P. 1
apostila_algebralinear

apostila_algebralinear

2.0

|Views: 21.225|Likes:
Publicado porlrpgustavo

More info:

Published by: lrpgustavo on Sep 04, 2010
Direitos Autorais:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/14/2013

pdf

text

original

Sections

  • MATRIZES E SISTEMAS
  • 1.1 Tipos de matrizes
  • 1.2 Operações com matrizes
  • 1.3 Matriz escalonada
  • 1.4 Cálculo da inversa
  • 1.5 Determinantes
  • 1.6 Sexta lista de exercícios
  • 1.7 Sistema de equações lineares
  • 1.7.1 Introdução
  • 1.7.2 Sistemas e matrizes
  • 1.7.3 Solução de um sistema por matriz inversa
  • 1.8 Sétima lista de exercícios
  • 1.9 Apêndice
  • 1.9.1 Cálculo da inversa por adjunta
  • 1.9.2 Regra de Cramer
  • ESPAÇOS VETORIAIS
  • 2.1 Introdução
  • 2.2 Subespaços
  • 2.3 Intersecção de dois Subespaços Vetoriais
  • 2.4 Combinação Linear
  • 2.5 Dependência e Independência Linear
  • 2.6 Subespaços Gerados
  • 2.7 Soma de Subespaços
  • 2.8 Base e Dimensão de um Espaço Vetorial
  • 2.8.1 Base
  • 2.8.2 Dimensão
  • 2.8.3 Dimensão da Soma de Subespaços Vetoriais
  • 2.8.4 Coordenadas
  • 2.9 Mudança de Base
  • 2.10 A Inversa da Matriz de Mudança de Base
  • 2.11 Oitava lista de exercícios
  • TRANSFORMAÇÕES LINEARES
  • 3.1 Propriedades das Transformações Lineares
  • 3.2 Transformações Lineares e Matrizes
  • 3.2.1 Transformação linear associada a uma matriz
  • 3.2.2 Matriz de uma transformação linear
  • 3.3 Composição de transformações lineares
  • 3.4 A Inversa de uma transformação linear
  • 3.5 Nona lista de exercícios
  • 4.1 Transformações especiais no plano e no es- paço
  • 4.2 Propriedades dos operadores inversíveis
  • 4.2.1 Matrizes Semelhantes
  • 4.3 Operadores autoadjuntos e ortogonais
  • 4.4 Décima lista de exercícios
  • 4.5 Autovalores e Autovetores
  • 4.5.1 Autovalores e autovetores de uma matriz
  • 4.5.2 Polinômio Característico
  • 4.6 Décima primeira lista de exercícios
  • APLICAÇÕES
  • 5.1 Aplicações da Álgebra Linear na Engenharia Cartográ…ca
  • 5.2 Aplicações de espaços vetoriais na computação grá…ca
  • 5.3 Aplicações de autovalores e autovetores na engenharia civil

APOSTILA DE ÁLGEBRA

LINEAR
Prof. Dr Rogério de Aguiar
Chefe do Departamento de Matemática
CCT - UDESC - JOINVILLE
Email: dma2ra@joinville.udesc.br
Home Page: www.joinville.udesc.br/dmat/rogerio
Professores Integrantes do Projeto de Álgebra II
Graciela Moro - Coordenadora
Ivanete Zucki
João de Azevedo
Jorge Mota
Marnei Luis Mandler
Milton Procópio de Borba
Rogério de Aguiar
25 de Março de 2008
Sumário
1 MATRIZES E SISTEMAS 3
1.1 Tipos de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Operações com matrizes . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Cálculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Sexta lista de exercícios . . . . . . . . . . . . . . . . . . . . . 14
1.7 Sistema de equações lineares . . . . . . . . . . . . . . . . . . . . . 16
1.7.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.7.2 Sistemas e matrizes. . . . . . . . . . . . . . . . . . . . . . 17
1.7.3 Solução de um sistema por matriz inversa . . . . . . . . . 20
1.8 Sétima lista de exercícios . . . . . . . . . . . . . . . . . . . . 21
1.9 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9.1 Cálculo da inversa por adjunta . . . . . . . . . . . . . . . 24
1.9.2 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . 25
2 ESPAÇOS VETORIAIS 29
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Intersecção de dois Subespaços Vetoriais . . . . . . . . . . . . . . 38
2.4 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Dependência e Independência Linear . . . . . . . . . . . . . . . . 41
2.6 Subespaços Gerados . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7 Soma de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.8 Base e Dimensão de um Espaço Vetorial . . . . . . . . . . . . . 46
2.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.8.2 Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8.3 Dimensão da Soma de Subespaços Vetoriais . . . . . . . . 50
2.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.10 A Inversa da Matriz de Mudança de Base . . . . . . . . . . . . . 56
2.11 Oitava lista de exercícios . . . . . . . . . . . . . . . . . . . . . 57
1
3 TRANSFORMAÇÕES LINEARES 62
3.1 Propriedades das Transformações Lineares . . . . . . . . . . . . . 66
3.2 Transformações Lineares e Matrizes . . . . . . . . . . . . . . . . . 72
3.2.1 Transformação linear associada a uma matriz . . . . . . . 72
3.2.2 Matriz de uma transformação linear . . . . . . . . . . . . 74
3.3 Composição de transformações lineares . . . . . . . . . . . . . . 79
3.4 A Inversa de uma transformação linear . . . . . . . . . . . . . . . 79
3.5 Nona lista de exercícios . . . . . . . . . . . . . . . . . . . . . . . 82
4 OPERADORES LINEARES 87
4.1 Transformações especiais no plano e no espaço . . . . . . . . . . 87
4.2 Propriedades dos operadores inversíveis . . . . . . . . . . . . . . 109
4.2.1 Matrizes Semelhantes . . . . . . . . . . . . . . . . . . . . 111
4.3 Operadores autoadjuntos e ortogonais . . . . . . . . . . . . . . . 112
4.4 Décima lista de exercícios . . . . . . . . . . . . . . . . . . . . . . 113
4.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . 115
4.5.1 Autovalores e autovetores de uma matriz . . . . . . . . . 116
4.5.2 Polinômio Característico. . . . . . . . . . . . . . . . . . . 117
4.6 Décima primeira lista de exercícios . . . . . . . . . . . . . . . . . 123
5 APLICAÇÕES 126
5.1 Aplicações da Álgebra Linear na Engenharia Cartográ…ca . . . . 126
5.2 Aplicações de espaços vetoriais na computação grá…ca . . . . . . 127
5.3 Aplicações de autovalores e autovetores na engenharia civil . . . 133
5.3.1 O Problema de autovalor na avaliação de modelos estru-
turais de edi…cações . . . . . . . . . . . . . . . . . . . . . 133
2
Capítulo 1
MATRIZES E SISTEMAS
1.1 Tipos de matrizes
De…nição: Chama-se matriz de ordem :: a uma tabela de : : elementos
dispostos em : linhas e : colunas:
¹ =

a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
¸
¸
¸
¸
¸
Notação: Costumamos denotar as matrizes por letras latinas maiúsculas:¹.
1. C. ......
Matriz coluna: É a matriz de ordem :1.
¹ = [1]
11
. 1 =

1
2
3
4
¸
¸
¸
¸
41
. C =

1
2
3
.
.
.
999
1000
¸
¸
¸
¸
¸
¸
¸
¸
¸
10001
Matriz linha: É a matriz de ordem 1 :.
Exemplo 1 :
¹ = [1]
11
. 1 =

÷1 ÷2 ÷3 ÷4 ÷5 ÷6 ÷7 ÷10

18
Matriz nula: É a matriz ¹ = [a
I,
]
nn
onde a
I,
= 0. para 1 _ i _ : e
1 _ , _ :.
Exemplo 2 :
3
' =

0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
¸
¸
¸
¸
. · = [0]
Observação: Denotaremos freqüentemente a matriz nula por 0.
Matriz quadrada: É a matriz de ordem : :.
¹ =

a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸
Os elementos da forma a
II
costituem a diagonal principal
Os elementos a
I,
em que i +, = : + 1 constituem a diagonal secundária.
Exemplo 3 : ¹ = [0]
11
. 1 =
¸
3 3
3 3

Matriz diagonal: Matriz diagonal é a matriz quadrada ¹ = [a
I,
] onde
a
I,
= 0 para i = , :
¹ =

a
11
0 0 0
0
.
.
. 0
.
.
.
.
.
.
.
.
.
.
.
.
0
.
.
.
.
.
. 0
0 0 0 a
nn
¸
¸
¸
¸
¸
¸
¸
¸
¸
Notação: diao(¹) = ¦a
11
. . a
nn
¦
Exemplo 4 : ¹ = [0]
11
, 1 =
¸
3 0
0 3

Matriz identidade: É a matriz diagonal 1 onde diao(1) = ¦1. . 1¦ .
Notação: 1
n
representa a matriz identidade de ordem :.
Exemplo 5 :
1
2
=
¸
1 0
0 1

. 1
100
=

1 0 0
0 1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
.
.
. 0
0 0 0 1
¸
¸
¸
¸
¸
¸
¸
¸
4
Matriz transposta: Dada uma matriz ¹ = [a
I,
]
nn
. podemos obter uma
outra matriz ¹
T
= [/
I,
]
nn
. cujas linhas são as colunas de ¹. isto é, /
I,
= a
,I
.
¹
T
é denominada a transposta de ¹.
¹ =

a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
¸
¸
¸
¸
¸
nn

T
=

a
11
a
21
........ a
n1
a
12
a
22
........ a
n2
.
.
.
.
.
.
a
1n
a
2n
........ a
nn
¸
¸
¸
¸
¸
nn
Exemplo 6 :
¹ =

1 2 3 4 5
11 12 13 14 15
21 22 23 24 25
31 32 33 34 35
41 42 43 44 45
¸
¸
¸
¸
¸
¸

T
=

1 11 21 31 41
2 12 22 32 42
3 13 23 33 43
4 14 24 34 44
5 15 25 35 45
¸
¸
¸
¸
¸
¸
1 =

÷1 ÷2 ÷3 ÷4 ÷5 ÷6

16
=1
T
=

÷1
÷2
÷3
÷4
÷5
÷6
¸
¸
¸
¸
¸
¸
¸
¸
61
Matriz simétrica: Uma matriz quadrada o = [a
I,
] é simétrica se o
T
= o
Exemplo 7 :
o =

1 5 9
5 3 8
9 8 7
¸
¸
. · =
¸
0 1
1 0

Matriz anti-simétrica: Uma matriz quadrada ¹ = [a
I,
] é anti-simétrica
se ¹
T
= ÷¹.
Exemplo 8 : ¹ =

0 3 4
÷3 0 ÷6
÷4 6 0
¸
¸
Matriz triangular superior: A matriz quadrada ¹ = [a
I,
] que tem os
elementos a
I,
= 0 para i , é chamada matriz triagular superior.
¹ =

5 4 7 9
0 3 ÷8 4
0 0 ÷2 3
0 0 0 6
¸
¸
¸
¸
. 1 =
¸
0 1
0 0

. 1
10000
Matriz triangular inferior: A matriz quadrada ¹ = [a
I,
] que tem os
elementos a
I,
= 0 para i < , é chamada matriz triangular inferior.
Exemplo 9 :
5
1 =

5 0 0 0
4 3 0 0
7 4 ÷2 0
9 1 2 6
¸
¸
¸
¸
. C =

1 0 0 0
0 2 0 0
0 0 2 0
0 0 0 2
¸
¸
¸
¸
1.2 Operações com matrizes
Adição: Dados ¹ = [a
I,
]
nn
e 1 = [/
I,
]
nn
de…nimos ¹+1 por,
¹+1 = [a
I,
+/
I,
]
nn
Propriedades:
i) ¹+1 = 1 +¹
ii) ¹+ (1 +C) = (¹+1) +C
iii) ¹+0 =¹
Multiplicação por escalar: Seja ¹ = [a
I,
]
nn
e / um número real
de…nmos / ¹ por
/¹ = [/ a
I,
]
nn
Exemplo 10 : ÷2
¸
2 10
1 ÷3

=
¸
÷4 ÷20
÷2 6

Propriedades:
i) /(¹+1) = /¹+/1
ii) (/
1
+/
2
)¹ = /
1
¹+/
2
¹
iii) 0 ¹ = 0
iv) /
1
(/
2
¹) = (/
1
/
2

Multiplicação de Matrizes: Sejam ¹ = [a
I,
]
nn
e 1 = [/
I,
]

. de…ni-
mos ¹ 1 por ¹1 = [c
I,
]

. onde
c
I,
=
n
¸
|=1
a
I|
/
|,
= a
I1
/
1,
+..... +a
In
/
n,
Observe que o número de colunas de ¹ deve ser igual ao número de linhas
de 1.
Exemplo 11 :
6

2 1
4 2
5 3
¸
¸
32
¸
1 ÷1
0 4

22
=

2 1 + 1 0 2 (÷1) + 1 4
4 1 + 2 0 4 (÷1) + 2 4
5 1 + 3 0 5 (÷1) + 3 4
¸
¸
=

2 2
4 4
5 7
¸
¸
Propriedades da multiplicação de matrizes:
i) ¹1 = 1¹ = ¹ i v) (¹1)C = ¹(1C)
ii) ¹(1 +C) = ¹1 +¹C v) (¹1)
T
= 1
T
¹
T
iii) (¹+1)C = ¹C +1C vi) 0¹ = ¹0 = 0
Propriedades da matriz transposta
i) (¹+1)
T
= ¹
T
+1
T
ii) (`¹)
T
= `¹
T
. onde ` é um númerto real
iii) (¹
T
)
T
= ¹
iv) (¹1)
T
= 1
T
¹
T
Matriz inversa: Dada uma matriz quadrada ¹ = [a
I,
] . se existir uma
matriz 1 que satisfaça ¹1 = 1¹ = 1 diz-se que 1 é a inversa de ¹ e denota-se
1 por ¹
1
. ou seja, ¹
1
¹ = ¹¹
1
= 1.
Exemplo 12 :
¹ =
¸
11 3
7 2

. ¹
1
=
¸
2 ÷3
÷7 11

.
Dizemos que uma matriz ¹ é inversível (não singular) se existe a matriz
inversa ¹
1
, caso contrário dizemos que a matriz ¹ é não inversível (singular).
Algumas propriedades importantes:
I) ¹ é não singular se o determinante de ¹ é diferente de zero. ¹ é singular
se determinante de ¹ é igual a zero.
ii) Se ¹ admite inversa (det ¹ = 0) esta é única
iii) Se ¹ é não singular, sua inversa ¹
1
também é, isto é, se det ¹ = 0
então det ¹
1
= 0. A matriz inversa de ¹
1
é ¹.
iv) A matriz identidade 1 é não singular (pois det 1 = 1) e 1
1
= 1
v) Se a matriz ¹ é não singular, sua transposta ¹
T
também é. A matriz
inversa de ¹
T
é (¹
1
)
T
. isto é , (¹
T
)
1
= (¹
1
)
T
. dai concluimos que se
det ¹ = 0 então det ¹
T
= 0.
vi) Se as matrizes ¹ e 1 são não singulares e de mesma ordem, o produto
¹1 é uma matriz não singular. Vale a relação (¹1)
1
= 1
1
¹
1
.
Exemplo 13 :
¹ =
¸
2 3
2 2

==det
¸
2 3
2 2

= ÷2 =¹ é não singular
1 =
¸
1 10
1 10

=det
¸
1 10
1 10

= 0 =¹ é singular
Matriz ortogonal: Uma matriz '. quadrada, cuja inversa conicide com
sua transposta é denominada matriz ortogonal. Portanto ' é ortogonal se
'
1
= '
T
. ou seja,
7
''
T
= '
T
' = 1
Exemplo 14 : ' =
¸
1
2
p
3
2 p
3
2
1
2
¸
.
Potência de uma matriz: Dada uma matriz quadrada ¹ a matriz ¹
µ
=
¹ ¹ ..... ¹
µ ut:ts
é chamada potência j de ¹.
Exemplo 15 :
¹ =
¸
1 2
4 3

. ¹
2
=
¸
9 8
16 17

. ¹
3
=
¸
41 42
84 83

1.3 Matriz escalonada
De…nição: Uma matriz :: é linha reduzida à forma escada, ou escalonada,
se:
a) O primeiro elemento não nulo de uma linha não nula é 1.
b) Cada coluna que contém o primeiro elemento não nulo de alguma linha
tem todos os seus outros elementos iguais a zero.
c) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é,. daque-
las que possuem pelo menos um elemento não nulo)
d) Se as linhas 1. .... j são as linhas não nulas, e se o primeiro elemento não
nulo da linha i ocorre na coluna /
1
, então /
1
< /
2
< ..... < /
n
.
Exemplo 16 :
1)

1 0 0 0
0 1 ÷1 0
0 0 1 0
¸
¸
não é forma escada. Não vale b).
2)

0 2 1
1 0 ÷3
1 0 0
¸
¸
não é forma escada. Não vale a) e b).
3)

0 1 ÷3 0 1
0 0 0 0 0
0 0 0 ÷1 2
¸
¸
não é forma escada. Não vale c).
4)

0 1 ÷3 0 1
0 0 0 1 3
0 0 0 0 0
¸
¸
é forma escada.
Operações elementares linha: São três as operações elementares sobre
as linhas de uma matriz.
1
o
) Permuta da i ÷ c:i:a e , ÷ c:i:a linha (1
I
÷1
,
).
Exemplo 17 :
8

1 0
4 ÷1
÷3 4
¸
¸
L
2
÷ L
3

1 0
÷3 4
4 ÷1
¸
¸
2
o
) Multiplicação da i ÷ c:i:a linha por um escalar não nulo / (1
I
÷/1
I
).
Exemplo 18 .

1 0
4 ÷1
÷3 4
¸
¸
1
2
÷÷÷31
2

1 0
÷12 3
÷3 4
¸
¸
3
o
) Substituição da i ÷ c:i:a linha pela i ÷ c:i:a linha mais / vezes a
, ÷ c:i:a linha (1
I
÷÷1
I
+/1
,
)
Exemplo 19 :

1 0
4 ÷1
÷3 4
¸
¸
1
3
÷÷1
3
+ 21
1

1 0
4 ÷1
÷1 4
¸
¸
.
Se ¹ e 1 são matrizes ::, dizemos que 1 é linha equivalente a ¹. se 1
for obtida de ¹ através de um número …nito de operações elementares sobre as
linhas de ¹. Notação ¹ ~ 1.
Exemplo 20 :

1 0
4 ÷1
÷3 4
¸
¸
é linha equivalente a

1 0
0 1
0 0
¸
¸
pois,

1 0
4 ÷1
÷3 4
¸
¸
1
2
÷1
2
÷41
1

1 0
0 ÷1
÷3 4
¸
¸
1
3
÷1
3
+ 31
1

1 0
0 ÷1
0 4
¸
¸
1
2
÷÷1
2

1 0
0 1
0 4
¸
¸
1
3
÷1
3
÷41
2

1 0
0 1
0 0
¸
¸
Teorema: Toda matriz ¹ de ordem :: é linha equivalente a uma única
matriz linha-reduzida à forma escada.
Exemplo 21 : Dada a matriz
¹ =

2 1 3
4 5 6
3 1 ÷2
¸
¸
obtenha uma única matriz 1 na forma escada linha equivalente a matriz ¹.

2 1 3
4 5 6
3 1 ÷2
¸
¸
1
1
÷
1
2
1
1

1
1
2
3
2
4 5 6
3 1 ÷2
¸
¸
1
2
÷1
2
÷41
1

1
1
2
3
2
0 3 0
3 1 ÷2
¸
¸
1
3
÷ 1
3
÷ 31
1

1
1
2
3
2
0 3 0
0 ÷
1
2
÷
13
2
¸
¸
1
2
÷
1
3
1
2

1
1
2
3
2
0 1 0
0 ÷
1
2
÷
13
2
¸
¸
1
3
÷ 1
3
+
1
2
1
2
9

1
1
2
3
2
0 1 0
0 0 ÷
13
2
¸
¸
1
3
÷÷
2
13
1
3

1
1
2
3
2
0 1 0
0 0 1
¸
¸
1
1
÷1
1
÷
1
2
1
2

1 0
3
2
0 1 0
0 0 1
¸
¸
1
1
÷1
1
÷
3
2
1
3

1 0 0
0 1 0
0 0 1
¸
¸
Exemplo 22 Dada a matriz ¹ obtenha uma matriz na forma escada equiva-
lente a matriz dada.
a)

1 0 0 0
1 0 1 0
0 1 0 1
÷1 0 0 ÷1
¸
¸
¸
¸
b)

1 0 1 0
0 1 0 1
0 1 0 1
0 1 1 1
¸
¸
¸
¸
Posto de uma matriz: Dada uma matriz ¹
nn
, seja 1
nn
a matriz linha
reduzida à forma escada, linha equivalente à matriz ¹. O posto de ¹, denotado
por j, é o número de linhas não nulas de 1 e a nulidade de ¹ é : ÷j, onde : é
o número de colunas de ¹ e j é o posto de ¹.
Exemplo 23 : Encontrar o posto e a nulidade das matrizes:
a) ¹ =

1 2 1 0
÷1 0 3 5
1 ÷2 1 1
¸
¸
Solução: A matriz ¹ é linha equivalente a matriz 1 =

1 0 0 ÷
7
8
0 1 0 ÷
1
4
0 0 1
11
8
¸
¸
portanto o posto de ¹ é 3 (o número de linhas não nulas da matriz 1) e a
nulidade é :÷j = 4÷3 = 1 (: é o numero de colunas da matriz ¹ e j é o posto
de ¹)
b) ¹ =

1 0
14
9
0 1
1
4
0 0 0
0 0 0
¸
¸
¸
¸
Solução: posto ¹ = 2 e nulidade de ¹ é 3 ÷2 = 1
c) ¹ =

2 1 10
0 1
1
4
1 2 0
1 3 0
¸
¸
¸
¸
=1 =

2 1 10
0 1
1
4
0 0 ÷
43
8
0 0 0
¸
¸
¸
¸
Solução posto de ¹ = 3 e nulidade de ¹ é 0
1.4 Cálculo da inversa
Cálculo da inversa por escalonamento: Para se determinar a matriz inversa
de uma matriz ¹, não singular, através de operações elementares entre as linhas
da matriz fazemos o seguinte:
10
a) Coloca-se ao lado da matriz ¹ a matriz 1. separada por um traço vertical
tracejado.
b) Transforma-se por meio de operações elementares a matriz ¹ na matriz 1.
aplicando simultaneamente à matriz 1 colocada ao lado da matriz ¹ as mesmas
operações elementares aplicadas à matriz ¹.
Exemplo 24 : Calcular inversa da matriz ¹ =
¸
2 1
4 3

por escalonamento.
¸
2 1 1 0
4 3 0 1

1
1
÷
1
2
1
1
¸
1
1
2
1
2
0
4 3 0 1

1
2
÷1
2
÷41
1
¸
1
1
2
1
2
0
0 1 ÷2 1

1
1
÷1
1
÷
1
2
1
2
¸
1 0
3
2
÷
1
2
0 1 ÷2 1

Logo
¹
1
=
¸
3
2
÷
1
2
÷2 1

1.5 Determinantes
De…nição: Determinante de uma matriz ¹ é um número real associado à matriz
¹. Notação: det ¹.
Denotamos também o determinante da matriz ¹.
¹ =

a
11
a
12
a
1n1
a
1n
a
21
a
22
a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12

.
.
. a
n1n
a
n1
a
n2
a
n1n
a
nn
¸
¸
¸
¸
¸
¸
¸
¸
por
det ¹ =

a
11
a
12
a
1n1
a
1n
a
21
a
22
a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12

.
.
. a
n1n
a
n1
a
n2
a
n1n
a
nn

Propriedades do determinante:
1) det ¹ = det ¹
T
2) det(¹1) = det ¹det 1
3) Se a matriz ¹ possui uma linha ou coluna nula então det ¹ = 0
4) Se a matriz ¹ tem duas linhas ou colunas iguais então det ¹ = 0
11
5) Se na matriz ¹ uma linha (ou coluna) é múltipla de outra linha (coluna)
então det ¹ = 0
6) Trocando a posição de duas linhas (colunas) o derminante muda de sinal
7) Quando se multiplica uma linha (coluna) de uma matriz ¹ por um número
/ = 0 o determinante …ca multiplicado por esse mesmo número.
8) O determinante de uma matriz ¹ não se altera quando se faz a seguinte
operação entre linha: 1
I
÷1
I
+/1
,
.
9) O determinante de uma matriz triangular superior ( ou inferior) é igual
ao produto do elementos da diagonal principal.
10) A partir de det(¹1) = det ¹det 1 temos
det(¹¹
1
) = det 1 =det ¹det ¹
1
= 1 =det ¹ =
1
det .
1
Cálculo do determinante por triangulação. Para se calcular o determi-
nante de uma matriz ¹ usamos as operações elementares linha de modo a obter
uma matriz triangular superior (ou inferior) observando as propriedades do de-
terminante e fazendo as compensações necessárias.
Exemplo 25 ¹ =

2 ÷1 1
2 0 ÷1
3 ÷1 0
¸
¸
det ¹ =

2 ÷1 1
2 0 ÷1
3 ÷1 0

1
2
÷÷1
3
(Quando permutamos as linhas o deter-
minante troca de sinal)
(÷1) det ¹ =

2 ÷1 1
3 ÷1 0
2 0 ÷1

1
1
÷
1
2
1
1
(Quando multiplicamos uma linha
por um número o det. …ca multiplicado pelo mesmo número)
1
2
(÷1) det ¹ =

1
1
2
1
2
3 ÷1 0
2 0 ÷1

1
2
÷1
2
+ (÷3)1
1
1
3
÷1
3
÷21
1
(Esta operação não al-
tera o determinante)
1
2
(÷1) det ¹ =

1
1
2
1
2
0
1
2
3
2
0 1 ÷2

1
3
÷1
3
÷21
2
(Esta operação não altera o
determinante)
1
2
(÷1) det ¹ =

1
1
2
1
2
0
1
2
3
2
0 0 1

(O determinante de uma matriz triangular
superior é o produto dos elementos da diagonal principal)
1
2
(÷1) det ¹ =
1
2
=det ¹ = ÷1
Cálculo do determinante por desenvolvimento de Laplace:
Regra de Chió
12
Se a matriz ¹ é de ordem 2 2 então:
det
¸
a
11
a
12
a
21
a
22

= a
11
a
22
÷a
21
a
12
det
¸
5 1
2 3

= 5 + 3 ÷2 + 1 = 13
Regra de Sarrus
Se ¹ é é de ordem 3 3
¹ =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
=
a
11
a
12
a
13
a
11
` ` `
a
21
a
22
a
23
a
21
` `
a
31
a
32
a
33
a
31
a
12

a
22
`
a
32
det ¹ = (a
11
a
22
a
33
)+(a
12
a
23
a
31
)+(a
13
a
21
a
32
)÷(a
31
a
22
a
13
)÷(a
32
a
23
a
11

(a
33
a
21
a
12
)
Desenvolvimento de Laplace
Para uma matriz de ordem : : usamos o desenvolvimento de Laplace qué
é dado pela fórmula.
det ¹
nn
=
n
¸
,=1
a
I,
(÷1)
I+,
det ¹
I,
onde ¹
I,
é a submatriz obtida a partir da matriz ¹ eliminando-se a i ÷ c:i:a
linha e a , ÷ c:i:a coluna da matriz ¹. Se chamarmos
I,
= (÷1)
I+,
det ¹
I,
então
det ¹
nn
=
n
¸
,=1
a
I,

I,
Exemplo 26 :
¹ =

÷1 2 3 ÷4
4 2 0 0
÷1 2 ÷3 0
2 5 3 1
¸
¸
¸
¸
Vamos calcular o determinante da matriz fazendo o desenvolvimento pela
primeira linha (note que seria mais conveniente desenvolver pela segunda linha,
pois ela possui dois elementos nulos).
det ¹ = ÷1(÷1)
1+1

2 0 0
2 ÷3 0
5 3 1

+ 2(÷1)
1+2

4 0 0
÷1 ÷3 0
2 3 1

+3(÷1)
1+3

4 2 0
÷1 2 0
2 5 1

+(÷4)(÷1)
1+4

4 2 0
÷1 2 ÷3
2 5 3

det ¹ = (÷1)(1)(÷6) + 2(÷1)(÷12) + (3)(1)(10) + (÷4)(÷1)(78)
det ¹ = 372.
13
1.6 Sexta lista de exercícios
1. Veri…que se as a…rmações abaixo são VERDADEIRAS ou FALSAS.
Se forem verdadeiras, demonstre. Se forem falsas, dê um contra-exemplo.
(a) ( ) Se uma matriz quadrada ¹ for ortogonal então det ¹ = ±1.
(b) ( ) det(1 +¹) = 1 + det ¹
(c) ( ) Se ¹ é uma matriz simétrica então ¹+¹
T
também é simétrica.
(d) ( ) Se ¹ e 1 são inversíveis então ¹+1 também é.
(e) ( ) Se ¹ é uma matriz anti-simétrica de ordem 3, então det ¹ = 0
(f) ( ) Se ¹ é não-inversível e ¹1 = 0 então 1 = 0
2. Seja ¹ =
¸
2 r
2
2r ÷1 0

Determine o valor de r para que ¹ seja uma matriz simétrica.
3. Mostre que toda matriz quadrada ¹ pode ser escrita como a soma de uma
matriz simétrica com uma matriz anti-simétrica, ou seja, ¹ = o +· onde
o é uma matriz simétrica e · é uma matriz anti-simétrica. Sugestão:
Determine o e · em função da matriz ¹.
4. Suponha que ¹ = 0 e ¹1 = ¹C onde ¹. 1. C são matrizes tais que a
multiplicação esteja de…nida. Pergunta-se:
(a) 1 = C?
(b) Se existir uma matriz 1 , tal que 1 ¹ = 1. onde 1 é a matriz identi-
dade, então 1 = C?
5. Mostre que a matriz
' =

cos 0 ÷sin0 0
sin0 cos 0 0
0 0 1
¸
¸
é uma matriz ortogonal.
6. Sejam 1 e Q matrizes ortogonais de mesma ordem.
(a) 1Q é uma matriz ortogonal? Justi…que sua resposta.
(b) Quais os valores que det Q pode ter?
7. Dada uma matriz ¹ de ordem : : mostre que a matriz ¹¹
T
é uma
matriz simétrica de ordem : :. A matriz ¹
T
¹ é simétrica? Qual sua
ordem?
14
8. Um construtor tem contratos para construir 3 estilos de casa: moderno,
mediterrâneo e colonial. A quantidade empregada em cada tipo de casa é
dada pela matriz
1crro 'adcira \ idro Ti:ta Ti,o|o
'odcr:o
'cditcrr^ a:co
Co|o:ia|

5
7
6
20
18
25
16
12
8
7
9
5
17
21
13
¸
¸
(a) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrâneo
e colonial, respectivamente, quantas unidades de cada material serão
empregadas?
(b) Suponha agora que os preços por unidade de ferro, madeira, vidro,
tinta e tijolo sejam respectivamente, 15, 8, 5, 1 e 10 reais. Qual o
preço unitário de cada tipo de casa?
(c) Qual o custo total do material empregado?
9. Calcule o determinante de ¹ onde
(a) ¹ =

3 ÷1 5 0
0 2 0 1
2 0 ÷1 3
1 1 2 0
¸
¸
¸
¸
.
(b) ¹ =

3 0 0 0 0
19 18 0 0 0
÷6 ¬ ÷5 0 0
4

2

3 0 0
8 3 5 6 ÷1
¸
¸
¸
¸
¸
¸
10. Mostre que det

1 1 1
a / c
a
2
/
2
c
2
¸
¸
= (a ÷/)(/ ÷c)(c ÷a)
11. Encontre ¹
1
. onde
(a) ¹ =

4 ÷1 2 ÷2
3 ÷1 0 0
2 3 1 0
0 7 1 1
¸
¸
¸
¸
.
(b) ¹ =

1 0 r
1 1 r
2
2 2 r
2
¸
¸
15
12. Encontre os valores d / para os quais a matriz
¹ =

/ ÷3 0 3
0 / + 2 0
÷5 0 / + 5
¸
¸
é não inversível.
13. Existe alguma matriz "inversível"A tal que A
2
= 0? Justi…que sua re-
sposta.
14. Encontre todos os valores de ` para os quais a matriz ¹÷`1
4
tem inversa,
em que

2 0 0 0
2 0 0 0
1 2 1 0
3 2 ÷1 2
¸
¸
¸
¸
15. Para a matriz ¹ = (a
I,
)de ordem 2 de…nida por a
I,
= i + ,, calcular
1(t) = dct(¹÷t1
2
) e resolver a equação do segundo grau 1(t) = 0.
16. Para a matriz de…nida por:
' =
¸
a /
c d

calcular 1(t) = dct(¹÷t1
2
) e resolver a equação do segundo grau 1(t) = 0.
1.7 Sistema de equações lineares
1.7.1 Introdução
Uma equação linear é uma equação da forma
a
1
r
1
+a
2
r
2
+a
3
r
3
+...... +a
n
r
n
= /
na qual a
1
. a
2
. a
3
. ..... a
n
são os respectivos coe…cientes das variáveies r
1
. r
2
. r
3
. ..... r
n
e / é o termo independente. Os números a
1
. a
2
. a
3
. ..... a
n
e o termo indepen-
dente / geralmente são números conhecidos e as variáveis r
1
. r
2
. r
3
. ..... r
n
são
as incógnitas.
Os valores das variáveis que transformam uma equação linear em uma iden-
tidade, isto é, que satisfazem a equação, constituem sua solução. Esses valores
são denominados raízes das equações lineares.
A um conjunto de equações lineares se dá o nome de sistema de equações
lineares e tem a seguinte representação:
16
a
11
r
1
+a
12
r
2
+a
13
r
3
+...... +a
1n
r
n
= /
1
a
21
r
1
+a
22
r
2
+a
23
r
3
+...... +a
2n
r
n
= /
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
r
1
+a
n2
r
2
+a
n3
r
3
+...... +a
nn
r
n
= /
n
Os valores das variáveis que transformam simultaneamente as equações de
um sistema de equações lineares em uma identidade, isto é, que satisfazem a
equação constituem sua solução.
Diz-se que dois sistemas de equações lineares são equivalentes quando ad-
mitem a mesma solução.
Exemplo 27 Os sistemas
2r + 3n = 11
÷r +n = ÷3
c
10r ÷2n = 38
÷3r + 5n = ÷7
são equivalentes pois possuem as mesmas soluções, r = 4 e n = 1
Quanto as soluções, três casos podem ocorrer:
1) O sistema possui uma única solução. Neste caso dizemos que os sistema
é compatível e determinado
2) O sistema possui in…nitas soluções. Neste caso dizemos que o sistema é
compatível e indeterminado.
3) O sistema não possui nenhuma solução. Neste caso dizemos que o sistema
é incompatível.
1.7.2 Sistemas e matrizes.
Dado um sistema linear na forma,
a
11
r
1
+a
12
r
2
+a
13
r
3
+...... +a
1n
r
n
= /
1
a
21
r
1
+a
22
r
2
+a
23
r
3
+...... +a
2n
r
n
= /
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
r
1
+a
n2
r
2
+a
n3
r
3
+...... +a
nn
r
n
= /
n
(1.1)
podemos representa-lo matricialmente utilizando as notações da teoria de ma-
trizes da seguinte maneira:
Se
¹ =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
A =

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
1 =

/
1
/
2
.
.
.
/
n
¸
¸
¸
¸
¸
17
podemos escrever o sistema (1.1) na forma matricial:
¹A = 1
onde ¹ é a matriz dos coe…cientes, 1 a matriz coluna dos termos indepen-
dentes e A é a matriz coluna das incógnitas.
Ao sistema (1.1) associamos a seguinte matriz:

a
11
a
12
a
1n
[ /
1
a
21
a
22
a
2n
[ /
2
.
.
.
.
.
.
.
.
. [
.
.
.
a
n1
a
n2
a
nn
[ /
n
¸
¸
¸
¸
¸
que chamamos matriz ampliada do sistema.
Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes são
equivalentes.
Dada a matriz ampliada do sistema de equações lineares consideramos a
matriz linha reduzida a forma escada obtida a partir da matriz ampliada do
sistema:
Teorema:
1) Um sistema de : equações e : incógnitas admite solução se, e somente
se, o posto da matriz ampliada é igual ao posto da matriz dos coe…cientes.
2) Se as duas matrizes tem o mesmo posto j e j = : (número de colunas da
matriz dos coe…cientes, ou números de variáveis) a solução é única.
3) Se as duas matrizes tem o mesmo posto e j = : podemos escolher : ÷j
incógnitas e as outras incógnitas serão dadas em função destas. O número :÷j
é chamado grau de liberdade do sistema.
Resumo: Dado um sistema de : equações e : incógnitas seja ¹
o
a matriz
ampliada do sistema e seja ¹
t
a matriz linha equivalente a matriz ¹
o
onde
a matriz dos coe…cientes estão na forma escada. Seja j
o
o posto da matriz
ampliada e j
c
o posto da matriz dos coe…cientes obtidos a partir da matriz ¹
t
.
« Se j
o
= j
c
então o sistema é incompatível ( não possui solução)
« Se j
o
= j
c
então o sistema é compatível (possui solução). Seja j = j
o
= j
c
,
se j = : então o sistema é compatível e determinado (possui uma única
solução). Se j < : o sistema é compatível e indeterminado (possui in…ni-
tas soluções). Sempre que um sistema possuir in…nitas soluções deveremos
atribuir valores a algumas variáveis e determinar o valor das outras var-
iáveis em função destas. O número de variáveis as quais deveremos atribuir
valor é o grau de liberdade do sistema, dado pelo número : ÷j.
1) Classi…car e resolver o sistema:

2r
1
+r
2
+ 3r
3
= 8
4r
1
+ 2r
2
+ 2r
3
= 4
2r
1
+ 5r
2
+ 3r
3
= ÷12
(1.2)
18
Solução:
Matriz Ampliada
¹
o
=

2 1 3 [ 8
4 2 2 [ 4
2 5 3 [ ÷12
¸
¸
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos
coe…cientes está na forma escada
¹
t
=

1 0 0 [ 2
0 1 0 [ ÷5
0 0 1 [ 3
¸
¸
De ¹
t
obtemos: j
c
= 3. j
o
= 3 e : = 3.
j = j
c
= j
o
= 3 = sistema compatível
j = : = sistema compatível e determinado (possui uma única solução)
A matriz ¹
c
é a matriz ampliada do seguinte sistema:

r
1
= 2
r
2
= ÷5
r
3
= 3
Como sistemas equivalentes tem a mesma solução, a solução do sistema (1.2)
é
r
1
= 2
r
2
= ÷5
r
3
= 3
2) Classi…car e resolver o sistema:

4n + 2r + 6. = ÷6
÷4. ÷2n + 3r = ÷38
r + 3. + 2n = ÷3

2r + 4n + 6. = ÷6
3r ÷2n ÷4. = ÷38
r + 2n + 3. = ÷3
(1.3)
¹
o
=

2 4 6 [ ÷6
3 ÷2 ÷4 [ ÷38
1 2 3 [ ÷3
¸
¸
¹
t
=

1 0 ÷
1
4
[ ÷
41
4
0 1
13
8
[
29
8
0 0 0 [ 0
¸
¸
Neste caso temos:
: = 3
j
o
= 2
j
c
= 2 =j = 2
j < : =sistema compatível e indeterminado (in…nitas soluções)
oran dc |i/crdadc = : ÷j = 1
O sistema (1.3) é equivalente ao sistema
19

r ÷
1
4
. = ÷
41
2
n +
13
8
. =
29
8
Para encontrar uma solução (note que existem in…nitas soluções) devemos
atribuir valor a uma das variáveis (pois o grau de liberdade é 1) e determinar as
outras. Note que …ca mais fácil se atribuirmos valor a variável . : Por exemplo
fazendo . = 0 temos e r = ÷
41
4
e n =
29
8
( Poderíamos atribuir outro
valor qualquer a .. e para cada valor de . teremos os valores correspondentes
de r e n, daí temos in…nitas soluções)
3) Classi…car e resolver o sistema:

6r ÷4n ÷2. = 3
r +n +. = 1
3r ÷2n ÷. = 1
¹
o
=

6 ÷4 ÷2 [ 3
1 1 1 [ 1
3 ÷2 ÷1 [ 1
¸
¸
¹
t
=

1 0
1
5
[
7
10
0 1
4
5
[
3
10
0 0 0 [ ÷
1
2
¸
¸
Neste caso:
: = 3
j
c
= 2
j
o
= 3 =j
o
= j
c
=sistema incompatível (não possui solução)
1.7.3 Solução de um sistema por matriz inversa
Usando a notação matricial para sistemas lineares temos
CA = 1 (supondo que existe C
1
)
C
1
CA = C
1
1 (observe que estamos multiplicando C
1
pela esquerda)
1A = C
1
1
A = C
1
1
Logo para se determinar a solução basta multiplicar a matriz inversa dos
coe…cientes pela matriz dos termos independentes (pela esquerda, já que a mul-
tiplicação de matrtizes não é comutativa). Se a matriz C não tem inversa então
ou o sistema não possui solução ou possui in…nitas soluções.
Exemplo 28 :

÷2r + 3n ÷. = 1
r ÷3n +. = 1
÷r + 2n ÷. = 1
20
C =

÷2 3 ÷1
1 ÷3 1
÷1 2 ÷1
¸
¸
1 =

1
1
1
¸
¸
A =

r
n
.
¸
¸
C
1
=

÷1 ÷1 0
0 ÷1 ÷1
1 ÷1 ÷3
¸
¸
CA = 1
A = C
1
1

r
n
.
¸
¸
=

÷1 ÷1 0
0 ÷1 ÷1
1 ÷1 ÷3
¸
¸

1
1
1
¸
¸
=

÷2
÷2
÷3
¸
¸
1.8 Sétima lista de exercícios
1. Resolva o sistema de equações, escrevendo a matriz ampliada do sistema
inicial e escrevendo o sistema …nal do qual se obterá a solução do sistema
original:

2r ÷n + 3. = 11
4r ÷3n + 2. = 0
r +n +. = 6
3r +n +. = 4
2. Considere o sitema linear

r +n + 3. = 2
r + 2n + 4. = 3
r + 3n +a. = /
. Para que valores de a e /
o sistema
(a) tem uma in…nidade de soluções?
(b) tem única solução?
(c) é impossível?
3. Reduza as matrizes à forma escada através de operações linhas:
(a)

1 ÷2 3 ÷1
2 ÷1 2 3
3 1 2 3
¸
¸
(b)

0 2 2
1 1 3
3 ÷4 2
2 ÷3 1
¸
¸
¸
¸
4. Determine / para que o sistema admita solução

÷4r + 3n = 2
5r ÷4n = 0
2r ÷n = /
21
5. Encontre todas as soluções do sistema

r
1
+ 3r
2
+ 2r
3
+ 3r
4
÷7r
5
= 14
2r
1
+ 6r
2
+r
3
÷2r
4
+ 5r
5
= ÷2
r
1
+ 3r
2
÷r
3
+ 2r
5
= ÷1
6. Apresente todos os possíveis resultados na discussão de um sistema não-
homogêneo de 6 equações lineares com 4 incógnitas.
7. Se ¹ é uma matriz 3 5. quais são os possíveis valores da nulidade de ¹?
E se ¹ for 4 2?
8. Explique por que a nulidade de uma matriz nunca é negativa.
9. Chamamos de sistema homogêneo de : equações e : incógnitas aquele
sistema cujos termos independentes são todos nulos.
(a) Um sistema homogêneo admite pelo menos uma solução. Qual é ela?
(b) Encontre os valores de / ÷ R, tais que o sistema homogêneo

2r ÷5n + 2. = 0
r +n +. = 0
2r +/. = 0
tenha uma solução distinta da solução trivial.
10. Se det ¹ = 0, então o sistema homogêneo ¹A = 0 tem in…nitas soluções
? Justi…que sua resposta.
11. Podemos resolver um sistema usando matriz inversa da seguinte forma:
¹A = 1
¹
1
¹A = ¹
1
1
A = ¹
1
1
Isto é útil quando desejamos resolver vários sistemas lineares que possuem
a mesma matriz dos coe…cientes.
Usando a teoria acima resolva os sistema ¹A = 1 onde ¹ =

1 2 ÷2
2 5 ÷4
3 7 ÷5
¸
¸
e
a) 1 =

1
2
3
¸
¸
b) 1 =

÷1
3
100
¸
¸
c)

1000
10
100
¸
¸
d)

111
311
511
¸
¸
12. Resolva o sistema matricial 1
1
A = ¹ onde 1 = diao(1. 2. 3. 4. 5. 6)
22
¹ =

1 0 0 0 1 1
0 1 2 2 2 2
0 0 1 1 1 1
0 0 0 1 ÷1 ÷1
0 0 0 0 1 0
0 0 0 0 0 1
¸
¸
¸
¸
¸
¸
¸
¸
13. Classi…que o sistema e exiba uma solução, caso ela exista:

2r + 4n + 6. = ÷6
3r ÷2n ÷4. = ÷38
r + 2n + 3. = ÷3
14. Uma editora publica um best-seller potencial com três encadernações difer-
entes: capa mole, capa dura e encardenação de luxo. cada exemplar ne-
cessita de um certo tempo para costura e cola conforme mostra a tabela
abaixo:
Se o local onde são feitas as costuras …ca disponível 6 horas por dia e o
local onde se cola, 11 horas por dia, quantos livros de cada tipo devem
ser feitos por dia, de modo que os locais de trabalho sejam plenamente
utilizados?
15. Num grande acampamento militar há 150 blindados dos tipos BM3, BM4 e
BM5, isto é, equipados com 3, 4 e 5 canhões do tipo MX9 respectivamente.
O total de canhões disponíveis é igual a 530. A soma dos BM4 com os BM5
corresponde aos 2 / 3 dos BM3. Se para o início de uma manobra militar,
cada canhão carrega 12 projéteis, quantos projéteis serão necessários para
o grupo dos BM4 no início da operação?
16. a) Em cada parte, use a informação da tabela para determinar se o sistema
¹A = 1 é possível. Se for, determine o número de variáveis livres
da solução geral. Justi…que sua resposta.
(a) i.
(a) (/) (c) (d)
Tamanho de ¹ 3 3 9 5 4 4 3 3
Posto de ¹ 2 3 0 3
Posto de [¹[1] 3 2 0 3
b) Para cada uma das matrizes da tabela acima determine se o sistema
homogêneo ¹A = 1. é possível. Indique a quantidade de soluções
para cada caso.
23
1.9 Apêndice
1.9.1 Cálculo da inversa por adjunta
Dada uma matriz , lembramos que o cofator d
I,
do elemento a
I,
da matriz ¹ é
o elemento (÷1)
I+,
det ¹
I,
, onde ¹
I,
é a submatriz de ¹ obtida extraindo-se a
i ÷ c:i:a linha e a , ÷ c:i:a coluna. Com estes cofatores forma-se uma nova
matriz ¹. denomindada matriz dos cofatores denotada por ¹. Portanto
¹ = [d
I,
]
onde d
I,
= (÷1)
I+,
det ¹
I,
Exemplo 29 :
¹ =

2 1 0
÷3 1 4
1 6 5
¸
¸
a
11
= 2 =d
11
= (÷1)
1+1
det
¸
1 4
6 5

= 1 + (÷19) = ÷19
a
12
= 1 =d
12
= (÷1)
1+2
det
¸
÷3 4
1 5

= ÷1 + (÷19) = 19
a
13
= 0 =d
13
= (÷1)
1+3
det
¸
÷3 1
1 6

= 1 + (÷19) = ÷19
a
21
= ÷3 =d
21
= (÷1)
2+1
det
¸
1 0
6 5

= ÷1 + (5) = ÷5
a
22
= 1 =d
22
= (÷1)
2+2
det
¸
2 0
1 5

= 1 + (10) = 10
a
23
= 4 =d
23
= (÷1)
2+3
det
¸
2 1
1 6

= ÷1 + (11) = ÷11
a
31
= 1 =d
31
= (÷1)
3+1
det
¸
1 0
1 4

= 1 + (4) = 4
a
32
= 6 =d
32
= (÷1)
3+2
det
¸
2 0
÷3 4

= ÷1 + (8) = ÷8
a
33
= 5 =d
33
= (÷1)
3+3
det
¸
2 1
÷3 1

= 1 + (5) = 5
¹ =

÷19 19 ÷19
÷5 10 ÷11
4 ÷8 5
¸
¸
De…nição: Dada uma matriz quadrada ¹, chamaremos de matriz adjunta de
¹ à transposta da matriz dos cofatores de ¹ e denotaremos ad, ¹. Portanto ad,
¹ = ¹
T
.
Teorema: Uma matriz quadrada ¹ admite inversa se e somente se det ¹ = 0.
Neste caso
¹
1
=
1
det ¹
(ad,¹)
24
1.9.2 Regra de Cramer
Um outro método de resolução de sistemas lineares de ordem : : é a Regra
de Cramer onde as soluções do sistema linear são calculadas usando o deter-
minante. Justamente por usar o determinante este método torna-se inviável
computacionalmente, mas é bastante prático em certas questões teóricas.
a
11
r
1
+a
12
r
2
+a
13
r
3
+...... +a
1n
r
n
= /
1
a
21
r
1
+a
22
r
2
+a
23
r
3
+...... +a
2n
r
n
= /
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
r
1
+a
n2
r
2
+a
n3
r
3
+...... +a
nn
r
n
= /
n
Na forma matricial este sistema é escrito da seguinte maneira:

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
=

/
1
/
2
.
.
.
/
n
¸
¸
¸
¸
¸
Supondo que det C = 0 e portanto que C tenha inversa C
1
obtemos
CA = 1
C
1
CA = C
1
1 (observe que estamos multiplicando C
1
pela esquerda)
1A = C
1
1
A = C
1
1
usando a relação
C
1
=
1
det C
(ad,C)
temos
A =
1
det C
(ad,C)1
25

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
=
1
det C
ad,

¸
¸
¸
¸

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
¸

/
1
/
2
.
.
.
/
n
¸
¸
¸
¸
¸

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
=
1
det C

¸
¸
¸
¸

1
11
1a
12
1a
1n
1a
21
1a
22
1a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1a
n1
1a
n2
1a
nn
¸
¸
¸
¸
¸
¸

/
1
/
2
.
.
.
/
n
¸
¸
¸
¸
¸

r
1
r
2
.
.
.
r
n
¸
¸
¸
¸
¸
=
1
det C

/
1
1
11
+ /
2
1a
12
+ + /
n
1a
1n
/
1
1a
21
+ /
2
1a
22
+ + /
n
1a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
/
1
1a
n1
/
2
1a
n2
/
n
1a
nn
¸
¸
¸
¸
¸
r
1
=
1
det C
(/
1
1
11
+/
2
1a
12
+ +/
n
1a
1n
)
r
1
=
1
det C
det

/
1
a
12
a
1n
/
2
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
/
n
a
n2
a
nn
¸
¸
¸
¸
¸
r
1
=
det

/
1
a
12
a
1n
/
2
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
/
n
a
n2
a
nn
¸
¸
¸
¸
¸
det

