Escolar Documentos
Profissional Documentos
Cultura Documentos
Álgebra Linear
28 de março de 2011
2
Sumário
2 Determinantes 43
2.1 De…nição de determinante . . . . . . . . . . . . . . . . . . . . . 45
2.2 Propriedades do determinante . . . . . . . . . . . . . . . . . . . 47
2.3 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . 51
2.4 Cofatora, adjunta clássica e inversa . . . . . . . . . . . . . . . . 52
2.5 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3 Espaço vetorial 55
3.1 Propriedades adicionais . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 O espaço vetorial das ênuplas ordenadas . . . . . . . . . . . . . 58
3.3 Outros espaços vetoriais relevantes . . . . . . . . . . . . . . . . 59
3
4 SUMÁRIO
4 Transformação linear 89
4.1 Transformação linear e bases . . . . . . . . . . . . . . . . . . . . 91
4.2 Exemplos de transformações lineares . . . . . . . . . . . . . . . 94
4.3 Composição e inversa . . . . . . . . . . . . . . . . . . . . . . . . 96
4.4 Matriz de uma transformação linear . . . . . . . . . . . . . . . . 99
4.5 Matriz da composta e da inversa . . . . . . . . . . . . . . . . . . 101
4.6 Matrizes semelhantes . . . . . . . . . . . . . . . . . . . . . . . . 103
4.7 Núcleo e imagem . . . . . . . . . . . . . . . . . . . . . . . . . . 106
a1 x 1 + a2 x 2 = b
a1 x 1 + a2 x 2 + a3 x 3 = b
a1 x 1 + + an x n = b (1.1)
a1 c 1 + + an cn = b;
diremos que x1 = c1 ; : : : ; xn = cn ou
(x1 ; : : : ; xn ) = (c1 ; : : : ; cn ):
é solução da equação linear (1.1). Ainda, por simplicidade, iremos dizer que
a sequência (c1 ; c2 ; : : : ; cn ) é solução de (1.1).
A equação
0x1 + + 0xn = b
onde todos os coe…cientes são nulos, é chamada de degenerada. Quando
b 6= 0; ela é a única equação linear que não possui solução. Quando b = 0;
toda sequência (c1 ; c2 ; : : : ; cn ) é solução.
x=5 4t + 7c
y=t
z=c
onde os parâmetros t e c que podem assumir qualquer valor real. A cada valor
atribuído a t e a c temos uma solução da equação.
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
podem ter nenhum ou in…nitos pontos em comum. Eles podem ser paralelos
e distintos, paralelos e coincidentes ou a interseção pode ocorrer ao longo de
uma reta que pertence a ambos. Se os planos forem paralelos e distintos, não
existe nenhum terno ordenado (x1 ; x2 ; x3 ) de números reais que satisfaz às
duas equações gerais. Nos outros casos, onde a interseção não é vazia, há uma
in…nidade de pares a satisfazer as duas equações.
(x1 ; : : : ; xn ) = (c1 ; : : : ; cn )
0x1 + + 0xn = b;
x1 + x2 = 1
0x1 + 0x2 = 2
não tem solução pois a segunda equação é degenerada e seu termo constante é
diferente de zero. O sistema
x1 + x2 = 1
x1 + x2 = 2
não possui solução pois a soma x1 + x2 não pode ser ao mesmo tempo igual a
1 e a 2: Já o sistema
x1 + x2 = 2
0x1 + 0x2 = 0
x1 x2 = 2
x1 + x2 = 4
tem uma única solução (x1 ; x2 ) = (3; 1) que pode ser obtida observando que,
ao adicionar as duas equações obtemos 2x1 = 6 e, ao subtrair a primeira da
segunda, obtemos 2x2 = 2:
x1 3x2 + x3 = 0
x2 x3 = 1
1.3 Matriz
Para determinar a solução de um sistema precisamos apenas dos seus coe…-
cientes e das suas constantes. Estes coe…cientes e constantes podem ser dispos-
tos em uma matriz que é uma coleção de números dispostos em uma tabela
retangular e delimitada por colchetes.
Os números que compõem uma matriz são denominados des entradas ou
elementos d matriz. As linhas e as colunas da tabela serão as linhas e as
colunas da matriz. Uma matriz de tamanho m n é aquela que possui
m linhas e n colunas. Quando o número de linhas for igual ao número de
colunas se diz que a matriz é quadrada. Uma matriz quadrada n n é
chamada matriz de ordem n: Matrizes com um única coluna são denominadas
matrizes coluna ou vetores coluna. Matrizes com uma única linha são
denominadas matrizes linha ou vetores linha. Vamos usar letras maiúsculas
para designar as matrizes e letras minúsculas com subíndices para designar suas
entradas. Estes índices informam a posição da entrada na matriz, tal como em
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = 6 .. .. .. .. 7
4 . . . . 5
am1 am2 amn
onde aij é a entrada da linha i coluna j: A matriz acima pode ser representada
de forma abreviada por A = [aij ] ou por [aij ]m n quando for desejável indicar
explicitamente o seu tamanho. É comum usar a notação aij = (A)ij : Os
elementos aii ; para i = 1; 2; : : : são os elementos da diagonal principal da
matriz também denominada de diagonal da matriz. Os elementos ai; n+1 i ;
para i = 1; 2; : : : são os elementos da diagonal secundária da matriz. Uma
x + y + 2z = 9
2x + 4y 3z = 1
3x + 6y 5z = 0
é 2 3
1 1 2 9
4 2 4 3 1 5:
3 6 5 0
2. nas linhas não nulas, o primeiro elemento não nulo da esquerda para a
direita é o número 1: Este número é o líder ou pivô da linha;
1. for escalonada e
são escalonadas e 2 3
1 2 0 4 0 6
6 0 0 1 2 0 4 7
6 7
4 0 0 0 0 1 2 5
0 0 0 0 0 0
é escalonada reduzida.
é escalonado e
x1 x3 = 5
x2 +2x3 = 6
x4 = 7
é escalonado reduzido.
x1 x2 + 2x3 = 3
x2 x3 = 1
x3 = 2
x1 = x2 2x3 + 3
x2 = x3 1
x3 = 2
x3 = 2
x2 = x3 1=2 1=1
x1 = x2 2x3 + 3 = 1 4 + 3 = 0
x1 + 2x2 x3 = 1
x2 + x3 = 2
x1 = 2x2 + x3 + 1
x2 = 2 x3
x1 = 2(2 x3 ) + x3 + 1 = 3x3 3
O x3 é a variável livre deste sistema, que terá in…nitas soluções. Sua solução
geral é x1 = 3x3 3; x2 = 2 x3 ; com x3 percorrendo os reais. Se desejar-
mos tratar x1 ; x2 e x3 em pé de igualdade, introduzimos uma nova variável t;
de…nindo-a por t = x3 quando então se escreve a solução geral na forma x1 =
3t 3; x2 = 2 t; x3 = t; com t percorrendo o conjunto dos números reais.
