Escolar Documentos
Profissional Documentos
Cultura Documentos
i
ALinear 2005/12/19 13:25 page i #1
i
i
i
i
i
i
Em memria de
Eliana Farias Bueno.
Inesquecvel esposa,
eterna amiga.
Miriam, Claudia und Georg Mller
gewidmet.
i
i
ALinear 2005/12/19 13:25 page ii #2
i
i
i
i
i
i
i
i
ALinear 2005/12/19 13:25 page iii #3
i
i
i
i
i
i
Prefcio
Este texto dirigido a alunos de um segundo curso de lgebra Linear. Apesar
de todos os conceitos estarem denidos, noes bsicas sobre o espao R
n
so
supostas conhecidas e, portanto, tm apresentao concisa. So utilizados alguns
resultados elementares do clculo diferencial e da teoria de funes emuma varivel
complexa.
Com o ponto de vista da Anlise Matemtica, o livro oferece um tratamento
moderno para temas bsicos da lgebra Linear e pode ser lido com diversos graus
de aprofundamento, destinando-se tanto a alunos que ainda esto aprendendo o
formalismo da linguagem matemtica como tambm queles mais avanados, que
pretendem consolidar e ampliar seus conhecimentos sobre o assunto.
A primeira verso deste texto surgiu como uma adaptao de parte de um livro
que considero uma obra-prima: o texto de P. Lax, "Linear Algebra" [20], cuja
inuncia no dissimulada.
Decidi adaptar o texto de Lax quando senti a diculdade de meus alunos
em acompanh-lo. Alterei demonstraes e o ordenamento do texto, salientei as
diferenas entre espaos reais e complexos, esmiucei certas passagens e inseri
alguns tpicos complementares, sempre visando tornar o texto menos denso. Aps a
utilizao dessa adaptao por mim e outros professores, resolvi fazer modicaes
mais profundas, enfatizando um tpico que tradicionalmente ignorado nos textos
de lgebra Linear: as assim chamadas funes de matrizes, que so matrizes
originadas por funes f : U C C, tais como A
k
, A
1
, sen A ou mesmo
o uxo e
At
. Usualmente restringe-se a apresentao dessas ao caso de polinmios
de uma matriz quadrada ou ento, se a matriz A for simtrica e A = P
1
DP com
D diagonal, dene-se f(A) por P
1
f(D)P, em que f(D) obtida ao se avaliar f
em cada uma das entradas diagonais de D.
A apresentao de funes de matrizes pode ser sintetizada como sendo uma
generalizao da verso em dimenso nita do clculo funcional de Dunford-
Schwartz [8] e j era conhecida por Gantmacher [9]. Ela simples e tem conse-
qncias notveis: f(A) sempre um polinmio na matriz A (com coecientes
dependendo da funo f), que pode ser facilmente obtido, se forem conhecidos os
iii
i
i
ALinear 2005/12/19 13:25 page iv #4
i
i
i
i
i
i
autovalores de A e suas multiplicidades. Essa abordagem, uma tcnica corriqueira
na lgebra Linear Numrica, tem sido esquecida nos textos de lgebra Linear.
Livros bem reputados (veja [15], [16], [19], [33]) e at mesmo tratados mais
avanados (como [3], [25] ou o prprio texto de Lax [20]) apenas mencionam o
clculo funcional de matrizes simtricas. Assim, o presente texto tambm tem a
inteno de contribuir para uma reavaliao do clculo funcional na lgebra Linear
bsica e, como conseqncia, mostrar que o tratamento funcional do uxo e
At
.
.
.
.
Apndice D Apndice C
1
x
1
+ . . . +
k
x
k
,
com
1
, . . . ,
k
K e x
1
, . . . , x
k
S.
O conjunto S linearmente dependente, se existir um nmero nito de
elementos
x
1
, . . . , x
k
S
e escalares
1
, . . . ,
k
K, no todos nulos, tais que
1
x
1
+ . . . +
k
x
k
= 0.
Caso contrrio, o conjunto S linearmente independente.
O conjunto S gera o espao X se, para todo x X, existirem (nitos)
elementos x
1
, . . . , x
j
S e escalares
1
, . . . ,
j
Ktais que x =
1
x
1
+. . .+
j
x
j
.
Uma base de X um subconjunto ordenado B que linearmente independente
e gera X. Um espao vetorial X tem dimenso nita, se possuir uma base com
um nmero nito de elementos,
1
ou se X = 0. Caso contrrio, ele tem dimenso
innita.
Lema 1.10 Suponhamos que S = x
1
, . . . , x
n
gere o espao vetorial X e que
y
1
, . . . , y
j
seja linearmente independente em X. Ento
j n.
Demonstrao: Suponhamos que j > n. Como S gera X, temos que
y
1
=
1
x
1
+. . . +
n
x
n
,
sendo ao menos um dos escalares
1
, . . . ,
n
diferente de zero (veja o Exerccio
10). Podemos supor
1
,= 0. Temos ento que x
2
, . . . , x
n
, y
1
gera X. De fato, se
x X, existem escalares
1
, . . . ,
n
tais que x =
1
x
1
+. . . +
n
x
n
. Mas, ento,
x =
1
_
1
1
(y
1
2
x
2
. . .
n
x
n
)
_
+
2
x
2
+ . . . +
n
x
n
,
1
Diz-se tambm que o espao vetorial nitamente gerado.
i
i
ALinear 2005/12/19 13:25 page 4 #20
i
i
i
i
i
i
4 Base e Dimenso Cap. 1
mostrando o armado.
De maneira anloga, y
2
=
2
x
2
+ . . . +
n
x
n
+
1
y
1
, com ao menos um dos
escalares
2
, . . . ,
n
diferente de zero (veja o Exerccio 11). Supondo
2
,= 0,
vericamos ento que o conjunto x
3
, . . . , x
n
, y
1
, y
2
gera o espao X. Repetindo
sucessivamente esse procedimento, obtemos que
y
1
, . . . , y
n
1
y
1
. . .
n
y
n
+ 1y
n+1
+ 0y
n+2
+ . . . + 0y
j
= 0,
o que contradiz y
1
, . . . , y
j
ser um conjunto linearmente independente. P
Lema 1.11 Todo espao vetorial X ,= 0 gerado por um subconjunto S =
x
1
, . . . , x
n
possui uma base.
Demonstrao: Se S for linearmente dependente, um de seus elementos pode ser
escrito como combinao linear dos elementos restantes. Retirando esse elemento,
o conjunto restante continua gerando X. Continuamos retirando elementos que
so combinao linear dos elementos restantes at obter um conjunto linearmente
independente que continua gerando X. P
Note que o espao vetorial X = 0 no possui base.
Teorema 1.12 Todas as bases de um espao vetorial X de dimenso nita possuem
o mesmo nmero de elementos.
Demonstrao: Se B = x
1
, . . . , x
n
e B
= y
1
, . . . , y
j
forem bases de X, o
Lema 1.10 aplicado ao conjunto linearmente independente B
e ao conjunto gerador
B mostra que j n. Aplicando ento ao conjunto linearmente independente B e ao
conjunto gerador B
, obtemos n j. P
i
i
ALinear 2005/12/19 13:25 page 5 #21
i
i
i
i
i
i
1.2 Bases 5
Denio 1.13 Se B = x
1
, . . . , x
n
for uma base do espao vetorial X, dizemos
que X tem dimenso n e escrevemos
dimX = n.
Se X = 0, X tem dimenso nita igual a zero.
Teorema 1.14 Todo subconjunto linearmente independente S = y
1
, . . . , y
j
de
um espao vetorial X de dimenso n 1 pode ser completado para formar uma
base de X.
Demonstrao: Se S no gerar X, ento existe um vetor x
1
X que no
combinao linear dos elementos de S. O conjunto
y
1
, . . . , y
j
, x
1
=
x
2
, . . . , x
n
, x
1
outra base de X. Omesmo acontece se a base possuir umnmero
innito de elementos.
A ordenao dos elementos da base permite dar sentido representao de um
vetor em uma base. Uma vez que (
1
, . . . ,
n
) =
1
e
1
+ . . . +
n
e
n
, vemos que a
escolha de uma base no espao X de dimenso n gera umisomorsmo entre X e K
n
(este espao considerado com a base cannica). A importncia desse isomorsmo
explorada no Exerccio 8.
i
i
ALinear 2005/12/19 13:25 page 6 #22
i
i
i
i
i
i
6 Base e Dimenso Cap. 1
Observao 1.18 Tendo alcanado esse ponto, no deixa de ser interessante
comparar trs concepes do plano. A primeira concepo o plano como es-
pao euclidiano, o espao da geometria clssica. Esse espao completamente
homogneo: se, de repente, um objeto fosse transportado para esse plano,
no haveria como localiz-lo. Todos os pontos so absolutamente iguais. A
segunda concepo o plano como espao vetorial. Nesse caso, existe um ponto
excepcional: a origem. Um objeto transportado para o plano apenas distinguiria
sua localizao como ocupando a origem ou no. A terceira concepo vem com a
introduo de coordenadas, e cria o plano da geometria analtica clssica. Aqui a
localizao de cada ponto muito bem determinada por suas coordenadas.
O isomorsmo entre um espao de dimenso nita n e o K
n
introduz a
possibilidade de medirmos distncias ou mesmo ngulos. Essa possibilidade ser
estudada posteriormente, especialmente nos Captulos 8 e 10.
1.3 Somas Diretas
Denio 1.19 Sejam A, B subconjuntos de um espao vetorial X. Denotamos
por A + B o conjunto de todos os vetores x + y, com x A e y B.
Proposio 1.20 Sejam U, V subespaos de X. Ento U + V subespao de X.
O subespao U + V chamado soma dos subespaos U e V .
Demonstrao: Se z
1
= x
1
+y
1
e z
2
= x
2
+y
2
forem elementos de U+V e K,
ento claramente z
1
+ z
2
U + V (veja o Exerccio 4). P
Denio 1.21 Sejam U, V subespaos de X. O subespao W = U + V a soma
direta dos subespaos U e V se cada elemento de w W puder ser escrito de
maneira nica como
w = x + y.
Nesse caso denotamos W por W = U V . (Veja a Figura 1.1.)
A denio de soma direta pode ser generalizada para a soma de um nmero
nito de subespaos de X.
Proposio 1.22 O subespao W = U + V a soma direta dos subespaos U, V
de X se, e somente se, U V = 0.
i
i
ALinear 2005/12/19 13:25 page 7 #23
i
i
i
i
i
i
1.3 Somas Diretas 7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
U
V
u
v
(u, v) U V
1
Figura 1.1:
Se W = U V , um ponto w W escreve-se de maneira nica como w = u +v.
Demonstrao: Suponhamos que W = U V . Se z U V ento w = x + y
tambm pode ser escrito como w = (x + z) + (y z). Como a decomposio
w = x + y nica, devemos ter x = x + z e y = y z. Assim, z = 0 (veja o
Exerccio 2).
Reciprocamente, suponhamos que x
1
+y
1
e x
2
+y
2
sejam duas decomposies
de w W. Ento x
1
x
2
= y
2
y
1
pertencem simultaneamente a U e V . Logo
x
1
x
2
= 0 = y
2
y
1
, garantindo a unicidade da decomposio. P
Teorema 1.23 Seja X um espao vetorial de dimenso nita. Ento vale:
(i) todo subespao Y de X possui dimenso nita;
(ii) todo subespao Y possui um complemento Z X, isto , existe um
subespao Z de X tal que
X = Y Z.
Demonstrao: Se Y = 0, ento dimY = 0. Caso contrrio, tome 0 ,= y
1
Y .
Se existir y
2
Y linearmente independente com y
1
, consideramos ento o conjunto
y
1
, y
2
. Se esse conjunto gerar Y , temos uma base. Se no, podemos acrescentar
y
3
Y linearmente independente com y
1
e y
2
. Procedendo assim, obtemos
sucessivamente conjuntos linearmente independentes, cada um contendo o anterior.
De acordo com o Lema 1.10, esse processo s pode continuar enquanto esses
conjuntos tiverem menos elementos do que a dimenso de X. Obtemos assim uma
base y
1
, . . . , y
j
para Y .
Aplicando ento o Teorema 1.14, essa base pode ser completada at obtermos
uma base y
1
, . . . , y
j
, x
1
, . . . , x
nj
para X. Dena Z como o espao de todas as
i
i
ALinear 2005/12/19 13:25 page 8 #24
i
i
i
i
i
i
8 Base e Dimenso Cap. 1
combinaes lineares dos elementos x
1
, . . . , x
nj
. Claramente Z um subespao
de X e Z Y = 0. Logo, pela Proposio 1.22, temos X = Y Z. P
1.4 Espao Quociente
Denio 1.24 Seja Y um subespao de X. Se x
1
, x
2
X, dizemos que x
1
congruente a x
2
mdulo Y , escrito
x
1
x
2
mod Y,
se x
1
x
2
Y .
Podemos dividir o espao X em diferentes classes de equivalncia mdulo Y
(veja o Exerccio 30). Denotaremos a classe contendo o elemento x por [x].
Denio 1.25 Se [x] e [z] forem classes de equivalncia mdulo Y e K,
denimos
[x] + [z] = [x + z], [x] = [x].
Com essas operaes, o conjunto de todas as classes de equivalncia mdulo Y
torna-se um espao vetorial, denotado por
X
Y
ou X/Y
e denominado espao quociente de X por Y .
A classe de equivalncia [x] muitas vezes representada por x + Y .
A rigor, precisamos mostrar que as operaes em X/Y esto bem denidas,
isto , independem dos representantes de cada classe de equivalncia. Portanto,
suponhamos que x
1
[x] e z
1
[z]. Ento x
1
= x + y
1
e z
1
= z + y
2
, com
y
1
, y
2
Y . Mas, ento, x
1
+ z
1
= x + y
1
+ z + y
2
= x + z + (y
1
+ y
2
) e, assim,
x
1
+ z
1
x + z mod Y . Do mesmo modo, x
1
= x + (y
1
) e x
1
x
mod Y .
Exemplo 1.26 Seja X um espao vetorial qualquer. Se Y = X, ento X/Y =
[0], pois x 0 mod Y para todo x X. Por outro lado, se Y = 0, ento
X/Y = X, pois x y mod Y implica que x = y.
i
i
ALinear 2005/12/19 13:25 page 9 #25
i
i
i
i
i
i
1.4 Espao Quociente 9
Exemplo 1.27 Seja Y R
2
o subespao denido por Y = (x, y) [ y = 2x.
(Em outras palavras, Y a reta de equao y = 2x). Na Figura 1.2, os vetores
w
1
, . . . , w
5
pertencem todos mesma classe. Assim, o vetor [w
1
] + Y R
2
/Y
uma reta paralela reta y = 2x. O espao quociente R
2
/Y formado por todas as
retas paralelas reta y = 2x.
_
'
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
`
`
``
Z
Z
Z
Z
Z
Z
Z
Z
'
/
/
/
/
/
/
-
-
-
-
- -
x
y
Y
[w]+Y
w
1
w
2
w
3
w
4
w
5
Figura 1.2:
O subespao Y a reta y = 2x. Os vetores w
1
, . . . , w
5
pertencem todos mesma classe.
O espao R
2
/Y formado por todas as retas paralelas reta y = 2x.
Sem diculdades, podemos estender a interpretao geomtrica aqui apre-
sentada ao caso geral.
Exemplo 1.28 Seja x K
n
e considere Y o subespao de todos os vetores cujas
duas primeiras coordenadas so nulas. Ento dois vetores so congruentes mdulo
Y se, e somente se, suas duas primeiras coordenadas forem iguais. Isto ,
(x
1
, x
2
, x
3
, . . . , x
n
) (y
1
, y
2
, y
3
, . . . , y
n
) mod Y x
1
= y
1
e x
2
= y
2
.
A classe de equivalncia de x K
n
pode ser vista como um vetor com duas
componentes, dadas pela primeira e segunda coordenadas de x.
Teorema 1.29 Consideremos a decomposio
X = Y Z.
i
i
ALinear 2005/12/19 13:25 page 10 #26
i
i
i
i
i
i
10 Base e Dimenso Cap. 1
Ento a aplicao Q : Z X/Y denida por Q(z) = [z] um isomorsmo
cannico. (Um isomorsmo cannico, se ele independer de escolhas de bases nos
espaos envolvidos).
Assim, se X tiver dimenso nita e z
1
, . . . , z
j
for uma base de Z, ento
[z
1
], . . . , [z
j
] uma base de X/Y . Portanto,
dimX/Y = dimZ = dimX dimY.
Demonstrao: Denimos Q : Z X X/Y por Q(z) = [z]. A aplicao Q
claramente linear.
Cada classe [x] X/Y tem como representante um elemento x X. Mas,
existe uma nica decomposio x = y + z, com y Y e z Z. Assim,
[x] = [y + z] = [z], mostrando que Q sobrejetor.
Suponhamos que [z
1
] = [z
2
]. Ento z
1
= z
2
+ y, com y Y . Mas, isso implica
que z
1
z
2
= y Y . Como z
1
z
2
Z, conclumos que z
1
z
2
= 0, completando
a demonstrao. P
1.5 Exerccios
1. Se x for o inverso aditivo de x X, mostre que x = (1)x.
2. Mostre que o elemento neutro aditivo de um espao vetorial nico. Mostre
que 0x = 0 para todo x X e 0 = 0 para todo K, sendo 0 X o
elemento neutro aditivo.
3. Seja X = (x
1
, . . . , x
n
) [ x
i
K. Dena a soma x + y da maneira usual e
x = 0 para todo K e x X. Verique quais propriedades da denio
de espao vetorial so satisfeitas.
4. Mostre que Y X um subespao se, e somente se, x + y Y para
quaisquer x, y Y e K.
5. Se X for um espao vetorial, mostre que os conjuntos X e 0 (que
consiste apenas do elemento neutro aditivo) so subespaos de X, chamados
subespaos triviais.
6. Seja S ,= . Generalize o Exemplo 1.3 e mostre que f : S K
n
um
espao vetorial.
i
i
ALinear 2005/12/19 13:25 page 11 #27
i
i
i
i
i
i
1.5 Exerccios 11
7. Seja V K
n
o conjunto de todas as n-uplas da forma (0, 0, x
3
, . . . , x
n
).
Mostre que V um subespao de K
n
.
8. Seja U = (x, y) R
2
[ x > 0, y > 0. Se z
1
= (x
1
, y
1
) e z
2
= (x
2
, y
2
)
forem elementos de U e R, dena
z
1
+ z
2
= (x
1
x
2
, y
1
y
2
), z
1
= (x
1
, y
1
).
(a) Mostre que U um espao vetorial com elemento neutro aditivo (1, 1);
(b) mostre que, se v
1
= (e, 1) e v
2
= (1, e), ento B = v
1
, v
2
uma base
de U (estamos denotando por e a base dos logaritmos naturais).
(c) Dena T : U R
2
por T(z) = [z]
B
, em que [z]
B
a representao de
z na base B. Mostre que T um isomorsmo.
9. Seja S X um subconjunto arbitrrio do espao vetorial X. Mostre
que o conjunto de todas as combinaes lineares dos elementos de S
um subespao de X, chamado (sub)espao gerado por S e denotado por
< S >. Mostre que, se Y X for um subespao tal que S Y ,
ento < S > Y . (Esse exerccio generaliza o procedimento usado na
demonstrao do Teorema 1.23).
10. Se S X for linearmente independente, mostre que 0 , S. Mostre que,
se um conjunto possuir um subconjunto linearmente dependente, ento esse
conjunto linearmente dependente.
11. Qual a razo, na demonstrao do Lema 1.10, de substituirmos sempre
um dos elementos x
j
, . . . , x
n
do conjunto x
j
, . . . , x
n
, y
1
, . . . , y
j1
pelo
elemento y
j
? Porque no podemos substituir y
j
por um dos elementos
y
1
, . . . , y
j1
?
12. Seja S = 1, z, z
2
, . . . , z
n
, . . .. Mostre que S uma base de K[z].
13. Seja T : X Y uma aplicao linear e dena ker T := v X [ Tv = 0.
Mostre que T injetora se, e somente se, ker T = 0.
14. Exiba um isomorsmo entre K
n
e K
n
[z].
15. Dena K
0
, formado por todas
i
i
ALinear 2005/12/19 13:25 page 12 #28
i
i
i
i
i
i
12 Base e Dimenso Cap. 1
as seqncias satisfazendo z
i
= 0, exceto para um nmero nito de ndices.
Mostre que K
0
isomorfo ao espao K[t].
16. Sejam T : X Y e S : Y Z aplicaes lineares. Mostre que a composta
S T = ST uma aplicao linear.
17. Seja T : X Y um isomorsmo entre os espaos X e Y . Mostre que a
inversa T
1
: Y X linear.
18. Mostre que todo espao vetorial de dimenso n sobre o corpo K isomorfo
a K
n
. Esse isomorsmo nico? Conclua que quaisquer dois espaos de
dimenso n sobre o mesmo corpo K so sempre isomorfos. Os espaos R
n
e
C
n
so isomorfos?
19. Sejam X, Y espaos vetoriais de dimenso nita sobre o corpo K. Mostre
que, se T : X Y for um isomorsmo, ento a imagem por T de toda base
de X uma base de Y . Em particular, dimX = dimY .
20. Seja B = x
1
, . . . , x
n
uma base de X e Y um espao vetorial. Escolha
arbitrariamente y
1
, . . . , y
n
Y . Mostre que existe uma nica aplicao
linear T : X Y tal que T(x
i
) = y
i
para i = 1, . . . , n. Conclua que,
se y
1
, . . . , y
n
for uma base de Y , ento T um isomorsmo.
21. Mostre que S uma base de X se, e somente se, todo elemento x X puder
ser escrito de maneira nica como combinao linear dos elementos de S.
22. Seja X um espao vetorial de dimenso n. Se S = y
1
, . . . , y
n
X for um
conjunto linearmente independente, mostre que S uma base de X.
23. Sejam X um espao vetorial de dimenso n e S = y
1
, . . . , y
n
um conjunto
que gera X. Mostre que S uma base de X.
24. Seja X um espao vetorial e S = x
1
, . . . , x
k
um subconjunto linearmente
dependentes formado por vetores no-nulos do espao X. Mostre que um
deles combinao linear dos vetores precedentes.
25. Seja X um espao de dimenso n e V
1
V
k
uma soma direta de
subespaos de X. Mostre que dim(V
1
V
k
) = dimV
1
+. . .+dimV
k
n.
26. Sejam X um espao de dimenso nita e U, V subespaos de X. Mostre que
dim(U + V ) = dimU + dimV dim(U V ).
i
i
ALinear 2005/12/19 13:25 page 13 #29
i
i
i
i
i
i
1.5 Exerccios 13
27. Denotaremos por M
nn
(K) o conjunto das matrizes n n com entradas
no corpo K. Dena o conjunto das matrizes simtricas o = A
M
nn
(K) [ A
t
= A, em que A
t
denota a transposta da matriz A (veja
3.12 para a denio da transposta de uma matriz); dena o conjunto das
matrizes anti-simtricas / = A M
nn
(K) [ A
t
= A. Mostre que
M
nn
(K) = o /.
28. Mostre que U V um subespao de X, se U e V forem subespaos de X.
O subespao U V a interseo dos subespaos U e V .
29. Seja X um espao vetorial e W
1
, W
2
subespaos. Mostre que, se X =
W
1
W
2
, ento X = W
i
para pelo menos algum i 1, 2.