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
Analogamente
r
I
=
det

a
11
/
1
a
1n
a
21
/
2
a
2n
.
.
.
.
.
.
.
.
.
a
n1
/
n
a
nn
¸
¸
¸
¸
¸
det

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
i = 2. 3. ...... :
Podemos escrever esta relação na forma
26
r
I
=
1
I
1
onde
1
I
= det

a
11
/
1
a
1n
a
21
/
2
a
2n
.
.
.
.
.
.
.
.
.
a
n1
/
n
a
nn
¸
¸
¸
¸
¸
e
1 = det

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
¸
¸
¸
¸
¸
Usando a Regra de Cramer podemos classi…car um sistema : ::
Se 1 = 0 então o sistema possui uma única solução (compatível e determi-
nado)
Se 1 = 0 e algum dos 1
I
= 0 então o sistema é incompatível
Se 1 = 0 e todos os 1
I
= 0, para i = 1. .... : então o sistema possui in…nitas
soluções. Note que não podemos determinar o grau de liberdade pela Regra de
Cramer.
Exemplo 30 Resolver o sistema

r +n = 2
10r + 10n = 20
1 = det
¸
1 1
10 10

= 0
1
1
= det
¸
2 1
20 10

= 0
1
2
= det
¸
1 2
10 20

= 0
Logo o sistema possui in…nitas soluções.
Exemplo 31 Resolver o sistema

2r +n ÷. = 0
20r + 20n ÷20. = 1
r +n ÷. = 0
1 = det

2 1 ÷1
20 20 ÷20
1 1 ÷1
¸
¸
= 0
27
1
1
= det

0 1 ÷1
1 20 ÷20
0 1 ÷1
¸
¸
= 0
1
2
= det

2 1 ÷1
20 0 ÷20
1 1 ÷1
¸
¸
= 20
1
3
= det

2 1 0
20 20 1
1 1 0
¸
¸
= ÷1
Como 1
2
= 20 e 1
3
= ÷1 o sistema é incompatível
Exemplo 32 Resolva o sistema

r +n ÷. = 0
r ÷n ÷. = 1
r +n +. = 1
1 = det

1 1 ÷1
1 ÷1 ÷1
1 1 1
¸
¸
= ÷4
Logo o sistema tem uma única solução
1
1
= det

0 1 ÷1
1 ÷1 ÷1
1 1 1
¸
¸
= ÷4
1
2
= det

1 0 ÷1
1 1 ÷1
1 1 1
¸
¸
= 2
1
3
= det

1 1 0
1 ÷1 1
1 1 1
¸
¸
= ÷2
A solução é
r
1
=
1
1
1
=
÷4
÷4
= 1
r
2
=
1
2
1
=
2
÷4
=
÷1
2
r
3
=
1
1
3
=
÷2
÷4
=
1
2
Exercício: Usando a Regra de Cramer faça a classi…cação de um sistema
homogêneo ¹A = 0
28
Capítulo 2
ESPAÇOS VETORIAIS
2.1 Introdução
Álgebra linear é uma parte da Álgebra que, por sua vez, é um ramo da Matemática
na qual são estudados matrizes, espaços vetoriais e transformações lineares.
Todos esses itens servem para um estudo detalhado de sistemas lineares de
equações. É um fato histórico que a invenção da Álgebra Linear ser um campo
abstrato da Matemática, ela tem um grande número de aplicações dentro e fora
da matemática.
Tanto a álgebra Linear como a Geometria Analítica aplicam-se a várias áreas,
em especial às Engenharias. Citamos, a seguir, alguma delas. É claro que
neste curso não conseguiremos aborda-las todas. Contudo, nosso objetivo no
momento é que o estudante tome contato com o que representa o estado da arte
neste contexto.
Jogos de Estratégia: no jogo de roleta o jogador dá seu lance com uma
aposta e o cassino responde com o giro da roleta; o lucro para o jogador ou
para o cassino é determinado a partir destes dois movimentos. Esses são os
ingredientes básicos de uma variedade de jogos que contêm elementos tanto
de estratégia quanto de acaso. Os métodos matriciais podem ser usados para
desenvolver estratégias otimizadas para os jogadores.
Administração de Florestas: o administrador de uma plantação de ár-
vores de Natal quer plantar e cortar as árvores de uma maneira tal que a con-
…guração da ‡oresta permaneça inalterada de um ano para outro. O admin-
istrador também procura maximizar os rendimentos, que dependem de número
e do tamanho das árvores cortadas. Técnicas matriciais podem quanti…car este
problema e auxiliar o administrador a escolher uma programação sustentável de
corte.
Computação grá…ca: uma das aplicações mais úteis da computação grá-
29
…ca é a do simulador de vôo. As matrizes fornecem uma maneira conveniente
de lidar com a enorme quantidade de dados necessários para construir e animar
os objetos tridimensionais usados por simuladores de vôo para representar um
cenário em movimento. Outras aplicações mais simples em computação grá…ca
são: vetores e matrizes – são utilizados em espaços de cores(RGB, HSV, etc), em
coordenadas e transformações geométricas em duas e três dimensões, em combi-
nações convexas e lineares de pontos( curvas e superfícies spline), em represen-
tação compacta de sessões cônicas, etc.; coordenadas homogêneas e geometria
projetiva – utilizando comumente para representar consistentemente transfor-
mações a…ns e processos de projeção( paralela, perspectiva, modelos de câmera
virtual): números complexos – em rotação no plano e também em processa-
mento de imagens, incluindo transformadas de co-seno, Fourier, etc.; quatérnios
– rotação espaciais e implementação de cinemática inversa( resolver problemas
de posicionamento de juntas articuladas).
Redes Elétricas: circuitos elétricos que contenham somente resistências
e geradores de energia podem se analisados usando sistemas lineares derivados
das leias básicas da teoria de circuitos.
Distribuição de Temperatura de Equilíbrio: uma tarefa básica da ciên-
cia e da engenharias, que pode se reduzida a resolver um sistema de equações
lineares através de técnicas matriciais interativas, é determinar a distribuição
de temperatura de objetos tais como a do aço saindo da fornalha.
Cadeias de Markov: os registros meteorológicos de uma localidade es-
pecí…ca podem ser usados para estimar a probabilidade de que vá chover em
um certo dia a partir da informação de que choveu ou não no dia anterior. A
teoria das cadeias de Markov pode utilizar tais dados para prever, com muita
antecedência, a probabilidade de um dia chuvoso na localidade.
Genética: os mandatários do Egito recorriam a casamentos entre irmãos
para manter a pureza da linhagem real. Este costume propagou e acentuou
certos traços genéticos através de muitas gerações. A teoria das matrizes fornece
um referencial matemático para examinar o problema geral da propagação de
traços genéticos.
Crescimento Populacional pó Faixa Etária: a con…guração popula-
cional futura pode ser projetada aplicando álgebra matricial às taxas, especi…-
cas por faixas etárias, de nascimento e mortalidade da população. A evolução
a longo prazo da população depende das características matemáticas de uma
matriz de projeção que contém os parâmetros demográ…cos da população.
Colheita de Populações Animais: a colheita sustentada de uma criação
de animais requer o conhecimento da demogra…a da população animal. Para
30
maximizar o lucro de uma colheita periódica, podem ser comparadas diversas
estratégias de colheita sustentada utilizando técnicas matriciais que descrevem
a dinâmica do crescimento populacional.
Criptogra…a: durante a Segunda Guerra Mundial, os decodi…cadores
norte americanos e britânicos tiveram êxito em quebrar o código militar inimigo
usando técnicas matemáticas e máquinas so…sticadas (por exemplo, a Enigma).
Hoje me dia, o principal impulso para o desenvolvimento de códigos seguros
é dado pelas comunicações con…dencias entre computadores e em telecomuni-
cações.
Construção de Curvas e Superfícies pó Pontos Especí…cos: em seu tra-
balho “Principia Mathematica” ( os princípios matemáticos da Filoso…a Nat-
ural) I. Newton Abordou o problema da construção de uma elipse por cinco
pontos dados. Isto ilustraria como encontrar a órbita de um cometa ou de
um planeta através da análise de cinco observações. Ao invés de utilizarmos o
procedimento geométrico de Newton, podemos utilizar os determinantes para
resolver o problema analiticamente.
Programação Linear Geométrica: um problema usual tratado na área
de programação linear é o da determinação de proporções dos ingredientes em
uma mistura com o objetivo de minimizar seu custo quando as proporções
variam dentro de certos limites. Um tempo enorme do uso de computadores
na administração e na indústria é dedicado a problemas de programação linear.
O problema na Alocação de Tarefas: um problema importante na in-
dústria é o do deslocamento de pessoal e de recursos de uma maneira e…ciente
quanto ao custo. Por exemplo, uma construtora pode querer escolher rotas para
movimentar equipamento pesado de seus depósitos para os locais de construção
de maneira a minimizar a distância total percorrida.
Modelos Econômicos de Leontief : num sistema econômico simpli…cado,
uma mina de carvão, uma ferrovia e uma usina de energia necessitam cada uma
de uma parte da produção das outras para sua manutenção e para suprir outros
consumidores de seu produto. Os Modelos de produção de Leontief podem ser
usados para determinar o nível de produção necessário às três indústrias para
manter o sistema econômico.
Interpolação Spline Cúbica: as fontes tipográ…cas PostScript e True-
Type usadas em telas de monitores e por impressoras são de…nidas por curvas
polinomiais por partes denominadas splines. Os parâmetros que os determinam
estão armazenados na memória do computador, um conjunto de parâmetros
para cada um dos caracteres de uma particular fonte.
31
Teoria de Grafos: a classi…cação social num grupo de animais é uma
relação que pode ser descrita e analisada com a teoria de grafos, Esta teoria
também tem aplicações a problemas tão distintos como a determinação de rotas
de companhias aéreas e a análise de padrões de votação.
Tomogra…a Computadorizada: um dos principais avanços no diagnós-
tico médico é o desenvolvimento de métodos não invasivos para obter imagens
de seções transversais do corpo humano, como a tomogra…a computadorizada
e a ressonância magnética. Os métodos da Álgebra Linear podem ser usados
para reconstruir imagens a partir do escaneamento por raios X da tomogra…a
computadorizada.
Conjuntos Fractais: conjuntos que podem ser repartidos em versões
congruentes proporcionalmente reduzidas do conjunto original são denominadas
fractais. Os fractais são atualmente aplicados à compactação de dados com-
putacionais. Os métodos de Álgebra Linear podem ser usados para construir e
classi…car fractais
Teoria do Caos: os pixels que constituem ema imagem matricial podem
ser embaralhados repetidamente de uma mesma maneira, na tentativa de torna-
los aleatórios. Contudo, padrões indesejados podem continuar aparecendo no
processo. A aplicação matricial que descreve o processo de embaralhar ilustra
tanto a ordem quanto a desordem que caracterizam estes processos caóticos.
Um Modelo de Mínimos Quadrados para a Audição Humana: o ouvido
interno contém uma estrutura com milhares de receptores sensoriais ciliares.
Estes receptores, movidos pelas vibrações do tímpano, respondem a freqüências
diferentes de acordo com sua localização e produzem impulsos elétricos que
viajam até o cérebro através do nervo auditivo. Desta maneira, o ouvido interno
age como um processador de sinais que decompõe uma onda sonora complexa
em um espectro de freqüências distintas.
Deformações e Mor…smos: você já deve ter visto em programas de
televisão ou clips musicais imagens mostrando rapidamente o envelhecimento
de uma mulher ao longo do tempo, ou a transformação de um rosto de mul-
her no de uma pantera, a previsão de como seria hoje o rosto de uma criança
desaparecida há 15 anos atrás, etc. Estes processos são feitos a partir de al-
gumas poucas fotos. A idéia de continuidade, de evolução do processo, é feita
através do computador.Este processo de deformação é chamado de mor…smo,
que se caracteriza por misturas de fotogra…as reais com fotogra…as modi…cadas
pelo computador. Tais técnicas de manipulação de imagens têm encontrado
aplicações na indústria médica, cienti…ca e de entretenimento.
Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro
32
ônibus espacial dos EUA (lançado em 1981) foi uma vitória da engenharia de
controle de sistemas, envolvendo muitas áreas da engenharia - aeronáutica,
química , elétrica, hidráulica e mecânica. Os sistemas de controle de ônibus
espacial são absolutamente críticos para vôo. Ele requer um constante moni-
toramento por computador durante o vôo atmosférico. O sistema de vôo en-
via uma sequência de comandos para a superfície de controle aerodinâmico.
Matematicamente , os sinais de entrada e saída de um sistema de Engenharia
são funções. É importante para as aplicações que essas funções possam ser
somadas e multiplicadas por escalares. Essas duas operações em funções tem
propriedades algébricas que são completamente análogas às operações de soma
de vetor e multiplicação de vetor por escalar no R
n
. Por esse motivo, o conjunto
de todas as entradas possíveis (funções) é chamado de um espaço vetorial.
A fundamentação matemática para a engenharia de sistemas repousa sobre es-
paços vetoriais de funções, portanto precisamos estender a teoria de vetores do
R
n
de modo a incluir tais funções.
Antes de apresentarmos a sua de…nição, analisaremos em paralelo dois
objetos: o conjunto formado pelas funções 1 : R ÷ R, denotado por 1(R)
e o conjunto das matrizes quadradas de ordem : com coe…cientes reais que
denotaremos por '
n
(R).
A soma de duas funções 1 e o de 1(R) é de…nida como:
(1 +o)(r) = 1(r) +o(r).
Note também que se c ÷ R podemos multiplicar o escalar c pela função
1 . da seguinte forma:
(c1) (r) = c(1(r))
resultando num elemento de 1(R).
Com relação a '
n
(R) podemos somar duas matrizes quadradas de
ordem :,
¹+1 = (a
I,
+/
I,
)
nrn
que é um elemento de '
n
(R).
Com relação à multiplicação do escalar c pela matriz ¹ ÷ R
c¹ = (ca
I,
)
nrn
o qual também ÷ '
n
(R).
O que estes dois exemplos acima, com a adição de seus elementos e
multiplicação de seus elementos por escalares, têm em comum?
Ver…ca-se facilmente a partir das propriedades dos números reais que,
com relação a quaisquer funções 1, o e / em 1(R) e para c. ÷ R, são válidos
os seguintes resultados:
1. 1 +o = o +1
2. 1 + (o +/) = (1 +o) +/
3. Se o representa a função nula então 1 +o = 1
33
4. 1 + (÷1) = 0
5. c(1) = (c)1
6. (c +)1 = c1 +1
7. c(1 +o) = c1 +co
8. 11 = 1
Agora, com relação a quaisquer matrizes ¹. 1. e C em '
n
e para todo
c. ÷ R, também são válidos os seguintes resultados:
1. ¹+1 = 1 +¹
2. ¹+ (1 +C) = (¹+1) +C
3. Se 0 representa a matriz nula então ¹+ 0 = ¹
4. ¹+ (÷¹) = 0
5. c(¹) = (c)¹
6. (c +)¹ = c¹+¹
7. c(¹+1) = c¹+c1
8. 1¹ = ¹
Observamos que o conjunto das funções bem como o das matrizes, quando
munidos de soma e multiplicação por escalar, apresentam propriedades algébri-
cas comuns. Existem muitos outros exemplos de conjuntos que apresentam as
mesmas propriedades acima. Para não estudarmos separadamente cada con-
junto, estudaremos um conjunto genérico e não vazio, \ , sobre o qual supomos
estar de…nidas as operações de adição e multiplicação por escalar.
De…nição 33 Um espaço vetorial \ é um conjunto, cujos elementos são chama-
dos vetores, no qual estão de…nidas duas operações: a adição, que a cada par
de vetores, n e · ÷ \ faz corresponder um novo vetor denotado por n +· ÷ \ ,
chamado a soma de n e ·, e a multiplicação por um número real, que a cada c ÷
R e a cada vetor · ÷ \ faz corresponder um vetor denotado por c·, chamado
produto de c por ·. Estas operações devem satisfazer, para quaisquer c. ÷ R
e n, · e n ÷ \ as seguintes propriedades:
1. Comutatividade: n +· = · +n
2. Associatividade: (n +·) +n = n + (· +n)
3. Vetor nulo: existe um vetor nulo 0 ÷ \ tal que · +0 = · para todo · ÷ \
4. Inverso aditivo: Para cada · ÷ \ existe ÷· ÷ \ tal que ÷· +· = 0
34
5. Distributividade: (c +)· = c· +·
6. (c)· = c(·)
7. c(n +·) = cn +c·
8. Multiplicação por 1: 1.n = n
Exemplo 34 Para todo número natural :, o símbolo R
n
representa o espaço
vetorial euclidiano n-dimensional. Os elementos de R
n
são as listas ordenadas
(chamadas n-uplas) n = (r
1,
r
2,
r
3,.......,
r
n
). · = (n
1
. n
2,
n
3
. ......n
n
) de números
reais. Por de…nição a igualdade vetorial n = · signi…ca as : igualdades numéri-
cas
r
1
= n
1,
r
2
= n
2
. .....r
n
= n
n
.
Em R
n
de…nimos as operações:
n +· = (r
1
+n
1
. r
2
+n
2,
....r
n
+n
n
)
e
cn = (cr
1,
cr
2
. .....cr
n
)
Veri…ca-se sem di…culdades, que estas de…nições fazem do R
n
um E. V. (veri-
…que).
Exemplo 35 O conjunto dos polinômios em r. de grau menor ou igual a : é
de…nido por :
1
n
=
¸
j(r) = a
o
+a
1
r +..... +a
n1
r
n1
+a
n
r
n
a
o
. a
1
. ..... a
n1
. a
n
÷ R

com as operações de adição de polinômios e multiplicação de um polinômio por
um escalar é um espaço vetorial. Note que cada elemento de 1
n
é uma função
j : R ÷R
Exemplo 36 O conjunto das matrizes de…nido por
'(:. :) = ¦¹
nn
= ¦a
I,
¦ a
I,
÷ R. i = 1. ... : e , = 1. ... :¦
com a soma usual de matrizes e multiplicação usual de um escalar por uma
matriz é um espaço vetorial.
No caso particular das matrizes quadradas de ordem : denotaremos
'(:. :) por '
n
.
Exemplo 37 Seja o conjunto R
2
= ¦(r. n) r. n ÷ R¦ com as operações assim
de…nidas:
35
(r
1
. n
1
) + (r
2
. n
2
) = (r
1
+r
2
. n
1
+n
2
)
c(r. n) = (cr. n)
O conjunto R
2
com estas operações não é um espaço vetorial, de fato:
Vamos mostrar que falha a propriedade 5) do E.V.
(c +)n = (c +)(r
1
. n
1
) = ((c +)r
1
. n
1
) = (cr
1
+r
1
. n
1
)
cn +n = = c(r
1
. n
1
) +(r
1
. n
1
) = (cr
1
. n
1
) + (r
1
. n
1
) = (cr
1
+r
1
. 2n
1
)
= (c +)n = cn +n
2.2 Subespaços
De…nição 38 Seja \ um espaço vetorial. Dizemos que \ · \ é um subespaço
vetorial de \ se forem satisfeitas as seguintes condições:
1. se n, · ÷ \ então n +· ÷ \
2. se n ÷ \ então cn ÷ \ para todo c ÷ R.
Podemos fazer três observações:
« as condições da de…nição garantem que ao operarmos em \ (soma e mul-
tiplicação por escalar) não obteremos um vetor fora de \. Isto é su…ciente
para a…rmar que \ é ele próprio um E.V.
« Qualquer subespaço \ de \ precisa conter o vetor nulo.
« Todo espaço vetorial admite pelo menos dois subespaços: o conjunto for-
mado pelo vetor nulo e o próprio E.V.
Exemplo 39 Seja \ = R
5
e \ = ¦0. r
2,
r
3
. r
4
. r
5
) , \ é um subespaço veto-
rial?
Resolução:
veri…camos as condições de subespaço: seja n = (0. r
2,
r
3
. r
4
. r
5
) ÷ \ e
· = (0. n
2,
n
3
. n
4
. n
5
) ÷ \
1. n +· = (0. r
2
+n
2,
r
3
+n
3
. r
4
+n
4
. r
5
+n
5
) ÷ \
2. cn = c(0. r
2,
r
3
. r
4
. r
5
) = (0. cr
2,
cr
3
. cr
4
. cr
5
) ÷ \
logo \ é um subespaço vetorial.
36
Exemplo 40 Seja o = ¦(r. n. .) ÷ R
3
r + n + . = 0¦, o é um subespaço de
R
3
?
Resolução:
Dados n = (r
1
. n
1
. .
1
) ÷ o e · = (r
2
. n
2
. .
2
) ÷ o
1. n +· = (r
1
. n
1
. .
1
) + (r
2
. n
2
. .
2
) = (r
1
+r
2
. n
1
+n
2
. .
1
+.
2
)
Como n = (r
1
. n
1
. .
1
) ÷ o =r
1
+n
1
+.
1
= 0. Analogamente r
2
+n
2
+.
2
=
0. e podemos concluir que (r
1
+r
2
) + (n
1
+n
2
) + (.
1
+.
2
) = 0 =n +· ÷ o
2. cn = c(r
1
. n
1
. .
1
) = (cr
1
. cn
1
. c.
1
) para todo c = cr
1
+ cn
1
+ c.
1
=
c(r
1
+n
1
+.
1
) = c0 = 0 e dai cn ÷ o
Portanto, o é um subespaço vetorial de R
3
.
Exemplo 41 \ = '
n
e \ é o subconjunto das matrizes triangulares superi-
ores. \ é subespaço de \ , pois a soma das matrizes triangulares superiores
ainda é uma matriz triangular superior, assim como o produto de uma matriz
triangular por um escalar (Veri…que).
Exemplo 42 Uma situação importante em que aparece um subespaço é obtida
ao resolvermos um sistema linear homogêneo. Considere o sistema homogêneo
¹A = O, onde ¹ é uma matriz :: e A é uma matriz coluna :1.Se A
1
e
A
2
são duas soluções do sistema ¹A = O então tem-se ¹A
1
= O e ¹A
2
= O.
Mas ¹(A
1
+A
2
) = ¹A
1
+ ¹A
2
= O+O = O, logo A
1
+A
2
é uma solução do
sistema ¹A = O. Também, ¹(/A
1
) = /¹A
1
= O. portanto /A
1
é uma solução
do sistema ¹A = O.
Como o conjuntos das matrizes A
n1
é uma espaço vetorial temos que o
subconjunto de todas as matrizes de ordem : 1 que são soluções do sistema
¹A = O é uma subespaço vetorial do espaço vetorial formadso por todas as
matrizes de ordem : 1
Exemplo 43 Seja \ = R
2
e \ = ¦(r. r
2
) ÷ R
2
r ÷ R). Se escolhermos
n = (1. 1) e · = (2. 4) ÷ \, temos: n + · = (3. 5) ´ ÷ \, portanto \ não é
subespaço vetorial de R
2
.
Exemplo 44 Seja \ = R
2
e \ = ¦(r. n) ÷ R
2
n = 2r¦, \ é subespaço
vetorial de R
2
. pois temos:
1. Para n = (r
1
. 2r
1
) e · = (r
2
. 2r
2
) ÷ \ tem-se n +· = (r
1
+r
2
. 2(r
1
+
r
2
)) ÷ \, pois a segunda componente de n + · é igual ao dobro da
primeira.
2. cn = c(r
1
. 2r
1
) = (cr
1
. 2(cr
1
)) ÷ \, pois a segunda componente de cn
é igual ao dobro da primeira.
37
Exemplo 45 Considere o espaço vetorial '
2
e a matriz 1 =
¸
0 ÷1
1 0

÷
'
2
.Seja \ = ¦¹ ÷ '
2
¹1 = 1¹¦. Veri…que se \ é um espaço vetorial
de '
2
.
1
o
Solução: Sejam ¹
1
. ¹
2
petencente a '
2
.

1

2
) 1 = ¹
1
1+¹
2
1 = 1¹
1
+1¹
2
= 1(¹
1

2
) =(¹
1

2
) ÷ '
2
(/¹
1
) 1 = / (¹
1
1) = / (1¹
1
) = 1(/¹
1
) =(/¹
1
) ÷ '
2
Logo \ é um subespaço vetorial de \.
2
o
Solução: Tomando ¹ =
¸
a /
c d

÷ \. sabe-se que a matriz ¹ deve satis-
fazer a relação ¹1 = 1¹.Portanto
¸
a /
c d
¸
0 ÷1
1 0

=
¸
0 ÷1
1 0
¸
a /
c d

¸
/ ÷a
d ÷c

=
¸
÷c ÷d
a /

/ = ÷c
÷a = ÷d =a = d
a = d
÷c = / =/ = ÷c
Logo ¹ =
¸
a /
÷/ a

=\ =
¸
a /
÷/ a

÷ '
2
a. / ÷ R
¸
Sejam n =
¸
a /
÷/ a

e · =
¸
r n
÷n r

n +· =
¸
a /
÷/ a

+
¸
r n
÷n r

=
¸
a +r / +n
÷/ ÷n a +r

=
¸
a +r / +n
÷(/ +n) a +r

÷ \
/n = /
¸
a /
÷/ a

=
¸
/a //
÷// /a

÷ \
Como n +· ÷ \ e /n ÷ \ =\ é um subespaço vetorial de '
2
2.3 Intersecção de dois Subespaços Vetoriais
De…nição 46 Dados \
1
e \
2
subespaços de um espaço vetorial \ , a inter-
secção \
1
¨ \
2
ainda é um subespaço de \ .
Exemplo 47 \ = R
3
. Seja \
1
= ¦(r. n. .) ÷ R
3
´ n = 0) e \
2
= ¦(r. n. .) ÷
R
3
´ r = 0). \
1
¨ \
2
é a reta de intersecção dos planos \
1
e \
2
. ou seja
\
1
¨ \
2
= ¦(r. n. .) ÷ R
3
´ r = 0 e n = 0)
Exemplo 48 \ = R
3
. Seja \
1
= ¦(r. n. .) ÷ R
3
´ r + n + . = 0) e \
2
=
¦(r. n. .) ÷ R
3
´ r +n ÷. = 0).
38
Para encontrarmos a intersecção dos dois subespaços
devemos resolver o sistema

r +n +. = 0
r +n ÷. = 0
A solução desse sistema é . = 0. n = ÷r. Portanto \
1
¨ \
2
= ¦(r. n. .) ÷
R
3
´ . = 0 e n = ÷r)
Exemplo 49 \ = 1
3
. Seja \
1
= ¦j ÷ 1
3
j
0
(1) = 0¦ e \
2
= ¦j ÷ 1
3

j
00
(1) = 0¦
Como j ÷ 1
3
então j = a + /r + cr
2
+ dr
3
. com
a. /. c. d ÷ R. Se j ÷ \
1
então j
0
(1) = 0 = / + 2c + 3d = 0. Se j ÷ \
2
então
j
00
(1) = 0 = 2c + 6d = 0. Para que j pertença a \
1
¨ \
2
devemos resolver o
sistema

/ + 2c + 3d = 0
2c + 6d = 0
c = ÷3d
/ = 3d
Portanto \
1
¨ \
2
= ¦j ÷ 1
3
j = a + 3dr ÷3dr
2
+dr
3
¦
Exemplo 50 \ = '(:. :). \
1
= ¦matrizes triangulares superiores}; \
2
=
¦matrizes triangulares inferiores}. Então \
1
¨ \
2
= ¦matrizes diagonais}.
Exemplo 51 Seja \ = '
2
=

a /
c d

e
\
1
=

a /
0 0

. a. / ÷ R
¸
\
2
=

a 0
c 0

. a. c ÷ R
¸
\ = \
1
¨ \
2
é um subespaço de \ , pois
\ =

a 0
0 0

. a ÷ R
¸
Exemplo 52 Sejam \
1
e \
2
dados por:
\
1
= ¦(r. n) ÷ R
2
; r +n = 0¦
e
\
2
= (r. n) ÷ R
2
; r ÷n = 0¦
39
será que \
1
' \
2
é um subespaço vetorial de \ ?
Solução :
Não. Basta considerar \ = R
2
.
n = (1. 1) ÷ \
2
· = (1. ÷1) ÷ \
1
mas n + · = (1. 1) + (1. ÷1) = (2. 0) ´ ÷ \
1
' \
2
(represente gra…camente
esta soma de vetores)
2.4 Combinação Linear
De…nição 53 Seja \ um espaço vetorial real, ·
1
. ·
2
. ....... ·
n
÷ \ e a
1
. a
2,.........
a
n
÷
R. Então, o vetor
· = a
1
·
1
+a
2
·
2
+..... +a
n
·
n
é um elemento de \ ao que chamamos de combinação linear de ·
1
. ·
2
. ....... ·
n
.
Exemplo 54 Em R
2
os vetor · = (10. 16) é uma combinação linear dos
vetores
·
1
= (1. 2) ·
2
= (3. 4) pois · = 4·
1
+ 2·
2
.
Exemplo 55 Veri…que se o vetor · = (3. 2. 1) pode ser escrito como uma com-
binação linear dos vetores ·
1
= (1. 1. 1). ·
2
= (1. ÷1. 1). ·
3
= (1. 1. ÷1).
Devemos veri…car se existem números a. /. c tais que · = a·
1
+/·
2
+c·
3
.
ou seja,
(3. 2. 1) = a(1. 1. 1) +/(1. ÷1. 1) +c(1. 1. ÷1).
devemos então resolver o sistema

1 1 1
1 ÷1 1
1 1 ÷1
¸
¸

a
/
c
¸
¸
=

3
2
1
¸
¸
Mas esse sistema tem uma única solução a =
3
2
. / =
1
2
e c = 1. portanto
· pode realmente ser escrito como combinação de ·
1
. ·
2
e ·
3
. da forma · =
3
2
·
1
+
1
2
·
2

3
.
Exemplo 56 No espaço vetorial 1
2
o polinômio j = 7r
2
+ 11r ÷ 26 é combi-
nação linear dos polinômios: c
1
= 5r
2
÷ 3r + 2 e c
2
= ÷2r
2
+ 5r ÷ 8. de fato
j = 3c
1
+ 4c
2
(con…ra).
Exemplo 57 Veri…que que em 1
2
o polinômio j(r) = 1+r
2
é uma combinação
dos polinômios c(r) = 1, r(r) = 1 +r e :(r) = 1 +r +r
2
.
40
Resolução:
Precisamos encontrar números reais, a
1
. a
2
e a
3
tais que:
j(r) = a
1
c(r) +a
2
r(r) +a
3
:(r)
Ou seja, precisamos encontrar a
1
. a
2
e a
3
satisfazendo:
1 +r
2
= a
1
+a
2
(1 +r) +a
3
(1 +r +r
2
)
1.1 + 0r + 1.r
2
= (a
1
+a
2
+a
3
) + (a
2
+a
3
) r +a
3
r
3
que é equivalente ao sistema:

a
1
+a
2
+a
3
= 1
a
2
+a
3
= 0
a
3
= 1
:=a
1
= 1; a
2
= ÷1 c a
3
= 1.
Exemplo 58 Consideremos , no R
3
, os seguintes vetores: ·
1
= (1. ÷3. 2) e
·
2
= (2. 4. ÷1). Escreva o vetor · = (÷4. ÷18. 7) como combinação linear dos
vetores ·
1
e ·
2
.
Resolução:
· = a
1
·
1
+a
2
·
2
(÷4. ÷18. 7) = a
1
(1. ÷3. 2)+a
2
(2. 4. ÷1) = (1a
1
. ÷3a
1
. 2a
1
)+(2a
2
. 4a
2
. ÷1a
2
) =
= (a
1
+ 2a
2
. ÷3a
1
+ 4a
2,
2a
1
÷a
2
) que é equivalente ao sistema:

a
1
+ 2a
2
= ÷4
÷3a
1
+ 4a
2
= ÷18
2a
1
÷a
2
= 7
=a
1
= 2. a
2
= ÷3.
Portanto, · = 2·
1
÷ 3·
2
. Agora mostre que o vetor · = (4. 3. ÷6) não é
combinação linear dos vetores ·
1
= (1. ÷3. 2) e ·
2
= (2. 4. ÷1).
2.5 Dependência e Independência Linear
De…nição 59 Seja \ um espaço vetorial e ·
1
. ·
2
. ....... ·
n
÷ \. Dizemos que o
conjunto ¦·
1
. ·
2
. ....... ·
n
¦ é linearmente independente (LI), se a equação:
a
1
·
1
+a
2
·
2
+.... +a
n
·
n
= 0
implica que
a
1
= a
2
= ... = a
n
= 0.
No caso, em que exista algum a
I
= 0 dizemos que ¦·
1
. ·
2
. ....... ·
n
¦ é linear-
mente dependente (LD).
Para determinarmos se um conjunto é L.I. ou L.D. devemos fazer a
combinação linear do conjunto de vetores e igualar esta combinação linear ao
vetor nulo do espaço. Portanto é muito importante ter conhecimento do vetor
nulo do espaço em que estamos trabalhando.
41
De…nição 60 Considere o espaço vetorial R
3
e os conjunto de vetores:
c = ¦(1. 2. 3) . (1. 1. 1). (1. 0. 0)¦
= ¦(1. 2. 3) . (1. 1. 1). (3. 5. 7)¦
Os conjuntos c e acima são L.I ou L.D?
Solução:
Fazendo a combinação linear
a (1. 2. 3) +/(1. 1. 1) +c(1. 0. 0) = (0. 0. 0)
temos o sistema homogêneo:

a +/ +c = 0
2a +/ = 0
3a +/ = 0
¸
¸
cuja única solução é a = / = c = 0. Portanto o conjunto c é L.I
Fazendo a combinação linear
a (1. 2. 3) +/(1. 1. 1) +c(3. 5. 7) = (0. 0. 0)
temos o sistema homogêneo:

a +/ + 3c = 0
2a +/ + 5c = 0
3a +/ + 7c = 0
¸
¸
que possui in…nitas soluções ( grau de liberdade 1). Portanto além da solução
nula ( que todo sistema homogêneo tem) este sistema possui outras soluções
diferentes da solução nula, logo o conjunto é L.D.
Teorema 61 O conjunto ¦·
1
. ·
2
. ....... ·
n
¦ é LD se, e somente se um dos vetores
do conjunto for uma combinação linear dos outros.
Exemplo 62 a) Seja \ = R
3
. Sejam ·
1
. ·
2
÷ \.O conjunto ¦·
1
. ·
2
¦ é LD se e
somente se ·
1
e ·
2
estiverem na mesma reta que passa pela origem (um vetor
é múltiplo do outro), ·
1
= `·
2
.
b) Em \ = R
2
. c
1
= (1. 0) e c
2
= (0. 1) são LI, pois:
a
1
c
1
+a
2
c
2
= 0 ==a
1
(1. 0) +a
2
(0. 1) = (0. 0) ==(a
1,
a
2
) = (0. 0)
logo a
1
= 0 e a
2
= 0 portanto, c
1
e c
2
são LI.
Exemplo 63 No espaço Vetorial '
2
o conjunto:
¹ =
¸
÷1 2
÷3 1

.
¸
2 ÷3
3 0

.
¸
3 ÷4
3 1
¸
é LD. Examinemos a equação: a
1
·
1
+a
2
·
2
+a
3
·
3
= 0
42
a
1
¸
÷1 2
÷3 1

+a
2
¸
2 ÷3
3 0

+a
3
¸
3 ÷4
3 1

=
¸
0 0
0 0

cuja solução é a
1
= ÷a
3
e a
2
= ÷2a
3.
.Como existem soluções a
I
= 0. o conjunto
é LD.
Propriedades da Dependência e da Independência Linear
Seja V um E.V
1. Se ¹ = ¦·¦ · \ e · =
÷÷
0 , então ¹ é LI.
2. Se um conjunto ¹ · \ contém o vetor nulo, então ¹ é LD
3. Se um conjunto ¹ · \ é LI, qualquer parte de ¹
1
de ¹ também é LI.
2.6 Subespaços Gerados
De…nição 64 Seja \ um espaço vetorial. Consideramos um subconjunto ¹ =
¦·
1
. ·
2
. ....... ·
n
¦ · \. ¹ = ?.O conjunto \ de todos os vetores de \ que são
combinações lineares dos vetores de A é um subespaço de \. Simbolicamente, o
subespaço \ é:
\ = ¦· ÷ \ · = a
1
·
1
+a
2
·
2
+.... +a
n
·
n
¦
O subespaço \ diz-se gerado pelos vetores ·
1
. ·
2
. ...·
n
.. ou gerado pelo con-
junto A, e representa-se por:
\ = [·
1
. ·
2
. ...·
n
.] on \ = G(¹)
Os vetores ·
1
. ·
2
. ...·
n
.são chamados geradores do sube-
spaço \. enquanto ¹ é o conjunto gerador de \.
Para o caso particular de ¹ = ?. de…ne-se [?] = ¦
÷÷
0 ¦
¹ · G(¹), ou seja, ¦ ·
1
. ·
2
. ...·
n
¦ · [·
1
. ·
2
. ...·
n
]
Todo conjunto ¹ · \ gera um subespaço vetorial de \ , podendo ocorrer
G(¹) = \ . Nesse caso, ¹ é um conjunto gerador de \.
Exemplo 65 Os vetores i = (1. 0) e , = (0. 1) geram o espaço vetorial R
2
,
pois, qualquer (r. n) ÷ R
2
é combinação linear de i e , :
(r. n) = ri +n, = r(0. 1) +n(0. 1) = (r. 0) + (0. n) = (r. n)
Então: [i. ,] = R
2
.
Exemplo 66 Seja \ = R
3
. Determinar o subespaço gerado pelo vetor ·
1
=
(1. 2. 3).
43
Solução: Temos:

1
] = ¦(r. n. .) ÷ R
3
´(r. n. .) = a(1. 2. 3). a ÷ R¦
Da igualdade: (r. n. .) = a(1. 2. 3) vem: r = a; n = 2a; . = 3a donde:
n = 2r e . = 3r logo ,
[·] = ¦(r. n. .) ÷ R
3
´n = 2r e . = 3r¦ on [·
1
] = ¦(r. 2r. 3r); r ÷ R¦.
Exemplo 67 Encontre o subespaço vetorial de 1
3
gerado por l = ¦1. t. t
2
. 1 +
t
3
¦
Resolução:
note que t
3
= (t
3
+ 1) ÷ 1. Assim, dado j(t) = a
o
+ a
1
t + a
2
t
2
+ a
3
t
3
÷ 1
3
podemos escrever
j(t) = (a
0
÷a
3
) +a
1
t +a
2
t
2
+a
3
(t
3
+ 1) ÷ l
Ou seja, qualquer vetor (polinômio) de 1
3
pode ser escrito como uma combi-
nação linear dos vetores do conjunto l. Logo 1
3
= [l].
Exemplo 68 Encontre o subespaço vetorial gerado de '
2
gerado por
G =

0 1
0 0

.

0 0
÷1 0
¸
Resolução: Temos que ¹ ÷ [G] se e somente se existirem a e / ÷ R tais que
¹ = a

0 1
0 0

+/

0 0
÷1 0

=

0 a
÷/ 0

ou seja, ¹ ÷ [G] se e somente se os elementos da diagonal principal de ¹ são
nulos.
Exemplo 69 Encontre um conjunto de geradores para \ = ¦A ÷ '(4. 1)
¹A = 0¦ onde
¹ =

¸
¸
¸
1 1 ÷1 0
2 0 1 1
3 1 0 1
0 ÷2 3 1
¸

Resolução:
A =

¸
¸
¸
a
/
c
d
¸

÷ \ ==

¸
¸
¸
1 1 ÷1 0
2 0 1 1
3 1 0 1
0 ÷2 3 1
¸

¸
¸
¸
a
/
c
d
¸

=

¸
¸
¸
0
0
0
0
¸

=.
44

¸
¸
¸
1 1 ÷1 0
0 ÷2 3 1
0 0 0 0
0 0 0 0
¸

¸
¸
¸
a
/
c
d
¸

=

¸
¸
¸
0
0
0
0
¸

=

¸
¸
¸
1 1 ÷1 0
0 1 ÷3´2 ÷1´2
0 0 0 0
0 0 0 0
¸

¸
¸
¸
a
/
c
d
¸

=

¸
¸
¸
0
0
0
0
¸

=

a =
c
2
÷
J
2
/ =
3c
2
+
J
2
isto é,
A =

¸
¸
¸
c
2
÷
J
2
3c
2
+
J
2
c
d
¸

= c

¸
¸
¸
1
2
3
2
1
0
¸

+d

¸
¸
¸
1
2
1
2
0
1
¸

jorta:to. \ =

¸
¸
¸
1
2
3
2
1
0
¸

.

¸
¸
¸
1
2
1
2
0
1
¸

¸
¸
¸
¸
2.7 Soma de Subespaços
De…nição 70 Sejam \
1
e \
2
dois subespaços vetoriais de \. Então o conjunto
\
1
+\
2
= ¦· ÷ \ · = n
1
+n
2
. n
1
÷ \
1
c n
2
÷ \
2
¦
é um subespaço de \.
Exemplo 71 \
1
=
¸
a /
0 0
¸
e \
2
=
¸
0 0
c d
¸
.onde a. /. c. d ÷ R.
Então \
1
+\
2
=
¸
a /
c d
¸
= '
2
.
Exemplo 72 Sejam os subespaços vetoriais
\
1
= ¦(a. /. 0); a. / ÷ R¦ c \
2
= ¦(0. 0. c). c ÷ R¦
do espaço vetorial R
3
. A soma \
1
+ \
2
= ¦(a. /. c); a. /. c ÷ R¦ é subespaço
vetorial, que nesse caso é o próprio R
3
.
Proposição 73 Quando \
1
¨ \
2
= ¦
÷÷
0 ¦, então \
1
+ \
2
é chamado soma
direta de \
1
com \
2
. e denotado por \
1
\
2
.
Observação 74 Usando os geradores podemos obter uma caracterização da
soma de dois subespaços: Sejam \ e l subespaços de \. se \ = [n
1
. .... n
n
] e
l = [n
1
. .... n
n
] então \ +l = [n
1
. .... n
n
. n
1
. .... n
n
]
45
Exemplo 75 Veri…que que R
3
é a soma direta de
\
1
= ¦(r. n. .) ÷ R
3
; r +n +. = 0¦
e
\
2
= ¦(r. n. .) ÷ R
3
; r = n = 0¦
Resolução:
Note que \
2
é de fato um subespaço vetorial de R
3
(Veri…que)
Dado · ÷ \
1,
· = (r. n. ÷r ÷n) e n ÷ \
2
. n = (0. 0. .)
n +· = (r. n. ÷r ÷n +.) = R
3
vamos mostrar que \
1
¨ \
2
=

÷÷
0
¸
. Seja (r. n. .) ÷ \
1
¨ \
2
temos:

÷r ÷n +. = 0
r = 0
n = 0
==(r. n. .) = (0. 0. 0)
Exemplo 76 Encontre os geradores do subespaço l +\ onde
l =
¸
(r. n. .) ÷ R
3
r +n +. = 0

. e
\ =
¸
(r. n. .) ÷ R
3
r +n = 0 c r ÷. = 0

Resolução: Se · ÷ l = · = (r. n. ÷r ÷ n) = r(1. 0. ÷1) + n(0. 1. ÷1) logo
l = [(1. 0. ÷1). (0. 1. ÷1)]
Se · ÷ \ =· = (r. ÷r. r) = r(1. ÷1. 1) logo \ = [(1. ÷1. 1)]
Usando a teoria acima explicada temos que
l +\ = [(1. 0. ÷1). (0. 1. ÷1). (1. ÷1. 1)]
2.8 Base e Dimensão de um Espaço Vetorial
2.8.1 Base
Um conjunto = ¦·
1
. ·
2
. ....... ·
n
¦ · \ é uma base do E.V se:
1. é LI
2. gera \
Exemplo 77 = ¦(1. 1). (÷1. 0)¦ é base de R
2
. De fato:
1. é LI pois a(1. 1) +/(÷1. 0) = (0. 0) ==a = / = 0
2. gera R
2
, pois para todo (r. n) ÷ R
2
, tem-se :
(r. n) = n(1. 1) + (n ÷r)(÷1. 0)
Realmente , a igualdade (r. n) = a(1. 1) +/(÷1. 0) ==a = n e / = n ÷r.
46
Exemplo 78 O conjunto ¦(0. 1). (0. 2)¦não é base de R
2
pois é um conjunto
LD. Se
(0. 0) = a(0. 1) +/(0. 2)
temos a = ÷2/. Assim para cada valor de / conseguimos um valor para a. ou
seja, temos in…nitas soluções.
Exemplo 79 Seja \ = R
3
então c = ¦(1. 0. 0). (0. 1. 0). (0. 0. 1)¦ é uma base
do R
3
(veri…que!).
Exemplo 80 O conjunto = ¦1. r. r
2
. .... r
n
¦ é uma base do espaço vetorial
1
n
. De fato:
a
o
+a
1
r +a
2
r
2
+..... +a
n
r
n
= 0
a
o
+a
1
r +a
2
r
2
+..... +a
n
r
n
= 0 + 0r + 0r
2
+..... + 0r
n
==a
0
= a
1
= ..... = a
n
= 0
portanto, é LI.
gera o espaço vetorial 1
n,
pois qualquer polinômio j ÷ 1
n
pode ser escrito
assim:
j = a
o
+a
1
r +a
2
r
2
+..... +a
n
r
n
que é uma combinação linear de 1. r. r
2
. .... r
n
.
Logo, é uma base de 1
n
.Essa é a base canônica de 1
n
e tem :+1 vetores.
Exemplo 81 Encontre uma base para l +\ onde
l =
¸
(r. n. .) ÷ R
3
r +n +. = 0

c
\ =
¸
(r. n. .) ÷ R
3
r +n = 0 c r ÷. = 0

Resolução: l = [(1. 0. ÷1). (0. 1. ÷1)] e \ = [(1. ÷1. 1)] ( Já vimos este
exemplo)
l +\ = [(1. 0. ÷1). (0. 1. ÷1). (1. ÷1. 1)].
Já temos um conjunto que gera a soma, se este conjunto for L.I. então ele
será uma base.
a(1. 0. ÷1) +/(0. 1. ÷1) +/(1. ÷1. 1) = (0. 0. 0)

1 0 1
0 1 ÷1
÷1 ÷1 1
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
¹ =

1 0 1
0 1 ÷1
÷1 ÷1 1
¸
¸

1
=

0 ÷1 ÷1
1 2 1
1 1 1
¸
¸

a
/
c
¸
¸
=

0 ÷1 ÷1
1 2 1
1 1 1
¸
¸

0
0
0
¸
¸
=

0
0
0
¸
¸
logo o conjunto é L.I e portanto. = ¦(1. 0. ÷1). (0. 1. ÷1). (1. ÷1. 1)¦ é uma
base de l +\
47
Exemplo 82 Encontre uma base para l +\ onde
l =
¸
(r. n. .) ÷ R
3
r ÷n +. = 0 e r ÷n = 0

. c
\ =
¸
(r. n. .) ÷ R
3
r +n ÷. = 0 c r ÷. = 0

Se · = (r. n. .) ÷ l =

r ÷n +. = 0
r ÷n = 0
= · = (r. r. 0) = r(1. 1. 0).
portanto l = [(1. 1. 0)] .
Se n = (r. n. .) ÷ \ =

r +n ÷. = 0
r ÷. = 0
=n = (r. 0. r) = r(1. 0. 1).portanto
\ = [(1. 0. 1)]
Assiml+\ = [(1. 1. 0. ). (1. 0. 1)] . Como o conjunto = ¦(1. 1. 0. ). (1. 0. 1)¦
é L.I então ele é uma base para l +\.
Como o conjunto = ¦(1. 0. ÷1). (0. 1. ÷1). (1. ÷1. 1)¦ é LI (veri…que isto) e
gera o espaço l +\ então ele é uma base do espaço l +\.
Exemplo 83 Dados:
l = ¦¹ ÷ '
2
(R); ¹ = ¹
|
¦ c \ =
¸
1 1
0 1

c: '
2
encontre uma base para l. \. l ¨ \. \ +l
Resolução:
Para l : ¹ =

a /
c d

=c = / portanto, ¹ ÷ l se existirem a
1
. a
2
. a
3
÷
R tais que
¹ = a
1

1 0
0 0

+a
2

0 1
1 0

+a
3

0 0
0 1

pode-se veri…car facilmente que as matrizes

1 0
0 0

.

0 1
1 0

.

0 0
0 1
¸
são L.I e portanto, como geram l, formam uma base de l.
Para \: Como a matriz

1 1
0 1

gera \, ela serve para base de \
Para l ¨ \ :
¹ ÷ l ¨ \ =¹ = ¹
|
e existe c ÷ R tal que
¹ =

c c
0 c

, isto é, se e somente se existir c ÷ R tal que

c c
0 c

=

c 0
c c

48
que é satisfeita quando c = 0 , ou seja, ¹ = 0.Desse modo l ¨ \ = ¦0¦. Uma
base para l ¨ \ é = c. Veja a observação a seguir para elucidar esse fato.
Observação: Seja \ um espaço vetorial e
÷÷
0 ÷ \ o vetor nulo de \. Como
o conjunto =

÷÷
0
¸
é LD (mostre isto) temos que este conjunto não pode ser
uma base do conjunto · =

÷÷
0
¸
. Este é um caso patológico e para que não seja
contrariada a de…nição de base tomamos = c (conjunto vazio) como sendo
base para o espaço · =

÷÷
0
¸
Para l +\ : Como l ¨\ = ¦0¦ temos l +\ é soma direta e, portanto,
uma base é :

1 0
0 0

.

0 1
1 0

.

0 0
0 1

.

1 1
0 1
¸
Proposição 84 "Todo conjunto LI de um espaço vetorial \ é base do subespaço
por ele gerado ".
Exemplo 85 O conjunto = ¦(1. 2. 1). (÷1. ÷3. 0)¦ · R
3
é LI e gera o sube-
spaço
\ = ¦(r. n. .) ÷ R
3
´3r ÷n ÷. = 0
_
¦.
Então, é base de \, pois é LI e gera \.
Teorema 86 Sejam ·
1
. ·
2
. ...·
n
, vetores não nulos que geram um espaço veto-
rial \ . Então, dentre estes vetores podemos extrair uma base de \ .
Proposição 87 Seja um E.V \ gerado por um conjunto …nito de vetores
·
1
. ·
2
. ...·
n
. Então qualquer conjunto com mais de n vetores é necessariamente
LD (e, portanto, qualquer conjunto LI tem no máximo n vetores).
2.8.2 Dimensão
Seja \ um Espaço Vetorial.
Se \ possui uma base com : vetores, então \ tem dimensão : e anota-se
dim\ = :.
Se \ não possui uma base, ou seja, a base é = c então di:\ = 0
Se \ possui uma base com in…nitos vetores, então dim\ é in…nita e anota-se
dim\ = ·
Exemplo 88 dimR
2
= 2 pois toda base de R
2
tem 2 vetores
Exemplo 89 dim'(2. 2) = 4
Exemplo 90 dim'(:. :) = :.:
Exemplo 91 dim1
n
= : + 1
Proposição 92 Seja \ um E. V. tal que dim\ = :
49
Se \ é um subespaço de \ então dim\ _ :. No caso de dim\ = : ,
tem-se \ = \ . Para permitir uma interpretação geométrica, consideremos o
espaço tridimensional R
3
(dimR
3
= 3).
A dimensão de qualquer subespaço \ do R
3
só poderá ser 0. 1. 2 ou 3.
Portanto, temos os seguintes casos:
1. dim\ = 0, então \ = ¦0) é a origem
2. dim\ = 1, então \ é uma reta que passa pela origem
3. dim\ = 2, então \ é um plano que passa pela origem
4. dim\ = 3 então \ = R
3
.
Proposição 93 Seja \ um E. V de dimensão :. Então, qualquer subconjunto
de \ com mais de : vetores é Linearmente Dependente (LD).
Proposição 94 Sabemos que o conjunto é base de um espaço vetorial se
for LI e gera \ . No entanto, se soubermos que dim\ = : , para obtermos uma
base de \ basta que apenas uma das condições de base esteja satisfeita.
Exemplo 95 O conjunto = ¦(2. 1). (÷1. 3)¦ é uma base do R
2
. De fato, como
dimR
2
= 2 e os dois vetores dados são LI (pois nenhum vetor é múltiplo escalar
do outro), eles formam uma base do R
2
.
2.8.3 Dimensão da Soma de Subespaços Vetoriais
Proposição 96 Seja \ um espaço vetorial de dimensão …nita. Se l e \ são
subespaços vetoriais de \ então dim(l +\) = diml +dim\ ÷dim(l ¨\).
No exemplo (83 ) de base , para encontrar a base de l + \ podemos usar
esta proposição: dim(l + \) = diml + dim\ ÷ dim(l ¨ \) = 3 + 1 ÷ 0 =
4 = dim'
2
, portanto, l +\ = '
2
e uma base pode ser dada por:

1 0
0 0

.

0 1
0 0

.

0 0
1 0

.

0 0
0 1
¸
2.8.4 Coordenadas
Seja \ um espaço vetorial gerado e uma base de \ formada pelos vetores
n
1
. n
2 ....
n
n
.
· ÷ \ sendo
· = r
1
n
1
+r
2
n
2
+... +r
n
n
n
Os coe…cientes r
1
. r
2
. ...r
n
são chamados componentes ou coordenadas de · em
relação a base e se representa por :
[·]
o
=

¸
¸
¸
r
1
r
2
:
r
n
¸

50
Exemplo 97 No R
2
consideremos as bases c = ¦(1. 0). (0. 1)¦. = ¦(2. 0). (1. 3)¦
e = ¦(1. ÷3). (2. 4)¦. Dado o vetor · = (8. 6) tem-se:
(8. 6) = 8(1. 0) + 6(0. 1)
(8. 6) = 3(2. 0) + 2(1. 3)
(8. 6) = 2(1. ÷3) + 3(2. 4)
temos: [·]
o
=

8
6

. [·]
o
=

3
2

e [·]
~
=

2
3

.
Exemplo 98 Mostre que os vetores (1. 1. 1). (0. 1. 1) e (0. 0. 1) formam uma
base de R
3
. Encontre as coordenadas de (1. 2. 0) ÷ R
3
com relação à base
formada pelos vetores acima.
Resolução:
Já sabemos que dim R
3
= 3.Então veri…camos se os vetores acima são LI.
Os vetores são LI se a
1
·
1
+ a
2
·
2
+ a
3
·
3
= 0 = a
1
= a
2
= a
3
= 0. Isto é
equivalente a que o sistema:

a
1
= 0
a
1
+a
2
= 0
a
1
+a
2
+a
3
= 0
cuja solução é a
1
= a
2
= a
3
= 0 , portanto, os vetores ·
1
. ·
2
e ·
3
são LI.
(1. 2. 0) = a(1. 1. 1) +/(0. 1. 1) +c(0. 0. 1) = (a. a +/. a +/ +c)
que é equivalente ao sistema:

a = 1
a +/ = 2
a +/ +c = 0
=a = 1. / = 1 c c = ÷2
. Desse modo, as coordenadas de (1. 2. 0) em relação à base é dado por
[·]
o
=

¸
1
1
÷2
¸

2.9 Mudança de Base
Muitos problemas aplicados podem ser simpli…cados mudando-se de um sistema
de coordenadas para outro. Mudar sistemas de coordenadas em um espaço
vetorial é, essencialmente, a mesma coisa que mudar de base. Por exemplo,
num problema em que um corpo se move no plano rn, cuja trajetória é uma
elipse de equação r
2
+ rn + n
2
÷ 3 = 0 (ver …gura), a descrição do moviemnto
torna-se muito simpli…cada se ao invés de trabalharmos com os eixos r e n
utilizamos um referencial que se apóia nos eixos principais da elipse. Neste
novo referencial, a equação da trajetória será mais simples: 3n
2
+ 2·
2
= 6.
51
i
i
j
52
Nesta seção, vamos discutir o problema de mudar de um sistema de coorde-
nadas para outro.
Sejam = ¦n
1,...,
n
n
¦ e
0
= ¦n
1,
.....
,
n
n
¦ duas bases ordenadas de um
mesmo espaço vetorial \ . Dado um vetor · ÷ \ , podemos escrevê-lo como:
· = r
1
n
1
+.... +r
n
n
n
(2.1)
· = n
1
n
1
+.... +n
n
n
n
Como podemos relacionar as coordenadas de · em relação à base
[·]
o
=

r
1
r
2
:
r
n
¸
¸
¸
¸
com as coordenadas do mesmo vetor · em relação à base
0
[·]
o
;
0 =

n
1
n
2
:
n
n
¸
¸
¸
¸
já que ¦n
1,...,
n
n
¦ é base de \. podemos escrever os vetores n
I
como combinação
linear dos n
,
, isto é:
53

n
1
= a
11
n
1
+a
21
n
2
+.... +a
n1
n
n
n
2
= a
12
n
1
+a
22
n
2
+.... +a
n2
n
n
:
n
n
= a
1n
n
1
+a
2n
n
2
+.... +a
nn
n
n
(2.2)
Substituindo em (2.1) temos:
· = n
1
n
1
+... +n
n
n
n
= n
1
(a
11
n
1
+a
21
n
2
+.... +a
n1
n
n
) +... +n
n
(a
1n
n
1
+
a
2n
n
2
+.... +a
nn
n
n
) =
= (a
11
n
1
+... +a
1n
n
n
)n
1
+..... + (a
n1
n
1
+... +a
nn
n
n
)n
n
Mas · = r
1
n
1
+ .... + r
n
n
n
, e como as coordenadas em relação a uma base
são únicas, temos:
r
1
= a
11
n
1
+a
12
n
2
+... +a
1n
n
n
r
2
= a
21
n
1
+a
22
n
2
+... +a
2n
n
n
: : :
r
n
= a
n1
n
1
+a
n2
n
2
+... +a
nn
n
n
Em forma matricial

r
1
:
r
n
¸
¸
=

a
11
: a
1n
: : :
a
n1
a
n2
a
nn
¸
¸

n
1
:
n
n
¸
¸
Logo ,se usarmos a notação
[1]
o
0
o
=

a
11
: a
1n
: : :
a
n1
a
n2
a
nn
¸
¸
temos a relação
[·]
o
= [1]
o
0
o
[·]
o
0
A matriz [1]
o
0
o
é chamada matriz mudança de base
0
para a base .
Compare [1]
o
0
o
com (2.2) e observe que esta matriz é obtida, colocando as
coordenadas em relação a de n
I
na i-ésima coluna. Note que uma vez obtida
[1]
o
0
o
podemos encontrar as coordenadas de qualquer vetor · em relação à base
, multiplicando a matriz pelas coordenadas de · na base
0
(supostamente
conhecida).
Exemplo 99 Sejam = ¦(2. ÷1). (3. 4)¦ e
0
= ¦(1. 0). (0. 1)¦ bases de R
2
.
Procuremos inicialmente [1]
o
0
o
n
1
= (1. 0) = a
11
(2. ÷1) +a
21
(3. 4) = (2a
11
+ 3a
21
. ÷a
11
+ 4a
21
)
Isto implica que a
11
=
4
11
e a
21
=
1
11
n
2
= (0. 1) = a
12
(2. ÷1) +a
22
(3. 4)
Resolvendo, a
12
=
3
11
e a
22
=
2
11
54
Portanto, [1]
o
0
o
=

4
11
3
11
1
11
2
11
¸
¸
Podemos usar esta matriz para encontrar por exemplo, [·]
o
para · = (5. ÷8)
[(5. ÷8)]
o
= [1]
o
0
o
[(5. ÷8)]
o
0 =

4
11
3
11
1
11
2
11
¸
¸

5
÷8
¸
¸
=

4
÷1
¸
¸
Isto é, (5. ÷8) = 4(2. ÷1) ÷1(3. 4)
Exemplo 100 Considere as bases em R
3
= ¦(1. 0. 1). (1. 1. 1). (1. 1. 2)¦ e

= ¦(1. 0. 0). (0. 1. 0). (0. 0. 1)¦ .
Encontre[1]
o
0
o
.
Resolução:
(1. 0. 0) = a
11
(1. 0. 1) +a
21
(1. 1. 1) +a
31
(1. 1. 2)
(0. 1. 0) = a
12
(1. 0. 1) +a
22
(1. 1. 1) +a
32
(1. 1. 2) =
(0. 0. 1) = a
31
(1. 0. 1) +a
23
(1. 1. 1) +a
33
(1. 1. 2)
(a
11
+a
21
+a
31,
a
21
+a
31
. a
11
+a
21
+ 2a
31
) = (1. 0. 0)
(a
12
+a
22
+a
32,
a
22
+a
32
. a
12
+a
22
+ 2a
32
) = (0. 1. 0)
(a
13
+a
23
+a
33,
a
23
+a
33
. a
13
+a
23
+ 2a
33
) = (0. 0. 1)
Note que cada linha acima representa um sistema de três equações com três
incógnitas e que a matriz associada a cada um destes sistemas é a mesma e o
que muda são os nomes das variáveis e o segundo membro. Utilizando como
variáveis r. n e . . basta resolvermos o seguinte sistema:

¸
1 1 1
0 1 1
1 1 2
¸

¸
r
n
.
¸

=

¸
a
/
c
¸

onde a. /. c ÷ R. O sistema acima é equivalente a

¸
1 1 1
0 1 1
0 0 1
¸

¸
r
n
.
¸

=

¸
a
/
c ÷a
¸

cuja solução é dada por r = a ÷/. n = a +/ ÷c e . = c ÷a
Tomando (a. /. c) = (1. 0. 0).obtemos (a
11
. a
21
. a
31
) = (1. 1. ÷1)
Tomando (a. /. c) = (0. 1. 0).obtemos (a
12
. a
22
. a
32
) = (÷1. 1. 0)
Tomando (a. /. c) = (0. 0. 1).obtemos (a
13
. a
23
. a
33
) = (0. ÷1. 1). Desta forma
obtemos:
[1]
o
0
o
=

¸
1 ÷1 0
1 1 ÷1
÷1 0 1
¸

55
2.10 A Inversa da Matriz de Mudança de Base
Se em (2.1 )começarmos escrevendo os n
I
em função dos n
,
, chegaremos à
relação:
[·]
o
0 = [1]
o
o
0 [·]
o
Um fato importante é que as matrizes [1]
o
0
o
e [1]
o
o
0 são inversíveis e

[1]
o
0
o

1
= [1]
o
o
0
Exemplo 101 No exemplo (99 ) anterior podemos obter [1]
o
0
o
a partir de [1]
o
o
0
Note que [1]
o
o
0 é fácil de ser calculada , pois
0
é a base canônica
(2. ÷1) = 2(1. 0) ÷1(0. 1)
(3. 4) = 3(1. 0) + 4(0. 1)
= [1]
o
o
0 =
¸
2 3
÷1 4

Então
[1]
o
0
o
=
¸
2 3
÷1 4

1
=

4
11
3
11
1
11
2
11
¸
¸
56
2.11 Oitava lista de exercícios
1. Veri…que se R
2
com as operações de…nidas por:
i. (r. n) + (:. t) = (:. n +t). onde u = (r. n) e v = (:. t) pertencem a R
2
ii. c(r. n) = (cr. n). onde c ÷ R e u = (r. n) ÷ R
2
.
é um espaço vetorial.
2. Moste que R
2
com as operações de…nidas por:
i. (r. n) + (:. t) = (r + :. n + t). onde u = (r. n) e v = (:. t) pertencem a
R
2
ii. c(r. n) = (cr. cn). onde c ÷ R e u = (r. n) e v = (:. t) pertencem a
R
2
.
é um espaço vetorial .
3. Veri…que se em cada um dos itens abaixo o subconjunto \ é um subespaço
do espaço vetorial \.
(a) \ = R
3
e \ = ¦(r. n. .) ÷ R
3
: 2r + 3n ÷. = 0¦
(b) \ = R
3
e \ = ¦(r
1
. r
2
. r
3
) ÷ R
3
: r
1
+r
2
= 1¦
(c) \ = 1
n
e \ = ¦j ÷ 1
n
: j(0) = j(1)¦
(d) \ = '(:. :) e \ = ¦¹ ÷ '(:. :) : 1¹ = 0¦
(e) \ = '(2. 2) e o = ¦A ÷ '
2
dct(A) = 0¦ (o é o conjunto das
matrizes singulares)
(f) \ = '(2. 2) e 1 = ¦A ÷ '
n
¹A = A¹¦ (1 é o conjunto das
matrizes que comutam com a matriz ¹)
(g) \ = 1
3
e \ é o conjunto dos polinômios de oran _ 3 que passam
pelo ponto 1(0. 0).
4. Veri…que se o conjunto \ = ¦(1. 2. 3). (1. 3. 1). (0. 3. 1). (1. 4. 5)¦ · R
3
é
L.I ou L.D.
5. Dado o conjunto \ = ¦(1. 1. 3). (1. 2. 1). (0. 1. 3). (1. 4. 5)¦ · R
3
, extrair
um subconjunto de vetores L.I.
6. a) Se o conjunto = ¦·
1
. ·
2
. .... ·
n
¦ é um conjunto Linearmente Indepen-
dente então o o conjunto c =

·
1
.
÷÷
0 . ·
2
. .... ·
n
¸
é LI ou LD? Justi…que
sua resposta.
b) Considere o subespaço · =

÷÷
0
¸
. Qual é a base e a dimensão de
·.
57
7. a) Veri…que se o conjunto o = ¦¹ ÷ '(3. 3); ¹ c n:a :atri. a:ti ÷
:i: ctrica¦ é um subespaço vetorial de '(3. 3).
b) Considere o subconjunto de '
2
. dado por
\ =
¸
a /
c d

÷ '
2
/ = a e d = ÷a
¸
. Veri…que se o subconjunto
\ é um espaço vetorial.
8. Considere o subespaço de R
4
gerado pelos vetores v
1
= (1. ÷1. 0. 0). v
2
=
(0. 0. 1. 1). v
3
= (÷2. 2. 1. 1) e v
4
= (1. 0. 0. 0).
(a) O vetor (2. ÷3. 2. 2) ÷ [·
1
. ·
2
. ·
3
. ·
4
]? Justi…que.
(b) Exiba uma base para [v
1
. v
2
. v
3
. v
4
] . Qual é a dimensão deste espaço?
(c) [v
1
. v
2
. v
3
. v
4
] = R
4
? Por quê?
9. Considere o espaço vetorial 1
3
e o conjunto \ = ¦j(r) ÷ 1
3
; j
00
(1) = 0¦ .
(a) Veri…que se \ é um subespaço vetorial de 1
3
.
(b) Obtenha os geradores de \.
10. a) Encontre as coordenadas do vetor j = 1 + t + t
2
+ t
3
em relação base
c =
¸
2. 1 +t. t +t
2
. t
2
+t
3

de 1
3
b) O conjunto =
¸
2. t
2
. t +t
2

é LI ou LD? Justi…que sua resposta
11. Qual o subespaço gerado pelas matrizes

1 1
1 0

.