A nova variável t recebe o nome de parâmetro e com ele a solução geral se
apresenta na forma paramétrica.
x1 2x2 + 3x3 + x4 = 1
x3 3x4 = 2
x1 = 1 + 2x2 3x3 x4
x3 = 2 + 3x4
x1 = 2x2 10x4 5
x3 = 2 + 3x4
x1 = 2r 10c 5
x2 =r
x3 = 2 + 3s
x4 =s
1. Trocar de posição duas linhas, levando cada uma para a posição da outra.
x1 + 0x2 + 4x3 = 5
x1 + 0x2 8x3 = 7
x1 + 4x3 = 5
x1 8x3 = 7
1 4 5
:
1 8 8
x1 3x2 + 2x3 = 9;
x1 + 4x2 + 6x3 = 1;
0x1 + 0x2 + 0x3 = 0:
o fato de qualquer solução das duas primeiras equações ser uma solução da
terceira, podemos eliminá-la e buscar soluções para as duas primeiras equações
x1 3x2 + 2x3 = 9;
x1 + 4x2 + 6x3 = 1:
1. Faça i = 1 e j = 1:
(a) Se bis = 0 para todo s > j; passe para a próxima coluna fazendo
j = j + 1 e retorne à etapa 2.
(b) Se brs 6= 0 para algum s > j; leve a linha i para a posição da linha r
e leve esta para a posição da linha i: Agora a entrada bij é diferente
de zero.
x1 = 7 2x2 3x4
x3 = 1
x5 = 2
c 1 A1 + c 2 A2 + + c n An
Propriedades
Neste momento destacamos a matriz nula ou matriz zero
2 3
0 0
6 7
0 = 4 ... . . . ... 5
0 0
onde todas as entradas são nulas. Adicionando uma matriz A com a matriz
nula de mesmo tamanho, obtemos a matriz A: Por este motivo, a matriz nula
é chamada de elemento neutro da adição.
Sendo A; B e C matrizes de mesmo tamanho, x e y números reais e 1 a
unidade real, valem as propriedades:
1. A + B = B + A (Comutatividade da adição)
2. A + (B + C) = (A + B) + C (Associatividade da adição)
3. A + 0 = 0 + A = A (Elemento neutro)
6. x(A + B) = xA + xB (Distributividade)
7. (x + y)A = xA + yA (Distributividade)
8. 1A = A
resulta na matriz
58 26 10
AB = :
50 10 62
Se x for um vetor coluna com m linhas e y um vetor linha com n colunas,
então xy é uma matriz m n: Quando m = n; yx é uma matriz 1 1: Toda
matriz 1 1; com uma única entrada, tal como [m] ; é identi…cada ao número
real m e escreveremos [m] = m:
Exemplo 1.22 Sendo
1
x= e y= 3 4
2
então
3 4
xy = e yx = [11] :
6 8
Sendo
2 3 2 3
a11 a12 a1n x1
6 a21 a22 a2n 7 6 x2 7
6 7 6 7
A=6 .. .. .. 7 e x=6 .. 7
4 . . . 5 4 . 5
am1 am2 amn xn
então
2 3
a11 x1 + a12 x2 + + a1n xn
6 a21 x1 + a22 x2 + + a2n xn 7
6 7
Ax = 6 .. 7
4 . 5
am1 x1 + am2 x2 + + amn xn
2 3 2 3 2 3
a11 a12 a1n
6 a21 7 6 a22 7 6 a2n 7
6 7 6 7 6 7
= x1 6 .. 7 + x2 6 .. 7+ + xn 6 .. 7
4 . 5 4 . 5 4 . 5
am1 am2 amn
Sendo
2 3 2 3 2 3
a11 a12 a1n
6 a21 7 6 a22 7 6 a2n 7
6 7 6 7 6 7
c1 = 6 .. 7 c2 = 6 .. 7 cn = 6 .. 7
4 . 5 4 . 5 4 . 5
am1 am2 amn
as colunas de A; então
Ax = x1 c1 + x2 c2 + + xn cn :
De…nição 1.25 Uma matriz quadrada A é invertível quando existe uma ma-
triz quadrada B tal que
AB = BA = I;
onde I é a matriz identidade. A matriz B é chamada de inversa de A: Uma
matriz quadrada não invertível é denominada singular.
Quando uma matriz A é invertível, sua inversa é única, sendo denotada por
1
A : De acordo com a de…nição, se B é a inversa de A então A é a inversa de
B ou, em outras palavras,
1
A= A 1 :
Uma matriz diagonal, como
2 3
d1 0 0
6 0 d2 0 7
6 7
D=6 .. .. ... .. 7
4 . . . 5
0 0 dn
é invertível se e só se todos os reais d1 ; d2 ; : : : ; dn forem diferentes de zero, e
sua inversa é 2 1 3
d1 0 0
6 0 d 1 0 7
6 2 7
D 1 = 6 .. .. .. .. 7 :
4 . . . . 5
0 0 dn 1
1 1 d b
A = :
ad bc c a
3 5 2 5
Exemplo 1.26 A matriz B = é a inversa de A = :
1 2 1 3
Nenhuma matriz quadrada A com uma coluna nula possui inversa pois,
para qualquer matriz B de mesmo tamanho, a mesma coluna de BA é nula e
assim, BA 6= I:
Toda matriz quadrada A com uma linha nula é singular pois, para qualquer
matriz quadrada B de mesmo tamanho, a mesma linha de AB será nula e
assim, AB 6= I:
1
1. Sendo k um número real, a matriz kA é invertível e (kA) = k 1A 1:
2. A matriz AB é invertível e
1
(AB) = B 1A 1:
1.9 Potências
Seja A uma matriz quadrada e n um número inteiro maior do que zero. De…n-
imos as potências inteiras não negativas de A por
A0 = I; An = An 1 A
Propriedades
Sejam A e B matrizes quadradas com o mesmo tamanho, r e s números inteiros
não negativos. Então
1. Ar As = Ar+s
2. (Ar )s = Ars
1 2 1 3
Exemplo 1.27 A transposta de A = é AT = :
3 4 2 4
1. (AT )T = A
2. (A + B)T = AT + B T
3. (kA)T = kAT
4. (AT ) 1
= (A 1 )T
(AB)T = B T AT
Observe que a ordem dos fatores se altera de A1 até An para ATn até AT1 :
Quando A for quadrada e n for um inteiro positivo, então
n
(An )T = AT :
A última matriz é a identidade. Ela é uma matriz elementar pois pode ser
obtida da identidade multiplicando sua primeira linha por 1:
Teorema 1.33 Seja A uma matriz quadrada e R sua forma escalonada re-
duzida. Se A for invertível se e só se R é a identidade. Se A for singular se e
só se pelo menos a última linha de R é nula.