30. Seja uma relao de equivalncia
2
num conjunto A. Dado x A, denote
cl(x) := y A[ y x
a classe de equivalncia do elemento x. Mostre que A pode ser escrito como
uma unio disjunta de suas classes de equivalncia.
31. Mostre que a congruncia mdulo Y uma relao de equivalncia.
32. Seja Y um subespao de X com dimY = dimX. Mostre que Y = X.
33. Seja W R
3
o subespao (verique!) formado por todas as solues da
equao linear homognea 2x + 3y + 4z = 0. Descreva as classes de
equivalncia da congruncia mdulo W.
34. SejamX um espao vetorial e M, N subespaos. D exemplo desses espaos,
de modo que
(a) nem M, nem X/M tenha dimenso nita;
(b) X/M tenha dimenso nita, mas X/N no tenha.
35. Seja T : X X um operador linear e W um subespao invariante por T,
isto , T(W) W. Considere a aplicao
T : X X/W denida por
T) = 0.
2
Quer dizer, se x, y, z A, ento: (i) x x; (ii) se x y, ento y x; (iii) se x y e y z,
ento x z.
i
i
ALinear 2005/12/19 13:25 page 14 #30
i
i
i
i
i
i
14 Base e Dimenso Cap. 1
36. Seja W X um subespao e Q : X X/W a aplicao quociente denida
por Q(x) = [x]. Seja Y X outro subespao de X. Mostre que X = WY
se, e somente se, a restrio Q[
Y
: Y X/W for um isomorsmo.
37. A soma direta de espaos vetoriais X
1
, X
2
o conjunto X
1
X
2
de todos os
pares (x
1
, x
2
) com x
1
X
1
e x
2
X
2
. Denindo adio e multiplicao por
escalar coordenada a coordenada, mostre que X
1
X
2
um espao vetorial.
Se X
1
e X
2
tiveremdimenso nita, ento dim(X
1
X
2
) = dimX
1
+dimX
2
.
38. Seja Y um subespao de X. Mostre que X isomorfo a Y X/Y .
i
i
ALinear 2005/12/19 13:25 page 15 #31
i
i
i
i
i
i
2
Dualidade
Este Captulo apresenta uma primeira verso do Teorema de Representao de
Riesz e tambm do isomorsmo cannico entre o espao X e o bidual X
. Ele pode
ser suprimido numa primeira leitura ou a critrio do instrutor.
2.1 O Espao Dual
Existem muitas maneiras de produzir espaos vetoriais a partir de espaos ou
subespaos conhecidos. Por exemplo, se M for um subespao de X, ento X/M
um novo espao vetorial. Ou, dados os espaos vetoriais X e Y , podemos
considerar o espao X Y , apresentado no Exerccio 37 do Captulo 1.
Apresentaremos agora uma forma importante de obter um novo espao vetorial,
partindo do espao X:
Denio 2.1 Se X for um espao vetorial sobre K, consideremos o conjunto
X
= : X K[ linear.
De maneira natural vemos que X
e K,
( +m)(x) = (x) + m(x), ()(x) = (x).
Com essas operaes, X
e m X
.
Exemplo 2.3 Dena
1
: K
n
K por
1
(x
1
, . . . , x
n
) = x
1
. Ento
1
(K
n
)
.
Seja x
1
, . . . , x
n
uma base do espao vetorial X. Ento, para todo x X, existem
escalares
1
(x), . . . ,
n
(x) tais que
x =
1
(x)x
1
+ . . . +
n
(x)x
n
.
Os escalares
i
(x) so justamente as coordenadas de x na base x
1
, . . . , x
n
.
(Quer dizer, se x =
1
x
1
+ . . . +
n
x
n
,
i
(x) denota
i
.)
Teorema 2.4 Seja B = x
1
, . . . , x
n
uma base de X e
x =
1
(x)x
1
+ . . . +
n
(x)x
n
.
Ento, se
ij
denotar 0, se i ,= j, e 1, se i = j, temos:
(i)
i
: X K um funcional linear e
i
(x
j
) =
ij
, para i, j 1, . . . , n;
(ii) o conjunto
1
, . . . ,
n
uma base de X
, ento
m(x) =
1
(x)m(x
1
) +. . . +
n
(x)m(x
n
).
(iv) para todo 0 ,= x X, existe m X
n
)x
n
e, portanto,
i
(x + y) =
i
+
i
=
i
(x) +
i
(y).
(ii) Suponhamos que
1
1
+ . . . +
n
n
= 0 X
. Ento
m(x) = m(
1
x
1
+ . . . +
n
x
n
) =
1
m(x
1
) + . . . +
n
m(x
n
)
=
1
(x)m(x
1
) + . . . +
n
(x)m(x
n
),
provando no apenas que
1
, . . . ,
n
geram X
n
(x)x
n
no nula. Considere m =
i
. P
i
i
ALinear 2005/12/19 13:25 page 17 #33
i
i
i
i
i
i
2.1 O Espao Dual 17
Observao 2.5 A parte (iii) do Teorema 2.4 uma verso do Teorema de
Representao de Riesz; veja o Teorema 8.22.
Uma vez que X
= n.
Note que X
= L : X
K[ L linear.
Quer dizer, L uma transformao linear que associa, a cada funcional linear
: X K, o nmero L() K. Os elementos de X
so, aparentemente,
complicados. Mostraremos que as aplicaes lineares em X
esto canonicamente
associadas aos vetores do espao X. Quer dizer, existe um isomorsmo entre X
e X
K denida por
L
x
() = (x).
Quer dizer, L
x
associa a cada funcional linear X
.
Demonstrao: Suponhamos que , m X
. Ento, se K,
L
x
( + m) = ( + m)(x) = (x) +m(x) = L
x
() + L
x
(m).
(Compare essa demonstrao com o Exemplo 2.2.) P
Teorema 2.7 Os espaos X
da forma L
x
, para algum x X.
Demonstrao: Apesar de ser constituda de etapas bastante simples, a idia da
demonstrao relativamente elaborada. Denimos = L
x
[ x X. Quer dizer,
os elementos de so as aplicaes lineares denidas no lema anterior. Vamos
mostrar, em primeiro lugar, que um subespao de X
. Depois, mostraremos
que X isomorfo a . Assim, dim = n = dimX
.
i
i
ALinear 2005/12/19 13:25 page 18 #34
i
i
i
i
i
i
18 Dualidade Cap. 2
Sejam L
x
, L
y
e K. Consideremos L
x
+ L
y
. Queremos mostrar que
essa aplicao linear um elemento de , isto , L
x
+L
y
= L
z
para algum z X.
Temos, para X
,
(L
x
+ L
y
)() = L
x
() + L
y
() = (x) +(y) = (x + y) = L
x+y
().
Isso mostra que um subespao de X
. Agora denimos:
T : X
x L
x
.
Vamos mostrar que T um isomorsmo entre X e . Temos que
T(x + y) = L
x+y
= L
x
+ L
y
= T(x) + T(y),
de acordo com o que mostramos na primeira parte. A aplicao T sobrejetora
por denio. A injetividade tambm clara: se T(x) = T(y), ento L
x
= L
y
e,
portanto, L
x
() = L
y
() para todo X
. Armamos que
1
, . . . ,
n
linearmente independente. De fato, suponhamos que
1
+ . . . +
n
n
= 0 (K
n
[t])
.
Isso implica que
1
p(t
1
) + . . . +
n
p(t
n
) = 0, p K
n
[t]. (2.1)
i
i
ALinear 2005/12/19 13:25 page 19 #35
i
i
i
i
i
i
2.2 Exerccios 19
Considere os polinmios
q
1
(t)=(tt
2
) (tt
n
), q
2
(t)=(tt
1
)(tt
3
) (tt
n
),. . ., q
n
(t)=(tt
1
). . .(tt
n1
).
Cada polinmio q
i
possui exatamente n 1 razes nos pontos t
j
, com j ,= i.
Substituindo sucessivamente os polinmios q
i
na relao (2.1), obtemos
i
q(t
i
) =
0, o que implica
i
= 0. Isso mostra que
1
, . . . ,
n
linearmente independente
em (K
n
[t])
1
+ . . . +
n
n
para escalares
1
, . . . ,
n
K. O resultado segue-se da ao considerarmos o
funcional linear
p
_
I
p(t)dt. P
2.2 Exerccios
1. Considere a base B := v
1
, v
2
do R
2
, em que v
1
= (2, 1) e v
2
= (3, 1). Ache
a base dual de B.
2. Seja R
n
[t] o espao de todos os polinmios (com coecientes em R) de
grau menor do que n (na incgnita t). Mostre que as seguintes aplicaes
pertencem ao dual de R
n
[t]:
(a)
i
(p(t)) = a
i
para todo i = 0, 1, . . . , n1, se p(t) R
n
[t] for dado por
p(t) = a
0
+ a
1
t +. . . + a
n1
t
n1
;
(b) J(p(t)) =
_
1
0
p(t)dt, para todo p(t) R
n
[t].
3. Considere o espao R
2
[t], como antes. Sejam
1
: R
2
[t] Re
2
: R
2
[t] R
dadas por
1
(p(t)) =
_
1
0
p(t)dt e
2
(p(t)) =
_
2
0
p(t)dt. Mostre que B
1
,
2
uma base de (R
2
[t])
. Ache a base v
1
, v
2
de R
2
[t] da qual B
dual.
4. Considere a demonstrao do Teorema 2.7. Se X tiver dimenso innita, o
que podemos concluir?
i
i
ALinear 2005/12/19 13:25 page 20 #36
i
i
i
i
i
i
20 Dualidade Cap. 2
5. Sejam X um espao vetorial arbitrrio e f : X K um funcional linear
no-nulo.
(a) Mostre que ker f tem codimenso 1, isto , existe w X tal que
X = ker f < w > .
(< w > denota o espao gerado por w X).
(b) Se g : X K for outro funcional linear, ento g um mltiplo escalar
de f se, e somente se, o ncleo de g contiver o ncleo de f.
(c) Sejam , f
1
, . . . , f
r
funcionais lineares no espao X. Mostre que
combinao linear de f
1
, . . . , f
r
se, e somente se, ker f
1
ker f
r
ker .
6. SejamX um espao vetorial e S X um subconjunto arbitrrio. O anulador
de S o conjunto S
0
= f X
subespao de X
.
7. Seja Y X um subespao do espao vetorial de dimenso nita X. Mostre
que dimX = dimY + dimY
0
. Identicando X e X
: Y
: Y
por T
() = T = T.
Y
X
d
d
K
E
T
T
i
i
ALinear 2005/12/19 13:25 page 21 #37
i
i
i
i
i
i
2.2 Exerccios 21
(A aplicao T
=
S
+ T
;
(c) se S : X Y e T : Y Z forem aplicaes lineares, mostre que
(ST)
= T
;
(d) se T : X Y tiver inversa, mostre que (T
1
)
= (T
)
1
;
(e) se X e Y tiverem dimenso nita, identicando X
com X e Y
com
Y , mostre que T
:= (T
.
i
i
ALinear 2005/12/19 13:25 page 22 #38
i
i
i
i
i
i
3
Aplicaes Lineares
Este Captulo introduz aplicaes lineares e suas representaes matriciais, os
espaos linha e coluna de uma matriz, demonstra o Teorema do Ncleo e da Imagem
e estuda detalhadamente a relao entre diferentes representaes matriciais de um
mesmo operador.
3.1 Aplicaes Lineares e Matrizes - parte 1
Sejam X e Y espaos vetoriais sobre o mesmo corpo K. Como sabemos, uma
aplicao linear (ou transformao linear) uma aplicao T : X Y tal que
T(x + y) = Tx + Ty, x, y X e K.
Exemplo 3.1 Se K[z] for o espao vetorial de polinmios (com coecientes em
K, na incgnita z), T : K[z] K[z] denida por T(p) = p
(derivao) uma
transformao linear, bem como S(p) =
_
p (integrao; na famlia de primitivas
escolhemos sempre a constante de integrao como nula). Se X = Y = R
2
,
denimos a rotao R : R
2
R
2
como a aplicao que roda em torno da origem
por um ngulo 0 < < 2 um ponto do R
2
0, no sentido anti-horrio, e
R(0) = 0. (Veja a Figura 3.1.) claro que o nico ponto xo por R a origem.
Exemplo 3.2 Sejam X = K
n
, Y = K
m
e a
ij
K, para j = 1, . . . , n e
i = 1, . . . , m. Se x = (x
1
, . . . , x
n
) K
n
e y = (y
1
, . . . , y
m
) K
n
, denimos
y = Tx por
y
i
=
n
j=1
a
ij
x
j
, i = 1, . . . , m. (3.1)
22
i
i
ALinear 2005/12/19 13:25 page 23 #39
i
i
i
i
i
i
3.1 Aplicaes Lineares e Matrizes - parte 1 23
_
'
!
e
e
e
eu
r
r
r
r
e
e
e
eu
r
r
r
r
a
b
a + b
R(a)
R(b)
R(a + b)
x
y
1
Figura 3.1:
A linearidade de R geometricamente clara.
Armamos que T linear. De fato, se w = (w
1
, . . . , w
n
) K
n
e K, temos
(T(x + w))
i
=
n
j=1
a
ij
(x
j
+ w
j
) =
n
j=1
a
ij
x
j
+
n
j=1
a
ij
w
j
= (Tx)
i
+ (Tw)
i
.
(Escolha i 1, . . . , m e escreva explicitamente a soma efetuada.)
Teorema 3.3 Toda aplicao linear T : K
n
K
m
da forma (3.1).
Demonstrao: Consideremos a base cannica e
1
, . . . , e
n
do K
n
. Temos, ento,
que x = x
1
e
1
+ . . . + x
n
e
n
=
n
j=1
x
j
e
j
. Como T linear,
y = Tx = T
_
n
j=1
x
j
e
j
_
=
n
j=1
x
j
T(e
j
).
Denotemos a i-sima coordenada do vetor T(e
j
) por a
ij
, isto , a
ij
= (T(e
j
))
i
.
Assim, a i-sima coordenada de y
y
i
=
n
j=1
x
j
a
ij
,
como queramos provar. P
Observao 3.4 Note que, para provarmos o Teorema 3.3, zemos uso explcito da
base cannica do R
n
. Ao denotar a
ij
= (T(e
j
))
i
, estamos fazendo uso implcito da
base cannica do R
m
.
i
i
ALinear 2005/12/19 13:25 page 24 #40
i
i
i
i
i
i
24 Aplicaes Lineares Cap. 3
conveniente representar os coecientes (a
ij
) da expresso (3.1) como um
arranjo retangular:
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
;
denominamos tal arranjo matriz mn, m sendo o nmero de linhas e n o nmero
de colunas. O elemento a
ij
a entrada correspondente linha i e coluna j. Se
m = n, dizemos que a matriz A quadrada. Uma submatriz de A uma matriz
obtida de A ao se omitir algumas de suas linhas e/ou colunas.
O Exemplo 3.2 e o Teorema 3.3 mostram que existe uma correspondncia
bijetiva entre o conjunto de matrizes m n e o espao das aplicaes lineares
de K
n
para o K
m
. Denotaremos o elemento a
ij
da matriz A, chamada matriz que
representa T (com relao s bases cannicas do K
n
e K
m
) por
T
ij
= a
ij
= (T(e
j
))
i
.
Exemplo 3.5 Seja R : R
2
R
2
a rotao apresentada no Exemplo 3.1.
Escolhendo a base cannica c = e
1
, e
2
, encontramos a matriz A que representa
R (com relao base cannica do R
2
no domnio e na imagem). O nosso ponto de
partida, para isso, consiste na expresso (3.1). Para j = 1, 2, considerando o vetor
x = e
j
, vemos que o lado direito de (3.1) produz a j-sima coluna da matriz (a
ij
).
Assim, se Re
1
= P, o ponto P tem coordenadas (cos , sen ), de acordo com a
prpria denio das funes seno e cosseno. Do mesmo modo, se Re
2
= Q, as
coordenadas de Q so (cos( + /2), sen ( + /2)) = (sen , cos ). Logo, a
representao de R na base c a matriz de rotao
A =
_
cos sen
sen cos
_
.
1
.
.
.
m
_
_
_
, (3.3)
em que
c
j
=
_
_
_
a
1j
.
.
.
a
mj
_
_
_
e
i
= (a
i1
a
i2
a
in
).
i
i
ALinear 2005/12/19 13:25 page 27 #43
i
i
i
i
i
i
3.2 Multiplicao de Matrizes 27
Utilizaremos as diversas concepes de uma matriz arranjo de nmeros ou
de vetores linha ou vetores coluna para podermos interpretar a composio de
aplicaes lineares e introduzirmos a multiplicao de matrizes.
Para isso, comeamos por um caso simples: um funcional linear : K
n
K.
De acordo com o Teorema 3.3, a essa aplicao corresponde uma "matriz linha"
(c
1
. . . c
n
). Se voc tiver lido o Captulo 2, isso mostra que os elementos do
espao dual do R
n
so, em termos matriciais, justamente as matrizes linha (isto
, as matrizes formadas por uma nica linha e n colunas).
De acordo com (3.1), x = c
1
x
1
+c
2
x
2
+. . . +c
n
x
n
. Mas, corresponde a uma
matriz linha, enquanto o vetor x K
n
visto como uma coluna. Chegamos assim
a
x = (c
1
. . . c
n
)
_
_
_
x
1
.
.
.
x
n
_
_
_
= c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
, (3.4)
expresso que serve como denio do produto de uma matriz linha por uma matriz
coluna!
A frmula de multiplicao de uma matriz mn por uma matriz coluna n 1
decorre tambm imediatamente de (3.1): se T /(K
n
, K
m
) for representada pela
matriz (a
ij
), ento y = Tx tem coordenadas
y
i
=
n
j=1
a
ij
x
j
, i = 1, . . . , m. (3.5)
Uma vez que j convencionamos que os nossos vetores so representados por
colunas e
Tx =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
,
vemos que
y =
_
_
_
_
_
y
1
y
2
.
.
.
y
m
_
_
_
_
_
= Tx =
_
_
_
_
_
2
.
.
.
m
_
_
_
_
_
x =
_
_
_
_
_
1
x
2
x
.
.
.
m
x
_
_
_
_
_
, (3.6)
o que vem da comparao de (3.5) com (3.4).
i
i
ALinear 2005/12/19 13:25 page 28 #44
i
i
i
i
i
i
28 Aplicaes Lineares Cap. 3
Agora fcil obter a frmula de multiplicao de uma matriz p m por uma
matriz mn: uma matriz pmcorresponde a uma aplicao linear S /(K
m
, K
p
)
e uma matriz m n a uma aplicao linear T /(K
n
, K
m
). A composio
ST /(K
n
, K
p
) est bem denida e produz uma matriz p n. Vamos caracterizar
essa matriz. Pela equao (3.2), Te
j
igual a c
j
, a j-sima coluna de T. Do
mesmo modo (ST)e
j
corresponde j-sima coluna da matriz que representa ST.
Aplicando a frmula (3.6) para x = c
j
= Te
j
, temos ento
(ST)e
j
= S(Te
j
) = Sc
j
=
_
_
_
1
c
j
.
.
.
p
c
j
_
_
_
,
em que
k
a k-sima linha de S, para k = 1, . . . , p. Mostramos assim a regra: se
S for uma matriz p m e T uma matriz m n, ento o produto ST uma matriz
p n, cuja entrada kj o produto da k-sima linha de S pela j-sima coluna de T:
(ST)
kj
=
k
c
j
,
em que
S =
_
_
_
1
.
.
.
p
_
_
_
e T = (c
1
c
n
).
Expressando de outra forma,
ST = (Sc
1
Sc
2
. . . Sc
n
),
com Sc
i
denotando a i-sima coluna da matriz ST.
Denimos, assim, o produto de uma matriz m n por uma matriz n p.
Note que, uma vez que o produto de transformaes lineares associativo, a
multiplicao de matrizes associativa. Outras propriedades bsicas da multi-
plicao de matrizes decorrem, do mesmo modo, das propriedades anlogas da
composio de aplicaes lineares.
Denio 3.9 Seja A uma matriz nn. Dizemos que A invertvel, se existir uma
matriz B tal que
AB = BA = I,
em que I denota a matriz identidade n n. fcil ver que existe no mximo uma
matriz B com tal propriedade (veja o Exerccio 5). Denotamos, portanto, B = A
1
e chamamos A
1
de inversa da matriz A.
i
i
ALinear 2005/12/19 13:25 page 29 #45
i
i
i
i
i
i
3.3 Espao Linha e Espao Coluna 29
3.3 Espao Linha e Espao Coluna
Para 1 i m e 1 j n, suponhamos conhecidos os valores a
ij
e os
valores b
j
. Um sistema linear em m equaes e n incgnitas procura a soluo
x
1
, . . . , x
n
que satisfaz
a
11
x
1
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ . . . + a
mn
x
n
= b
m
.
Em termos de matrizes, esse sistema pode ser escrito como
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
,
ou,
Ax = b
Se b = 0, o sistema chamado homogneo; se b ,= 0, o sistema no-
homogneo. Os sistemas Ax = b e Ax = 0 relacionam-se de um modo especial, de
modo que informaes sobre as solues de um fornecem dados importantes para a
soluo do outro. Por esse motivo, no estudo do sistema Ax = b, o sistema Ax = 0
chamado sistema homogneo associado.
Nesta e nas prximas sees estudaremos o sistema linear Ax = b. Para isso,
comeamos estudando mais detalhadamente a matriz A = (a
ij
) M
mn
(K).
Como sabemos, ela pode ser vista por meio de suas linhas ou colunas:
A =
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
= (c
1
. . . c
n
) =
_
_
_
1
.
.
.
m
_
_
_
. (3.7)
Os vetores colunas c
1
, . . . , c
n
so vetores do K
m
. Se c = c
1
, . . . , c
n
,
chamamos de espao coluna o espao gerado por c, isto , < c > K
m
.
Por outro lado, podemos interpretar as linhas de A como elementos do
prprio espao K
n
(ou como elementos do dual (K
n
)
). Se escrevermos / =
i
i
ALinear 2005/12/19 13:25 page 30 #46
i
i
i
i
i
i
30 Aplicaes Lineares Cap. 3
1
, . . . ,
m
K
n
, chamamos de espao linha o espao gerado por /, isto ,
< / > K
n
.
Comeamos interpretando o espao coluna de uma matriz. Para isso, denimos:
Denio 3.10 Seja T : X Y uma aplicao linear. Denimos a imagem de T,
denotada por imT, por
imT = y Y [ y = Tx.
Denimos o ncleo de T, denotado por ker T, por
ker T = x X [ Tx = 0.
O ncleo e a imagem de T so subespaos vetoriais de X e Y , respectivamente.
De fato, se x
1
, x
2
ker T e K, ento T(x
1
+ x
2
) = T(x
1
) + T(x
2
) =
0 + 0 = 0, provando que x
1
+ x
2
ker T. Se y
1
, y
2
imT, ento
existem x
1
, x
2
X tais que y
1
= T(x
1
) e y
2
= T(x
2
). Logo, se K,
y
1
+ y
2
= T(x
1
) + T(x
2
) = T(x
1
+ x
2
), o que mostra que y
1
+y
2
imT.
Lema 3.11 Considere o sistema linear no-homogneo Ax = b, em que A =
(a
ij
) M
mn
(K). Ento so equivalentes:
(i) Existe soluo x para Ax = b;
(ii) O vetor b combinao linear das colunas de A.
