI A1 ) det(tI Aj ).
(C.3)
i
i
251
i
i
D
Forma Cannica de Jordan
Neste Apndice apresentamos uma demonstrao direta (isto , sem utilizar o
Teorema Espectral 7.3 ou o Teorema da Decomposio Primria) da existncia e
"unicidade" da forma cannica de Jordan de uma matriz complexa.
Definio D.1 Sejam 1 , . . . , j os autovalores distintos de uma matriz J, n n.
A matriz J est na forma cannica de Jordan se
i 1 0 0
J1 0 0
0 i 1 0
0 J2 0
.. .. . .
.
.
.
.
J = ..
.
. . ,
.. . .
.. , em que Ji = . .
.
. .
.
0 0 i 1
0 0 Jk
0 0 0 i
(Ao autovalor i est associado pelo menos um bloco Ji ; s vezes se define Ji com
a sub-diagonal de 1s situando-se abaixo da diagonal principal. O bloco Ji pode
ser uma matriz 1 1.) O bloco Ji um bloco de Jordan associado ao autovalor i .
Note que o polinmio caracterstico da matriz J da forma
p(z) = (z 1 )s1 . . . (z j )sj .
252
i
i
i
253
Se B = {v1 , . . . , vr }, ento
T (v1 ) = v1
e T (vk ) = vk1 + vk ,
i
i
254
Cap. D
i
i
255
8
0
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
8
8
0
0
0
8
8
0
0
8
O polinmio caracterstico de A
p(z) = z 3 (z 8)2 .
i
i
256
Cap. D
claro que uma base para U := im A dada por {e1 , e2 , e5 }. Assim, o operador
A|U representado por uma matriz 3 3
8 0 8
B = 0 0 8 .
0 0 8
Note que essa matriz equivale eliminao das terceiras e quartas linhas e colunas
da matriz A. Note tambm que (B) = (A) e que o autovalor 8 tem multiplicidade
2.
Para obtermos uma base que coloca B na forma cannica de Jordan, aplicamos
mais uma vez o mesmo mtodo. Claramente o espao coluna de B gerado pelos
vetores x1 = e1 e x2 = e2 + e5 . (Observe que, s segunda e terceira linhas de
B correspondem os vetores e2 e e5 , respectivamente.) Alm disso, Bx1 = 8x1
e Bx2 = 8x2 + 8x1 . Chegamos ento a uma cadeia de Jordan se mudarmos de
escala: definimos u1 = 8x1 e u2 = x2 . Ento Bu1 = 8u1 e Bu2 = 8u2 + u1 .
Assim, a cadeia associada ao autovalor 8 da matriz A est completa (pois 8 raiz
de multiplicidade 2 do polinmio caracterstico de A):
0
8
1
0
e u2 = 0
0
u1 =
0
0
1
0
Isso significa que todos os vetores necessrios para colocar B na forma cannica
de Jordan j foram encontrados e conclui o primeiro passo na obteno da forma
cannica de Jordan da matriz A: a obteno de uma base para im B.
O espao ker A obviamente tem dimenso 2 e gerado pelos vetores e2 e e3 .
A sua interseo com im A gerada por e2 . Isso quer dizer que existe soluo
x R5 para o problema
Ax = e2 .
i
i
257
A soluo geral de Ax = u3 = e2
1/8
0 + x2
1/8
0
x=
1
0
0
1
0
0
1
0
0
0
+ x3
0
0
1
0
0
= e4 e1 ,
0 0
0
8 1
0 8
0 0 0
1
0
0 1
0 0
P AP = J =
.
0
0 0
0 0
0 0
0 0
(0)
Com uma pequena variao sobre o mtodo de Filippov, podemos aumentar sua
aplicabilidade. Apresentaremos essa modificao no decorrer do prximo exemplo:
Exemplo D.4 Seja
A=
2
1
1
0
1
0
0
2
0
1
1
0
0
0
2
0
1
0
0
0
0
2
1
0
0 0
0 0
0 0
0 0
2 0
1 1
i
i
258
Cap. D
0 0 0 0 0 0
1 0 0 0 0 0
1 0 0 0 0 0
B=
0 1 0 0 0 0 .
1 1 1 1 0 0
0 0 0 0 1 3
0 0 0 0 0 0 b1
1 0 0 0 0 0
b2
1 0 0 0 0 0 b2
0 1 0 0 0 0
b4
1 0 0 0 0 0 b3
0 0 1 1 0 0 b5 b2 b4 .