[R j d] = Er E1 [A j b] e [R j d] = Es E1 [B j c]
de onde se obtém
[A j b] = E1 1 Er 1 Es E1 [B j c] :
Nota-se assim que dois sistemas lineares com o mesmo número de equações e
o mesmo número de incógnitas são equivalentes quando for possível levar um
no outro mediante operações elementares. Note ainda que
A = E1 1 Er 1 Es E1 B
Er E1 A = I
de onde obtemos
1
A = Er E1 = Er E1 I:
Se
Er E1 A = I então Er E1 I = A 1 :
Observe: Realizando sobre I as mesmas transformações que levam A na ma-
triz identidade, chega-se à inversa de A: Tal observação sugere um dispositivo
e assim, 2 3
40 16 9
A 1
= 4 13 5 3 5:
5 2 1
Ax = b
onde 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7
4 . . . . 5
am1 am2 amn
é a matriz dos coe…cientes do sistema,
2 3 2 3
b1 x1
6 7 6 .. 7
b = 4 ... 5 e x=4 . 5
bm xn
x1 = x2 x5
x3 = x5
x4 = 0
onde x2 e x5 são variáveis livres e podem assumir qualquer valor real. Intro-
duzindo os parâmetros r = x2 e s = x5 ; pode-se escrever a solução geral na
forma paramétrica
x1 = r s; x2 = r; x3 = s; x4 = 0; x5 = s
(1) A é invertível.
(2) O sistema homogêneo Ax = 0 tem somente a solução trivial.
(3) A forma escalonada reduzida por linhas de A é a matriz identidade I:
(4) A pode ser expressa como um produto de matrizes elementares.
Prova. (1) =) (2): Se A é invertível e c0 for uma solução de Ax = 0; então
c0 = Ic0 = (A 1 A) c0 = A 1 (Ac0 ) = A 1 0 = 0; mostrando que a equação
homogênea Ax = 0 possui apenas a solução trivial.
(2) =)(3) Se a única solução do sistema Ax = 0 for a trivial, ele é equiv-
alente ao sistema Ix = 0; onde I é a matriz identidade. Neste caso, podemos
levar A em I por meio de uma sucessão de operações elementares. Como I
é uma matriz escalonada reduzida, isto signi…ca que I é a forma escalonada
reduzida de A:
(3) ) (4) Se a forma escalonada de A; for I; então existem matrizes ele-
mentares E1 ; : : : ; Ek tais que
Ek E1 A = I
e assim
A = E1 1 Ek 1
provando que A é igual ao produto de matrizes elementares.
(4) ) (1) Sendo A um produto de matrizes elementares, que são invertíveis,
ela é invertível.
o sistema homogêneo
x1 +2x2 +3x3 = 0
2x1 +5x2 +3x3 = 0
x1 +8x3 = 0
possui apenas a solução trivial.
x1 +x2 +2x3 = b1
x1 +x3 = b2
2x1 +x2 +3x3 = b3
x1 = 1 e x2 = x3
T
com x3 percorrendo o conjunto dos números reais. Quando b = 1 0 3 ;
o sistema não possui solução.
x1 +2x2 +3x3 = b1
2x1 +5x2 +3x3 = b2
x1 +8x3 = b3
chega-se a 2 3
1 2 3 b1
4 0 1 3 b2 2b1 5
0 0 1 b3 + 3b1 2b2
quando então se percebe que o sistema é sempre consistente, não havendo re-
strições sobre b:
Determinantes
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
onde
a22 a23 a21 a23 a21 a22
A11 = ; A12 = e A13 =
a32 a33 a31 a33 a31 a32
são matrizes 2 2; obtidas da seguinte maneira:
det(A) = a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 ) :
onde 2 3 2 3
a11 b1 a13 a11 a12 b1
2 = 4 a21 b2 a23 5 ; 3 = 4 a21 a22 b2 5 :
a31 b3 a33 a31 a32 b3
Se det(A) 6= 0; o sistema possuirá uma única solução para cada b = [b1 ; b2 ;
b3 ]T : Do que …cou demonstrado no capítulo anterior, A é invertível, se e só se
det(A) 6= 0:
Este procedimento se aplica a sistemas com n equações e n incógnitas,
quando surge a idéia de determinantes de matrizes de tamanho n n; que são
de…nidos em termos de matrizes quadradas de tamanho inferior.
Nota 2.7 Este teorema garante que todo resultado válido para linha vale para
coluna e vice-versa.
det(B) = det(A):
det(B) = det(A):
pois o somatório na segunda parcela é igual a zero uma vez que corresponde
ao determinante de uma matriz cuja linha i é igual à linha r:
v = k1 v1 + + km vm
Determinante do produto
det c1 ci + di cn = det c1 ci cn
+ det c1 di cn
7 3 1 5 7 3 1 26
(A I)x = 0
são chamadas de autovetores de A correspondentes ao autovalor : Como a
matriz A I é singular, o sistema (A I)x = 0 possui in…nitas soluções.
1 3
Exemplo 2.22 Determine os autovalores e autovetores da matriz A = :
4 2
A adj(A) = det(A)I
ou
1 1
A = adj(A)
det(A)
Espaço vetorial
4. Elemento simétrico.
+( )=( )+ = 0:
(b) Para cada escalar diferente do zero existe um outro escalar deno-
tado por 1 e chamado de simétrico multiplicativo ou inverso
de para o qual
( 1 ) = ( 1 ) = 1:
Propriedades da adição:
1. Comutatividade da adição. Para todo vetor u e v em V;
u + v = v + u:
(u + v) + w = u + (v + w):
v + 0 = 0 + v = v:
v + ( v) = ( v) + v = 0:
(v + w) = v + w:
1v = v:
v w = v + ( w):
será um sinônimo de 1 v:
Se K for o corpo dos números reais, se diz que o espaço vetorial é real. Se K
for o corpo dos números complexos, se diz que o espaço vetorial é complexo.