0 0
1 1

e

0 2
0 ÷1

?
12. Mostre com um exemplo que a união de dois subespaços vetoriais de um
mesmo espaço vetorial não precisa ser um subespaço vetorial desse espaço.
13. Responda se os subconjuntos abaixo são subespaços de '(2. 2).
(a) \ =
¸
a /
c d

com a. /. c. d ÷ R e / = c e a = ÷/
¸
(b) \ =
¸
a /
c d

com a. /. c. d ÷ R e / ÷1 = c + 1
¸
Em caso a…rmativo, determine:
i) uma base para \
1
¨ \
2
ii) \
1
+\
2
é soma direta?
iii) \
1
+\
2
= '(2. 2)?
14. Considere os subespaços de R
5
. \
1
= ¦(r. n. .. t. n)r +. +n = 0. r +n = 0¦ .
\
2
= ¦(r. n. .. t. n)n +. +t = 0¦ e \
3
= ¦(r. n. .. t. n)2r +t + 2n = 0¦.
(a) Determine uma base para o subespaço \
1
¨ \
2
¨ \
3
.
(b) Determine uma base e a dimensão de \
1
+\
3
.
58
(c) \
1
+\
2
é soma direta? Justi…que.
(d) \
1
+\
2
= R
5
?
15. Considere os seguintes subespaços de 1
3
:
l =

j ÷ 1
3
: j
00
(t) = 0
¸
e \ =

j ÷ 1
3
: j
0
(t) = 0
¸
Determine dim(l +\) e dim(l ¨ \) .
16. Sejam l = [(1. 0. 0). (1. 1. 1)] e \ = [(0. 1. 0). (0. 0. 1)] subespaços gerados
do R
3
. Determine:
(a) uma base e a dimensão de l ¨ \.
(b) l +\ = R
3
?
17. Considere o seguinte subespaço de '(2. 2)
o =
¸
a /
c d

÷ '(2. 2) : a +/ = c +d = 0
¸
(a) Determine uma base e indique a dimensão de o.
(b) Construa uma base de '(2. 2) que contenha a base de o obtida no
ítem a).
18. Determine a dimensão e encontre uma base do espaço-solução do sistema

r ÷3n +. = 0
2r ÷6n + 2. = 0
3r ÷9n + 3. = 0
19. Sejam l e \ subespaços de R
4
de dimensão 2 e 3. respectivamente.
Mostre que a dimensão de l ¨ \ é pelo menos 1. O que ocorre se a
dimensão de l ¨ \ for 2 ? Pode ser 3 ? Justi…que sua resposta.
20. Sejam = ¦(1. 0). (0. 1)¦.
1
= ¦(÷1. 1). (1. 1)¦.
2
= ¦

3. 1). (

3. ÷1)¦
e
3
= ¦(2. 0). (0. 2)¦ bases ordenadas de R
2
.
(a) Encontre a matrizes mudança de base:
i. [1]
o
1
o
ii. [1]
o
o
1
iii. [1]
o
o
2
iv. [1]
o
o
3
.
(b) Quais são as coordenadas do vetor · = (3. ÷2) em relação à base
i. ii.
1
iii.
2
iv.
3
.
59
(c) As coordenadas de um vetor u em relação à base
1
são dadas por
[u]
o
1
=
¸
4
0

Quais as coordenadas do vetor u em relação à base: i. ii.

2
iii.
3
21. Sejam1
4
=
¸
j = a
0
+a
1
r +a
2
r
2
+a
3
r
3
+a
4
r
4
a
0
. a
1
. a
2
. a
3
. a
4
÷ R

. c =
¸
1. r. r
2
. r
3
. r
4

e =
¸
2. 2r. 4r
2
. 8r
3
. 16r
4

.
(a) Determine [1]
o
o
..
(b) Se [j]
o
=

1
2
3
4
5
¸
¸
¸
¸
¸
¸
.determinar [j]
o
(c) Determine o polinômio j cujas coordenadas são dadas no item b)
acima.
22. Considere o seguinte subespaço de '
2
: \ =
¸
a /
c d

d = 0
¸
. Sejam
c =
¸
1 1
1 0

.
¸
1 ÷1
1 0

.
¸
1 1
÷11 0
¸
=
¸
1 0
1 0

.
¸
1 1
0 0

.
¸
1 0
0 0
¸
(a) Detemine [1]
o
o
(b) Se [·]
o
=

¬
c
0
¸
¸
. determine [·]
o
.
23. Sejamc e bases de R
3
. Determine a base sabendo que c = ¦(1. ÷1. 0). (0. 1. 0). (0. 0. ÷1)¦
e a matriz mudança de base de c para é
[1]
o
o
=

1 0 0
0 2 1
÷1 1 1
¸
¸
24. Seja 1 um espaço vetorial qualquer e ¦n
1
. n
2
. n
3
¦ uma base de 1. Con-
sidere ainda os vetores ·
1
= n
1
+n
2
. ·
2
= 2n
1
+n
2
÷n
3
e ·
3
= ÷n
2
.
(a) Determine a matriz o de mudança da base ¦·
1
. ·
2
. ·
3
¦ para a base
¦n
1
. n
2
. n
3
¦.
(b) Calcule as coordenadas do vetor n = ·
1

2
÷·
3
na base ¦n
1
. n
2
. n
3
¦.
60
25. Sejam c e bases de um espaço vetorial \
(a) Mostre que det

[1]
o
o
[1]
o
o

= 1
(b) Determine [1]
o
o
26. Veri…que se as a…rmações abaixo são VERDADEIRAS ou FALSAS.
Se forem verdadeiras, demonstre. Se forem falsas, dê um contra-exemplo.
(a) ( )A matriz

÷1 2
0 3

pertence ao subespaço \ =
¸
1 1
1 0

.

0 0
1 1

.

0 2
0 ÷1

.
(b) ( ) Se os vetores
÷÷
n .
÷÷
· e
÷÷
n são 11 então os vetores
÷÷
n ÷
÷÷
· .
÷÷
· ÷
÷÷
n
e
÷÷
n ÷
÷÷
n são 11
0
:.
61
Capítulo 3
TRANSFORMAÇÕES
LINEARES
De…nição 102 Sejam \ e \ dois espaços vetoriais. Uma Transformação Lin-
ear (aplicação linear) é uma função de \ em \. T : \ ÷ \. que satisfaz as
seguintes condições:
« Qualquer que sejam n e · em \ ,
T(n +·) = T(n) +T(·)
« Qualquer que sejam / ÷ R e · em \ ,
T(/·) = /T(·)
Exemplo 103 : Um agricultor planta e comercializa três tipos de verduras:
Tomate, Batata, Cenoura. Sejam r
1
. r
2
. r
3
as quantidades em quilos de To-
mate, Batata, Cenoura respectivamente. Se o agricultor vende o quilo do to-
mate a 1$ 2. 00.da batata a 1$ 1. 50 e da cenoura a 1$ 1. 90 então o total de
vendas (T
\
) é dado por 2r
1
+ 1. 5r
2
+ 1. 9r
3
. A aplicação que a cada tripla
(r
1
. r
2
. r
3
) ÷ R
3
associa o total de vendas T
\
(r
1
. r
2
. r
3
) é uma aplicação linear.
Matematicamente temos uma transformação linear do E.V R
3
no E.V R :
T
\
: R
3
÷R
T
\
(r
1
. r
2
. r
3
) = 2r
1
+ 1. 5r
2
+ 1. 9r
3
Vamos agora mostrar que de fato esta aplicação é uma transformação linear
Chamando n = (r
1
. r
2
. r
3
) ÷ R
3
. · = (n
1
. n
2
. n
3
) ÷ R
3
e / ÷ R temos:
62
i)
T
\
(n +·) = T
\
((r
1
. r
2
. r
3
) + (n
1
. n
2
. n
3
))
= T
\
(r
1
+n
1
. r
2
+n
2
. r
3
+n
3
)
= 2(r
1
+n
1
) + 1. 5(r
2
+n
2
) + 1. 9(r
3
+n
3
)
= 2r
1
+ 1. 5r
2
+ 1. 9r
3
+ 2n
1
+ 1. 5n
2
+ 1. 9n
3
= (2r
1
+ 1. 5r
2
+ 1. 9r
3
) + (2n
1
+ 1. 5n
2
+ 1. 9n
3
)
T
\
(n) = T(r
1
. r
2
. r
3
) = 2r
1
+ 1. 5r
2
+ 1. 9r
3
T
\
(·) = T(n
1
. n
2
. n
3
) = 2n
1
+ 1. 5n
2
+ 1. 9n
3
T
\
(n) +T
\
(·) = (2r
1
+ 1. 5r
2
+ 1. 9r
3
) + (2n
1
+ 1. 5n
2
+ 1. 9n
3
)
Logo T
\
(n +·) = T
\
(n) +T
\
(·).
ii)
T
\
(/n) = T
\
(/(r
1
. r
2
. r
3
))
= T
\
(/r
1
. /r
2
. /r
3
)
= 2/r
1
+ 1. 5/r
2
+ 1. 9/r
3
= / (2r
1
+ 1. 5r
2
+ 1. 9r
3
)
= /T(n)
Logo T
\
(/n) = /T
\
(n). De i) e ii) vemos que T
\
é uma transformação linear.
Exemplo 104 . Sejam \ = R. \ = R e 1 : R ÷ R dado 1(n) = n
2
. A
aplicação 1 não é uma transformação linear pois:
1(n +·) = (n +·)
2
= n
2
+ 2n· +·
2
1(n) +1(·) = n
2

2
1(n +·) = 1(n) +1(·)
Exemplo 105 T : R
2
÷R
3
. T(r. n) = (2r. 0. r +n)
T é uma transformação linear pois,
i)
T(n +·) = T ((r
1
. n
1
) + (r
2
. n
2
))
= T(r
1
+r
2
. n
1
+n
2
)
= (2(r
1
+r
2
). 0. (r
1
+r
2
) + (n
1
+n
2
))
= (2r
1
+ 2r
2
. 0 + 0. (r
1
+n
1
) + (r
2
+n
2
))
= (2r
1
. 0. r
1
+n
1
) . (2r
2
. 0. r
2
+n
2
)
= T(n) +T(·)
63
ii)
T(/n) = T (/(r
1
. n
1
))
= T (/r
1
. /n
1
)
= (2/r
1
. 0. /r
1
+/n
1
)
= / (2r
1
. 0. r
1
+n
1
)
/T(n)
Portanto T é uma transformação linear.
Exemplo 106 . \ = \ = 1
n
e
1 : 1
n
÷1
n1
1(1) = 1
0
a aplicação derivada que a cada polinômio associa sua derivada, a qual também
é um polinômio é uma aplicação linear. De fato, para quaisquer 1. o ÷ 1
n
e
/ ÷ R.
i)
1(1 +o) = (1 +o)
0
= 1
0
+o
0
= 1(1) +1(o)
ii)
1(/1) = (/1)
0
= /1
0
= /1(1)
Exemplo 107 \ = 1
n
. \ = 1
n+1
. j(r) = a
0
+a
1
r +a
2
r
2
+. . . +a
n
r
n
T : 1
n
÷1
n+1
T(j(r)) = rj(r) = a
0
r +a
1
r
2
+a
2
r
3
+. . . +a
n
r
n+1
A aplicação T é uma transformação linear pois
T(/j) = r(/j)(r) = r/j(r) = /rj(r) = /T(j)
T(j +c) = r(j +c)(r) = r(j(r) +c(r)) = rj(r) +rc(r) = T(j) +T(c)
Exemplo 108 \ = \ = 1
n
, j(r) = a
0
+a
1
r +a
2
r
2
+. . . +a
n
r
n
. a. / ÷ R e
T : 1
n
÷1
n
T(j(r)) = j(ar +/) = a
0
+a
1
(ar +/) +a
2
(ar +/)
2
+. . . +a
n
(ar +/)
n
64
Esta aplicação também é linear pois,
T(/j) = (/j)(ar +/) = /j(ar +/) = /T(j)
T(j +c) = (j +c)(ar +/) = j(ar +/) +c(ar +/) = T(j) +T(c)
Exemplo 109 Uma transformação linear inportante é aquela que se obtém
usando-se o produto escalar. Seja R
n
com o produto escalar usual '.. .` e ·
0
÷
R
n
um vetor qualquer …xado. Seja,
T : R
n
÷R
T(·) = '·. ·
0
`
T é uma aplicação linear (mostre isso, use as propriedades do produto escalar)
Exemplo 110 : Sejam C(R) = ¦1 : R ÷R ´ 1 é contínua¦ . Considere
J : C(R) ÷R
J(1) = 1(0)
Por exemplo se 1(t) = t
2
então
J(1) = 1(0) = 0
2
= 0
J é uma aplicação linear pois, se 1. o ÷ C(R) e / ÷ R então
J(1 +o) = (1 +o)(0) = 1(0) +o(0) = J(1) +J(o)
J(/1) = (/1) (0) = /1(0) = /J(1)
Exemplo 111 : Seja,
T : '
2
÷'
2
T
¸
a /
c d

=
¸
a +/ / +c
c +d d +a

Esta aplicação é uma transformação linear, pois
T
¸
a
1
/
1
c
1
d
1

+
¸
a
2
/
2
c
2
d
2

= T
¸
a
1
+a
2
/
1
+/
2
c
1
+c
2
d
1
+d
2

=
¸
a
1
+a
2
+/
1
+/
2
/
1
+/
2
+c
1
+c
2
c
1
+c
2
+d
1
+d
2
d
1
+d
2
+a
1
+a
2

=
¸
a
1
+/
1
/
1
+c
1
c
1
+d
1
d
1
+a
1

+
¸
a
2
+/
2
/
2
+c
2
c
2
+d
2
d
2
+a
1
+a
2

= T
¸
a
1
/
1
c
1
d
1

+T
¸
a
2
/
2
c
2
d
2

65
T

/
¸
a /
c d

= T

/
¸
/a //
/c /d

=
¸
/a +// // +/c
/c +/d /d +/a

= /
¸
a +/ / +c
c +d d +a

= /T
¸
a /
c d

Exemplo 112 : Seja,
T : '
n
÷R
T(¹) = det(¹)
Esta aplicação não é uma transformação linear, pois, em geral
det(¹
1

2
) = det(¹
1
) + det(¹
2
)
3.1 Propriedades das Transformações Lineares
Teorema 113 Dados dois espaços vetoriais reais \ e \ e uma base de \. =
¦·
1
. . ·
n
¦ . sejam n
1
. . n
n
elementos arbitrários de \. Então existe uma
aplicação linear T : \ ÷\ tal que T(·
1
) = n
1
. . T(·
n
) = n
n
. Esta aplicação
é dada por: Se · = a
1
·
1
+ +a
n
·
n
.
T(·) = a
1
T(·
1
) + a
n
T(·
n
) = a
1
n
1
+ a
n
n
n
Exemplo 114 Qual a transformação linear T : R
2
÷ R
3
tal que T(1. 0) =
(2. ÷1. 0) e T(0. 1) = (0. 0. 1)?
Solução: Temos neste caso ·
1
= (1. 0) e ·
2
= (0. 1) base de R
2
e n
1
=
(2. ÷1. 0) e n
2
= (0. 0. 1).
Dado · = (r. n) arbitrário,
· = r·
1
+n·
2
T(·) = T(r·
1
+n·
2
)
T(·) = rT(·
1
) +nT(·
2
)
T(·) = r(2. ÷1. 0) +n(0. 0. 1)
T(·) = (2r. ÷r. n)
66
Exemplo 115 Qual a transformação linear T : '
2
÷1
4
tal que
T
¸
1 0
0 0

= r
4
+r
T
¸
0 1
0 0

= r
3
+r
2
T
¸
0 0
1 0

= r
2
+r
3
T
¸
0 0
0 1

= r +r
4
Solução
Uma matriz ¹ ÷ '
2
é da forma ¹ =
¸
a /
c d

. Podemos escrever:
¸
a /
c d

= a
¸
1 0
0 0

+/
¸
0 1
0 0

+c
¸
0 0
1 0

+d
¸
0 0
0 1

, portanto
T
¸
a /
c d

= T

a
¸
1 0
0 0

+/
¸
0 1
0 0

+c
¸
0 0
1 0

+d
¸
0 0
0 1

= aT
¸
1 0
0 0

+/T
¸
0 1
0 0

+cT
¸
0 0
1 0

+dT
¸
0 0
0 1

T
¸
a /
c d

= a

r
4
+r

+/

r
3
+r
2

+c

r
2
+r
3

+d

r +r
4

T
¸
a /
c d

= (a +d)r + (/ +c)r
2
+ (/ +c)r
3
+ (a +d)r
4
De…nição 116 : Seja T : \ ÷ \ uma transformação linear. A imagem de
T é o conjunto de vetores n ÷ \ tais que existe um vetor · ÷ \ , que satisfaz
T(·) = n. Ou seja
Im(T) = ¦n ÷ \ / T(·) = n para algum · ÷ \ ¦
Observação 117 Note que Im(T) é um subconjunto de \ e, além disso, é um
subespaço vetorial de \.
Exemplo 118 Seja T : R
2
÷ R
2
a transformação linear dada por T(r. n) =
(2r ÷n. ÷10r +n). Qual dos vetores abaixo pertence a imagem de T
a) n = (1. 2)
b) n = (÷1. 2)
67
Solução: a) Para que n ÷ Im(T) deve existir algum · = (r. n) tal que
T(·) = n, ou seja, T(r. n) = (1. 2); temos então:
T(r. n) = (1. 2)
(2r ÷n. ÷10r +n) = (1. 2)

2r ÷n = 1
÷10r +n = 2
Resolvendo o sistema temos r = ÷
3
8
e n = ÷
7
4
. logo n pertence a imagem de T
pois T(÷
3
8
. ÷
7
4
) = n.
b) Analogamente deve existir algum · = (r. n) tal que T(·) = n. ou seja
T(r. n) = (÷1. 2)
(2r ÷n. ÷10r +n) = (÷1. 2)

2r ÷n = ÷1
÷10r +n = 2
Resolvendo o sistema temos r = ÷
1
8
e n =
3
4
logo n pertence a imagem de T
pois T(÷
1
8
. ÷
3
4
) = n
Exemplo 119 Determine a imagem da transformação linear T : R
3
÷ R
3
.
T(r. n. .) = (2r ÷n ÷.. r ÷n ÷.. r +n ÷.).
Solução: Se n ÷ Im(T) então n = T(r. n. .). ou seja,
n = (2r ÷n ÷.. r ÷n ÷.. r +n ÷.)
= r(2. 1. 1) +n(÷1. ÷1. 1) +.(÷1. ÷1. ÷1)
Logo todo vetor que pertence a imagem de T é gerado pelos vetores ·
1
=
(2. 1. 1). ·
2
= (÷1. ÷1. 1) e ·
3
= (÷1. ÷1. ÷1). Podemos então escrever que
Im(T) = [(2. 1. 1). (÷1. ÷1. 1). (÷1. ÷1. ÷1)] .
Como o conjunto = ¦(2. 1. 1). (÷1. ÷1. 1). (÷1. ÷1. ÷1)¦ é LI ( veri…que
isto) temos que é uma base para a Im(T). mas é base para R
3
, logo
concluimos que Im(T) = R
3
.
De…nição 120 Seja T : \ ÷ \. uma transformação linear. O conjunto de
todos os vetores · ÷ \ tais que T(·) =
÷÷
0 é chamado núcleo de T, sendo
denotado por 1cr(T). Isto é,
1cr(T) =

· ÷ \ T(·) =
÷÷
0
¸
Observação 121 Observe que 1cr(T) · \ é um subconjunto de \ e, ainda
mais, é um subespaço vetorial de \. Alguns autores denotam o núcleo de T por
·(T).
68
Exemplo 122 Seja T : \ ÷\, dada por T(·) =
÷÷
0 . Neste caso todo vetor de
\ é levado no vetor nulo pela transformação T. assim temos que 1cr(T) = \
Exemplo 123 Seja T : R
3
÷ R
3
a projeção ortogonal sobre o plano rn.
Neste caso temos T(r. n. .) = (r. n. 0). Se T(r. n. .) = (0. 0. 0) = (r. n. .) =
(0. 0. 0) = r = 0 e n = 0. Como nada é dito sobre a variável ., temos que . é
qualquer, logo 1cr(T) =
¸
(0. 0. .) ÷ R
3
. ÷ R

. ou seja o núcleo de T são
todos os vetores que estão sobre o eixo ..
Exemplo 124 Encontre o núcleo da transformação linear:
T : R
4
÷R
3
T(r. n. .. t) = (r +n +. ÷t. 2r +. ÷t. 2n ÷t)
Solução: Devemos encontrar os vetores · = (r. n. .. t) ÷ R
4
tais que T(·) =
T(r. n. .. t) = (0. 0. 0). Neste caso temos que resolver o sistema homogêneo:

r +n +. ÷t = 0
2r +. ÷t = 0
2n ÷t = 0
A matriz ampliada do sistema é:

1 1 1 ÷1
.
.
. 0
2 0 1 ÷1
.
.
. 0
0 2 0 ÷1
.
.
. 0
¸
¸
¸
¸
¸
=

1 1 1 ÷1
.
.
. 0
0 ÷2 ÷1 1
.
.
. 0
0 0 ÷1 0
.
.
. 0
¸
¸
¸
¸
¸
j
o
= j
c
= 3 e j = 3 < : = 4 logo o sistema é compatível e indeterminado
com grau de liberdade 1.
Logo,
69

r +n +. ÷t = 0
÷2n ÷. +t = 0
÷. = 0
o que nos fornece,
r = n
. = 0
t = 2n
Portanto 1cr(T) =
¸
(n. n. 0. 2n) ÷ R
4
n ÷ R

= [(1. 1. 0. 2)]
Exemplo 125 Seja T : R
3
÷ R
3
a transformação linear que é a projeção
ortogonal sobre a reta cujas equações paramétricas são:

r = 2t
n = 2t
. = t
Encontre o Núcleo de T.
Solução: Projetar um vetor sobre uma reta é o mesmo que encontrar a
projeção ortogonal sobre o vetor diretor dessa mesma reta. No nosso caso, o
vetor diretor é n = (2. ÷2. 1). logo
T(·) = jro,
u
· =

·.n
n.n

n
T(r. n. .) =

(r. n. .).(2. ÷2. 1)
(2. ÷2. 1).(2. ÷2. 1)

(2. ÷2. 1)
T(r. n. .) =

2r ÷2n +.
9

(2. ÷2. 1)
T(r. n. .) =

4r ÷4n + 2.
9
.
÷4r + 4n ÷2.
9
.
2r ÷2n +.
9

Para encontrar o núcleo devemos ter,
T(r. n. .) =

4r ÷4n + 2.
9
.
÷4r + 4n ÷2.
9
.
2r ÷2n +.
9

= (0. 0. 0)
4r ÷4n + 2. = 0
÷4r + 4n ÷2. = 0
2r ÷2n +. = 0
70

4 ÷4 2
÷4 4 ÷2
2 ÷2 1
¸
¸
, fazendo o escalonamento temos

4 ÷4 2
0 0 0
0 0 0
¸
¸
. assim
4r ÷4n + 2. = 0
0 = 0
0 = 0
2. = ÷4r + 4n
. = ÷2r + 2n
Portanto 1cr(T) =
¸
(r. n. ÷2r + 2n) ÷ R
3
r ÷ R

= [(1. 0. ÷2). (0. 1. 2)]
De…nição 126 Dada uma aplicação T : \ ÷ \, diremos que T é injetora
se dados n. · ÷ \ com T(n) = T(·) tivermos n = ·. Ou equivalentemente, T é
injetora se dados n. · ÷ \ com n = ·, então T(n) = T(·).
De…nição 127 Uma aplicação T : \ ÷ \ será sobrejetora se a imagem de
T coincidir com \. ou seja, T(\ ) = \.
Observação 128 Da de…nição acima vemos que uma função será sobrejetora
se dado n ÷ \, existir · ÷ \ tal que T(·) = n.
Teorema 129 Seja T : \ ÷\, uma aplicação linear. então 1cr(T) =

÷÷
0
¸
.
se e somente se T é injetora.
Teorema 130 Seja T : \ ÷\, uma aplicação linear. Então
dim1cr(T) + dimIm(T) = dim\
Corolário 131 Se dim\ = dim\, então T linear é injetora se e somente se
T é sobrejetora.
Corolário 132 Seja T : \ ÷ \, uma aplicação linear injetora. Se dim\ =
dim\, então T leva base em base.
Exemplo 133 Seja T : 1
n
÷ 1
n+1
, dada por T(j(r)) = rj(r).Veri…que se T
é bijetora.
Solução: Devemos veri…car se T é injetora e sobrejetora ao mesmo tempo.
Usando o teorema (129) devemos apenas calcular o núcleo de T :
T(j(r)) = rj(r)
T(a
0
+a
1
r +. . . +a
n
r
n
) = r(a
0
+a
1
r +. . . +a
n
r
n
)
T(a
0
+a
1
r +. . . +a
n
r
n
) = (a
0
r +a
1
r
2
+. . . +a
n
r
n+1
)
71
Se
T(j(r)) = 0
a
0
r +a
1
r
2
+. . . +a
n
r
n+1
= 0 = 0 + 0r + 0r
2
+. . . + 0r
n+1
logo a
0
= a
1
= . . . = a
n
= 0 =j(r) = 0 (j(r) é o polinômio nulo) =1cr(T) =

÷÷
0
¸
(observe que neste caso o vetor nulo de 1
n
é o polinômio nulo de grau n).
Portanto T é injetora.
Como dim1
n
= : + 1. dim1
n+1
= : + 2 e dim1cr(T) = 0. temos que
dim1cr(T) + dimIm(T) = : + 1
0 + dimIm(T) = : + 1
dimIm(T) = : + 1
Note que dimIm(T) = :+1 = :+2 = dim1
n+1
=Im(T) = 1
n+1
. Portanto
T não é sobrejetora e assim T não é bijetora
3.2 Transformações Lineares e Matrizes
3.2.1 Transformação linear associada a uma matriz
Seja ¹ uma matriz : :. Associada a matriz ¹ de…nimos a transformação
linear:
1
.
: R
n
÷R
n
· ÷¹.·
onde · é tomado como vetor coluna,
· =

r
1
.
.
.
r
n
¸
¸
¸
1
.
(·) = ¹.·
1
.
(·) =

a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸

r
1
.
.
.
r
n
¸
¸
¸
1
.

¸
¸

r
1
.
.
.
r
n
¸
¸
¸
¸

=

a
11
r
1
+ a
1n
r
n
.
.
.
a
n1
r
1
+ +a
nn
r
n
¸
¸
¸
Das propriedades de operações de matrizes:
72
1
.
(n +·) = ¹.(n +·) = ¹.n +¹.· = 1
.
(n) +1
.
(·)
1
.
(/n) = ¹.(/n) = /¹.n = /1
.
(n)
e portanto 1
.
é uma transformação linear.
Exemplo 134 Seja
¹ =

1 1 1 ÷1
2 0 1 ÷1
0 2 0 ÷1
¸
¸
Observe que a matriz ¹ tem ordem 3 4 e portanto ela induzirá uma transfor-
mação linear de R
4
para R
3
, de…nida por:
1
.
: R
4
÷R
3
1
.

¸
¸
¸

r
n
.
t
¸
¸
¸
¸
¸

=

1 1 1 ÷1
2 0 1 ÷1
0 2 0 ÷1
¸
¸

r
n
.
t
¸
¸
¸
¸
=

r +n +. ÷t
2r +. ÷t
2n ÷t
¸
¸
Note que a transformação acima está escrita em forma matricial, mas podemos
escreve-la também na forma vetorial que estamos acostumados:
1
.
(r. n. .. t) = (r +n +. ÷t. 2r +. ÷t. 2n ÷t)
Surpresa!! Esta é a mesma transformação do exemplo (124)
Exemplo 135 Dada a transformação linear:
T : R
3
÷R
2
T(r. n. .) = (10r ÷20n ÷30.. r ÷2n ÷3.)
Encontre a matriz da transformação T (Isto é, encontre a matriz ¹ cuja trans-
formação associada a ela é exatamente a transformação T)
Solução: Passando da forma vetorial para a forma matricial temos:
T

¸

r
n
.
¸
¸
¸

=
¸
10r ÷20n ÷30.
r ÷2n ÷3.

=
¸
10 ÷20 ÷30
1 ÷2 ÷3

r
n
.
¸
¸
73
Portanto a matriz de T. que denotaremos por [T] é
[T] =
¸
10 ÷20 ÷30
1 ÷2 ÷3

Observação 136 Ao obtermos a transformação associada a uma matriz ¹ (ou,
caso contrário, a matriz de uma transformação T), não mencionamos as bases
dos espaços envolvidos. De fato, ao obtermos a matriz de uma transformação
estamos levando em conta as bases associadas aos espaços R
n
e R
n
mas neste
caso em particular estamos considerando as bases canônicas. Isto …cará claro
na exposição a seguir.
De um modo geral, …xadas as bases = ¦·
1
. ·
2
. . ·
n
¦ e
0
= ¦n
1
. n
2
. . n
n
¦ .
à matriz
¹
nn
=

a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸
podemos associar
T
.
: R
n
÷R
n
· ÷T
.
(·)
da seguinte maneira: Seja
A = [·]
o
=

r
1
.
.
.
r
n
¸
¸
¸
¹.A =

a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸

r
1
.
.
.
r
n
¸
¸
¸ =

n
1
.
.
.
n
n
¸
¸
¸
então
T
.
(·) = n
1
n
1
+ +n
n
n
n
onde n
I
= ¹
I
.A e ¹
I
é a i-ésima linha de ¹.
Em geral, dada uma matriz ¹
nn
, ela é encarada como uma aplicação linear
T
.
: R
n
÷R
n
em relação às bases canônica de R
n
e R
n
.
3.2.2 Matriz de uma transformação linear
Agora iremos encontrar a matriz associada a uma transformação linear. Seja
T : \ ÷\ linear. = ¦·
1
. . ·
n
¦ base de \ e
0
= ¦n
1
. . n
n
¦ base de \.
Então T(·
1
). . . . . T(·
n
) são vetores de \ e portanto
T(·
1
) = a
11
n
1
+ + a
n1
n
n
.
.
.
.
.
.
.
.
.
T(·
n
) a
1n
n
1
+ + a
nn
n
n
74
A transposta da matriz dos coe…cientes deste sistema, denotada por [T]
o
o
0 é
chamada matriz de T em relação às bases e
0
:
[T]
o
o
0 =

a
11
a
1n
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸
Observação 137 Note que se ¹ = [T]
o
o
0 =

a
11
a
1n
.
.
.
.
.
.
a
n1
a
nn
¸
¸
¸ a transfor-
mação linear T passa a ser a transformação linear associada à matriz ¹ e
bases e
0
, iste é, T = T
.
Exemplo 138 Seja T : R
3
÷R
2
tal que T(r. n. .) = (2r+n ÷.. 3r÷2n +4.).
Sejam = ¦(1. 1. 1. ). (1. 1. 0). (1. 0. 0)¦ e
0
= ¦(1. 3). (1. 4)¦ .
Procuremos [T]
o
o
0
T(r. n. .) = (2r +n ÷.. 3r ÷2n + 4.)
T(1. 1. 1) = (2. 5) = a(1. 3) +/(1. 4)
T(1. 1. 0) = (3. 1) = c(1. 3) +d(1. 4)
T(1. 0. 0) = (2. 3) = c(1. 3) +1(1. 4)
Portanto temos os sistemas:
.
¸
a +/ = 2
3a + 4/ = 5
.

c +d = 3
3c + 4d = 1
.

c +1 = 2
3c + 41 = 3

Resolvendo os sistemas temos:

a = 3 / = ÷1 . c = 11 . d = ÷8 c = 5 1 = ÷3

[T]
o
o
0 =
¸
3 11 5
÷1 ÷8 ÷3

Teorema 139 : Sejam \ e \ espaços vetoriais, c base de \ , base de \ e
T : \ ÷\ uma aplicação linear. Então, para todo · ÷ \ vale:
Teorema 140
[T(·)]
o
= [T]
o
o
[·]
o
De…nição 141 Dada uma base e tranformação linear T : \ ÷ \ denotare-
mos a matriz [T]
o
o
apenas por [T]
o
e ela será chamada de matriz de T em relação
a base .
75
De…nição 142 Seja T : R
n
÷ R
n
uma transformação linear e c a base
canônica de R
n
. então a matriz de T em relação a base canônica c. [T]
o
o
. será
denotada simplesmente por [T] .
Exemplo 143 Seja T : 1
2
÷1
2
de…nido por T(j(r)) = j(3r ÷5). Determine
a matriz de T em relação a base =
¸
1. r. r
2

Devemos calcular [T]
o
= [T]
o
o
T(j) = j(3r ÷5)
T(a
0
+a
1
r +a
2
r
2
) = a
0
+a
1
(3r ÷5) +a
2
(3r ÷5)
2
T(a
0
+a
1
r +a
2
r
2
) = a
0
+ 3a
1
r ÷5a
1
+a
2
(9r
2
÷30r + 25)
T(a
0
+a
1
r +a
2
r
2
) = (a
0
÷5a
1
+ 25a
2
) + (3a
1
÷30a
2
)r + 9a
2
r
2
T(1) = T(1 + 0r + 0r
2
) = 1 = 1 + 0r + 0r
2
T(r) = T(0 + 1r + 0r
2
) = ÷5 + 3r = ÷5 + 3r + 0r
2
T(r
2
) = T(0 + 0r + 1r
2
) = 25 ÷30r + 9r
2
[T]
o
=

1 ÷5 25
0 3 ÷30
0 0 9
¸
¸
Exemplo 144 Seja T : R
3
÷R
3
dada por T(r. n. .) = (2r ÷3n ÷2.. r ÷n ÷
.. 2r÷n+.) e sejam c = ¦(1. 0. 0). (1. 1. 0). (1. 1. 1)¦ e = ¦(÷1. ÷1. 0). (÷1. 0. ÷1). (0. ÷1. ÷1)¦
bases do R
3
a) Determine [T]
o
o
, [T]
o
o
b) Se [·]
o
=

1
1
1
¸
¸
determine [T(·)]
o
.
c) Calcule a multiplicação das matrizes: [T]
o
o
[T]
o
o
. Que conclusão você pode
tirar em relação as duas matrizes, ou que relação há entre as duas matrizes?
Solução: a) Cálculo de [T]
o
o
T(r. n. .) = (2r ÷3n ÷2.. r ÷n ÷.. 2r ÷n +.)
T(1. 0. 0) =

2. 1. 2

= a
1
(÷1. ÷1. 0) +/
1
(÷1. 0. ÷1) +c
1
(0. ÷1. ÷1)
T(1. 1. 0) =

÷1. 0. 1

= a
2
(÷1. ÷1. 0) +/
2
(÷1. 0. ÷1) +c
2
(0. ÷1. ÷1)
T(1. 1. 1) =

÷3. ÷1. 2

= a
3
(÷1. ÷1. 0)+/
3
(÷1. 0. ÷1)+c
3
(0. ÷1. ÷1)
Devemos resolver os tres sistemas resultantes: Denotando por ¹ a matriz
dos coe…cientes do sistema,temos:
76
¹ =

÷1 ÷1 0
÷1 0 ÷1
0 ÷1 ÷1
¸
¸

1
=

÷
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
÷
1
2
¸
¸
Vamos resolver os sistemas por matriz inversa:

a
1
/
1
c
1
¸
¸
= ¹
1

2
1
2
¸
¸
=

÷
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
÷
1
2
¸
¸

2
1
2
¸
¸
=

÷
1
2
÷
3
2
÷
1
2
¸
¸

a
2
/
2
c
2
¸
¸
= ¹
1

÷1
0
1
¸
¸
=

÷
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
÷
1
2
¸
¸

÷1
0
1
¸
¸
=

1
0
÷1
¸
¸

a
3
/
3
c
3
¸
¸
= ¹
1

÷3
÷1
2
¸
¸
=

÷
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
1
2
÷
1
2
÷
1
2
¸
¸

÷3
÷1
2
¸
¸
=

3
0
÷2
¸
¸
Logo
[T]
o
o
=

÷
1
2
1 3
÷
3
2
0 0
÷
1
2
÷1 ÷2
¸
¸
Agora voce já está em condições de calcular [T]
o
o
. Faça esse cálculo como
exercício
b) Vamos usar a relação [T(·)]
o
= [T]
o
o
[·]
o
[T(·)]
o
= [T]
o
o
[·]
o
[T(·)]
o
=

÷
1
2
1 3
÷
3
2
0 0
÷
1
2
÷1 ÷2
¸
¸

1
1
1
¸
¸
[T(·)]
o
=

7
2
÷
3
2
÷
7
2
¸
¸
c) Faça você este item e tire suas conclusões. Mais adiante voce poderá
veri…car se suas conclusões estavam corretas.
Teorema 145 Seja T : \ ÷\ uma transformação linear e c e bases de \
e \ respectivamente. Então
dimIm(T) = posto de [T]
o
o
dim1cr(T) = nulidade de [T]
o
o
= número de colunas de [T]
o
o
÷jo:to [T]
o
o
Exemplo 146 Seja T : 1
2
÷ '
|
(2. 2) de…nida por T(j(r)) =
¸
j
0
(0) 2j(1)
0 j
00
(3)

onde j
0
é a derivada de j. Sejam .c =

1 1
0 0
.
0 1
0 0
.
0 0
1 1
.
1 0
0 1
¸
uma
base para '(2. 2) e =
¸
1. r. r
2

base para 1
2
.
77
a) Determine [T]
o
o
.
b) Determine uma base para ·(T).
c) Determine uma base para Im(T).
d) T é injetora? E sobrejetora? Justi…que.
SOLUÇÃO:
a)
Note que T(a +/r +cr
2
) =
¸
/ 2a + 2/ + 2c
0 2c

Determinando [T]
o
o
:
T(1) =
¸
0 2
0 0

= a
1 1
0 0
+/
0 1
0 0
+c
0 0
1 1
+d
1 0
0 1
T(r) =
¸
1 2
0 0

= c
1 1
0 0
+1
0 1
0 0
+o
0 0
1 1
+/
1 0
0 1
T(r
2
) =
¸
0 2
0 2

= i
1 1
0 0
+,
0 1
0 0
+|
0 0
1 1
+:
1 0
0 1
Logo, [T]
o
o
=

0 1 ÷2
2 1 4
0 0 0
0 0 2
¸
¸
¸
¸
b)
Seja j(r) ÷ ·(T) =T(j(r)) =
¸
0 0
0 0

¸
/ 2a + 2/ + 2c
0 2c

=
¸
0 0
0 0

=a = / = c = 0
Logo, j(r) = 0 + 0r + 0r
2
÷ ·(T) =·(T) = ¦0¦
c) Seja ¹ ÷ Im(T) = ¹ =
¸
/ 2a + 2/ + 2c
0 2c

= a
¸
0 2
0 0

+ /
¸
1 2
0 0

+
c
¸
0 2
0 2

Portanto,
Im(T) =
¸¸
0 2
0 0

.
¸
1 2
0 0

.
¸
0 2
0 2

Como os geradores da Im(T) formam um conjunto 1.1. (Veri…que!) tem-se
que
¸
0 2
0 0

.
¸
1 2
0 0

.
¸
0 2
0 2
¸
é uma base para Im(T).
d) T é injetora pois ·(T) = ¦0¦. mas não é sobrejetora pois dimIm(T) =
3 = dim'(2. 2)
78
3.3 Composição de transformações lineares
De…nição 147 Se T
1
: \ ÷ \ e T
2
: \ ÷ l são duas transformações
lineares a composta das duas transformações lineares é de…nida do mesmo modo
que a composição de funcões ( lembre-se que um transformação linear é uma
função com a propriedade adicional de ser linear) da seguinte forma
T
2
· T
1
: \ ÷l
(T
2
· T
1
)(·) = T
2
(T
1
(·))
Exemplo 148 Se T
1
: R
2
÷R
3
. T
1
(r. n) = (r ÷n. n ÷r. n ÷r) e T
2
: R
3
÷R.
T(r. n. .) = r ÷n ÷. então T
2
· T
1
: R
2
÷R e
(T
2
· T
1
) (r. n) = T
2
(T
1
(r. n))
= T
2
(r ÷n. n ÷r. n ÷r)
= (r ÷n) ÷(n ÷r) ÷(n ÷r)
= r ÷n ÷n +r ÷n +r
= 3r ÷3n
Teorema 149 Sejam T
1
: \ ÷\ e T
2
: \ ÷l transformações lineares e c.
. bases de \. \. l respectivamente. Então a composta de T
2
com T
1
. T
2
·T
1
:
\ ÷l é linear e
[T
2
· T
1
]
o
~
= [T
2
]
o
~
[T
1
]
o
o
Proposição 150 Seja T : \ ÷ \ uma transformação linear . Sejam c e c
0
bases de \ e e
0
bases de \. Então vale a relação:
[T]
o
0
o
0 = [1
V
· T · 1
\
]
o
0
o
0 = [1
V
]
o
o
0 [T]
o
o
[1
\
]
o
0
o
onde 1
V
e 1
\
são as aplicações identidades de \ e \ respectivamente.
3.4 A Inversa de uma transformação linear
De…nição 151 Dá-se o nome de isomor…smo a uma transformação linear
T : \ ÷ \ que é injetora e sobrejetora ao mesmo tempo. Quando há um
isomor…smo entre dois espaços vetoriais dizemos que estes são Isomorfos.
De…nição 152 Seja T : \ ÷ \ uma transformação linear. Se existe uma
transformação linear o : \ ÷ \ tal que T · o = 1
V
, onde 1
V
: \ ÷ \ é
a identidade em \. dizemos que o é a inversa a direita de T. Se existe uma
transformação 1 : \ ÷\ , tal que 1·T = 1
\
, onde 1
\
: \ ÷\ é a identidade
em \ , dizemos que 1 é a inversa a esquerda de T.
79
De…nição 153 Seja T : \ ÷ \ uma transformação linear. Se existe uma
aplicação T
1
: \ ÷ \. tal que T · T
1
= 1
V
e T
1
· T = 1
\
então dizemos
que T é inversível e que T
1
é a inversa de T
Proposição 154 Seja T : \ ÷ \ uma transformação linear. Se existe a
inversa de T. T
1
. então T
1
é uma transformação linear
Proposição 155 Se T : \ ÷ \ é um isomomor…smo, então T é inversível e
além disso T
1
também é um isomor…smo.
Proposição 156 Se T : \ ÷\ uma transformação linear invertível (T é um
isomor…smo) e c e são bases de \ e \. então:

T
1

o
o
=

[T]
o
o

1
Observação: Quando estamos trabalhando com o espaço R
n
e a base canônica
de R
n
por simplicidade omitimos as bases e a matriz de T : R
n
÷R
n
.em relação
a base canônica, é denotada simplesmente por [T] . Neste caso a proposição
acima é escrita na forma mais conveniente: "Se T : R
n
÷R
n
é inversível então

T
1

= [T]
1
"
Proposição 157 Seja T : \ ÷ \ uma transformação linear, com dim\ =
dim\. e c e bases de \ e \ respectivamente. Então T é inversível se, e
somente se det [T]
o
o
= 0.
Observação 158 Se na proposição acima tivermos \ = \ = R
n
podemos
escrever: Seja T : R
n
÷R
n
uma transformação linear, então T é invertível se
det [T] = 0
Exemplo 159 Seja T : R
3
÷R
3
. dada por T(r. n. .) = (r + 2n + 2.. r +n +
3.. r + 2n +.). determine a transformação inversa T
1
.
Solução: Facilmente podemos ver que
[T] =

1 2 2
1 1 3
1 2 1
¸
¸
=

T
1

= [T]
1
=

÷5 2 4
2 ÷1 ÷1
1 0 ÷1
¸
¸
logo T
1
(r. n. .) = (÷5r + 2n + 4.. 2r ÷n ÷.. r ÷.). Como exercício veri…que
que vale

T · T
1

(r. n. .) = (r. n. .)
Podemos também neste caso calcular a inversa usando diretamente a di…nição
de transformação inversa da seguinte forma
Sabemos que T
1
: R
3
÷R
3
é uma transformação linear tal que T
1
·T = 1
ou T · T
1
= 1. Suponhamos que T
1
(r. n. .) = (:. :. :). devemos encontrar
80
:. : e : tais que T · T
1
= 1 (devemos usar esta igualdade pois com a outra
não funciona, tente e veja o que acontece). Portanto

T · T
1

(r. n. .) = 1(r. n. .) = (r. n. .)
T(T
1
(r. n. .)) = (r. n. .)
T(:. :. :) = (r. n. .)
(:+ 2: + 2:. :+: + 3:. :+ 2: +:) = (r. n. .)
:+ 2: + 2: = r
:+: + 3: = n
:+ 2: +: = .

1 2 2 r
1 1 3 n
1 2 1 .
¸
¸
¸
c:ca|o:a:do
==

1 2 2 r
0 1 ÷1 r ÷n
0 0 1 r ÷.
¸
¸
: = r ÷.
: = r ÷n +r ÷. = 2r ÷n ÷.
: = r ÷2(2r ÷n ÷.) ÷2(r ÷.) = ÷5r + 2n + 4.
Logo
T
1
(r. n. .) = (÷5r + 2n + 4.. 2r ÷n ÷.. r ÷.)
81
3.5 Nona lista de exercícios
1. Veri…que se as funções dadas abaixo são transformações lineares. Em
cada caso, justi…que sua a…rmação:
(a) T : +
4
÷+
3
dada por T(r. n. .. t) = (r +n. 0. . +t)
(b) 1 : +
2
÷+ dada por 1(r. n) = rn
(c) o : '(2. 2) ÷+
2
, o
¸
a /
c d

= (a +/. 0)
(d) G : '(5. 5) ÷'(5. 5). G(¹) = ¹1+1
5
. onde 1 = diao(d
1
. d
2
. d
3
. d
4
. d
5
)
é uma matriz diagonal e 1
5
é a matriz identidade de ordem 5.
(e) 1 : 1
2
÷1
2
tal que T(j) = j +c. j ÷ 1
2
e c(t) = t
2
+ 1. t ÷ +
(f) o : R
2
÷R
2
dada por o(r. n) = (r +n. r ÷n)
(g) T : '(2. 2) ÷R dada por
¸
a /
c d

÷÷det
¸
a /
c d

(h) T : R ÷R. T(r) = [r[ .
(i) T : '
2
÷1
1
. T
¸
a /
c d

= a +dt
(j) o : R
3
÷ R
3
tal que o(r. n. .) = (3r. a. 5.). onde a ÷ R é uma
constante.
(k) T : 1
n
÷1
n
tal que T(j(r)) = j
0
(r) +r
2
j
00
(r)
2. Seja T : 1
2
÷1
2
um operador linear tal que
T(j
0
)(t) = 1+t, T(j
1
)(t) = t+t
2
. T(j
2
)(t) = 1+t÷2t
2
onde j
I
(t) = t
I
.
i = 0. 1. 2.
(a) Encontre T(j)
(b) T é injetora? Justi…que sua resposta.
(c) T é sobrejetora? Justi…que sua resposta.
(d) T é bijetora? Justi…que sua resposta.
3. a) Encontre a transformação T : +
2
÷'(2. 2) tal que
T(÷1. 0) =
¸
1 ÷1
÷1 1

. T(0. ÷1) =
¸
÷1 1
1 ÷1

b) Usando a transformação T encontrada no item a) , calcule T(1000. 999)
c) A transformação é bijetora? Justi…que sua resposta.
4. Sejam 1. G : R
3
÷ R
3
transformações lineares dadas por 1(r. n. .) =
(r +n. . +n. .) e G(r. n. .) = (r + 2n. n ÷.. r + 2.).
82
(a) Determine 1 · G
(b) Determine uma base para ·(1 · G)
(c) Determine uma base para Im(1 · G)
(d) 1 · G é isomor…smo? Justi…que sua resposta.
5. Seja T : +
3
÷ +
3
uma transformação linear de…nida por T(1. 0. 0) =
(1. 1. 0). T(0. 1. 0) = (1. 1. 2) e T(0. 0. 1) = (0. 0. 2). Determinar uma base
de cada um dos seguintes subespaços:
(a) ·(T)
(b) ·(T) ¨ Im(T)
(c) ·(T) + Im(T)
6. Sejam c = ¦(1. ÷1). (0. 2)¦ e = ¦(1. 0. ÷1). (0. 1. 2). (1. 2. 0)¦ bases de +
2
e +
3
. respectivamente e
[T]
o
o
=

1 0
1 1
0 ÷1
¸
¸
(a) Encontre a transformação linear T.
(b) Enconte uma base para 1cr(T) e uma base para Im(T).
(c) Encontre uma base de +
3
tal que [T]
o
~
=

1 0
0 0
0 1
¸
¸
7. Encontre a transformação linear T : +
2
÷ +
2
que é a projeção sobre a
reta dada por

r = 2t
n = t
Determine dimIm(t) e dim 1cr(T). T é inversível ? Se for, determine
T
1
.
8. Considere o operador linear em+
3
tal que T(1. 0. 0) = (1. 1. 1). T(0. 0. 1) =
(1. 0. 1), T(0. 1. 2) = (0. 0. 4).
T é isomor…smo? Em caso a…rmativo, determine o isomor…smo inverso.
9. Seja T : +
3
÷ +
3
o operador linear de…nido por T(r. n. .) = (3r. r ÷
n. 2r +n +.). Mostre que (T
2
÷1)· (T
2
÷31) = 0.
10. Seja T : 1
2
÷ 1
3
a transformação de…nida por T(j(r)) = rj(r ÷ 3).
Encontre [T]
~
o
em relação às bases = ¦1. r. r
2
. r
3
¦ e = ¦1. r. r
2
¦.
11. Encontre a transformação linear T : +
3
÷ +
3
cujo núcleo é gerado por
(1. 1. 0) e (0. 0. 1) e a imagem gerada pelo vetor (1. ÷1. 1).
83
12. Encontre a transformação linear T : +
4
÷ +
4
cujo núcleo é gerado por
(1. 1. 0. 0) e (0. 0. 1. 0).
13. Sejam 1. o. T tres transformações lineares de R
3
em R
3
. Se
[1] =

1 0 1
2 1 1
0 ÷1 1
¸
¸
e [o] =

÷2 1 ÷1
3 1 2
1 ÷2 0
¸
¸
.
encontre T tal que 1 = o · T.
14. Suponhamos T : \ ÷\ linear e \ tem dimensão …nita. Mostre que \ e
a Im(T) têm a mesma dimensão se e somente se T é inversível. Determine
todas as transformações lineares não inversíveis T : +
4
÷+
3
.
15. Mostre que se a matriz transformação [T] é inversível então ·(T) = ¦
÷÷
0 ¦.
16. Seja T : \ ÷\ uma transformação linear.
(a) Mostre que o núcleo de T é um subespaço de \.
(b) Mostre que a imagem de T é um subespaço de \.
17. Seja T : 1
2
÷1
2
a transformação linear de…nida por T(j(r)) = rj
0
(r)
(a) Quais dos seguintes polinômios pertencem ao ·(T)?
i. 2
ii. r
2
iii. 1 ÷r
(b) Quais dos polinômios do item a) pertencem a Im(T)?
(c) Descreva ·(T) e Im(T).
18. Quando possível, dê exemplos de transformações lineares satisfazendo:
(a) T : R
3
÷R
3
tal que dim·(T) = 1
(b) T : R
3
÷R
3
tal que ·(T) = ¦(0. 0. 0)¦
(c) T : R
3
÷R
3
tal que Im(T) = ¦(0. 0. 0)¦
(d) T : R
3
÷R
3
tal que ·(T) = ¦(r. n. .) ÷ +
3
: . = ÷r¦
(e) T : R
3
÷R
3
tal que Im(T) =
¸
(r. n. .) ÷ R
3
n = 2r ÷.