0 1 0 0 0 0 b4
0 0 0 0 1 3
b6
1 1 1 1 0 0 b5
0 0 0 0 0 0
b
+
b
3
2
0 0 0 0 1 3
b6
0 0 0 0 0 0
b1
Assim, uma base para ker B dada por
0
0
0
0
x4
= x4 1
x4
1
3x6
0
x6
0
+ x6
0
0
0
0
3
1
0
0
0
0
1 0 0
0
1 0 0
, , e 0 .
0 1 0
0
1 1 1
0
0
0
0
1
i
i
259
u=
0 .
3
1
O segundo autovetor associado a 0 no pertence a ker B im B e dado por
0
0
1
v=
1
0
0
x=
0
0
3
0
1
0
0
0
1
1
0
0
0
0
0
0
3
1
i
i
260
Cap. D
0
0
0
u3 =
3
4
1
0
3
0
x=
7
1
0
+ 1
0
0
0
0
0
0
3
1
+ 0
3
1
0
3
3
u4 =
4
3
34
3
4
0
,
v5 =
5
4
3
0
vetor que no est em im B + ker B.
i
i
261
(1) 0 0 0 0 0
0
2 1 0 0
0
0
0
2
1
0
0
J =
0 0 2 1 0 .
0
0
0 0 0 2
0
0 0 0 0
0
(2)
No prximo resultado, como no Teorema D.2, no necessrio que X seja
um espao complexo, mas apenas que todos os fatores irredutveis do polinmio
caracterstico p do operador T : X X tenham grau igual a um.
Corolrio D.5 (Teorema Espectral)
Sejam X um espao vetorial complexo de dimenso n e T : X X um
operador linear com polinmio caracterstico
p(z) = (z 1 )s1 (z )s ,
em que os autovalores i , i = 1, . . . , so distintos.
Ento, existem subespaos W1 , . . . , W invariantes por T tais que
X = W1 W .
Alm disso, dim Wi = si , o polinmio mnimos mi de T |Wi mi = (z i )di
e Wi = ker(T i I)di , em que 1 di si o comprimento do maior bloco de
Jordan associado ao autovalor i .
Demonstrao: Basta definir Wi como o espao gerado pelos vetores de todas as
cadeias de Jordan correspondentes ao autovalor i na forma cannica de Jordan.
claro que o polinmio mnimo de T |Wi justamente o comprimento di da
maior cadeia de Jordan presente em Wi . Assim, todo elemento de Wi pertence a
ker(T i I)di . A reciproca obtida ao se representar T numa base na qual T
assume uma forma de Jordan.
2
Esse resultado nos indica como obter diretamente os subespaos Wi : vale
ker(T i I) ( ( ker(T i I)di = ker(T i I)di +1 = = ker(T i I)si .
(D.1)
i
i
262
Cap. D
i
i
D.1
263
Exerccios
D.1 Exerccios
1. Mostre que os elementos de uma cadeia de Jordan so linearmente
independentes.
2. Prove diretamente que os vetores vi , ui e wi da demonstrao da forma de
Jordan (Teorema D.2) so linearmente independentes.
3. Considere um operador T : X X, cuja representao matricial na base
B uma matriz J na forma cannica de Jordan. Mostre a existncia de
uma decomposio T = D + N , com D diagonalizvel, N nilpotente e
DN = N D.
4. Complete os detalhes da demonstrao do Teorema D.6. Para isso, confira
os resultados citados naquele esboo de demonstrao nos exerccios do
Captulo 7.
i
i
E
Sistemas de Equaes
Diferenciais Lineares
Neste Apndice mostraremos brevemente como o clculo funcional pode ser
aplicado no estudo de um sistema (linear) de equaes diferenciais ordinrias. No
temos a pretenso de ser completo ou auto-suficiente: apenas apresentamos algumas
definies bsicas e expomos, utilizando o clculo funcional, a demonstrao de
alguns resultados clssicos.
Resolver um sistema linear de equaes diferenciais, com n equaes (de
primeira ordem) com coeficientes constantes, significa encontrar n funes
continuamente diferenciveis1 x1 , . . . , xn : R R que satisfaam o sistema
x1 = a11 x1 + . . . + a1n xn + b1
x2 = a21 x1 + . . . + a2n xn + b2
..