Demonstrao: Basta notar que o sistema Ax = b equivalente equao
x
1
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
+ x
2
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
+. . . + x
n
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
.
P
Em outras palavras, acabamos de mostrar que < c > o subespao imA.
Denio 3.12 Se A = (a
ij
) M
mn
(K) for uma matriz m n, denimos a
transposta de A como a matriz A
t
= (a
t
ij
) M
nm
(K), com a
t
ij
= a
ji
.
i
i
ALinear 2005/12/19 13:25 page 31 #47
i
i
i
i
i
i
3.3 Espao Linha e Espao Coluna 31
Assim, se A for a matriz dada por (3.7), ento
A
t
=
_
_
_
a
11
. . . a
m1
.
.
.
.
.
.
.
.
.
a
1n
. . . a
mn
_
_
_
.
Assim, as colunas da matriz A
t
so justamente as linhas da matriz A. Como
conseqncia imediata do Lema 3.11, temos que
< / > = imA
t
. (3.8)
Se S for a aplicao linear representada pela matriz A (com relao s bases
cannicas do K
n
e K
m
), ento < / > a imagem da aplicao linear S
t
(que
chamada transposta da aplicao linear S e representada pela matriz A
t
).
Vamos agora relacionar as dimenses dos espaos < c > e < / > de uma
matriz A. Mostraremos que esses espaos tm a mesma dimenso; isso um fato
notvel, pois eles so subespaos de espaos vetoriais diferentes!
Teorema 3.13 Dada uma matriz m n, seu espao linha tem a mesma dimenso
de seu espao coluna.
Demonstrao: Suponhamos que os vetores
b
1
= (b
11
, b
12
, . . . , b
1n
), b
2
= (b
21
, b
22
, . . . , b
2n
), . . . , b
r
= (b
r1
, b
r2
, . . . , b
rn
)
formem uma base do espao linha da matriz A. Ento cada linha
i
de A
combinao linear desses elementos:
1
=
11
b
1
+ . . . +
1r
b
r
2
=
21
b
1
+ . . . +
2r
b
r
.
.
. =
.
.
.
m
=
m1
b
1
+ . . . +
mr
b
r
Igualando a componente i de cada uma dessas equaes, obtemos
a
1i
=
11
b
1i
+
12
b
2i
+ . . . +
1r
b
ri
a
2i
=
21
b
1i
+
22
b
2i
+ . . . +
2r
b
ri
.
.
. =
.
.
.
a
mi
=
m1
b
1i
+
m2
b
2i
+ . . . +
mr
b
ri
.
i
i
ALinear 2005/12/19 13:25 page 32 #48
i
i
i
i
i
i
32 Aplicaes Lineares Cap. 3
Quer dizer,
_
_
_
_
_
a
1i
a
2i
.
.
.
a
mi
_
_
_
_
_
= b
1i
_
_
_
_
_
11
21
.
.
.
m1
_
_
_
_
_
+ b
2i
_
_
_
_
_
12
22
.
.
.
m2
_
_
_
_
_
+ . . . + b
ri
_
_
_
_
_
1r
2r
.
.
.
mr
_
_
_
_
_
,
mostrando que as colunas de A so combinaes lineares dos r vetores
_
_
_
_
_
11
21
.
.
.
m1
_
_
_
_
_
, . . . ,
_
_
_
_
_
1r
2r
.
.
.
mr
_
_
_
_
_
.
Isso quer dizer que o espao coluna tem dimenso, no mximo, igual a r, ou seja,
dim < c > dim < / > .
Procedendo da mesma maneira com relao a uma base do espao coluna,
mostramos que
dim < / > dim < c > .
Assim, essas duas dimenses so iguais.
2
P
Denio 3.14 Denimos o posto da matriz A, denotado por posto A, como sendo
dim < c > = dim < / > .
Se A for uma representao matricial da aplicao linear T, denimos posto T =
posto A.
3.4 Resoluo de Sistemas Lineares
Vamos estudar a resoluo do sistema Ax = b. Para isso, mais sinteticamente
ainda, representaremos esse sistema por uma nica matriz, chamada matriz
2
De maneira mais elegante, podemos notar que mostramos dim < c > dim < / > para
qualquer matriz. Aplicando esse fato matriz A
t
, obtemos o resultado.
i
i
ALinear 2005/12/19 13:25 page 33 #49
i
i
i
i
i
i
3.4 Resoluo de Sistemas Lineares 33
aumentada do sistema:
A = (A [ b) =
_
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
b
m
_
_
_
_
_
_
claro que, se estivermos tratando de um sistema homogneo Ax = 0, no h
necessidade de trabalhar com a matriz aumentada do sistema.
fcil vericar que as seguintes operaes sobre as linhas da matriz A no
alteram o conjunto de solues do sistema Ax = b:
(a) Transpor as linhas i e j;
(b) Multiplicar a linha i por um escalar no-nulo;
(c) Substituir a linha j por sua soma com um mltiplo da linha i.
3
As operaes (a), (b) e (c) so as operaes elementares sobre as linhas da
matriz A.
Consideremos ento uma matriz satisfazendo as seguintes propriedades:
- se existir o primeiro elemento no-nulo da linha i (chamado piv da linha i) e
se esse ocorrer na coluna j, ento, se existir o piv da linha i +, esse ocorre
numa coluna k > j, para todo 1, . . . , mi;
- o piv de cada linha igual a 1.
Dizemos ento que essa matriz (ou o sistema) est na forma escalonada e uma
sucesso de operaes elementares utilizadas para levar uma matriz qualquer C at
3
Com relao a operao (c), note que x = (x
1
, x
2
, . . . , x
n
) satisfaz
a
i1
x
1
+ . . . + a
in
x
n
= b
i
a
j1
x
1
+ . . . + a
jn
x
n
= b
j
se, e somente se, satiszer
a
i1
x
1
+ . . . + a
in
x
n
= b
i
(a
j1
+a
i1
)x
1
+ . . . + (a
jn
+a
in
)x
n
= b
j
+b
i
.
i
i
ALinear 2005/12/19 13:25 page 34 #50
i
i
i
i
i
i
34 Aplicaes Lineares Cap. 3
uma matriz na forma escalonada um escalonamento da matriz C. (Segundo o
Exerccio 11, a uma matriz podem estar associadas diferentes formas escalonadas.)
Dada uma matriz arbitrria C = (c
ij
) M
mn
(K), a sucessiva aplicao de
operaes elementares (sobre suas linhas) pode lev-la at uma forma escalonada.
De fato, se existir algum elemento no-nulo na primeira coluna de C, ao aplicarmos
as operaes elementares (a) e (b) obtemos uma nova matriz C
= (c
ij
), com
c
11
= 1. A aplicao da operao elementar (c) torna possvel transformar em zero
qualquer outro elemento no-nulo da primeira coluna. O resultado ento segue-se
da por induo sobre o nmero de linhas de C.
Suponhamos agora que uma matriz C esteja na forma escalonada. Se cada piv
for o nico elemento no-nulo de sua coluna, dizemos que a matriz est na forma
escalonada reduzida por linhas. Aplicando a operao elementar (c), podemos
fazer com que uma matriz na forma escalonada atinja sua forma reduzida por
linhas. De fato, consideremos o piv da ltima linha no-nula de C. A aplicao da
operao elementar (c) torna possvel zerar os elementos que esto acima do piv,
mantendo ainda a matriz na forma escalonada. A demonstrao agora segue-se da
por induo, aplicando o mesmo procedimento ao piv da penltima linha no-nula
de C e assim sucessivamente.
Duas matrizes A e B so equivalentes por linha se existir uma sucesso de
operaes elementares sobre as linhas de A que a transforma na matriz B. Note
que a aplicao de uma nica operao elementar no altera o espao linha de uma
matriz. Por conseguinte, so iguais os espaos linhas de duas matrizes equivalentes
por linha.
Proposio 3.15 Seja A M
mn
(K). O sistema Ax = b no possui soluo
se, e somente se, a forma escalonada reduzida por linhas da matriz aumentada
A = (A [ b) possuir um piv na ltima coluna.
Demonstrao: Se a forma escalonada reduzida por linhas de A possuir uma linha
com a forma
(0 [ 1),
claramente o sistema Ax = b no tem soluo.
Denotaremos por (R [ c) a forma escalonada reduzida por linhas da matriz A,
uma vez ignorada todas as linhas nulas. Suponhamos que a forma (R [ c) no
possua uma linha do tipo (0 [ 1). claro que:
- o nmero de coordenadas de c corresponde ao nmero de pivs em R;
i
i
ALinear 2005/12/19 13:25 page 35 #51
i
i
i
i
i
i
3.4 Resoluo de Sistemas Lineares 35
- as colunas correspondentes aos pivs formam uma base do espao coluna de
R.
Assim, c um vetor com o mesmo nmero de coordenadas que a dimenso do
espao coluna de R. Ou seja, c est no espao coluna de R e, portanto, o sistema
Rx = c possui soluo. (Veja o Exerccio 23 do Captulo 1.) Como o conjunto
de solues no alterado por operaes elementares, o sistema Ax = b possui
soluo. P
Vamos agora mostrar que existe apenas uma forma escalonada reduzida por
linhas para A = (A [ b). Comeamos com uma observao simples, que a base
da prova do prximo resultado: uma vez que o espao linha de uma matriz no
alterado pela aplicao de uma sucesso de operaes elementares, quaisquer que
sejam as maneiras de se escalonar a matriz aumentada (A[ b) do sistema Ax = b, as
formas escalonadas obtidas ou tero todas pivs na ltima coluna (correspondente
coluna do vetor b) e, portanto, o sistema no ter soluo, ou nenhuma delas ter
piv na ltima coluna e, portanto, o sistema ter soluo.
Lema 3.16 Consideremos o sistema Ax = b, para x K
n
. Seja A =
(A [ b) a matriz aumentada desse sistema. Ento os pivs obtidos em qualquer
escalonamento de A so sempre os mesmos.
Demonstrao: Denotemos por c
k
a k-sima coluna de A. Qualquer que seja o
escalonamento de A, ele ter um piv na primeira coluna apenas quando c
1
,= 0.
Assim, a existncia de um piv na primeira coluna independe do modo de se
escalonar A.
Consideremos, ento, a existncia de um piv na coluna k, com k 2, . . . , n.
Tomemos a submatriz B
k1
obtida de Aao se considerar suas k1 colunas iniciais:
B
k1
= (c
1
c
2
. . . c
k1
).
Notamos que, se uma seqncia de operaes elementares produzir um esca-
lonamento de A, ento ela produz um escalonamento de B
k1
. Reciprocamente, se
tivermos um escalonamento de B
k1
, ento as k 1 colunas iniciais de A foram
escalonadas.
Para x K
k1
, consideremos ento o sistema
B
k1
x = c
k
.
i
i
ALinear 2005/12/19 13:25 page 36 #52
i
i
i
i
i
i
36 Aplicaes Lineares Cap. 3
Esse sistema no possui soluo se, e somente se, ao escalonarmos a matriz
aumentada (B
k1
[ c
k
), obtivermos um piv em sua ltima coluna. Mas, como j
vimos, a existncia desse piv independe de como foi feito esse escalonamento. O
resultado est provado. P
claro que, numa matriz A M
mn
(K), o nmero mximo possvel de pivs
igual a n, um para cada coluna de A. Chamamos de varivel livre do sistema
Ax = b a toda coordenada de x correspondente a uma coluna de A sem piv.
Teorema 3.17 Matrizes escalonadas reduzidas por linha tm o mesmo espao
linha se, e somente se, tiverem as mesmas linhas no-nulas. Em particular, cada
matriz equivalente a uma nica matriz na forma escalonada reduzida por linhas.
Demonstrao: claro que duas matrizes que possuem as mesmas linhas no-
nulas possuem o mesmo espao linha.
Por outro lado, suponhamos que duas matrizes A e B, ambas na forma
escalonada reduzida por linhas, tenham o mesmo espao linha. Seja a ltima
linha no-nula de A. Suponhamos que essa seja a k-sima linha de A. Como
os pivs de duas formas escalonadas reduzidas por linhas ocorrem nas mesmas
posies, a matriz B possui exatamente k linhas no-nulas:
1
, . . . ,
k
. Denotemos
as coordenadas de por (
1
, . . . ,
n
) e as de
i
por (
1
i
, . . . ,
n
i
), para i = 1, . . . , k.
(Quer dizer, estamos supondo que A e B tenham n colunas.) Suponhamos que
o piv da linha ocorra na posio r. Como pivs ocorrem na mesma posio,
conclumos que o piv da linha
k
ocorre na posio r.
Como os espaos linhas de A e B so iguais, existem escalares
1
, . . . ,
k
tais
que
=
1
1
+ . . . +
k
k
. (3.9)
Como as coordenadas
1
, . . . ,
r1
de so todas nulas e os pivs de
1
, . . . ,
k
devem ocorrer em posies anteriores posio r, necessariamente
k
= 1 e
1
= . . . =
k1
= 0. Quer dizer, a ltima linha no-nula de A igual ltima
linha no-nula de B. Repetindo sucessivamente esse argumento, conclumos que
todas linhas no-nulas de A e B so iguais. P
Dois sistemas Ax = b e A
x = b
j+1
Tw
j+1
+ . . . +
n
Tw
n
= 0.
Ento T(
j+1
w
j+1
+ . . . +
n
w
n
) = 0, mostrando que
j+1
w
j+1
+ . . . +
n
w
n
ker T. Mas, ento,
j+1
= . . . =
n
= 0, pois X = ker T W. Isso mostra que os
vetores Tw
j+1
, . . . , Tw
n
so linearmente independentes.
i
i
ALinear 2005/12/19 13:25 page 39 #55
i
i
i
i
i
i
3.5 O Teorema do Ncleo e da Imagem 39
Seja agora y imT. Ento existe x X tal que Tx = y. Como B
base de X, x =
1
x
1
+ . . . +
j
x
j
+
j+1
w
j+1
+ . . . +
n
w
n
e, portanto,
y = Tx =
j+1
Tw
j+1
+ . . . +
n
Tw
n
, mostrando que esses vetores geram imT.
Isso conclui a prova. P
Se voc comparar essas duas demonstraes, perceber que a essncia da
segunda o procedimento aplicado na primeira: mostramos que existe um
isomorsmo entre o espao gerado por w
j
, . . . , w
n
, que denotaremos por W, e o
espao imT, cuja base Tw
j
, . . . , Tw
n
. Note que W isomorfo a X/ ker T,
segundo o Teorema 1.29.
Mostraremos agora algumas conseqncias do Teorema do Ncleo e da Imagem.
Nesses resultados, T : X Y denota uma aplicao linear. As demonstraes
seguem-se imediatamente da frmula
dimX = dim(imT) + dim(ker T).
Corolrio 3.20 Suponhamos que dimY < dimX. Ento dim(ker T) 1.
Demonstrao: Note que, em particular, dim(imT) dimY < dimX. P
O Corolrio 3.20 muitas vezes formulado em termos de sistemas lineares:
Corolrio 3.21 Seja A M
mn
(K), com m < n. Ento o subespao de todas
as solues do sistema linear homogneo Ax = 0 tm dimenso maior do que ou
igual a 1.
Corolrio 3.22 Se dimX = dimY , ento T injetora se, e somente se, for
sobrejetora.
Demonstrao: Se T for injetora, Tx = 0 implica x = 0. Logo, dim(ker T) = 0.
Assim, dim(imT) = dimX = dimY e, portanto, imT = Y . Reciprocamente, se
T for sobrejetora, imT = Y e, portanto, dim(ker T) = 0. P
Em particular, se dimX = dimY , o Corolrio 3.22 garante que T injetora
se, e somente se, ker T = 0. Esse resultado vlido, na verdade, para quaisquer
espaos vetoriais X e Y . De fato,
4
se T for injetora, claramente ker T = 0; se
existisse x
1
,= x
2
tal que T(x
1
) = T(x
2
), ento T(x
1
x
2
) = 0, com x
1
x
2
,= 0.
A formulao do Corolrio 3.22 em termos de sistemas lineares a seguinte:
4
Veja o Exerccio 13 do Captulo 1.
i
i
ALinear 2005/12/19 13:25 page 40 #56
i
i
i
i
i
i
40 Aplicaes Lineares Cap. 3
Corolrio 3.23 Seja A M
nn
(K). Ento o sistema no-homogneo Ax = b tem
soluo nica para todo b Y se, e somente se, o sistema homogneo Ax = 0 tiver
soluo nica.
O seguinte resultado decorre imediatamente do Teorema 3.13:
Corolrio 3.24 Se A M
mn
(K), ento dim(imA) = dim(imA
t
).
O prximo resultado vale apenas para matrizes quadradas:
Corolrio 3.25 Seja A uma matriz n n. Ento
dim(ker A) = dim(ker A
t
).
Demonstrao: De fato, se r := dim(imA) = dim(imA
t
), a aplicao do
Teorema do Ncleo e da Imagem garante que:
dim(ker A) = n r e dim(ker A
t
) = mr.
Da decorre o armado. P
Finalmente, enunciamos o resultado apresentado no Exemplo 3.19, que no
passa de uma caracterizao do isomorsmo dado na primeira demonstrao do
Teorema do Ncleo e da Imagem:
Proposio 3.26 Seja b K
m
um elemento da imagem de T : K
n
K
m
. Ento
existe um nico elemento x
p
K
n
tal que toda soluo de Tx = b congruente a
x
p
mdulo ker T, isto , se Tx = b, ento x = x
p
+ z, para algum z ker T.
Em outras palavras, se o sistema Ax = b possuir uma soluo x
p
, ento todas
as suas solues so x
p
+ z, em que z ker A.
3.6 Aplicaes Lineares e Matrizes - parte 2
Na primeira Seo deste Captulo mostramos como associar a cada aplicao
linear T : K
n
K
m
uma matriz A = (a
ij
), que representa T com relao
s bases cannicas do K
n
e K
m
. Mostraremos agora que a mesma associao
entre aplicaes lineares e matrizes vlida para o caso de uma aplicao linear
T : X Y entre espaos vetoriais de dimenso nita X e Y .
A principal diferena, nesse caso, consiste em no termos uma escolha "natural"
para bases nos espaos X e Y . Suponhamos que dimX = n e dimY = m.
i
i
ALinear 2005/12/19 13:25 page 41 #57
i
i
i
i
i
i
3.6 Aplicaes Lineares e Matrizes - parte 2 41
Escolhendo uma base arbitrria B = x
1
, . . . , x
n
do espao X e escrevendo
x =
1
x
1
+. . . +
n
x
n
, a aplicao B : X K
n
denida por Bx = (
1
, . . . ,
n
) =
1
e
1
+ . . . +
n
e
n
um isomorsmo entre X e K
n
. Da mesma forma, ao se
escolher uma base c = y
1
, . . . , y
m
no espao Y , obtm-se um isomorsmo C
entre Y e K
m
. Temos assim o seguinte diagrama (as setas verticais sempre indicam
isomorsmos):
T
X Y
B C
K
n
K
m
T
K
. (3.11)
A aplicao linear T
K
denida como composta de aplicaes lineares (estamos
usando a notao de composta para enfatizar)
T
K
= C T B
1
e representada por uma matriz A, de acordo como o que vimos na primeira seo
deste captulo. usual chamar a matriz A de representao da aplicao linear
T com respeito s bases B e c (dos espaos X e Y , respectivamente) e denotar
A = T
C
B
. Temos, assim, uma identicao entre a aplicao linear T (com X e Y
considerados com as bases B e c, respectivamente) e a matriz A = T
C
B
. Com essa
identicao, o diagrama (3.11) pode ser condensado:
T
C
B
X, B Y, c
(3.12)
(estamos enfatizando, na expresso dos espaos X e Y , as bases que produziram a
matriz T
C
B
). Note, entretanto, que X, B uma notao para o espao K
n
, ressaltando
a base usada em X para torn-lo isomorfo a K
n
.
Suponhamos que exista T
1
. Essa aplicao linear ter uma representao
matricial [T
1
]
B
C
. fcil vericar que A
1
= [T
1
]
B
C
(veja o Exerccio 23).
Exemplo 3.27 Sejam X e Y espaos vetoriais com bases B = x
1
, . . . , x
n
e
c = y
1
, . . . , y
m
, respectivamente. Seja T : X Y uma aplicao linear.
Vejamos como obter T
C
B
. Para isso, usamos o diagrama
T
X Y
B C
K
n
K
m
T
C
B
.
i
i
ALinear 2005/12/19 13:25 page 42 #58
i
i
i
i
i
i
42 Aplicaes Lineares Cap. 3
Como vimos, a i-sima coluna da matriz procurada obtida ao se calcular T
C
B
e
1
=
(CTB
1
)e
i
. Mas, Bx
i
= e
i
, de modo que (CTB
1
)e
i
= (CT)B
1
e
i
= (CT)x
i
.
Como C a aplicao que associa a T(x
i
) Y as suas coordenadas na base c,
temos que a i-sima coluna da matriz procurada [Tx
i
]
C
.
Note que, em particular, teremos a representao matricial de uma aplicao
linear T : K
n
K
m
, se escolhermos bases arbitrrias em K
n
e K
m
.
Associamos, assim, a cada aplicao linear T : X Y uma matriz, cuja
expresso depende dos isomorsmos entre X e K
n
e Y e K
m
. Esses, por sua vez,
dependem das bases consideradas nos espaos X e Y . Uma vez que cada escolha
de base em X produz um isomorsmo diferente entre X e K
n
e o mesmo acontece
com Y e K
m
, vemos que existem muitas maneiras distintas de representar uma
transformao linear por meio de uma matriz. Como se relacionam essas diferentes
matrizes que representam a aplicao linear T?
Para responder a essa pergunta, comeamos estudando como se relacionam as
representaes de x em bases B = x
1
, . . . , x
n
e
B = x
1
, . . . , x
n
do espao X.
O mesmo procedimento anterior pode ser utilizado:
I
X X
B
B
K
n
K
n
P
B
B
.
(Para sermos coerentes com a notao anterior, deveramos escrever I
B
B
ao invs de
P
B
B
. Entretanto, usual denotar esse tipo de matriz pela letra P.)
De acordo com o exemplo 3.27, a i-sima coluna de P
B
B
obtida calculando-
se a expresso de
BIB
1
(e
1
) =
BI(x
1
) = [x
i
]
B
. A matriz P
B
B
chamada matriz
mudana
5
da base B para a base
B. Dadas as coordenadas de x na base B, isto ,
[x]
B
, as coordenadas de x na base
B so dadas por P
B
B
[x]
B
= [x]
B
. Claramente a
matriz P
B
B
possui inversa P
B
B
.
Consideremos agora uma outra representao T
C
B
, relativa s bases
B de X e
c
5
Alguns autores preferem chamar essa matriz de "matriz de passagem" da base
B para a base B.
Assim, a terminologia utilizada por eles ca invertida com relao nossa.
i
i
ALinear 2005/12/19 13:25 page 43 #59
i
i
i
i
i
i
3.6 Aplicaes Lineares e Matrizes - parte 2 43
de Y . Temos o diagrama
T
C
B
X, B Y, c
P
B
B
Q
C
C
X,
B Y,
c
T
C
B
.
Esse diagrama, cujas componentes so matrizes, nos mostra que
T
C
B
= [Q
C
C
]
1
T
C
B
P
B
B
= Q
C
C
T
C
B
P
B
B
.