.
19. Seja T : 1
3
÷ 1
2
de…nida por T(j) = j
0
. Determine a matriz T em
relação às bases
¸
1. t. t
2
. t
3

e
¸
1. 1 +t. ÷1 +t
2

.
20. Mostre que se uma transfomação linear é injetora então ·(T) = ¦
÷÷
0 ¦.
21. Seja a base canônica de '
2
. Se T : '
2
÷1
3
é dada por T
¸
a /
c d

=
a + (/ +c)r + (c ÷d)r
2
+dr
3
84
(a) Encontre [T]
o
o
onde c =
¸
2. 2 +r. 2 +r
2
. 2 +r
3

é base de 1
3
(b) Faça o escalonamento da matriz [T]
o
o
(c) Detemine dim 1cr(T)
(d) Determine dim Im(T).
22. Se ¹ ÷ R
nn
é inversível então:
(a) dim·(¹) = ______
(b) dimIm(T) = ______
23. Determine dim·(T) sabendo que:
(a) T : R
6
÷R
8
com dim(Im(T)) = 3;
(b) T : \ ÷\ com T sobrejetiva, dim\ = 5. dim\ = 3;
(c) T : \ ÷\ com T injetiva;
(d) T : R
4
÷R
4
sabendo que existe a inversa de T.
24. Explique em cada caso abaixo porque não existe uma transformação lin-
ear:
(a) T : R
4
÷R
2
cujo núcleo seja a origem;
(b) T : R
5
÷R
6
que seja sobrejetiva;
(c) T : R
3
÷R
2
que seja injetiva;
(d) T : R
7
÷R
6
tal que dim·(T) = dimIm(T);
(e) T : R
4
÷R
3
com·(T) = [(1. 0. 0. 0). (0. 1. 0. 0)] e Im(T) = [(1. 1. 2). (2. 2. 4)].
25. Responda as seguintes questões:
(a) Se T : R
5
÷ R
6
é uma transformação linear, podemos ter dim
Im(T) 6? Justi…que sua resposta
(b) Existe alguma transformação linear T : R
2
÷ R
2
tal que T(1. 1) =
(2. 2) e T(2. 2) = (3. 1)? Justi…que sua resposta.
26. Seja T : R
2
÷R
2
tal que [T] =
¸
2 1
0 ÷1

. Encontre os vetores n e · tais
que
(a) T(n) = 2n
(b) T(·) = ÷·
27. Sejam as transformações lineares o : 1
1
÷ 1
2
e T : 1
2
÷ 1
1
de…nidas
por
o(a +/r) = a + (a +/)r + 2/r
2
T(a +/r +cr
2
) = / + 2cr
85
(a) Determine (o · T)(3 + 2r ÷r
2
)
(b) É possível calcular (T · o)(a +/r)? Em caso a…rmativo calcule (T ·
o)(¬ +¬r).
ALGUMAS SUGESTÕES
1. j) Sugestão: analise os casos a = 0 e a = 0
21. c) A dimensão de 1cr(T) é a nulidade de [T]
o
o
21. d) A dimensão de Im(T) é o posto de [T]
o
o
86
Capítulo 4
OPERADORES
LINEARES
De…nição 160 Uma transformação linear T : \ ÷ \ é chamada de operador
linear.
Observação 161 Todas as propriedades já vistas para transformações lineares
em geral vale para um operador linear
4.1 Transformações especiais no plano e no es-
paço
Os operadores lineares que veremos a seguir são chamados de transformações
especiais do plano e do espaço por serem bastantes usados em aplicações práticas
e também em aplicações numéricas.
Transformações no Plano
a) Dilatação ou contração
T : R
2
÷R
2
T(r. n) = c(r. n)
Se [c[ < 1, T contrai o vetor
Se [c[ 1, T dilata o vetor
Se c = 1, T é a identidade
Se c < 0, T inverte o sentido do vetor
Se c 0, T mantém o mesmo sentido do vetor
Matricialmente
¸
r
n

÷÷
¸
c 0
0 c
¸
r
n

87
Geometricamente, para c 0 temos:
b) Cisalhamento na direção do eixo dos r
T : R
2
÷R
2
T(r. n) = (r +cn. n)
Matricialmente
¸
r
n

÷÷
¸
1 c
0 1
¸
r
n

Geometricamente:
c) Cisalhamento na direção do eixo dos n
88
T : R
2
÷R
2
T(r. n) = (r. cr +n)
Matricialmente
¸
r
n

÷÷
¸
1 0
c 1
¸
r
n

Geometricamente:
d) Re‡exão na origem
T : R
2
÷R
2
T(r. n) = (÷r. ÷n)
Matricialmente
¸
r
n

÷÷
¸
÷1 0
0 ÷1
¸
r
n

Geometricamente:
89
Observação 162 Observe que este é um caso particular da contração quando
c = ÷1
e) Projeção sobre uma reta no plano
De…nição 163 De…nimos como sendo Projeção sobre uma reta r, que
passa pela origem, no plano o operador linear T : R
2
÷R
2
de…nido por T(·) =
jro,
u
·, onde n é o vetor diretor da reta r.
De…nição 164 Exemplo 165 Determinar o operdor linear que a projeção so-
bre a reta n = ÷6r
90
A reta n = ÷6r pode ser parametrizada por
r = t
n = ÷6t
logo um vetor diretor da reta é n = (1. ÷6).
T(·) = jro,
u
·
T(·) =

n « ·
n « n

n
T(r. n) =

(1. ÷6) « (r. n)
(1. ÷6) « (1. ÷6)

(1. ÷6)
T(r. n) =

r ÷6n
37
.
÷6r + 36n
37

f ) Re‡exão através de uma reta no plano
De…nição 166 De…nimos como sendo Re‡exão através da reta r. que
passa pela origem, a transformação linear T : R
2
÷ R
2
tal que [T(·)[ = [·[ e
jro,
u
· = jro,
u
T(·) onde n é o vetor diretor da reta r.
91
Para obter a expressão pata a traformação T , considere a …gura abaixo
que representa a re‡exão em torno de uma reta no plano onde estão mostrados
o vetor diretor diretor, n. da reta, o vetor j, a projeção de · na direção do vetor
n,e o vetor T(·).
Da de…nição de re‡exão podemos observar que
T(·) +· = 2j
T(·) = 2j ÷·
T(·) = 2jro,
u
· ÷·
Portanto a re‡exão em torno de uma reta no plano é dada por
T(·) = 2jro,
u
· ÷·
onde jro,
u
· é a projeção do vetor · na direção do vetor n
Casos Particulares
f.1) Re‡exão em torno do eixo dos r
T : R
2
÷R
2
T(r. n) = (r. ÷n)
Matricialmente
¸
r
n

÷÷
¸
1 0
0 ÷1
¸
r
n

Geometricamente:
92
f.2) Re‡exão em torno do eixo dos y
T : R
2
÷R
2
T(r. n) = (÷r. n)
Matricialmente
¸
r
n

÷÷
¸
÷1 0
0 1
¸
r
n

Geometricamente:
93
f.3) Re‡exão em torno da reta n = r
T : R
2
÷R
2
T(r. n) = (n. r)
Matricialmente
¸
r
n

÷÷
¸
0 1
1 0
¸
r
n

Geometricamente:
94
f.4) Re‡exão em torno da reta n = ÷r
T : R
2
÷R
2
T(r. n) = (÷n. ÷r)
Matricialmente
¸
r
n

÷÷
¸
0 ÷1
÷1 0
¸
r
n

Geometricamente:
95
g) Rotação de um ângulo 0
De…nimos Rotação no plano de um ângulo 0 a transformação T : R
2
÷R
2
tal que [T(·)[ = [·[ e o ângulo entre os vetores T(·) e · é 0.
Geometricamente
96
Vamos agora determinar a matriz da transformação linear rotação de um
ângulo 0 e a expressão de 1
0
em função de r e n. Seja
1
0
: R
2
÷R
2
1
0
(r. n) = (r
0
. n
0
)
Quando rotacionamos um vetor, pela própria de…nição de rotação, o com-
primento (módulo) do vetor não se altera. Seja r = [·[ . onde · = (r. n).
Da …gura acima e usando relações trigonométricas temos;
r
0
= r cos(c +0) = r cos ccos 0 ÷r sincsin0
Mas
r cos c = r
r sinc = n
então
r
0
= rcos 0 ÷n sin0
Analogamente
n
0
= r sin(c +0) = r sinccos 0 +r cos csin0
n
0
= n cos 0 +rsin0 = rsin0 +n cos 0
Assim
97
1
0
(r. n) = (rcos 0 ÷n sin0. rsin0 +n cos 0)
Matricialmente
¸
r
n

÷÷
¸
cos 0 ÷sin0
sin0 cos 0
¸
r
n

Podemos ver neste caso que matriz de uma rotação é:
[1
0
] =
¸
cos 0 ÷sin0
sin0 cos 0

Transformações no Espaço
a) Re‡exão através de uma reta no espaço
De…nição 167 De…nimos como sendo Re‡exão através da reta r. que passa
pela origem, no espaço a transformação linear T : R
3
÷R
3
tal que [T(·)[ = [·[
e jro,
u
· = jro,
u
T(·) onde n é o vetor diretor da reta r.
Geometricamente
Para obter a expressão pata a traformação T , considere a …gura abaixo
que representa a re‡exão em torno de uma reta no plano onde estão mostrados
o vetor diretor diretor, n. da reta, o vetor j, a projeção de · na direção do vetor
n,e o vetor T(·).
98
Da de…nição de re‡exão podemos observar que
T(·) +· = 2j
T(·) = 2j ÷·
T(·) = 2jro,
u
· ÷·
Portanto a re‡exão em torno de uma reta no espaço é dada por
T(·) = 2j ÷·
ond j = jro,
u
· é a projeção do vetor · na direção do vetor n
Casos Particulares: Re‡exão em relação aos eixos coordenados
a.1) Re‡exão através do eixo x
T : R
3
÷R
3
T(r. n. .) = (r. ÷n. ÷.)
Matricialmente

r
n
.
¸
¸
÷÷

1 0 0
0 ÷1 0
0 0 ÷1
¸
¸

r
n
.
¸
¸
99
a.2) Re‡exão através do eixo y
T : R
3
÷R
3
T(r. n. .) = (÷r. n. ÷.)
Matricialmente

r
n
.
¸
¸
÷÷

÷1 0 0
0 1 0
0 0 ÷1
¸
¸

r
n
.
¸
¸
a.3) Re‡exão através do eixo z
T : R
3
÷R
3
T(r. n. .) = (÷r. ÷n. .)
Matricialmente

r
n
.
¸
¸
÷÷

÷1 0 0
0 ÷1 0
0 0 1
¸
¸

r
n
.
¸
¸
b) Re‡exão através de um plano
De…nição 168 De…nimos Re‡exão através de um plano, que passa pela origem,
no espaço ao operador linear T : R
3
÷ R
3
tal que [T(·)[ = [·[ e jro,
n
· =
÷jro,
n
T(·). onde : o vetor normal do plano.
100
Para obter a expressão para a transformação T , considere a …gura abaixo
que representa a re‡exão em torno de um plano no espaço onde estão mostrados
o vetor normal do plano, vetor :. o vetor projeção de · na direção do vetor :,
vetor j, o vetor projeção sobre o plano, vetor :. e o vetor T(·).
101
Da de…nição de Re‡exão através de uma plano podemos deduzir que

j +: = ·
:÷j = T(·)
Portanto
T(·) = · ÷2j
onde j = jro,
n
· é a projeção de · na direção do vetor normal : do plano.
Casos particulares: Re‡exão através dos planos coordenados
b.1) Re‡exão através do plano xy
T : R
3
÷R
3
T(r. n. .) = (r. n. ÷.)
Matricialmente

r
n
.
¸
¸
÷÷

1 0 0
0 1 0
0 0 ÷1
¸
¸

r
n
.
¸
¸
Geometricamente
102
b.2) Re‡exão através do plano xz
T : R
3
÷R
3
T(r. n. .) = (r. ÷n. .)
Matricialmente

r
n
.
¸
¸
÷÷

1 0 0
0 ÷1 0
0 0 1
¸
¸

r
n
.
¸
¸
b.3) Re‡exão através do plano yz
T : R
3
÷R
3
T(r. n. .) = (÷r. n. .)
Matricialmente

r
n
.
¸
¸
÷÷

÷1 0 0
0 1 0
0 0 1
¸
¸

r
n
.
¸
¸
c) Re‡exão no origem
T : R
3
÷R
3
T(r. n. .) = (÷r. ÷n. ÷.)
Matricialmente

r
n
.
¸
¸
÷÷

÷1 0 0
0 ÷1 0
0 0 ÷1
¸
¸

r
n
.
¸
¸
Geometricamente
103
d) Rotação no Espaço.
De…nição 169 De…nimos Rotação de um ângulo 0 em torno de um eixo coor-
denado c ao operador linear T
0
: R
3
÷ R
3
tal que [T
0
(·)[ = [·[ e o ângulo
entre a projeção de · no plano ortogonal a c e a projeção de T
0
(·) no plano
ortogonal a c é o ângulo 0 medido no sentido anti-horário a partir da projeção
de · no plano ortogonal a c.
104
d.1) Rotação em torno do eixo z
Para obter a expressão da transformação que é uma rotação em torno
do eixo . vamos considerar:
j = projeção de · no plano rn
c = projeção de T(·) no plano xy
105
T
0
(r. n. .) = (r
0
. n
0
. .
0
)
Observe que .
0
= .
Como [T(·)[ = [·[ então [j[ = [c[ . Além disso o vetor c é obtido pela
rotação do ângulo 0 do vetor j no plano rn, ou seja, c = 1
0
(j). Como já visto
em rotação no plano ( item g) de Transformações no plano) temos que
r
0
= rcos 0 ÷n sin0
n
0
= rsin0 +n cos 0
Portanto
T
0
: R
3
÷R
3
T
0
(r. n. .) = (rcos 0 ÷n sin0. rsin0 +n cos 0. .)
106
Matricialmente

r
n
.
¸
¸
=

cos 0 ÷sin0 0
sin0 cos 0 0
0 0 1
¸
¸

r
n
.
¸
¸
[T
0
]
2
=

cos 0 ÷sin0 0
sin0 cos 0 0
0 0 1
¸
¸
d.2) Rotação em torno do eixo y
T
0
(r. n. .) = (r
0
. n
0
. .
0
)
Como a rotação é em torno do eixo y temos n
0
= n. No plano r. vemos que
o vetor c é obtido a partir do vetor j pela rotação do ângulo 0 no SENTIDO
HORÁRIO. Portanto podemos considerar o vetor j obtido a partir do vetor
c por uma rotação no sentido anti-horário, ou seja, 1
0
(j) = c. Logo,
¸
r
.

=
¸
cos 0 ÷sin0
sin0 cos 0
¸
r
0
.
0

¸
r
0
.
0

=
¸
cos 0 ÷sin0
sin0 cos 0

1
¸
r
.

107
¸
r
0
.
0

=
¸
cos 0 sin0
÷sin0 cos 0
¸
r
.

r
0
= rcos 0 +. sin0
.
0
= . cos 0 ÷rsin0
T
0
(r. n. .) = (r
0
. n
0
. .
0
)
T
0
(r. n. .) = (rcos 0 +. sin0. n. ÷rsin0 +. cos 0)
Matricialmente:
[T
0
]
Y
=

cos 0 0 sin0
0 1 0
÷sin0 0 cos 0
¸
¸
d.3) Rotação em torno do eixo x
A matriz da Rotação em torno do eixo r é dada por
[T
0
]
·
=

1 0 0
0 cos 0 ÷sin0
0 sin0 cos 0
¸
¸
Exemplo 170 Determinar o ângulo formado entre · e T(·) quando o vetor
· = (
p
3
2
p
2
.
p
2
4
.
p
2
2
) gira em torno do eixo . de um ângulo
t
2
rad
Solução:
[T(·)] =

cos
t
2
÷sin
t
2
0
sin
t
2
cos
t
2
0
0 0 1
¸
¸

p
3
2
p
2
p
2
4 p
2
2
¸
¸
¸
0
[T(·)] =

0.0 ÷1.0 0.0
1.0 0.0 0.0
0.0 0.0 1.0
¸
¸

p
3
2
p
2
p
2
4 p
2
2
¸
¸
¸
0
[T(·)] =

÷
p
2
4 p
3
2
p
2
p
2
2
¸
¸
¸
0
Como desejamos o ângulo entre · e T(·).vamos usar afórmula do cosseno do
ângulo entre dois vetores:
cos c =
· T(·)
[·[ [T(·)[
=
1
2
Portanto o ângulo entre · e T(·) é c = arccos
1
2
=
1
3
108
4.2 Propriedades dos operadores inversíveis
De…nição 171 Seja T : \ ÷ \ um operador linear. Se existir um operador
T
1
: \ ÷ \ tal que T · T
1
= T
1
· T = 1 ( neste caso 1 : \ ÷ \ é
a identidade em \ ) então dizemos que o operador T é inversível e T
1
é o
operador inverso de T.
Observação 172 Um operador é inversível se, e somente se, ele é um isomor-
…smo
Seja T : \ ÷\ um operador linear:
I) Se T é inversível e T
1
sua inversa, então T · T
1
= T
1
· T = 1
II) O operador T é inversível se, e somente se, 1cr(T) =

÷÷
0
¸
.
III) O operador T é inversível se, e somente se, det [T] = 0
IV) Se T é inversível, T transforma base em base, isto é, se c = ¦·
1
. . . . . ·
n
¦
é base de \ então = ¦T(·
1
). . . . . T(·
n
)¦ é base de \.
Se T é inversível e uma base de \ então T
1
: \ ÷\ é linear

T
1

o
o
=

[T]
o
o

1
. Quando é a base canônica temos a forma mais simples

T
1

=
[T]
1
e portanto

T
1

[T]
1
=

T
1
· T

= [1] . Com isso vemos que T é
inversível se e somente se det [T] = 0.
Exemplo 173 Considere o operador 1
0
: R
2
÷R
2
. dado por
1
0
(r. n) = (rcos 0 ÷n sin0. rsin0 +n cos 0)
veri…que se T é inversível e em caso a…rmativo encontre T
1
Solução: Como dct [1
0
] = cos
2
0 +sin
2
0 = 1 = 0. temos que 1
0
é inversível.
Como

1
1
0

= [1
0
]
1
. basta calcular a inversa da matriz de1
0
[1
0
] =
¸
cos 0 ÷sin0
sin0 cos 0

[1
0
]
1
=
cos 0
cos
2
0+sin
2
0
sin 0
cos
2
0+sin
2
0
÷
sin 0
cos
2
0+sin
2
0
cos 0
cos
2
0+sin
2
0
[1
0
]
1
=
¸
cos 0 sin0
÷sin0 cos 0

109
Note que [1
0
]
1
= [1
0
]
T
. ou seja, [1
0
] é uma matriz ortogonal, logo 1
1
0
:
R
2
÷R
2
¸
r
n

÷
¸
cos 0 sin0
÷sin0 cos 0
¸
r
n

=
¸
rcos 0 +n sin0
n cos 0 ÷rsin0

1
1
0
(r. n) = (rcos 0 +n sin0. n cos 0 ÷rsin0)
Exemplo 174 Seja T o operador T : R
3
÷ R
3
que é a projeção ortogonal do
vetor · = (r. n. .) na direção da reta dada pela interseção dos planos n = r e
. = n.Veri…que se T é inversível e em caso a…rmativo determine T
1
.
Solução: Para determinar a projeção na direção da reta basta determi-
nar a projeção ortogonal sobre o vetor diretor da reta. Devemos inicialmente
determinar o vetor diretor da reta:

n = r
. = n
Para obter a equações paramétricas fazemos r = t. logo

r = t
n = t
. = t
portando o vetor diretor da reta é n = (1. 1. 1).
T(·) = jro,
u
· =

· n
n n

n
T(r. n. .) =

(r. n. .) (1. 1. 1)
(1. 1. 1) (1. 1. 1)

(1. 1. 1)
T(r. n. .) =

r +n +.
3

(1. 1. 1)
T(r. n. .) =

r +n +.
3
.
r +n +.
3
.
r +n +.
3

[T] =

1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
¸
¸
¸
¸
¸
¸
det [T] = 0
Como det [T] = 0 temos que T não é inversível.
Exemplo 175 Seja T : R
2
÷R
2
a transformação que é uma rotação de
t
4
rad
e o : R
2
÷R
2
a transformação que é uma re‡exão em torno da reta n = ÷2r.
Determine a transformação 1 = o · T.
110
Solução
1 = o · T
[1] = [o] [T]
[T] =
¸
cos
t
4
÷sin
t
4
sin
t
4
cos
t
4

[T] =
¸
1
2

2 ÷
1
2

2
1
2

2
1
2

2

o(·) = 2j ÷·
o(r. n) = 2

(r. n) (1. ÷2)
(1. ÷2) (1. ÷2)

(1. ÷2) ÷(r. n)
o(r. n) =

÷3r ÷4n
5
.
÷4r + 3n
5

[o] =
¸
÷
3
5
÷
4
5
÷
4
5
3
5

[1] = [o] [T]
[1] =
¸
÷
3
5
÷
4
5
÷
4
5
3
5
¸
1
2

2 ÷
1
2

2
1
2

2
1
2

2

[1] =
¸
÷
7
10

2 ÷
1
10

2
÷
1
10

2
7
10

2

1(r. n) =

÷
7

2
10
r ÷

2
10
n. ÷

2
10
r +
7

2
10
n

4.2.1 Matrizes Semelhantes
Seja T : \ ÷ \ um operador linear. Sejam c e bases de \ e [T]
o
o
. [T]
o
o
matrizes de T em relação as bases c e respectivamente, então:
[T]
o
o
= [1]
o
o
[T]
o
o
[1]
o
o
Lembrando que [1]
o
o
=

[1]
o
o

1
temos que
[T]
o
o
= [1]
o
o
[T]
o
o

[1]
o
o

1
111
Chamando [1]
o
o
= ¹ :
[T]
o
o
= ¹[T]
o
o
¹
1
De…nição 176 Dadas as matrizes ¹ e 1, se existe uma matriz 1 inversível tal
que
¹ = 111
1
então dizemos que as matrizes ¹ e 1 são semelhantes.
Observação 177 Se ¹ e 1 são semelhantes então dct¹ = dct1. mas não vale
a recíproca.
4.3 Operadores autoadjuntos e ortogonais
De…nição 178 Seja \ um espaço vetorial com produto interno, c uma base
ortonormal e T : \ ÷\ um operador linear. Então:
a) T é chamado um operador auto-adjunto se [T]
o
o
é uma matriz simétrica
b) T é chamado um operador ortogonal se [T]
o
o
é uma matriz ortogonal
Observação 179 Consideraremos aqui apenas os operadores T : R
n
÷ R
n
.
com o produto escalar usual (que é um produto interno no espaço R
n
).
Observação 180 Uma base = ¦·
1
. ·
2
. . ·
n
¦ é ortonormal se ·
I
·
,
=

1. i = ,
0. i = ,
Portanto podemos dizer que um operador T : R
n
÷R
n
é um operador
auto-adjunto se [T] (a matriz de T em relação a base canônica) é uma matriz
simétrica. T : R
n
÷ R
n
é um operador ortogonal se [T] (a matriz de T em
relação a base canônica) é uma matriz ortogonal.
Exemplo 181 Consideremos a transformação : R
3
÷R
3
, a rotação de um
ângulo 0 em torno do eixo ..
T(r. n. .) = (rcos 0 ÷n sin0. rsin0 +n cos 0. .)
A matriz da transformação T é
[T] =

cos 0 ÷sin0 0
sin0 cos 0 0
0 0 1
¸
¸
Como esta é uma matriz ortogonal, T é um operador ortogonal
Exemplo 182 Seja T : R
2
÷R
2
onde T(r. .n) = (2r÷2n. ÷2r+5n). A matriz
de T é
[T] =
¸
2 ÷2
÷2 5

Como a matriz de T é simétrica, então T é um operador auto-adjunto.
112
Teorema 183 Seja T : R
n
÷ R
n
linear. Se T é um operador auto-adjunto
então
T(·) n = · T(n). \·. n ÷ R
n
Teorema 184 Seja T : R
n
÷ R
n
linear. Então são equivalentes as seguintes
a…rmações
a) T é ortogonal
b) T preserva o produto escalar, isto é, T(·) T(n) = · n. \·. n ÷ R
c) T preserva o módulo, isto é, [T(·)[ = [·[
d) T transforma bases ortonornais em bases ortonormais. Isto é, se
¦·
1,
·
2
. . . . . ·
n
¦ é uma base ortonornal então ¦T(·
1
). T(·
2
). . . . . T(·
n
)¦ é uma
base ortonornal
4.4 Décima lista de exercícios
1. A matriz ¹ =
¸
1 2
3 2

é semelhante à matriz 1 =
¸
4 0
0 ÷1

. Deter-
mine uma matriz 1 que realiza esta semelhança.
2. Encontre a transformação linear T : R
3
÷ R
3
tal que os vetores n =
(1. 2. 0) e · = (0. 1. ÷1) pertençam ao núcleo de T e que T(1. 0. 0) =
(1. 1. 1)
3. Seja T a re‡exão no origem dada por
T : R
3
÷R
3
T(r. n. .) = (÷r. ÷n. ÷.)
Determine a inversa T
1
da transformação T.
4. De…na operador simétrico e operador ortogonal. Dê um exemplo para
cada um dos casos, justi…cando sua escolha.
5. Seja ¹ : R
3
÷ R
3
. dada por ¹ = G · 1 onde G é a rotação de
t
3
do em
torno do eixo n e 1 é a rotação de
t
2
em torno do eixo ... Determine a
matriz de ¹ em relação a base canônica . isto é, determine [¹] . O operador
¹ é ortogonal? E auto-adjunto?
6. Determine a transformação linear de R
2
em R
2
que representa uma re-
‡exão da reta n = ÷r.seguida de uma dilatação de fator 2 na direção or
e, um cisalhamento de fator 3 na direção vertical.
7. Usando inversão matricial mostre o seguinte:
113
(a) A transformação inversa de uma re‡exão em torno da reta n = r é a
re‡exão em torno da reta n = r.
(b) A transformação inversa de uma re‡exão em torno de um eixo coor-
denado é a re‡exão em torno daquele eixo.
8. a) Encontre a transformação T do plano no plano que é uma re‡exão em
torno da reta n = 6r.
b) Escreva-a em forma matricial.
9. No plano, uma rotação anti-horária de 45
0
é seguida por uma dilatação
de

3. Ache a aplicação ¹ que representa esta transformação do plano.
10. Seja T : R
3
÷R
3
é a projeção de vetor · no plano r+n +. = 0. Encontre
T(r. n. .).
11. Seja 1 : R
3
÷ R
3
onde 1 é a re‡exão através do plano r + n + . = 0.
Encontre 1(r. n. .).
12. Seja ¹ : R
3
÷R
3
onde 1 é a rotação de
t
2
em torno do eixo . seguida de
uma rotação de
t
3
do em torno do eixo n. Encontre ¹(r. n. .).
13. Veri…que se as matrizes dadas são semelhantes
(a)
¸
1 1
÷1 4

e
¸
2 1
1 3

(b)
¸
3 1
÷6 ÷2

e
¸
÷1 2
1 0

14. Sejam ¹ e 1 matrizes semelhantes. Prove que:
(a) ¹÷1 e 1 ÷1 são semelhantes.
(b) ¹
|
e 1
|
são semelhantes, para cada inteiro positivo /.
(c) Se ¹ e 1 são inversíveis, então ¹
1
e 1
1
são semelhantes.
15. Seja T o operador linear em R
3
de…nido por T(r. n. .) = (2n+.. r÷4n. 3r)
e considere a base usual c do R
3
e a base = ¦(1. 1. 1). (1. 1. 0). (1. 0. 0)¦.
(a) Mostre que as matrizes [T]
o
e [T]
o
são semelhantes.
(b) T é inversível? Se for determine a lei que de…ne T
1
.
16. Seja ¹ é uma matriz de ordem : …xada. Seja T : '
n
÷'
n
de…nida por
T(·) = ¹· ÷·¹. Mostre que T não é inversível.
17. Sejam T : \ ÷ \ é um operador linear e c e bases distintas de \.
Mostre que det [T]
o
o
= det [T]
o
o
18. Encontre a transformação linear T : R
3
÷ R
3
tal que 1cr(T) =
¸
(r. n. .) ÷ R
3
n = 2r ÷.

114
19. Determine se a transformação T(r. n) = (
p
3
2
r ÷
1
2
n.
1
2
r +
p
3
2
n) é uma
transformação auto-adjunta ou ortogonal. Justi…que sua resposta.
20. O operador linear T(r. n. .) = (÷
1
2

2r ÷
1
2

2.. n.
1
2

2r ÷
1
2

2.) é a
rotação de um ângulo 0 em torno do eixo y. Determine o valor do ângulo
0.
21. Seja o operador T : 1
3
÷1
3
de…nido por T(j) = r
3
j(
1
r
) :
(a) Mostre T é inversível.
(b) Calcule a inversa T
1
do operador T
22. Seja T : '(2. 2) ÷ '(2. 2) um operador linear tal que T(¹) = ¹ + ¹
T
.
Veri…que se o operador T é inversível.
SUGESTÕES
15) Utilize as matrizes mudança de base
16) Sugestão: Mostre que T não é injetora.
4.5 Autovalores e Autovetores
Dado um operador linear T : \ ÷ \. estamos interessados em saber quais
vetores são levados em um múltiplo de si mesmo; isto é, procuramos um vetor
· ÷ \ e um escalar ` ÷ R tais que T(·) = `·. Neste caso T(·) será um vetor
de mesma direção que ·. Por vetor de mesma direção estaremos entendendo
vetores sobre a mesma reta suporte. Como · =
÷÷
0 satisfaz a equação para todo
`. estaremos interessados em determinar vetores · =
÷÷
0 satisfazendo a condição
acima.
De…nição 185 Seja T : \ ÷ \ , um operador linear. Se existirem · ÷ \.
· =
÷÷
0 . e ` ÷ R tais que T(·) = `·, ` é um autovalor de T e · é um autovetor
de T associado a `.
Observe que ` pode ser o número 0. embora · não possa ser o vetor nulo.
Exemplo 186 T : \ ÷\ dado por T(·) = /·, onde / é uma constante
Neste caso todo vetor de \ é um autovetor associado ao autovalor ` = /
Exemplo 187
T : R
2
÷R
2
(Re‡exão no eixo x)
T(r. n) = (r. ÷n)
Neste caso observamos que os vetores que serão levados em múltiplos dele
mesmo serão os vetores que estão no eixo r, pois · = (r. 0) =T(·) = T(r. 0) =
(r. 0) = ·. Os vetores que estão no eixo n também são levados em múltiplos
115
de si mesmo pois estes vetores tem a forma n = (0. n) = T(n) = T(0. n) =
(0. ÷n) = ÷1(0. n). Podemos concluir então que os vetores do tipo · = (r. 0) são
autovetores associados ao autovalor `
1
= 1 e os vetores da forma n = (0. n) são
autovetores associados a `
2
= ÷1, da tranformação linear re‡exão no eixo r.
Exemplo 188
1

2
: R
2
÷R
2
(Rotação de um ângulo
t
2
)
1

2
(r. n) = (÷n. r)
Observe que na rotação de
t
2
nenhum vetor é levado em um múltiplo de si
mesmo, a direção de todos vetores de R
2
são alterados pela rotação. Portanto
a rotação de um ângulo
t
2
não possui autovetores e autovalores.
Teorema 189 Dada uma transformação linear T : \ ÷\ e um autovetor
· associado a um autovalor `, qualquer vetor n = c· (c = 0) também é um
autovetor de T associado a `.
Observação 190 Note que se um vetor · é autovetor de uma transformação T
associado ao autovalor ` então todos os múltiplos de · também serão autovetores
associados a `. O Conjunto formado por todos os autovetores associados a um
mesmo autovalor é um conjunto in…nito.
Teorema 191 Seja T : R
n
÷R
n
um operador auto-adjunto e `
1
. `
2
autoval-
ores distintos de T e ·
1
e ·
2
os autovetores associados a `
1
e `
2
. respectivamente.
Então ·
1
é perpendicular a ·
2
.
De…nição 192 O subespaço \
X
= ¦· ÷ \ T(·) = `·¦ é chamado o subespaço
associado ao autovalor `.
Como vimos na nota acima o conjunto \
X
contém todos os autovetores de
T associados ao autovalor `. contém também o vetor nulo
÷÷
0 de \ já que o
vetor
÷÷
0 satifaz a relação T(
÷÷
0 ) = `
÷÷
0 . O conjunto \
X
pode ser escrito como \
X
= ¦Todos os autovetores de T associados a `¦ '

÷÷
0
¸
.
4.5.1 Autovalores e autovetores de uma matriz
Agora vamos obter uma forma de calcular os autovalores e autovetores de uma
transformação usando sua matriz em relação as bases canônicas. Inicialmente
de…niremos autovalores e autovetores de uma matriz ¹.
Dada uma matriz quadrada, ¹. de ordem :. estaremos entendendo por auto-
valor e autovetor de ¹ o autovalor e autovetor da transformação T
.
: R
n
÷R
n
.
associada a matriz ¹ em relação a base canônica de R
n
. isto é T
.
(·) = ¹ · (na
forma coluna). Assim, um autovalor ` ÷ R de ¹, e um autovetor · ÷ R
n
. são
soluções da equação ¹ · = `·. · =
÷÷
0 .
116
4.5.2 Polinômio Característico.
Seja a matriz
¹ =

a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
¸
¸
¸
¸
¸
e · =

r
1
r
2
.
.
.
r
3
¸
¸
¸
¸
¸
Para encontrar os autovalores e autovetores de ¹, devemos resolver a equação:
¹· = `·
¹· = `1·
¹· ÷`1· =
÷÷
0
(¹÷`1)· =
÷÷
0
Escrevendo esta equação explicitamente,temos

a
11
÷` a
12
........ a
1n
a
21
a
22
÷` ........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
÷`
¸
¸
¸
¸
¸

r
1
r
2
.
.
.
r
3
¸
¸
¸
¸
¸
=

0
0
.
.
.
0
¸
¸
¸
¸
¸
Fazendo
1 =

a
11
÷` a
12
........ a
1n
a
21
a
22
÷` ........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
÷`
¸
¸
¸
¸
¸
temos o sistema
1 · =
÷÷
0
Este sistema é um sistema homogêneo e possui ao menos a solução · =
÷÷
0 . Mas
como estamos procurando autovetores, queremos encontrar vetores · =
÷÷
0 que
satisfaçam a equação 1 · =
÷÷
0 . Sendo assim queremos que o sistema 1 · =
÷÷
0
seja compatível e indeterminado ( tenha além da solução trivial, outras soluções
não triviais). Pela regra de Cramer se det 1 = 0 então o sistema homogêneo
terá in…nitas soluções. Assim, a única maneira de encontrarmos autovetores ·
(soluções não nulas da equação 1 · =
÷÷
0 ) é termos det 1 = 0. ou seja,
det(¹÷`1) = 0
Impondo esta condição determinamos primeiramente os autovalores ` que
satisfazem a equação e depois os autovetores a eles associados. Observamos que
117
j(`) = det(¹÷`1) =

a
11
÷` a
12
........ a
1n
a
21
a
22
÷` ........ a
2n
.
.
.
.
.
.
a
n1
a
n2
........ a
nn
÷`

é um polinômio em ` de grau :.
De…nição 193 O polinômio j(`) = det(¹ ÷ `1) é chamado polinômio carac-
terístico da matriz ¹
Observe que as raízes do polinômio característico são os autovalores da
matriz ¹. Note também que o autovalor pode ser o número zero (quando o
polinômio característico tem raízes zero), embora o autovetor · associado a / `
não possa ser o vetor nulo.
Exemplo 194 Vamos agora calcular os autovetores e autovalores da matriz
¹ =
¸
÷3 4
÷1 2

Solução
j(`) = det(¹ ÷ `1) = det
¸
÷3 ÷` 4
÷1 2 ÷`

= (2 ÷ `)(÷3 ÷ `) + 4 =
`
2
+` ÷2
j(`) = 0 =`
2
+` ÷2 = 0 =`
1
= 1 e `
2
= ÷2.
Necessitamos calcular os autovetores de ¹ e para isso basta resolvermos o
sistema:
¹· = `·
onde · =
¸
r
n

e ` é cada um dos autovalores já encontrados.
Para `
1
= 1 temos
¸
÷3 4
÷1 2
¸
r
n

= 1
¸
r
n

¸
÷3 ÷1 4
÷1 2 ÷1
¸
r
n

=
¸
0
0

¸
÷4 4
÷1 1
¸
r
n

=
¸
0
0

Temos um sistema homogêneo cuja matriz ampliada é
¸
÷4 4
÷1 1
[
[
0
0

c:ca|o:a:do
=
¸
÷4 4
0 0
[
[
0
0

÷4r + 4n = 0 =n = r
118
Portando os autovalores associados ao autovalor `
1
= 1 são da forma · =
(r. r) = r(1. 1) e assim podemos concluir que o subespaço associado ao autovalor
`
1
= 1 é \
1
= [(1. 1)] .
Para `
1
= ÷2 temos
¸
÷3 4
÷1 2
¸
r
n

= ÷2
¸
r
n

¸
÷3 ÷(÷2) 4
÷1 2 ÷(÷2)
¸
r
n

=
¸
0
0

¸
÷1 4
÷1 4
¸
r
n

=
¸
0
0

Temos um sistema homogêneo cuja matriz ampliada é
¸
÷1 4
÷1 4
[
[
0
0

c:ca|o:a:do
=
¸
÷1 4
0 0
[
[
0
0

÷r + 4n = 0 =n =
r
4
Portando os autovalores associados ao autovalor `
1
= ÷2 são da forma · =
(r.
r
4
) = r(1.
1
4
) e assim podemos concluir que o subespaço associado ao auto-
valor `
2
= ÷2 é \
2
=

(1.
1
4
)

.
Exemplo 195 Encontre os autovalores e autovetores da transformação linear
que a cada vetor · ÷ R
3
associa a sua projeção ortogonal no plano r+n÷. = 0.
Solução: Devemos encontrar a transformação linear T : R
3
÷ R
3
tal que
T(·) = projeção de · no plano r +n ÷. = 0.
119
Da …gura acima vemos que para obtermos a projeção sobre o plano devemos
inicialmente fazer a projeção do vetor · na direção do vetor normal : para obter
o vetor j = jro,
n
·.Com isso temos,
T(·) +j = ·
T(·) = · ÷j
T(·) = · ÷jro,
n
·
Um vetor normal do plano r+n÷. = 0 é : = (1. 1. ÷1). logo, como · = (r. n. .)
temos
j = jro,
n
·
j =

· :
: :

:
j =

(r. n. .) (1. 1. ÷1)
(1. 1. ÷1) (1. 1. ÷1)

(1. 1. ÷1)
j =

r +n ÷.
3

(1. 1. ÷1)
j =

r +n ÷.
3
.
r +n ÷.
3
. ÷
r +n ÷.
3

T(·) = · ÷j
T(r. n. .) = (r. n. .) ÷

r +n ÷.
3
.
r +n ÷.
3
. ÷
r +n ÷.
3

T(r. n. .) =

2r ÷n +.
3
.
÷r + 2n +.
3
.
r +n + 2.
3

Para calcular os autovalores de T devemos encontrar a matriz de T. Neste
caso,
[T] =

2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
¸
¸
¸
¸
¸
¸
j(`) = det([T] ÷`1) = 0
det

2
3
÷`
1
3
1
3
1
3
2
3
÷`
1
3
1
3
1
3
2
3
÷`
¸
¸
¸
¸
¸
¸
= 0
120
j(`) = ÷`
3
+ 2`
2
÷` = 0
As raizes de j(`) são `
1
= `
2
= 0 e `
3
= 1.
Para `
1
= 0 vamos calcular os autovalores associados resolvendo o sistema.

2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
¸
¸

r
n
.
¸
¸
=

0
0
0
¸
¸
cuja matriz ampliada é,

2
3
1
3
1
3
[ 0
1
3
2
3
1
3
[ 0
1
3
1
3
2
3
[ 0
¸
¸
c:ca|o:a:do
==

2
3
÷
1
3
1
3
[ 0
0
1
2
1
2
[ 0
0 0 0 [ 0
¸
¸

2
3
r ÷
1
3
n +
1
3
. = 0
1
2
n +
1
2
. = 0

2r ÷n +. = 0
n +. = 0
n = ÷.
r = ÷.
Portanto os autovalores associados ao autovalor `
1
= 0 são da forma · =
(÷.. ÷.. .)
Observação 196 Note que acima damos a forma geral dos autovetores, no
caso acima temos · = r(÷1. ÷1. 1) assim um autovetor é · = (÷1. ÷1. 1) como
todo autovetor é um múltiplo de · = (÷1. ÷1. 1) temos que \
0
= [(÷1. ÷1. )],
isto é, o subespaço associado ao autovalor `
1
= 0 é gerado pelo vetor · =
(÷1. ÷1. 1). Note que geometricamente o subespaço \
0
= [(÷1. ÷1. 1)] é formado
pelos vetores que são múltiplos do vetor normal ao plano, ou seja, por todos os
vetores ortogonais ao plano.
Para `
1
= 1 temos vamos calular os autovalores associados resolvendo o
sistema.

2
3
÷1 ÷
1
3
1
3
÷
1
3
2
3
÷1
1
3
1
3
1
3
2
3
÷1
¸
¸

r
n
.
¸
¸
=

0
0
0
¸
¸

÷
1
3
÷
1
3
1
3
÷
1
3
÷
1
3
1
3
1
3
1
3
÷
1
3
¸
¸

r
n
.
¸
¸
=

0
0
0
¸
¸
121

÷
1
3
÷
1
3
1
3
÷
1
3
÷
1
3
1
3
1
3
1
3
÷
1
3
¸
¸

÷
1
3
÷
1
3
1
3
÷
1
3
÷
1
3
1
3
1
3
1
3
÷
1
3
¸
¸
c:ca|o:a:do
==

÷
1
3
÷
1
3
1
3
0 ÷1 0
0 0 0
¸
¸

÷
1
3
r ÷
1
3
n +
1
3
. = 0
÷n = 0

0 ÷r ÷n +. = 0
÷n = 0
n = 0
. = r
Portanto os autovalores associados ao autovalor `
3
= 1 são da forma · =
(r. 0. r) = r(1. 0. 1). Logo \
1
= [(1. 0. 1)] . Note que geometricamente os autove-
tores da forma · = r(1. 0. 1) são aqueles vetores que estão sobre o plano ( pois
para · = (1. 0. 1) temos · : = (1. 0. 1) (÷1. ÷1. 1) = 0).
Exemplo 197 Encontre todos os autovalores e autovetores do operador linear
T : 1
2
÷1
2
de…nido por T(a +/r +cr
2
) = ÷2c + (a + 2/ +c)r + (a + 3c)r
2
.
Solução: A matriz que representa o operador T é dada por:
[T] =

0 0 ÷2
1 2 1
1 0 3
¸
¸
Para encontrar os autovetores resolver ([T] ÷`1)· = 0. isto é,

0 ÷` 0 ÷2
1 2 ÷` 1
1 0 3 ÷`
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
Para obtermos uma solução não nula para este sistema devemos impor:
det([T] ÷`1) = ÷`(2 ÷`)(3 ÷`) + 2(2 ÷`) = 0
Obtemos então os autovalores `
1
= 1 e `
2
= `
3
= 2.
Vamos agora encontrar os autovetores associados aos autovalores `
1
= 1 e
`
2
= `
3
= 2:
Para `
1
= 1

÷1 0 ÷2
1 1 1
1 0 2
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
1:ca|o:a:do
=

÷1 0 ÷2
0 1 ÷1
0 0 0
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
=
÷÷
j = (÷2c. c. c)
122
Portanto,
÷÷
j = ÷2c +cr +cr
2
é autovetor associado a `
1
= 1
Para `
1
= 1 =

÷2 0 ÷2
1 0 1
1 0 1
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
1:ca|o:a:do
=

÷2 0 ÷2
0 0 0
0 0 0
¸
¸

a
/
c
¸
¸
=

0
0
0
¸
¸
=
÷÷
j = (c. /. c)
Portanto
÷÷
j = c +/r +cr
2
é autovetor associado a `
1
= 2.
4.6 Décima primeira lista de exercícios
1. Construa uma matriz 2r2 não diagonal com autovalores 1 e ÷1 .
2. Se / é um número inteiro, ` um autovalor da matriz ¹ e · um autovetor
de ¹ associado ao autovetor `. Mostre que `
|
é um autovalor da matriz
¹
|
associado ao autovetor ·.
3. Encontre os autovalores de ¹
9
se
¹ =

1 3 7 11
0
1
2
3 8
0 0 0 4
0 0 0 2
¸
¸
¸
¸
4. Encontre os autovalores e autovetores das transformações lineares dadas:
(a) T : R
2
÷R
2
tal que T(r. n) = (2n. r)
(b) T : R
2
÷R
2
tal que T(r. n) = (r +n. 2r +n)
(c) T : R
3
÷R
3
tal que T(r. n. .) = (r +n. r ÷n + 2.. 2r +n ÷.)
(d) T : 1
2
÷1
2
tal que T(ar
2
+/r +c) = ar
2
+cr +/
(e) T : '(2. 2) ÷'(2. 2) tal que ¹ ÷¹
T
5. Encontre a transformação linear T : R
2
÷R
2
. tal que T tenha autovalores
÷2 e 3 associados aos autovetores (3n. n) e (÷2n. n) respectivamente.
6. Encontre os autovalores e autovetores correspondentes das matrizes
a) ¹ =

1 2 3
0 1 2
0 0 1
¸
¸
b) ¹ =

1 0 2
÷1 0 1
1 1 2
¸
¸
c) ¹ =

2 0 1 0
0 2 0 1
12 0 3 0
0 ÷1 0 0
¸
¸
¸
¸
.
7. Que vetores não nulos do plano, quando cisalhados por C(r. n) = (n ÷
3r. n) e em seguida girados de 45
o
(no sentido anti-horário) …cam ampli-
ados / reduzidos (na mesma direção) ? Em quantas vezes ?
8. Seja T : \ ÷\ linear
123
(a) Se ` = 0 é autovalor de T, mostre que T não é injetora.
(b) A recíproca é verdadeira? Ou seja, se T não é injetora, ` = 0 é
autovalor de T?
(c) Quais são os autovalores e autovetores do operador derivação 1 :
1
2
÷1
2
. 1(j) = j
0
.
9. Determine os autovalores e autovetores, se existirem, do operador linear
T : R
3
÷R
3
obtido quando se faz uma rotação de ¬ rad em torno do eixo
r. seguida de uma contração de
1
2
.
10. Seja T : \ ÷ \ o operador linear que tem autovalores `
1
= 1. `
2
=
2. . `
n
= : associados aos autovetores ·
1
. ·
2
. . ·
n
respectivamente.
Sabendo que = ¦·
1
. ·
2
. . ·
n
¦ e que [·]
o
=

1
2
.
.
.
:
¸
¸
¸
¸
¸
. determinar [T(·)]
o
.
11. Seja ¹ uma matriz quadrada e ¹
T
sua transposta. As matrizes ¹ e ¹
T
possuem os mesmos autovalores e autovetores? Justi…que sua resposta.
12. Encontre os autovalores e autovetores da transformação linear que a cada
vetor · ÷ R
3
associa a sua projeção ortogonal no plano r +n = 0.
13. Sejam ¹ e 1 matrizes ::. Se 1 é semelhante a ¹, então as duas matrizes
tem o mesmo polinômio característico e, portanto, os mesmos autovalores.
14. Seja T : +
2
÷+
2
um operador linear que dobra o comprimento do vetor
(1. ÷3) e triplica e muda o sentido do vetor (3. ÷1).
(a) Determine T(r. n)
(b) Calcule T(0. 2)
(c) Qual a matriz do operador T na base ¦(2. 1). (1. 2)¦
15. Seja T : '(2. 2) ÷ '(2. 2) com autovetores ·
1
=
¸
1 0
0 0

. ·
2
=
¸
0 1
0 0

,
·
3
=
¸
1 0
1 0

e ·
4
=
¸
0 0
1 1

associados aos autovalores `
1
= 1. `
2
= ÷1.
`
3
= 2. `
4
= 0. respectivamente. Determine T
¸
a /
c d

.
16. Dada a transformação linear T : +
2
÷ +
2
que é a projeção sobre a reta
n =
r
2
. Encontre os autovalores e autovetores da transformação T.
17. Considere 1
1
= conjunto dos polinômios de grau _ 1.
Seja o operador linear 1 : 1
1
÷1
1
dado por 1(j) = r.j
0
+j
0
.Determine
os autovalores e autovetores de 1.
124
18. Sejam ¹. 1 ÷ '(:. :) matrizes triangulares com a mesma diagonal prin-
cipal. Existe alguma relação entre seus autovalores? Qual?
19. Mostre que o conjunto de todos os autovetores de um operador linear
T : \ ÷\ associados a um autovalor ` é um subespaço vetorial de \.
20. Se 1 = 1
1
¹1 e
÷÷
· é um autovetor de 1 associado a um autovalor `
então 1
÷÷
· é autovetor de ¹ associado a `.
21. Discuta a veracidade da a…rmação: Se ` não é um autovalor de ¹, então
o sistema linear (¹÷`1)v = 0 só tem a solução trivial.
ALGUMAS RESPOSTAS
10) Para calcular os autovalores de ¹. basta determinar as raízes do polinômio
j(`) = det(¹ ÷ `1).Para calcular os autovalores de ¹
T
. basta determinar
as raízes do polinômio j(`) = det(¹
T
÷ `1). Portanto basta veri…car que
det(¹
T
÷`1) = det(¹÷`1).
125
Capítulo 5
APLICAÇÕES
5.1 Aplicações da Álgebra Linear na Engenharia
Cartográ…ca
Esse trabalho tem como um de seus objetivos, dar uma noção da utilidade
prática dos assuntos vistos no ciclo básico, além de permiti-los conhecer um
pouco o trabalho em uma das engenharias estudadas no Instituto, visando assim
a multidisciplinalidade no curso de Engenharia. Trata-se do estudo da aplicação
de uma disciplina do curso básico, a Álgebra Linear, no ciclo pro…ssional; no
caso, na Engenharia Cartográ…ca, onde ajustes e organização de dados, obtidos
seha por satélites (GPS), seja por fotogra…as ou por qualquer outro meio, se
fazem constantes no trabalho de um engenheiro cartógrafo.
O engenheiro cartógrafo dispõe de um método, o método dos mínimos quadra-
dos, para obter informações relativas a parâmetros de correção e ajuste de dados
obtidos em observações e pesquisas. Para este método os dados obtidos são or-
ganizados matricialmente, de forma que possam ser relacionados com valores
pré-estabelecidos, tais como temperatura, latitude, longitude, altitude, entre
outros. Obtem-se, desta forma, um sistema de n equações lineares, onde esse n
pode assumir valores realmente grandes, resultando um sistema com milhares
de equações. Sendo a resolução de sistemas de equações lineares um dos campos
de estudo da Álgebra Linear.
Na Geodésia, por exemplo, as coordenadas de um ponto podem ser obtidas
na resolução de um sistema obtido pela sujeição de dados obtidos de observações
angulares ( tais como azimutes, ângulos e/ou direções ) a um determinado mod-
elo geométrico.
As coordenadas também podem ser obtidas a partir da observação da difer-
ença de fase da portadora L1 e/ou L2, freqüências de operações do satélite de
GPS.
A Álgebra Linear também tem aplicações na Fotogrametria, para a trans-
formação de coordenadas ( espaço imagem para espaço objeto, que seriam as
126
coordenadas de terreno, obtidas através de um sistema deduzido através de ob-
servações nas fotogra…as e no terreno). Na digitalização de documentos, por
exemplo, um mapa em papel, após ser processado, dá origem a um mapa digital
armazenado na forma vetorial ( lista de coordenadas ).
Também na área de Sensoreamento Remoto, seja para o processamento dig-
ital de imagens, ou na modi…cação ou no controle de imagens ( brilho constante
e georeferenciamento ) ou ainda no armazenamento da imagem na forma ma-
tricial; utilzam-se tópicos abordados pela Álgebra Linear, como sistemas de
equações lineares e operações com matrizes.
5.2 Aplicações de espaços vetoriais na computação
grá…ca
Autor: Luiz Antônio Pereira
Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982
Introdução: Uma das aplicações interessantes em computadores e com
vasta possibilidade de emprego nas áreas de engenharia civil, arquitetura, de-
senho industrial, mecânica, etc é a representação grá…ca, no plano, de elementos
tridimensionais.
Dentre todos os tipos de perspectivas a que apresenta resultados grá…co mais
interessantess é a perspectiva cônica, posto que que é a que simula com maior
perfeição a visão real do objeto. apresentaremos, a seguir, o desenvolvimento
da teoria matemática e veremos que a ferramenta pricipal é a teoria das tran-
formações lineares.
Caracterizando o Objeto: Inicialmente deve-se informar ao computa-
dor as características geométricas do objeto. isto é possível referenciado-se o
elemento a um sistema cartesiano de coordenadas, determinando-se dai as co-
ordenadas r. n e . dos pontos que o formam. Deve-se estabelecer também as
ligações entre esses pontos com o uso de segmentos de retas. Com isso, obtém-se
um poliedro cujos vértices são os pontos e cujas arestas são os segmentos de re-
tas. O efeito de curvatura pode ser obtido aumentando-se o número de vértices
e arestas (re…namento). Dessa forma todos os vértices 1
I
, terão coordenadas
r
I
. n
I
e .
I
, e as arestas a
|,
ligarão dois vértices genéricos 1
|
e 1
,
.
De um modo geral, desenhar uma perspectiva consiste em ligar, através
de segmentos de retas pontos do plano cujas coordenadas r e n são "transfor-
mações"das coordenadas r. n e . dos pontos do espaço. Mais explicitamente fa-
lando para cada ponto 1
I
(r
I
. n
I
. .
I
) no espaço determina-se um ponto 1
I
(r
I
. n
I
)
no plano tal que suas coordenadas r
I
e n
I
são funções de r
I
. n
I
e .
I
e de um
conjunto de parâmetros, que chamaremos de de parâmetros de localização do
observador e do plano projetante e que indicaremos por l. Matematicamente
(r
I
. n
I
) = 1(r
I
. n
I
. .
I
. l)
Como se sabe, a perspectiva cônica utiliza - além das noções de objeto,
plano projetante e linha de visada - um ponto origem ou observador, de ondem
127
Figura 5.1: Figura 1
partem as linhas de visada e que se localiza à uma distância …nita do objeto e do
plano projetante. A projeção 1 do ponto 1 no plano c é a interseção da reta
de…nida pelo observador \ e pelo ponto 1 (visada) com o plano projetante c.
A projeção de uma reta é obtida unindo-se as projeções de dois de seus pontos
(Fig 1) e, de uma maneira geral, a projeção de um objeto é determinada pelas
projeções de todos os seus pontos.
No noso caso, o plano projetante é a tela do computador. Para chegarmos
às expressões que fornecem r e n de cada ponto vamos estabelecer as seguintes
convenções:
1. O observador \ tem coordenadas (r
u
. n
u
. .
u
)
2. Os : vértices do objeto e suas projeções são representadas por 1
1
a 1
n
e
1
1
a 1
n
. respectivamente.
3. A tela representa a área formada por um retângulo de lados 1
1
e 1
2
unidades de comprimento. O plano desse retângulo é perpendicular à
linha que une o observador à origem do sistema r. n. . de coordenadas.
4. A distância 1 do plano projetante à origem do sistema de eixos è consider-
ada positiva se o plano se encontra do mesmo lado do observador em relaçã
à origem, e negativa se a origem estiver entre o plano e o o observador.
5. O lado 1
1
( maior lado) do retângulo é paralelo ao plano . = 0.
6. O sistema rn. de coordenadas, bem comom os outros parâmetros se ap-
resentam como mostra a Fig 2.
Fazendo ¹ =

r
2
u
+n
2
u
+.
2
u
. e se ¹ = 0 podemos obter a equação do plano
projetante (segundo as convenções adotadas) da seguinte forma: Da fórmula da
128
Figura 5.2: Figura 2
distância de ponto a plano temos
d(¬. 1
0
) =
[ar
0
+/n
0
+c.
0
+d[

a
2
+/
2
c
2
onde 1(r
0
. n
0
. .
0
) é o ponto e
÷÷
: = (a. /. c) é o vetor normal ao plano.
No nosso caso temos que 1
0
(0. 0. 0) e
÷÷
: = (r
u
. n
u
. .
u
). Chamando 1 =
d(1
0
. c) (c é o plano projetante) temos que 1 pode ser positivo ou negativo
e por isso dispensamos o módulo na fómula da distância, logo, tomando ÷1
escrevemos,
÷1 =
r
u
0 +n
u
0 +.
u
0 +d

r
2
u
+n
2
u
+.
2
u
d = ÷1

r
2
u
+n
2
u
+.
2
u
= ÷1¹
Portanto a equação do plano projetante c é:
r
u
r +n
u
n +.
u
. ÷1¹ = 0 (5.1)
Para cada ponto 1
I
(r
I
. n
I
. .
I
) a equação paramétrica da reta que o liga ao
ponto \ (r
u
. n
u
. .
u
) é
r = t(r
I
÷r
u
) +r
u
n = t(n
I
÷n
u
) +n
u
(5.2)
. = t(.
I
÷.
u
) +.
u
129
Para determinarmos a interseção entre a reta e o plano projetante colocamos os
valores de (5.2) na equação (5.1) do plano, ou seja:
r
u
[t(r
I
÷r
u
) +r
u
] +n
u
[t(n
I
÷n
u
) +n
u
] +.
u
[t(.
I
÷.
u
) +.
u
] ÷1¹ = 0 (5.3)
tr
u
(r
I
÷r
u
) +r
u
r
u
+tn
u
(n
I
÷n
u
) +n
u
n
u
+t.
u
(.
I
÷.
u
) +.
u
.
u
÷1¹ = 0
t [r
u
(r
I
÷r
u
) +n
u
(n
I
÷n
u
) +.
u
(.
I
÷.
u
)] +¹
2
÷1¹ = 0
t [r
u
(r
I
÷r
u
) +n
u
(n
I
÷n
u
) +.
u
(.
I
÷.
u
)] = 1¹÷¹
2
e dai tiramos o valor do parâmetro t :
t =
1¹÷¹
2
r
u
(r
I
÷r
u
) +n
u
(n
I
÷n
u
) +.
u
(.
I
÷.
u
)
(5.4)
Com t. r
I
. n
I
. .
I
. r
u
. n
u
e .
u
conhecidos, e usando novamente as equações
(5.2) determinamos as coordenadas r. n e . da projeção do ponto 1 no plano
projetante. Nessa fase estamos exatamente como a Fig 3.
Figura 3
De (5.4) e (5.2) com r
I
= n
I
= .
I
= 0. vem
130
r
0
=
r
u
1
¹
n
0
=
n
u
1
¹
(5.5)
.
0
=
.
u
1
¹
que são as coordenadas da origem do sistema rn. (…g 5.2). Esse sistema nos é
particularmente interessante pois o plano rn é o próprio plano projetante.
O que nos resta a fazer é, portanto, uma transformação de coordenandas, ou
seja, determinar as coordenandas dos pontos projeções em relação ao novo sis-
tema rn.. Para isso, devemos determinar as componentes dos vetores unitários
÷÷
i .
÷÷
, e
÷÷
/ no sistema rn..
A interseção do plano projetante com o plano rn é uma reta cuja equação é
encontrada fazendo-se . = 0 em (5.1). Isso nos leva a:
n =
1¹÷r
u
r
n
u
(5.6)
cujo grá…co está na Fig 4. O vetor diretor dessa reta tem componentes dadas
por:
÷÷
n = (0.