2. r 0 = 0:
3. ( 1)v = v:
4. Se r v = 0 então r = 0 ou v = 0:
0 = (0; : : : ; 0)
Exemplo 3.5 O conjunto das funções reais contínuas com domínio num in-
tervalo aberto (a; b) e imagem em R; com as operações de adição de funções
e multiplicação de uma função por um número real é um espaço vetorial real.
r (x1 ; x2 ) = (r x1 ; 0):
Observe que 1(1; 2) = (1; 0) que é diferente de (1; 2); não satisfazendo a última
propriedade da multiplicação por escalar. Logo, R2 com as operações acima
não forma um espaço vetorial real.
Exemplo 3.8 São subespaços do R2 ; o f(0; 0)g; retas passando pela origem e
o próprio R2 :
Exemplo 3.9 São subespaços do R3 ; o f(0; 0; 0)g; retas passando pela origem,
planos passando pela origem e o próprio R3 :
Exemplo 3.13 Do espaço vetorial das funções reais com domínio em R; são
subespaços aqueles subconjuntos dos polinômios reais, das funções contínuas,
das funções com derivada contínuas, das funções com derivadas contínuas até
a ordem m; das funções reais com derivadas contínuas de todas as ordens.
S = f s1 v1 + + sn vn : s1 ; : : : ; sn 2 R g
S = ger(G) ou S = ger(v1; : : : ; vk ):
Exemplo 3.18 O espaço gerado por um vetor não nulo v é uma reta que passa
pelo zero. Um ponto w qualquer desta reta satisfaz à equação vetorial w = tv;
com t percorrendo os reais.
c1 v1 + + cn vn = 0;
c1 x + c2 sen x = 0
c1 + c2 cos x = 0
=2 sen =2 =2 1
det = det = 1 6= 0:
1 cos =2 1 0
k1 v1 + + kn vn = 0
Retas e planos
Seja v um vetor não nulo de um espaço vetorial V: O conjunto de vetores w
para os quais w = t v para algum t real é chamado de reta gerada por v e
w = t v; com t em R; é chamada de equação vetorial da reta gerada por v:
c1 f1 + + cn fn = 0:
Observe que esta é uma igualdade entre funções e o 0 (zero) do lado direito é
a função identicamente nula o que implica em
c1 f1 (x) + + cn fn (x) = 0
para todo x no intervalo (a; b): Agora o zero da equação anterior não é mais
a função nula e sim o número real zero. Como se trata de funções de…nidas
num intervalo (a; b); diremos que o conjunto é linearmente dependente em (a;
b): Quando o conjunto não for linearmente dependente em (a; b); diremos que
o conjunto de funções é linearmente independente em (a; b): Isto signi…ca
que a única sequência c1 ; c2 ; : : : ; cn de escalares para os quais
c1 f1 (x) + + cn fn (x) = 0
Wronskiano
Consideremos o espaço vetorial das funções com derivadas contínuas até a
ordem n 1 no intervalo (a; b) que é denotado por C n 1 (a; b): Sendo G = ff1 ;
: : : ; fn g um conjunto linearmente dependente neste espaço de funções, existe
uma sequência não nula de escalares c1 ; : : : ; cn ; para a qual
c1 f1 (x) + + cn fn (x) = 0
para todo x em (a; b): Como as funções possuem derivadas contínuas até a
ordem n 1; podemos derivar sucessivamente a igualdade acima obtendo o
sistema linear
c1 f1 (x) + + cn fn (x) = 0
0 0
c1 f1 (x) + + cn fn (x) = 0
(n 1)
c1 f1 (x) + + cn fn(n) (x) = 0
c1 c2 = 0
c1 + c2 = 0
c1 f1 (x0 ) + + cn fn (x0 ) = 0
0 0
c1 f1 (x0 ) + + cn fn (x0 ) = 0
(n 1)
c1 f1 (x0 ) + + cn fn(n) (x0 ) = 0
y (n) + an 1 (x)y (n 1)
+ + a1 (x)y 0 (x) + a0 (x)y = b(x)
f f1 ; : : : ; fn g
for diferente de zero para algum x0 em (a; b): Além disso, se o wronskiano for
diferente de zero em um ponto de (a; b); então será diferente de zero em todos
os pontos deste intervalo.
(x1 ; x2 ) = x1 e1 + x2 e2
onde e1 = (1; 0); e2 = (0; 1)
c1 + 2c2 + 3c3 = 0
2c1 + 9c2 + 3c3 = 0
c1 + 0c2 + 4c3 = 0
+2
1 2+3 3 = x1 ;
2 1+9 2+3 3 = x2 ;
1+0 2+4 3 = x3 :
w = a1 v1 + a2 v2 + + an vn :
w = a1 v1 + a2 v2 + + an vn ;
w = b1 v1 + b2 v2 + + bn vn ;
então
base.
Bases canônicas
Existem bases que, pela sua simplicidade e aplicabilidade, recebem o nome de
bases canônicas.
O conjunto fe1 ; e2 g; onde e1 = (1; 0) e e2 = (0; 1) é a base canônica do R2
e todo vetor x = (x1 ; x2 ) pode ser decomposto na combinação linear x = x1 e1
+ x2 e2 :
O conjunto fe1 ; e2 ; e3 g; onde e1 = (1; 0; 0); e2 = (0; 1; 0) e e3 = (0; 0; 1) é
a base canônica do R3 e todo vetor x = (x1 ; x2 ; x3 ) pode ser decomposto na
combinação linear x = x1 e1 + x2 e2 + x3 e3 :
Nota: No R2 e no R3 os vetores da base canônica costumam ser denotados
por i; j e k em vez de e1 ; e2 ; e3 : Nós utilizaremos as duas notações, de acordo
com a conveniência.
O conjunto fe1 ; : : : ; en g; onde e1 = (1; 0; : : : ; 0); e2 = (0; 1; : : : ; 0); : : : ;
en = (0; 0; : : : ; 1) é a base canônica do Rn e todo vetor x = (x1 ; : : : ; xn ) pode
ser decomposto na combinação linear
x = x 1 e1 + + xn en :
O conjunto de polinômios f1; x; x2 ; : : : ; xn g é a base canônica do espaço
vetorial formado pelos polinômios de grau menor ou igual a n e estes polinômios
são da forma a0 + a1 t + + an tn ; onde a1 ; a2 ; : : : ; an são escalares.