O caso em que os espaos X e Y so iguais permite que se tome a mesma base
nos dois espaos. Nesse caso, denotamos T
B
B
por T
B
, que chamada representao
de T na base B. A relao entre T
B
e T
B
dada por
T
B
= [P
B
B
]
1
T
B
P
B
B
= P
B
B
T
B
P
B
B
,
para qualquer outra base
B de X.
Observao 3.28 Dada uma aplicao linear T : X X entre espaos de
dimenso n, a escolha de bases B e c em X pode fazer com que a representao
matricial de T assuma formas bem gerais. Por exemplo, se T for invertvel, T
C
B
pode ser a matriz identidade! (Veja o Exerccio 39.) Assim, a representao de T
em bases completamente arbitrrias quase no nos passa informao relevante sobre
a aplicao T.
Exemplo 3.29 Considere a aplicao linear T : R
2
R
2
denida por
T(x, y) = (4x 2y, 2x + y).
Para simplicarmos a notao neste exemplo, escreveremos os nossos vetores
indiferentemente como linhas ou colunas.
Seja B a base do R
2
formada pelos vetores v
1
= (1, 1) e v
2
= (1, 0). Vamos
achar a matriz que representa T com relao base B. (Quer dizer, estamos
utilizando a mesma base no domnio e na imagem e procuramos a matriz T
B
.) Para
isso, calculamos
T(v
1
) = (2, 3) = 3(1, 1) + (1, 0) = 3v
1
+ v
2
.
i
i
ALinear 2005/12/19 13:25 page 44 #60
i
i
i
i
i
i
44 Aplicaes Lineares Cap. 3
Note que escrevemos a imagem de T(v
1
) na base B, utilizada tambm no
contradomnio. De acordo com a notao introduzida na Denio 1.15, temos
[T(v
1
)]
B
=
_
3
1
_
.
Da mesma forma, T(v
2
) = (4, 2) = 2(1, 1) + 2(1, 0) = 2v
1
+ 2v
2
e,
portanto,
[T(v
2
)]
B
=
_
2
2
_
.
Assim,
T
B
=
_
3 2
1 2
_
.
As colunas de T
B
so as imagens dos vetores da base B, escritas na prpria base B
utilizada, nesse caso, tambm no contradomnio.
Se quisermos calcular a imagem do vetor (1, 2) = 1e
1
+2e
2
utilizando a matriz
T
B
, primeiro expressamos esse vetor na base B:
(1, 2) = 2(1, 1) + 1(1, 0) = 2v
1
+ v
2
.
Calculando
T
B
_
2
1
_
=
_
3 2
1 2
__
2
1
_
=
_
4
4
_
,
obtemos a "resposta" na base B. Se quisermos a resposta na base cannica,
precisamos escrever o resultado obtido nessa base:
4v
1
+ 4v
2
= 4(1, 1) + 4(1, 0) = (0, 4) = 0e
1
+ 4e
2
,
que o mesmo resultado que obtemos ao calcular diretamente T(1, 2), utilizando a
expresso T(x, y) = (4x 2y, 2x + y).
Para entendermos melhor a estrutura deste exemplo, temos o seguinte diagrama
T
E
R
2
, c R
2
, c
P
B
E
P
B
E
R
2
, B R
2
, B
T
B
.
i
i
ALinear 2005/12/19 13:25 page 45 #61
i
i
i
i
i
i
3.7 A Transposta de uma Aplicao Linear 45
Aqui, T
E
a representao "natural" da transformao T(x, y) = (4x2y, 2x+
y). Isso , a matriz cujas colunas so, respectivamente, T(1, 0) = (4 2)
t
e
T(0, 1) = (2 1)
t
.
A matriz T
B
a matriz obtida no exemplo. A matriz P
B
E
a matriz mudana da
base c para a base B. Ela obtida pelo mesmo mtodo: escrevemos a imagem dos
vetores e
1
, e
2
pela aplicao identidade na base B. Temos
(1, 0) = 0(1, 1)1(1, 0) = 0v
1
v
2
e (0, 1) = 1(1, 1)+1(1, 0) = 1v
1
+1v
2
.
A matriz P
B
E
, ento,
P
B
E
=
_
0 1
1 1
_
.
O diagrama anterior garante que
T
E
= [P
B
E
]
1
T
B
P
B
E
,
ou seja,
_
4 2
2 1
_
=
_
0 1
1 1
_
1
_
3 2
1 2
__
0 1
1 1
_
Se calcularmos a inversa da matriz P
B
E
, vericaremos esse fato. Entretanto, fcil
obter P
E
B
. Essa matriz tem como colunas a expresso dos vetores v
1
e v
2
na base
cannica. Assim, claro que
P
E
B
=
_
1 1
1 0
_
.
Verique que P
E
B
= [P
B
E
]
1
.
3.7 A Transposta de uma Aplicao Linear
(Esta Seo mais avanada e pode ser omitida sem prejuzo para o restante do
texto.)
Existe uma maneira intrnseca de se denir a aplicao transposta T
t
de um
operador linear T. (No caso de aplicaes lineares denota-se a transposta T
t
tambm por T
.
i
i
ALinear 2005/12/19 13:25 page 46 #62
i
i
i
i
i
i
46 Aplicaes Lineares Cap. 3
Y
X
d
d
K
E
T
m
,
obtemos diferentes aplicaes m X
. Consideremos ento T
: Y
denida
por
T
() = T = m
.
Desse modo, a aplicao T
e tomando
valores no espao dual X
. Armamos que T
linear. De fato,
T
(
1
+
2
) = (
1
+
2
)T =
1
T +
2
T = T
(
1
) + T
(
2
),
para quaisquer
1
,
2
Y
e K.
Vamos agora introduzir uma nova notao para a avaliao de um elemento do
dual em um ponto do espao: at agora (z) denota a avaliao de : Z
K no
ponto z Z. usual denotar (z) por
, z).
Abandonaremos a notao provisria m
e usaremos a notao T
. Assim, por
denio,
T
, x) = , Tx)
ou, o que o mesmo,
T
= T. (3.13)
Nosso prximo objetivo caracterizar a aplicao T
para o caso de T : R
n
R
m
. Veremos que podemos representar T
, dada
por uma matriz linha, de modo que
T = (c
1
. . . c
m
)
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 47 #63
i
i
i
i
i
i
3.8 Exerccios 47
Se quisermos interpretar T
com
K
m
e (K
n
)
com K
n
. Assim T
: (K
m
)
(K
n
)
, satisfaz a
igualdade T
= T, ou seja, se B = (b
ij
) for a representao matricial de T
(com
relao s bases cannicas do K
m
e K
n
), ento
T
_
_
_
c
1
.
.
.
c
m
_
_
_
=
_
_
_
b
11
. . . b
1m
.
.
.
.
.
.
.
.
.
b
n1
. . . a
nm
_
_
_
_
_
_
c
1
.
.
.
c
m
_
_
_
= (c
1
. . . c
m
)
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
.
A segunda igualdade mostra que B = (b
ij
) deve satisfazer b
ij
= a
ji
, como se
verica mediante escolha adequada de c
1
, . . . , c
m
. Mas, ento, B = A
t
, como antes
denido.
3.8 Exerccios
1. Seja A = (c
1
c
k
c
n
) uma matriz descrita por meio de suas colunas. Se
x = x
1
e
1
+. . . +x
n
e
n
, interprete Ax como uma multiplicao das colunas de
A pelo vetor x. Em seguida, interprete a multiplicao AB de duas matrizes
como uma operao envolvendo as colunas dessas matrizes.
2. Considere os polinmios p
1
(t) = 7t
5
+ 6t
2
, p
2
(t) = 1 +t no espao K
6
[t] de
todos os polinmios de grau menor que 6.
(a) Se S = p
1
, p
2
, descreva < S >;
(b) ache uma base B de K
6
[t] que completa o conjunto linearmente
independente S;
(c) determine a representao de cada um dos vetores de B nessa base;
(d) determine a representao de q K
6
[t] em termos da base B.
3. Mostre que /(X, Y ) (introduzido na Denio 3.7) um espao vetorial.
4. Se voc tiver lido o Captulo 2, represente em matrizes a base dual da base
cannica e
1
, . . . , e
n
do R
n
.
5. Dada uma matriz A, n n, mostre que existe no mximo uma matriz B tal
que AB = BA = I, em que I M
nn
(K).
i
i
ALinear 2005/12/19 13:25 page 48 #64
i
i
i
i
i
i
48 Aplicaes Lineares Cap. 3
6. Mostre que uma matriz quadrada A tem inversa se, e somente se, o sistema
Ax = 0 s possuir a soluo trivial.
7. Seja A M
nn
(K) uma matriz diagonal, com todos os elementos diagonais
distintos. Se B comutar com A, mostre que B diagonal.
8. Quais matrizes A M
nn
(K) comutam com todas as matrizes B
M
nn
(K)?
9. Exiba uma base de M
nn
(K) formada apenas por matrizes invertveis.
10. Seja K[t] o espao de todos os polinmios na incgnita t. Considere T :
K[t] K
6
[t] denida da seguinte maneira: se p K[t], ento Tp o
polinmio em K
6
[t] cujos coecientes de grau menor que 6 so iguais aos
coecientes de p. Mostre que T linear. Ache uma base para imT e ker T.
O Teorema do Ncleo e da Imagem pode ser aplicado? Justique.
11. Mostre que o escalonamento do mesmo sistema pode produzir duas formas
escalonadas distintas.
12. Mostre que a equivalncia por linhas, tal qual denida na pgina 34, uma
relao de equivalncia.
13. Seja A uma matriz n n. Mostre que so equivalentes as seguintes
armaes:
(a) existe uma matriz B, n n, tal que BA = I;
(b) a matriz A equivalente por linhas matriz identidade I;
(c) a matriz A invertvel.
14. Sejam A e B matrizes mn equivalentes por linhas, com colunas a
1
, . . . , a
n
e b
1
, . . . , b
n
, respectivamente.
(a) As colunas a
j
1
, . . . , a
j
k
de A so linearmente independentes se, e
somente se, as colunas correspondentes b
j
1
, . . . , b
j
k
de B forem linear-
mente independentes;
(b) se existirem escalares tais que a
=
j
1
a
j
1
+ . . .
j
k
a
j
k
, ento existem
escalares tais que b
=
j
1
b
j
1
+ . . .
j
k
b
j
k
;
i
i
ALinear 2005/12/19 13:25 page 49 #65
i
i
i
i
i
i
3.8 Exerccios 49
(c) o espao gerado pelas linhas de A igual ao espao gerado pelas linhas
de B.
15. Mostre a Proposio 3.26 utilizando o isomorsmo T
q
denido na primeira
demonstrao do Teorema do Ncleo e da Imagem.
16. Enuncie e demonstre o Teorema do Ncleo e da Imagem substituindo
X/ ker T por um espao Z tal que X = ker T Z. Voc deve dar uma
demonstrao direta, isto , sem apelar para o prprio Teorema do Ncleo e
da Imagem.
17. Uma projeo uma aplicao linear : X X tal que
2
= . Mostre
que toda projeo : X X satisfaz X = ker im (compare com o
Exerccio 28). Seja X = W
1
W
2
e x = w
1
+ w
2
, com w
i
W
i
. Mostre
que : X W
1
, denida por x = w
1
, uma projeo.
18. Sejam
1
,
2
: X X projees. Mostre que so equivalentes:
(a)
1
+
2
uma projeo;
(b)
1
2
+
2
1
= 0;
(c)
1
2
=
2
1
= 0.
19. Sejam X e Y espaos vetoriais e B uma base de X (mesmo que X tenha
dimenso innita). Faa corresponder, de maneira arbitrria, umvetor y
x
Y
a cada elemento x B. Mostre que existe uma nica transformao linear
T : X Y tal que Tx = y
x
para todo x B. (Note que, em
particular, isso implica que uma transformao linear T : K
n
K
m
ca
completamente determinada pela imagem que ela assume em qualquer base
do K
n
.) Mostre ento que uma transformao linear T : X Y injetora se,
e somente se, levar vetores linearmente independentes emvetores linearmente
independentes.
20. Sejam X e Y espaos vetoriais com a mesma dimenso nita. Suponha que,
para as aplicaes linear T : X Y e S : Y X, seja verdadeiro ST = I,
a identidade em X. Mostre que S = T
1
. (Compare com o Exerccio 29.)
21. Se T : X Y e S : Y Z forem aplicaes lineares invertveis, mostre
que (ST)
1
= T
1
S
1
. Mostre tambm que (S
t
)
1
= (S
1
)
t
.
i
i
ALinear 2005/12/19 13:25 page 50 #66
i
i
i
i
i
i
50 Aplicaes Lineares Cap. 3
22. Seja A M
mn
(K). Considere os seguintes "mtodos" para obter-se uma
base para imA:
(a) Escolha uma base para K
n
. Calcule a imagem dos vetores dessa
base. Esses vetores geram a imagem. Extraia ento um subconjunto
linearmente independente, que a base procurada;
(b) Obtenha uma base para ker A
t
. Complete at obter uma base do espao
inteiro. Os vetores introduzidos formam uma base do espao imA;
(c) Escalone a matriz A
t
(veja a Seo A). As transpostas das linhas no-
nulas de A
t
nos do uma base de imT;
(d) Calcule uma base de ker T. Complete esse conjunto, at obter uma base
do espao inteiro. As imagens dos vetores adicionados base de ker T
formam uma base de imA;
(e) Seja b = (b
1
b
2
. . . b
m
)
t
um vetor genrico do K
m
. Monte a matriz
aumentada do sistema (veja a Seo A). Escalone o sistema e imponha
que ele possua soluo. Cada linha nula no escalonamento de A produz
uma equao na matriz aumentada e a imagem o conjunto dos pontos
que satisfazem essas equaes. Extraia da uma base. (O que acontece
se no houver linha nula?)
(f) Escalone a matriz A. As colunas de A correspondentes aos pivs (veja
a Seo A) da forma escalonada de A so uma base de imA.
Justique quais desses mtodos realmente produzem bases de im A.
Considere agora
A =
_
_
3 1 2 4 1
1 1 1 1 2
2 2 2 1 1
_
_
.
Utilize todos os mtodos corretos dentre as alternativas anteriores para obter
bases para imA.
23. Seja T : X Y uma aplicao linear invertvel representada, com relao
s bases B e c dos espaos X e Y , respectivamente, pela matriz T
C
B
. Mostre
que a aplicao inversa T
1
representada, com relao s bases c e B, pela
matriz [T
C
B
]
1
.
24. Seja X um espao vetorial de dimenso nita sobre K. Para v, w X,
denimos v w, se existir uma transformao linear invertvel T : X X
i
i
ALinear 2005/12/19 13:25 page 51 #67
i
i
i
i
i
i
3.8 Exerccios 51
tal que Tv = w. Mostre que assim est denida uma relao de equivalncia.
Mostre tambm que essa relao de equivalncia possui apenas duas classes:
uma formada apenas pelo elemento 0 X e a outra formada por todos os
outros vetores de X.
25. Se
M =
_
a
11
a
12
a
21
a
22
_
,
dena T : M
22
(K) M
23
(K) por
T(M) =
_
a
12
a
11
a
12
a
21
a
12
a
22
a
21
a
11
a
22
+a
21
_
.
Sejam
B =
__
1 0
0 1
_
,
_
1 1
0 0
_
,
_
1 1
1 0
_
,
_
1 1
1 1
__
,
B
=
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
_ _
,
c =
__
1 0 0
0 0 0
_
,
_
1 1 0
0 0 0
_
,
_
1 1 1
0 0 0
_
,
_
1 1 1
1 0 0
_
,
_
1 1 1
1 1 0
_
,
_
1 1 1
1 1 1
__
c
=
__
1 0 0
0 0 0
_
,
_
0 1 0
0 0 0
_
,
_
0 0 1
0 0 0
_
,
_
0 0 0
1 0 0
_
,
_
0 0 0
0 1 0
_
,
_
0 0 0
0 0 1
__
.
(a) Mostre que T : M
22
M
23
linear;
(b) mostre que B e B
so bases de M
22
, enquanto c e c
so bases de
M
23
;
(c) ache a representao matricial de T relativa s bases B e c, bem como a
relativa s bases B
e c
;
i
i
ALinear 2005/12/19 13:25 page 52 #68
i
i
i
i
i
i
52 Aplicaes Lineares Cap. 3
(d) ache a relao entre essas matrizes;
(e) obtenha bases para ker T e imT.
26. SejamT(x, y, x) = (x+y+z, y+z, x) e B = (1, 0, 1), (0, 1, 0), (1, 0, 1).
Ento:
(a) ache a matriz T
B
;
(b) usando essa matriz, especique uma base para ker T e imT;
(c) calcule T(1, 1, 1) utilizando a representao matricial calculada em (a).
27. A denio dos espaos ker T e imT de uma aplicao linear T : X Y
independe (da existncia) de bases nesses espaos. Contudo, se A for uma
matriz que representa uma aplicao linear, tanto ker Acomo imAdependem
das bases consideradas no domnio e no contradomnio. Explique.
28. Sejam X um espao vetorial de dimenso nita e T : X X uma aplicao
linear. Mostre que
X = ker T imT
se, e somente se, ker T = ker T
2
.
29. SejamAe B matrizes, no necessariamente quadradas. Suponha que AB = I
(a identidade no espao apropriado). Mostre que posto A = posto B.
30. Sejam S, T : X Y e R : Y Z aplicaes lineares. Mostre:
(a) posto(S + T) posto(S) + posto(T);
(b) posto(RS) minposto(S), posto(T).
31. D exemplo de matrizes A, B tais que AB = 0, mas BA ,= 0.
32. Sejam A, B matrizes quadradas invertveis. Mostre que (AB)
1
= B
1
A
1
.
33. Sejam A M
mn
e B M
np
matrizes em blocos,
_
A
11
A
12
A
21
A
22
_
'
r
'
n r
_
q
_
mq
e
r
n r
_
_
_
B
11
B
12
B
21
B
22
_
'
t
'
p t
i
i
ALinear 2005/12/19 13:25 page 53 #69
i
i
i
i
i
i
3.8 Exerccios 53
com blocos A
11
M
qr
, A
12
M
q(nr)
, A
21
M
(mq)r
, A
22
M
(mq)(nr)
para a matriz A e blocos B
11
M
rt
, B
12
M
r(pt)
,
B
21
M
(nr)t
, B
22
M
(nr)(pt)
para a matriz B.
Mostre que
AB =
_
A
11
B
11
+ A
12
B
21
A
11
B
12
+ A
12
B
22
A
21
B
11
+ A
22
B
21
A
21
B
12
+ A
22
B
22
_
.
34. Sejam A e D matrizes p p e (n p) (n p), respectivamente. Mostre
que a matriz
X =
_
A B
0 D
_
invertvel se, e somente se, as matrizes Ae D forem invertveis. Nesse caso,
X
1
=
_
A
1
A
1
BD
1
0 D
1
_
.
35. Sejam A, B, C, D M
nn
(K). Suponha que A seja invertvel. Mostre que
existem matrizes X, Y M
nn
(K) tais que
P =
_
A B
C D
_
=
_
A O
C I
__
I Y
0 X
_
.
Decomponha P de maneira similar, se B, C ou D forem invertveis.
36. Seja T : X X uma transformao linear e X = W
1
W
k
.
Suponhamos que T(W
i
) W
i
para i 1, . . . , k (dizemos que os
subespaos W
i
so invariantes por T). Se B
i
for uma base de W
i
, mostre
que B = B
1
, . . . , B
k
uma base de X. Ache T
B
em termos de T
B
i
.
37. Seja X um espao de dimenso nita e T : X X um operador tal que
T(V ) V para algum subespao V X. Sempre existe W X tal que
T(W) W e X = V W?
38. Sejam A, B M
nn
(K), o espao das matrizes n n com coecientes
em K. Dizemos que A semelhante a B, se existir uma matriz invertvel
P M
nn
(K) tal que B = P
1
AP. Mostre que a semelhana uma
relao de equivalncia. Esboce um diagrama que representa essa relao
de equivalncia. usual dizer ento que A e B so iguais, a menos de uma
mudana de base. Essa frase faz sentido para voc?
i
i
ALinear 2005/12/19 13:25 page 54 #70
i
i
i
i
i
i
54 Aplicaes Lineares Cap. 3
39. Sejam X, Y espaos de dimenso nita. Duas aplicaes lineares S, T :
X Y so equivalentes em bases se existirem bases B, B
de X e c, c
de Y de modo que T
C
B
= S
C
B
. Mostre que assim est denida uma relao
de equivalncia. Mostre que duas aplicaes de mesmo posto so sempre
equivalentes em bases. Descreva em termos de diagramas a equivalncia
em bases. Em particular, mostre que S e T so equivalentes em bases
se, e somente se, existirem aplicaes lineares invertveis P : X X e
Q : Y Y tais que S = PTQ.
40. Sejam X um espao vetorial e U, V X subespaos. Mostre que
U + V
V
e
U
U V
so isomorfos. Esse isomorsmo cannico?
i
i
ALinear 2005/12/19 13:25 page 55 #71
i
i
i
i
i
i
4
Determinantes
Aqui feita uma apresentao elementar da teoria de determinantes e suas
propriedades, incluindo a regra de Cramer. A relao entre determinantes e volumes
ser apresentada nos exerccios do Captulo 8.
4.1 Determinantes de Matrizes 2 2
Consideremos inicialmente uma matriz
A =
_
a b
c d
_
= (c
1
c
2
)
com entradas no corpo K e colunas c
1
, c
2
. Denota-se por det A o determinante de
A, que denido por det A = ad bc.
As seguintes propriedades so de vericao imediata:
(i) Se duas colunas forem iguais, ento o determinante da matriz A igual a
zero:
det
_
a a
c c
_
= 0;
(ii) O determinante uma aplicao linear em cada uma de suas colunas. Mais
precisamente,
det(c
1
+ c
1
c
2
) = det
_
a + a
b
c + c
d
_
= det
_
a b
c d
_
+ det
_
a
b
c
d
_
= det(c
1
c
2
) + det(c
1
c
2
)
55
i
i
ALinear 2005/12/19 13:25 page 56 #72
i
i
i
i
i
i
56 Determinantes Cap. 4
e
det(c
1
c
2
+ c
2
) = det
_
a b + b
c d + d
_
= det
_
a b
c d
_
+ det
_
a b
c d
_
= det(c
1
c
2
) + det(c
1
c
2
);
(iii) O determinante da matriz identidade (2 2) igual a 1.
Tambm temos:
(iv) Se trocarmos as colunas de A, o determinante muda de sinal
det(c
2
c
1
) = det
_
b a
d c
_
= det
_
a b
c d
_
= det(c
1
c
2
);
(v) Se somarmos a uma coluna um mltiplo da outra, ento o determinante de A
no se altera:
det
_
a +b b
c +d d
_
= det
_
a b
c d
_
e det
_
a b + a
c d + c
_
= det
_
a b
c d
_
;
(vi) Se c
1
= c
2
, ento det A = 0:
det
_
c c
d d
_
= det
_
c c
d d
_
= 0;
(vii) det A = det A
t
:
det
_
a b
c d
_
= det
_
a c
b d
_
.
Consideremos agora um sistema linear com duas equaes, nas incgnitas x
1
e
x
2
:
ax
1
+bx
2
= y
1
cx
1
+ dx
2
= y
2
,
em que as constantes a, b, c, d, y
1
e y
2
so arbitrrias. Multiplicando a primeira
equao por d e a segunda por b e ento somando, obtemos
x
1
(ad bc) = y
1
d y
2
b.
i
i
ALinear 2005/12/19 13:25 page 57 #73
i
i
i
i
i
i
4.2 Funo Determinante 57
Analogamente,
x
2
(ad bc) = ay
2
cy
1
.