..
..
..
. =
.
.
.
xn = an1 x1 + . . . + ann xn + bn .
t
Definindo a funo x : R Rn por x(t) = x1 (t) . . . xn (t) , verificamos que
esse sistema pode ser escrito na forma
x = Ax + b,
em que x (t) o vetor obtido derivando-se cada uma das coordenadas do vetor x(t)
e b = (b1 . . . bn )t .
Em consonncia com a nomenclatura empregada no caso de sistemas lineares
(veja a Seo 3.3), se b = 0, o sistema homogneo; caso contrrio, ele chamado
no-homogneo.
1
264
i
i
i
265
(E.1)
(E.2)
Como cada uma das parcelas da integral anterior uma funo contnua, o
Teorema Fundamental do Clculo garante que
u (t) = |x1 (t) y1 (t)| + . . . + |xn (t) yn (t)|.
Z t
Z t
Mas xi (t) =
xi (s)ds, yi (t) =
yi (s)ds e
t0
Z
|xi (t) yi (t)| =
t0
t0
xi (s)
Portanto,
Z t
xi (s) yi (s)ds,
yi (s) ds
u (t)
t0
n Z
X
i=1
i {1, . . . , }.
t0
(E.3)
Suponhamos que xi (t) yi (t) 6= 0 para algum i {1, . . . , n}. Tome M > 0
tal que xi (t0 ) 6= yi (t0 ) para algum t0 I = [t0 M, t0 + M ]. Ento, se t I,
podemos encontrar > 0 tal que (veja o Exerccio 1)
n Z t
n Z t
X
X
t0
i=1
t0
i
i
266
Cap. E
d t
e u(t) 0.
dt
i
i
267
t R.
(E.4)
i
i
268
Cap. E
ou
exp(At).
i
i
269
i
i
270
Cap. E
= tdi 1 ei t ,
Resolvendo o sistema ri (i ) = ei t , ri (i ) = tei t , . . . , ri i
obtemos os coeficientes ai = ai (t). fcil verificar que esses coeficientes tm a
forma ei t P (t), em que Pi (t) um polinmio na varivel t, com grau menor ou
igual a di 1. Uma vez que
ri (Ai ) = adi 1 (t)(Ai i I)di 1 + . . . + a1 (t)(Ai i I) + a0 (t)I.
e que uma base de solues de x = Ai x dada pelas colunas da matriz eAi t , vemos
que essas solues tm a forma
Pdi (t)ei t ,
em que os polinmios vetoriais Pdi (t) tm grau di 1 e so obtidos ao se multiplicar
ai (t) = ei t Pi (t) pelas colunas de potncias da matriz A, isto , ao calcular
explicitamente ri (A).
Consideremos agora o caso de uma matriz real A que possua "autovalores"
complexos. Para cada par , = i, a expanso et = et (cos tisen t) gera
um par de solues reais et cos t, et sen t. Desse modo, as solues associadas
ao par de autovalores , so da forma
P (t)et cos t,
P (t)et sen t,
i
i
E.1
271
Exerccios
e x = Bx
E.1 Exerccios
1. Na demonstrao do Teorema E.1, mostre, detalhadamente, que existe uma
constante > 0 tal que u u.
2. Consideremos uma equao diferencial de ordem n
y (n) (t) = f (t, y(t), y (t), . . . , y (n1) (t)).
(E.5)
i
i
272
Cap. E
x1 = x2
x = x3
2
(E.6)
..
..
.
.
x = f (t, x , . . . , x ).
n
n1
5. Sejam (t) e (t) duas solues do sistema matricial (E.4), sendo (t) uma
matriz fundamental do sistema x = Ax. Mostre que existe uma nica matriz
C Mnn tal que, para todo t (, ), vale
(t) = (t)C.
Em particular, tambm uma matriz fundamental de x = Ax se, e somente
se, C tem inversa.
6. (Mtodo de Variao dos Parmetros) Seja X(t) uma matriz fundamental
de x = Ax. Dada a soluo (t) de x = Ax + B, com (t0 ) = Rn ,
mostre que
Z t
1
1
(t) = X(t) X (t0 ) +
X (s)B(s)ds .
t0
i
i
E.1
273
Exerccios
U (t) = eAt
para todos
s, t R.
i
i
F
Espaos Normados
O presente apndice uma adaptao da abordagem feita por E. Lima [23] para
o tratamento de espaos normados.