O conjunto formado pelas matrizes
1 0 0 1 0 0 0 0
A1 = ; A2 = ; A3 = ; A4 =
0 0 0 0 1 0 0 1
é a base canônica do espaço vetorial M2 2 ; das matrizes quadradas de ordem
2 2 e toda matriz
a b
A=
c d
uma combinação linear dos elementos da base canônica A = aA1 + bA2 + cA3
+ dA4 :
Se um espaço vetorial V não nulo possuir uma base com m elementos, pelo
princípio da invariância, todas as suas bases terão m elementos. Neste caso, se
diz que V possui dimensão …nita e que sua dimensão é m e escreveremos
dim(V ) = m:
O espaço vetorial nulo f0g é tratado à parte. Por de…nição, sua base é o
conjunto vazio e sua dimensão é zero.
Exemplo 3.43 Os espaços vetoriais das funções reais com domínio na reta
F (R); das funções reais com derivadas contínuas até a ordem k em toda a reta
C k (R); dos polinômios reais P (R); com as operações de adição de funções e
multiplicação de um real por uma função, possuem todos dimensão in…nita.
A matriz 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
M12 = 6 .. .. .. .. 7
4 . . . . 5
an1 an2 ann
é chamada de matriz de mudança de base ou, se desejarmos fazer referência
às bases envolvidas, matriz de mudança da base B1 para a base B2 ou matriz
de transição da base B1 para a base B2 : Observe que as coordenadas do
desenvolvimento de w1 na base B1 formam a primeira coluna, as coordenadas
do desenvolvimento de w2 na base B1 formam a segunda coluna, e assim por
diante.
Então 2 3
0 1 1
M12 =4 1 2 0 5
1 1 1
X
n X
n X
n
wj = aij vi ; uj = bij wi e uj = cij vi
i=1 i=1 i=1
de modo que M12 = [aij ] ; M23 = [bij ] e M13 = [cij ] são, respectivamente, as
matrizes de mudança da base B1 para a base B2 ; da base B2 para a base B3 e
da base B1 para a base B3 : Destas decomposições segue
X X X
uj = bkj wk = bkj aik vi
k k i
!
X X X
= aik bkj vi = cij vi
i k i
ou X
cij = aik bkj
k
Mudança de coordenadas
Sejam B1 = fv1 ; : : : ; vn g e B2 = fw1 ; : : : ; wn g duas bases do espaço vetorial
V e u um vetor de V: Sejam
e
X
n
wj = aij vi ;
i=1
de onde segue
X X X
u= yj wj = yj aij vi
j j i
!
X X X
= aij yj vi = xi vi :
i j i
B = Ek E1 A;
então
A = E1 1 Ek 1 B:
Feita esta de…nição passemos a enunciar as propriedades dos espaços linha e
coluna de uma matriz.
(a) os vetores linha não nulos formam uma base do espaço linha da
matriz;
(b) os vetores coluna que possuem os pivôs formam uma base do espaço
coluna da matriz.
1 a1 + + n an =0
então
1 b1 + + n bn = 0:
Nesta propriedade não se pede que todos os escalares sejam difer-
entes de zero. Para matrizes com 5 colunas, se 1 a1 + 3 a3 + 5 a5
= 0; então 1 b1 + 3 b3 + 5 b5 = 0 e pode-se pensar que 2 e 4
são iguais a zero.
(b) Um subconjunto dos vetores coluna de A é linearmente dependente
se, e só se, as mesmas colunas de B formarem um conjunto linear-
mente dependente.
Exemplo 3.50 Para obter uma base para o espaço linha da matriz
2 3
1 3 4 2 5 4
6 2 6 9 1 8 2 7
A=6 4 2 6
7
9 1 9 7 5
1 3 4 2 5 4
podemos reduzi-la à forma escalonada R mediante operações elementares
2 3
1 3 4 2 5 4
6 0 0 1 3 2 6 7
R=6 4 0 0 0 0
7
1 5 5
0 0 0 0 0 0
e concluir que as três primeiras linhas de R formam uma base para o espaço
linha de A:
A primeira, terceira e quinta colunas de R, exatamente aquelas que contém
os pivôs, formam uma base para o seu espaço coluna. Logo, a primeira, terceira
e quinta colunas de A formam uma base do espaço coluna de A.
Exemplo 3.52 Sejam v1 = (1; 2; 0; 0; 3); v2 = (2; 5; 3; 2; 6); v3 = (0; 5; 15; 10; 0);
v4 = (2; 6; 18; 8; 6) vetores do R4 e G = fv1 ; v2 ; v3 ; v4 g: Para determinar uma
base para o subespaço S gerado por G; basta seguir os seguintes passos:
1. Forme a matriz cujas linhas são as entradas de v1 ; v2 ; v3 e v4
2 3
1 2 0 0 3
6 2 5 3 2 6 7
A=6 4 0 5 15 10 0 5 :
7
2 6 18 8 6
3. Uma base do espaço linha de A é formada pelos vetores linha não nulos
de R: Logo, uma base para S é
w1 = (1; 2; 0; 0; 3);
w2 = (0; 1; 3; 2; 0);
w3 = (0; 0; 1; 1; 0):
b3 = 2b1 b2
b5 = b1 + b2 + b4 :
a3 = 2a1 a2 ;
a5 = a1 + a2 + a4 :
Ax = x1 c1 + + xn cn :
Vemos que Ax = b se, e só se, b for uma combinação linear das colunas de A:
Em outras palavras, o sistema Ax = b possui solução se, e só se, b for uma
x1 = 3r 4s; x2 = r; x3 = 2s; x4 = s; x5 = 1
percebemos que o primeiro vetor coluna do lado direito é uma solução particular
do sistema dado e que os outros dois vetores coluna formam uma base para o
espaço de soluções do sistema linear homogêneo associado.
chegamos a 2 32 3 2 3
1 2 3 x1 0
4 0 0 0 5 4 x2 = 0 5
5 4
0 0 0 x3 0
cuja solução geral é
2 3 2 3 2 3
x1 2 3
4 x2 5 = s 4 1 5 + t 4 0 5
x3 0 1
obtemos 2 32 3 2 3
1 2 3 x1 0
4 0 1 1 5 4 5 4
x2 = 0 5
0 0 0 x3 0
cuja solução geral é
2 3 2 3
x1 5
4 x2 5 = s 4 1 5
x3 1
onde s é um escalar qualquer.
nas incógnitas x1 ; x2 ; x3 ; x4 ; x5 é
2 3 2 3 2 3
x1 1 1
6 x2 7 6 1 7 6 0 7
6 7 6 7 6 7
6 x3 7 = s6 0 7 + t6 1 7
6 7 6 7 6 7
4 x4 5 4 0 5 4 0 5
x5 0 1
pos(A) + nul(A) = n
Transformação linear
Uma função é uma regra f que associa a cada elemento de um conjunto A um,
e exatamente um, elemento de um conjunto B: Se f associa o elemento x de A
ao elemento y de B; escrevemos y = f (x) : O y é a imagem de x por f ou valor
de f em x: O conjunto A é o domínio de f e o conjunto B é o contradomínio
de f: Usaremos a notação f : A ! B para indicar que f é uma função com
domínio A e contradomínio B: O conjunto f (A) = ff (x) : x 2 Ag é a imagem
de f:
Quando A e B forem conjuntos de números reais diremos que f é função
real de uma variável real.