n
u
.
. 0) ÷(

r
u
. 0. 0) = (÷

r
u
.

n
u
.
. 0) (5.7)
o vetor
÷÷
i é um vetor unitário e portanto
÷÷
i =
1
[
÷÷
n[
÷÷
n
÷÷
i =
1

1.
rv

2
+

1.
uv,

2


r
u
.

n
u
.
. 0)
÷÷
i =
1

1
r
2
v
+
1
u
2
v

1
r
u
.
1
n
u
.
. 0)
÷÷
i =
1

r
2
u
+n
2
u
(÷n
u
. r
u
. 0) (5.8)
O vetor unitário
÷÷
/ tem sua determinação imediata pois é o versor do vetor
÷÷
00
131
(ver Fig 2 e equação 5.5)
÷÷
/ =
÷÷
00

÷÷
00

=
1

rv1
.
.
uv1
.
.
:v1
.

r
u
1
¹
.
n
u
1
¹
.
.
u
1
¹

÷÷
/ =
1

r
2
u
+n
2
u
+.
2
u
(r
u
. n
u
. .
u
)
÷÷
/ =
1
¹
(r
u
. n
u
. .
u
) (5.9)
Observe que o vetor
÷÷
/ é exatamente o versor do vetor
÷÷
\ = (r
u
. n
u
. .
u
) .
Como nosso sistema é ortogonal, o vetor unitário
÷÷
, é dado por
÷÷
, =
÷÷
/
÷÷
i .
ou seja
÷÷
, = det

rv
.
uv
.
:v
.
uv

r
2
v
+u
2
v
rv

r
2
v
+u
2
v
0
÷÷
i
÷÷
,
÷÷
/
¸
¸
¸ (5.10)
÷÷
, =
1
¹

r
2
u
+n
2
u

÷.
u
r
u
. ÷.
u
n
u
. r
2
u
+n
2
u

(5.11)
O sistema de…nido por es vetores unitários não é propriamente o nosso sitema
rn. e sim ele a menos de uma translação (Fig 5). Essa translação deverá apenas
anular o vlaor da componente em o que não importa para nós já que estamos
interessados nas componentes r e n apenas.
O que temos que fazer agora é determinar a matriz mudança de base da base
c =

÷÷
i .
÷÷
, .
÷÷
/
¸
para a base =

÷÷
i .
÷÷
, .
÷÷
/
¸
. ou seja, [1]
o
o
Esta matriz nos
permitira
c =

÷÷
i .
÷÷
, .
÷÷
/
¸
= ¦(1. 0. 0). (0. 1. 0). (0. 0. 1)¦
=

÷÷
i .
÷÷
, .
÷÷
/
¸
=

1

r
2
u
+n
2
u
(÷n
u
. r
u
. 0) .
1
¹

r
2
u
+n
2
u

÷.
u
r
u
. ÷.
u
n
u
. r
2
u
+n
2
u

.
1
¹
(r
u
. n
u
. .
u
)
¸
Portanto
[1]
o
o
=

uv

r
2
v
+u
2
v
rv

r
2
v
+u
2
v
0
:vrv

r
2
v
+u
2
v
:vuv

r
2
v
+u
2
v
r
2
v
+u
2
v

r
2
v
+u
2
v
rv
.
rv
.
:v
.
¸
¸
¸
¸
e as coordenadas do novo sistema são
132
[·]
o
= [1]
o
o
[·]
o

r
n
.
¸
¸
=

uv

r
2
v
+u
2
v
rv

r
2
v
+u
2
v
0
:vrv

r
2
v
+u
2
v
:vuv

r
2
v
+u
2
v
r
2
v
+u
2
v

r
2
v
+u
2
v
rv
.
rv
.
:v
.
¸
¸
¸
¸

r
n
.
¸
¸
Observação 198 Algumas mudanças de notações foram efetuadas em relação
ao trabalho original. Também foram inseridos alguns conceitos matemáticos
que o artigo original não fornece mas que para nossa disciplina mostra bem
a utilização dos conceitos vistos e sua aplicação prática. No trabalho original
também é fornecido um programa para a HP-45 onde é aplicada toda a teoria
vista acima, mas não é di…cil fazer um código de modo a gerar …guras em 3d
utilizando a teoria vista acima
5.3 Aplicações de autovalores e autovetores na
engenharia civil
5.3.1 O Problema de autovalor na avaliação de modelos
estruturais de edi…cações
Trabalho apresenta no COBENGE 2003 por
José Guilherme Santos da Silva - jgss@uerj.br
Pedro Colmar G. da S. Vellasco - vellasco@uerj.br
Rita de Kassia D. Lopes - rita.lopes021@ig.com.br
Universidade do Estado do Rio de Janeiro, UERJ, Faculdade de Engenharia,
FEN
Rua São Francisco Xavier, N0 524, Maracanã
CEP: 20550-900, Rio de Janeiro, RJ
Resumo: O presente trabalho apresenta uma contribuição inicial acerca de
dois aspectos: o primeiro diz respeito ao ensino de engenharia, com a aplicação
de conceitos referentes ao problema clássico de autovalores e autovetores na
avaliação de sistemas estruturais. O segundo ponto relevante a ser discutido, diz
respeito ao estudo da in‡uência das ligações entre as vigas e colunas, referentes
a estruturas de aço. Na prática corrente de projeto, grande parte dessas ligações
é representada por modelos ‡exíveis ou rígidos. Todavia, na maioria dos casos
reais, essas ligações assumem um comportamento intermediário, ou seja: semi-
rígido. Assim sendo, este trabalho tem por objetivo empregar conceitos básicos
de álgebra linear, a partir do problema clássico de autovalores e autovetores,
de forma a se analisar modelos estruturais de pórticos de aço correspondentes a
uma edi…cação residencial existente. São investigadas as diferenças, qualitativas
e quantitativas, existentes entre as freqüências naturais e os modos de vibração
133
dentre os diversos modelos estruturais (‡exível, semi-rígido e rígido). Resulta-
dos já obtidos indicam que a variação na rigidez inicial das ligações provoca
mudanças sensíveis no comportamento dinâmico da estrutura.
Palavras-chave: Ensino de engenharia, Estruturas de aço, Método dos Ele-
mentos Finitos,
Autovalores, Autovetores.
1. INTRODUÇÃO
Sabe-se que o dé…cit habitacional brasileiro cresce a cada ano, concentrando-
se o problema, principalmente, nas famílias de baixo poder aquisitivo, de forma
que existe uma demanda crescente por estudos sobre as habitações populares.
Neste sentido, o aço, como material estrutural é adequado para a construção in-
dustrializada e pode proporcionar à construção civil, perspectivas mais otimistas
para a habitação popular no país.
Uma das etapas relevantes no projeto de estruturas de aço está relacionada
a uma avaliação coerente acerca dos modelos estruturais que representam o
comportamento real das ligações existentes entre as vigas e as colunas de aço.
Na prática corrente de projeto, a grande maioria dessas ligações é representada
por modelos ‡exíveis ou rígidos. Todavia, na maior parte dos casos, essas lig-
ações assumem um comportamento intermediário, ou semi-rígido, o qual pode
ser perfeitamente caracterizado com base em determinadas grandezas associ-
adas ao projeto de uma ligação, tais como: resistência à ‡exão e capacidade de
rotação. No que tange ao estudo do comportamento dinâmico de estruturas,
assunto que será abordado com mais detalhe no presente trabalho, mais especi-
…camente no que diz respeito à aplicação do problema clássico de autovalores
para determinação e avaliação das freqüências naturais (autovalores) e modos de
vibração (autovetores) de edi…cações residenciais, observase, com clareza, uma
absoluta falta de conhecimento por parte dos alunos de graduação acerca da
importância do tema e, infelizmente, uma completa indiferença em relação ao
assunto.
Assim sendo, de forma a contribuir no que tange ao ensino de engenharia,
como também desmisti…car o emprego corrente dos conceitos teóricos, princi-
palmente aqueles relacionados ao problema de autovalores, faz-se uma exposição
resumida do referido problema, como tratado no ciclo básico da engenharia, e de
como o mesmo poderia ser mencionado, de forma a que os alunos de graduação
pudessem ter uma idéia básica da aplicação prática desses conceitos.
Em seguida, é selecionado o projeto de uma edi…cação residencial de qua-
tro pavimentos, composto por vigas e colunas de aço e lajes lisas de concreto
armado, em todos os níveis da edi…cação. Tem-se como objetivo proceder a
uma análise extensa das freqüências naturais (autovalores) e modos de vibração
(autovetores) dos modelos referentes aos pórticos de aço da referida edi…cação.
Um outro ponto relevante do trabalho diz respeito ao estudo da in‡uência das
ligações entre as vigas e colunas dos pórticos de aço.
Neste sentido, o presente trabalho tem por objetivo apresentar uma apli-
cação prática do problema clássico de autovalores e autovetores, no caso em
questão com respeito ao projeto de edi…cações residenciais, além de reforçar a
importância dos conceitos básicos da disciplina de Álgebra Linear para a solução
134
deste tipo de problema.
2. O CICLO BÁSICO NA ENGENHARIA E O PROBLEMA DE
AUTOVALOR
O problema clássico de autovalores e autovetores, principalmente no que
tange a utilização de operações matriciais, está diretamente relacionado com
o ensino da disciplina Álgebra Linear, oferecida correntemente aos alunos de
graduação no ciclo básico da Faculdade de Engenharia da UERJ, FEN/UERJ.
O ensino da disciplina Álgebra Linear não oferece nenhuma interação com
o ciclo pro…ssional da engenharia e nenhum tipo de recomendação no que diz
respeito a sua extrema relevância na aplicação prática desses conceitos sobre os
problemas reais de engenharia. Tal fato não só desestimula o aluno de graduação
em engenharia, como também ocasiona um aprendizado de baixa qualidade,
propagando de…ciências técnicas que serão sentidas, sem sombra de dúvida, no
decorrer do curso.
Ainda hoje, a didática de ensino adotada nas disciplinas do ciclo básico sobre
o problema clássico de autovalores e autovetores é baseada em métodos estri-
tamente conceituais e matemáticos. Tal metodologia é apresentada a seguir,
respaldada por uma breve revisão sobre as de…nições de autovalor e autove-
tor, como visto tradicionalmente na disciplina de Álgebra Linear, LIPSCHUTZ
(1977), NETTO e ADÃO (1995).
Senão vejamos: Seja T uma transformação linear em um espaço vetorial real
\ aplicada a um corpo |. Denomina-se autovalor o escalar real pertencente
a | (` ÷ |) se, para esta transformação linear T, existe um vetor não-nulo
pertencente a \ (i ÷ \ ) para o qual:
T(·) = `i (5.12)
Todo vetor não-nulo i que satisfaça a “equação 5.12” é chamado autovetor
de T correspondente ao autovalor . Portanto, sendo ¹ uma matriz quadrada
de ordem :r:sobre um corpo |, existe um autovalor ` se, para uma matriz
coluna ·
n1
, denominada autovetor, ¹i = `i é verdadeiro.
Obs: Nos cursos de engenharia geralmente utilizamos como corpo | o corpo
dos números reais, ou seja, no nosso caso | = RPara a obtenção dos autovalores,
reescreve-se a “equação 5.12” de modo que (`1 ÷¹)i = 0, que admitirá · = 0
como solução se, e somente se, dct(¹÷`1) = 0. A expressão dct(¹÷`1) = 0 é
denominada equação característica, onde 1 é a matriz identidade.
A contribuição mais relevante deste trabalho de pesquisa é caracterizar que
o ensino do problema de autovalor como feito no ciclo básico da engenharia,
de acordo com o exposto acima, é absolutamente contrário ao que se deveria
informar a um futuro engenheiro. Não há relação alguma entre os termos especí-
…cos (tais como, espaço vetorial, corpo, etc.), utilizados no ensino da disciplina
de Álgebra Linear e as grandezas empregadas correntemente na engenharia.
Ressalta-se que esses elementos têm o mesmo signi…cado das grandezas conheci-
das usualmente pelo engenheiro. Além disso, em nenhum momento existe um
indicativo de onde e como o aluno de graduação, deve utilizar esses conceitos,
extremamente relevantes para a vida prática de um pro…ssional da área, SILVA
135
(2001).
Uma sugestão para uma abordagem mais apropriada ao ensino do problema
de autovalor para os alunos de graduação em engenharia seria, inicialmente,
associar o termo autovalor às freqüências naturais e o termo autovetor aos modos
de vibração de um elemento ou sistema estrutural qualquer, dando ênfase ao
signi…cado físico dessas grandezas, ROEHL (1981).
Senão vejamos: para um sistema estrutural qualquer sob vibração livre não
amortecida, com vários graus de liberdade, pode ser escrita uma equação ma-
tricial de movimento tal que,
'

\ +1\ = 0 (5.13)
onde, ' é a matriz de massa, 1 é a matriz de rigidez,

\ é o vetor das acelerações
e \ é o vetor dos deslocamentos.
As equações que tornam possível a resolução do problema de autovalor, cujo
sistema vibra livremente e sem amortecimento, são as seguintes:

'
1
1 ÷c
2
0I
1

c
I
= 0 (5.14)
onde c
I
é o i-ésimo modo de vibração, com i variando de 1 a :. A “equação
5.14” é verdadeira, para qualquer c
I
, se
det

'
1
1 ÷c
2
0I
1

= 0 (5.15)
onde 1 representa a matriz identidade.
A “equação 5.15” é comumente designada como equação característica e suas
raízes são os valores característicos, ou autovalores, e correspondem ao quadrado
das freqüências naturais de um sistema estrutural, c
2
0I
. A cada uma dessas raízes
corresponde um vetor característico, c
I
, ou autovetor, que representa o modo
de vibração do referido sistema.
Deve-se ressaltar, novamente, que o problema clássico de autovalores é ab-
solutamente essencial para a compreensão e análise de estruturas simples, tais
como treliças, vigas, pórticos, placas, etc, como também de sistemas estruturais
mais complexos, dentre os quais podem ser citados os seguintes: edi…cações res-
idenciais, pontes rodoviárias e ferroviárias, torres de aço de telecomunicações e
de transmissão de energia, estádios de futebol, passarelas de pedestres, edifícios
altos, plataformas o¤-shore, etc.
Observação 199 Algumas correções e adaptações a nossa apostila foram necessárias
porém não foi alterado o conteúdo. Transcrevemos aqui apenas parte do tgra-
balho para ressaltar a aplicação de autovalore e autovetores. Créditos são dados
ao autor e o trabalho original pode ser obtido através dos anais do COBENGE
2003 ou me enviando um email solicitando o artigo original que terei a maior
satisfação de enviá-lo.
136

Sumário
1 MATRIZES E SISTEMAS 1.1 Tipos de matrizes . . . . . . . . . . . . . . . . . . 1.2 Operações com matrizes . . . . . . . . . . . . . . 1.3 Matriz escalonada . . . . . . . . . . . . . . . . . 1.4 Cálculo da inversa . . . . . . . . . . . . . . . . . 1.5 Determinantes . . . . . . . . . . . . . . . . . . . 1.6 Sexta lista de exercícios . . . . . . . . . . . . 1.7 Sistema de equações lineares . . . . . . . . . . . . 1.7.1 Introdução . . . . . . . . . . . . . . . . . 1.7.2 Sistemas e matrizes. . . . . . . . . . . . . 1.7.3 Solução de um sistema por matriz inversa 1.8 Sétima lista de exercícios . . . . . . . . . . . 1.9 Apêndice . . . . . . . . . . . . . . . . . . . . . . 1.9.1 Cálculo da inversa por adjunta . . . . . . 1.9.2 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 6 8 10 11 14 16 16 17 20 21 24 24 25 29 29 36 38 40 41 43 45 46 46 49 50 50 51 56 57

2 ESPAÇOS VETORIAIS 2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . 2.2 Subespaços . . . . . . . . . . . . . . . . . . . . . . 2.3 Intersecção de dois Subespaços Vetoriais . . . . . . 2.4 Combinação Linear . . . . . . . . . . . . . . . . . . 2.5 Dependência e Independência Linear . . . . . . . . 2.6 Subespaços Gerados . . . . . . . . . . . . . . . . . 2.7 Soma de Subespaços . . . . . . . . . . . . . . . . . 2.8 Base e Dimensão de um Espaço Vetorial . . . . . 2.8.1 Base . . . . . . . . . . . . . . . . . . . . . . 2.8.2 Dimensão . . . . . . . . . . . . . . . . . . . 2.8.3 Dimensão da Soma de Subespaços Vetoriais 2.8.4 Coordenadas . . . . . . . . . . . . . . . . . 2.9 Mudança de Base . . . . . . . . . . . . . . . . . . . 2.10 A Inversa da Matriz de Mudança de Base . . . . . 2.11 Oitava lista de exercícios . . . . . . . . . . . . .

1

3 TRANSFORMAÇÕES LINEARES 3.1 Propriedades das Transformações Lineares . . . . . . 3.2 Transformações Lineares e Matrizes . . . . . . . . . . 3.2.1 Transformação linear associada a uma matriz 3.2.2 Matriz de uma transformação linear . . . . . 3.3 Composição de transformações lineares . . . . . . . 3.4 A Inversa de uma transformação linear . . . . . . . . 3.5 Nona lista de exercícios . . . . . . . . . . . . . . . . 4 OPERADORES LINEARES 4.1 4.2 4.3 4.4 4.5 Transformações especiais no plano e no espaço Propriedades dos operadores inversíveis . . . . 4.2.1 Matrizes Semelhantes . . . . . . . . . . Operadores autoadjuntos e ortogonais . . . . . Décima lista de exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

62 66 72 72 74 79 79 82 87

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

87 109 111 112 113 115 116 117 123 126 126 127 133 133

4.6

Autovalores e Autovetores . . . . . . . . . . . . . 4.5.1 Autovalores e autovetores de uma matriz 4.5.2 Polinômio Característico. . . . . . . . . . Décima primeira lista de exercícios . . . . . . . .

5 APLICAÇÕES 5.1 5.2 5.3 Aplicações da Álgebra Linear na Engenharia Cartográ…ca . . . . Aplicações de espaços vetoriais na computação grá…ca . . . . . . Aplicações de autovalores e autovetores na engenharia civil . . . 5.3.1 O Problema de autovalor na avaliação de modelos estruturais de edi…cações . . . . . . . . . . . . . . . . . . . . .

2

7 4 4 1 4 999 5 1000 1000 1 Matriz linha: É a matriz de ordem 1 n: Exemplo 1 : 1 2 3 4 5 6 7 10 1 A = [1]1 1 . D = Matriz nula: É a matriz A = [aij ]m n onde aij = 0.. . ..1 Tipos de matrizes De…nição: Chama-se matriz de ordem m n a uma tabela de m n elementos dispostos em m linhas e n colunas: 2 3 a11 a12 :::::::: a1n 6 a21 a22 :::::::: a2n 7 6 7 A=6 ... 7 . C=6 . B. B=6 7 4 3 5 6 .. . am1 am2 :::::::: amn Notação: Costumamos denotar as matrizes por letras latinas maiúsculas:A. C. . para 1 1 j n: Exemplo 2 : 8 i me 3 .Capítulo 1 MATRIZES E SISTEMAS 1. 7 A = [1]1 1 . Matriz coluna: É a matriz de ordem m 21: 3 1 2 3 6 2 7 1 6 7 6 3 7 6 2 7 6 7 . 5 4 . 7 6 .

7 6 .. 1 Exemplo 3 : A = [0]1 . .. . . 1g : Matriz identidade: É a matriz diagonal I onde diag(I) = f1.. . . 0 3 I2 = 1 0 0 1 . .Observação: Denotaremos freqüentemente a matriz nula por 0: Matriz quadrada: É a matriz de ordem n n: 2 3 a11 a1n 6 . 4 0 . 1 . . 0 0 0 0 . 0 0 0 ann Notação: diag(A) = fa11 . 7 . B= 0 3 . . . . 0 5 0 N = [0] Os elementos da forma aii costituem a diagonal principal Os elementos aij em que i + j = n + 1 constituem a diagonal secundária. I100 6 6 6 =6 6 6 4 0 0 0 . 6 . . ann g 3 0 Exemplo 4 : A = [0]1 . an1 ann 0 6 0 6 M =4 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 7 7 . . . . A=6 . 0 7 7 6 6 . 7 . B= 3 3 3 3 Matriz diagonal: Matriz diagonal é a matriz quadrada A = [aij ] onde aij = 0 para i 6= j : 3 2 a11 0 0 0 7 6 6 0 . . 7 . 5 A=4 .. . . 7 . 7 7 7 7 7 7 0 5 1 4 . Notação: In representa a matriz identidade de ordem n: Exemplo 5 : 2 1 0 .. . 0 1 . .. .. . 0 5 .

2 3 5 4 7 9 6 0 3 8 4 7 7 . bij = aji : AT é denominada a transposta de A: 2 3 2 3 a11 a12 :::::::: a1n a11 a21 :::::::: am1 6 a21 a22 :::::::: a2n 7 6 a12 a22 :::::::: am2 7 6 7 6 7 A=6 . podemos obter uma outra matriz AT = [bij ]n m . isto é. 7 . . 5 4 . I10000 A=6 4 0 0 2 3 5 0 0 0 0 0 6 Matriz triangular inferior: A matriz quadrada A = [aij ] que tem os elementos aij = 0 para i < j é chamada matriz triangular inferior. . . Exemplo 9 : 5 . N= 1 0 9 8 7 Matriz anti-simétrica: Uma matriz quadrada A = [aij ] é anti-simétrica se AT = A: 2 3 0 3 4 6 5 Exemplo 8 : A = 4 3 0 4 6 0 Matriz triangular superior: A matriz quadrada A = [aij ] que tem os elementos aij = 0 para i > j é chamada matriz triagular superior. 4 . 7 . .Matriz transposta: Dada uma matriz A = [aij ]m n . cujas linhas são as colunas de A. . 5 . ) AT = 6 . am1 am2 :::::::: amn m n a1n a2n :::::::: amn n m Exemplo 6 : 2 1 6 11 6 A = 6 21 6 4 31 41 D= 1 2 12 22 32 42 3 13 23 33 43 4 14 24 34 44 5 15 25 35 45 3 6 7 6 7 7 ) AT = 6 6 7 4 5 5 6 2 1 2 3 4 5 11 12 13 14 15 2 3 4 1 6 Matriz simétrica: Uma matriz quadrada S = [aij ] é 6 6 6 ) DT = 6 6 6 4 21 22 23 24 25 2 3 31 41 32 42 7 7 33 43 7 7 34 44 5 35 45 3 1 2 7 7 3 7 7 4 7 7 5 5 6 6 1 simétrica se S T = S Exemplo 7 : 2 3 1 5 9 0 1 S = 4 5 3 8 5. B = 0 1 .

2 Operações com matrizes Adição: Dados A = [aij ]m n e B = [bij ]m n de…nimos A + B por. C = 6 4 0 2 0 5 2 6 0 0 2 0 0 0 0 2 0 3 0 0 7 7 0 5 2 1. onde cij = n X n e B = [bij ]n p . n A + B = [aij + bij ]m Propriedades: i) A + B = B + A ii) A + (B + C) = (A + B) + C iii) A + 0 =A Multiplicação por escalar: Seja A = [aij ]m de…nmos k A por kA = [k aij ]m Exemplo 10 : 2 2 1 10 3 = 4 2 20 6 n n e k um número real Propriedades: i) k(A + B) = kA + kB ii) (k1 + k2 )A = k1 A + k2 A iii) 0 A = 0 iv) k1 (k2 A) = (k1 k2 )A Multiplicação de Matrizes: Sejam A = [aij ]m mos A B por AB = [cij ]m p .5 6 4 B=6 4 7 9 2 0 3 4 1 3 2 0 0 1 6 0 0 0 7 7. de…ni- aik bkj = ai1 b1j + ::::: + ain bnj k=1 Observe que o número de colunas de A deve ser igual ao número de linhas de B: Exemplo 11 : 6 .

o produto AB é uma matriz não singular. dai concluimos que se det A 6= 0 então det AT 6= 0: vi) Se as matrizes A e B são não singulares e de mesma ordem. ou seja. Algumas propriedades importantes: I) A é não singular se o determinante de A é diferente de zero. sua transposta AT também é. ii) Se A admite inversa (det A 6= 0) esta é única iii) Se A é não singular. sua inversa A 1 também é. se det A 6= 0 então det A 1 6= 0: A matriz inversa de A 1 é A: iv) A matriz identidade I é não singular (pois det I = 1) e I 1 = I v) Se a matriz A é não singular. isto é .2 3 2 2 1 2 1+1 0 1 1 4 4 2 5 =4 4 1+2 0 0 4 2 2 5 3 3 2 5 1+3 0 Propriedades da multiplicação de matrizes: i) AI = IA = A ii) A(B + C) = AB + AC iii) (A + B)C = AC + BC Propriedades da matriz transposta i) (A + B)T = AT + B T ii) ( A)T = AT . ou seja. Portanto M é ortogonal se M 1 = M T . 7 . A é singular se determinante de A é igual a zero. se existir uma matriz B que satisfaça AB = BA = I diz-se que B é a inversa de A e denota-se B por A 1 . A matriz inversa de AT é (A 1 )T . A 1= : 7 2 7 11 Dizemos que uma matriz A é inversível (não singular) se existe a matriz inversa A 1 . quadrada. (AT ) 1 = (A 1 )T . caso contrário dizemos que a matriz A é não inversível (singular). Vale a relação (AB) 1 = B 1 A 1 : A= Exemplo 13 : A= B= 2 2 1 1 3 =) det 2 10 ) det 10 2 3 = 2 ) A é não singular 2 2 1 10 = 0 ) A é singular 1 10 Matriz ortogonal: Uma matriz M. cuja inversa conicide com sua transposta é denominada matriz ortogonal. isto é. A 1 A = AA 1 = I: Exemplo 12 : 11 3 2 3 . onde é um númerto real iii) (AT )T = A iv) (AB)T = B T AT 3 2 2 ( 1) + 1 4 2 4 ( 1) + 2 4 5 = 4 4 5 ( 1) + 3 4 5 i v) (AB)C = A(BC) v) (AB)T = B T AT vi) 0A = A0 = 0 3 2 4 5 7 Matriz inversa: Dada uma matriz quadrada A = [aij ] .

p são as linhas não nulas. Exemplo 17 : 8 .3 Matriz escalonada De…nição: Uma matriz m n é linha reduzida à forma escada. Potência de uma matriz: Dada uma matriz quadrada A a matriz Ap = A A ::::: A é chamada potência p de A: p vezes Exemplo 15 : A= 1 2 4 3 .. Não vale c). daquelas que possuem pelo menos um elemento não nulo) d) Se as linhas 1. 3)4 0 0 0 1 2 2 0 0 0 3 0 1 3 0 1 1 3 5 é forma escada. Não vale a) e b). A2 = 9 16 8 17 . 1) 4 0 1 0 0 1 30 2 0 2 1 3 5 não é forma escada. A3 = 41 84 42 83 1. então k1 < k2 < ::::: < kn : Exemplo 16 : 3 2 1 0 0 0 1 0 5 não é forma escada. se: a) O primeiro elemento não nulo de uma linha não nula é 1: b) Cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus outros elementos iguais a zero. 4)4 0 0 0 0 0 0 0 0 Operações elementares linha: São três as operações elementares sobre as linhas de uma matriz. :::. 1o ) Permuta da i esima e j esima linha (Li $ Lj ). e se o primeiro elemento não nulo da linha { ocorre na coluna k1 . 2) 4 1 0 1 0 0 2 3 0 1 3 0 1 0 0 5 não é forma escada. ou escalonada. Não vale b).Exemplo 14 : M = " 1 2 p 3 2 MMT = MT M = I p # 3 2 1 2 . c) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é.

3 1 0 5 L3 ! L3 + 3L1 4 0 1 5 0 4 3 0 1 5 0 n é linha equivalente a uma única 2 Exemplo 21 : Dada a matriz 2 3 2 1 3 A=4 4 5 6 5 3 1 2 obtenha uma 3 única matriz2 na forma escada linha equivalente a matriz A: B 3 2 3 2 1 2 1 3 1 1 3 1 2 3 2 2 2 4 4 5 6 5 L1 ! 1 L1 4 4 5 6 5 L2 ! L2 4L1 4 0 3 0 5 2 3 1 2 3 1 2 3 1 2 2 3 2 3 3 3 1 1 1 1 2 2 2 2 5 L2 ! 1 L2 4 0 1 5 L3 ! L3 + 0 0 L3 ! L3 3L1 4 0 3 3 1 13 1 13 0 0 2 2 2 2 1 L2 2 9 . 0 3 1 1 5 é linha equivalente a 4 0 0 4 3 2 1 0 0 1 1 5 L2 ! L2 4L1 4 0 4 3 2 4 3 2 1 1 0 L2 ! L2 4 0 1 5 L3 ! L3 4L2 4 0 0 0 4 Teorema: Toda matriz A de ordem m matriz linha-reduzida à forma escada. 2 3 2 3 1 0 1 0 4 4 1 5 L2 ! 3L2 4 12 3 5 3 4 3 4 3o ) Substituição da i esima linha pela i j esima linha (Li ! Li + kLj ) esima linha mais k vezes a Exemplo 19 : 3 3 2 2 1 0 1 0 4 4 1 5: 1 5 L3 ! L3 + 2L1 4 4 3 4 1 4 Se A e B são matrizes m n. se B for obtida de A através de um número …nito de operações elementares sobre as linhas de A: Notação A B: Exemplo 2 1 4 4 3 2 1 4 4 3 20 : 0 3 2 3 0 1 5 pois. 3 5 Exemplo 18 .3 4 2o ) Multiplicação da i 2 1 4 4 0 1 5L2 $ L3 4 3 2 1 3 0 4 4 1 esima linha por um escalar não nulo k (Li ! kLi ). dizemos que B é linha equivalente a A.

denotado por p.Exemplo 22 Dada a matriz A obtenha uma matriz na forma escada equivalente a matriz dada. através de operações elementares entre as linhas da matriz fazemos o seguinte: 10 . não singular. seja Bm n a matriz linha reduzida à forma escada. linha equivalente à matriz A: O posto de A. 2 3 2 3 1 0 1 0 1 0 0 0 6 0 1 0 1 7 6 1 0 1 0 7 7 7 b)6 a)6 4 0 1 0 1 5 4 0 5 1 0 1 0 1 1 1 1 0 0 1 Posto de uma matriz: Dada uma matriz Am n . é o número de linhas não nulas de B e a nulidade de A é n p.4 Cálculo da inversa Cálculo da inversa por escalonamento: Para se determinar a matriz inversa de uma matriz A. onde n é o número de colunas de A e p é o posto de A: Exemplo 23 : Encontrar 2 1 2 1 3 a) A = 4 1 0 1 2 1 o posto e a nulidade das matrizes: 3 0 5 5 1 2 1 5 L3 ! 2 L3 4 0 0 13 13 0 2 2 3 1 0 0 L1 ! L1 3 L3 4 0 1 0 5 2 0 0 1 2 1 1 2 4 0 1 0 0 3 2 3 2 1 0 1 2 0 5 L1 ! L1 1 3 2 3 1 1 L2 4 0 2 0 2 0 1 0 0 5 1 3 2 3 3 7 1 0 0 8 1 5 Solução: A matriz A é linha equivalente a matriz B = 4 0 1 0 4 11 0 0 1 8 portanto o posto de A é 3 (o número de linhas não nulas da matriz B) e a nulidade é n p = 4 3 = 1 (n é o numero de colunas da matriz A e p é o posto de A) 2 3 1 0 14 9 6 0 1 1 7 4 7 b) A = 6 4 0 0 0 5 0 0 0 Solução:2posto A = 23 nulidade de A é 3 2 3 1 e = 2 2 1 10 2 1 10 1 6 0 1 1 7 6 7 4 4 7)B = 6 0 1 7 c) A = 6 43 5 4 1 2 0 5 4 0 0 8 1 3 0 0 0 0 Solução posto de A = 3 e nulidade de A é 0 1.

. . . b) Transforma-se por meio de operações elementares a matriz A na matriz I. . . a1n a2n . 7 6 7 . 7 . . 2 3 a11 a12 a1n 1 a1n 6 a21 7 a22 a2n 1 a2n 6 7 6 . 1 1 det A = . . aplicando simultaneamente à matriz I colocada ao lado da matriz A as mesmas operações elementares aplicadas à matriz A: Exemplo 24 : Calcular inversa da matriz A = 2 1 1 0 1 1 1 2 L1 ! 2 L1 4 3 0 1 4 3 1 1 1 0 2 2 L1 ! L1 1 L2 2 0 1 2 1 Logo A 1 2 4 1 3 por escalonamento. 7 . .. . . an 12 an2 a1n a2n . . . . 0 0 1 1 0 0 1 1 2 L2 ! L2 3 2 4L1 2 1 1 2 = 3 2 2 1 1 2 1. . an .5 Determinantes De…nição: Determinante de uma matriz A é um número real associado à matriz A: Notação: det A: Denotamos também o determinante da matriz A. 4 an 11 an 12 . . 6 . separada por um traço vertical tracejado. A=6 . . an 11 an1 a12 a22 . an 1n 5 an1 an2 an 1n ann por a11 a21 ..a) Coloca-se ao lado da matriz A a matriz I. . .. an 1n ann 1n Propriedades do determinante: 1) det A = det AT 2) det(AB) = det A det B 3) Se a matriz A possui uma linha ou coluna nula então det A = 0 4) Se a matriz A tem duas linhas ou colunas iguais então det A = 0 11 . ..

…ca multiplicado pelo mesmo número) 1 21 1 2 1 L2 ! L2 + ( 3)L1 (Esta operação não al3 1 0 2 ( 1) det A = L3 ! L3 2L1 2 0 1 tera o determinante) 1 1 21 2 1 3 1 0 2 (Esta operação não altera o 2 2 ( 1) det A = 0 1 2 L3 ! L3 2L2 determinante) 1 1 21 2 1 3 1 0 2 (O determinante de uma matriz triangular 2 2 ( 1) det A = 0 0 1 superior é o produto dos elementos da diagonal principal) 1 1 1 2 ( 1) det A = 2 ) det A = det A = Cálculo do determinante por desenvolvimento de Laplace: Regra de Chió 12 . Para se calcular o determinante de uma matriz A usamos as operações elementares linha de modo a obter uma matriz triangular superior (ou inferior) observando as propriedades do determinante e fazendo as compensações necessárias. 3 2 2 1 1 1 5 Exemplo 25 A = 4 2 0 3 1 0 2 1 1 2 0 1 L2 ! L3 (Quando permutamos as linhas o deter3 1 0 minante troca de sinal) 2 1 1 1 0 L1 ! 1 L1 (Quando multiplicamos uma linha ( 1) det A = 3 2 2 0 1 por um número o det. 10) A partir de det(AB) = det A det B temos det(AA 1 ) = det I ) det A det A 1 = 1 ) det A = det 1 1 A Cálculo do determinante por triangulação.5) Se na matriz A uma linha (ou coluna) é múltipla de outra linha (coluna) então det A = 0 6) Trocando a posição de duas linhas (colunas) o derminante muda de sinal 7) Quando se multiplica uma linha (coluna) de uma matriz A por um número k 6= 0 o determinante …ca multiplicado por esse mesmo número. 8) O determinante de uma matriz A não se altera quando se faz a seguinte operação entre linha: Li ! Li + kLj : 9) O determinante de uma matriz triangular superior ( ou inferior) é igual ao produto do elementos da diagonal principal.

2 0 0 4 0 0 3 0 + 2( 1)1+2 1 3 0 det A = 1( 1)1+1 2 5 3 1 2 3 1 4 2 0 4 2 0 1 2 0 +( 4)( 1)1+4 1 2 3 +3( 1)1+3 2 5 1 2 5 3 det A = ( 1)(1)( 6) + 2( 1)( 12) + (3)(1)(10) + ( 4)( 1)(78) det A = 372: 13 . det An n = n X j=1 aij ( 1)i+j det Aij onde Aij é a submatriz obtida a partir da matriz A eliminando-se a i esima linha e a j esima coluna da matriz A: Se chamarmos ij = ( 1)i+j det Aij então n X det An n = aij ij j=1 Exemplo 26 : 3 2 1 2 3 4 6 4 2 0 0 7 7 A=6 4 1 2 3 0 5 2 5 3 1 Vamos calcular o determinante da matriz fazendo o desenvolvimento pela primeira linha (note que seria mais conveniente desenvolver pela segunda linha.Se a matriz A é de ordem 2 2 então: a11 a12 det = a11 a22 a21 a12 a21 a22 5 1 det = 5 3 2 1 = 13 2 3 Regra de Sarrus Se A é é de ordem 3 3 a11 a12 a13 a11 a12 2 3 a11 a12 a13 & &% &% % a22 a23 a21 a22 A = 4 a21 a22 a23 5 ) a21 a31 a32 a33 % &% &% & a31 a32 a33 a31 a32 det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) (a31 a22 a13 ) (a32 a23 a11 ) (a33 a21 a12 ) Desenvolvimento de Laplace Para uma matriz de ordem n n usamos o desenvolvimento de Laplace qué é dado pela fórmula. pois ela possui dois elementos nulos).

Se forem falsas.6 Sexta lista de exercícios 1. Se forem verdadeiras. onde I é a matriz identidade. Mostre que toda matriz quadrada A pode ser escrita como a soma de uma matriz simétrica com uma matriz anti-simétrica. dê um contra-exemplo. C são matrizes tais que a multiplicação esteja de…nida. Veri…que se as a…rmações abaixo são VERDADEIRAS ou FALSAS. (a) P Q é uma matriz ortogonal? Justi…que sua resposta. Mostre que a matriz cos M = 4 sin 0 2 sin cos 0 3 0 0 5 1 é uma matriz ortogonal. então det A = 0 (f) ( ) Se A é não-inversível e AB = 0 então B = 0 2. Dada uma matriz A de ordem m n mostre que a matriz AAT é uma matriz simétrica de ordem m m: A matriz AT A é simétrica? Qual sua ordem? 14 . então B = C? 5. ou seja. Seja A = 2 x2 2x 1 0 1: Determine o valor de x para que A seja uma matriz simétrica.1. 3. (d) ( ) Se A e B são inversíveis então A + B também é. Sejam P e Q matrizes ortogonais de mesma ordem. (b) Quais os valores que det Q pode ter? 7. 6. B. Pergunta-se: (a) B = C? (b) Se existir uma matriz Y . Sugestão: Determine S e N em função da matriz A: 4. (a) ( ) Se uma matriz quadrada A for ortogonal então det A = (b) ( ) det(I + A) = 1 + det A (c) ( ) Se A é uma matriz simétrica então A + AT também é simétrica. Suponha que A 6= 0 e AB = AC onde A. A = S + N onde S é uma matriz simétrica e N é uma matriz anti-simétrica. (e) ( ) Se A é uma matriz anti-simétrica de ordem 3. demonstre. tal que Y A = I.

quantas unidades de cada material serão empregadas? (b) Suponha agora que os preços por unidade de ferro. respectivamente. tinta e tijolo sejam respectivamente.8.7 e 12 casas dos tipos moderno. 1 e 10 reais. 5. mediterrâneo e colonial. onde 4 1 2 6 3 1 0 (a) A = 6 4 2 3 1 0 7 1 2 3 1 0 x (b) A = 4 1 1 x2 5 2 2 x2 3 2 0 7 7. 15. Calcule o determinante de A onde 3 2 3 1 5 0 6 0 2 0 1 7 7. Mostre que det4 a b c 5 = (a b)(b a2 b2 c2 11. A quantidade empregada em cada tipo de casa é dada pela matriz (a) Se ele vai construir 5. 0 5 1 15 . Encontre A 2 1 M oderno M editerr^neo 4 a Colonial 2 F erro 5 7 6 M adeira 20 18 25 V idro 16 12 8 T inta T ijolo 3 7 17 9 21 5 5 13 c)(c a) . (a) A = 6 4 2 0 1 3 5 1 1 2 0 3 2 3 0 0 0 0 6 19 18 0 0 0 7 7 6 6 6 5 0 0 7 (b) A = 6 7 p p 4 4 2 3 0 0 5 8 3 5 6 1 2 3 1 1 1 10. vidro. mediterrâneo e colonial. 8. Um construtor tem contratos para construir 3 estilos de casa: moderno. Qual o preço unitário de cada tipo de casa? (c) Qual o custo total do material empregado? 9. madeira.

::::. xn e b é o termo independente. Encontre os valores d k para os quais a matriz 2 3 k 3 0 3 k+2 0 5 A=4 0 5 0 k+5 é não inversível. an são os respectivos coe…cientes das variáveies x1 . ::::. Encontre todos os valores de em que para os quais a matriz A 2 2 62 6 41 3 3 0 07 7 05 2 I4 tem inversa. xn são as incógnitas. a2 . isto é. Existe alguma matriz "inversível"X tal que X 2 = 0? Justi…que sua resposta. an e o termo independente b geralmente são números conhecidos e as variáveis x1 .12. Esses valores são denominados raízes das equações lineares. 13. 14.1 Sistema de equações lineares Introdução Uma equação linear é uma equação da forma a1 x1 + a2 x2 + a3 x3 + :::::: + an xn = b na qual a1 . a3 . Para a matriz de…nida por: M= a b c d calcular f (t) = det(A tI2 ) e resolver a equação do segundo grau f (t) = 0. 16.7 1. Os números a1 . a3 . a2 . x3 . A um conjunto de equações lineares se dá o nome de sistema de equações lineares e tem a seguinte representação: 16 . calcular f (t) = det(A tI2 ) e resolver a equação do segundo grau f (t) = 0. x2 . x2 . Para a matriz A = (aij )de ordem 2 de…nida por aij = i + j. 1. que satisfazem a equação. 0 0 2 2 0 0 1 1 15.7. ::::. x3 . Os valores das variáveis que transformam uma equação linear em uma identidade. constituem sua solução. ::::.

am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn = = . Neste caso dizemos que os sistema é compatível e determinado 2) O sistema possui in…nitas soluções. . . notações da teoria de ma3 3 7 7 7 5 7 7 7 5 amn xn bm . . . que satisfazem a equação constituem sua solução. . . . . . . . . . .2 Sistemas e matrizes. .7. . . . am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn = = . . Neste caso dizemos que o sistema é incompatível. . 3) O sistema não possui nenhuma solução. . . . três casos podem ocorrer: 1) O sistema possui uma única solução. . . 4 . . .. .. 3 7 7 7 5 17 am2 6 6 B=6 4 2 b1 b2 . 1. Neste caso dizemos que o sistema é compatível e indeterminado. Diz-se que dois sistemas de equações lineares são equivalentes quando admitem a mesma solução. . . b1 b2 .1) = bm podemos representa-lo matricialmente utilizando as trizes da seguinte maneira: Se 2 a11 a12 a1n 6 a21 a22 a2n 6 A=6 . isto é.. . b1 b2 . Dado um sistema linear na forma. . (1. . . . . Exemplo 27 Os sistemas 2x + 3y = 11 x+y = 3 e 10x 2y = 38 3x + 5y = 7 são equivalentes pois possuem as mesmas soluções.. . = bm Os valores das variáveis que transformam simultaneamente as equações de um sistema de equações lineares em uma identidade. . . x = 4 e y = 1 Quanto as soluções. 6 6 X=6 4 2 am1 x1 x2 . . .a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn ... . a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn . . .

Dada a matriz ampliada do sistema de equações lineares consideramos a matriz linha reduzida a forma escada obtida a partir da matriz ampliada do sistema: Teorema: 1) Um sistema de m equações e n incógnitas admite solução se. 4 . .2) . Resumo: Dado um sistema de m equações e n incógnitas seja Aa a matriz ampliada do sistema e seja Ae a matriz linha equivalente a matriz Aa onde a matriz dos coe…cientes estão na forma escada. 2) Se as duas matrizes tem o mesmo posto p e p = n (número de colunas da matriz dos coe…cientes. Sempre que um sistema possuir in…nitas soluções deveremos atribuir valores a algumas variáveis e determinar o valor das outras variáveis em função destas. ou números de variáveis) a solução é única.podemos escrever o sistema (1. j am1 am2 amn coluna dos termos indepen- b1 b2 . .1) associamos a seguinte matriz: 2 a11 a12 a1n j 6 a21 a22 a2n j 6 6 . Ao sistema (1. . . . e somente se. . Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes. Seja p = pa = pc .1) na forma matricial: AX = B onde A é a matriz dos coe…cientes. . . Se p < n o sistema é compatível e indeterminado (possui in…nitas soluções). B a matriz dentes e X é a matriz coluna das incógnitas. se p = n então o sistema é compatível e determinado (possui uma única solução). O número n p é chamado grau de liberdade do sistema. 3) Se as duas matrizes tem o mesmo posto e p 6= n podemos escolher n p incógnitas e as outras incógnitas serão dadas em função destas. dado pelo número n p: 1) Classi…car e resolver o sistema: 8 < 2x1 + x2 + 3x3 4x1 + 2x2 + 2x3 : 2x1 + 5x2 + 3x3 18 j bm = 8 = 4 = 12 (1. o posto da matriz ampliada é igual ao posto da matriz dos coe…cientes. . O número de variáveis as quais deveremos atribuir valor é o grau de liberdade do sistema. 3 7 7 7 5 que chamamos matriz ampliada do sistema. Seja pa o posto da matriz ampliada e pc o posto da matriz dos coe…cientes obtidos a partir da matriz Ae : Se pa 6= pc então o sistema é incompatível ( não possui solução) Se pa = pc então o sistema é compatível (possui solução).

2) é x1 = 2 x2 = 5 x3 = 3 2) Classi…car e resolver o sistema: 8 = 6 < 4y + 2x + 6z 4z 2y + 3x = 38 : x + 3z + 2y = 3 8 6 < 2x + 4y + 6z = 3x 2y 4z = 38 (1.3) é equivalente ao sistema 19 . pa = 3 e n = 3: p = pc = pa = 3 ) sistema compatível p = n ) sistema compatível e determinado (possui uma única solução) A matriz Ac é a matriz ampliada do seguinte sistema: 8 < x1 = 2 x2 = 5 : x3 = 3 Como sistemas equivalentes tem a mesma solução.3) : x + 2y + 3z = 3 3 2 2 4 6 j 6 2 4 j 38 5 Aa = 4 3 1 2 3 j 3 2 3 1 41 1 0 j 4 4 Ae = 4 0 1 13 j 29 5 8 8 0 0 0 j 0 Neste caso temos: n=3 pa = 2 pc = 2 ) p = 2 p < n )sistema compatível e indeterminado (in…nitas soluções) grau de liberdade = n p = 1 O sistema (1. onde a parte da matriz dos coe…cientes está na forma escada 2 3 1 0 0 j 2 5 5 Ae = 4 0 1 0 j 0 0 1 j 3 De Ae obtemos: pc = 3.Solução: Matriz Ampliada 2 3 2 1 3 j 8 5 Aa = 4 4 2 2 j 4 2 5 3 j 12 Matriz linha equivalente a matriz ampliada. a solução do sistema (1.

Exemplo 28 : 8 < : 2x + 3y z 3y + z x + 2y z 20 = 1 = 1 = 1 x . já que a multiplicação de matrtizes não é comutativa).7.3 Solução de um sistema por matriz inversa Usando a notação matricial para sistemas lineares temos CX 1 C CX IX X = = = = B (supondo que existe C 1 ) C 1 B (observe que estamos multiplicando C C 1B C 1B 1 pela esquerda) Logo para se determinar a solução basta multiplicar a matriz inversa dos coe…cientes pela matriz dos termos independentes (pela esquerda. daí temos in…nitas soluções) 3) Classi…car e resolver o sistema: 8 < 6x 4y 2z = 3 x+y+z = 1 : 3x 2y z = 1 3 2 6 4 2 j 3 1 j 1 5 Aa = 4 1 1 3 2 1 j 1 3 2 7 1 1 0 5 j 10 3 Ae = 4 0 1 4 j 10 5 5 1 0 0 0 j 2 Neste caso: n=3 pc = 2 pa = 3 ) pa 6= pc )sistema incompatível (não possui solução) 1. Note que …ca mais fácil se atribuirmos valor a variável z : Por exemplo 41 e y = 29 ( Poderíamos atribuir outro fazendo z = 0 temos e x = 4 8 valor qualquer a z.1 41 x = 4z 2 13 29 y + 8z = 8 Para encontrar uma solução (note que existem in…nitas soluções) devemos atribuir valor a uma das variáveis (pois o grau de liberdade é 1) e determinar as outras. e para cada valor de z teremos os valores correspondentes de x e y. Se a matriz C não tem inversa então ou o sistema não possui solução ou possui in…nitas soluções.

8 Sétima lista de exercícios 1. Resolva o sistema de equações. Reduza as 2 1 (a) 4 2 3 2 0 6 1 (b) 6 4 3 2 matrizes à forma escada através de operações linhas: 3 2 3 1 1 2 3 5 1 2 3 3 2 2 1 3 7 7 4 2 5 3 1 4. escrevendo a matriz ampliada do sistema inicial e escrevendo o sistema …nal do qual se obterá a solução do sistema original: 8 > 2x y + 3z = 11 > < 4x 3y + 2z = 0 = 6 > x+y+z > : 3x + y + z = 4 8 < x + y + 3z = 2 x + 2y + 4z = 3 : Para que valores de a e b 2.1 2 1 3 1 1 0 1 1 5 C 1=4 0 1 1 3 CX = B X = 3 1B C 2 2 32 3 2 x 1 1 0 1 4 y 5=4 0 1 1 54 1 5 = 4 z 1 1 3 1 2 C=4 1 2 2 3 3 1 1 3 5 3 1 B=4 1 5 1 2 3 x X=4 y 5 z 2 3 2 2 5 3 1. Determine k para que o sistema admita solução 8 < 4x + 3y = 2 5x 4y = 0 : 2x y = k 21 . Considere o sitema linear : x + 3y + az = b o sistema (a) tem uma in…nidade de soluções? (b) tem única solução? (c) é impossível? 3.

Podemos resolver um sistema usando matriz inversa da seguinte forma: A 1 AX AX X = B = A = A 1 1 B B 12. então o sistema homogêneo AX = 0 tem in…nitas soluções ? Justi…que sua resposta. (a) Um sistema homogêneo admite pelo menos uma solução. Explique por que a nulidade de uma matriz nunca é negativa. Resolva o sistema matricial D Isto é útil quando desejamos resolver vários sistemas lineares que possuem a mesma matriz dos coe…cientes. Qual é ela? (b) Encontre os valores de k 2 R. 3. Chamamos de sistema homogêneo de n equações e m incógnitas aquele sistema cujos termos independentes são todos nulos. 6) 22 . 2.6. 10. Apresente todos os possíveis resultados na discussão de um sistema nãohomogêneo de 6 equações lineares com 4 incógnitas. quais são os possíveis valores da nulidade de A? 5. Se A é uma matriz 3 E se A for 4 2? 5. 11. tais que o sistema homogêneo 8 < 2x 5y + 2z = 0 x+y+z = 0 : 2x + kz = 0 tenha uma solução distinta da solução trivial. 7. 2 3 1 2 2 4 5 Usando a teoria acima resolva os sistema AX = B onde A = 4 2 5 3 7 5 e 2 3 2 3 2 3 2 3 1 1 1000 111 a) B = 4 2 5 b) B = 4 3 5 c) 4 10 5 d) 4 311 5 3 100 100 511 1 X = A onde D = diag(1. 9. 4. Encontre todas as soluções do sistema 8 < x1 + 3x2 + 2x3 + 3x4 7x5 = 14 2x1 + 6x2 + x3 2x4 + 5x5 = 2 : x1 + 3x2 x3 + 2x5 = 1 8. Se det A = 0. 5.

de modo que os locais de trabalho sejam plenamente utilizados? 15. isto é. caso ela exista: = = = 6 38 3 (a) i. cada exemplar necessita de um certo tempo para costura e cola conforme mostra a tabela abaixo: Se o local onde são feitas as costuras …ca disponível 6 horas por dia e o local onde se cola. quantos projéteis serão necessários para o grupo dos BM4 no início da operação? 16. b) Para cada uma das matrizes da tabela acima determine se o sistema homogêneo AX = B. Classi…que o sistema 8 < 2x + 4y + 6z 3x 2y 4z : x + 2y + 3z 6 6 6 A=6 6 6 4 2 1 0 0 0 0 0 0 1 0 0 0 0 0 2 1 0 0 0 0 2 1 1 0 0 1 2 1 1 1 0 1 2 1 1 0 1 3 7 7 7 7 7 7 5 e exiba uma solução. Se para o início de uma manobra militar. 4 e 5 canhões do tipo MX9 respectivamente. 11 horas por dia. use a informação da tabela para determinar se o sistema AX = B é possível. a) Em cada parte. BM4 e BM5. Indique a quantidade de soluções para cada caso. é possível.14. A soma dos BM4 com os BM5 corresponde aos 2 / 3 dos BM3. Uma editora publica um best-seller potencial com três encadernações diferentes: capa mole. Tamanho de A Posto de A Posto de [A jB ] (a) 3 3 2 3 (b) 9 3 2 5 4 0 0 (c) 4 (d) 3 3 3 3 13. Justi…que sua resposta. Se for. quantos livros de cada tipo devem ser feitos por dia. equipados com 3. O total de canhões disponíveis é igual a 530. determine o número de variáveis livres da solução geral. cada canhão carrega 12 projéteis. 23 . Num grande acampamento militar há 150 blindados dos tipos BM3. capa dura e encardenação de luxo.

chamaremos de matriz adjunta de A à transposta da matriz dos cofatores de A e denotaremos adj A: Portanto adj T A=A : Teorema: Uma matriz quadrada A admite inversa se e somente se det A 6= 0: Neste caso 1 A 1= (adjA) det A 24 4 = 1 ( 19) = 19 5 3 1 = 0 ) d13 = ( 1)1+3 det = 1 ( 19) = 19 1 6 1 0 = 3 ) d21 = ( 1)2+1 det = 1 (5) = 5 6 5 2 0 = 1 ) d22 = ( 1)2+2 det = 1 (10) = 10 1 5 2 1 = 4 ) d23 = ( 1)2+3 det = 1 (11) = 11 1 6 1 0 = 1 ) d31 = ( 1)3+1 det = 1 (4) = 4 1 4 2 0 = 6 ) d32 = ( 1)3+2 det = 1 (8) = 8 3 4 2 1 = 1 (5) = 5 = 5 ) d33 = ( 1)3+3 det 3 1 2 3 19 19 19 10 11 5 A=4 5 4 8 5 1 .9 1. lembramos que o cofator dij do elemento aij da matriz A é o elemento ( 1)i+j det Aij . denomindada matriz dos cofatores denotada por A: Portanto A = [dij ] onde dij = ( 1)i+j det Aij Exemplo 29 : 2 1 6 3 2 3 1 4 5 3 1 0 1 4 5 6 5 a11 = 2 ) d11 = ( 1)1+1 det a12 = 1 ) d12 = ( 1)1+2 det a13 a21 a22 a23 a31 a32 a33 A=4 = 1 ( 19) = 19 De…nição: Dada uma matriz quadrada A. onde Aij é a submatriz de A obtida extraindo-se a i esima linha e a j esima coluna.1.9. Com estes cofatores forma-se uma nova matriz A.1 Apêndice Cálculo da inversa por adjunta Dada uma matriz .