Se X e Y forem espaos vetoriais normados, nem toda aplicao linear T :
X Y contnua. Para mostrarmos esse fato, comeamos com a caracterizao
das aplicaes lineares contnuas:
Teorema F.1 Sejam X e Y espaos normados e T : X Y uma aplicao linear.
So equivalentes as propriedades:
(i) T contnua na origem;
(ii) sup kT xk = M < (T limitada);
kxk=1
i
i
275
i
i
276
Espaos Normados
Cap. F
Demonstrao: Se x = x1 e1 + . . . + xn en , definindo = kT e1 k + . . . + kT en k,
temos
n
n
X
X
kT xk =
|xi | kT ei k max |xi |
kT ei k = kxk .
2
i=1
i=1,...,n
i=1
Seja A Mmn (K) uma matriz. Identificando Mmn (K) com Kmn , podemos
introduzir uma noo natural de norma em Mmn (K) e transform-lo num espao
normado. Contudo, seguiremos um caminho mais geral: se T : X Y for uma
aplicao linear contnua, definiremos diretamente norma de uma aplicao linear
kT k.
i
i
277
i
i
278
Espaos Normados
Cap. F
F.1 Exerccios
1. Seja X um espao normado. Mostre que a aplicao x X 7 kxk R+
uma aplicao contnua. Mostre que, se xn x X, ento kxn k kxk.
Mostre que as aplicaes (x, y) X X 7 x + y X e (, x) C X 7
x X so contnuas (os espaos X X e CX esto providos da topologia
produto).
2. Sejam X1 , . . . , Xn e Y espaos normados e T : X1 Xn Y
uma aplicao n-linear. Se (x1 , . . . , xn ) X1 Xn , mostre que so
equivalentes as propriedades:
(a) T contnua;
(b) T contnua na origem;
(c)
sup
kx1 k=...=kxn k=1,
(d) existe C > 0 tal que kT (x1 , . . . , xn )k C[kx1 k kxn k] para todo
(x1 , . . . , xn ) X1 Xn ;
Conclua que tanto a funo determinante como a multiplicao de um vetor
por um escalar so aplicaes contnuas.
3. Seja X um espao normado. Mostre que, se dist (, ) : X X R+ for
uma distncia1 gerada por uma norma (isto , dist (x, y) = kx yk), ento
ela satisfaz
(a) dist (x + z, y + z) = dist (x, y) para todos x, y, z X (invarincia por
translao);
(b) dist (x, y) = || dist (x, y) (homotetia).
Reciprocamente, se X for um espao mtrico e se dist for uma distncia em
X que satisfaz (a) e (b), ento dist gerada por uma norma.
4. Seja (X, dist) um espao mtrico. Mostre que qualquer conjunto compacto
K X um conjunto limitado e fechado. Verifique tambm que a
1
i
i
F.1
279
Exerccios
sup
kxk=1=kyk
|hT x, yi|.
i
i
Lista de Smbolos
K, R, C
X
Kn , F, K[z], Kn [z]
B
[x]B
E
A + B, U + V, U V
, X/Y
x1 x2 mod Y, [x], x + Y, X
Y
<S>
ker T
K
T 1
, cl(x)
X1 X2
X
ij
X
S 0 , Y 00
T
1
1
2
3
5
5
6
8
11
11
11
12
13
14
15
16
17
20
21
21
24
25
26
28
29
30
30
32
33
280
i
i
i
TK , TBC , (X, B)
PBB , QCC
TB
h, zi
D(c1 , . . . , cn )
Aij
pi
det A
(p), (A)
tr A
tr T, det T
W (f1 , . . . , fn )(t)
X , (T )
j
Tj , T |Wj
q(T )
z, XC , TC
A,
A, K[T ]
f (T )
eAt
x(t), A(t)
J, Ji
Nk
E, hx, yi
kxk
xy
Re z
Y , (Y )
T
kAk
G(v1 , . . . , vn )
P(v1 , . . . , vk ), P(v1 , . . . , vk )
B(x, y), S(X), L2 (X)
q
qB
41
42
43
46
57
60
62
63
65
65
72
73
75
80
83
83
85
87
90
91
100
106
107
127
127
152
153
153
155
159
163
175
179
183
186
190
190
i
i
194
199
205
i
i
Referncias Bibliogrficas
[1] J. F. Andrade: Um Exemplo (simples) de um Operador Auto-adjunto sem
Autovalores e Outros Exemplos, Matemtica Universitria 37 (2004), 9-14.