Escrevendo o sistema matricialmente na forma Ax = y,
_
a b
c d
__
x
1
x
2
_
=
_
y
1
y
2
_
,
vemos que sua soluo, se det A ,= 0, pode ser escrita em termos de determinantes
x
1
=
det
_
y
1
b
y
2
d
_
det A
e x
1
=
det
_
a y
1
c y
2
_
det A
.
Essa a regra de Cramer para a soluo de um sistema de duas equaes em duas
incgnitas.
4.2 Funo Determinante
Deniremos uma funo determinante a partir das propriedades satisfeitas pelo
determinante de uma matriz 2 2.
Denio 4.1 Sejamc
1
, c
2
, . . . , c
n
K
n
. Uma funo determinante D(c
1
, . . . , c
n
)
uma funo
D : K
n
K
n
K
(c
1
, . . . , c
n
) D(c
1
, . . . , c
n
)
satisfazendo as seguintes propriedades:
(d
1
) D uma funo alternada, isto , se c
i
= c
j
para i ,= j, i, j 1, . . . , n,
ento D(c
1
, . . . , c
n
) = 0;
(d
2
) D(c
1
, . . . , c
n
) uma funo n-linear, isto , D uma aplicao linear em
cada coordenada, as outras sendo mantidas xas; mais precisamente, se
todos os c
j
com j ,= i estiverem xos,
D(c
1
, . . . , c
i
+c
i
, . . . , c
n
) = D(c
1
, . . . , c
i
, . . . , c
n
) +D(c
1
, . . . , c
i
, . . . , c
n
).
(d
3
) D(e
1
, . . . , e
n
) = 1, em que e
1
, . . . , e
n
a base cannica do K
n
.
i
i
ALinear 2005/12/19 13:25 page 58 #74
i
i
i
i
i
i
58 Determinantes Cap. 4
Para melhor entendermos o signicado da hiptese (d
3
), em muitos resultados
consideraremos apenas uma funo satisfazendo as propriedades (d
1
) e (d
2
).
claro que a denio de uma funo satisfazendo as propriedades (d
1
) e (d
2
)
pode ser expressa em termos de matrizes: se A = (c
1
c
2
c
n
) for uma matriz
n n (com colunas c
1
, . . . , c
n
), ento D(A) = D(c
1
, c
2
, . . . , c
n
).
Lema 4.2 Seja D uma funo satisfazendo a propriedade (d
2
). Ento, so
equivalentes as armaes:
(d
1
) D uma funo alternada;
(d
1
) Se os vetores consecutivos c
i
e c
i+1
forem iguais, ento
D(c
1
, , c
i
, c
i+1
, , c
n
) = 0.
Demonstrao: (d
1
) (d
1
) Faremos induo sobre as posies com colunas
iguais. Ou seja, para j = i +k, faremos induo sobre k N = 1, 2, . . ..
Se k = 1, temos a prpria armativa (d
1
). Suponhamos o resultado
verdadeiro para k: sempre que c
i
= c
i+k
ento D(c
1
, . . . , c
i
, . . . , c
i+k
, . . . , c
n
) =
0. Simplicando a notao, escreveremos D(c
i
, . . . , c
i+k
, c
i+k+1
) ao invs de
D(c
1
, . . . , c
i
, . . . , c
i+k
, c
i+k+1
, . . . , c
n
). Suponhamos c
i
= c
i+k+1
. Ento vale
(verique cuidadosamente cada passagem):
D(c
i
, . . . , c
i+k
, c
i+k+1
) =
= D(c
i
, . . . , c
i+k
, c
i+k
+ c
i+k+1
)
= D(c
i
, . . . , c
i+k
, c
i+k
+ c
i+k+1
) +D(c
i
, . . . , c
i+k+1
, c
i+k
+ c
i+k+1
)
= D(c
i
, . . . , c
i+k
+ c
i+k+1
, c
i+k
+ c
i+k+1
)
= 0.
A implicao (d
1
) (d
1
) imediata. P
No bvia a existncia de uma funo satisfazendo as propriedades (d
1
) e
(d
2
). Contudo, outras propriedades de uma tal funo seguem-se imediatamente da
denio:
Lema 4.3 Uma funo que satisfaz as propriedades (d
1
) e (d
2
) tambm satisfaz as
propriedades
(d
4
) D uma funo anti-simtrica,isto , se trocarmos c
i
por c
j
, ento o valor
de D multiplicado por 1. Sendo mais preciso,
D(c
1
, . . . , c
i
, . . . , c
j
, . . . , c
n
) = D(c
1
, . . . , c
j
, . . . , c
i
, . . . , c
n
);
i
i
ALinear 2005/12/19 13:25 page 59 #75
i
i
i
i
i
i
4.2 Funo Determinante 59
(d
5
) Se somarmos a um vetor c
i
um mltiplo do vetor c
j
, o valor de D no se
altera;
(d
6
) Se c
1
, . . . , c
n
forem linearmente dependentes, ento D(c
1
, . . . , c
n
) = 0.
Demonstrao: Como vamos trocar apenas as colunas c
i
e c
j
, os outros vetores
permanecendo xos, denotaremos D(c
1
, . . . , c
i
, . . . , c
j
, . . . , c
n
) simplesmente por
D(c
i
, c
j
). Temos
0 = D(c
i
+ c
j
, c
i
+c
j
) = D(c
i
, c
i
+ c
j
) +D(c
j
, c
i
+ c
j
)
= D(c
i
, c
i
) + D(c
i
, c
j
) + D(c
j
, c
i
) + D(c
j
, c
j
)
= D(c
i
, c
j
) + D(c
j
, c
i
).
Logo D(c
i
, c
j
) = D(c
j
, c
i
), mostrando (d
4
).
As propriedades (d
1
) e (d
2
) implicam
D(c
i
+ c
j
, c
j
) = D(c
i
, c
j
) + D(c
j
, c
j
) = D(c
i
, c
j
) + 0
= D(c
i
, c
j
).
Quanto a (d
6
), suponhamos que c
1
, . . . , c
n
sejam linearmente dependentes.
Ento um desses elementos pode ser escrito como combinao linear dos restantes.
Vamos supor que c
1
=
2
c
2
+ . . . +
n
c
n
. A propriedade (d
2
) nos garante que
D(c
1
, . . . , c
n
) = D(
2
c
2
+ . . . +
n
c
n
, c
2
, . . . , c
n
)
=
2
D(c
2
, c
2
, . . . , c
n
) + . . . +
n
D(c
n
, c
2
, . . . , c
n
).
Por (d
1
), todos os termos na ltima linha so nulos; isso mostra (d
6
). P
Observao 4.4 Seja Auma matriz real nn. Nesse caso, D(A) pode ser positivo,
negativo ou nulo. Nos dois primeiros casos, a imagem da base cannica c do R
n
1
) (d
3
). Como
a propriedade (d
1
) equivalente propriedade (d
1
), D
1
(A) uma funo
determinante.
(d
1
) Suponhamos que duas colunas c
i
e c
i+1
de A sejam iguais. Em particular,
duas colunas de A
1k
so iguais, se k , i, i + 1. Assim, apenas os termos
(1)
1+i
a
1i
D(A
1i
) e (1)
1+(i+1)
a
1(i+1)
D(A
1(i+1)
)
1
No h impedimento em se tomar n = 1 e considerar D(a) = a. As propriedades (ii) e (iii)
da funo determinante so obviamente verdadeiras e a propriedade (i) vale por vacuidade.
i
i
ALinear 2005/12/19 13:25 page 61 #77
i
i
i
i
i
i
4.4 Unicidade da Funo Determinante 61
podem ser no-nulos em (4.1). Contudo, como as colunas c
i
e c
i+1
so iguais,
tambm so iguais as matrizes A
1i
e A
1(i+1)
. Do mesmo modo para a
1i
e a
1(i+1)
.
Disso decorre que (4.1) igual a zero.
(d
2
) Suponhamos que j-sima coluna de A seja c
j
+c
j
, isto , que para j xo,
a sua entrada ij seja a
ij
+ a
ij
para todo i = 1, . . . , n.
Se k ,= j, o termo a
1k
no depende de j, enquanto A
1k
depende linearmente da
coluna j de A. Assim, (1)
1+k
a
1k
A
1k
depende linearmente da j-sima coluna de A
para todo k ,= j. Por outro lado, se k = j, ento a
1j
+a
1j
depende linearmente da
coluna j, enquanto A
1j
no depende da coluna j-sima coluna de A. Assim, todos
os termos de (4.1) dependem linearmente da coluna j da matriz A.
(d
3
) Se A for a matriz identidade I, ento apenas a parcela (1)
1+1
a
11
D(I
11
)
no nula em (4.1). Mas, nesse caso, I
11
a matriz identidade (n 1) (n 1) e,
portanto, D(I
11
) = 1. Isso mostra que D
1
(I) = 1. P
Denio 4.8 Seja Auma matriz nn. Sendo Duma funo determinante denida
para matrizes (n 1) (n 1), denimos indutivamente
D
i
(A) = (1)
i+1
a
i1
D(A
i1
) + + (1)
i+n
a
in
D(A
in
).
Esta igualdade a expanso do determinante de A segundo os cofatores da i-
sima linha de A.
Corolrio 4.9 A funo D
i
, denida anteriormente, uma funo determinante.
Demonstrao: Basta vericar que pode ser repetido todo o procedimento utilizado
na demonstrao de que D
1
(A) uma funo determinante. P
Mostramos assim a existncia de vrias funes determinante. Nosso objetivo
mostrar que todas elas so iguais: existe uma nica funo determinante.
4.4 Unicidade da Funo Determinante
Denio 4.10 Seja 1 = 1, 2, . . . , n ou, mais geralmente, um conjunto
x
1
, . . . , x
n
com n elementos distintos. Uma permutao uma aplicao
sobrejetora p : 1 1.
i
i
ALinear 2005/12/19 13:25 page 62 #78
i
i
i
i
i
i
62 Determinantes Cap. 4
Existem vrias notaes para uma permutao p : 1 1. Escreveremos p
i
ao invs
de p(i) (ou de p(x
i
)) e representaremos uma permutao p por
p =
_
1 2 . . . n
p
1
p
2
. . . p
n
_
ou por uma matriz A = (a
ij
), com a
ij
= 0 se i ,= p
j
e a
ij
= 1, se i = p
j
, chamada
representao matricial da permutao p ou matriz da permutao p.
Exemplo 4.11 Considere a permutao
p =
_
1 2 3 4
2 4 3 1
_
.
A permutao p representada pela matriz
_
_
_
_
0 0 0 1
1 0 0 0
0 0 1 0
0 1 0 0
_
_
_
_
= A.
Note que cada coluna da matriz A corresponde a um vetor distinto da base cannica
do K
n
.
claro que uma permutao , necessariamente, injetora. Permutaes podem
ser compostas e tm inversa. Denotamos por pq a composta das permutaes p e q.
Exemplo 4.12 Considere as permutaes
p =
_
1 2 3 4
2 4 1 3
_
e q =
_
1 2 3 4
3 4 1 2
_
.
Ento
qp =
_
1 2 3 4
4 2 3 1
_
e p
1
=
_
1 2 3 4
3 1 4 2
_
.
i
= j,
j
= i e
k
= k, k 1, com k , i, j.
O prximo resultado garante a unicidade da funo determinante quando restrita
s matrizes de permutao:
Lema 4.15 Se D
1
e D
2
forem funes que satisfazem as propriedades (d
1
) e (d
2
) e
D
1
(I) = D
2
(I), ento D
1
(A) = D
2
(A) para toda matriz de permutao A.
Demonstrao: Seja A uma matriz de permutao n n. Uma transposio
corresponde troca de duas colunas da matriz Ae altera o sinal de seu determinante.
Claramente umnmero nito (no mximo igual a n1) de transposies transforma
a matriz A na matriz identidade: basta fazer com que o vetor e
1
seja transposto para
a primeira coluna, obtendo assim a matriz A
1
; depois transpor e
2
para a segunda
coluna, obtendo a matriz A
2
e assim sucessivamente. Se k tais transposies forem
utilizadas nesse processo, temos
D
1
(A) = D
1
(A
1
) = D
1
(A
2
) = = (1)
k
D
1
(I) (4.2)
Essa igualdade mostra que a funo determinante de qualquer matriz de permutao
caracterizada pelos valores que ela assume na matriz identidade.
Como o mesmo clculo vale para D
2
(A), isso mostra que essas funes
coincidem, se A for uma matriz de permutao. P
O prximo resultado esclarece o signicado de (d
3
) na denio da funo
determinante.
i
i
ALinear 2005/12/19 13:25 page 64 #80
i
i
i
i
i
i
64 Determinantes Cap. 4
Teorema 4.16 Sejam D
1
e D
2
funes satisfazendo as propriedades (d
1
) e (d
2
). Se
D
1
(I) = D
2
(I), ento D
1
= D
2
.
Demonstrao: Sejam c
1
, . . . , c
n
K
n
vetores arbitrrios. Escrevendo cada um
desses vetores em termos da base cannica do K
n
, obtemos
c
1
= a
11
e
1
+ . . . +a
n1
e
n
,
c
2
= a
12
e
1
+ . . . +a
n2
e
n
,
.
.
. =
.
.
.
c
n
= a
1n
e
1
+ . . . + a
nn
e
n
(estamos usando essa notao para os ndices, pois os vetores c
1
, . . . , c
n
so
colunas!).
Assim,
D
1
(c
1
, . . . , c
n
) = D
1
(a
11
e
1
+ . . . + a
n1
e
n
, c
2
, . . . , c
n
)
= a
11
D
1
(e
1
, c
2
, . . . , c
n
) + . . . + a
n1
D
1
(e
n
, c
2
, . . . , c
n
).
Se substituirmos agora c
2
por a
12
e
1
+ . . . + a
n2
e
n
, obteremos uma expresso
semelhante. Feitas todas as substituies de c
2
, . . . , c
n
, chegaremos a
D
1
(c
1
, . . . , c
n
) =
n
i
1
,...,in=1
a
i
1
1
a
i
2
2
a
inn
D
1
(e
i
1
, . . . , e
in
) (4.3)
e a mesma igualdade vale para D
2
.
Nesse somatrio, tanto para D
1
como para D
2
, so nulas todas as parcelas em
que h repetio de algum dos ndices i
1
, . . . , i
n
. De fato, nesse caso, temos que
i
k
= i
j
para k ,= j e ento e
i
k
= e
i
j
. Para m = 1, 2, a propriedade (d
1
) do
determinante garante ento que D
m
(e
i
1
, . . . , e
i
j
, . . . , e
i
k
, . . . , e
in
) = 0. Quer dizer,
basta considerar o caso em que todos os ndices i
1
, . . . , i
n
so diferentes entre si.
Mas, ento, est estabelecida uma permutao dos inteiros 1, . . . , n e o resultado
segue-se do Lema 4.15. P
Corolrio 4.17 Existe uma nica funo determinante.
Est assim mostrada a existncia de apenas uma funo determinante, denida
para qualquer matriz quadrada. Relembramos a denio dada no incio do
Captulo:
i
i
ALinear 2005/12/19 13:25 page 65 #81
i
i
i
i
i
i
4.4 Unicidade da Funo Determinante 65
Denio 4.18 Sejam D a funo determinante e A = (c
1
c
n
) uma matriz
n n denotada por meio de suas colunas. Denimos
det A = D(c
1
, . . . , c
n
).
Em outras palavras, passamos a utilizar a notao habitual det A para o
determinante da matriz A.
Agora vamos mostrar algumas propriedades de permutaes que normalmente
so utilizadas na prova da unicidade do determinante.
A demonstrao do Lema 4.15 nos garante que:
Corolrio 4.19 Toda permutao um produto de transposies. Alm disso, se
p =
k
1
uma decomposio de p como produto de transposies, ento
D(c
p
1
, . . . , c
pn
) = (1)
k
D(c
1
, . . . , c
n
).
Denio 4.20 Sejam p uma permutao e A a matriz que representa p. Denimos
o sinal da permutao p por
(p) = (A) := det(A).
Fazendo c
i
= e
i
no Corolrio 4.19, temos que D(A) = (1)
k
, se p =
k
1
for a decomposio de p como produto de k transposies. Mas, a denio do
sinal garante, em particular, que (p) independe de como uma permutao pode ser
escrita como produto de transposies. Assim, o Corolrio 4.19 pode ser escrito
como
D(c
p
1
, . . . , c
pn
) = (p)D(c
1
, . . . , c
n
). (4.4)
Proposio 4.21 O sinal de uma permutao tem as seguintes propriedades:
(i) se id for a permutao identidade, ento (id) = 1;
(ii) se for uma transposio, () = 1;
(iii) se p e p
p) = (p
)(p).
Demonstrao: (i) e (ii) decorrem das propriedades (d
3
) e (d
4
) da funo
determinante. Como toda permutao produto de transposies p =
k
1
e
p
1
. Assim, p
p =
k
1
e
(p
p) = (1)
j+k
= (1)
j
(1)
k
= (p
)(p).
P
i
i
ALinear 2005/12/19 13:25 page 66 #82
i
i
i
i
i
i
66 Determinantes Cap. 4
To logo veriquemos que det(AB) = det Adet B, ser possvel apresentar
uma prova muito mais elegante de 4.21(iii) (veja o Exerccio 11).
Sabemos que basta considerarmos as permutaes do conjunto 1, . . . , n na
equao (4.3). Tendo em vista a denio do sinal de uma permutao, (4.3)
escreve-se como
D(c
1
, . . . , c
n
) =
p
(p)a
p
1
1
a
p
2
2
a
pnn
, (4.5)
que a expresso clssica do determinante em termos de permutaes.
Exemplo 4.22 Sejam c
1
= (a
11
, a
21
) e c
2
= (a
12
, a
22
) vetores do K
2
. Calcule o
determinante D(c
1
, c
2
).
Precisamos, em primeiro lugar, determinar todas as permutaes do conjunto
1, 2. Elas so a identidade e uma transposio. Assim, temos (p
1
) = 1 e
(p
2
) = 1. Ento
D(c
1
, c
2
) =
p
(p)a
p
1
1
a
p
2
2
= (1)a
11
a
22
+ (1)a
12
a
21
= a
11
a
22
a
12
a
21
.
p
(p)a
p
1
1
a
p
2
2
a
pnn
.
Mas, se p(i) = j, ento i = p
1
p(i) = p
1
(j). Como p
i
denota p(i), p
1
(j) ser
denotado por p
1
j
, de modo que a ltima expresso pode ser escrita como i = p
1
j
.
i
i
ALinear 2005/12/19 13:25 page 68 #84
i
i
i
i
i
i
68 Determinantes Cap. 4
Assim, se p
1
= j, ento a
p
1
1
= a
jp
1
j
. Da mesma forma para os outros ndices, de
modo que
p
(p)a
p
1
1
a
p
2
2
a
pnn
=
p
(p)a
1p
1
1
a
2p
1
2
a
np
1
n
.
Mas, se p percorrer todas as permutaes de 1, . . . , n, o mesmo acontece com
p
1
. Uma vez que o sinal de p e o de p
1
o mesmo, chegamos a
det A =
p
1
(p
1
)a
1p
1
1
a
2p
1
2
a
np
1
n
=
p
(p)a
1p
1
a
2p
2
a
npn
,
que o determinante da matriz transposta, pois cada uma de suas entradas aparece
na forma a
ji
ao invs de a
ij
. P
Corolrio 4.25 A expanso em cofatores pode ser feita tambm segundo qualquer
coluna da matriz quadrada A.
4.5.2 O Determinante do Produto de Matrizes Quadradas
Teorema 4.26 Sejam A = (a
ij
) e B = (b
ij
) matrizes n n. Ento
det(BA) = det Bdet A.
Demonstrao: Sejam A
j
, B
j
e D
j
as j-simas colunas de A, B e BA,
respectivamente. A equao (3.2) garante que a j-sima coluna de uma matriz
obtida ao se calcular o seu valor em e
j
. Assim,
(BA)e
j
= B(Ae
j
) = BA
j
.
Por denio, D
j
= a
1j
B
1
+ . . . + a
nj
B
n
. Assim, se D denotar a funo
determinante,
det(BA) = D(a
11
B
1
+ +a
n1
B
n
, . . . , a
1n
B
1
+ + a
nn
B
n
).
Expandindo essa ltima expresso como feito com a equao (4.3) e aplicando a
equao (4.4), encontramos
det(BA) =
p
a
p
1
1
a
pnn
D(B
p
1
, . . . , B
pn
)=
p
(p)a
p
1
1
a
pnn
D(B
1
, . . . , B
n
)
= det B
p
(p)a
p
1
1
a
pnn
= det Bdet A.
P
i
i
ALinear 2005/12/19 13:25 page 69 #85
i
i
i
i
i
i
4.5 Propriedades do Determinante de uma Matriz 69
Demonstrao alternativa do teorema 4.26: Como antes, temos que
det(BA) = D(BA
1
, . . . , BA
n
).
Suponhamos que det B ,= 0. Denimos ento a funo T por
T(A
1
, . . . , A
n
) = T(A) :=
det(BA)
det B
.
Em virtude da expresso para det(BA) obtida, podemos escrever T como
T(A
1
, . . . , A
n
) =
D(BA
1
, . . . , BA
n
)
det B
. (4.6)
Vamos provar que a funo T satisfaz as propriedades (d
1
) (d
3
) da funo
determinante det A. Temos
(d
1
) Se A
i
= A
j
, para i ,= j, ento BA
i
= BA
j
. Como D satisfaz propriedade
(d
1
), temos T = 0;
(d
2
) Como B(x + y) = Bx + By, cada BA
i
uma funo linear de A
i
. Como
D n-linear, o mesmo vale para T;
(d
3
) Para A
i
= e
i
, temos
T(e
1
, . . . , e
n
) =
D(Be
1
, . . . , Be
n
)
det B
.
Mas, Be
i
= B
i
, a i-sima coluna de B. Logo
T(e
1
, . . . , e
n
) =
D(B
1
, . . . , B
n
)
det B
=
det B
det B
= 1.
Uma vez que existe uma nica funo determinante, T(A
1
, . . . , A
n
) = det(A).
Isso prova o armado, se det B ,= 0, pois T(A
1
, . . . , A
n
) =
det(BA)
det B
.
Suponhamos agora que det B = 0. Como vimos, a funo
D(BA
1
, , BA
n
) = det(BA) satisfaz as propriedades (d
1
) e (d
2
). Alm disso,
quando A
i
= e
i
, temos 0 = det B = D(Be
1
, , Be
n
). O Teorema 4.16 garante
que D(BA
1
, , BA
n
) = 0. Assim, det(BA) = 0 e o mesmo valor assumido
por det Adet B, como queramos mostrar. (Demonstraes alternativas do caso em
que det B = 0 so apresentadas nos Exerccios 10 e 25 (c).) P
i
i
ALinear 2005/12/19 13:25 page 70 #86
i
i
i
i
i
i
70 Determinantes Cap. 4
4.6 A Regra de Cramer
Sejam A = (a
ij
) uma matriz nn e b K
n
um vetor. Consideremos a equao
Ax = b.