. 4 . 7 = 6 . . 54 . . . . .2 Regra de Cramer Um outro método de resolução de sistemas lineares de ordem n n é a Regra de Cramer onde as soluções do sistema linear são calculadas usando o determinante.. . . a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn .1. . 5 .. . mas é bastante prático em certas questões teóricas. . . 7 . . ann xn bn 1 obtemos C 1 1 B (observe que estamos multiplicando C 1 B 1 B 1 (adjC) det C 1 pela esquerda) usando a relação C temos X= 1 = 1 (adjC)B det C 25 . . 5 4 . b1 b2 . = bn Supondo que det C 6= 0 e portanto que C tenha inversa C CX CX IX X = = = = B C C C é escrito da seguinte maneira: 32 3 2 3 a1n x1 b1 a2n 7 6 x2 7 6 b2 7 76 7 6 7 76 . an1 an2 = = . . .. . . . .... . .9. . an1 x1 + an2 x2 + an3 x3 + :::::: + ann xn Na forma matricial este sistema 2 a11 a12 6 a21 a22 6 6 . . Justamente por usar o determinante este método torna-se inviável computacionalmente. .

det C 4 . xn x1 x2 . . .... + + . .. . bn Dann x1 = Analogamente 1 (b1 D11 + b2 Da12 + + bn Da1n ) det C 3 2 b1 a12 a1n 6 b2 a22 a2n 7 1 7 6 x1 = det 6 . . .. .. .. bn an2 ann 2 3 b1 a12 a1n 6 b2 a22 a2n 7 6 7 det 6 . . . . 5 . 4 . .. :::::. . 5 . Dan2 . ann 31 2 7C 6 7C 6 7C 6 5A 4 b1 b2 . . bn a1n a2n .. an2 b1 b2 .. . . n Podemos escrever esta relação na forma an1 2 a11 6 a21 6 det 6 . b2 Dan2 + bn Da1n + bn Da2n . 4 . . an2 Da12 Da22 . .... a1n a2n . . .. ann 3 7 7 7 5 3 7 7 7 5 xi = i = 2. . an1 an2 ann 6 6 det 6 4 2 a11 a21 . . .. . . . . .. . . ...2 6 6 6 4 2 6 6 6 4 x1 x2 . . . 7 .. 3 7 7 7 5 3 3 7 7 7 5 7 7 7 5 D11 Da21 . . xn 3 7 7 7 = 5 3 7 7 7 = 5 B6 1 B6 adj B6 det C @4 1 det C 02 B6 B6 B6 @4 2 6 6 6 4 02 a11 a21 . . . .. 7 . . Da1n Da2n . . . an1 ann 26 .. .. xn x1 x2 . . b1 Dan1 b2 Da12 b2 Da22 . . . 3. . . . Dan1 . . bn 31 2 7C 6 7C 6 7C 6 5A 4 b1 b2 . bn an2 ann 2 3 x1 = a11 a12 a1n 6 a21 a22 a2n 7 6 7 det 6 .. .. .. .. . . . . . . .. 5 . . . .. . . an1 a12 a22 . .. .... 2 6 6 6 4 3 Dann bn 7 7 7 = 5 1 det C b1 D11 + b1 Da21 + .. 4 .. a1n a2n ... . 7 . .. . a12 a22 .. . .. . ....

. . . Exemplo 31 Resolver o sistema 2x + y z = 0 20x + 20y 20z = 1 : x+y z =0 2 3 2 1 1 20 5 = 0 D = det 4 20 20 1 1 1 27 8 < . . Logo o sistema possui in…nitas soluções. ann a1n a2n . :::. . . ann 3 7 7 7 5 3 7 7 7 5 e 6 6 Di = det 6 4 Usando a Regra de Cramer podemos classi…car um sistema n n: Se D 6= 0 então o sistema possui uma única solução (compatível e determinado) Se D = 0 e algum dos Di 6= 0 então o sistema é incompatível Se D = 0 e todos os Di = 0. an2 . . n então o sistema possui in…nitas soluções. para i = 1. .. ... . an1 2 a11 a21 . an1 Di D b1 b2 . bn a1n a2n . . . . .. Exemplo 30 Resolver o sistema x+y =2 10x + 10y = 20 D = det D1 = det D2 = det 1 10 2 20 1 10 1 10 1 10 2 20 =0 =0 =0 6 6 D = det 6 4 a12 a22 .. Note que não podemos determinar o grau de liberdade pela Regra de Cramer..xi = onde 2 a11 a21 .

Como D2 = 20 e D3 = 0 D1 = det 4 1 0 2 2 D2 = det 4 20 1 2 2 D3 = det 4 20 1 2 1 20 1 1 0 1 1 20 1 1 o sistema é incompatível 3 1 20 5 = 0 1 3 1 20 5 = 20 1 3 0 1 5= 1 0 Exemplo 32 Resolva o sistema 8 < x+y z =0 x y z=1 : x+y+z =1 1 D = det 4 1 1 2 1 1 1 Logo o sistema tem uma única solução 2 0 D1 = det 4 1 1 2 1 D2 = det 4 1 1 2 1 D3 = det 4 1 1 A solução é 3 1 1 5= 1 4 1 1 1 0 1 1 1 1 1 3 1 1 5= 4 1 3 1 1 5=2 1 3 0 1 5= 2 1 x1 x2 x3 = = = 4 D1 = =1 D 4 2 1 D2 = = D 4 2 D 2 1 = = D3 4 2 Exercício: Usando a Regra de Cramer faça a classi…cação de um sistema homogêneo AX = 0 28 .

a seguir. Jogos de Estratégia: no jogo de roleta o jogador dá seu lance com uma aposta e o cassino responde com o giro da roleta. Técnicas matriciais podem quanti…car este problema e auxiliar o administrador a escolher uma programação sustentável de corte. alguma delas. É claro que neste curso não conseguiremos aborda-las todas. O administrador também procura maximizar os rendimentos. o lucro para o jogador ou para o cassino é determinado a partir destes dois movimentos.Capítulo 2 ESPAÇOS VETORIAIS 2.1 Introdução Álgebra linear é uma parte da Álgebra que. É um fato histórico que a invenção da Álgebra Linear ser um campo abstrato da Matemática. Tanto a álgebra Linear como a Geometria Analítica aplicam-se a várias áreas. ela tem um grande número de aplicações dentro e fora da matemática. Todos esses itens servem para um estudo detalhado de sistemas lineares de equações. Administração de Florestas: o administrador de uma plantação de árvores de Natal quer plantar e cortar as árvores de uma maneira tal que a con…guração da ‡ oresta permaneça inalterada de um ano para outro. em especial às Engenharias. Computação grá…ca: uma das aplicações mais úteis da computação grá- 29 . por sua vez. Citamos. é um ramo da Matemática na qual são estudados matrizes. espaços vetoriais e transformações lineares. Contudo. que dependem de número e do tamanho das árvores cortadas. nosso objetivo no momento é que o estudante tome contato com o que representa o estado da arte neste contexto. Os métodos matriciais podem ser usados para desenvolver estratégias otimizadas para os jogadores. Esses são os ingredientes básicos de uma variedade de jogos que contêm elementos tanto de estratégia quanto de acaso.

especi…cas por faixas etárias. a probabilidade de um dia chuvoso na localidade. A teoria das cadeias de Markov pode utilizar tais dados para prever. incluindo transformadas de co-seno. Cadeias de Markov: os registros meteorológicos de uma localidade especí…ca podem ser usados para estimar a probabilidade de que vá chover em um certo dia a partir da informação de que choveu ou não no dia anterior. coordenadas homogêneas e geometria projetiva – utilizando comumente para representar consistentemente transformações a…ns e processos de projeção( paralela. Outras aplicações mais simples em computação grá…ca são: vetores e matrizes –são utilizados em espaços de cores(RGB. que pode se reduzida a resolver um sistema de equações lineares através de técnicas matriciais interativas. etc. em coordenadas e transformações geométricas em duas e três dimensões. de nascimento e mortalidade da população. As matrizes fornecem uma maneira conveniente de lidar com a enorme quantidade de dados necessários para construir e animar os objetos tridimensionais usados por simuladores de vôo para representar um cenário em movimento. Genética: os mandatários do Egito recorriam a casamentos entre irmãos para manter a pureza da linhagem real. em representação compacta de sessões cônicas. Para 30 .. etc). Distribuição de Temperatura de Equilíbrio: uma tarefa básica da ciência e da engenharias. HSV. em combinações convexas e lineares de pontos( curvas e superfícies spline). quatérnios –rotação espaciais e implementação de cinemática inversa( resolver problemas de posicionamento de juntas articuladas). perspectiva.…ca é a do simulador de vôo. Redes Elétricas: circuitos elétricos que contenham somente resistências e geradores de energia podem se analisados usando sistemas lineares derivados das leias básicas da teoria de circuitos. é determinar a distribuição de temperatura de objetos tais como a do aço saindo da fornalha. modelos de câmera virtual): números complexos – em rotação no plano e também em processamento de imagens. Colheita de Populações Animais: a colheita sustentada de uma criação de animais requer o conhecimento da demogra…a da população animal. Crescimento Populacional pó Faixa Etária: a con…guração populacional futura pode ser projetada aplicando álgebra matricial às taxas. A teoria das matrizes fornece um referencial matemático para examinar o problema geral da propagação de traços genéticos. com muita antecedência. Fourier. etc. A evolução a longo prazo da população depende das características matemáticas de uma matriz de projeção que contém os parâmetros demográ…cos da população. Este costume propagou e acentuou certos traços genéticos através de muitas gerações..

31 . Construção de Curvas e Superfícies pó Pontos Especí…cos: em seu trabalho “Principia Mathematica” ( os princípios matemáticos da Filoso…a Natural) I. uma construtora pode querer escolher rotas para movimentar equipamento pesado de seus depósitos para os locais de construção de maneira a minimizar a distância total percorrida. Hoje me dia. Ao invés de utilizarmos o procedimento geométrico de Newton. uma mina de carvão. uma ferrovia e uma usina de energia necessitam cada uma de uma parte da produção das outras para sua manutenção e para suprir outros consumidores de seu produto. Um tempo enorme do uso de computadores na administração e na indústria é dedicado a problemas de programação linear. Criptogra…a: durante a Segunda Guerra Mundial. Programação Linear Geométrica: um problema usual tratado na área de programação linear é o da determinação de proporções dos ingredientes em uma mistura com o objetivo de minimizar seu custo quando as proporções variam dentro de certos limites. podemos utilizar os determinantes para resolver o problema analiticamente. Os Modelos de produção de Leontief podem ser usados para determinar o nível de produção necessário às três indústrias para manter o sistema econômico. os decodi…cadores norte americanos e britânicos tiveram êxito em quebrar o código militar inimigo usando técnicas matemáticas e máquinas so…sticadas (por exemplo. um conjunto de parâmetros para cada um dos caracteres de uma particular fonte. Os parâmetros que os determinam estão armazenados na memória do computador.maximizar o lucro de uma colheita periódica. Por exemplo. Modelos Econômicos de Leontief : num sistema econômico simpli…cado. Interpolação Spline Cúbica: as fontes tipográ…cas PostScript e TrueType usadas em telas de monitores e por impressoras são de…nidas por curvas polinomiais por partes denominadas splines. podem ser comparadas diversas estratégias de colheita sustentada utilizando técnicas matriciais que descrevem a dinâmica do crescimento populacional. O problema na Alocação de Tarefas: um problema importante na indústria é o do deslocamento de pessoal e de recursos de uma maneira e…ciente quanto ao custo. a Enigma). Isto ilustraria como encontrar a órbita de um cometa ou de um planeta através da análise de cinco observações. Newton Abordou o problema da construção de uma elipse por cinco pontos dados. o principal impulso para o desenvolvimento de códigos seguros é dado pelas comunicações con…dencias entre computadores e em telecomunicações.

Estes processos são feitos a partir de algumas poucas fotos. A idéia de continuidade. cienti…ca e de entretenimento. A aplicação matricial que descreve o processo de embaralhar ilustra tanto a ordem quanto a desordem que caracterizam estes processos caóticos. a previsão de como seria hoje o rosto de uma criança desaparecida há 15 anos atrás. o primeiro 32 . na tentativa de tornalos aleatórios. Estes receptores.Teoria de Grafos: a classi…cação social num grupo de animais é uma relação que pode ser descrita e analisada com a teoria de grafos. Desta maneira. como a tomogra…a computadorizada e a ressonância magnética. Os fractais são atualmente aplicados à compactação de dados computacionais. Esta teoria também tem aplicações a problemas tão distintos como a determinação de rotas de companhias aéreas e a análise de padrões de votação. Tomogra…a Computadorizada: um dos principais avanços no diagnóstico médico é o desenvolvimento de métodos não invasivos para obter imagens de seções transversais do corpo humano. ou a transformação de um rosto de mulher no de uma pantera. é feita através do computador. Produto de dez anos de intensa pesquisa e desenvolvimento. Conjuntos Fractais: conjuntos que podem ser repartidos em versões congruentes proporcionalmente reduzidas do conjunto original são denominadas fractais. etc. de evolução do processo. Deformações e Mor…smos: você já deve ter visto em programas de televisão ou clips musicais imagens mostrando rapidamente o envelhecimento de uma mulher ao longo do tempo. Os métodos da Álgebra Linear podem ser usados para reconstruir imagens a partir do escaneamento por raios X da tomogra…a computadorizada. movidos pelas vibrações do tímpano. o ouvido interno age como um processador de sinais que decompõe uma onda sonora complexa em um espectro de freqüências distintas. padrões indesejados podem continuar aparecendo no processo. Os métodos de Álgebra Linear podem ser usados para construir e classi…car fractais Teoria do Caos: os pixels que constituem ema imagem matricial podem ser embaralhados repetidamente de uma mesma maneira.Este processo de deformação é chamado de mor…smo. Contudo. que se caracteriza por misturas de fotogra…as reais com fotogra…as modi…cadas pelo computador. Um Modelo de Mínimos Quadrados para a Audição Humana: o ouvido interno contém uma estrutura com milhares de receptores sensoriais ciliares. respondem a freqüências diferentes de acordo com sua localização e produzem impulsos elétricos que viajam até o cérebro através do nervo auditivo. Tais técnicas de manipulação de imagens têm encontrado aplicações na indústria médica.

aeronáutica. A fundamentação matemática para a engenharia de sistemas repousa sobre espaços vetoriais de funções. É importante para as aplicações que essas funções possam ser somadas e multiplicadas por escalares. f + g = g + f 2. analisaremos em paralelo dois objetos: o conjunto formado pelas funções f : R ! R. Antes de apresentarmos a sua de…nição. denotado por F (R) e o conjunto das matrizes quadradas de ordem n com coe…cientes reais que denotaremos por Mn (R). 2 R. os sinais de entrada e saída de um sistema de Engenharia são funções. Os sistemas de controle de ônibus espacial são absolutamente críticos para vôo. química . f + (g + h) = (f + g) + h 3. g e h em F (R) e para . Essas duas operações em funções tem propriedades algébricas que são completamente análogas às operações de soma de vetor e multiplicação de vetor por escalar no Rn : Por esse motivo. têm em comum? Ver…ca-se facilmente a partir das propriedades dos números reais que. Ele requer um constante monitoramento por computador durante o vôo atmosférico. portanto precisamos estender a teoria de vetores do Rn de modo a incluir tais funções. com relação a quaisquer funções f . A + B = (aij + bij )nxn que é um elemento de Mn (R): Com relação à multiplicação do escalar A = ( aij )nxn o qual também 2 Mn (R): O que estes dois exemplos acima. são válidos os seguintes resultados: 1. com a adição de seus elementos e multiplicação de seus elementos por escalares. O sistema de vôo envia uma sequência de comandos para a superfície de controle aerodinâmico. elétrica.ônibus espacial dos EUA (lançado em 1981) foi uma vitória da engenharia de controle de sistemas. A soma de duas funções f e g de F (R) é de…nida como: (f + g)(x) = f (x) + g(x): Note também que se f . da seguinte forma: 2 R podemos multiplicar o escalar ( f ) (x) = (f (x)) resultando num elemento de F (R): Com relação a Mn (R) podemos somar duas matrizes quadradas de ordem n. Se g representa a função nula então f + g = f 33 pela matriz A 2 R pela função . hidráulica e mecânica. envolvendo muitas áreas da engenharia . Matematicamente . o conjunto de todas as entradas possíveis (funções) é chamado de um espaço vetorial.

que a cada par de vetores. ( + )A = A + A 7. 1f = f . A + B = B + A 2. De…nição 33 Um espaço vetorial V é um conjunto. ( f) = ( )f 6. Inverso aditivo: Para cada v 2 V existe 34 v 2 V tal que v+v =0 . Existem muitos outros exemplos de conjuntos que apresentam as mesmas propriedades acima. A + (B + C) = (A + B) + C 3. sobre o qual supomos estar de…nidas as operações de adição e multiplicação por escalar. ( A) = ( )A 6. também são válidos os seguintes resultados: 1. v e w 2 V as seguintes propriedades: 1. B. Vetor nulo: existe um vetor nulo 0 2 V tal que v + 0 = v para todo v 2 V 4.4. 2 R e u. com relação a quaisquer matrizes A. (A + B) = A + B 8. estudaremos um conjunto genérico e não vazio. Agora. cujos elementos são chamados vetores. A + ( A) = 0 5. Comutatividade: u + v = v + u 2. e C em Mn e para todo 2 R. u e v 2 V faz corresponder um novo vetor denotado por u + v 2 V . Estas operações devem satisfazer. 1A = A Observamos que o conjunto das funções bem como o das matrizes. ( + )f = f + f 7. (f + g) = f + g 8. Associatividade: (u + v) + w = u + (v + w) 3. e a multiplicação por um número real. f + ( f ) = 0 5. chamado produto de por v. Se 0 representa a matriz nula então A + 0 = A 4. apresentam propriedades algébricas comuns. no qual estão de…nidas duas operações: a adição. quando munidos de soma e multiplicação por escalar. que a cada 2 R e a cada vetor v 2 V faz corresponder um vetor denotado por v. V . chamado a soma de u e v. para quaisquer . Para não estudarmos separadamente cada conjunto.

Multiplicação por 1: 1:u = u Exemplo 34 Para todo número natural n. (veri…que). y2. )v = ( v) (u + v) = u + v 8. xn ). Exemplo 35 O conjunto dos polinômios em x. ::. V. y) de…nidas: x. ::. x2 . o símbolo Rn representa o espaço vetorial euclidiano n-dimensional. Os elementos de Rn são as listas ordenadas (chamadas n-uplas) u = (x1. x2 + y2. n) = fAm n = faij g aij 2 R. de grau menor ou igual a n é de…nido por : Pn = p(x) = ao + a1 x + ::::: + an n 1 1x + an xn ao . ::::. No caso particular das matrizes quadradas de ordem n denotaremos M (n. m e j = 1. ::::: xn ) Veri…ca-se sem di…culdades. :::::xn = yn : Em Rn de…nimos as operações: u + v = (x1 + y1 .5. an 1 . y 2 Rg com as operações assim 35 . n) por Mn : Exemplo 37 Seja o conjunto R2 = f(x.:::::::. Por de…nição a igualdade vetorial u = v signi…ca as n igualdades numéricas x1 = y1. v = (y1 . Note que cada elemento de Pn é uma função p:R!R Exemplo 36 O conjunto das matrizes de…nido por M (m. que estas de…nições fazem do Rn um E. ::::xn + yn ) e u = ( x1. a1 . x2 = y2 . ( 7. an 2R com as operações de adição de polinômios e multiplicação de um polinômio por um escalar é um espaço vetorial. x2. x3. Distributividade: ( + )v = v + v 6. ng com a soma usual de matrizes e multiplicação usual de um escalar por uma matriz é um espaço vetorial. i = 1. ::::::yn ) de números reais. y3 .

y) O conjunto R com estas operações não é um espaço vetorial. y3 . x4 . x3 + y3 . y1 ) = ( x1 + x1 .2 Subespaços V é um subespaço De…nição 38 Seja V um espaço vetorial. y1 ) = (( + )x1 . x4 . x2 + y2. de fato: Vamos mostrar que falha a propriedade 5) do E. 36 . v 2 W então u + v 2 W 2. Qualquer subespaço W de V precisa conter o vetor nulo. ( + )u = ( + )(x1 . y4 . W é um subespaço vetorial? Resolução: veri…camos as condições de subespaço: v = (0. y5 ) 2 W seja u = (0.(x1 .V. x3 . x5 ) . y1 ) + ( x1 . x2. Dizemos que W vetorial de V se forem satisfeitas as seguintes condições: 1. u = (0. Todo espaço vetorial admite pelo menos dois subespaços: o conjunto formado pelo vetor nulo e o próprio E. u + v = (0. x3 . x3 . y1 ) + (x2 . x5 + y5 ) 2 W 2. 2y1 ) ) ( + )u 6= u + u 2. x5 ) 2 W logo W é um subespaço vetorial.V. x4 . y1 ) = ( x1 + x1 . x3 . y1 ) = ( x1 . y1 ) + (x1 . y2 ) = (x1 + x2 . y) = ( x. x2. se u . x4 .V. y1 ) 2 u+ u = = (x1 . se u 2 W então u 2 W para todo Podemos fazer três observações: 2 R: as condições da de…nição garantem que ao operarmos em W (soma e multiplicação por escalar) não obteremos um vetor fora de W: Isto é su…ciente para a…rmar que W é ele próprio um E. x2. Exemplo 39 Seja V = R5 e W = f0. y1 + y2 ) (x. x5 ) 2 W e 1. x5 ) = (0. y2. x4 + y4 . x2.

z1 ) = ( x1 . 2x1 ) e v = (x2 . 2( x1 )) 2 W . y1 . 2x2 ) 2 W tem-se u + v = (x1 + x2 . assim como o produto de uma matriz triangular por um escalar (Veri…que). u = (x1 . y1 + y2 . y1 . y1 . y2 .Exemplo 40 Seja S = f(x. 1) e v = (2. temos: u + v = (3. x2 ) 2 R2 x 2 R). 5) 2 W . 2x1 ) = ( x1 . pois a segunda componente de u + v é igual ao dobro da primeira. 37 . onde A é uma matriz m n e X é uma matriz coluna n 1:Se X1 e X2 são duas soluções do sistema AX = O então tem-se AX1 = O e AX2 = O: Mas A(X1 + X2 ) = AX1 + AX2 = O + O = O. e podemos concluir que (x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0 ) u + v 2 S 2. Exemplo 42 Uma situação importante em que aparece um subespaço é obtida ao resolvermos um sistema linear homogêneo. portanto kX1 é uma solução do sistema AX = O: Como o conjuntos das matrizes Xn 1 é uma espaço vetorial temos que o subconjunto de todas as matrizes de ordem n 1 que são soluções do sistema AX = O é uma subespaço vetorial do espaço vetorial formadso por todas as matrizes de ordem n 1 Exemplo 43 Seja V = R2 e W = f(x. y1 . W é subespaço vetorial de R2 . z1 ) + (x2 . pois a segunda componente de u é igual ao dobro da primeira. portanto W não é = subespaço vetorial de R2 : Exemplo 44 Seja V = R2 e W = f(x. z2 ) = (x1 + x2 . pois a soma das matrizes triangulares superiores ainda é uma matriz triangular superior. y1 . u + v = (x1 . z2 ) 2 S 1. logo X1 + X2 é uma solução do sistema AX = O: Também. u = (x1 . z1 ) 2 S ) x1 + y1 + z1 = 0: Analogamente x2 + y2 + z2 = 0. 2(x1 + x2 )) 2 W . z) 2 R3 x + y + z = 0g. z1 ) 2 S e v = (x2 . A(kX1 ) = kAX1 = O. Considere o sistema homogêneo AX = O. y2 . S é um subespaço de R3 ? Resolução: Dados u = (x1 . Para u = (x1 . S é um subespaço vetorial de R3 : Exemplo 41 V = Mn e W é o subconjunto das matrizes triangulares superiores. 4) 2 W . 2. z1 ) para todo (x1 + y1 + z1 ) = 0 = 0 e dai u 2 S ) x1 + y1 + z1 = Portanto. y) 2 R2 y = 2xg. y. Se escolhermos u = (1. W é subespaço de V . pois temos: 1. z1 + z2 ) Como u = (x1 .

a intersecção W1 \ W2 ainda é um subespaço de V . z) 2 R3 = x = 0): W1 \ W2 é a reta de intersecção dos planos W1 e W2 . sabe-se que a matriz A deve satisc d fazer a relação AB = BA:Portanto 2a Solução: Tomando A = a b c d 0 1 b d 1 0 a c b a a c Logo A = 0 1 1 0 a b c d = = = = = d = b)b= c d a b c d)a=d c a b a b )W = 2 M2 a. z) 2 R3 = x = 0 e y = 0) Exemplo 48 V = R3 : Seja W1 = f(x. y. z) 2 R3 = y = 0) e W2 = f(x. y. y. y. A2 petencente a M2 : (A1 + A2 ) B = A1 B+A2 B = BA1 +BA2 = B (A1 + A2 ) ) (A1 + A2 ) 2 M2 (kA1 ) B = k (A1 B) = k (BA1 ) = B (kA1 ) ) (kA1 ) 2 M2 Logo W é um subespaço vetorial de W: a b 2 W. z) 2 R3 = x + y + z = 0) e W2 = f(x. y. b 2 R b a b a a b x y Sejam u = ev= b a y x a b x y a+x b+y a+x b+y u+v = + = = 2W b a y x b y a+x (b + y) a + x a b ka kb ku = k = 2W b a kb ka Como u + v 2 W e ku 2 W ) W é um subespaço vetorial de M2 2.Exemplo 45 Considere o espaço vetorial M2 e a matriz B = M2 :Seja W = fA 2 M2 de M2 : 0 1 2 1 0 AB = BAg. ou seja W1 \ W2 = f(x.3 Intersecção de dois Subespaços Vetoriais De…nição 46 Dados W1 e W2 subespaços de um espaço vetorial V . z) 2 R3 = x + y z = 0): 38 . Veri…que se W é um espaço vetorial 1a Solução: Sejam A1 . Exemplo 47 V = R3 : Seja W1 = f(x.

a. W2 = fmatrizes triangulares inferiores}. pois W = a 0 0 0 . c 2 R W2 = W = W1 \ W2 é um subespaço de V . Exemplo 51 Seja V = M2 = W1 = a b c d a b 0 0 a 0 c 0 e . z) 2 p0 (1) = 0g e W2 = fp 2 P3 Como p 2 P3 então p = a + bx + cx2 + dx3 . com a. y = R3 = z = 0 e y = x) Exemplo 49 V = P3 : Seja W1 = fp 2 P3 p00 (1) = 0g x: Portanto W1 \ W2 = f(x. y) 2 R2 . b. b 2 R .a 2 R Exemplo 52 Sejam W1 e W2 dados por: W1 = f(x. a.Para encontrarmos a intersecção dos dois subespaços devemos resolver o sistema x+y+z =0 x+y z =0 A solução desse sistema é z = 0. y. x + y = 0g e W2 = (x. y) 2 R2 . d 2 R: Se p 2 W1 então p0 (1) = 0 ) b + 2c + 3d = 0: Se p 2 W2 então p00 (1) = 0 ) 2c + 6d = 0: Para que p pertença a W1 \ W2 devemos resolver o sistema b + 2c + 3d = 0 2c + 6d = 0 c = b = Portanto W1 \ W2 = fp 2 P3 3d 3d p = a + 3dx 3dx2 + dx3 g Exemplo 50 V = M (n. n). c. W1 = fmatrizes triangulares superiores}. Então W1 \ W2 = fmatrizes diagonais}. x y = 0g 39 .

o vetor v = a1 v1 + a2 v2 + ::::: + an vn é um elemento de V ao que chamamos de combinação linear de v1 .::::::::: an 2 R. 4) Exemplo 55 Veri…que se o vetor v = (3. 2. 1): devemos então resolver o sistema 2 1 1 41 1 1 1 32 3 2 3 3 1 a 1 5 4 b 5 = 425 1 1 c 3 Mas esse sistema tem uma única solução a = 2 . v2 = (1.será que W1 [ W2 é um subespaço vetorial de V ? Solução : Não. vn : Exemplo 54 Em R2 vetores os vetor v = (10. 2) v2 = (3. portanto 2 v pode realmente ser escrito como combinação de v1 . 1) + (1. c tais que v = av1 +bv2 +cv3 . 16) é uma combinação linear dos pois v = 4v1 + 2v2 : v1 = (1. 1. a2. r(x) = 1 + x e s(x) = 1 + x + x2 : 40 . ::::::. 1) pode ser escrito como uma combinação linear dos vetores v1 = (1.4 Combinação Linear De…nição 53 Seja V um espaço vetorial real. v2 . 1. 1. Então. b. 2. u = (1. v3 = (1. 1) 2 W1 mas u + v = (1. vn 2 V e a1 . b = 1 e c = 1. v2 e v3 . 1. ::::::. (3. 1. 1): Devemos veri…car se existem números a. 1) + c(1. da forma v = 3 1 2 v1 + 2 v2 + v3 : Exemplo 56 No espaço vetorial P2 o polinômio p = 7x2 + 11x 26 é combinação linear dos polinômios: q1 = 5x2 3x + 2 e q2 = 2x2 + 5x 8. 1). ou seja. Basta considerar V = R2 . 0) 2 W1 [ W2 (represente gra…camente = esta soma de vetores) 2. 1). 1) + b(1. de fato p = 3q1 + 4q2 (con…ra). v1 . 1) 2 W2 v = (1. 1. v2 . Exemplo 57 Veri…que que em P2 o polinômio p(x) = 1+x2 é uma combinação dos polinômios q(x) = 1. 1) = a(1. 1) = (2.

Resolução: Precisamos encontrar números reais, a1 ; a2 e a3 tais que: p(x) = a1 q(x) + a2 r(x) + a3 s(x) Ou seja, precisamos encontrar a1 ; a2 e a3 satisfazendo: 1 + x2 1:1 + 0x + 1:x2 = a1 + a2 (1 + x) + a3 (1 + x + x2 ) = (a1 + a2 + a3 ) + (a2 + a3 ) x + a3 x3

que é equivalente ao sistema: 8 < a1 + a2 + a3 = 1 a2 + a3 = 0 :, a1 = 1; a2 = : a3 = 1

1 e a3 = 1:

Exemplo 58 Consideremos , no R3 , os seguintes vetores: v1 = (1; 3; 2) e v2 = (2; 4; 1): Escreva o vetor v = ( 4; 18; 7) como combinação linear dos vetores v1 e v2 : Resolução: v = a1 v1 + a2 v2 ( 4; 18; 7) = a1 (1; 3; 2)+a2 (2; 4; 1) = (1a1 ; 3a1 ; 2a1 )+(2a2 ; 4a2 ; 1a2 ) = = (a1 + 2a2 ; 3a1 + 4a2; 2a1 a2 ) que é equivalente ao sistema: 8 < a1 + 2a2 = 4 3a1 + 4a2 = 18 , a1 = 2; a2 = 3: : 2a1 a2 = 7

Portanto, v = 2v1 3v2 : Agora mostre que o vetor v = (4; 3; 6) não é combinação linear dos vetores v1 = (1; 3; 2) e v2 = (2; 4; 1):

2.5

Dependência e Independência Linear

De…nição 59 Seja V um espaço vetorial e v1 ; v2 ; ::::::; vn 2 V: Dizemos que o conjunto fv1 ; v2 ; ::::::; vn g é linearmente independente (LI), se a equação: a1 v1 + a2 v2 + :::: + an vn = 0 implica que a1 = a2 = ::: = an = 0: No caso, em que exista algum ai 6= 0 dizemos que fv1 ; v2 ; ::::::; vn g é linearmente dependente (LD). Para determinarmos se um conjunto é L.I. ou L.D. devemos fazer a combinação linear do conjunto de vetores e igualar esta combinação linear ao vetor nulo do espaço. Portanto é muito importante ter conhecimento do vetor nulo do espaço em que estamos trabalhando. 41

De…nição 60 Considere o espaço vetorial R3 e os conjunto de vetores:

= f(1; 2; 3) ; (1; 1; 1); (1; 0; 0)g = f(1; 2; 3) ; (1; 1; 1); (3; 5; 7)g Os conjuntos e acima são L.I ou L.D? Solução: Fazendo a combinação linear a (1; 2; 3) + b(1; 1; 1) + c(1; 0; 0) = (0; 0; 0) temos o sistema homogêneo: 82 < a+b+c = 4 2a + b = : 3a + b = 3 0 05 0

cuja única solução é a = b = c = 0. Portanto o conjunto Fazendo a combinação linear

é L.I

a (1; 2; 3) + b(1; 1; 1) + c(3; 5; 7) = (0; 0; 0) temos o sistema homogêneo: 82 3 < a + b + 3c = 0 42a + b + 5c = 05 : 3a + b + 7c = 0

que possui in…nitas soluções ( grau de liberdade 1). Portanto além da solução nula ( que todo sistema homogêneo tem) este sistema possui outras soluções diferentes da solução nula, logo o conjunto é L.D. Teorema 61 O conjunto fv1 ; v2 ; ::::::; vn g é LD se, e somente se um dos vetores do conjunto for uma combinação linear dos outros. Exemplo 62 a) Seja V = R3 . Sejam v1 ; v2 2 V:O conjunto fv1 ; v2 g é LD se e somente se v1 e v2 estiverem na mesma reta que passa pela origem (um vetor é múltiplo do outro), v1 = v2 : b) Em V = R2 ; e1 = (1; 0) e e2 = (0; 1) são LI, pois: a1 e1 + a2 e2 = 0 =) a1 (1; 0) + a2 (0; 1) = (0; 0) =) (a1; a2 ) = (0; 0) logo a1 = 0 e a2 = 0 portanto, e1 e e2 são LI. Exemplo 63 No espaço Vetorial M2 o conjunto: A= 1 3 2 1 ; 2 3 3 0 ; 3 3 4 1

é LD. Examinemos a equação:

a1 v1 + a2 v2 + a3 v3 = 0 42

a1

1 2 3 1

+ a2

2 3

3 0

+ a3

3 3

4 1

=

0 0

0 0

cuja solução é a1 = é LD.

a3 e a2 =

2a3. :Como existem soluções ai 6= 0; o conjunto

Propriedades da Dependência e da Independência Linear Seja V um E.V 1. Se A = fvg ! V e v 6= 0 , então A é LI. V contém o vetor nulo, então A é LD V é LI, qualquer parte de A1 de A também é LI.

2. Se um conjunto A 3. Se um conjunto A

2.6

Subespaços Gerados

De…nição 64 Seja V um espaço vetorial. Consideramos um subconjunto A = fv1 ; v2 ; ::::::; vn g V; A 6= ?:O conjunto W de todos os vetores de V que são combinações lineares dos vetores de A é um subespaço de V: Simbolicamente, o subespaço W é: W = fv 2 V v = a1 v1 + a2 v2 + :::: + an vn g

O subespaço W diz-se gerado pelos vetores v1 ; v2 ; :::vn :; ou gerado pelo conjunto A, e representa-se por: W = [v1 ; v2 ; :::vn :] ou W = G(A) Os vetores v1 ; v2 ; :::vn :são chamados geradores do subespaço W; enquanto A é o conjunto gerador de W: ! Para o caso particular de A = ?; de…ne-se [?] = f 0 g A G(A), ou seja, f v1 ; v2 ; :::vn g [v1 ; v2 ; :::vn ] Todo conjunto A V gera um subespaço vetorial de V , podendo ocorrer G(A) = V . Nesse caso, A é um conjunto gerador de V: Exemplo 65 Os vetores i = (1; 0) e j = (0; 1) geram o espaço vetorial R2 , pois, qualquer (x; y) 2 R2 é combinação linear de i e j : (x; y) = xi + yj = x(0; 1) + y(0; 1) = (x; 0) + (0; y) = (x; y) Então: [i; j] = R2 . Exemplo 66 Seja V = R3 . Determinar o subespaço gerado pelo vetor v1 = (1; 2; 3):

43

0 1 0 0 Resolução: Temos que A 2 [G] se e somente se existirem a e b 2 R tais que A=a 0 1 0 0 +b 0 1 0 0 = 0 b a 0 ou seja. Assim. dado p(t) = ao + a1 t + a2 t2 + a3 t3 2 P3 a3 ) + a1 t + a2 t2 + a3 (t3 + 1) 2 U Ou seja. y = 2a. A @ 0 A 0 0 44 .Solução: Temos: [v1 ] = f(x. 3) vem: x = a. Exemplo 69 Encontre um conjunto AX = 0g onde 0 1 B 2 A=B @ 3 0 Resolução: 0 1 0 a 1 B b C B 2 C B X=B @ c A 2 W () @ 3 d 0 de geradores para W = fX 2 M (4. a 2 Rg Da igualdade: (x. 2. 2x. 1 + t3 g Resolução: note que t3 = (t3 + 1) podemos escrever p(t) = (a0 1. z = 3a donde: y = 2x e z = 3x logo . 2. Logo P3 = [U ]: Exemplo 68 Encontre o subespaço vetorial gerado de M2 gerado por G= 0 0 1 0 . 3). t2 . x 2 Rg: Exemplo 67 Encontre o subespaço vetorial de P3 gerado por U = f1. z) = a(1. z) 2 R3 =(x. t. y. y. 1) 1 0 1 2 1 1 0 1 1 C C 0 1 A 3 1 1 0 1 2 10 1 0 a 1 1 CB b CB 0 1 A@ c 3 1 d 1 1 0 C B 0 C C = B C . y.. 3x). [v] = f(x. A 2 [G] se e somente se os elementos da diagonal principal de A são nulos. z) = a(1. y. z) 2 R3 =y = 2x e z = 3xg ou [v1 ] = f(x. qualquer vetor (polinômio) de P3 pode ser escrito como uma combinação linear dos vetores do conjunto U .

e denotado por W1 W2 : Observação 74 Usando os geradores podemos obter uma caracterização da soma de dois subespaços: Sejam W e U subespaços de V. c 2 Rg é subespaço vetorial. wm ] então W + U = [u1 . b. :::. w1 2 W1 e w2 2 W2 g De…nição 70 Sejam W1 e W2 dois subespaços vetoriais de V: Então o conjunto é um subespaço de V: Exemplo 71 W1 = Então W1 + W2 = a b e W2 = 0 0 a b = M2 : c d 0 0 c d . Exemplo 72 Sejam os subespaços vetoriais W1 = f(a. un .onde a. un ] e U = [w1 . :::. W = 6B 2 C . b 2 Rg e W2 = f(0. wm ] 45 . a. então W1 + W2 é chamado soma direta de W1 com W2 . b. c. 0).0 0 1 1 B 0 1 B @ 0 0 0 0 isto é. w1 . :::. A a= b= c 2 3c 2 + d 2 d 2 B X=B @ c 2 3c 2 + c d 1 6B 3 C B 1 C7 portanto. c 2 Rg do espaço vetorial R3 : A soma W1 + W2 = f(a. 0. c). b. 1 B 0 B @ 0 0 1 2 0 0 1 3=2 0 0 0 1 0 10 a 0 1 0 3 1 CB b C B 0 C=B CB 0 0 A@ c A @ 0 d 0 0 0 1 0 1 10 a 0 0 1=2 C B b C B 0 C C=B C. :::. a. d 2 R. se W = [u1 . c). B 2 C7 4@ 1 A @ 0 A5 0 1 B B C C C B C = cB C C @ 1 A + d@ 0 A A 0 1 20 1 1 0 1 13 2 2 0 1 2 3 2 1 0 1 2 1 2 1 2. que nesse caso é o próprio R3 : ! Proposição 73 Quando W1 \ W2 = f 0 g.7 Soma de Subespaços W1 + W2 = fv 2 V v = w1 + w2 . b. CB 0 A@ c A @ 0 A d 0 0 d 2 d 2 1 C C.

( 1. y. 2. 1). Seja (x. v2 . 0. z) 2 R3 . é LI pois a(1. x + y + z = 0g e W2 = f(x. 1. 1) logo W = [(1. y.V se: é LI gera V = f(1.8. y. 0) =) a = y e b = y 46 . 0. 1) + b( 1. x y) e u 2 W2 . x) = x(1. 1) + b( 1. (1. e (x. x y) = x(1. 1.Exemplo 75 Veri…que que R3 é a soma direta de W1 = f(x. 1)] Usando a teoria acima explicada temos que U + W = [(1. 2. 1. Base e Dimensão de um Espaço Vetorial Base = fv1 . z) 2 W1 \ W2 temos: 8 < : x y+z =0 x=0 () (x. u = (0. y. y. z) = (0. pois para todo (x. (0. y. z) u + v = (x. 0)g é base de R2 . x y + z) = R3 n!o vamos mostrar que W1 \ W2 = 0 . z) 2 R3 x + y + z = 0 . De fato: Um conjunto Exemplo 77 1. 1). y) = a(1. 1). ::::::. (0. x = y = 0g Resolução: Note que W2 é de fato um subespaço vetorial de R3 (Veri…que) Dado v 2 W1. 1). z) 2 R3 . 1. 0) x: Realmente . 1) + (y x)( 1. 0. 0) y=0 Exemplo 76 Encontre os geradores do subespaço U + W onde U W = = (x. vn g V é uma base do E. y. z) 2 R3 x + y = 0 e x z=0 Resolução: Se v 2 U ) v = (x. 0) = (0. a igualdade (x. 1) + y(0.1 1. y. y. v = (x. 1) logo U = [(1. y) = y(1. 0. 1)] 2. x. y) 2 R2 . 1)] Se v 2 W ) v = (x. 0. 1. 0) =) a = b = 0 gera R2 . tem-se : (x. 1.8 2.

(0. a(1. é uma base de Pn :Essa é a base canônica de Pn e tem n + 1 vetores. 0) 3 1. 1). 1)] e W = [(1. 1. y. x. 1)] ( Já vimos este exemplo) U + W = [(1. 2 3 1 0 1 a 0 40 1 15 4 b 5 = 405 12 1 1 c3 0 2 3 1 0 1 0 1 1 1 15 ) A 1 = 41 2 15 A=4 0 1 1 1 3 2 3 2 31 1 1 2 3 2 a 0 1 1 0 0 4 b 5 = 41 2 1 5 405 = 405 c 1 1 1 0 0 logo o conjunto é L. y. 0. x. :::. x2 . Exemplo 81 Encontre uma base para U + W onde U W = = (x. 1. (0. 1). z) 2 R3 x + y + z = 0 (x. Exemplo 79 Seja V = R3 então do R3 (veri…que!). 1) + b(0. 1)]: Já temos um conjunto que gera a soma. 1) + b(0. 2 31) + b(1. 1)g é uma base = f1. 1. (1. 1). 1. 0. 1. xn g é uma base do espaço vetorial ao + a1 x + a2 x2 + ::::: + an xn = 0 ao + a1 x + a2 x2 + ::::: + an xn = 0 + 0x + 0x2 + ::::: + 0xn =) a0 = a1 = ::::: = an = 0 portanto. é LI. 2 0. então ele será uma base. 1). temos in…nitas soluções. z) 2 R 3 e z=0 x+y =0 e x Resolução: U = [(1. 1. 0. (1. 1. pois qualquer polinômio p 2 Pn pode ser escrito assim: p = ao + a1 x + a2 x2 + ::::: + an xn que é uma combinação linear de 1. (0. 1)g é uma base de U + W 47 . (0. x2 . :::. 1). 2) temos a = 2b. 0). Se (0. 1). 1) = (0. 1. ou seja. 0) = a(0. (0.I.Exemplo 78 O conjunto f(0. 2)gnão é base de R2 pois é um conjunto LD. Exemplo 80 O conjunto Pn : De fato: = f(1. Logo. Assim para cada valor de b conseguimos um valor para a.I e portanto. = f(1. xn . gera o espaço vetorial Pn. se este conjunto for L. 0. 0). 0. (0. 0.

y. como geram U . 1. 1). a2 . ). A = At e existe A= . 1). 1)g é L. formam uma base de U: Para W : Como a matriz 1 1 0 1 gera W . (1. A = At g e W = 1 0 1 1 em M2 encontre uma base para U. W. y. 0 1 1 0 . x+y z =0 ) u = (x.I então ele é uma base para U + W: Como o conjunto = f(1. y. (1. 0 0 0 1 são L. 1)g é LI (veri…que isto) e gera o espaço U + W então ele é uma base do espaço U + W: Exemplo 83 Dados: U = fA 2 M2 (R). z) 2 U ) portanto U = [(1.Exemplo 82 Encontre uma base para U + W onde U W = = (x.portanto x z=0 W = [(1. 1. 0) = x(1. x) = x(1. 1. 1. a3 2 pode-se veri…car facilmente que as matrizes 1 0 0 0 . 1)] Assim U +W = [(1. 1. z) 2 R 3 y+z =0 e x z=0ex y=0 . c = b portanto. e z=0 x+y Se v = (x. se e somente se existir 0 2 R tal que 0 2 R tal que = 0 48 . y. x. 0). ela serve para base de W Para U \ W : A 2 U \ W . 0. 0. U \ W. A 2 U se existirem a1 . 0. 0. z) 2 W ) x x y+z =0 y=0 ) v = (x. 0. z) 2 R3 x (x. 1. (1. isto é. W + U Resolução: Para U : A = R tais que A = a1 1 0 0 0 + a2 0 1 1 0 + a3 0 0 0 1 a b c d . 0. 0)] : Se u = (x. 1). (0. 0. 1)] : Como o conjunto = f(1. 0. ).I e portanto.

2) = 4 Exemplo 90 dim M (m. Exemplo 85 O conjunto = f(1. 1 0 1 1 Proposição 84 "Todo conjunto LI de um espaço vetorial V é base do subespaço por ele gerado ".8. dentre estes vetores podemos extrair uma base de V . 0 1 1 0 . ( 1. Proposição 87 Seja um E. a base é = então dimV = 0 Se V possui uma base com in…nitos vetores. v2 . n) = m:n Exemplo 91 dim Pn = n + 1 Proposição 92 Seja V um E. vetores não nulos que geram um espaço vetorial V . então dimV é in…nita e anota-se dim V = 1 Exemplo 88 dim R2 = 2 pois toda base de R2 tem 2 vetores Exemplo 89 dim M (2. ou seja. portanto. 1). 3. 0 0 0 1 . z) 2 R3 =3x y z = 0g: Então. Então. tal que dim V = n 49 . 2. y. qualquer conjunto LI tem no máximo n vetores). v2 .V V gerado por um conjunto …nito de vetores v1 . então V tem dimensão n e anota-se dim V = n: Se V não possui uma base. 2. portanto. 0)g R3 é LI e gera o subespaço _ W = f(x. é base de W . ! Observação: n o V um espaço vetorial e 0 2 V o vetor nulo de V: Como Seja ! o conjunto = 0 é LD (mostre isto) temos que este conjunto não pode ser n!o uma base do conjunto N = 0 : Este é um caso patológico e para que não seja contrariada a de…nição de base tomamos = (conjunto vazio) como sendo n!o base para o espaço N = 0 Para U + W : Como U \ W = f0g temos U + W é soma direta e. ou seja.2 Dimensão Seja V um Espaço Vetorial. V. uma base é : 1 0 0 0 . A = 0:Desse modo U \ W = f0g: Uma base para U \ W é = : Veja a observação a seguir para elucidar esse fato.que é satisfeita quando = 0 . :::vn . :::vn . Se V possui uma base com n vetores. pois é LI e gera W: Teorema 86 Sejam v1 . Então qualquer conjunto com mais de n vetores é necessariamente LD (e.

Se W é um subespaço de V então dim W n. u2 :::: un .8. então W é uma reta que passa pela origem 3. ( 1. Portanto. Proposição 94 Sabemos que o conjunto é base de um espaço vetorial se for LI e gera V . dim W = 0. De fato. Exemplo 95 O conjunto = f(2.8. 0 0 0 1 2. :::xn são chamados componentes ou coordenadas de v em relação a base e se representa por : 0 1 x1 B x C [v] = B 2 C @ : A xn 50 . x2 . se soubermos que dim V = n . dim W = 3 então W = R3 : Proposição 93 Seja V um E. portanto. Para permitir uma interpretação geométrica. Se U e W são subespaços vetoriais de V então dim(U + W ) = dim U + dim W dim(U \ W ): No exemplo (83 ) de base . V de dimensão n. como dim R2 = 2 e os dois vetores dados são LI (pois nenhum vetor é múltiplo escalar do outro). 1). No caso de dim W = n . 0 0 1 0 . tem-se W = V . para encontrar a base de U + W podemos usar esta proposição: dim(U + W ) = dim U + dim W dim(U \ W ) = 3 + 1 0 = 4 = dim M2 .4 Coordenadas Seja V um espaço vetorial gerado e uma base de V formada pelos vetores u1 . U + W = M2 e uma base pode ser dada por: 1 0 0 0 . dim W = 2. No entanto. temos os seguintes casos: 1. então W é um plano que passa pela origem 4. 2.3 Dimensão da Soma de Subespaços Vetoriais Proposição 96 Seja V um espaço vetorial de dimensão …nita. 2 ou 3. eles formam uma base do R2 . consideremos o espaço tridimensional R3 (dim R3 = 3): A dimensão de qualquer subespaço W do R3 só poderá ser 0. dim W = 1. 1. Então. v 2 V sendo v = x1 u1 + x2 u2 + ::: + xn un Os coe…cientes x1 . para obtermos uma base de V basta que apenas uma das condições de base esteja satisfeita. então W = f0) é a origem 2. 0 1 0 0 . qualquer subconjunto de V com mais de n vetores é Linearmente Dependente (LD). 3)g é uma base do R2 .

6) = 3(2. Resolução: Já sabemos que dim R3 = 3:Então veri…camos se os vetores acima são LI. cuja trajetória é uma elipse de equação x2 + xy + y 2 3 = 0 (ver …gura). 1. b = 1 e c = : a+b+c=0 2 é dado por . 2. (0. 0). Neste novo referencial. 6) = 2(1. portanto. 4) temos: [v] = 8 6 .9 Mudança de Base Muitos problemas aplicados podem ser simpli…cados mudando-se de um sistema de coordenadas para outro. v2 e v3 são LI. 1) (8. 1) = (a. = f(2. essencialmente. 3)g Exemplo 98 Mostre que os vetores (1. (2. Os vetores são LI se a1 v1 + a2 v2 + a3 v3 = 0 . 0) 2 R3 com relação à base formada pelos vetores acima. 3). a mesma coisa que mudar de base. 0. 3) (8. (1. a + b + c) que é equivalente ao sistema: 8 a=1 < a+b=2 . 3) + 3(2. (1. 1. e = f(1. 0) em relação à base 1 0 1 [v] = @ 1 A 2 2. 1) + b(0. 0) + 2(1. 6) = 8(1. 1)g. 1. 1). a = 1. 0) = a(1. Desse modo. 2. 1) formam uma base de R3 . [v] = 3 2 e [v] = 2 3 . a1 = a2 = a3 = 0: Isto é equivalente a que o sistema: 8 a1 = 0 < a1 + a2 = 0 : a1 + a2 + a3 = 0 cuja solução é a1 = a2 = a3 = 0 . num problema em que um corpo se move no plano xy. 0. 0). (0. a descrição do moviemnto torna-se muito simpli…cada se ao invés de trabalharmos com os eixos x e y utilizamos um referencial que se apóia nos eixos principais da elipse.Exemplo 97 No R2 consideremos as bases = f(1. os vetores v1 . a + b. 4)g: Dado o vetor v = (8. a equação da trajetória será mais simples: 3u2 + 2v 2 = 6: 51 . 1) e (0. Por exemplo. Encontre as coordenadas de (1. 1. as coordenadas de (1. 0) + 6(0. Mudar sistemas de coordenadas em um espaço vetorial é. 2. 1) + c(0. 6) tem-se: (8.

i j i 52 .

:::.1) com as coordenadas do mesmo vetor v em relação à base 2 3 y1 6 y 7 [v] . :::::. podemos escrever os vetores wi como combinação linear dos uj . vamos discutir o problema de mudar de um sistema de coordenadas para outro. un g é base de V. wn g duas bases ordenadas de um mesmo espaço vetorial V . isto é: 53 . un g e 0 = fw1. Sejam = fu1. podemos escrevê-lo como: v v = x1 u1 + :::: + xn un = y1 w1 + :::: + yn wn (2.:::. Dado um vetor v 2 V .Nesta seção.0 = 6 2 7 4 : 5 yn Como podemos relacionar as coordenadas de v em relação à base 2 3 x1 6 x 7 [v] = 6 2 7 4 : 5 xn 0 já que fu1.

4) = (2a11 + 3a21 . 4)g e 0 = f(1. Exemplo 99 Sejam = f(2. 1) + a22 (3. multiplicando a matriz pelas coordenadas de v na base 0 (supostamente conhecida). e como as coordenadas em relação a uma base são únicas. temos: x1 x2 xn = a11 y1 + a12 y2 + ::: + a1n yn = a21 y1 + a22 y2 + ::: + a2n yn : : : = an1 y1 + an2 y2 + ::: + ann yn 32 3 a1n y1 : 54 : 5 ann yn 3 a1n : 5 ann 0 8 > w1 = a11 u1 + a21 u2 + :::: + an1 un > < w2 = a12 u1 + a22 u2 + :::: + an2 un : > > : wn = a1n u1 + a2n u2 + :::: + ann un (2. 1) = a12 (2. 0). a12 = 11 e a22 = 11 54 .1) temos: v = y1 w1 + ::: + yn wn = y1 (a11 u1 + a21 u2 + :::: + an1 un ) + ::: + yn (a1n u1 + a2n u2 + :::: + ann un ) = = (a11 y1 + ::: + a1n yn )u1 + ::::: + (an1 y1 + ::: + ann yn )un Mas v = x1 u1 + :::: + xn un . Compare [I] com (2. a11 + 4a21 ) 1 4 Isto implica que a11 = 11 e a21 = 11 w2 = (0. (0. 1) + a21 (3. 0 Procuremos inicialmente [I] w1 = (1. 1). 4) 3 2 Resolvendo.se usarmos a notação [I] temos a relação 0 0 0 : : an2 a11 =4 : an1 2 : : an2 0 [v] = [I] [v] A matriz [I] é chamada matriz mudança de base 0 para a base . Note que uma vez obtida 0 [I] podemos encontrar as coordenadas de qualquer vetor v em relação à base . colocando as coordenadas em relação a de wi na i-ésima coluna.2) Em forma matricial 2 3 2 x1 a11 4 : 5=4 : xn an1 Logo . (3. 0) = a11 (2.Substituindo em (2. 1)g bases de R2 .2) e observe que esta matriz é obtida.

basta resolvermos o seguinte sistema: 0 10 1 0 1 1 1 1 x a @ 0 1 1 A@ y A = @ b A 1 1 2 z c onde a. a32 ) = ( 1. 0. 8) = 4(2. 1. [I] 0 Podemos usar esta matriz para encontrar por exemplo. a21 . a22 . O sistema acima é equivalente a 0 10 1 0 1 1 1 1 x a @ 0 1 1 A@ y A = @ b A 0 0 1 z c a cuja solução é dada por x = a b. 4) Exemplo 100 Considere as bases em R3 = f(1. a21 + a31 . (1. 8) v 2 4 32 3 3 5 4 11 11 0 54 5=4 5 [(5. 1) + a21 (1. 2) . (0. 1. 2) (0. 1. 1. 1. b. 1. 0. c) = (0. 1. 0). a23 + a33 .obtemos (a12 . 0) (a13 + a23 + a33. Utilizando como variáveis x. a13 + a23 + 2a33 ) = (0. c) = (1. 2)g e Encontre[I] 0 =4 2 4 11 1 11 3 11 2 11 3 5 = f(1. a23 . 8)] 0 = 4 1 2 8 1 11 11 Isto é. (0. 1. 0. 1). 1)g : : Resolução: (1. (1. 0). (5. 1) + a33 (1. a12 + a22 + 2a32 ) = (0. 0) Tomando (a. 1) + a22 (1. 1. 1). 1). 0. 1) Note que cada linha acima representa um sistema de três equações com três incógnitas e que a matriz associada a cada um destes sistemas é a mesma e o que muda são os nomes das variáveis e o segundo membro. y = a + b c e z = c a Tomando (a. 0). 1. 0. 1.obtemos (a11 . 0. 1.Portanto. c 2 R. 1) Tomando (a. 0. b. [v]2 para 3 = (5. c) = (0. 1) + a31 (1. b. 1) 1(3. 2) (a11 + a21 + a31. 0) = a12 (1. 1. 1) + a23 (1. a11 + a21 + 2a31 ) = (1. 0). 0) = a11 (1. b. 1. 1. 0. 0) (a12 + a22 + a32. 1). a22 + a32 . 0. 0.obtemos (a13 . y e z . 8)] = [I] [(5. 0. 1) = a31 (1. a33 ) = (0. (0. 0. 1) + a32 (1. Desta forma obtemos: 0 1 1 1 0 0 1 1 A [I] = @ 1 1 0 1 55 . a31 ) = (1.