[2] H. Anton e C. Rorres: Elementary Linear Algebra: Applications version, 6th.
edition, Wiley, New York, 1991.
[3] R. Bellman: Introduction to Matrix Analysis, McGraw-Hill Book Company,
New York, 1960. (Republicado na srie "Classics in applied mathematics",
SIAM, 1995).
[4] G. Birkhoff e S. MacLane: lgebra Moderna Bsica, 4a. Edio, Editora
Guanabara Dois, Rio de Janeiro, 1980.
[5] H. P. Bueno: Functions of Matrices, Cubo 5 (2003), no. 3, 31-54.
[6] H. P. Bueno, G. Ercole e A. Zumpano: Introduo Anlise Funcional, em
preparao.
[7] L. Debnath e P. Mikusinski: Introduction to Hilbert spaces with applications,
Academic Press, Boston, 1990.
[8] N. Dunford e J. T. Schwartz: Linear Operators I, Interscience, New York,
1968.
[9] F. R. Gantmacher: The Theory of Matrices, vol. 1 and 2, Chelsea Publishing
Co., New York, 1959.
[10] I. M. Gelfand: Lectures on Linear Algebra, Interscience, New York, 1961.
[11] G. Golub e C. Van Loan: Matrix Computations, 2nd. Edition, Johns Hopkins,
Baltimore, 1989.
283
i
i
i
[12] J. I. Hall: Another Elementary Approach to the Jordan Form, Amer. Math.
Monthly 98 (1991), no. 4, 336-340.
[13] P. R. Halmos: Finite Dimensional Vector Spaces, Springer, 1974.
[14] P. R. Halmos: Linear Algebra Problem Book, The Mathematical Association
of America, Washington, DC, 1995.
[15] M. Hirsch and S. Smale: Differential Equations, Dynamical Systems and
Linear Algebra, Academic Press, New York, 1974.
[16] K. Hoffman e R. Kunze: lgebra Linear, 2a. edio, Livros Tcnicos e
Cientficos Editora, Rio de Janeiro, 1979.
[17] A. N. Kolmogorov e S. V. Fomin: Elementos de la Teoria de Funciones y del
Analysis Funcional, Mir, Moscu, 1975.
[18] S. Lang: Estruturas Algbricas, Livros Tcnicos e Cientficos Editora, Rio de
Janeiro, 1972.
[19] S. Lang: lgebra Linear, Editora Edgard Blcher/Editora Universidade de
Braslia, So Paulo, 1971.
[20] P. D. Lax: Linear Algebra, Wiley-Interscience Publication, New York, 1997.
[21] S. J. Leon: lgebra Linear com Aplicaes, 4a. Edio, Livros Tcnicos e
Cientficos Editora, Rio de Janeiro, 1999.
[22] E. L. Lima: lgebra Linear, 2a. edio, IMPA, Rio de Janeiro, 1996.
[23] E. L. Lima: Anlise no Espao Rn , 2a. edio, IMPA, Rio de Janeiro, 2002.
[24] E. L. Lima: Curso de Anlise, volume 2, 6a. edio, IMPA, Rio de Janeiro,
2000.
[25] V. V. Prasolov: Problems and Theorems in Linear Algebra, Translations
of Mathematical Monographs vol. 134, American Mathematical Society,
Providence, Rhode Island, 1994.
[26] M. Reed e B. Simon: Methods of Modern Mathematical Physics, vol. I,
Academic Press, New York, 1972.
i
i
[27] W. Rudin: Real and Complex Analysis, 3rd. Edition, McGraw-Hill, New
York, 1987.
[28] N. C. Saldanha e C. Tomei: Spectra of Regular Polytopes, Discrete &
Computational Geometry 7 (1992), 403-414.
[29] R. J. Santos: lgebra Linear e Aplicaes, Imprensa Universitria da UFMG,
Belo Horizonte, 2004.
[30] R. J. Santos: Introduo s Equaes Diferenciais Ordinrias, Imprensa
Universitria da UFMG, Belo Horizonte, 2005.
[31] G. E. Shilov: Linear Algebra, Dover, New York, 1977.