Duas funções f1 e f2 são iguais e escreveremos f1 = f2 quando tiverem
o mesmo domínio, o mesmo contradomínio e f1 (x) = f2 (x) para todo x do
domínio que é comum a ambas.
Sejam V e W espaços vetoriais. Uma função f : V ! W é chamada
de aplicação ou transformação de V em W: Quando V = W; as funções
f : V ! W; recebem o nome de operadores.
u=x+y
v = 2xy
w = x2 y 2
T (u + v) = T (u) + T (v);
T (k v) = k T (v):
T1 (p)(x) = p(ax + b)
T2 (p)(x) = xp(x)
Exemplo 4.12 Sendo n > 1 um número inteiro, a função que leva uma matriz
quadrada n n em seu determinante não é linear pois, se k for um real e A;
B forem duas matrizes quadradas n n; então
e
det(k B) = k n det(B):
1. T (0) = 0:
2. T ( v) = T (v):
u = c1 v1 + + cn vn :
Da linearidade de T;
T (u) = c1 w1 + + cn wn
e agora
são vetores do Rm e
ou
T (x1 ; : : : ; xn ) = a1 x1 + + an x n ;
Exemplo 4.15 Sejam v1 = (1; 1; 1); v2 = (1; 1; 0) e v3 = (1; 0; 0): Então fv1 ;
v2 ; v3 g é base do R3 : Sabendo que T : R3 ! R2 é linear e que T (v1 ) = (1; 0);
T (v2 ) = (2; 1) e T (v3 ) = (3; 2); podemos calcular T em todo terno ordenado
(x1 ; x2 ; x3 ): Basta decompor o terno numa combinação linear dos vetores da
base
(x1 ; x2 ; x3 ) = x3 (1; 1; 1) + (x2 x3 )(1; 1; 0) + (x1 x2 )(1; 0; 0)
e calcular
T (x1 ; x2 ; x3 ) = x3 T (1; 1; 1) + (x2 x3 )T (1; 1; 0) + (x1 x2 )T (1; 0; 0)
= x3 (1; 0) + (x2 x3 )(2; 1) + (x1 x2 )(3; 2)
= ( 3x1 x2 x3 ; 3x2 2x1 x3 ):
Em particular,
T (1; 3; 4) = (4; 7):
é 2 3
2 1 0
[T ] = 4 1 3 1 5:
0 1 1
Re‡exões no R3
O operador T (x1 ; x2 ; x3 ) = (x1 ; x2 ; x3 ) re‡ete o ponto (x; y) no plano 12 do
R3 :
O operador T (x1 ; x2 ; x3 ) = (x1 ; x2 ; x3 ) re‡ete o ponto (x; y) no plano 13
do R3 :
O operador T (x1 ; x2 ; x3 ) = ( x1 ; x2 ; x3 ) re‡ete o ponto (x; y) no plano 23
do R3 :
Rotações no R2
Seja um número real. Se girarmos os pontos (1; 0) e (0; 1) do R2 de um
ângulo no sentido anti-horário em torno da origem, vamos obter os pontos
(cos ; sen ) e ( sen ; cos ): Uma transformação linear que gira qualquer
ponto (x1 ; x2 ) de um ângulo no sentido anti-horário em torno da origem é
tal que
y1 cos sen x1
= :
y2 sen cos x2
Rotações no R3
1. O operador
T (x1 ; x2 ; x3 ) = (x1 ; x2 cos x3 sen ; x2 sen + x3 cos )
estabelece uma rotação de um ângulo ; em torno do eixo 1; no sentido
anti-horário quando se olha para a origem do semi-espaço x1 > 0: Sendo
(y1 ; y2 ; y3 ) = T (x1 ; x2 ; x3 ); obtemos a igualdade matricial
2 3 2 32 3
y1 1 0 0 x1
4 y2 5 = 4 0 cos sen 5 4 x2 5 :
y3 0 sen cos x3
2. O operador
T (x1 ; x2 ; x3 ) = (x1 cos + x3 sen ; x2 ; x1 sen + x3 cos )
estabelece uma rotação de um ângulo ; em torno do eixo 2; no sentido
anti-horário quando se olha para a origem do semi-espaço x2 > 0: Sendo
(y1 ; y2 ; y3 ) = T (x1 ; x2 ; x3 ); obtemos a igualdade matricial
2 3 2 32 3
y1 cos 0 sen x1
4 y2 5 = 4 0 1 0 5 4 x2 5 :
y3 sen 0 cos x3
3. O operador
Dilatações e contrações no Rn
Seja k 0 um número real. O operador linear de…nido sobre o Rn por T (x) =
kx; é chamado de homotetia de razão k: Quando 0 6 k < 1 recebe o nome
de contração e, quando k > 1; recebe o nome de dilatação.
T L(u) = T (L(u))
T L( u1 + u2 ) = T ( L( u1 + u2 ) )
= T ( L(u1 ) + L(u2 ) )
= T ( L(u1 ) ) + T ( L(u2 ) )
= T L(u1 ) + T L(u2 )
e
T L (x; y) = T ( L (x; y) ) = T (x; 0) = (0; x) :
comutam pois
L T (x1 ; x2 ) = L(x1 ; x2 ) = ( x1 ; x2 )
e
T L(x1 ; x2 ) = T ( x1 ; x2 ) = ( x1 ; x2 );
mostrando que L T = T L:
T I=I T = T:
T3 T2 T1 : V1 ! V4
por
T3 T2 T1 (v) = T3 (T2 (T1 (v)));
para todo v em V:
As de…nições de função injetora, sobrejetora, bijetora e inversa se aplicam
à transformações entre espaços vetoriais.
Teorema 4.25 Dois espaços vetoriais de dimensão …nita são isomorfos se, e
só se, suas dimensões forem iguais. O isomor…smo entre eles leva a base de
um espaço numa base do outros.
1. T é um isomor…smo.
2. T é sobrejetora.
3. T é injetora.
1
Sendo T : V ! W um isomor…smo existe a transformação inversa T :W
! V; que também é um isomor…smo.