1) = 2(1.1 )começarmos escrevendo os ui em função dos wj . 1) (3. 0) + 4(0. pois 0 é a base canônica 0 (2. 1) Então [I] 0 ) [I] 1 = 2 1 3 11 2 11 3 4 = 2 1 3 4 =4 2 4 11 1 11 3 5 56 . 4) = 3(1.2. 0) 1(0. chegaremos à relação: [v] 0 = [I] 0 [v] 0 Um fato importante é que as matrizes [I] [I] 0 e [I] 0 0 são inversíveis e 1 = [I] Exemplo 101 No exemplo (99 ) anterior podemos obter [I] Note que [I] 0 0 a partir de [I] 0 é fácil de ser calculada .10 A Inversa da Matriz de Mudança de Base Se em (2.

extrair 6. 3). v2 . y). x3 ) 2 R : x1 + x2 = 1g (d) V = M (n.11 Oitava lista de exercícios 1. 3.I. y) = ( x. n) : BA = 0g (e) V = M (2. n!o b) Considere o subespaço N = 0 : Qual é a base e a dimensão de N: 57 . y + t). vn g é um conjunto Linearmente Indepenn ! o dente então o o conjunto = v1 . (x. 4. 1. 3. t) pertencem a é um espaço vetorial . (0. 5.D. y) e v = (s. vn é LI ou LD? Justi…que sua resposta. 2) e F = fX 2 Mn AX = XAg (F é o conjunto das matrizes que comutam com a matriz A) (g) V = P3 e W é o conjunto dos polinômios de grau pelo ponto P (0. 2) e S = fX 2 M2 matrizes singulares) (c) V = Pn e W = fp 2 Pn : p(0) = p(1)g det(X) = 0g (S é o conjunto das (f) V = M (2. 3. y) + (s. (x. t) = (s. 2.I ou L. 1). y + t). (1. (0. R3 . (1. 2. 1). Veri…que se R2 com as operações de…nidas por: i. t) = (x + s. v2 . 5)g L. 3). :::. Veri…que se o conjunto W = f(1. y) = ( x. y) e v = (s. y) e v = (s. 0 . 0): 3 que passam R3 é 4. onde 2 R e u = (x. 4. a) Se o conjunto = fv1 . n) e W = fA 2 M (n. Dado o conjunto W = f(1. z) 2 R3 : 2x + 3y 3 3 z = 0g (b) V = R e W = f(x1 . t) pertencem a R2 ii. y). Veri…que se em cada um dos itens abaixo o subconjunto W é um subespaço do espaço vetorial V: (a) V = R3 e W = f(x. 1. (1. onde R2 : 2 R e u = (x. y) + (s. y) 2 R2 : é um espaço vetorial. :::. x2 . onde u = (x. (1. onde u = (x. y. t) pertencem a R2 ii. 3). (x. (x. Moste que R2 com as operações de…nidas por: i.2. 1). 2. 5)g um subconjunto de vetores L.

2) 2 [v1 . 0. 1 + t. v2 = (0. a) Veri…que se o conjunto S = fA 2 M (3. d 2 R e b c d Em caso a…rmativo. 2)? 14. y. v3 = ( 2. w) 2x + t + 2w = 0g. 0). Considere os subespaços de R5 . Qual o subespaço gerado pelas matrizes 12. v3 . (b) Determine uma base e a dimensão de W1 + W3 : 58 (a) Determine uma base para o subespaço W1 \ W2 \ W3 : . 0. t. w) y + z + t = 0g e W3 = f(x. t2 . y. (c) [v1 . t. y. v4 ]? Justi…que. determine: i) uma base para W1 \ W2 ii) W1 + W2 é soma direta? iii) W1 + W2 = M (2. 0 1 0 1 e 0 0 2 1 ? (b) Exiba uma base para [v1 . 0. 1. 0): (a) O vetor (2. v2 . 3). 2. t + t2 é LI ou LD? Justi…que sua resposta 1 1 1 0 . v3 . Considere o subespaço de R4 gerado pelos vetores v1 = (1. z. v2 . t. dado por a b 2 M2 c d W é um espaço vetorial. 13. a) Encontre as coordenadas do vetor p = 1 + t + t2 + t3 em relação base = 2. A e uma matriz anti simetricag é um subespaço vetorial de M (3. W2 = f(x. 2. 0. Responda se os subconjuntos abaixo são subespaços de M (2. v4 ] : Qual é a dimensão deste espaço? 11. Mostre com um exemplo que a união de dois subespaços vetoriais de um mesmo espaço vetorial não precisa ser um subespaço vetorial desse espaço. v3 . b. c. 1). W1 = f(x. 1.7. x + w = 0g . 1) e v4 = (1. w) x + z + w = 0. W = b=aed= a : Veri…que se o subconjunto 8. z. 2): (a) V = (b) V = a b c d com a. t + t2 . v4 ] = R4 ? Por quê? 9. 3): b) Considere o subconjunto de M2 . 3. b. t2 + t3 de P3 b) O conjunto = 2. Considere o espaço vetorial P3 e o conjunto W = fp(x) 2 P3 . c. p00 (1) = 0g : (a) Veri…que se W é um subespaço vetorial de P3 : (b) Obtenha os geradores de W: 10. v2 . 1. d 2 R e b = c e a = 1=c+1 b a b com a. z.

(d) W1 + W2 = R5 ? 15.(c) W1 + W2 é soma direta? Justi…que. 2)g bases ordenadas de R2 : (a) Encontre a matrizes mudança de base: i. 1). 0). Considere o seguinte subespaço de M (2. Sejam U e W subespaços de R4 de dimensão 2 e 3. 1 iii. 0. ii. 0). 2) que contenha a base de S obtida no ítem a). 1). 1)] subespaços gerados do R3 : Determine: (a) uma base e a dimensão de U \ W: (b) U + W = R3 ? 17. (0. 2) em relação à base i. (1. (0. Mostre que a dimensão de U \ W é pelo menos 1: O que ocorre se a dimensão de U \ W for 2 ? Pode ser 3 ? Justi…que sua resposta. 1)g. 2) : a + b = c + d = 0 c d (a) Determine uma base e indique a dimensão de S: (b) Construa uma base de M (2. 1. Sejam U = [(1. [I] 3 : (b) Quais são as coordenadas do vetor v = (3. Considere os seguintes subespaços de P3 : n o 00 U = p 2 P3 : p (t) = 0 n o 0 e W = p 2 P3 : p (t) = 0 Determine dim(U + W ) e dim(U \ W ) : 16. 1)g. 0). 3: 59 . 0. Determine a dimensão e encontre uma base do espaço-solução do sistema 8 < x 3y + z = 0 2x 6y + 2z = 0 : 3x 9y + 3z = 0 19. 2 iv. 2 = f 3. p p 20. respectivamente. 1)] e V = [(0. 1)g e 3 = f(2. [I] 2 iv. 18. 0). 2) S= a b 2 M (2. ( 3. [I] 1 iii. (1. (0. 1. 1 = f( 1. [I] 1 ii. Sejam = f(1.

a1 . u2 . Seja E um espaço vetorial qualquer e fu1 . Considere ainda os vetores v1 = u1 + u2 . 0). 0. x4 e = 2. u3 g: 60 . Sejam e bases de R3 : Determine a base e a matriz mudança de base de para é 2 1 0 [I] = 4 0 2 1 1 (b) Se [v] = 4 e 5 .determinar [p] 6 7 445 5 = (c) Determine o polinômio p cujas coordenadas são dadas no item b) acima. 16x4 . Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 . u3 g uma base de E. x2 . a2 . ii. 4x2 . (0. 2x. v2 . Sejam 22.(c) As coordenadas de um vetor u em relação à base 1 são dadas por 4 [u] 1 = 0 Quais as coordenadas do vetor u em relação à base: i. u3 g: (b) Calcule as coordenadas do vetor w = v1 +v2 v3 na base fu1 . 1. v3 g para a base fu1 . x. Considere o seguinte subespaço de M2 : W = = = (a) Detemine [I] 3 2 1 1 1 1 1 0 0 0 . v2 = 2u1 + u2 u3 e v3 = u2 : (a) Determine a matriz S de mudança da base fv1 . a4 2 R . 8x3 . 1. . determine [v] : 0 sabendo que 3 0 15 1 = f(1. (a) Determine [I] :: 2 3 1 627 6 7 (b) Se [p] = 637 . . iii. 0). 3 2 21. a b c d 1 11 1 0 0 0 1 0 d = 0 . 23. 1)g 24. a3 . 1. u2 . u2 . x3 . (0. 1 1 1 0 1 0 1 0 .

! e ! são LI então os vetores u v w e ! ! são LI 0 s.25. dê um contra-exemplo. Veri…que se as a…rmações abaixo são VERDADEIRAS ou FALSAS. 1 2 pertence ao subespaço W = 0 3 (b) ( ) Se os vetores !. Sejam e bases de um espaço vetorial V =1 (a) Mostre que det [I] [I] (b) Determine [I] 26. 1 0 ! w 2 1 : 61 . demonstre. ! u v v 0 0 . u w (a) ( )A matriz 1 1 0 . Se forem falsas. Se forem verdadeiras. 1 0 1 ! !.

x3 ) é uma aplicação linear. y3 ) 2 R3 e k 2 R temos: 62 . 50 e da cenoura a R$ 1.V R : TV TV (x1 .Capítulo 3 TRANSFORMAÇÕES LINEARES De…nição 102 Sejam V e W dois espaços vetoriais. x2 . x2 . x3 ) : R3 ! R = 2x1 + 1. T : V ! W. x2 . Sejam x1 . 00. Batata.V R3 no E. Cenoura. Cenoura respectivamente. Uma Transformação Linear (aplicação linear) é uma função de V em W. 90 então o total de vendas (TV ) é dado por 2x1 + 1. A aplicação que a cada tripla (x1 . 9x3 . x3 as quantidades em quilos de Tomate. x2 . 5x2 + 1.da batata a R$ 1. x2 . Batata. que satisfaz as seguintes condições: Qualquer que sejam u e v em V . y2 . T (kv) = kT (v) Exemplo 103 : Um agricultor planta e comercializa três tipos de verduras: Tomate. 5x2 + 1. v = (y1 . Matematicamente temos uma transformação linear do E. x3 ) 2 R3 . T (u + v) = T (u) + T (v) Qualquer que sejam k 2 R e v em V . x3 ) 2 R3 associa o total de vendas TV (x1 . 9x3 Vamos agora mostrar que de fato esta aplicação é uma transformação linear Chamando u = (x1 . Se o agricultor vende o quilo do tomate a R$ 2.

5y2 + 1. 5(x2 + y2 ) + 1. x2 . Exemplo 104 . 5x2 + 1. T (x. x2 . 9x3 + 2y1 + 1. 5x2 + 1. y2 . x + y) T é uma transformação linear pois. 9y3 ) Logo TV (u + v) = TV (u) + TV (v): ii) TV (ku) = = = = = TV (k(x1 . 5x2 + 1. x2 + y2 ) T (u) + T (v) 63 . i) T (u + v) = = = = = = T ((x1 . 9y3 (2x1 + 1. x2 . 5y2 + 1. 0 + 0. (x1 + x2 ) + (y1 + y2 )) (2x1 + 2x2 . (2x2 . x3 ) = 2x1 + 1. y1 + y2 ) (2(x1 + x2 ). kx3 ) 2kx1 + 1. 9(x3 + y3 ) 2x1 + 1. 0. y) = (2x. 5y2 + 1.i) TV (u + v) = = = = = TV ((x1 . W = R e F : R ! R dado F (u) = u2 . 0. 9x3 ) kT (u) Logo TV (ku) = kTV (u): De i) e ii) vemos que TV é uma transformação linear. y2 )) T (x1 + x2 . A aplicação F não é uma transformação linear pois: F (u + v) = (u + v)2 = u2 + 2uv + v 2 F (u) + F (v) = u2 + v 2 F (u + v) 6= F (u) + F (v) Exemplo 105 T : R2 ! R3 . (x1 + y1 ) + (x2 + y2 )) (2x1 . 9x3 ) + (2y1 + 1. x3 ) + (y1 . 9y3 ) TV (u) = T (x1 . y3 ) = 2y1 + 1. 5x2 + 1. x2 + y2 . 9y3 TV (u) + TV (v) = (2x1 + 1. 5y2 + 1. 9x3 ) + (2y1 + 1. 0. kx2 . 5kx2 + 1. y1 ) + (x2 . 0. 5x2 + 1. y2 . 9kx3 k (2x1 + 1. x3 )) TV (kx1 . x3 + y3 ) 2(x1 + y1 ) + 1. 9x3 TV (v) = T (y1 . x1 + y1 ) . y3 )) TV (x1 + y1 . Sejam V = R.

x1 + y1 ) kT (u) Portanto T é uma transformação linear. W = Pn+1 . p(x) = a0 + a1 x + a2 x2 + : : : + an xn . a qual também é um polinômio é uma aplicação linear. b 2 R e T : Pn ! Pn 2 n T (p(x)) = p(ax + b) = a0 + a1 (ax + b) + a2 (ax + b) + : : : + an (ax + b) 64 . 0. V = W = Pn e D D(f ) : Pn ! Pn = f0 1 a aplicação derivada que a cada polinômio associa sua derivada. para quaisquer f. i) D(f + g) = (f + g) = f 0 + g0 = D(f ) + D(g) 0 ii) D(kf ) = (kf )0 = kf 0 = kD(f ) Exemplo 107 V = Pn . De fato.ii) T (ku) = = = = T (k(x1 . p(x) = a0 + a1 x + a2 x2 + : : : + an xn T : Pn ! Pn+1 T (p(x)) = xp(x) = a0 x + a1 x2 + a2 x3 + : : : + an xn+1 A aplicação T é uma transformação linear pois T (kp) = x(kp)(x) = xkp(x) = kxp(x) = kT (p) T (p + q) = x(p + q)(x) = x(p(x) + q(x)) = xp(x) + xq(x) = T (p) + T (q) Exemplo 108 V = W = Pn . Exemplo 106 . ky1 ) (2kx1 . g 2 Pn e k 2 R. a. 0. kx1 + ky1 ) k (2x1 . y1 )) T (kx1 .

v0 i T é uma aplicação linear (mostre isso. use as propriedades do produto escalar) Exemplo 110 : Sejam C(R) = ff : R ! R = f é contínuag : Considere J J(f ) Por exemplo se f (t) = t2 então J(f ) = f (0) = 02 = 0 J é uma aplicação linear pois. T T (v) : Rn ! R = hv.Esta aplicação também é linear pois. Seja Rn com o produto escalar usual h:. T (kp) = (kp)(ax + b) = kp(ax + b) = kT (p) T (p + q) = (p + q)(ax + b) = p(ax + b) + q(ax + b) = T (p) + T (q) Exemplo 109 Uma transformação linear inportante é aquela que se obtém usando-se o produto escalar. : C(R) ! R = f (0) T T a b c d M2 ! M2 a+b b+c = c+d d+a : Esta aplicação é uma transformação linear. pois a1 c1 b1 d1 a2 c2 b2 d2 a1 + a2 c1 + c2 b1 + b 2 d1 + d2 b1 + b2 + c1 + c2 d1 + d2 + a1 + a2 + a2 + b2 c2 + d2 a2 c2 b2 d2 b2 + c2 d2 + a1 + a2 T + = T = = = T a1 + a2 + b1 + b2 c1 + c2 + d1 + d2 a1 + b1 c1 + d1 a1 c1 b1 + c1 d1 + a1 b1 d1 +T 65 . :i e v0 2 Rn um vetor qualquer …xado. se f. g 2 C(R) e k 2 R então J(f + g) = (f + g)(0) = f (0) + g(0) = J(f ) + J(g) J(kf ) = (kf ) (0) = kf (0) = kJ(f ) Exemplo 111 : Seja. Seja.

wn elementos arbitrários de W . T (v) = a1 T (v1 ) + an T (vn ) = a1 w1 + an wn Exemplo 114 Qual a transformação linear T : R2 ! R3 tal que T (1. 0. . v T (v) T (v) T (v) T (v) = = = = = xv1 + yv2 T (xv1 + yv2 ) xT (v1 ) + yT (v2 ) x(2. pois. 0. 1) base de R2 e w1 = (2. 1. 0) e T (0. 1)? Solução: Temos neste caso v1 = (1. = fv1 . . . vn g . sejam w1 . x. 0) e v2 = (0. 0. y) 66 . Então existe uma aplicação linear T : V ! W tal que T (v1 ) = w1 . 1) (2x. T (vn ) = wn : Esta aplicação é dada por: Se v = a1 v1 + + an vn .T k a b c d = T = = k = kT k ka kb kc kd kb + kc kd + ka b+c d+a ka + kb kc + kd a+b c+d a b c d Exemplo 112 : Seja. T T (A) : Mn ! R = det(A) Esta aplicação não é uma transformação linear. 1.1 Propriedades das Transformações Lineares Teorema 113 Dados dois espaços vetoriais reais V e W e uma base de V. 0) e w2 = (0. 1) = (0. 1. 0) = (2. 1): Dado v = (x. 0) + y(0. y) arbitrário. em geral det(A1 + A2 ) 6= det(A1 ) + det(A2 ) 3.

é um subespaço vetorial de W: Exemplo 118 Seja T : R2 ! R2 a transformação linear dada por T (x. 10x + y): Qual dos vetores abaixo pertence a imagem de T a) u = (1. y) = (2x y. portanto 1 0 0 1 0 0 1 0 +c 0 1 0 0 +d 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 = x4 + x = x3 + x2 = x2 + x3 = x + x4 = aT 1 0 0 0 + bT 0 0 1 0 + cT 0 1 0 0 + dT 0 0 0 1 T T a b c d a b c d = a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4 = (a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4 De…nição 116 : Seja T : V ! W uma transformação linear. 2) 67 .Exemplo 115 Qual a transformação linear T : M2 ! P4 tal que T T T T Solução Uma matriz A 2 M2 é da forma A = a b c d T a b c d =a 1 0 0 0 =T a +b 1 0 0 0 0 0 1 0 +b a b : Podemos escrever: c d 0 0 0 0 +c +d . 2) b) w = ( 1. A imagem de T é o conjunto de vetores w 2 W tais que existe um vetor v 2 V . além disso. que satisfaz T (v) = w: Ou seja Im(T ) = fw 2 W / T (v) = w para algum v 2 V g Observação 117 Note que Im(T ) é um subconjunto de W e.

1. ( 1. y. ( 1. x y z. 1) Logo todo vetor que pertence a imagem de T é gerado pelos vetores v1 = (2. uma transformação linear. y. logo 3 concluimos que Im(T ) = R : De…nição 120 Seja T : V ! W. 1. x y z. 1)] : Como o conjunto = f(2. x + y z): Solução: Se w 2 Im(T ) então w = T (x. y) = (1. y) tal que T (v) = w. 10x + y) = (1. mas é base para R3 . y) tal que T (v) = u. ( 1. 1). 10x + y) = ( 1. 1). sendo denotado por Ker(T ): Isto é. y) = (1. 2). n !o Ker(T ) = v 2 V T (v) = 0 Observação 121 Observe que Ker(T ) V é um subconjunto de V e. z). é um subespaço vetorial de V: Alguns autores denotam o núcleo de T por N (T ): 68 . 1. Podemos então escrever que Im(T ) = [(2. 1)g é LI ( veri…que isto) temos que é uma base para a Im(T ). w = (2x y z. 1. 2) 2x y = 1 10x + y = 2 Resolvendo o sistema temos x = pois T ( 1 . 1) e v3 = ( 1. 1. 1. x + y z) = x(2. 2) y. ( 1. 1). v2 = ( 1. 1. 1) + z( 1. ainda mais. temos então: T (x. 2) y. 2) 2x y = 1 10x + y = 2 3 7 Resolvendo o sistema temos x = 8 e y = 4 . O conjunto de ! todos os vetores v 2 V tais que T (v) = 0 é chamado núcleo de T . 4 ) = u: b) Analogamente deve existir algum v = (x. 1) + y( 1. 1. 1). ou seja (2x (2x T (x. y) = ( 1. logo u pertence a imagem de T 3 7 pois T ( 8 . 1. z) = (2x y z. 1. 1).Solução: a) Para que u 2 Im(T ) deve existir algum v = (x. T (x. 1. ou seja. 3 ) = w 8 4 1 8 ey= 3 4 logo w pertence a imagem de T Exemplo 119 Determine a imagem da transformação linear T : R3 ! R3 . ou seja. 1). 1. T (x.

5 . z. z) = (0. z) = (x. 0. 3 . temos que z é qualquer. . y. . y. 0 0 2 0 1 . . y. 0.! Exemplo 122 Seja T : V ! W . 0 0 1 0 . o sistema é compatível e indeterminado 69 . 0): Se T (x. z. t) = (0. 2x + z t. 4 5 4 . 2y t) Solução: Devemos encontrar os vetores v = (x. t) 2 R4 tais que T (v) = T (x. z. . Logo. 0) ) (x. . y. 2 1 1 . z) 2 R3 z 2 R . 6 1 1 1 7 6 1 6 . assim temos que Ker(T ) = V Exemplo 123 Seja T : R3 ! R3 a projeção ortogonal sobre o plano xy: Neste caso temos T (x. y. 0): Neste caso temos que resolver o sistema homogêneo: 8 < x+y+z t=0 2x + z t = 0 : 2y t = 0 A matriz ampliada do sistema é: 2 3 2 . 0. 0 1 1 1 . 0 7)6 0 6 2 0 1 7 6 1 . z) = (0. y. 0 pa = pc = 3 e p = 3 < n = 4 logo com grau de liberdade 1. 0. t) = (x + y + z t. y. 0 1 . 0) ) x = 0 e y = 0: Como nada é dito sobre a variável z. 7 7 . logo Ker(T ) = (0. 0 7 . ou seja o núcleo de T são todos os vetores que estão sobre o eixo z: Exemplo 124 Encontre o núcleo da transformação linear: T : R4 ! R3 T (x. dada por T (v) = 0 : Neste caso todo vetor de V é levado no vetor nulo pela transformação T.

2y) 2 R4 y 2 R = [(1. y. 2. y. z):(2. No nosso caso. y. z) = = (0. z) = T (x. 1):(2. z) = T (x. . y. 0) 4x 4y + 2z 4x + 4y 2z 2x 2y + z = 0 = 0 = 0 70 . 1) 9 4x + 4y 2z 2x 4x 4y + 2z . 8 < x+y+z t=0 2y z + t = 0 : z=0 x = y z = 0 t = 2y Portanto Ker(T ) = (y. 0. 2)] Exemplo 125 Seja T : R3 ! R3 a transformação linear que é a projeção ortogonal sobre a reta cujas equações paramétricas são: 8 < x = 2t y = 2t : z=t Encontre o Núcleo de T: Solução: Projetar um vetor sobre uma reta é o mesmo que encontrar a projeção ortogonal sobre o vetor diretor dessa mesma reta.o que nos fornece. 1. 2y + z 9 T (x. 0. 2. y. y. logo T (v) = proju v = T (x. o vetor diretor é u = (2. 2. 2. 1) 2x 2y + z (2. 4x 4y + 2z . 0. 1) (2. 2. z) = v:u u u:u (x. 2. 1). 9 9 2y + z 9 Para encontrar o núcleo devemos ter. 9 4x + 4y 9 2z 2x . 1) (2.

2x + 2y) 2 R3 De…nição 126 Dada uma aplicação T : V ! W . T (V ) = W: Observação 128 Da de…nição acima vemos que uma função será sobrejetora se dado w 2 W . Se dim V = dim W . uma aplicação linear. então T leva base em base. 2)] Portanto Ker(T ) = (x. 0. (0. Exemplo 133 Seja T : Pn ! Pn+1 . Corolário 132 Seja T : V ! W . T é injetora se dados u. 2). uma aplicação linear. ou seja. assim 0 2z z = = 4x + 4y 2x + 2y x 2 R = [(1. 1. v 2 V com T (u) = T (v) tivermos u = v: Ou equivalentemente. Usando o teorema (129) devemos apenas calcular o núcleo de T : T (p(x)) = xp(x) T (a0 + a1 x + : : : + an xn ) = x(a0 + a1 x + : : : + an xn ) T (a0 + a1 x + : : : + an xn ) = (a0 x + a1 x2 + : : : + an xn+1 ) 71 . se e somente se T é injetora. Teorema 130 Seja T : V ! W . Solução: Devemos veri…car se T é injetora e sobrejetora ao mesmo tempo. v 2 V com u 6= v. diremos que T é injetora se dados u. existir v 2 V tal que T (v) = w: n!o Teorema 129 Seja T : V ! W . dada por T (p(x)) = xp(x):Veri…que se T é bijetora. fazendo o escalonamento temos 4 0 1 0 4x 4y + 2z = 0 0 = 0 0 = 0 4 0 0 3 2 0 5 .2 4 4 4 2 4 4 2 3 2 2 4 2 5 . então T linear é injetora se e somente se T é sobrejetora. Então dim Ker(T ) + dim Im(T ) = dim V Corolário 131 Se dim V = dim W . então Ker(T ) = 0 . uma aplicação linear injetora. então T (u) 6= T (v): De…nição 127 Uma aplicação T : V ! W será sobrejetora se a imagem de T coincidir com W. y.

7C 6 7 . xn am1 x1 + + amn xn = A:v 2 a11 6 . = 4 . 7 . 2 3 x1 6 . . Associada a matriz A de…nimos a transformação LA : Rn ! Rm v ! A:v Seja A uma matriz m linear: onde v é tomado como vetor coluna. . 76 . Portanto T é injetora. dim Pn+1 = n + 2 e dim Ker(T ) = 0. 5A = 4 5 . 5 . xn 3 LA (v) LA (v) 02 Das propriedades de operações de matrizes: 31 2 x1 a11 x1 + a1n xn B6 . . am1 72 . LA @4 .1 Transformações Lineares e Matrizes Transformação linear associada a uma matriz n.Se T (p(x)) = 0 a0 x + a1 x2 + : : : + an xn+1 = 0 = 0 + 0x + 0x2 + : : : + 0xn+1 logoo 0 = a1 = : : : = an = 0 ) p(x) = 0 (p(x) é o polinômio nulo) ) Ker(T ) = n! a 0 (observe que neste caso o vetor nulo de Pn é o polinômio nulo de grau n). amn 3 x1 .2. 5 . 7 v=4 . 54 . .2 3. Como dim Pn = n + 1. .. temos que dim Ker(T ) + dim Im(T ) = n + 1 0 + dim Im(T ) = n + 1 dim Im(T ) = n + 1 Note que dim Im(T ) = n+1 6= n+2 = dim Pn+1 ) Im(T ) 6= Pn+1 : Portanto T não é sobrejetora e assim T não é bijetora 3. xn 32 a1n .

y. y. 2y t) Surpresa!! Esta é a mesma transformação do exemplo (124) Exemplo 135 Dada a transformação linear: T : R3 ! R2 T (x. encontre a matriz A cuja transformação associada a ela é exatamente a transformação T ) Solução: Passando da forma vetorial para a forma matricial temos: 31 x T @4 y 5A = z = 02 10x x 10 1 20y 30z 2y 3z 20 2 30 3 2 3 x 4 y 5 z 73 . t) = (x + y + z t. de…nida por: x B6 y LA B6 @4 z t 02 R4 ! R3 2 1 1 1 1 7C 7C = 4 2 0 1 1 5A 0 2 0 1 2 x+y+z t = 4 2x + z t 2y t LA 31 : 3 x 7 6 56 y 7 4 z 5 t 3 3 2 5 Note que a transformação acima está escrita em forma matricial.LA (u + v) = A:(u + v) = A:u + A:v = LA (u) + LA (v) LA (ku) = A:(ku) = kA:u = kLA (u) e portanto LA é uma transformação linear. 2x + z t. x 2y 3z) Encontre a matriz da transformação T (Isto é. Exemplo 134 Seja 1 A=4 2 0 2 1 0 2 1 1 0 3 1 1 5 1 Observe que a matriz A tem ordem 3 4 e portanto ela induzirá uma transformação linear de R4 para R3 . z) = (10x 20y 30z. mas podemos escreve-la também na forma vetorial que estamos acostumados: LA (x. z.

54 .2. . 7 = 6 . + amn wm . amn então 3 x1 6 . . T (vn ) = a11 w1 . 7 X = [v] = 4 . . T (vn ) são vetores de W e portanto T (v1 ) . 76 . . w2 . = fv1 .Portanto a matriz de T. . v2 . Am n = 4 . De fato. . Isto …cará claro na exposição a seguir. wm g base de W: Então T (v1 ). . : : : . que denotaremos por [T ] é [T ] = 10 1 20 2 30 3 Observação 136 Ao obtermos a transformação associada a uma matriz A (ou. . ao obtermos a matriz de uma transformação estamos levando em conta as bases associadas aos espaços Rn e Rm mas neste caso em particular estamos considerando as bases canônicas. 5 . vn g e 3 7 5 0 = fw1 . . . ym onde yi = Ai :X e Ai é a i-ésima linha de A: Em geral. Seja T : V ! W linear. à matriz 2 a11 a1n 6 . . 5 4 A:X = 4 . am1 amn xn TA (v) = y1 w1 + + ym wm 3 y1 . .. …xadas as bases = fv1 . 7 . . dada uma matriz Am n . não mencionamos as bases dos espaços envolvidos. ela é encarada como uma aplicação linear TA : Rn ! Rm em relação às bases canônica de Rn e Rm : 3. vn g base de V e 0 = fw1 . . am1 podemos associar TA da seguinte maneira: Seja : R n ! Rm v ! TA (v) 2 . 5 . . a1n w1 + + 74 + am1 wm . . a matriz de uma transformação T ). . xn 2 32 3 2 a11 a1n x1 6 . caso contrário. . wm g . .. De um modo geral.2 Matriz de uma transformação linear Agora iremos encontrar a matriz associada a uma transformação linear. . .

c+d=3 3c + 4d = 1 . 1. T : V ! W uma aplicação linear. 1. 1. 5 Observação 137 Note que se A = [T ] 0 = 4 . 4) Portanto temos os sistemas: . . . 7 a transfor. iste é. y. d= 8 e=5 f= 3 [T ] 0 = 3 1 11 8 5 3 base de W e Teorema 139 : Sejam V e W espaços vetoriais. (1. 5) = a(1. . 0) = (2. para todo v 2 V vale: Teorema 140 [T (v)] = [T ] [v] De…nição 141 Dada uma base e tranformação linear T : V ! V denotaremos a matriz [T ] apenas por [T ] e ela será chamada de matriz de T em relação a base : 75 . Então. T = TA Exemplo 138 Seja T : R3 ! R2 tal que T (x. 3). base de V . (1. 1) = c(1. z) = (2x + y Sejam = f(1. a+b=2 3a + 4b = 5 . e+f =2 3e + 4f = 3 Resolvendo os sistemas temos: a=3 b= 1 . 3) + f (1. 0) = (3. 7 . 0). 1. c = 11 . 0. (1. 4)g : T (1. 3) + b(1. 1) = (2. 1. . ). am1 amn 2 0 é 3 a11 a1n 6 . y. . denotada por [T ] chamada matriz de T em relação às bases e 0 : 2 3 a11 a1n 6 . 3) + d(1. z) = (2x + y z. 5 [T ] 0 = 4 . 4) T (1. 3x 2y + 4z): = f(1. 3) = e(1. am1 amn mação linear T passa a ser a transformação linear associada à matriz A e bases e 0 . 0. 3x 2y + 4z) 0 z.A transposta da matriz dos coe…cientes deste sistema. . 4) T (1. 0)g e Procuremos [T ] 0 T (x.

0) + b3 ( 1. 1. 1. 1. 0. (0. 1). 1. 0) = 3. [T ] 2 3 1 b) Se [v] = 4 1 5 determine [T (v)] : 1 c) Calcule a multiplicação das matrizes: [T ] [T ] : Que conclusão você pode tirar em relação as duas matrizes. 0. z) = (2x 3y 2z. 1)g e = f( 1. 1. 2x y+z) e sejam = f(1. 1. será denotada simplesmente por [T ] : Exemplo 143 Seja T : P2 ! P2 de…nido por T (p(x)) = p(3x a matriz de T em relação a base = 1. 1. z) = (2x 3y 2z. 0. 1) + c2 (0. x y z. 1) 1. [T ] . 1. 0). 1. 1 = a2 ( 1. y. 2 = a1 ( 1. 0) + b1 ( 1. 1.temos: 76 . 1) + c3 (0. (1. 1. 0. ( 1. y. 1. 1. 1. 0) + b2 ( 1. 1) + c1 (0. ou que relação há entre as duas matrizes? Solução: a) Cálculo de [T ] T (x. x y z. 0. 2 = a3 ( 1. 1)g bases do R3 a) Determine [T ] . (1. x2 Devemos calcular [T ] = [T ] T (p) T (a0 + a1 x + a2 x2 ) T (a0 + a1 x + a2 x2 ) T (a0 + a1 x + a2 x2 ) = p(3x 5) = a0 + a1 (3x 5) + a2 (3x 5)2 = a0 + 3a1 x 5a1 + a2 (9x2 30x + 25) = (a0 5a1 + 25a2 ) + (3a1 30a2 )x + 9a2 x2 5): Determine T (1) = T (1 + 0x + 0x2 ) = 1 = 1 + 0x + 0x2 T (x) = T (0 + 1x + 0x2 ) = 5 + 3x = 5 + 3x + 0x2 T (x2 ) = T (0 + 0x + 1x2 ) = 25 30x + 9x2 1 [T ] = 4 0 0 2 5 3 0 3 25 30 5 9 Exemplo 144 Seja T : R3 ! R3 dada por T (x. x. 0.De…nição 142 Seja T : Rn ! Rn uma transformação linear e a base canônica de Rn . 1) = Devemos resolver os tres sistemas resultantes: Denotando por A a matriz dos coe…cientes do sistema. 1) T (1. 0). 1) T (1. 0. 0). então a matriz de T em relação a base canônica . 2x y + z) T (1. 0) = 2.

Mais adiante voce poderá veri…car se suas conclusões estavam corretas. 0 0 0 base para P2 : 77 1 0 . = base para M (2. Então dim Im(T ) = dim Ker(T ) = posto de [T ] nulidade de [T ] = número de colunas de [T ] 0 e bases de V posto [T ] Exemplo 146 Seja T : P2 ! Mt (2. 2) de…nida por T (p(x)) = onde p é a derivada de p: Sejam . Teorema 145 Seja T : V ! W uma transformação linear e e W respectivamente. 0 1 p (0) 2p(1) 00 0 p (3) 0 1 0 . 2) e = 1. x2 0 1 1 0 .3 3 2 1 1 1 1 1 0 2 2 2 1 5 1 1 5)A 1=4 1 A=4 1 0 2 2 2 1 1 1 0 1 1 2 2 2 Vamos resolver 2 sistemas por matriz inversa: 3 2 os 3 2 2 32 3 1 1 1 a1 2 2 2 2 2 1 1 54 4 b1 5 = A 1 4 1 5 = 4 1 1 5=4 2 2 2 1 1 1 c1 2 2 2 2 2 2 2 3 a2 4 b2 5 = A c2 3 a3 4 b3 5 = A c3 1 2 1 2 3 2 1 2 3 5 3 1 0 5 1 2 4 2 4 3 2 1 0 5=4 1 3 2 3 1 5=4 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 32 54 32 1 1 2 1 2 1 2 Logo 3 2 3 3 3 54 1 5 = 4 0 5 2 2 3 3 0 5 2 3 2 1 0 5=4 1 Agora voce já está em condições de calcular [T ] : Faça esse cálculo como exercício b) Vamos usar a relação [T (v)] = [T ] [v] [T (v)] [T (v)] = [T ] 2 2 [v] 1 2 3 2 1 2 7 2 3 2 7 2 [T ] = 4 2 1 2 3 2 1 2 1 0 1 = 4 = 4 [T (v)] 3 5 1 0 1 32 3 3 1 0 54 1 5 1 2 c) Faça você este item e tire suas conclusões. x. uma 1 0 1 .

a) Determine [T ] : b) Determine uma base para N (T ): c) Determine uma base para Im(T ): d) T é injetora? E sobrejetora? Justi…que.

SOLUÇÃO: a) Note que T (a + bx + cx2 ) = Determinando [T ] : 0 0 1 0 2 1 =a 0 0 2 1 =e 0 0 1 0 +b 0 0 1 0 +f 0 0 1 0 +j 0 0 1 0 +c 0 1 1 0 +g 0 1 1 0 +l 0 1 0 1 +d 1 0 0 1 +h 1 0 0 1 +m 1 0 0 1 0 1 0 1 b 2a + 2b + 2c 0 2c

T (1) = T (x) = T (x2 ) =

Logo, [T ]

b) Seja p(x) b 2a + 2b + 2c 0 2c

0 2 1 =i 0 2 0 3 2 0 1 2 62 1 4 7 7 = 6 40 0 0 5 0 0 2 2 =

N (T ) ) T (p(x)) = 0 0

0 0

0 0

0 )a=b=c=0 0

Logo, p(x) = c) Seja A 2 Im(T ) ) A = c 0 2 0 2 Portanto, Im(T ) =

0 + 0x + 0x2 2 N (T ) ) N (T ) = f0g b 2a + 2b + 2c 0 2c = a 0 0 2 1 +b 0 0 2 + 0

0 2 1 2 0 2 ; ; 0 0 0 0 0 2 Como os geradores da Im(T ) formam um conjunto L:I: (Veri…que!) tem-se que 0 2 1 2 0 2 ; ; é uma base para Im(T ): 0 0 0 0 0 2 d) T é injetora pois N (T ) = f0g; mas não é sobrejetora pois dim Im(T ) = 3 6= dim M (2; 2) 78

3.3

Composição de transformações lineares

De…nição 147 Se T1 : V ! W e T2 : W ! U são duas transformações lineares a composta das duas transformações lineares é de…nida do mesmo modo que a composição de funcões ( lembre-se que um transformação linear é uma função com a propriedade adicional de ser linear) da seguinte forma

T2 T1 (T2 T1 )(v)

: V !U = T2 (T1 (v)) x; y x) e T2 : R3 ! R;

Exemplo 148 Se T1 : R2 ! R3 ; T1 (x; y) = (x y; y T (x; y; z) = x y z então T2 T1 : R2 ! R e (T2 T1 ) (x; y) = = = = =

T2 (T1 (x; y)) T2 (x y; y x; y x) (x y) (y x) (y x y y+x y+x 3x 3y

x)

Teorema 149 Sejam T1 : V ! W e T2 : W ! U transformações lineares e ; ; bases de V; W; U respectivamente. Então a composta de T2 com T1 ; T2 T1 : V ! U é linear e [T2 T1 ] = [T2 ] [T1 ] Proposição 150 Seja T : V ! W uma transformação linear . Sejam bases de V e e 0 bases de W: Então vale a relação: [T ]
0 0

e

0

= [IW

T

IV ]

0 0

= [IW ] 0 [T ] [IV ]

0

onde IW e IV são as aplicações identidades de W e V respectivamente.

3.4

A Inversa de uma transformação linear

De…nição 151 Dá-se o nome de isomor…smo a uma transformação linear T : V ! W que é injetora e sobrejetora ao mesmo tempo. Quando há um isomor…smo entre dois espaços vetoriais dizemos que estes são Isomorfos. De…nição 152 Seja T : V ! W uma transformação linear. Se existe uma transformação linear S : W ! V tal que T S = IW , onde IW : W ! W é a identidade em W; dizemos que S é a inversa a direita de T: Se existe uma transformação R : W ! V , tal que R T = IV , onde IV : V ! V é a identidade em V , dizemos que R é a inversa a esquerda de T:

79

De…nição 153 Seja T : V ! W uma transformação linear. Se existe uma aplicação T 1 : W ! V; tal que T T 1 = IW e T 1 T = IV então dizemos que T é inversível e que T 1 é a inversa de T Proposição 154 Seja T : V ! W uma transformação linear. inversa de T; T 1 ; então T 1 é uma transformação linear Se existe a

Proposição 155 Se T : V ! W é um isomomor…smo, então T é inversível e além disso T 1 também é um isomor…smo. Proposição 156 Se T : V ! W uma transformação linear invertível (T é um isomor…smo) e e são bases de V e W; então:
1

T

1

= [T ]

Observação: Quando estamos trabalhando com o espaço Rn e a base canônica de Rn por simplicidade omitimos as bases e a matriz de T : Rn ! Rn ;em relação a base canônica, é denotada simplesmente por [T ] : Neste caso a proposição acima é escrita na forma mais conveniente: "Se T : Rn ! Rn é inversível então 1 T 1 = [T ] " Proposição 157 Seja T : V ! W uma transformação linear, com dim V = dim W; e e bases de V e W respectivamente: Então T é inversível se, e somente se det [T ] 6= 0: Observação 158 Se na proposição acima tivermos V = W = Rn podemos escrever: Seja T : Rn ! Rn uma transformação linear, então T é invertível se det [T ] 6= 0 Exemplo 159 Seja T : R3 ! R3 ; dada por T (x; y; z) = (x + 2y + 2z; x + y + 3z; x + 2y + z); determine a transformação inversa T 1 : Solução: Facilmente 2 1 2 [T ] = 4 1 1 1 2 podemos ver que 3 2 3 5 ) T 1 = [T ] 1

1

logo T 1 (x; y; z) = ( 5x + 2y + 4z; 2x y z; x z): Como exercício veri…que que vale T T 1 (x; y; z) = (x; y; z) Podemos também neste caso calcular a inversa usando diretamente a di…nição de transformação inversa da seguinte forma Sabemos que T 1 : R3 ! R3 é uma transformação linear tal que T 1 T = I ou T T 1 = I: Suponhamos que T 1 (x; y; z) = (m; n; s); devemos encontrar

5 =4 2 1

2

2 1 0

3 4 1 5 1

80

m; n e s tais que T T 1 = I (devemos usar esta igualdade pois com a outra não funciona, tente e veja o que acontece). Portanto T T T (T
1 1

(x; y; z)

= I(x; y; z) = (x; y; z)

(x; y; z)) = (x; y; z) T (m; n; s) = (x; y; z) (m + 2n + 2s; m + n + 3s; m + 2n + s) = (x; y; z)

m + 2n + 2s m + n + 3s m + 2n + s 2 3 2 1 2 2 x 1 2 escalonando 4 41 1 3 y 5 0 1 =) 1 2 1 z 0 0 s = x n = x m = x Logo T
1

= x = y = z 3 2 x 1 x y5 1 x z

z y + x z = 2x y z 2(2x y z) 2(x z) =

5x + 2y + 4z

(x; y; z) = ( 5x + 2y + 4z; 2x

y

z; x

z)

81

3.5
1.

Nona lista de exercícios
Veri…que se as funções dadas abaixo são transformações lineares. Em cada caso, justi…que sua a…rmação: (a) T : <4 ! <3 dada por T (x; y; z; t) = (x + y; 0; z + t) (c) S : M (2; 2) ! <2 , S a b c d = (a + b; 0)

(b) L : <2 ! < dada por L(x; y) = xy

(d) G : M (5; 5) ! M (5; 5); G(A) = AB+I5 ; onde B = diag(d1 ; d2 ; d3 ; d4 ; d5 ) é uma matriz diagonal e I5 é a matriz identidade de ordem 5: (e) F : P2 ! P2 tal que T (p) = p + q; p 2 P2 e q(t) = t2 + 1; t 2 < (f) S : R2 ! R2 dada por S(x; y) = (x + y; x (g) T : M (2; 2) ! R dada por (h) T : R ! R; T (x) = jxj : (i) T : M2 ! P1 ; T a b c d a b c d y) a b c d

! det

= a + dt

(j) S : R3 ! R3 tal que S(x; y; z) = (3x; a; 5z); onde a 2 R é uma constante. (k) T : Pn ! Pn tal que T (p(x)) = p (x) + x2 p (x) 2. Seja T : P2 ! P2 um operador linear tal que T (p0 )(t) = 1+t, i = 0; 1; 2: T (p1 )(t) = t+t2 ; T (p2 )(t) = 1+t 2t2 onde pi (t) = ti ;
0 00

(a) Encontre T (p) (b) T é injetora? Justi…que sua resposta. (c) T é sobrejetora? Justi…que sua resposta. (d) T é bijetora? Justi…que sua resposta. 3. a) Encontre a transformação T : <2 ! M (2; 2) tal que T ( 1; 0) = 1 1 1 ; 1 T (0; 1) = 1 1 1 1

b) Usando a transformação T encontrada no item a) , calcule T (1000; 999) c) A transformação é bijetora? Justi…que sua resposta. 4. Sejam F; G : R3 ! R3 transformações lineares dadas por F (x; y; z) = (x + y; z + y; z) e G(x; y; z) = (x + 2y; y z; x + 2z):

82

determine o isomor…smo inverso.(a) Determine F G G) G) (b) Determine uma base para N (F (c) Determine uma base para Im(F (d) F G é isomor…smo? Justi…que sua resposta. z) = (3x. 0. 2): Determinar uma base de cada um dos seguintes subespaços: (a) N (T ) (b) N (T ) \ Im(T ) (c) N (T ) + Im(T ) = f(1. 0)g bases de <2 6. 0. T (0. 4): T é isomor…smo? Em caso a…rmativo. 0) = (1. 1) = (0. 2) e T (0. 1. x. 0. 2x + y + z): Mostre que (T 2 I) (T 2 3I) = 0: 10. Seja T : P2 ! P3 a transformação de…nida por T (p(x)) = xp(x 3): Encontre [T ] em relação às bases = f1. x. (0. 0. 0) = (1. 1) e a imagem gerada pelo vetor (1. 1. y. Sejam = f(1. x3 g e = f1. (0. x2 . 0. 1) = (1. 0. 0). 2) = (0. 2)g e e <3 . 0. 1. 2). x2 g: 11. Encontre a transformação linear T : <2 ! <2 que é a projeção sobre a x = 2t reta dada por y=t Determine dim Im(t) e dim Ker(T ): T é inversível ? Se for. determine T 1: 8. 1. T (0. 1). 1. respectivamente e 3 2 1 0 [T ] = 41 1 5 0 1 (a) Encontre a transformação linear T: 7. Encontre a transformação linear T : <3 ! <3 cujo núcleo é gerado por (1. 0. 0) = (1. 1. 1. T (0. 1): (b) Enconte uma base para Ker(T ) e uma base para Im(T ): 3 2 1 0 (c) Encontre uma base de <3 tal que [T ] = 40 05 0 1 83 . 1). x y. 9. Seja T : <3 ! <3 o operador linear de…nido por T (x. 1. Considere o operador linear em <3 tal que T (1. 0) e (0. (1. 1). 1). Seja T : <3 ! <3 uma transformação linear de…nida por T (1. 2. 0. 5.

S. Mostre que V e a Im(T ) têm a mesma dimensão se e somente se T é inversível. T tres transformações lineares de 2 3 2 1 0 1 2 1 1 [S] = 4 3 [R] = 4 2 1 1 5 e 0 1 1 1 2 encontre T tal que R = S T: R3 em R3 : Se 3 1 2 5. 0. 0 14. y. 1 + t. t2 . Seja T : P3 ! P2 de…nida por T (p) = p . 0): 13.12. 0) e (0. t. x2 iii. 0. 0)g (d) T : R3 ! R3 tal que N (T ) = f(x. Determine a matriz T em relação às bases 1. Quando possível. Seja a base canônica de M2 : Se T : M2 ! P3 é dada por T d)x2 + dx3 84 a c b d = a + (b + c)x + (c . Seja T : V ! W uma transformação linear. z) 2 <3 : z = (e) T : R ! R tal que Im(T ) = (x. Mostre que se uma transfomação linear é injetora então N (T ) = f 0 g: 21. Mostre que se a matriz transformação [T ] é inversível então N (T ) = f 0 g: 16. 1 x (b) Quais dos polinômios do item a) pertencem a Im(T )? (c) Descreva N (T ) e Im(T ): 18. z) 2 R 0 (c) T : R3 ! R3 tal que Im(T ) = f(0. (a) Mostre que o núcleo de T é um subespaço de V: (b) Mostre que a imagem de T é um subespaço de V: 17. Suponhamos T : V ! W linear e V tem dimensão …nita. 1 + t2 : ! 20. 1. Determine todas as transformações lineares não inversíveis T : <4 ! <3 : ! 15. dê exemplos de transformações lineares satisfazendo: (a) T : R3 ! R3 tal que dim N (T ) = 1 0 (b) T : R3 ! R3 tal que N (T ) = f(0. Sejam R. 0)g 3 3 xg z : 3 y = 2x 19. 0. 0. t3 e 1. y. 1. Seja T : P2 ! P2 a transformação linear de…nida por T (p(x)) = xp (x) (a) Quais dos seguintes polinômios pertencem ao N (T )? i. Encontre a transformação linear T : <4 ! <4 cujo núcleo é gerado por (1. 2 ii.

: R4 ! R4 sabendo que existe a inversa de T: 24. 2) = (3. 4)]: 25. 0. ! R6 que seja sobrejetiva. 1) = (2. 0)] e Im(T ) = [(1. Se A 2 Rn n é inversível então: (a) dim N (A) = ______ (b) dim Im(T ) = ______ 23. : V ! W com T injetiva. (0. 2 + x3 é base de P3 (b) Faça o escalonamento da matriz [T ] (c) Detemine dim Ker(T ) (d) Determine dim Im(T ): 22. dim V = 5. ! R2 que seja injetiva. 1. podemos ter dim Im(T ) > 6? Justi…que sua resposta (b) Existe alguma transformação linear T : R2 ! R2 tal que T (1. Determine dim N (T ) sabendo que: (a) (b) (c) (d) T T T T : R6 ! R8 com dim(Im(T )) = 3. 26. 1. Responda as seguintes questões: (a) Se T : R5 ! R6 é uma transformação linear. 0. (2. Sejam as transformações lineares S : P1 ! P2 e T : P2 ! P1 de…nidas por S(a + bx) = a + (a + b)x + 2bx2 T (a + bx + cx2 ) = b + 2cx 85 2 0 1 1 : Encontre os vetores u e v tais . Seja T : R2 ! R2 tal que [T ] = que (a) T (u) = 2u (b) T (v) = v 27. : V ! W com T sobrejetiva. 0). 0. 1)? Justi…que sua resposta. 2. ! R6 tal que dim N (T ) = dim Im(T ). 2). Explique em cada caso abaixo porque não existe uma transformação linear: (a) (b) (c) (d) (e) T T T T T : R4 : R5 : R3 : R7 : R4 ! R2 cujo núcleo seja a origem.(a) Encontre [T ] onde = 2. 2 + x2 . 2) e T (2. ! R3 com N (T ) = [(1. 2 + x. dim W = 3.

(a) Determine (S T )(3 + 2x x2 ) (b) É possível calcular (T S)( + x): S)(a + bx)? Em caso a…rmativo calcule (T ALGUMAS SUGESTÕES 1. c) A dimensão de Ker(T ) é a nulidade de [T ] 21. d) A dimensão de Im(T ) é o posto de [T ] 86 . j) Sugestão: analise os casos a = 0 e a 6= 0 21.

T inverte o sentido do vetor Se > 0. T mantém o mesmo sentido do vetor Matricialmente x 0 x ! y 0 y 87 . Transformações no Plano a) Dilatação ou contração T T (x.Capítulo 4 OPERADORES LINEARES De…nição 160 Uma transformação linear T : V ! V é chamada de operador linear. y) Se j j < 1.1 Transformações especiais no plano e no espaço Os operadores lineares que veremos a seguir são chamados de transformações especiais do plano e do espaço por serem bastantes usados em aplicações práticas e também em aplicações numéricas. T contrai o vetor Se j j > 1. y) : R2 ! R2 = (x. T é a identidade Se < 0. Observação 161 Todas as propriedades já vistas para transformações lineares em geral vale para um operador linear 4. T dilata o vetor Se = 1.

y) Matricialmente x y Geometricamente: ! : R2 ! R 2 = (x + y.Geometricamente. para > 0 temos: b) Cisalhamento na direção do eixo dos x T T (x. y) 1 0 x y 1 c) Cisalhamento na direção do eixo dos y 88 .

T T (x. x + y) 1 0 1 x y d) Re‡ exão na origem T T (x. y) Matricialmente x y Geometricamente: ! : R2 ! R2 = (x. y) 89 . y) Matricialmente x y Geometricamente: ! 1 0 0 1 x y : R2 ! R2 = ( x.

que passa pela origem. onde u é o vetor diretor da reta r: De…nição 164 Exemplo 165 Determinar o operdor linear que a projeção sobre a reta y = 6x 90 .Observação 162 Observe que este é um caso particular da contração quando = 1 e) Projeção sobre uma reta no plano De…nição 163 De…nimos como sendo Projeção sobre uma reta r. no plano o operador linear T : R2 ! R2 de…nido por T (v) = proju v.

6) x 6y 6x + 36y . 6) (1.A reta y = 6x pode ser parametrizada por x = t y = 6t logo um vetor diretor da reta é u = (1. 6) (x. 6) (1. y) = (1. y) = 37 37 f ) Re‡ exão através de uma reta no plano De…nição 166 De…nimos como sendo Re‡exão através da reta r. a transformação linear T : R2 ! R2 tal que jT (v)j = jvj e proju v = proju T (v) onde u é o vetor diretor da reta r: 91 . T (x. y) T (x. que passa pela origem. 6): T (v) = proju v u v u T (v) = u u (1.

a projeção de v na direção do vetor u. considere a …gura abaixo que representa a re‡ exão em torno de uma reta no plano onde estão mostrados o vetor diretor diretor. da reta. o vetor p.1) Re‡ exão em torno do eixo dos x T T (x.e o vetor T (v): Da de…nição de re‡ exão podemos observar que T (v) + v = 2p T (v) = 2p v T (v) = 2proju v v Portanto a re‡ exão em torno de uma reta no plano é dada por T (v) = 2proju v v onde proju v é a projeção do vetor v na direção do vetor u Casos Particulares f. y) Matricialmente x y Geometricamente: 92 ! 1 0 0 1 x y : R2 ! R2 = (x.Para obter a expressão pata a traformação T . y) . u .

y) Matricialmente x y Geometricamente: ! 1 0 0 1 x y : R2 ! R2 = ( x.2) Re‡ exão em torno do eixo dos y T T (x.f. y) 93 .

f.3) Re‡ exão em torno da reta y = x T T (x. x) 94 . y) Matricialmente x y Geometricamente: ! 0 1 1 0 x y : R2 ! R2 = (y.

f.4) Re‡ exão em torno da reta y = T T (x. y) Matricialmente x y Geometricamente: ! 0 1 x : R2 ! R2 = ( y. x) 1 0 x y 95 .

g) Rotação de um ângulo De…nimos Rotação no plano de um ângulo a transformação T : R2 ! R2 tal que jT (v)j = jvj e o ângulo entre os vetores T (v) e v é : Geometricamente 96 .

Vamos agora determinar a matriz da transformação linear rotação de um ângulo e a expressão de R em função de x e y: Seja R R (x. o comprimento (módulo) do vetor não se altera. y 0 ) Quando rotacionamos um vetor. y) : R2 ! R2 = (x0 . y): Da …gura acima e usando relações trigonométricas temos. pela própria de…nição de rotação. x0 = r cos( + ) = r cos cos Mas r cos r sin então x0 = x cos Analogamente y0 y0 Assim 97 = r sin( + ) = r sin cos + r cos sin = y cos + x sin = x sin + y cos y sin = x = y r sin sin . Seja r = jvj . onde v = (x.

R (x. x sin + y cos ) Matricialmente x cos sin x ! y sin cos y Podemos ver neste caso que matriz de uma rotação é: [R ] = Transformações no Espaço a) Re‡ exão através de uma reta no espaço De…nição 167 De…nimos como sendo Re‡exão através da reta r. da reta. que passa pela origem. u . a projeção de v na direção do vetor u. o vetor p.e o vetor T (v): 98 . y) = (x cos y sin . considere a …gura abaixo que representa a re‡ exão em torno de uma reta no plano onde estão mostrados o vetor diretor diretor. no espaço a transformação linear T : R3 ! R3 tal que jT (v)j = jvj e proju v = proju T (v) onde u é o vetor diretor da reta r: Geometricamente cos sin sin cos Para obter a expressão pata a traformação T .