[32] J. Sotomayor: Lies de Equaes Diferenciais Ordinrias, IMPA, Rio de
Janeiro, 1979.
[33] G. Strang: Linear Algebra and its Applications, 3rd. edition, Harcourt, Fort
Worth, 1988.
i
i
i
i
ndice Remissivo
adjunta, 163
de uma aplicao linear, 21
adjunta clssica, 71
lgebra, 90
com unidade, 90
comutativa, 90
alternativa de Fredholm, 167
anulador, 94
de um subconjunto, 20
aplicao linear
adjunta, 21, 163
anti-hermitiana, 171
anti-simtrica, 171
antiauto-adjunta, 171
auto-adjunta, 171
positiva definida, 205
positiva semidefinida, 205
auto-espao, 80
autovalor, 80
autovetor, 80
bloco de uma, 83
complexificao de uma, 88
determinante de uma, 73
diagonalizvel, 78, 80
espao invariante por uma, 83
grfico de uma, 183
hermitiana, 171
imagem de uma, 30
inversa de uma, 12
ncleo de uma, 30
nilpotente, 115
normal, 171
polinmio caracterstico de uma, 80
projeo, 83
que preserva produto interno, 170,
181
representao em bases, 41
semi-simples, 151
simtrica, 171
trao de uma, 73
transposta, 21, 31, 45
valores singulares, 218
aplicaes lineares
diagonalizao simultnea de, 148,
212, 226
equivalentes em bases, 54
produto de, 26
unitariamente equivalentes, 225
autovalor
dependncia contnua, 95
ndice de um, 120, 262
multiplicidade algbrica, 80
multiplicidade geomtrica, 150
autovetor, 80
autovetores, 80
generalizados, 120, 262
base, 3
cannica do Kn , 5
de Jordan, 129
dual, 16
287
i
i
i
ortogonal, 156
ortonormal, 156
positivamente orientada, 59
Bessel
desigualdade de, 178
bidual, 17
bloco
cclico, 140
de Frobenius, 140
de Jordan, 127, 252
gerador, 3
linearmente dependente, 3
linearmente independente, 3
ortogonal, 156
coordenadas de um vetor, 5
cosseno
de um operador, 108
de uma matriz, 108
Cramer
regra de, 57, 70
caminho, 107
derivada de um, 107
diferencivel, 107
vetor velocidade, 107
Cauchy-Schwarz
desigualdade de, 154
Cayley-Hamilton
teorema de, 86
Cholesky
decomposio de, 228
codimenso 1, 20
combinao linear, 3
compacto, 174
complemento
de Schur, 76
ortogonal, 159
complexificao
de um espao vetorial, 88
de um operador, 88
congruncia de matrizes, 198
conjugado
de um vetor, 87
de uma matriz, 87
conjunto
ortonormal, 156
compacto, 174
decomposio
LDU , 239
LU , 237
QR, 230, 233
de Cholesky, 228
de Frobenius, 141
de Schur, 229
em valores singulares de A, 219
reduzida, 220
polar, 221
racional, 141
desigualdade
de Bessel, 178
de Cauchy-Schwarz, 154, 197
de Hadamard, 184
de Schur, 235
determinante
da matriz de Gram, 184
da matriz transposta, 67
de uma aplicao linear, 73
de Vandermonde, 74
do produto de matrizes, 68
existncia do, 60
expanso em cofatores, 61, 68
unicidade do, 64
determinante e volume, 184
i
i
de um operador, 106
diagonalizao simultnea
de uma matriz, 106
de duas formas quadrticas, 226
de operadores diagonalizveis, 148
fatores irredutveis, 141
de operadores normais, 212
de produto interno e matriz hermiti- fluxo linear, 105, 106, 268
forma, 186
ana, 226
auto-adjunta, 186
distncia, 278
bilinear, 186, 199
equivalncia em bases
no-degenerada, 200
de aplicaes lineares, 54
simtrica, 186, 199
espao mtrico, 278
cannica de Jordan, 127, 252
espao vetorial, 1
unicidade, 131
coluna, 29
posto de uma, 197
com produto hermitiano, 152
quadrtica
com produto interno, 152
hermitiana, 190
complexificao de um, 88
indefinida, 194
de dimenso finita, 3
negativa definida, 194
de dimenso infinita, 3
negativa semidefinida, 194
dual, 15
positiva definida, 194
euclidiano, 152