Sobre o ponto de vista da Álgebra Linear, dois espaços isomorfos são indis-
tinguíveis. Toda propriedade de um se transfere para o outro pelo isomor…smo.
então
[L]21 = [akj ]; [T ]32 = [bik ] e [T L]31 = [cij ]:
Observe: sempre que há somaPsobre um índice, ele aparece repetido. Por
n
exemplo, no somatório em k; k=1 akj vk ; o sub-índice k aparece em akj e
em vk : Vamos ser corajosos, omitindo o símbolo de somatório, para escrever
apenas akj vk ; a…rmando, enfaticamente, que ao haver um subíndice repetido,
há soma neste índice. Esta notação é denominada de notação de Einstein.
Usando-a obtemos
Partindo da composta,
T L(uj ) = T (L(uj )) = T (akj vk ) = akj T (vk )
= akj bik wi = bik akj wi = cij wi :
Pela unicidade da decomposição de um vetor numa base, obtemos cij = bik
akj ; para i = 1; : : : ; p e j = 1; : : : ; m; que correspondem à igualdade matricial
[T L]31 = [T ]32 [L]21 :
Esta fórmula pode ser estendida para a composição de três ou mais transfor-
mações lineares.
Exercício 4.35 A transformação T : R3 ! R3 que roda um vetor no sentido
anti-horário em torno do eixo z por um ângulo ; re‡ete o vetor resultante no
plano yz e projeta este vetor ortogonalmente sobre o plano xy; nesta ordem,
é a composta de três transformações lineares T1 ; T2 e T3 ; onde T1 realiza ao
primeira, T2 realiza a segunda e T3 realiza a terceira operação. As matrizes
canônicas das transformações lineares T1; T2 e T3 são
2 3 2 3 2 3
cos sen 0 1 0 0 1 0 0
[T1 ] = 4 sen cos 0 5 [T2 ] = 4 0 1 0 5 [T3 ] = 4 0 1 0 5 :
0 0 1 0 0 1 0 0 0
Para obter a matriz canônica da composta T = T3 T2 T1 basta multiplicar
as matrizes 2 3
cos sen 0
[T ] = [T3 ] [T2 ] [T1 ] = 4 sen cos 0 5:
0 0 1
Lema 4.36 Se T : V ! W for um isomor…smo, se B1 for uma base de V e
B2 uma base de W; então
[T 1 ]12 = [T ]211
Prova. Se T 1 : W ! V for a inversa de T; então T 1 T = I onde I é o
operador identidade em V: Se B1 for uma base de V e B2 for uma base de W;
aplicando a fórmula anterior com B3 = B1 ; segue
1
[T ]12 [T ]21 = [I]11 :
1
Como [I]11 é a matriz identidade, concluímos que a matriz [T ]12 é a inversa
da matriz [T ]21 :
[T ]2 = M121 [T ]1 M12 :
wj = aij vi
Por um lado,
T (wj ) = ykj wk = ykj aik vi = aik ykj vi
e, por outro,
M12 [T ]2 = [T ]1 M12
det(T ) = det(A)
1 1
[T ]1 = :
2 4
Sendo
1 1
M12 =
1 2
então
2 1
M21 = M121 =
1 1
e [T ]2 = M21 [T ]1 M12 : Efetuando o cálculo, obtemos
2 1 1 1 1 1 2 0
[T ]2 = =
1 1 2 4 1 2 0 3
3 2
A= :
1 1
w1 = cos e1 + sen e2 ;
w2 = sen e1 + cos e2 ;
Sabemos que
Produto interno
1. h0; vi = hv; 0i = 0
3. h u; vi = hu; vi
O produto interno é linear nos dois fatores. Fixado um vetor v0 num espaço
vetorial V com produto interno, os operadores L(v) = hv; v0 i e T (v) = hv0 ; vi
são lineares.
x y = xT y
de…ne um produto interno no espaço vetorial das matrizes coluna reais n 1:
Se A for uma matriz n n; então
(Ax) y = x AT y :
hx; yi = xT AT Ay
e s
Z b
d(f; g) = [f (x) g(x)]2 dx:
a
Propriedades da norma
Para todo real k e todo v; w num espaço vetorial real V com produto interno,
1. kvk 0
2. kvk = 0 $ v = 0
3. kk vk = jkj kvk
4. kv + wk kvk + kwk :
Propriedades da distância
1. d(v; w) 0
3. d(v; w) = d(w; v)
0 kv + wk2 = (v + w) (v + w) = v v + v w + w v + 2
w w
e
kvk2 + 2 v w + 2
kwk2 0:
O lado esquerdo desta desigualdade pode ser escrita na forma a 2 + b + c se
de…nirmos a = kwk2 ; b = 2v w e c = kvk2 : Este trinômio é maior ou igual a
hv; wi
= cos
kvk kwk
e
hv; wi = cos kvk kwk :
Este número real é chamado de ângulo entre os vetores v e w:
Se hv; wi = 0; diremos que v e w são ortogonais. Não se de…ne ângulo
entre dois vetores se um deles for o vetor nulo. Entretanto, como h0; vi = 0
para todo vetor v de V; se diz que o vetor nulo 0 é ortogonal a todo vetor v
de V:
Exemplo 5.10 (Teorema de Pitágoras) Se v e w são vetores ortogonais
então kv + wk2 = kvk2 + kwk2 :
Prova. Temos kv + wk2 = (v + w) (v + w) = v v+ 2 v w + w w =
kvk2 + kwk2 ; pois u w = 0:
hv; vi i hv; vi i
ci = =
hvi ; vi i kvi k2
de onde se obtém
hv; v1 i hv; vn i
v= v1 + + vn :
kv1 k2 kvn k2
Se a base for ortonormal, então kvi k = 1 e
v= 1 v1 + + n vn ;
w= 1 v1 + + n vn ;
então
hv; wi = 1 1 + ::: + n n
kvk2 = 2
1 + ::: + 2
n
p
d(v; w) = ( 1 2 2
1) + ::: + ( n n)
w1 = (2; 2; 1; 0; 1) w2 = ( 1; 1; 2; 3; 1)
w3 = (1; 1; 2; 0; 1) w4 = (0; 0; 1; 1; 1)
wj = vj 1j w1 2j w2 j 1;j wj 1
onde
hw1 ; v3 i 1
13 = =
hw1 ; w1 i 3
hw2 ; v3 i 1=3 1
23 = = =
hw2 ; w2 i 2=3 2
resultando em
1 11 1
w3 = (0; 0; 1) (1; 1; 1) ( 2; 1; 1) = (0; 1; 1):
3 23 2
5.10 Decomposição QR
Sejam c1 ; : : : ; cn vetores coluna m 1 linearmente independentes. Consider-
emos no espaço das matrizes reais m n o produto interno hx; yi = xT y:
Podemos, mediante a utilização do processo de ortogonalização de Gram-
Schmidt, obter um conjunto ortonormal fq1 ; : : : ; qn g de vetores coluna m 1:
Calcule inicialmente
1
11 = jjc1 jj e q1 = c1
11
ij = hqi ; cj i para i = 1; : : : ; j 1
j j = jjcj 1; j q1 j 1 ; j qj 1 jj
1
qj = (cj 1; j q1 j 1;j qj 1 )
jj
c1 = 11 q1
c2 = 12 q1 + 22 q2
c3 = 13 q1 + 23 q2 + 33 q3
..