Suponhamos que x =
n
j=1
x
j
e
j
seja uma soluo dessa equao. Denotando por
c
j
a j-sima coluna de A, podemos escrever Ax =
n
j=1
x
j
Ae
j
=
n
j=1
x
j
c
j
= b. Isso
quer dizer que
(c
1
c
j
c
n
)
_
_
_
_
_
_
_
x
1
.
.
.
x
j
.
.
.
x
n
_
_
_
_
_
_
_
=
_
_
_
b
1
.
.
.
b
n
_
_
_
n
j=1
x
j
c
j
= b e b
i
=
n
j=1
x
j
a
ij
. (4.7)
Denimos A
k
como sendo a matriz obtida ao se substituir a k-sima coluna de
A pelo vetor b. Descrevendo essa matriz em termos de suas colunas, obtemos
A
k
= (c
1
. . . c
k1
b c
k+1
. . . c
n
) = (c
1
. . . c
k1
n
j=1
x
j
c
j
c
k+1
. . . c
n
), (4.8)
desde que x seja uma soluo de Ax = b.
Assim, utilizando a notao de D para a funo determinante,
det A
k
=
n
j=1
x
j
D(c
1
, . . . , c
k1
, c
j
, c
k+1
, . . . , c
n
).
Logo, se x for soluo de Ax = b, vale
det A
k
= x
k
det A, (4.9)
pois todos os outros termos se anulam no somatrio. Portanto,
x
k
=
det A
k
det A
, (4.10)
desde que det A ,= 0. Essa a regra de Cramer para se obter a soluo da equao
Ax = b, para um dado b. Ela garante que, se det A ,= 0, ento a (nica) soluo x
de Ax = b tem coordenadas que satisfazem a igualdade x
k
=
det A
k
det A
.
i
i
ALinear 2005/12/19 13:25 page 71 #87
i
i
i
i
i
i
4.6 A Regra de Cramer 71
Teorema 4.27 Para k 1, . . . , n, seja
B =
_
(1)
1+k
det A
1k
. . . (1)
i+k
det A
ik
. . . (1)
n+k
det A
nk
_
,
em que a matriz B est sendo descrita em termos de suas colunas. Ento vale
BA = AB = (det A)I. (4.11)
Assim, A invertvel se, e somente se, det A ,= 0. Nesse caso, A
1
=
(1/ det A)B, ou seja,
(A
1
)
ki
= (1)
i+k
det A
ik
det A
. (4.12)
A matriz B chamada de adjunta clssica de A.
Demonstrao: Tome x R
n
arbitrrio e dena u = Ax. De acordo com a
equao (4.8), se expandirmos det A
k
com relao a sua k-sima coluna, obtemos
det A
k
=
n
i=1
(1)
i+k
det A
ik
u
i
.
Decorre da equao (4.9), que
(det A) x
k
=
n
i=1
(1)
i+k
det A
ik
u
i
. (4.13)
A equao (4.7) nos mostra como se multiplica uma matriz descrita em termos
de suas colunas por um vetor (observe a inverso de ndices na denio de B!):
det A
_
_
_
x
1
.
.
.
x
n
_
_
_
=
_
(1)
1+k
det A
1k
(1)
i+k
det A
ik
(1)
n+k
det A
nk
_
_
_
_
u
1
.
.
.
u
n
_
_
_
Quer dizer, mostramos que, ao denir u = Ax, ento vale
(det A) x = Bu. (4.14)
Como u = Ax, vem (det A) x = BAx para todo x e, portanto, BA = (det A) I.
Se det A ,= 0, ento (1/ det A) B a inversa de A (veja o Exerccio 13 do
Captulo 3). Se, por outro lado, A tiver inversa A
1
, aplicando o determinante
em ambos os lados de AA
1
= I, obtemos det Adet A
1
= det I = 1. Logo,
det A ,= 0.
Para AB 0 no caso em que det A = 0, veja o Exerccio 19. P
i
i
ALinear 2005/12/19 13:25 page 72 #88
i
i
i
i
i
i
72 Determinantes Cap. 4
4.7 Matrizes Semelhantes
Denio 4.28 Seja A = (a
ij
) uma matriz quadrada. Denimos o trao da matriz
A, denotado por tr A, por
tr A =
n
i=1
a
ii
.
Teorema 4.29 O trao uma aplicao linear e tr (AB) = tr (BA).
Demonstrao: A linearidade do trao bvia. Por denio, temos
(AB)
ii
=
n
k=1
a
ik
b
ki
e (BA)
kk
=
n
i=1
b
ki
a
ik
.
Assim,
tr (AB) =
n
i=1
_
n
k=1
a
ik
b
ki
_
=
n
k=1
_
n
i=1
b
ki
a
ik
_
= tr (BA).
P
Denio 4.30 Duas matrizes A e B so semelhantes, se existir uma matriz
invertvel P tal que B = P
1
AP.
Claramente, temos assim denida uma relao de equivalncia
2
no conjunto das
matrizes n n.
Teorema 4.31 Matrizes semelhantes possuem o mesmo determinante e o mesmo
trao.
Demonstrao: Temos
det B = det(P
1
AP) = det P
1
det Adet P = det Adet(P
1
P) = det Adet I
= det A.
Tambm, pelo Teorema 4.29,
tr B = tr (P
1
AP) = tr (APP
1
) = tr (AI) = tr A.
P
2
Veja o Exerccio 38 do Captulo 3.
i
i
ALinear 2005/12/19 13:25 page 73 #89
i
i
i
i
i
i
4.8 Exerccios 73
Como vimos anteriormente, dada uma aplicao linear T de um espao X de
dimenso n nele mesmo, ao se escolher uma base de X, podemos representar T por
uma matriz. Duas representaes de T, obtidas pela escolha de duas bases distintas,
so semelhantes. Aplicando o teorema anterior, vemos que faz sentido a seguinte
denio:
Denio 4.32 Seja T : V V uma aplicao linear denida no espao vetorial
de dimenso nita V . Denimos
tr T = tr T
B
B
= tr T
B
e det T = det T
B
B
= det T
B
,
em que B qualquer base de V .
4.8 Exerccios
1. Seja K = R ou K = C. Mostre que a propriedade (d
4
) da funo
determinante implica a propriedade (d
1
). Assim, poderamos ter denido a
funo determinante como uma que satisfaz as propriedades (d
2
)(d
3
)(d
4
).
2. Sem calcular o determinante da matriz que a representa, obtenha (p), sendo
p =
_
1 2 3 4 5 6
5 4 2 1 6 3
_
.
Escreva p como produto de transposies.
3. Seja A uma matriz de permutao. Mostre que A
1
= A
t
e que (A) =
(A
1
).
4. Repita o Exemplo 4.22 para trs vetores genricos do K
3
. Em outras palavras,
calcule o determinante de uma matriz 3 3 utilizando a expresso (4.5).
5. Sejamc
1
, . . . , c
n
K
n
as colunas da matriz A. Mostre que det A = 0 implica
que os vetores c
1
, . . . , c
n
so linearmente dependentes.
6. Aplique as propriedades da funo determinante para calcular o determinante
da matriz
_
_
_
_
2 5 3 2
2 3 2 5
1 3 2 2
1 6 4 3
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 74 #90
i
i
i
i
i
i
74 Determinantes Cap. 4
7. Mostre o Corolrio 4.25.
8. Seja A uma matriz n n. Mostre que: det(tI A) um polinmio mnico
3
de grau n na varivel t.
9. Seja B(t) uma matriz n n cujas entradas b
ij
(t) dependem continuamente
da varivel t. Mostre que det B(t) depende continuamente de t.
10. Suponha provado que det(AB) = det Adet B, se det B ,= 0. Usando os
Exerccios 8 e 9, dena B(t) = B + tI e mostre a validade do resultado
tambm no caso em que det B = 0.
11. Representando permutaes por matrizes, verique que a Proposio
4.21(iii) conseqncia imediata do Teorema 4.26.
12. Seja A M
mn
(R) uma matriz de posto r. Mostre que r o maior nmero
natural tal que A possui uma submatriz A
r
, r r, com det A
r
,= 0.
13. Sejam x
1
, x
2
, x
3
K. Mostre que
det
_
_
1 x
1
x
2
1
1 x
2
x
2
2
1 x
3
x
2
3
_
_
= (x
2
x
1
)(x
3
x
1
)(x
3
x
2
).
Se x
1
, . . . , x
n
K, mostre ento por induo que
V
n
= det
_
_
_
_
_
1 x
1
x
n1
1
1 x
2
x
n1
2
.
.
.
.
.
.
1 x
n
x
n1
n
_
_
_
_
_
=
i>j
(x
i
x
j
)
em que o produtrio tomado sobre todos os termos (x
j
x
i
) com i < j.
Esse determinante o determinante de Vandermonde de ordem n.
14. Mostre que, se as funes f
1
, f
2
forem de classe C
2
e se
(t) = det
_
f
1
(t) f
2
(t)
f
1
(t) f
2
(t)
_
,
3
Isto , o coeciente do termo de maior grau igual a 1.
i
i
ALinear 2005/12/19 13:25 page 75 #91
i
i
i
i
i
i
4.8 Exerccios 75
ento
(t) = det
_
f
1
(t) f
2
(t)
f
1
(t) f
2
(t)
_
.
Generalize ento para matrizes n n:
(t) = det A(t) = det
_
_
_
_
_
f
1
(t) f
2
(t) f
n
(t)
f
1
(t) f
2
(t) f
n
(t)
.
.
.
.
.
.
f
(n1)
1
(t) f
(n1)
2
(t) f
(n1)
n
(t)
_
_
_
_
_
.
com f
j
(t) sucientemente suave para j = 1, . . . , n. A funo (t) muitas
vezes denotada por W(f
1
, . . . , f
n
)(t) e chamada Wronskiano das funes
f
1
, . . . , f
n
.
15. Sejamf
1
, . . . , f
n
: I R Rfunes de classe C
n1
. Mostre que, se existir
um ponto t
0
I tal que W(f
1
, . . . , f
n
)(t
0
) ,= 0, ento essas funes so
linearmente independentes no espao C
n1
(I) de todas as funes de classe
C
n1
denidas no intervalo I. Generalize para funes analticas denidas
num aberto U C. Mostre ento que, se
1
, . . . ,
n
C forem distintos e
no-nulos, as funes e
1
t
, . . . , e
nt
so linearmente independentes.
16. Seja A uma matriz triangular superior, isto , uma matriz da forma
A =
_
_
_
_
_
a
11
a
12
a
1n
0 a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
_
_
_
.
Mostre que det A = a
11
a
nn
. Mostre o resultado anlogo para uma matriz
triangular inferior, isto , para uma matriz com a forma da transposta da
matriz A dada acima.
17. Considere a matriz n n
Q =
_
A B
0 D
_
,
em que A uma matriz mm e D uma matriz (n m) (n m). Mostre
que
det Q = det Adet D.
i
i
ALinear 2005/12/19 13:25 page 76 #92
i
i
i
i
i
i
76 Determinantes Cap. 4
Generalize para uma matriz A que seja triangular superior em blocos, isso ,
uma matriz da forma
P =
_
_
_
_
_
A
1
0 A
2
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
j
_
_
_
_
_
,
em que denota uma matriz de tamanho adequado e cada matriz A
i
quadrada.
18. Sejam A, B, C, D M
nn
(K), com det A ,= 0. Mostre que
det P = det
_
A B
C D
_
= det(AD ACA
1
B).
Para isso, encontre X e Y tais que
_
A B
C D
_
=
_
A 0
C I
__
I Y
0 X
_
.
(A matriz X chamada complemento de Schur de A em P.)
Em particular, se AC = CA, isso implica que det P = det(AD
CB). Nesse caso, utilizando a continuidade da funo determinante (veja
o Exerccio 9), mostre que o resultado continua vlido tambm se det A = 0.
19. Dada a matriz quadrada A, seja B a adjunta clssica de A. Mostre que
a adjunta clssica de A
t
igual a B
t
. Utilize ento a igualdade B
t
A
t
=
(det A
t
) I para concluir a demonstrao do Teorema 4.27.
20. Mostre a igualdade
1
det A
i1
+
2
det A
i2
+ . . . +
n
det A
in
= det
A,
em que
A a matriz obtida de A trocando-se sua i-sima linha pela linha
(
1
2
. . .
n
). Mostre tambm o resultado anlogo para
1
det A
1j
+ . . . +
n
det A
nj
e produza uma nova demonstrao do Teorema 4.27.
i
i
ALinear 2005/12/19 13:25 page 77 #93
i
i
i
i
i
i
4.8 Exerccios 77
21. Usando a regra de Cramer, determine os valores de k para os quais o sistema
kx + y + z = 1
x + ky + z = 1
x + y + kz = 1
possui soluo nica. Compare com o resultado obtido por meio de
escalonamento (mtodo de Gauss - veja o Apndice A).
22. Sejam A, B matrizes n n. Mostre que a igualdade AB BA = I nunca
satisfeita.
23. Seja B M
nn
(K) uma matriz xa. Dena
B
: M
nn
(K) M
nn
(K)
por
B
(A) = AB BA.
Mostre que
B
linear e que det
B
= 0.
24. Sejam A, B matrizes nn. Mostre que, se ABBA = A, ento det A = 0.
Os prximos resultados dependem da teoria de escalonamento e de matrizes
elementares (veja o Apndice A).
24. Utilizando escalonamento e matrizes elementares, mostre que A possui
inversa se, e somente se, det A ,= 0. (Veja o Teorema 4.27).
25. Mostre que det(AB) = det Adet B utilizando matrizes elementares. Para
isso:
(a) Mostre o resultado no caso de A ser uma matriz elementar;
(b) Suponha que a matriz A seja invertvel (e, portanto, um produto de
matrizes elementares, pelo Exerccio 13 do Captulo 11). Mostre o
resultado usando (a);
(c) Mostre que, se AB for invertvel, ento A e B so invertveis. Conclua
que, se A no tiver inversa, ento det(AB) = 0 = det Adet B.
26. Mostre que det A
t
= det A utilizando matrizes elementares.
i
i
ALinear 2005/12/19 13:25 page 78 #94
i
i
i
i
i
i
5
Operadores e Polinmios
Neste Captulo introduzimos autovalores e autovetores, apresentamos alguns
resultados simples sobre diagonalizao de operadores, demonstramos o Teorema
de Cayley-Hamilton e denimos a complexicao de um espao real.
5.1 Autovetores e Autovalores
Dados um espao vetorial X de dimenso nita e um operador linear T : X
X, queremos encontrar uma base B de X, na qual a representao T
B
desse operador
seja a mais simples possvel.
Consideremos a seguinte situao ideal: suponhamos a existncia de uma
decomposio
X = W
1
W
2
W
n
, dimW
i
= 1, T(W
i
) W
i
, 1 i n. (5.1)
Seja w
i
uma base de W
i
. Ento B = w
1
, . . . , w
n
uma base de X. Como
T(W
i
) W
i
, existe
i
K tal que Tw
i
=
i
w
i
. A representao de T na base B
(no domnio e na imagem) a matriz diagonal A = T
B
, dada por
A =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
.
Dizemos, ento, que T diagonalizvel. (Note que podemos ter
i
=
j
para
i ,= j.)
Observe que a igualdade Tw
i
=
i
w
i
garante que w
i
ker(
i
I T); assim,
det(
i
I T) = det(
i
I A) = 0, de acordo com a Denio 4.32 (veja o Exerccio
78
i
i
ALinear 2005/12/19 13:25 page 79 #95
i
i
i
i
i
i
5.1 Autovetores e Autovalores 79
1). Isso quer dizer que
i
uma raiz do polinmio p(t) = det(tI A), chamado
polinmio caracterstico do operador T (ou da matriz A). Lembramos
1
que p(t)
umpolinmio mnico de grau n. Assim, podemos concluir (mesmo quando
i
=
j
para i ,= j) que
p(t) = (t
1
)(t
2
) (t
n
) (5.2)
e w
i
ker(
i
I T). (Note que a equao Tx =
i
x satisfeita por qualquer
elemento de W
i
.)
Mudemos agora o enfoque e consideremos o operador T com seu polinmio
caracterstico p(t) = det(tI T). As razes K do polinmio caracterstico so
os autovalores de T. Se existirem n razes distintas
i
K, isto , se
p(t) = (t
1
) (t
n
),
com
i
,=
j
para i ,= j, o espao W
i
:= ker(T
i
I) ter dimenso 1. De
fato, existe pelo menos um vetor no-nulo w
i
tal que (T
i
I)w
i
= 0 pois, como
T
i
I no tem inversa, o sistema (T
i
I)x = 0 tem soluo no-trivial w
i
. (Esse
vetor w
i
,= 0 um autovetor de T associado ao autovalor
i
.) Isso quer dizer que
dimW
i
1. Para garantir que dimW
i
= 1, aceitaremos momentaneamente que
autovetores w
i
associados a autovalores distintos
i
so linearmente independentes,
resultado que ser demonstrado mais adiante. Admitido esse resultado, conclumos
que w
1
, . . . , w
n
uma base de X e dimW
i
= 1. Quer dizer, nesse caso especial
em que o polinmio caracterstico possui n razes distintas no corpo K, teremos
provado que
X = W
1
W
2
W
n
,
com W
i
= ker(T
i
I) e T(W
i
) W
i
(pois T(cw
i
) = cTw
i
= c
i
w
i
W
i
).
Estamos, assim, em um caso particular da situao em que iniciamos; logo, a
representao de T na base B = w
1
, . . . , w
n
ser justamente a matriz diagonal
dada por A.
Entretanto, nem sempre o polinmio caracterstico produto de fatores lineares
distintos, mesmo se o operador T for diagonalizvel. Considere o seguinte exemplo:
Exemplo 5.1 O polinmio caracterstico da aplicao identidade I : R
n
R
n
p(t) = det(tI I) = (t 1)
n
, que possui apenas a raiz 1.Vale a decomposio (5.1)
K
n
= V
1
V
n
com V
i
= ce
i
[ c K e I(V
i
) V
i
. Contudo, ao autovalor 1 est associado o
espao W
1
= ker(1I I) = ker 0 = K
n
.
1
Veja o Exerccio 8 do Captulo 4.
i
i
ALinear 2005/12/19 13:25 page 80 #96
i
i
i
i
i
i
80 Operadores e Polinmios Cap. 5
Antes de mostrarmos a armao que autovetores associados a autovalores
distintos so linearmente independentes, ressaltaremos algumas denies:
Denio 5.2 Sejam X um espao vetorial sobre o corpo K, com dimenso nita
n, e T : X X um operador. O polinmio p(t) := det(tI T) o polinmio
caracterstico de T. As razes
i
K desse polinmio so os autovalores de T. A
multiplicidade algbrica de um autovalor a sua multiplicidade como raiz de p(t).
2
Os elementos no-nulos do ncleo ker(
i
I T) so os autovetores associados ao
autovalor
i
, ou simplesmente autovetores de T. O auto-espao X
associado ao
autovalor denido por
X
:= ker(I T) = x X; (I T)x = 0.
O conjunto dos autovalores de T o espectro de T e denotado por (T).
Se existir uma base B de X tal que T
B
seja uma matriz diagonal, dizemos que
T diagonalizvel.
Observao 5.3 Note que a equao (4.11) tem implicao importante, no caso
em que det A = 0: como AB = (det A)I, conclumos que cada coluna no-nula da
matriz B um autovetor de A associado ao autovalor 0.
Frisamos que apenas as razes
i
K do polinmio caracterstico so
autovalores do operador. Assim, se T : R
2
R
2
for denido por T(x, y) =
(y, x), ento seu polinmio caracterstico p(t) = t
2
+ 1, que no possui razes
reais. Portanto, T no possui autovalores e (T) = . Considerando T : C
2
C
2
denido da mesma maneira, p(t) = t
2
+ 1 = (t i)(t + i), e (T) = i, i. Isso
mostra que a anlise de uma aplicao linear T : X X depende muito do corpo
K sobre o qual X espao vetorial.
Observao 5.4 O polinmio caracterstico de T : X X especialmente
importante por causa de suas razes, os autovalores de T. Como det(T tI) =
(1)
n
det(tI T) (em que n a dimenso de X) um polinmio que possui as
mesmas razes de det(tI T), usual chamar de polinmio caracterstico de T
tambm ao polinmio det(T tI).
Mostraremos agora a armativa de que autovetores associados a autovalores
distintos so linearmente independentes. Sendo mais preciso:
2
Veja o Exerccio 3 para a denio de multiplicidade de uma raiz.
i
i
ALinear 2005/12/19 13:25 page 81 #97
i
i
i
i
i
i
5.1 Autovetores e Autovalores 81
Teorema 5.5 Se w
i
for um autovetor de T : X X associado ao autovalor
i
K, e se
i
,=
j
para i ,= j, ento o conjunto w
1
, . . . , w
k
linearmente
independente.
Demonstrao: Faremos induo no nmero k de elementos do conjunto
w
1
, . . . , w
k
. Se k = 1, o resultado bvio. Suponhamos verdadeiro para k 1
vetores e consideremos o caso de k vetores. Se
1
w
1
+
2
w
2
+. . . +
k
w
k
= 0, (5.3)
aplicando T em (5.3), obtemos
1
Tw
1
+
2
Tw
2
+ . . . +
k
Tw
k
= 0.
Mas Tw
i
=
i
w
i
. Assim,
1
w
1
+ . . . +
k
k
w
k
= 0.
Por outro lado, multiplicando (5.3) por
k
, vem
k
w
1
+
2
k
w
2
+ . . . +
k
k
w
k
= 0.
Subtraindo essas duas ltimas equaes, conclumos que
1
(
1
k
)w
1
+
2
(
2
k
)w
2
+ . . . +
k1
(
k1
k
)w
k1
= 0.
Como
i
k
,= 0 para todo i = 1, . . . , k 1, a hiptese de induo garante que
i
= 0 para i 1, . . . , k 1. Levando em (5.3), conclumos que
k
= 0 e que
w
1
, . . . , w
k
linearmente independente. P
O corolrio a seguir traz o enunciado do resultado vericado no incio da Seo:
Corolrio 5.6 Se X for um espao vetorial de dimenso n e se o polinmio
caracterstico do operador linear T : X X possuir n razes distintas, ento
X possui uma base B formada por autovetores de T. A aplicao T representada
na base B uma matriz diagonal, sendo os elementos da diagonal principal os
autovalores de T.
Finalizamos esta Seo apresentando uma caracterizao dos operadores
lineares diagonalizveis T : X X denidos no espao vetorial de dimenso
nita X.
i
i
ALinear 2005/12/19 13:25 page 82 #98
i
i
i
i
i
i
82 Operadores e Polinmios Cap. 5
Teorema 5.7 Seja X um espao de dimenso nita. Uma aplicao linear T :
X X diagonalizvel se, e somente se, existir uma base B de X formada por
autovetores de T.
Demonstrao: Suponhamos que B = v
1
, . . . , v
n
seja uma base de X tal que T
B
seja uma matriz diagonal (no estamos supondo que os
i
sejam distintos!):
T
B
= D =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
.
Claramente De
i
=
i
e
i
. Seja B : X K
n
o isomorsmo dado por B(v
i
) = e
i
.
Ento T = B
1
DB e Tv
i
= B
1
D(Bv
i
) = B
1
De
i
= B
1
(
i
e
i
) =
i
B
1
e
i
=
i
v
i
, mostrando que cada v
i
autovetor de T.
A recproca imediata. P
fcil dar exemplos de operadores que no so diagonalizveis:
Exemplo 5.8 Consideremos o operador T : R
2
R
2
, cuja representao matricial
na base cannica do R
2
A =
_
0 1
0 0
_
.