1) Re‡ exão através do eixo x T T (x. y. z) Matricialmente 3 2 x 1 4 y 5 !4 0 z 0 2 : R3 ! R3 = (x. y.Da de…nição de re‡ exão podemos observar que T (v) + v = 2p T (v) = 2p v T (v) = 2proju v v Portanto a re‡ exão em torno de uma reta no espaço é dada por T (v) = 2p v ond p = proju v é a projeção do vetor v na direção do vetor u Casos Particulares: Re‡ exão em relação aos eixos coordenados a. z) 32 3 0 x 0 54 y 5 1 z 0 1 0 99 .

onde n o vetor normal do plano. 100 . y.3) Re‡ exão através do eixo z : R3 ! R3 = ( x.2) Re‡ exão através do eixo y T T (x. y. y. z) Matricialmente 2 3 2 x 1 4 y 5 !4 0 z 0 T T (x. z) b) Re‡ exão através de um plano De…nição 168 De…nimos Re‡exão através de um plano. z) Matricialmente 3 2 1 x 4 y 5 !4 0 0 z 2 32 3 0 0 x 1 0 54 y 5 0 1 z 0 1 0 32 3 0 x 0 54 y 5 1 z : R3 ! R3 = ( x. que passa pela origem. z) a. y.a. no espaço ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e projn v = projn T (v).

vetor m. e o vetor T (v): 101 . o vetor projeção sobre o plano. vetor n .Para obter a expressão para a transformação T . considere a …gura abaixo que representa a re‡ exão em torno de um plano no espaço onde estão mostrados o vetor normal do plano. o vetor projeção de v na direção do vetor n. vetor p.

Da de…nição de Re‡ exão através de uma plano podemos deduzir que p+m=v m p = T (v) Portanto T (v) = v 2p onde p = projn v é a projeção de v na direção do vetor normal n do plano. y. y.1) Re‡ exão através do plano xy T T (x. z) 102 . z) Matricialmente 2 Geometricamente 3 2 x 1 4 y 5 !4 0 z 0 0 1 0 32 3 0 x 0 54 y 5 1 z : R3 ! R3 = (x. Casos particulares: Re‡ exão através dos planos coordenados b.

y. y. y. z) Matricialmente 2 Geometricamente : R3 ! R3 = ( x. y.3) Re‡ exão através do plano yz T T (x.b. z) 32 3 0 x 0 54 y 5 1 z : R3 ! R3 = ( x. y. z) Re‡ exão no origem T T (x.2) Re‡ exão através do plano xz T : T (x. z) 32 3 0 x 0 54 y 5 1 z 3 2 x 1 4 y 5 !4 0 z 0 0 1 0 103 . z) Matricialmente 2 c) 3 2 x 1 4 y 5 !4 0 z 0 32 3 0 0 x 1 0 54 y 5 0 1 z R3 ! R3 (x. y. z) = 2 3 2 x 1 0 1 Matricialmente4 y 5 ! 4 0 z 0 0 b.

De…nição 169 De…nimos Rotação de um ângulo em torno de um eixo coordenado c ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e o ângulo entre a projeção de v no plano ortogonal a c e a projeção de T (v) no plano ortogonal a c é o ângulo medido no sentido anti-horário a partir da projeção de v no plano ortogonal a c: 104 .d) Rotação no Espaço.

1) Rotação em torno do eixo z Para obter a expressão da transformação que é uma rotação em torno do eixo z vamos considerar: p q = projeção de v no plano xy = projeção de T (v) no plano xy 105 .d.

y. z 0 ) Observe que z 0 = z Como jT (v)j = jvj então jpj = jqj : Além disso o vetor q é obtido pela rotação do ângulo do vetor p no plano xy. z) = x cos y sin = x sin + y cos 106 .T (x. y. z) = (x0 . z) = (x cos y sin . q = R (p). x sin + y cos . y 0 . Como já visto em rotação no plano ( item g) de Transformações no plano) temos que x0 y0 Portanto T : R3 ! R3 T (x. ou seja.

x z x0 z0 = cos sin cos sin sin cos sin cos 1 x0 z0 x z = 107 . z 0 ) Como a rotação é em torno do eixo y temos y 0 = y: No plano xz vemos que o vetor q é obtido a partir do vetor p pela rotação do ângulo no SENTIDO HORÁRIO. y 0 . ou seja.2) Rotação em torno do eixo y T (x. R (p) = q: Logo.Matricialmente 2 3 2 32 3 x cos sin 0 x 4 y 5 = 4 sin cos 0 54 y 5 z 0 0 1 z 2 3 cos sin 0 cos 0 5 [T ]Z = 4 sin 0 0 1 d. y. z) = (x0 . Portanto podemos considerar o vetor p obtido a partir do vetor q por uma rotação no sentido anti-horário.

z 0 ) T (x. y. 22 ) gira em torno do eixo z de um ângulo 2 rad Solução: cos 2 [T (v)] = 4 sin 2 0 0:0 [T (v)] = 4 1:0 0:0 2 p 6 [T (v)] = 4 2 2 sin 2 cos 2 0 1:0 0:0 0:0 30 7 5 32 0 6 0 54 1 32 p p 3 p 2 2 p 2 4 p 2 2 d. z) = (x cos + z sin . x sin + z cos ) Matricialmente: cos [T ]Y = 4 0 sin 2 3 0 sin 1 0 5 0 cos Exemplo p p Determinar o ângulo formado entre v e T (v) quando o vetor 170 p v = ( 2p32 . 42 . y.3) Rotação em torno do eixo x A matriz da Rotação em torno do eixo x é dada por 2 3 1 0 0 sin 5 [T ]X = 40 cos 0 sin cos 30 7 5 2 p4 3 p 2 2 p 2 2 0:0 6 0:0 5 4 1:0 3 p 2 2 p 2 4 p 2 2 30 7 5 Como desejamos o ângulo entre v e T (v). z) = (x0 .x0 z0 = cos sin sin cos x z x0 z0 = x cos + z sin = z cos x sin T (x.vamos usar afórmula do cosseno do ângulo entre dois vetores: cos = v T (v) 1 = jvj jT (v)j 2 Portanto o ângulo entre v e T (v) é = arccos 1 = 2 108 1 3 . y 0 . y.

então T T = fv1 . T transforma base em base. ele é um isomor…smo Seja T : V ! V um operador linear: =T 1 T =I n!o II) O operador T é inversível se. e somente se. temos que R é inversível.2 Propriedades dos operadores inversíveis De…nição 171 Seja T : V ! V um operador linear. Se existir um operador T 1 : V ! V tal que T T 1 = T 1 T = I ( neste caso I : V ! V é a identidade em V ) então dizemos que o operador T é inversível e T 1 é o operador inverso de T: Observação 172 Um operador é inversível se. 1 Como R 1 = [R ] . x sin + y cos ) 1 veri…que se T é inversível e em caso a…rmativo encontre T Solução: Como det [R ] = cos2 + sin2 = 1 6= 0. dado por R (x. e somente se. basta calcular a inversa da matriz deR [R ] = cos sin sin cos sin cos2 +sin2 cos cos2 +sin2 [R ] 1 cos cos2 +sin2 = sin cos2 +sin2 [R ] 1 = cos sin sin cos 109 . T (vn )g é base de V: Se T é inversível e 1 uma base de V então T 1 1 : V ! V é linear T = = [T ] 1 : Quando é a base canônica temos a forma mais simples T 1 [T ] e portanto T 1 [T ] = T inversível se e somente se det [T ] 6= 0. det [T ] 6= 0 IV) Se T é inversível. y) = (x cos y sin . e somente se. vn g 1 1 1 1 III) O operador T é inversível se. Ker(T ) = 0 : I) Se T é inversível e T sua inversa. T = [I] : Com isso vemos que T é Exemplo 173 Considere o operador R : R2 ! R2 .4. : : : . isto é. se é base de V então = fT (v1 ). : : : .

1) (1. y. y cos Exemplo 174 Seja T o operador T : R3 ! R3 que é a projeção ortogonal do vetor v = (x. 1. 1. y. Devemos inicialmente determinar o vetor diretor da reta: y=x z=y Para obter a equações paramétricas fazemos x = t. z) = T (x. y) = (x cos + y sin . [R ] é uma matriz ortogonal. y. logo 8 < x=t y=t : z=t portando o vetor diretor da reta é u = (1. z) = v u u u u (x. 1) (1. 1) (1. z) = T (x. 1) 3 x+y+z x+y+z x+y+z .Note que [R ] R 2 ! R2 x y 1 = [R ] . Exemplo 175 Seja T : R2 ! R2 a transformação que é uma rotação de 4 rad e S : R2 ! R2 a transformação que é uma re‡exão em torno da reta y = 2x: Determine a transformação R = S T: 110 . 1) x+y+z (1. 1. 1): T (v) = proju v = T (x. logo R cos sin sin cos x y x cos + y sin y cos x sin x sin ) T 1 : ! R 1 = (x. z) na direção da reta dada pela interseção dos planos y = x e z = y:Veri…que se T é inversível e em caso a…rmativo determine T 1 : Solução: Para determinar a projeção na direção da reta basta determinar a projeção ortogonal sobre o vetor diretor da reta. 1. 1. 3 3 3 2 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 6 6 [T ] = 6 6 4 3 7 7 7 7 5 det [T ] = 0 Como det [T ] = 0 temos que T não é inversível. y. ou seja. 1. z) (1. y. .

Sejam e bases de V e [T ] .1 Matrizes Semelhantes Seja T : V ! V um operador linear. 5 5 [S] = 3 5 4 5 4 5 3 5 (x. 10 p p ! 2 7 2 x+ y 10 10 4. então: [T ] = [I] [T ] [I] 1 Lembrando que [I] = [I] temos que 1 [T ] = [I] [T ] [I] 111 .Solução R = S T [R] = [S] [T ] [T ] [T ] = = cos 4 sin 4 p 1 2 p2 1 2 2 sin 4 cos 4 p 1 2 2 p 1 2 2 S(v) = 2p S(x. y) = p 7 2 x 10 p 2 y. y) = v (x. 2) (1. 2) (1. y) [R] = [S] [T ] [R] = [R] = 4 3 5 5 4 3 5 5 p 7 10 p2 1 10 2 1 2 p2 1 2 2 p 1 10 2 p 7 10 2 p 1 2 2 p 1 2 2 p R(x. [T ] matrizes de T em relação as bases e respectivamente. y) = 2 S(x. 2) 3x 4y 4x + 3y . y) (1. 2) (1.2.

se existe uma matriz P inversível tal que A = P BP 1 então dizemos que as matrizes A e B são semelhantes.3 Operadores autoadjuntos e ortogonais uma base De…nição 178 Seja V um espaço vetorial com produto interno. x sin + y cos . a rotação de um ângulo em torno do eixo z: T (x. 112 . Observação 177 Se A e B são semelhantes então detA = detB. 4. 2x + 5y): A matriz de T é 2 2 [T ] = 2 5 Como a matriz de T é simétrica.Chamando [I] = A : [T ] = A [T ] A 1 De…nição 176 Dadas as matrizes A e B. y. . ortonormal e T : V ! V um operador linear. Exemplo 181 Consideremos a transformação : R3 ! R3 . T : Rn ! Rn é um operador ortogonal se [T ] (a matriz de T em relação a base canônica) é uma matriz ortogonal. :y) = (2x 2y. i = j 0. i 6= j = fv1 . z) 3 0 05 1 sin cos 0 Como esta é uma matriz ortogonal. v2 . mas não vale a recíproca. Então: a) T é chamado um operador auto-adjunto se [T ] é uma matriz simétrica b) T é chamado um operador ortogonal se [T ] é uma matriz ortogonal Observação 179 Consideraremos aqui apenas os operadores T : Rn ! Rn . vn g é ortonormal se vi vj = Portanto podemos dizer que um operador T : Rn ! Rn é um operador auto-adjunto se [T ] (a matriz de T em relação a base canônica) é uma matriz simétrica. T é um operador ortogonal Exemplo 182 Seja T : R2 ! R2 onde T (x. z) = (x cos A matriz da transformação T é 2 cos [T ] = 4 sin 0 y sin . então T é um operador auto-adjunto. com o produto escalar usual (que é um produto interno no espaço Rn ): Observação 180 Uma base 1.

0) e v = (0. um cisalhamento de fator 3 na direção vertical. Então são equivalentes as seguintes a…rmações a) T é ortogonal b) T preserva o produto escalar. 5. 8v. Seja T a re‡ exão no origem dada por T T (x. vn g é uma base ortonornal então fT (v1 ). w 2 R c) T preserva o módulo. : : : . w 2 Rn Teorema 184 Seja T : Rn ! Rn linear. 2. Se T é um operador auto-adjunto então T (v) w = v T (w). : : : . v2 . isto é. Determine a transformação linear de R2 em R2 que representa uma re‡ exão da reta y = x. 7. A matriz A = : Deter- 2.seguida de uma dilatação de fator 2 na direção ox e. 0. dada por A = G L onde G é a rotação de 3 do em torno do eixo y e L é a rotação de 2 em torno do eixo z. T (v2 ). 1) pertençam ao núcleo de T e que T (1. T (vn )g é uma base ortonornal 4. T (v) T (w) = v w.4 Décima lista de exercícios 1 2 é semelhante à matriz B = 3 2 mine uma matriz P que realiza esta semelhança. 4 0 0 1 1. determine [A] : O operador A é ortogonal? E auto-adjunto? 6. z) : R3 ! R3 = ( x. isto é.Teorema 183 Seja T : Rn ! Rn linear. justi…cando sua escolha. Dê um exemplo para cada um dos casos. isto é. y. De…na operador simétrico e operador ortogonal. se fv1. 8v. Encontre a transformação linear T : R3 ! R3 tal que os vetores u = (1. 0) = (1. Seja A : R3 ! R3 . y.: Determine a matriz de A em relação a base canônica . Usando inversão matricial mostre o seguinte: 113 . 1) 3. Isto é. z) Determine a inversa T 1 da transformação T: 4. jT (v)j = jvj d) T transforma bases ortonornais em bases ortonormais. 1. 1.

z): 11. y. Seja T : Mn ! Mn de…nida por T (N ) = AN N A: Mostre que T não é inversível. 10. x 4y. Sejam T : V ! V é um operador linear e Mostre que det [T ] = det [T ] e bases distintas de V: tal que Ker(T ) = 18. 1. a) Encontre a transformação T do plano no plano que é uma re‡ exão em torno da reta y = 6x: b) Escreva-a em forma matricial. Seja L : R3 ! R3 onde L é a re‡ exão através do plano x + y + z = 0: Encontre L(x. z): 12. Prove que: (a) A k I eB k I são semelhantes. 0)g: (a) Mostre que as matrizes [T ] e [T ] são semelhantes. z) 2 R3 y = 2x z 114 . y. Seja T o operador linear em R3 de…nido por T (x. 15. (b) T é inversível? Se for determine a lei que de…ne T 1 : 16. Veri…que se as matrizes dadas são semelhantes (a) (b) 1 1 2 1 e 1 4 1 3 3 6 1 e 2 1 2 1 0 14. Seja T : R3 ! R3 é a projeção de vetor v no plano x + y + z = 0: Encontre T (x. y. 3x) e considere a base usual do R3 e a base = f(1. 8. No p plano. 0). 1 (b) A e B são semelhantes. z): 13. uma rotação anti-horária de 450 é seguida por uma dilatação de 3: Ache a aplicação A que representa esta transformação do plano. 0. 17. y. 1.(a) A transformação inversa de uma re‡ exão em torno da reta y = x é a re‡ exão em torno da reta y = x: (b) A transformação inversa de uma re‡ exão em torno de um eixo coordenado é a re‡ exão em torno daquele eixo. 1). y. Sejam A e B matrizes semelhantes. Encontre a transformação linear T : R3 ! R3 (x. (1. (1. então A eB 1 são semelhantes. para cada inteiro positivo k: (c) Se A e B são inversíveis. 9. Seja A : R3 ! R3 onde L é a rotação de 2 em torno do eixo z seguida de uma rotação de 3 do em torno do eixo y: Encontre A(x. Seja A é uma matriz de ordem n …xada. z) = (2y+z.

2) ! M (2. ! v 6= 0 . isto é. procuramos um vetor v 2 V e um escalar 2 R tais que T (v) = v: Neste caso T (v) será um vetor de mesma direção que v: Por vetor de mesma direção estaremos entendendo ! vetores sobre a mesma reta suporte. Justi…que sua resposta. SUGESTÕES 15) Utilize as matrizes mudança de base 16) Sugestão: Mostre que T não é injetora.5 Autovalores e Autovetores Dado um operador linear T : V ! V. O operador linear T (x. y) = ( 23 x 2 y. z) = ( 2 2x 2 2z. 2) um operador linear tal que T (A) = A + AT : Veri…que se o operador T é inversível. embora v não possa ser o vetor nulo. onde k é uma constante Neste caso todo vetor de V é um autovetor associado ao autovalor Exemplo 187 T : R2 ! R2 (Re‡exão no eixo x) T (x. y. y) = (x. Como v = 0 satisfaz a equação para todo ! . (b) Calcule a inversa T 1 do operador T 22. é um autovalor de T e v é um autovetor de T associado a : Observe que pode ser o número 0. 2 2x 2 2z) é a rotação de um ângulo em torno do eixo y.3 1 1 19. um operador linear. 0) = v: Os vetores que estão no eixo y também são levados em múltiplos 115 =k . y) Neste caso observamos que os vetores que serão levados em múltiplos dele mesmo serão os vetores que estão no eixo x. 0) = (x. Exemplo 186 T : V ! V dado por T (v) = kv. pois v = (x. estaremos interessados em determinar vetores v 6= 0 satisfazendo a condição acima. Se existirem v 2 V. De…nição 185 Seja T : V ! V . Seja T : M (2. estamos interessados em saber quais vetores são levados em um múltiplo de si mesmo. Seja o operador T : P3 ! P3 de…nido por T (p) = x3 p( x ) : p p (a) Mostre T é inversível. y. 2 x + 2 y) é uma transformação auto-adjunta ou ortogonal. 0) ) T (v) = T (x. e 2 R tais que T (v) = v. Determine o valor do ângulo : 1 21. p p p p 1 1 1 1 20. Determine se a transformação T (x. 4.

v 6= 0 : 116 . de ordem n. y) são autovetores associados a 2 = 1. qualquer vetor w = v ( 6= 0) também é um autovetor de T associado a : Observação 190 Note que se um vetor v é autovetor de uma transformação T associado ao autovalor então todos os múltiplos de v também serão autovetores associados a : O Conjunto formado por todos os autovetores associados a um mesmo autovalor é um conjunto in…nito. Teorema 191 Seja T : Rn ! Rn um operador auto-adjunto e 1 . Assim. Teorema 189 Dada uma transformação linear T : V ! V e um autovetor v associado a um autovalor . Então v1 é perpendicular a v2 : De…nição 192 O subespaço V = fv 2 V associado ao autovalor : T (v) = vg é chamado o subespaço Como vimos na nota acima o conjunto V contém todos os autovetores de ! T associados ao autovalor . x) 2) Observe que na rotação de 2 nenhum vetor é levado em um múltiplo de si mesmo. 2 autovalores distintos de T e v1 e v2 os autovetores associados a 1 e 2 . 0) são autovetores associados ao autovalor 1 = 1 e os vetores da forma w = (0. e um autovetor v 2 Rn . a direção de todos vetores de R2 são alterados pela rotação.de si mesmo pois estes vetores tem a forma w = (0. contém também o vetor nulo 0 de V já que o ! ! ! vetor 0 satifaz a relação T ( 0 ) = 0 : O conjunto V o pode ser escrito como V n! = fTodos os autovetores de T associados a g [ 0 : 4. y): Podemos concluir então que os vetores do tipo v = (x. associada a matriz A em relação a base canônica de Rn . y) ) T (w) = T (0. são ! soluções da equação A v = v. da tranformação linear re‡exão no eixo x: Exemplo 188 R 2 : R2 ! R2 (Rotação de um ângulo R 2 (x.1 Autovalores e autovetores de uma matriz Agora vamos obter uma forma de calcular os autovalores e autovetores de uma transformação usando sua matriz em relação as bases canônicas. y) = ( y.5. A. estaremos entendendo por autovalor e autovetor de A o autovalor e autovetor da transformação TA : Rn ! Rn . um autovalor 2 R de A. Portanto a rotação de um ângulo 2 não possui autovetores e autovalores. y) = 1(0. Inicialmente de…niremos autovalores e autovetores de uma matriz A: Dada uma matriz quadrada. y) = (0. isto é TA (v) = A v (na forma coluna). respectivamente.

. . . . . outras soluções não triviais). am1 am2 :::::::: amn Fazendo 6 6 B=6 4 2 a11 a21 . x3 e Para encontrar os autovalores e autovetores de A. amn 6 6 v=6 4 x1 x2 .4. . . a única maneira de encontrarmos autovetores v ! (soluções não nulas da equação B v = 0 ) é termos det B = 0. . det(A I) = 0 Impondo esta condição determinamos primeiramente os autovalores que satisfazem a equação e depois os autovetores a eles associados. am1 a12 a22 am2 :::::::: :::::::: :::::::: x1 x2 . . queremos encontrar vetores v 6= 0 que ! ! satisfaçam a equação B v = 0 : Sendo assim queremos que o sistema B v = 0 seja compatível e indeterminado ( tenha além da solução trivial. 0 amn temos o sistema ! B v= 0 ! Este sistema é um sistema homogêneo e possui ao menos a solução v = 0 : Mas ! como estamos procurando autovetores. . Assim. .5. . . .temos 2 a11 a12 :::::::: a1n 6 a21 a22 :::::::: a2n 6 6 . x3 a1n a2n . devemos resolver a equação: Av Av Iv I)v = v = Iv ! = 0 ! = 0 32 76 76 76 54 3 2 3 7 7 7 5 Av (A Escrevendo esta equação explicitamente. . Pela regra de Cramer se det B = 0 então o sistema homogêneo terá in…nitas soluções. 7 6 7 6 7=6 5 4 3 7 7 7 5 0 0 . . 2 3 7 7 7 5 2 3 7 7 7 5 Seja a matriz 6 6 A=6 4 a11 a21 . ou seja. Observamos que 117 .2 Polinômio Característico. 4 . . . am1 a12 a22 am2 :::::::: :::::::: :::::::: a1n a2n .

p( ) = det(A I) = a11 a21 . amn é um polinômio em de grau n: I) é chamado polinômio carac- De…nição 193 O polinômio p( ) = det(A terístico da matriz A Observe que as raízes do polinômio característico são os autovalores da matriz A: Note também que o autovalor pode ser o número zero (quando o polinômio característico tem raízes zero). . . Exemplo 194 Vamos agora calcular os autovetores e autovalores da matriz A= Solução p( ) = det(A 2 3 1 3 1 4 2 4 2 I) = det = (2 )( 3 )+4 = + 2 p( ) = 0 ) 2 + 2 = 0 ) 1 = 1 e 2 = 2: Necessitamos calcular os autovetores de A e para isso basta resolvermos o sistema: Av = v onde v = Para 1 x e é cada um dos autovalores já encontrados. am1 a12 a22 am2 :::::::: :::::::: :::::::: a1n a2n . y = 1 temos 3 1 3 1 1 2 4 1 4 1 4 1 4 2 x y x y x y = = = 1 0 0 0 0 x y Temos um sistema homogêneo cuja matriz ampliada é 4 4 j 0 1 1 j 0 escalonando ) 4 0 4 j 0 0 j 0 4x + 4y = 0 ) y = x 118 . embora o autovetor v associado a / não possa ser o vetor nulo. . .

x ) = x(1. 1) e assim podemos concluir que o subespaço associado ao autovalor 1 = 1 é V1 = [(1.Portando os autovalores associados ao autovalor 1 = 1 são da forma v = (x. x) = x(1. 1)] : Para 1 = 2 temos 3 1 3 ( 2) 1 2 4 2 x y x y x y = = = 2 0 0 0 0 x y 4 ( 2) 1 1 4 4 Temos um sistema homogêneo cuja matriz ampliada é 1 4 j 0 1 4 j 0 escalonando ) x + 4y = 0 ) y = 1 0 4 j 0 0 j 0 x 4 Portando os autovalores associados ao autovalor 1 = 2 são da forma v = (x. 1 ) : 4 Exemplo 195 Encontre os autovalores e autovetores da transformação linear que a cada vetor v 2 R3 associa a sua projeção ortogonal no plano x + y z = 0: Solução: Devemos encontrar a transformação linear T : R3 ! R3 tal que T (v) = projeção de v no plano x + y z = 0: 119 . 1 ) e assim podemos concluir que o subespaço associado ao auto4 4 valor 2 = 2 é V 2 = (1.

1). y. z) = projn v v n n = n n (x. 1) (1. 1. como v = (x. 3 3 3 2x y + z x + 2y + z x + y + 2z .Da …gura acima vemos que para obtermos a projeção sobre o plano devemos inicialmente fazer a projeção do vetor v na direção do vetor normal n para obter o vetor p = projn v:Com isso temos. T (v) + p = v T (v) = v T (v) = v Um vetor normal do plano x+ y temos p p p p p p projn v z = 0 é n = (1. . z) = (x. 1. = 3 3 3 T (v) = v p x+y z x+y z x+y . y. 1. 1. 1) (1. y. y. 1) 3 x+y z x+y z x+y z . 1) x+y z = (1. z) = Para calcular os autovalores de T devemos encontrar a matriz de T: Neste caso. y. z) (1. 3 3 3 z T (x. 1) = (1. 1. . 3 2 2 1 1 6 6 [T ] = 6 6 4 3 3 2 3 1 3 3 1 3 1 3 1 3 2 3 p( ) = det([T ] 1 3 1 3 1 3 2 3 1 3 I) = 0 1 3 1 3 2 3 7 7 7 7 5 6 6 det 6 6 4 22 3 3 7 7 7=0 7 5 120 . . logo. 1. z) T (x.

)]. 1) temos que V0 = [( 1. 1) assim um autovetor é v = ( 1. o subespaço associado ao autovalor 1 = 0 é gerado pelo vetor v = ( 1. 1. isto é. Para sistema. 1): Note que geometricamente o subespaço V0 = [( 1. 1)] é formado pelos vetores que são múltiplos do vetor normal ao plano. z) = 0 são da forma v = Observação 196 Note que acima damos a forma geral dos autovetores.p( ) = 3 +2 2 =0 cuja matriz ampliada é. 1) como todo autovetor é um múltiplo de v = ( 1. z. 1. no caso acima temos v = x( 1. por todos os vetores ortogonais ao plano. 1. 1 = 1 temos vamos calular os autovalores associados resolvendo o 2 4 2 3 1 1 3 1 3 2 3 1 3 1 3 1 3 1 3 1 1 3 1 3 1 3 1 3 2 3 1 3 1 3 2 4 3 x 54 y 5 = z 1 32 3 1 x 3 1 54 y 5 = 3 1 z 3 121 32 2 3 0 4 0 5 0 2 3 0 4 0 5 0 . 2 2 32 3 2 3 1 1 x 0 3 3 3 2 1 54 4 1 y 5=4 0 5 3 3 3 1 1 2 z 0 3 3 3 3 2 2 j 0 escalonando 4 3 j 0 5 0 =) 0 j 0 2 3x 1 2y 1 3y 1 3 1 2 1 3 1 2 0 0 3 j 0 j 0 5 j 0 + 1z = 0 3 + =0 1 2z 2x y+z =0 y+z =0 y = x = z z 1 Portanto os autovalores associados ao autovalor ( z. 1. 1. ou seja. 2 2 1 1 4 3 1 3 1 3 3 2 3 1 3 3 1 3 2 3 As raizes de p( ) são 1 = 2 = 0 e 3 = 1: Para 1 = 0 vamos calcular os autovalores associados resolvendo o sistema. 1.

0. Solução: A matriz que representa o 2 0 [T ] = 41 1 operador T é dada por: 3 0 2 2 15 0 3 Para encontrar os autovetores resolver ([T ] I)v = 0. 1)] : Note que geometricamente os autovetores da forma v = x(1. x) = x(1. 0. isto é. 1) temos v n = (1. 2 32 3 2 3 0 0 2 a 0 4 1 2 1 5 4 b 5 = 405 1 0 3 c 0 det([T ] I) = (2 )(3 ) + 2(2 )=0 Para obtermos uma solução não nula para este sistema devemos impor: Obtemos então os autovalores 1 = 1 e 2 = 3 = 2: Vamos agora encontrar os autovetores associados aos autovalores 1 = 1 e = 3 = 2: 2 Para 1 = 1 2 32 3 2 3 2 32 3 2 3 1 0 2 a 1 0 2 a 0 0 4 1 1 1 5 4 b 5 = 405 Escalonando 4 0 1 15 4 b 5 = 405 ) ! = ( 2c. Exemplo 197 Encontre todos os autovalores e autovetores do operador linear T : P2 ! P2 de…nido por T (a + bx + cx2 ) = 2c + (a + 2b + c)x + (a + 3c)x2 . 1) ( 1. c) p ) 1 0 2 c 0 0 0 0 c 0 122 . c. 0. 0. 1) são aqueles vetores que estão sobre o plano ( pois para v = (1.2 2 4 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 4 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 1 3 3 5 2 1 3 1 3 5 escalonando 4 0 =) 0 1 3x 1 3y 1 0 0 5 0 1 3 3 + 1z = 0 3 y=0 0 x y+z =0 y=0 y z = 0 = x Portanto os autovalores associados ao autovalor 3 = 1 são da forma v = (x. 0. 0. 1): Logo V1 = [(1. 1. 1) = 0).

c) p ) 1 0 1 c 0 0 0 0 c 0 Portanto ! = c + bx + cx2 é autovetor associado a p 1 = 2: 4. y) = (x + y. tal que T tenha autovalores 2 e 3 associados aos autovetores (3y. b. y) respectivamente. Encontre os autovalores de A9 se 2 1 3 6 0 1 2 A=6 4 0 0 0 0 3 11 8 7 7 4 5 2 7 3 0 0 4. Encontre os 2 1 a) A = 4 0 0 autovalores e autovetores correspondentes 2 3 2 3 2 3 1 0 2 6 1 2 5 b) A = 4 1 0 1 5 c) A = 6 4 0 1 1 1 2 das matrizes 2 0 12 0 0 2 0 1 3 1 0 0 1 7 7: 3 0 5 0 0 7. y) = (y 3x. um autovalor da matriz A e v um autovetor de A associado ao autovetor : Mostre que k é um autovalor da matriz Ak associado ao autovetor v: 3. y) = (2y. x) (b) T : R2 ! R2 tal que T (x. Encontre a transformação linear T : R2 ! R2 . y. 2) tal que A ! AT 5. Seja T : V ! V linear 123 . y) e ( 2y. x 2 2 y + 2z. 2x + y z) (d) T : P2 ! P2 tal que T (ax + bx + c) = ax + cx + b (e) T : M (2. Construa uma matriz 2x2 não diagonal com autovalores 1 e 2. 6. 2x + y) (c) T : R3 ! R3 tal que T (x. 2) ! M (2. quando cisalhados por C(x. z) = (x + y.6 Décima primeira lista de exercícios 1 : 1. ! = 2c + cx + cx2 é autovetor associado a 1 = 1 p Para 1 = 1 ) 2 32 3 2 3 2 32 3 2 3 2 0 2 a 0 2 0 2 a 0 4 1 0 1 5 4 b 5 = 405 Escalonando 4 0 0 0 5 4 b 5 = 405 ) ! = (c.Portanto. Que vetores não nulos do plano. Se k é um número inteiro. y) e em seguida girados de 45o (no sentido anti-horário) …cam ampliados / reduzidos (na mesma direção) ? Em quantas vezes ? 8. Encontre os autovalores e autovetores das transformações lineares dadas: (a) T : R2 ! R2 tal que T (x.

Determine T c d = 1. seguida de uma contração de 1 : 2 10. 7 . 2) ! M (2. v2 . Seja o operador linear D : P1 ! P1 dado por D(p) = x:p0 + p0 . 3 . v2 . mostre que T não é injetora. autovalor de T ? (c) Quais são os autovalores e autovetores do operador derivação D : P2 ! P2 . determinar [T (v)] : 4 . 2) com autovetores v1 = v3 = 3 1 0 0 0 . = 0 é (b) A recíproca é verdadeira? Ou seja. D(p) = p0 : 9. portanto. (1. então as duas matrizes tem o mesmo polinômio característico e. vn g e que [v] = 6 . Seja A uma matriz quadrada e AT sua transposta. 1). Sejam A e B matrizes n n: Se B é semelhante a A. do operador linear T : R3 ! R3 obtido quando se faz uma rotação de rad em torno do eixo x. As matrizes A e AT possuem os mesmos autovalores e autovetores? Justi…que sua resposta. . Determine os autovalores e autovetores. Seja T : <2 ! <2 um operador linear que dobra o comprimento do vetor (1. y) (b) Calcule T (0. 5 . Encontre os autovalores e autovetores da transformação linear que a cada vetor v 2 R3 associa a sua projeção ortogonal no plano x + y = 0: 13. 12. 2) (c) Qual a matriz do operador T na base f(2. 1): (a) Determine T (x. n = n associados aos autovetores v1 . 0 1. n 11. .(a) Se = 0 é autovalor de T . 0 associados aos autovalores 1 a b = 0. respectivamente. 2 = 2. os mesmos autovalores. Considere P1 = conjunto dos polinômios de grau 1. 2 = : 16. v2 = 0 0 1 1 . Encontre os autovalores e autovetores da transformação T: 2 17. Seja T : M (2. Seja T : V ! V o operador linear que tem autovalores 1 = 1. 3) e triplica e muda o sentido do vetor (3. Dada a transformação linear T : <2 ! <2 que é a projeção sobre a reta y = x . 2)g 15.Determine os autovalores e autovetores de D: 124 . 1 0 0 e v4 = 1 0 1 4 = 2. vn respectivamente. 2 1 6 2 7 6 7 Sabendo que = fv1 . se existirem. se T não é injetora. 14.

Discuta a veracidade da a…rmação: Se não é um autovalor de A. Sejam A. B 2 M (n. basta determinar as raízes do polinômio p( ) = det(AT I): Portanto basta veri…car que det(AT I) = det(A I): 125 .18. basta determinar as raízes do polinômio p( ) = det(A I):Para calcular os autovalores de AT . n) matrizes triangulares com a mesma diagonal principal. Existe alguma relação entre seus autovalores? Qual? 19. Mostre que o conjunto de todos os autovetores de um operador linear T : V ! V associados a um autovalor é um subespaço vetorial de V: 20. Se B = R 1 AR e ! é um autovetor de B associado a um autovalor v então R! é autovetor de A associado a : v 21. então o sistema linear (A I)v = 0 só tem a solução trivial. ALGUMAS RESPOSTAS 10) Para calcular os autovalores de A.

longitude.Capítulo 5 APLICAÇÕES 5. a Álgebra Linear. altitude. freqüências de operações do satélite de GPS. Trata-se do estudo da aplicação de uma disciplina do curso básico. latitude. Sendo a resolução de sistemas de equações lineares um dos campos de estudo da Álgebra Linear. ângulos e/ou direções ) a um determinado modelo geométrico. para obter informações relativas a parâmetros de correção e ajuste de dados obtidos em observações e pesquisas. A Álgebra Linear também tem aplicações na Fotogrametria. no ciclo pro…ssional. no caso. além de permiti-los conhecer um pouco o trabalho em uma das engenharias estudadas no Instituto. tais como temperatura. para a transformação de coordenadas ( espaço imagem para espaço objeto. que seriam as 126 . um sistema de n equações lineares. As coordenadas também podem ser obtidas a partir da observação da diferença de fase da portadora L1 e/ou L2. Para este método os dados obtidos são organizados matricialmente. resultando um sistema com milhares de equações. seja por fotogra…as ou por qualquer outro meio. visando assim a multidisciplinalidade no curso de Engenharia. dar uma noção da utilidade prática dos assuntos vistos no ciclo básico. Na Geodésia. onde esse n pode assumir valores realmente grandes. as coordenadas de um ponto podem ser obtidas na resolução de um sistema obtido pela sujeição de dados obtidos de observações angulares ( tais como azimutes. obtidos seha por satélites (GPS). Obtem-se. onde ajustes e organização de dados. o método dos mínimos quadrados. de forma que possam ser relacionados com valores pré-estabelecidos. desta forma.1 Aplicações da Álgebra Linear na Engenharia Cartográ…ca Esse trabalho tem como um de seus objetivos. na Engenharia Cartográ…ca. por exemplo. se fazem constantes no trabalho de um engenheiro cartógrafo. entre outros. O engenheiro cartógrafo dispõe de um método.

como sistemas de equações lineares e operações com matrizes. yi . terão coordenadas xi . Dessa forma todos os vértices Pi . Na digitalização de documentos. Dentre todos os tipos de perspectivas a que apresenta resultados grá…co mais interessantess é a perspectiva cônica. O efeito de curvatura pode ser obtido aumentando-se o número de vértices e arestas (re…namento). obtém-se um poliedro cujos vértices são os pontos e cujas arestas são os segmentos de retas. zi . yi e zi e de um conjunto de parâmetros.além das noções de objeto. zi ) no espaço determina-se um ponto P i (xi . após ser processado. a perspectiva cônica utiliza . determinando-se dai as coordenadas x. no plano. 5. Também na área de Sensoreamento Remoto. yi . y i ) = f (xi . etc é a representação grá…ca. ou na modi…cação ou no controle de imagens ( brilho constante e georeferenciamento ) ou ainda no armazenamento da imagem na forma matricial. utilzam-se tópicos abordados pela Álgebra Linear. Caracterizando o Objeto: Inicialmente deve-se informar ao computador as características geométricas do objeto. de elementos tridimensionais.um ponto origem ou observador. y e z dos pontos que o formam. y i ) no plano tal que suas coordenadas xi e y i são funções de xi . e as arestas akj ligarão dois vértices genéricos Pk e Pj : De um modo geral.2 Aplicações de espaços vetoriais na computação grá…ca Autor: Luiz Antônio Pereira Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982 Introdução: Uma das aplicações interessantes em computadores e com vasta possibilidade de emprego nas áreas de engenharia civil. apresentaremos. mecânica. obtidas através de um sistema deduzido através de observações nas fotogra…as e no terreno). por exemplo. arquitetura. através de segmentos de retas pontos do plano cujas coordenadas x e y são "transformações"das coordenadas x. Deve-se estabelecer também as ligações entre esses pontos com o uso de segmentos de retas. desenho industrial.coordenadas de terreno. posto que que é a que simula com maior perfeição a visão real do objeto. y e z dos pontos do espaço. U ) Como se sabe. um mapa em papel. isto é possível referenciado-se o elemento a um sistema cartesiano de coordenadas. seja para o processamento digital de imagens. plano projetante e linha de visada . a seguir. que chamaremos de de parâmetros de localização do observador e do plano projetante e que indicaremos por U: Matematicamente (xi . o desenvolvimento da teoria matemática e veremos que a ferramenta pricipal é a teoria das tranformações lineares. Com isso. desenhar uma perspectiva consiste em ligar. Mais explicitamente falando para cada ponto Pi (xi . de ondem 127 . yi e zi . dá origem a um mapa digital armazenado na forma vetorial ( lista de coordenadas ).

Para chegarmos às expressões que fornecem x e y de cada ponto vamos estabelecer as seguintes convenções: 1. p 2 2 Fazendo A = x2 + yv + zv . Os n vértices do objeto e suas projeções são representadas por P1 a Pn e P 1 a P n . a projeção de um objeto é determinada pelas projeções de todos os seus pontos. yv . A tela representa a área formada por um retângulo de lados L1 e L2 unidades de comprimento. O observador V tem coordenadas (xv . respectivamente. A projeção P do ponto P no plano é a interseção da reta de…nida pelo observador V e pelo ponto P (visada) com o plano projetante : A projeção de uma reta é obtida unindo-se as projeções de dois de seus pontos (Fig 1) e. e negativa se a origem estiver entre o plano e o o observador. 3. No noso caso. zv ) 2. y. 5. O plano desse retângulo é perpendicular à linha que une o observador à origem do sistema x. O lado L1 ( maior lado) do retângulo é paralelo ao plano z = 0: 6.Figura 5. 4. O sistema xyz de coordenadas. bem comom os outros parâmetros se apresentam como mostra a Fig 2. z de coordenadas. e se A 6= 0 podemos obter a equação do plano v projetante (segundo as convenções adotadas) da seguinte forma: Da fórmula da 128 .1: Figura 1 partem as linhas de visada e que se localiza à uma distância …nita do objeto e do plano projetante. A distância R do plano projetante à origem do sistema de eixos è considerada positiva se o plano se encontra do mesmo lado do observador em relaçã à origem. de uma maneira geral. o plano projetante é a tela do computador.

) ( é o plano projetante) temos que R pode ser positivo ou negativo e por isso dispensamos o módulo na fómula da distância. 0. yv . c) é o vetor normal ao plano. yv .2) . b. zi ) a equação paramétrica da reta que o liga ao ponto V (xv . zv ): Chamando R = n d(P0 . R= d= xv 0 + yv 0 + zv 0 + d p 2 2 x2 + yv + zv v p 2 2 R x2 + yv + zv = RA v é: RA = 0 (5. zv ) é x = t(xi y = t(yi z = t(zi 129 xv ) + xv yv ) + yv zv ) + zv (5. n No nosso caso temos que P0 (0. 0) e ! = (xv .1) Portanto a equação do plano projetante xv x + yv y + zv z Para cada ponto Pi (xi .Figura 5.2: Figura 2 distância de ponto a plano temos d( . y0 . P0 ) = jax0 + by0 + cz0 + dj p a2 + b2 c2 onde P (x0 . z0 ) é o ponto e ! = (a. yi . logo. tomando R escrevemos.

1) do plano.3) RA = 0 zv ) + zv zv RA = 0 A2 zv )] + A2 zv )] = RA e dai tiramos o valor do parâmetro t : t= RA A2 xv ) + yv (yi yv ) + zv (zi (5.4) e (5. xi . Nessa fase estamos exatamente como a Fig 3. yv e zv conhecidos. ou seja: xv [t(xi txv (xi xv ) + xv ] + yv [t(yi xv ) + xv xv + tyv (yi t [xv (xi t [xv (xi xv ) + yv (yi xv ) + yv (yi yv ) + yv ] + zv [t(zi yv ) + yv yv + tzv (zi yv ) + zv (zi yv ) + zv (zi z v ) + zv ] RA = 0 (5.Para determinarmos a interseção entre a reta e o plano projetante colocamos os valores de (5. e usando novamente as equações (5.2) na equação (5.4) xv (xi zv ) Com t. xv .2) com xi = yi = zi = 0. vem 130 . yi . Figura 3 De (5. zi .2) determinamos as coordenadas x. y e z da projeção do ponto P no plano projetante.

0) .x0 y0 z0 = = = xv R A yv R A zv R A (5.6) cujo grá…co está na Fig 4. 0. xv . j e k no sistema xyz: A interseção do plano projetante com o plano xy é uma reta cuja equação é encontrada fazendo-se z = 0 em (5. 1 1 x2 v ( + 1 1 .8) 1 ( yv . 2 ( RA RA . . (5. Esse sistema nos é particularmente interessante pois o plano xy é o próprio plano projetante. 0) = ( . 0) xv xv yv . devemos determinar as componentes dos vetores unitários ! ! ! i . uma transformação de coordenandas.2). RA . 0) w yv . O que nos resta a fazer é. ( RA RA RA . (5. . xv yv . Isso nos leva a: y= RA yv xv x (5. ou seja.5) que são as coordenadas da origem do sistema xyz (…g 5. O vetor diretor dessa reta tem componentes dadas por: ! = (0.7) ! o vetor i é um vetor unitário e portanto ! 1 i = !! w jwj ! i = ! i = ! i = r q p 1 RA xv 2 + 1 2 yv RA yv . portanto. 0) 2 x2 + yv v ! ! O vetor unitário k tem sua determinação imediata pois é o versor do vetor 00 131 .1). determinar as coordenandas dos pontos projeções em relação ao novo sistema xyz: Para isso. 0) xv yv .

x2 v 3 + 2 yv ) 1 . k . j .k 1 p 2 A x2 + yv v 07 5 ! k zv 3 A (5. [I] Esta matriz nos = n! ! !o i . (xv . 0) . 0). j. . j . x2 + yv v (5. k para a base = i . yv . zv yv .11) = Portanto 1 1 p ( yv . o vetor unitário j é dado por j = k i. 1)g = ( ! ! ! i. zv ) A 2 p yv 2 x2 +yv v xv 2 x2 +yv v zv yv p 2 2 xv +yv xv A p e as coordenadas do novo sistema são 132 7 x2 +y 2 pv 2 v 2 7 5 xv +yv zv A 0 . A .9) A ! ! Observe que o vetor k é exatamente o versor do vetor V = (xv . xv . A A A = 1 (xv . (0.10) 2 zv xv . yv . j . k = f(1. p 2 2 x2 + yv A x2 + yv v v 6 [I] = 6 p zv xv 4 x2 +y2 xv A v v zv xv . Essa translação deverá apenas anular o vlaor da componente em o que não importa para nós já que estamos interessados nas componentes x e y apenas. (0. O que temos que fazer agora é determinar a matriz mudança de base da base n! ! !o ! ! ! = i . A xv R yv R zv R . 0).(ver Fig 2 e equação 5. yv .5) ! k = ! k ! 00 ! = 00 p x2 v 1 xv R yv R zv R A . 1. 0. ou seja. zv yv . zv ) (5. yv . zv ) 2 2 + y v + zv 1 (xv . ou seja ! j = ! j = xv A 6 p yv 2 det 4 x2 +yv v ! k = 2 ! i yv A xv p 2 2 xv +yv ! j permitira O sistema de…nido por es vetores unitários não é propriamente o nosso sitema xyz e sim ele a menos de uma translação (Fig 5). zv ) : ! ! ! ! Como nosso sistema é ortogonal. 0.

com. UERJ.3 5. de forma a se analisar modelos estruturais de pórticos de aço correspondentes a uma edi…cação residencial existente. No trabalho original também é fornecido um programa para a HP-45 onde é aplicada toda a teoria vista acima. grande parte dessas ligações é representada por modelos ‡ exíveis ou rígidos. referentes a estruturas de aço. Rio de Janeiro.3. N0 524.jgss@uerj. Faculdade de Engenharia.br Pedro Colmar G. qualitativas e quantitativas. Lopes . na maioria dos casos reais. existentes entre as freqüências naturais e os modos de vibração 133 . Todavia. diz respeito ao estudo da in‡ uência das ligações entre as vigas e colunas.vellasco@uerj. RJ Resumo: O presente trabalho apresenta uma contribuição inicial acerca de dois aspectos: o primeiro diz respeito ao ensino de engenharia. São investigadas as diferenças. Maracanã CEP: 20550-900. Vellasco .1 Aplicações de autovalores e autovetores na engenharia civil O Problema de autovalor na avaliação de modelos estruturais de edi…cações Trabalho apresenta no COBENGE 2003 por José Guilherme Santos da Silva .lopes021@ig. FEN Rua São Francisco Xavier. da S. este trabalho tem por objetivo empregar conceitos básicos de álgebra linear.br Universidade do Estado do Rio de Janeiro.rita. essas ligações assumem um comportamento intermediário. ou seja: semirígido.br Rita de Kassia D.[v] = [I] [v] 2 3 p 2yv 2 x 6 xv +yv 4y 5 = 6 p zv xv 4 x2 +y2 v v z xv A 2 xv 2 x2 +yv v zv yv p 2 2 xv +yv xv A p 0 p 2 x2 +yv v 2 +y 2 xv v zv 3 A Observação 198 Algumas mudanças de notações foram efetuadas em relação ao trabalho original. mas não é di…cil fazer um código de modo a gerar …guras em 3d utilizando a teoria vista acima 2 3 7 x 7 4y 5 5 z 5. Também foram inseridos alguns conceitos matemáticos que o artigo original não fornece mas que para nossa disciplina mostra bem a utilização dos conceitos vistos e sua aplicação prática. a partir do problema clássico de autovalores e autovetores. Assim sendo. com a aplicação de conceitos referentes ao problema clássico de autovalores e autovetores na avaliação de sistemas estruturais. Na prática corrente de projeto. O segundo ponto relevante a ser discutido.

de forma a contribuir no que tange ao ensino de engenharia. como tratado no ciclo básico da engenharia. Método dos Elementos Finitos. Em seguida. uma absoluta falta de conhecimento por parte dos alunos de graduação acerca da importância do tema e. INTRODUÇÃO Sabe-se que o dé…cit habitacional brasileiro cresce a cada ano. essas ligações assumem um comportamento intermediário. a grande maioria dessas ligações é representada por modelos ‡ exíveis ou rígidos. Resultados já obtidos indicam que a variação na rigidez inicial das ligações provoca mudanças sensíveis no comportamento dinâmico da estrutura. uma completa indiferença em relação ao assunto. Neste sentido. Uma das etapas relevantes no projeto de estruturas de aço está relacionada a uma avaliação coerente acerca dos modelos estruturais que representam o comportamento real das ligações existentes entre as vigas e as colunas de aço. composto por vigas e colunas de aço e lajes lisas de concreto armado. ou semi-rígido.dentre os diversos modelos estruturais (‡ exível. com clareza. infelizmente. de forma a que os alunos de graduação pudessem ter uma idéia básica da aplicação prática desses conceitos. o aço. nas famílias de baixo poder aquisitivo. principalmente. mais especi…camente no que diz respeito à aplicação do problema clássico de autovalores para determinação e avaliação das freqüências naturais (autovalores) e modos de vibração (autovetores) de edi…cações residenciais. além de reforçar a importância dos conceitos básicos da disciplina de Álgebra Linear para a solução 134 . tais como: resistência à ‡ exão e capacidade de rotação. como também desmisti…car o emprego corrente dos conceitos teóricos. Neste sentido. observase. semi-rígido e rígido). no caso em questão com respeito ao projeto de edi…cações residenciais. assunto que será abordado com mais detalhe no presente trabalho. principalmente aqueles relacionados ao problema de autovalores. é selecionado o projeto de uma edi…cação residencial de quatro pavimentos. Estruturas de aço. faz-se uma exposição resumida do referido problema. Na prática corrente de projeto. Palavras-chave: Ensino de engenharia. perspectivas mais otimistas para a habitação popular no país. como material estrutural é adequado para a construção industrializada e pode proporcionar à construção civil. na maior parte dos casos. Todavia. Um outro ponto relevante do trabalho diz respeito ao estudo da in‡ uência das ligações entre as vigas e colunas dos pórticos de aço. o presente trabalho tem por objetivo apresentar uma aplicação prática do problema clássico de autovalores e autovetores. 1. No que tange ao estudo do comportamento dinâmico de estruturas. o qual pode ser perfeitamente caracterizado com base em determinadas grandezas associadas ao projeto de uma ligação. Assim sendo. e de como o mesmo poderia ser mencionado. em todos os níveis da edi…cação. de forma que existe uma demanda crescente por estudos sobre as habitações populares. Tem-se como objetivo proceder a uma análise extensa das freqüências naturais (autovalores) e modos de vibração (autovetores) dos modelos referentes aos pórticos de aço da referida edi…cação. Autovetores. Autovalores. concentrandose o problema.

e somente se. 2.12) Todo vetor não-nulo que satisfaça a “equação 5. Obs: Nos cursos de engenharia geralmente utilizamos como corpo | o corpo dos números reais. oferecida correntemente aos alunos de graduação no ciclo básico da Faculdade de Engenharia da UERJ. Além disso. Denomina-se autovalor o escalar real pertencente a | ( 2 |) se. corpo. para esta transformação linear T . ou seja. Portanto. Ressalta-se que esses elementos têm o mesmo signi…cado das grandezas conhecidas usualmente pelo engenheiro. A = é verdadeiro. principalmente no que tange a utilização de operações matriciais. O ensino da disciplina Álgebra Linear não oferece nenhuma interação com o ciclo pro…ssional da engenharia e nenhum tipo de recomendação no que diz respeito a sua extrema relevância na aplicação prática desses conceitos sobre os problemas reais de engenharia. A contribuição mais relevante deste trabalho de pesquisa é caracterizar que o ensino do problema de autovalor como feito no ciclo básico da engenharia. em nenhum momento existe um indicativo de onde e como o aluno de graduação. O CICLO BÁSICO NA ENGENHARIA E O PROBLEMA DE AUTOVALOR O problema clássico de autovalores e autovetores. deve utilizar esses conceitos. a didática de ensino adotada nas disciplinas do ciclo básico sobre o problema clássico de autovalores e autovetores é baseada em métodos estritamente conceituais e matemáticos. espaço vetorial. LIPSCHUTZ (1977).12” é chamado autovetor de T correspondente ao autovalor . Não há relação alguma entre os termos especí…cos (tais como. para uma matriz coluna vn 1 . Tal metodologia é apresentada a seguir.).12” de modo que ( I A) = 0. como também ocasiona um aprendizado de baixa qualidade. Tal fato não só desestimula o aluno de graduação em engenharia. NETTO e ADÃO (1995). sendo A uma matriz quadrada de ordem nxnsobre um corpo |. Senão vejamos: Seja T uma transformação linear em um espaço vetorial real V aplicada a um corpo |. det(A I) = 0: A expressão det(A I) = 0 é denominada equação característica. no nosso caso | = RPara a obtenção dos autovalores. propagando de…ciências técnicas que serão sentidas. denominada autovetor. é absolutamente contrário ao que se deveria informar a um futuro engenheiro. onde I é a matriz identidade. de acordo com o exposto acima. extremamente relevantes para a vida prática de um pro…ssional da área. utilizados no ensino da disciplina de Álgebra Linear e as grandezas empregadas correntemente na engenharia.deste tipo de problema. sem sombra de dúvida. no decorrer do curso. SILVA 135 . está diretamente relacionado com o ensino da disciplina Álgebra Linear. reescreve-se a “equação 5. respaldada por uma breve revisão sobre as de…nições de autovalor e autovetor. existe um autovalor se. etc. como visto tradicionalmente na disciplina de Álgebra Linear. Ainda hoje. existe um vetor não-nulo pertencente a V ( 2 V ) para o qual: T (v) = (5. que admitirá v 6= 0 como solução se. FEN/UERJ.

ou autovetor. edifícios altos.14) onde i é o i-ésimo modo de vibração. dando ênfase ao signi…cado físico dessas grandezas. novamente. associar o termo autovalor às freqüências naturais e o termo autovetor aos modos de vibração de um elemento ou sistema estrutural qualquer.15”é comumente designada como equação característica e suas raízes são os valores característicos. vigas. torres de aço de telecomunicações e de transmissão de energia. 136 . plataformas o¤-shore. se det M 1 K $2 I = 0 0i (5. ou autovalores. pode ser escrita uma equação matricial de movimento tal que. estádios de futebol. pontes rodoviárias e ferroviárias. tais como treliças. M é a matriz de massa. Uma sugestão para uma abordagem mais apropriada ao ensino do problema de autovalor para os alunos de graduação em engenharia seria. cujo sistema vibra livremente e sem amortecimento. $2 : A cada uma dessas raízes 0i corresponde um vetor característico. que representa o modo de vibração do referido sistema. Créditos são dados ao autor e o trabalho original pode ser obtido através dos anais do COBENGE 2003 ou me enviando um email solicitando o artigo original que terei a maior satisfação de enviá-lo. passarelas de pedestres. inicialmente. V é o vetor das acelerações e V é o vetor dos deslocamentos. placas. que o problema clássico de autovalores é absolutamente essencial para a compreensão e análise de estruturas simples. pórticos. A “equação 5. A “equação 5. As equações que tornam possível a resolução do problema de autovalor. como também de sistemas estruturais mais complexos.14” é verdadeira. Transcrevemos aqui apenas parte do tgrabalho para ressaltar a aplicação de autovalore e autovetores. ROEHL (1981).15) onde I representa a matriz identidade. com vários graus de liberdade. Senão vejamos: para um sistema estrutural qualquer sob vibração livre não amortecida. são as seguintes: M 1 K $2 I 0i i =0 (5.(2001). Deve-se ressaltar. i . dentre os quais podem ser citados os seguintes: edi…cações residenciais. para qualquer i . e correspondem ao quadrado das freqüências naturais de um sistema estrutural. K é a matriz de rigidez. etc. com i variando de 1 a n. etc. M V + KV = 0 (5. Observação 199 Algumas correções e adaptações a nossa apostila foram necessárias porém não foi alterado o conteúdo.13) onde.

You're Reading a Free Preview

Descarregar
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->