positiva semidefinida, 194
finitamente gerado, 3
simtrica, 190
gerado pelo T -anulador de x, 140
representao matricial, 188
gerado por um subconjunto, 11
sesquilinear, 186
hermitiano, 152
antiauto-adjunta, 186
linha, 30
hermitiana, 186
normado, 153
Fredholm
subespao trivial, 10
alternativa de, 167
unitrio, 152
Frobenius
espaos vetoriais
bloco de, 140
canonicamente isomorfos, 10
decomposio de, 141
isomorfos, 2
funo
linearmente homeomorfos, 275
analtica, 110
normados
de matriz, 96
homeomorfismo de, 274
definio, 100
determinante, 57
soma direta de, 14
existncia da, 60
espectro, 80
unicidade da, 64
exponencial
i
i
euclidiana
com relao a um operador, 100
com relao a um polinmio, 96
com relao a uma matriz, 100
holomorfa, 110
funcional linear, 2, 15
grfico de uma aplicao linear, 183
Gram
matriz de, 179, 184
Gram-Schmidt
ortogonalizao de, 158
Lagrange
teorema de, 191
Legendre
polinmios de, 177
lei da inrcia, 195
Liouville
teorema de, 272
logaritmo
de um operador, 108
de uma matriz, 108
matriz, 24
anti-simtrica, 13
Hadamard
aumentada de um sistema, 33
desigualdade de, 184
auto-adjunta, 171
homeomorfismo, 274
conjugada, 87
homomorfismo
cosseno, 108
de lgebras, 91
de Gram, 179, 184
determinante da, 184
identidade
de permutao, 62
de polarizao, 156, 197, 200
de rotao, 24
do paralelogramo, 156, 196
decomposio
ndice de um autovalor, 120, 262
LDU , 239
inversa, 12
LU , 237
de Moore-Penrose, 221
QR, 230
isometria, 168
de Cholesky, 228
que preserva a origem, 168
de Schur, 229
isomorfismo, 2
em valores singulares de A, 219
cannico, 10
diagonal em blocos, 84
de espaos com produto interno, 181
elementar, 236
entrada de uma, 24
Jordan
escalonamento de uma, 34
base de, 129
espao coluna, 29
bloco de, 127, 252
espao linha, 30
cadeia de, 253
exponencial, 106
forma cannica de, 127, 252
fluxo de uma, 106
unicidade, 131
forma cannica de Jordan, 127, 252
forma real, 137
i
i
unicidade, 131
forma de Jordan real, 137
forma escalonada, 33
reduzida por linhas, 34
hermitiana, 171
inversa, 28
logaritmo, 108
mudana de base, 42
no-negativa, 112
negativa definida, 194
negativa semidefinida, 194
norma de uma, 175
positiva, 112
positiva definida, 179
relao com produto interno, 179
positiva semidefinida, 194
posto de uma, 32
pseudo-inversa, 221
quadrada, 24
que representa uma aplicao linear,
24
que representa uma forma, 188
raiz quadrada, 108
seno, 108
simtrica, 13, 171
submatriz, 24
submatriz principal, 199
trao de uma, 72
transposta, 30
triangular inferior, 75
triangular superior, 75
triangular superior em blocos, 76
matrizes
congruentes, 198
equivalentes por linha, 34
ortogonalmente equivalentes, 226
produto de, 28
semelhantes, 72
menor principal, 199
Moore-Penrose
inversa de, 221
mudana de varivel linear, 191
multiplicidade
algbrica de um autovalor, 80
de um fator irredutvel, 250
de uma raiz, 91
geomtrica de um autovalor, 150
norma, 153
de uma aplicao linear, 276
de uma matriz, 175
gerada pelo produto interno, 155
operaes elementares
sobre as linhas de uma matriz, 33
operador, 2
anti-hermitiano, 171
anti-simtrico, 171
antiauto-adjunto, 171
auto-adjunto, 171
positivo semidefinido, 205
bloco de um, 83
complexificao de um, 88
diagonalizvel, 78, 80
espao invariante por um, 83
funo de um
exponencial, 106
logaritmo, 108
raiz quadrada, 108
seno, 108
hermitiano, 171
nilpotente, 115
normal, 171
ortogonal, 171
polinmio caracterstico de um, 80
i
i
i
i
i
i
i
i