O polinmio caracterstico de A (e de T) p(t) = t
2
, de modo que seu nico
autovalor = 0. A esse autovalor de A est associado um nico autovetor:
Ae
1
= 0e
1
. Pelo Teorema 5.7, no existe uma base B de R
2
, na qual A assuma uma
representao diagonal.
5.2 Subespaos Invariantes
Os resultados apresentados na Seo anterior tornaram clara a utilidade de
encontrarmos subespaos invariantes por um operador linear T : X X. Nesta
Seo apresentaremos um critrio para vericar se um subespao invariante por
T.
Para isso, consideremos um espao vetorial X . Suponhamos que esteja escrito
como uma soma direta:
X = W
1
W
, (5.4)
i
i
ALinear 2005/12/19 13:25 page 83 #99
i
i
i
i
i
i
5.2 Subespaos Invariantes 83
isto , que cada ponto x X tenha uma nica representao
x = x
1
+ . . . + x
, x
j
W
j
, j = 1, . . . , .
Para j 1, . . . , , denimos as projees cannicas
j
: X W
j
X
x x
j
.
Claramente vale
i
=
ij
i
, (5.5)
em que
ij
= 0, se i ,= j, e
ii
= 1, com i, j 1, . . . , . Alm disso,
j=1
j
= I. (5.6)
Reciprocamente, se os operadores lineares
1
, . . . ,
, com
projees correspondentes
j
, j = 1, . . . , . Ento T(W
j
) W
j
se, e somente se,
T
j
=
j
T.
Demonstrao: Suponhamos que T(W
j
) W
j
. Tome x X arbitrrio. Ento
j
x W
j
e, conseqentemente, T
j
x W
j
. Logo
i
T
j
x =
ij
T
j
x para todo
j = 1, . . . , . Somando todos esses termos e utilizando (5.6), obtemos
T
i
x =
j=1
ij
T
j
x =
j=1
i
T
j
x =
i
T
_
j=1
j
x
_
=
i
Tx.
i
i
ALinear 2005/12/19 13:25 page 84 #100
i
i
i
i
i
i
84 Operadores e Polinmios Cap. 5
Reciprocamente, se T comutar com todo
j
, para todo x W
j
vale
Tx = T
j
x =
j
Tx W
j
,
mostrando que T(W
j
) W
j
. P
Note que os resultados apresentados independem do fato do espao X ter
dimenso nita. Por outro lado, se os subespaos W
j
da decomposio
X = W
1
W
]
B
_
_
_
_
_
.
Reciprocamente, se existir uma base B do espao X na qual T : X X
representado por uma matriz diagonal com blocos, ento existe uma decomposio
X = W
1
W
, com T(W
i
) W
i
(veja o Exerccio 11).
A decomposio do espao X como soma direta de subespaos invariantes pelo
operador T : X X ser exaustivamente estudada no Captulo 7.
Exemplo 5.11 Sejam W
1
= (x, 0, z, 0) R
4
e W
2
= (0, y, 0, w) R
4
.
Claramente vale
R
4
= W
1
W
2
.
Considere a aplicao T : R
4
R
4
denida por
T(x, y, z, w) = (x z, y + w, x + 2z, w)
Claramente T(W
i
) W
i
para i = 1, 2. Tomemos as bases B
1
=
(1, 0, 1, 0), (1, 0, 1, 0) e B
2
= (0, 1, 0, 1), (0, 0, 0, 1) de W
1
e W
2
,
respectivamente. A representao de T na base B = B
1
, B
2
T
B
=
_
_
_
_
3
2
1
2
0 0
3
2
3
2
0 0
0 0 2 1
0 0 1 0
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 85 #101
i
i
i
i
i
i
5.3 O Polinmio Mnimo 85
5.3 O Polinmio Mnimo
Sejam T : X X um operador linear e q K[z], com q(z) =
k
z
k
+
k1
z
k1
+
1
z +
0
. Mesmo se X tiver dimenso innita, est bem denido o
operador
q(T) :=
k
T
k
+
k1
T
k1
+ +
1
T +
0
I.
(Se X for um espao de dimenso nita, a aplicao linear q(T) : X X
representada por uma matriz n n ao se escolher uma base de X.)
Nosso objetivo generalizar esse procedimento, de modo a averiguarmos em
qual situao possvel obter f(T), mesmo que f no seja um polinmio. (Esse
o objetivo do Captulo 6.) Comeamos, contudo, estudando funes polinomiais.
Lembramos que um polinmio mnico, se o coeciente de seu termo de maior
grau for igual a 1.
Denio 5.12 Um polinmio mnimo m K[z] de uma aplicao T : X X
um polinmio mnico de menor grau tal que m(T) = 0.
Lema 5.13 Todo operador linear T : X X, denido em um espao X de
dimenso n, possui um polinmio mnimo.
Demonstrao: O espao /(X, X) de todas as aplicaes lineares T : X X
um espao vetorial de dimenso n
2
. (Esse espao isomorfo ao espao M
nn
(K)
de todas as matrizes n n com entradas em K). Assim, as aplicaes lineares I,
T, T
2
, . . . , T
n
2
so, necessariamente, linearmente dependentes. Quer dizer, existem
escalares
0
,
1
, . . . ,
n
2 K, nem todos nulos, tais que
0
I +
1
T + . . . +
n
2T
n
2
= 0.
Denindo p(z) =
0
+
1
z +. . . +
n
2z
n
2
, temos 0 ,= p e p(T) = 0. Dividindo
pelo coeciente do termo de maior grau, obtemos um polinmio mnico p. O
polinmio mnimo ento existe, como decorrncia da aplicao do Princpio da Boa
Ordenao ao conjunto de todos os polinmios mnicos que anulam T. P
Lema 5.14 Se p(T) = 0 para um polinmio p K[z] e m um polinmio mnimo
de T, ento p um mltiplo de m.
i
i
ALinear 2005/12/19 13:25 page 86 #102
i
i
i
i
i
i
86 Operadores e Polinmios Cap. 5
Demonstrao: Se 1 denotar o conjunto de todos os polinmios com coecientes
em K[z] que anulam T, claramente a soma de dois polinmios em 1, bem como
a multiplicao de p por qualquer polinmio (com coecientes em K) esto em 1.
(Quer dizer, 1 um ideal.) A diviso euclidiana de p por m nos d p = qm + r.
Como r = p qm pertence a 1 e o grau de m mnimo, conclumos que r = 0. P
Note que, em particular, esse resultado implica a unicidade do polinmio
mnimo de T.
5.4 O Teorema de Cayley-Hamilton
Apresentamos agora um dos resultados mais importantes da lgebra Linear. Ele
tambm vlido para operadores denidos em espaos reais de dimenso nita,
como mostraremos posteriormente (veja o Corolrio 5.22):
Teorema 5.15 (Cayley-Hamilton)
Seja X um espao complexo de dimenso nita. Se p K[z] for o polinmio
caracterstico de T : X X, ento p(T) = 0.
Demonstrao: Faremos induo sobre n = dimX ou, o que o mesmo, sobre
o tamanho da matriz que representa o operador T. Se n = 1, o resultado bvio.
Suponhamos que ele seja vlido para qualquer espao complexo de dimenso n1
e consideremos T : X X, com dimX = n. Seja C uma raiz do polinmio
caracterstico p de T e tome x
1
tal que Tx
1
= x
1
. Considere ento uma base
x
1
, x
2
, . . . , x
n
de X, cujo primeiro elemento x
1
. Nessa base, T representado
por uma matriz com a forma
A =
_
0 A
1
_
, (5.7)
em que A
1
denota uma matriz quadrada e representa n1 entradas sobre as quais
no temos controle. Claramente,
p(t) = det(tI A) = (t ) det(tI A
1
) = (t )p
1
(t),
em que p
1
(t) o polinmio caracterstico de A
1
. Assim (veja o Exerccio 14),
p(A) = (A I)p
1
(A).
i
i
ALinear 2005/12/19 13:25 page 87 #103
i
i
i
i
i
i
5.5 A Complexicao de um Espao Vetorial 87
Para obtermos p
1
(A), decorre de (5.7) que A
k
tem a forma (veja o Exerccio 15)
_
k
0 A
k
1
_
e, portanto,
p
1
(A) =
_
p
1
()
0 p
1
(A
1
)
_
=
_
p
1
()
0 0
_
,
de acordo com nossa hiptese de induo.
Assim, (os tamanhos das matrizes I so diferentes em cada expresso)
p(A) = (A I)p
1
(A) =
_
0
0 (A
1
I)
__
p
1
()
0 0
_
=
_
0 0
0 0
_
,
completando a demonstrao. P
Uma demonstrao alternativa do Teorema de Cayley-Hamilton, vlida para R
ou C, sugerida no Exerccio 16.
O prximo resultado conseqncia imediata do Lema 5.14.
Corolrio 5.16 Seja T : X X um operador no espao complexo de dimenso
nita X. O polinmio mnimo de T um divisor do polinmio caracterstico de T.
Como mostraremos na prxima Seo, esse mesmo resultado vale sem a
hiptese de X ser um espao complexo.
5.5 A Complexicao de um Espao Vetorial
Denio 5.17 Sejam A M
nn
(K) e z K
n
um vetor qualquer. Denimos a
matriz conjugada
A M
nn
(K) como a matriz obtida ao se tomar o conjugado
em cada uma das entradas de A e o vetor conjugado z K
n
como o vetor obtido
ao se tomar o conjugado em cada uma das coordenadas de z.
de vericao imediata que A +B =
A +
B, AB =
A
B para quaisquer
matrizes A, B M
nn
(K) e K. Alm disso, tambm vale Az =
A z para
qualquer z K
n
.
i
i
ALinear 2005/12/19 13:25 page 88 #104
i
i
i
i
i
i
88 Operadores e Polinmios Cap. 5
Denio 5.18 Denimos a complexicao de um espao vetorial real X como
sendo o conjunto
X
C
= u + iv; u, v X.
Em X
C
, denimos a soma de vetores e a multiplicao por um nmero complexo
de maneira "natural". fcil vericar que X
C
torna-se, assim, um espao vetorial
sobre os complexos.
Denio 5.19 Sejam X um espao real e T : X X uma aplicao linear.
Denimos a complexicao de T como sendo a aplicao T
C
: X
C
X
C
, dada
por T
C
(u + iv) = Tu + iTv.
Proposio 5.20 Sejam X um espao vetorial real de dimenso nita e T : X
X uma aplicao linear. As seguintes armativas so vlidas:
(i) toda base de X sobre R uma base de X
C
sobre C;
(ii) os polinmios caractersticos de T e T
C
so iguais;
(iii) se for um autovalor de T
C
, ento
tambm um autovalor de T
C
; as
multiplicidades algbricas dos autovalores e
so iguais;
(iv) seja
W X
C
um subespao tal que
w = u + iv
W w = u iv
W.
Ento
W possui uma base formada por vetores reais.
Demonstrao: (i) Basta notar que as partes real u e imaginria v de qualquer
vetor u + iv podem ser escritas como combinao linear dos elementos da base de
X.
(ii) Escolhida uma base de X sobre os reais, decorre imediatamente de (i), pois
as representaes de T e T
C
nessa base so iguais.
(iii) Sejam um autovalor de T
C
e p(z) o polinmio caracterstico de T
C
.
Como p(z) tambm o polinmio caracterstico de T, os coecientes de p(z)
so reais. Tomando o conjugado na equao p() = 0, obtemos p(
) = 0,
o que mostra que
tambm uma raiz do polinmio caracterstico de T
C
. Se
p
() = . . . = p
(d1)
() = 0 e p
(d)
() ,= 0 (isto , se for raiz de multiplicidade d
do polinmio caracterstico), tomando o conjugado em cada uma dessas equaes
i
i
ALinear 2005/12/19 13:25 page 89 #105
i
i
i
i
i
i
5.5 A Complexicao de um Espao Vetorial 89
obtemos p
) = . . . = p
(d1)
(
) = 0 e p
(d)
(
W
e de T[
W
so iguais.
i
i
ALinear 2005/12/19 13:25 page 90 #106
i
i
i
i
i
i
90 Operadores e Polinmios Cap. 5
Demonstrao: Todo vetor de
W da forma w = u+iv, sendo u e v vetores reais.
Escrevendo u e v em termos dos vetores da base real, segue-se imediatamente da
que
W a complexicao do espao real W gerado pelos vetores dessa base.
Como a representao matricial de T
C
[
W
e de T[
W
em termos da base real a
mesma, seus polinmios mnimos coincidem. P
5.6 Um Homomorsmo de lgebras
Polinmios em K[z] e operadores lineares T : X X denidos em um espao
vetorial sobre o corpo K tm em comum, alm de ambos serem espaos vetoriais,
uma importante propriedade: existe uma multiplicao em ambos os conjuntos.
Denio 5.24 Uma lgebra / sobre o corpo K um espao vetorial sobre o
corpo K que possui, adicionalmente, uma multiplicao satisfazendo as seguintes
propriedades, para todos u, v, w / e k K:
(i) (uv)w = u(vw) (associatividade);
(ii) u(v + w) = uv + uw (distributividade);
(iii) k(uv) = (ku)v = u(kv).
Se existir um elemento e / tal que eu = ue = u para todo u /, a lgebra
/ possui uma unidade. Se uv = vu para todos u, v /, temos uma lgebra
comutativa.
Exemplo 5.25 O espao vetorial K[z] de todos os polinmios com coecientes em
K uma lgebra comutativa com unidade. O espao vetorial M
nn
(K) uma
lgebra (no-comutativa) com unidade. O espao /(X, X) uma lgebra. (Se X
for um espao de dimenso nita, essa lgebra pode ser identicada comM
nn
(K),
ao escolhermos uma base em X.) Fixado T /(X, X), seja K[T] o conjunto
de todas as aplicaes lineares obtidas ao se avaliar o polinmio p K[z] em
T /(X, X):
T p(T) /(X, X).
fcil vericar que K[T] uma sublgebra comutativa de /(X, X).
i
i
ALinear 2005/12/19 13:25 page 91 #107
i
i
i
i
i
i
5.7 Exerccios 91
Consideremos agora as lgebras K[z] e K[T], denidas no exemplo anterior. A
aplicao
: K[z] K[T]
p p(T)
uma aplicao linear que satisfaz, adicionalmente,
(pq) = pq(T) = p(T)q(T) = (p)(q).
(A segunda igualdade, de vericao imediata, o Exerccio 14. Ela j foi utilizada
anteriormente.) A aplicao um homomorsmo de lgebras.
O ncleo de o conjunto de mltiplos do polinmio mnimo m de T.
A diviso euclidiana do polinmio p por m mostra que K[T] constituda de
polinmios em T com grau menor do que o do polinmio mnimo. (Estamos
convencionando que o grau do polinmio identicamente nulo .) Por denio,
o homomorsmo sobrejetor.
5.7 Exerccios
1. Seja B uma base do espao X e T : X X um operador. Mostre que
(tI T)
B
= tI T
B
.
2. Se
1
, . . . ,
j
forem autovalores distintos de T e W
i
= ker(
i
I T), mostre
que o subespao W = W
1
+ +W
j
a soma direta dos subespaos W
i
, ou
seja,
W = W
1
W
j
.
(Em
outras palavras, sejam w
i1
, . . . , w
ik
i
autovetores linearmente independentes
associados ao autovalor
i
da aplicao linear T, com i = 1, . . . , j. Ento o
conjunto
w
11
, w
12
, . . . , w
1k
1
, w
21
, . . . , w
2k
2
, . . . , w
j1
, . . . , w
jk
j
linearmente independente.)
3. Suponha que o polinmio p(z) seja da forma (z )
d
q(z), com q() ,= 0 e
d 2, 3, . . .. Mostre que p
() = . . . = p
(d1)
() = 0, mas p
(d)
() ,= 0.
Dizemos que a raiz de p(z) tem multiplicidade d.
i
i
ALinear 2005/12/19 13:25 page 92 #108
i
i
i
i
i
i
92 Operadores e Polinmios Cap. 5
4. Seja A M
nn
(C). Mostre que o polinmio caracterstico de A = (a
ij
) tem
a forma
p(z) = z
n
(tr A)z
n1
+ . . . + (1)
n
det A.
Se
1
, . . . ,
n
forem os autovalores de A (com a mesma multiplicidade que
eles aparecem no polinmio caracterstico), conclua que
n
i=1
i
= tr A e
n
i=1
i
= det A.
5. Sejam A, B M
nn
(K), com A invertvel. Mostre que os polinmios
caractersticos de AB e BA coincidem. Utilizando a continuidade da funo
determinante, verique que a hiptese de A ser invertvel pode ser retirada.
6. Seja A uma matriz n n e B = P
1
AP. Se m e p forem, respectivamente,
os polinmios mnimo e caracterstico de B, mostre que esses polinmios
tambm so os polinmios mnimo e caracterstico de A.
7. Considere T : R
3
R
3
dada por T(x, y, z) = (3x+y z, 2x+2y z, 2x+
2y). Ache seu polinmio mnimo.
8. Sejam T : X X um operador linear e q um polinmio com coecientes
em K. Mostre que, se for um autovalor de T, ento q() um autovalor de
q(T).
9. Sejam T : X X um operador linear e p K[z]. Mostre que, se K = C e
for um autovalor de p(T), ento existe um autovalor de T tal que = p().
D um exemplo mostrando que esse resultado no vlido se K = R.
10. Mostre que os polinmios mnimo e caracterstico de um operador T : X
X possuem as mesmas razes, a menos de multiplicidade.
11. Seja A M
nn
(K) uma representao matricial de T : X X. Se A for
uma matriz diagonal em blocos, mostre que X pode ser decomposto como
soma direta de subespaos invariantes por T.
12. Seja T : X X um operador linear e W X um subespao invariante.
Mostre que os polinmios caracterstico p
W
e mnimo m
W
de T[
W
: W W
dividem os polinmios caracterstico p e mnimo m de T.
i
i
ALinear 2005/12/19 13:25 page 93 #109
i
i
i
i
i
i
5.7 Exerccios 93
Se X = W
1
W
2
, com W
1
, W
2
invariantes por T, e se r e s forem
os polinmios mnimos de T[
W
1
e T[
W
2
, respectivamente, mostre que
o polinmio mnimo de T mmc(r , s), o mnimo mltiplo comum dos
polinmios r e s.
13. Seja X um espao vetorial real de dimenso n. Mostre que X
C
tem dimenso
2n sobre os reais.
14. Sejam p, q K[z] polinmios com coecientes em K e T : X X uma
aplicao linear. Mostre que (pq)(T) = p(T)q(T).
15. Seja A uma matriz diagonal em blocos:
A =
_
_
_
_
_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
_
_
_
_
_
,
em que as submatrizes A
i
, i = 1, . . . , so quadradas.
Mostre que (no necessrio utilizar o Exerccio 33 do Captulo 3)
A
k
=
_
_
_
_
_
A
k
1
0 0
0 A
k
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
k
_
_
_
_
_
.
Alm disso, se
A =
_
A
1
A
2
0 A
4
_
com blocos quadrados A
1
e A
4
(possivelmente de tamanhos diferentes),
mostre que vale
A
k
=
_
A
k
1
0 A
k
4
_
,
em que designa uma matriz de tamanho adequado.
16. O objetivo desse exerccio oferecer uma demonstrao alternativa do
Teorema de Cayley-Hamilton, vlida para R ou C. Seja p(t) o polinmio
caracterstico do operador T : X X, em que X um espao vetorial de
i
i
ALinear 2005/12/19 13:25 page 94 #110
i
i
i
i
i
i
94 Operadores e Polinmios Cap. 5
dimenso nita sobre o corpo K. Dado x X arbitrrio, basta mostrar que
p(T)x = 0. Para isso, seja m o maior natural tal que o conjunto
S = v, Tv, . . . , T
m1
v,
linearmente independente.
(a) Mostre que os elementos de S formam uma base de W = < S >;
(b) Mostre que T(W) W;
(c) Obtenha a representao matricial A de T[
W
na base S;
(d) Calcule, desenvolvendo det(tI A), o polinmio caracterstico p
W
de
A;
(e) Mostre que p
W
(T)x = 0;
(f) Mostre que p(t) = q(t)p
w
(t) e ento conclua.
17. Sejam X um espao vetorial real e S, T : X X operadores lineares.
Mostre as seguintes propriedades da complexicao T
C
: X
C
X
C
:
(i) (S + T)
C
= S
C
+ T
C
para todo R;
(ii) (ST)
C
= S
C
T
C
;
18. Seja T
C
a complexicao do operador T : X X, sendo X um espao
vetorial real. Suponha que R seja um autovalor de T
C
(e, portanto, de
T). Mostre que, se w
1
, . . . , w
k
uma base do espao invariante
W
X
C
,
com w
j
= u
j
+ iv
j
, ento tanto u
1
, . . . , u
k
quanto v
1
, . . . , v
k
so bases
de
W
.
Suponha agora que CR seja um autovalor de T
C
e w
1
, . . . , w
k
uma
base de
W
, sendo w
j
= u
j
+iv
j
. verdade que u
1
, . . . , u
k
uma base de
?
19. Na demonstrao da Proposio 5.20 (iv), o que garante a existncia de um
subconjunto de u
1
, v
1
, . . . , u
k
, v
k
com k elementos que seja linearmente
independente?
Denio 5.26 Seja T : X X um operador. Um polinmio p anula o vetor
x X com relao a T, se p(T)x = 0. O polinmio mnico de menor grau que
anula x X (com relao a T) o polinmio mnimo de x X ou T-anulador
de x.
i
i
ALinear 2005/12/19 13:25 page 95 #111
i
i
i
i
i
i
5.7 Exerccios 95
19. Sejam X um espao de dimenso nita e T : X X um operador.
(a) Mostre a existncia do T-anulador de x X;
(b) mostre que qualquer polinmio que anula x X um mltiplo do T-
anulador de x; conclua que o polinmio mnimo de T um mltiplo do
polinmio mnimo de x;
(c) mostre que existe x X para o qual o T-anulador e o polinmio mnimo
de T coincidem.
20. (Dependncia contnua dos autovalores) Mostre que os autovalores de uma
matriz A = (a
ij
) M
nn
(C) dependem continuamente das entradas da
matriz A. Mais precisamente, seja B = (b
ij
) M
nn
(C). Dados > 0
e (A), existem > 0 e (B) tais que [a
ij
b
ij
[ < implica
[ [ < . Para isso:
(a) verique que basta provar que as razes do polinmio
p(x) = x
n
+ a
n1
x
n1
+ . . . + a
1
x + a
0
dependem continuamente de a
n1
, . . . , a
0
;
(b) mostre que suciente provar (a) no caso de 0 ser raiz de p;
(c) verique a dependncia contnua nesse ltimo caso.
i
i
ALinear 2005/12/19 13:25 page 96 #112
i
i
i
i
i
i
6
O Clculo Funcional
Neste captulo apresentaremos, para o caso de dimenso nita, a verso
generalizada do clculo funcional de Dunford e Schwartz [8], de modo a podermos
dar sentido para f(T), no caso em que T : X X um operador linear no espao
de dimenso nita X e f : U C C uma funo suave o suciente. Esse tipo de
aplicao linear f(T) usualmente chamado de funo de matriz. (Note, contudo,
que essa denominao no precisa: como no se estuda como f varia com T, no
estamos lidando com uma funo, mas sim com a aplicao linear f(T), isto , o
valor assumido por f em T!)