.
As matrizes
2 3
3 2 6
14 cos sen
A= 6 3 2 5 e B=
7 sen cos
2 6 3
são ortogonais.
A inversa de uma matriz ortogonal é ortogonal. O produto de duas matrizes
ortogonais é uma matriz ortogonal. O determinante de uma matriz ortogonal
é igual a +1 ou igual a 1:
1 1 1
A= p
2 1 1
é ortogonal e det(A) = 1:
1. A é ortogonal.
Exemplo 5.29 Sendo v1 = (1; 0); v2 = (0; 1); w1 = (3=5; 4=5); w2 = (4=5;
3=5) os conjuntos B1 = fv1 ; v2 g e B2 = fw1 ; w2 g são bases ortonormais do
R2 em relação ao produto interno euclidiano. Como
3 4
w1 = v1 + v2
5 5
4 3
w2 = v1 v2 ;
5 5
a matriz de transição da base B1 para a base B2 é
1 3 4
M12 =
5 4 3
w1 = v1 cos + v2 sen
w2 = v1 sen + v2 cos
w1 = v1 cos + v2 sen
w2 = v1 sen + v2 cos
w3 = v3
w1 = v1 cos v3 sen
w2 = v2
w3 = v1 sen + v3 cos
w1 = v1
w2 = v2 cos + v3 sen
w3 = v2 sen + v3 cos
As duas fórmulas acima possuem várias aplicações teóricas, mas não são
e…cientes para cálculos numéricos. As soluções de mínimos quadrados de Ax =
b são melhor computadas por eliminação gaussiana ou eliminação de Gauss-
Jordan para resolver as equações normais e a projeção ortogonal de b no espaço
coluna de A é melhor obtida calculando Ax onde x é a solução do sistema
normal AT Ax = AT b: Em seguida, calcula-se Ax que é a projeção ortogonal
de b sobre o espaço coluna de A:
projW u = ( 2; 3; 4; 0):
[P ] = A(AT A) 1 AT
cos
A=
sen
1. A é inversível.
7. det(A) 6= 0:
16. AT A é inversível.
Autovalores e autovetores
Neste capítulo vamos considerar que as entradas das matrizes podem ser
números complexos. Desejando destacar que as entradas de uma matriz são
números complexos, chame-a de matriz complexa. O conjunto das matrizes
complexas m n será denotado por Mm n (C): As de…nições de igualdade de
matrizes e as operações de adição e multiplicação de matrizes permanecem
inalteradas. A de…nição de multiplicação de um escalar por uma matriz será
mantida com a ressalva de que o escalar pode ser um número complexo. As pro-
priedades de todas essas operações permanecem válidas. O conjunto Mm n (C)
com as operações de adição de matrizes e multiplicação de um escalar por uma
matriz é um espaço vetorial complexo. Aqui cabe comentar que um número
real é um número complexo com a parte imaginária igual a zero. Consequente-
mente, muitos exemplos apresentados neste capítulo envolverão matrizes reais.
det( I A) = 0:
f x 2 Mn 1 : (A I)x = 0 g:
Ele é formado pelos autovetores de A correspondente ao autovalor e pelo
vetor nulo. O autoespaço é um subespaço vetorial de Mn 1 :
2 3
0 1 0
Exemplo 6.3 O polinômio característico de A = 4 0 0 1 5é 3 8 2
4 17 8
p p
17 4 = 0 e suas raízes 1 = 4; 2 = 2+ 3; 3 = 2 3 são os autovalores de
A: Os autovetores correspondentes a 1 ; 2 e 3 são, respectivamente, múltiplos
de 2 3 2 p 3 2 p 3
1 7 4p 3 7 + 4p 3
v1 = 4 4 5 ; v2 = 4 2 3 5 ; v3 = 4 2 + 3 5 :
16 1 1
Uma matriz, mesmo real, pode ter um autovalor complexo. Isto ocorre
quando o polinômio característico possuir raiz complexa. neste caso, os au-
tovetores também serão complexos.
2 1
Exemplo 6.6 Os autovalores de A = são i e i:
5 2
3 0
Exemplo 6.7 Determine os autovalores e autovetores da matriz A = :
8 1
P
de T na base B; então T (vj ) = ni=1 aij vi : Sendo v = x1 v1 + + xn vn um
autovetor de T associado a ; então T (v) = v e
! ! !
X n Xn X
n Xn Xn Xn Xn
xi vi = T xj vj = xj T (vj ) = xj aij vi = aij xj vi
i=1 j=1 j=1 j=1 i=1 i=1 j=1
ou
X
n X
n
aij xj = xi
j=1 i=1
p(A)x = p( )x
6.4 Diagonalização
De…nição 6.12 Uma matriz A é diagonalizável se existir uma matriz in-
vertível P tal que P 1 AP é uma matriz diagonal. Dizemos que a matriz P
diagonaliza A:
1. A é diagonalizável;
2. A possui n autovetores linearmente independente;
A matriz 2 3
2 0 0
P 1 AP = 4 0 2 0 5
0 0 1
é diagonal e os elementos da diagonal principal são os autovalores de A:
Bk = P 1
Ak P
2 3
k
1 0 ::: 0
6 0 k
::: 0 7
k 1 k 1 6 2 7
A =P D P =P 6 .. .. .. 7 P:
4 . 0 . . 5
k
0 0 0 n
h Ax; y i = h x; Ay i :
4. A é ortogonalmente diagonalizável
[Ho¤man] Ho¤mann & Kunze, Álgebra Linear. Editora da USP com Editora
Polígono.
[Nering] Evar D. Nering, Linear Algebra and Matrix Theory. John Wiley
& Sons, 1970.
[NobDan] Ben Noble & James W. Daniel, Álgebra Linear Aplicada, segunda
edição. Guanabara Koogan, 1986.
[TrefBau] Lloyd N. Trefethen and David Bau III, Numerical Linear Algebra.
SIAM, Society for Industrial and Applied Mathematics, 1997.