6.1 O Polinmio Interpolador
Denio 6.1 Uma funo f : U C C (ou f : I R R) euclidiana
com relao ao polinmio p se:
(i) todas as razes de p pertencem a U (respectivamente, a I);
(ii) se z
0
for uma raiz de p com multiplicidade
1
k, ento f tem derivadas at a
ordem k em z
0
.
Note que, se U for um aberto e f analtica em U (veja o Exerccio 2 para
a denio e propriedades de uma funo analtica), a condio (ii) verica-se
imediatamente.
A terminologia utilizada na denio dada motivada pelo seguinte resultado,
vlido tanto para funes denidas emI R como emU C. Convencionaremos
que o grau do polinmio identicamente nulo .
1
Veja o Exerccio 3 do Captulo 5 para a denio da multiplicidade de uma raiz.
96
i
i
ALinear 2005/12/19 13:25 page 97 #113
i
i
i
i
i
i
6.1 O Polinmio Interpolador 97
Proposio 6.2 Seja f euclidiana com relao ao polinmio p. Ento existem uma
funo q, contnua em cada uma das razes do polinmio p, e um polinmio r tais
que f = qp + r, gr r < gr p.
Demonstrao: Seja r um polinmio arbitrrio. Consideremos a funo q denida
(nos pontos do domnio de f que no so razes de p) por
q =
f r
p
.
Queremos mostrar que podemos escolher r com grau menor do que o de p, de modo
que q possua extenso contnua em cada uma das razes de p. Notamos que q to
suave quanto f em cada ponto z que no uma raiz de p.
Seja z
0
uma raiz de multiplicidade k do polinmio p, isto ,
p(z) = (z z
0
)
k
s(z),
sendo s um polinmio tal que s(z
0
) ,= 0. Queremos achar r de modo que o
quociente
f(z) r(z)
(z z
0
)
k
possua extenso contnua emz
0
. De acordo coma regra de LHospital, isso acontece
quando
f(z
0
) = r(z
0
), f
(z
0
) = r
(z
0
), . . . , f
(k1)
(z
0
) = r
(k1)
(z
0
) (6.1)
e se existir
f
k
(z
0
).
Basta, portanto, mostrar que existe um polinmio r com grau menor do que o de p,
satisfazendo relaes como (6.1) em cada raiz z
0
do polinmio p. A existncia de
tal polinmio ser mostrada no lema a seguir. P
Para mostrarmos a existncia do polinmio r, denotaremos f
(0)
= f.
Lema 6.3 Sejam dados os valores
f(z
1
) f
(z
1
) f
(d
1
1)
(z
1
)
.
.
.
.
.
.
f(z
) f
(z
) f
(d
1)
(z
)
i
i
ALinear 2005/12/19 13:25 page 98 #114
i
i
i
i
i
i
98 O Clculo Funcional Cap. 6
em que z
1
, . . . , z
. Ento, existe um
nico polinmio r, de grau menor do que ou igual a n 1, satisfazendo
r
(k
i
)
(z
i
) = f
(k
i
)
(z
i
)
para todo i = 1, . . . , e k
i
= 0, . . . , d
i
1.
Exemplo 6.4 Antes de passarmos ao caso geral, vejamos em um exemplo a
demonstrao do Lema 6.3. Suponhamos conhecidos os valores f(z
0
), f(z
1
) e
f
(z
1
). Queremos encontrar um polinmio de grau 2 tal que r(z
0
) = f(z
0
),
r(z
1
) = f(z
1
) e r
(z
1
) = f
(z
1
). Seja r(z) = az
2
+ bz + c. Ento os coecientes
de r devem satisfazer ao sistema matricial:
_
_
z
2
0
z
0
1
z
2
1
z
1
1
2z
1
1 0
_
_
_
_
a
b
c
_
_
=
_
_
f(z
0
)
f(z
1
)
f
(z
1
)
_
_
. (6.2)
Se os valores f(z
0
), f(z
1
) e f
(z
1
) forem nulos, basta tomar r 0. (A unicidade
de r, nesse caso, conseqncia do argumento apresentado a seguir.)
Suponhamos que o sistema (6.2) no possua soluo ou que essa no seja nica.
Ento, o sistema homogneo associado possui uma soluo no-trivial (a
0
b
0
c
0
)
t
.
Consideremos o polinmio no-nulo
t(z) = a
0
z
2
+ b
0
z + c
0
.
claro que t(z) tem razes z
0
e z
1
, a segunda com multiplicidade 2 (j que z
1
raiz da derivada de t). Mas isso implica que t(z) um mltiplo de (z z
0
)(z z
1
)
2
e tem grau maior do que ou igual a 3, o que um absurdo. Logo (6.2) tem soluo
nica para quaisquer valores f(z
0
), f(z
1
) e f
(z
1
).
Demonstrao: O polinmio r procurado satisfaz a um sistema linear que pode ser
escrito matricialmente como
Bz = b,
sendo z o vetor que tem como coordenadas os coecientes procurados de r, b um
vetor cujas n coordenadas so os valores conhecidos de f e B a matriz n n do
sistema linear assim formado.
Se B no possuir inversa, o sistema Bz = 0 tem soluo no trivial
z
0
= (a
0
. . . a
n1
)
t
.
i
i
ALinear 2005/12/19 13:25 page 99 #115
i
i
i
i
i
i
6.1 O Polinmio Interpolador 99
Consideremos o polinmio
t(z) = a
0
+ a
1
z + . . . +a
n1
z
n1
,
que um polinmio de grau menor do que ou igual a n 1. Como z
0
satisfaz o
sistema homogneo associado, temos que t(z) deve ser um mltiplo de
(z z
1
)
d
1
(z z
)
d
,
o que um absurdo, pois o ltimo polinmio tem grau n. Assim, B possui inversa
e o sistema Bz = b soluo nica, qualquer que seja o vetor b. P
O polinmio r chamado de polinmio interpolador.
Apresentamos agora uma conseqncia da Proposio 6.2 que est ausente de
nossos cursos bsicos de uma varivel complexa: a lgebra H de todas as funes
analticas f : C C euclidiana com relao a todo polinmio p. Mais
geralmente, temos
Proposio 6.5 Na diviso euclidiana
f = qp + r (gr r < gr p)
da funo analtica f : U C C pelo polinmio p cujas razes esto em U, o
quociente q analtico.
Demonstrao: De acordo com a demonstrao da Proposio 6.2, a funo
q =
f r
p
analtica, pois o numerador e o denominador se anulam exatamente nos mesmos
pontos e os zeros do numerador possuem multiplicidade maior do que ou igual
dos zeros do denominador. Assim, q possui uma expanso em srie de potncias
em cada ponto de U. P
Esse resultado possui extenso para funes f : I R R de classe C
e
polinmios cujas razes esto todas em I: a regra de LHospital implicar ento que
q C
.
i
i
ALinear 2005/12/19 13:25 page 100 #116
i
i
i
i
i
i
100 O Clculo Funcional Cap. 6
6.2 Funes de Matrizes
Algumas vezes escreveremos f(z) para distinguir a funo f : U C C (ou
f : I R R) da aplicao linear f(T).
Sejam T : X X um operador denido no espao de dimenso nita X e m
o polinmio mnimo de T.
Suponhamos que f seja euclidiana com relao ao polinmio m. Ento
f(z) = q(z)m(z) + r(z),
com gr r < gr m. Uma vez que m(T) = 0, natural denir
f(T) = r(T).
Denio 6.6 Seja m(z) = (z
1
)
d
1
(z
)
d
o polinmio mnimo do
operador T. Se estiverem denidos os valores
f(
1
) f
(
1
) f
(d
1
1)
(
1
)
.
.
.
.
.
.
f(
) f
) f
(d
1)
(
),
dizemos que f euclidiana com respeito a T e denimos
f(T) = r(T),
sendo r o polinmio interpolador dado pelo Lema 6.3.
A Denio 6.6 tem uma conseqncia importante, que salientamos desde j: o
operador f(T) sempre comuta com o operador T!
Observao 6.7 Se compararmos a denio anterior com a denio de uma
funo euclidiana f com respeito a m, vemos que as exigncias sobre f so menos
restritivas. Qual a razo dessa diferena?
A resposta simples: ao considerarmos abstratamente a diviso
f(z) = q(z)m(z) + r(z), (6.3)
precisamos impor condies em f que possibilitem denir uma funo q que d
um sentido quela diviso. Se essas exigncias forem satisfeitas, podemos ento
i
i
ALinear 2005/12/19 13:25 page 101 #117
i
i
i
i
i
i
6.2 Funes de Matrizes 101
concluir que r dado pelo polinmio interpolador, que est denido sob condies
menos exigentes.
Por outro lado, ao considerarmos f(T), supondo possvel a substituio de z
por T em (6.3), obtemos f(T) = q(T)m(T) + r(T), teremos f(T) = r(T),
independente da denio de q(T). Assim, apenas o valor do polinmio r em T
importante.
A possibilidade da substituio de z por T em (6.3) aceita implicitamente em
muitos textos. Mas uma diculdade incontornvel antepe-se a ela em situaes
gerais: q(T) tem que estar previamente denido para que a substituio faa
sentido!
Entretanto, a Denio 6.6 , muitas vezes, pouco aplicvel: mais fcil obter
o polinmio caracterstico p de T do que o polinmio mnimo m. Seria proveitoso
se pudssemos utilizar p ao invs de m na denio do operador f(T). E isso pode
ser feito. Podemos utilizar mltiplos de m enquanto a suavidade de f permitir. Ao
mostrarmos esse resultado manteremos a notao f = qm+r (sendo r o polinmio
interpolador denido antes) para simbolizar que f(T) foi denido como r(T).
Suponhamos que s seja outro polinmio que anula a matriz T e r
1
o polinmio
interpolador gerado por s. Ento teramos f = q
1
s + r
1
(isto , f(T) seria denido
como r
1
(T)). Mas o Lema 6.3 garante que
r
1
(z) = q
2
(z)m(z) + r(z). (6.4)
De fato, se for uma raiz de multiplicidade d de m(z), notamos que
r
(i)
1
() = f
(i)
() = r
(i)
(), for i = 0, . . . , d 1.
Uma vez que todos os termos da equao (6.4) so polinmios, a substituio
de z por T faz sentido, de acordo com a Seo 5.6. Assim,
r
1
(T) = r(T),
o que autoriza a utilizao de qualquer mltiplo s(z) do polinmio mnimo m(z)
do operador T ao invs de m(z) na Denio 6.6.
Observao 6.8 Note que, na argumentao anterior, no vericamos que r
1
= r,
mas apenas que r
1
(T) = r(T)!
i
i
ALinear 2005/12/19 13:25 page 102 #118
i
i
i
i
i
i
102 O Clculo Funcional Cap. 6
Exemplo 6.9 Consideremos a matriz
A =
_
_
2 1 1
1 2 1
1 1 2
_
_
.
Os autovalores de Aso 1 e 4. Seu polinmio mnimo m(z) = (z1)(z4), como
se verica facilmente. Se quisermos calcular A
1000
, denimos a funo f(z) =
z
1000
e consideramos o polinmio r(z) = az + b satisfazendo r(4) = f(4) = 4
1000
e r(1) = f(1) = 1. Denindo c = 4
1000
, ento r(z) =
c1
3
z +
4c
3
. Assim,
A
1000
= r(A) =
_
_
c+2
3
c1
3
c1
3
c1
3
c+2
3
c1
3
c1
3
c1
3
c+2
3
_
_
.
Notamos que, uma vez que f(z) = z
1000
um polinmio, poderamos ter feito a
diviso euclidiana f(z) = q(z)m(z) + r(z) (obtendo assim r), donde se segue que
A
1000
= r(A), em virtude do homomorsmo de lgebras 5.6.
Exemplo 6.10 Consideremos a matriz
A =
_
_
0 0 1
0 0 0
0 0 0
_
_
.
Queremos calcular cos A.
Os polinmios caracterstico e mnimo de A so p(z) = z
3
e m(z) = z
2
.
Utilizando p, obtemos o polinmio interpolador r
p
(z) = az
2
+ bz + c, em que
a = 1/2, b = 0 e c = 1 (pois c = r(0) = cos 0 = 1, b = r
(0) = sen 0 = 0
e 2a = r
)
d
o polinmio mnimo
de T.
Como vimos na Seo 5.6, existe um homomorsmo natural entre K[z], a
lgebra de polinmios com coecientes em K e K[T], a lgebra de operadores
lineares obtida ao se avaliar cada polinmio p K[z] em T.
Denotamos por a lgebra de todas as funes euclidianas com respeito a T.
claro que K[z] uma sublgebra de .
Denimos, ento, : K[T] por (f) = f(T), sendo f(T) dado
pela Denio 6.6. Claramente uma aplicao linear. Vamos vericar que
(fg) = (f)(g). Se f = q
1
m + r
f
e g = q
2
m + r
g
denotam as divises
euclidianas de f e g por m, claramente (f)(g) = r
f
(T)r
g
(T) = (r
f
r
g
)(T).
Por outro lado, seja fg = q
3
m + r
fg
a diviso euclidiana de fg por m. Como
vimos antes da Denio 6.6, vale a diviso de polinmios r
f
r
g
= q
4
m + r
fg
, o
que implica (fg) = r
fg
(T) = (r
f
r
g
)(T) = (f)(g). Isso mostra que um
homomorsmo de lgebras, que estende o homomorsmo .
K[z]
K[T]
) = 0, . . . , f
(d
1)
(
) = 0.
Observao 6.11 (Os resultados aqui descritos so mais avanados e requerem
conhecimentos da topologia do K
n
.) possvel introduzir uma topologia em K[z],
na qual o homomorsmo contnuo. Para isso, seja K K um conjunto
compacto que contenha (T) em seu interior. Denimos k = maxd
1
1, . . . , d
1 e a norma
|p|
C
k
(K)
= max
zK
[p(z)[, . . . , [p
(k)
(z)[.
i
i
ALinear 2005/12/19 13:25 page 104 #120
i
i
i
i
i
i
104 O Clculo Funcional Cap. 6
de vericao imediata que a convergncia nessa norma implica convergncia
na semi-norma
|p|
K[z]
= max[p(
1
)[, . . . , [p
(d
1
1)
(
1
)[, . . . , [p(
)[, . . . , [p
(d
1)
(
)[.
Se considerarmos K[T] com a topologia de K
n
2
, o homomorsmo contnuo.
De fato, sejam p e q polinmios quaisquer. O polinmio (em T) p(T) q(T)
tem coecientes que dependem apenas dos valores assumidos pelos polinmios
p e q (e, conforme o caso, pelas suas derivadas at a ordem k) no espectro
(T) =
1
, . . . ,
F
k = [
F
k contnuo.
K[z]
T
k
K[T]
F
k
A continuidade de
F
k importante na lgebra Linear Numrica.
6.4 Aplicaes do Clculo Funcional
Esta seo dar especial ateno ao uxo e
At
e suas principais propriedades.
6.4.1 O Fluxo
Comeamos com a denio usual do uxo e
At
. Essa depende da noo de
convergncia uniforme e da noo de norma de uma matriz quadrada (veja a Seo
8.8). Essa primeira denio pode ser omitida, se o professor julgar desejvel.
i
i
ALinear 2005/12/19 13:25 page 105 #121
i
i
i
i
i
i
6.4 Aplicaes do Clculo Funcional 105
Partimos da funo exponencial exp : C C, cuja representao em srie de
potncias
exp(z) = e
z
= 1 +
n=1
z
n
n
n!
,
converge uniformemente em conjuntos compactos. Se |A| denotar a norma usual
no espao /(C
n
, C
n
) das transformaes lineares A : C
n
C
n
, armamos que
I +
n=1
A
n
n
n!
dene um operador linear. De fato, a norma em /(C
n
, C
n
) tem a propriedade
|AB| |A| |B|,
seguindo-se da que |A
i
| |A|
i
. Assim, para k N, decorre que
_
_
_
_
_
I +
k
n=1
A
n
n
n!
_
_
_
_
_
1 +
k
n=1
|A|
n
[[
n
n!
. (6.5)
Para cada valor de xo, a srie direita converge. Como o espao /(C
n
, C
n
)
completo, o M-teste de Weierstra implica que
exp(A) = e
A
:= I +
n=1
A
n
n
n!
um operador linear. Tomando = t R, denimos o uxo e
At
da matriz A.
Tambm notamos que (6.5) mostra que a convergncia uniforme, se pertencer a
um conjunto compacto. Logo, diferenciao termo a termo produz sua derivada e
d
dt
e
At
= e
At
A.
Alm disso, quando t = 0, temos
e
At
t=0
= e
0
= I.
Essas so as propriedades principais do uxo e
At
. Em particular, vemos que e
At
= AX, X(0) = I.
i
i
ALinear 2005/12/19 13:25 page 106 #122
i
i
i
i
i
i
106 O Clculo Funcional Cap. 6
Essa denio do uxo e
At
torna difcil o seu clculo explcito: usualmente
necessrio obter a forma cannica de Jordan J = P
1
AP da matriz A, ento e
Jt
(veja o Apndice B) e, nalmente, e
At
= Pe
Jt
P
1
. O clculo funcional torna
possvel obter e
At
facilmente.
Apresentamos agora uma forma alternativa de introduzir o uxo, sem apelar
para sua denio por meio de sries de potncias. Seja A uma matriz quadrada.
Consideremos a funo f : C C (dependente do parmetro real t) denida por
f(z) = e
zt
. Ela dene a funo de matriz e
At
.
Exemplo 6.12 Seja
A =
_
_
1 0 0
0 2 5
0 1 2
_
_
.
Queremos calcular e
At
. O polinmio caracterstico de A(e tambm o seu polinmio
mnimo)
p(z) = (z 1)(z + i)(z i).
(Estamos considerando A como uma matriz no corpo C. Como mostraremos a
seguir, a utilizao de razes complexas vantajosa.)
Para obtermos e
At
, denimos a funo f(z) = e
zt
. Basta, ento, encontrar um
polinmio, de grau no mximo igual a 2, tal que r(1) = f(1) = e
t
, r(i) = f(i) =
cos t + i sen t e r(i) = f(i) = cos t i sen t. Substituindo essas relaes no
polinmio r(z) = az
2
+ bz + c, achamos a = (e
t
/2) (cos t + sen t)/2, b = sen t
e c = (e
t
/2) + (cos t sen t)/2. Assim,
e
At
=
_
e
t
2
cos t + sen t
2
_
A
2
+ (sen t)A +
_
e
t
2
+
cos t sen t
2
_
I,
que , para cada t, uma matriz real (como no poderia deixar de ser), embora
tenhamos considerado a matriz A como uma matriz complexa.
Exemplo 6.13 Seja
A =
_
_
3 4 1
3 5 1
21 32 7
_
_
.
O polinmio caracterstico de A
p(z) = (z 1)z
2
.
i
i
ALinear 2005/12/19 13:25 page 107 #123
i
i
i
i
i
i
6.4 Aplicaes do Clculo Funcional 107
Para calcularmos e
At
, obtemos os coecientes de r(z) = az
2
+bz +c de modo que
sejam satisfeitas as relaes r(1) = e
1t
= e
t
, r(0) = e
0t
= 1 e r
(0) = te
0t
= t.
Assim, c = 1, b = t e a = e
t
t 1. Conclumos que
e
At
= (e
t
t 1)A
2
+ tA + 1I.
(t) = lim
h0
x(t + h) x(t)
h
K
n
.
(Se t for um ponto de fronteira, o limite o respectivo limite lateral. Tambm
chamamos o vetor velocidade de derivada de x(t)).
Em outras palavras, se x(t) = (x
1
(t), . . . , x
n
(t)) K
n
, ento
x
(t) = (x
1
(t), . . . , x
n
(t)).
Identicando M
mn
(K) com K
mn
, a mesma noo faz sentido para caminhos
que tomam valores no espao M
mn
(K). Assim, se A(t) denotar um caminho em
M
mn
(K), sua derivada obtida ao se derivar cada uma das entradas de A(t).
Tambm podemos considerar funes : U C K
n
(ou M
mn
(K)) e
denir a derivada
t=0
= I;
(ii)
d
dt
e
At
= e
At
A.
Da fato, a funo de matriz e
At
pode ser considerada oriunda da funo g(z, t) =
e
zt
. Se zermos t = 0 nessa funo, obtemos g(z, 0) = e
0
, de onde segue-se (i).
Uma vez que
t
g(z, t) = e
zt
z = g(z, t)z,
o homomorsmo de lgebras 6.3 garante (ii).
i
i
ALinear 2005/12/19 13:25 page 108 #124
i
i
i
i
i
i
108 O Clculo Funcional Cap. 6
Observao 6.15 Embora a funo f(z) = e
z
satisfaa a equao
e
z+w
= e
z
e
w
,
no podemos deduzir que e
A+B
= e
A
e
B
, uma vez que a substituio simultnea das
variveis z por A e w por B no permitida pelo clculo funcional. Contudo, se
A e B comutarem, o simples conhecimento de que e
A
um polinmio em A nos
permite concluir que e
A
B = Be
A
, que uma parte importante da demonstrao de
que e
A+B
= e
A
e
B
se, e somente se, AB = BA (veja o Exerccio 13).
6.4.2 Funes Trigonomtricas
O estudo da subseo anterior permanece vlido para o caso da exponencial e
iAt
(ou seja, para a funo g(z, it), com t R, a qual gera as funes trigonomtricas
sen At e cos At. Essas funes tambm so fceis de obter por meio do clculo
funcional.
As mesmas observaes tambm se aplicam a outras funes trigonomtricas.
6.4.3 Logaritmo
Dada uma matriz quadrada A, com det A ,= 0, o clculo funcional permite a
obteno da matriz B = log A. Apenas temos que escolher um ramo da funo
f(z) = log z que contenha o espectro (A) e, ento, obter B = log A por meio
do polinmio interpolador. Claro, a matriz B depende do ramo escolhido, mas a
relao e
B
= A segue-se sempre de e
log z
= z.
Se todos os autovalores da matriz real A forem positivos, podemos ento
considerar a funo real f(x) = ln x (logaritmo neperiano) e aplicar a mesma
tcnica. A matriz B = ln A, assim obtida, a nica soluo real da equao
e
B
= A.
6.4.4 Raiz Quadrada
Suponhamos que todos os autovalores da matriz real A sejam reais e no-
negativos. Adicionalmente, se 0 for um autovalor de A, supomos que ele seja uma
raiz simples do polinmio mnimo m de A. Nesse caso, podemos utilizar a funo
f : (0, ) R, f(x) =
x para denir
A.
6.4.5 A Inversa
A maneira clssica de se obter a inversa por meio do polinmio caracterstico p
(ou mnimo) da matriz invertvel A a seguinte: se
p(z) = z
m
+ . . . + a
1
z + a
0
temos
0 = A
m
+ a
m1
A
m1
+. . . + a
1
A + a
0
I.
Multiplicando essa relao por A
1
, obtemos
a
0
A
1
= [a
1
+ . . . +a
m
A
m1
].
Como Apossui inversa, a
0
,= 0. Obtemos A
1
dividindo o lado direito da igualdade
anterior por a
0
.
Para uma matriz invertvel arbitrria, esse procedimento no vantajoso com
relao ao clculo da inversa por meio de eliminao gaussiana. Em geral, tambm
o clculo funcional no vantajoso.
Mas, por exemplo, se a matriz invertvel A for simtrica e possuir poucos
autovalores, o clculo funcional til: veja [28] (ou [5]).
i
i
ALinear 2005/12/19 13:25 page 110 #126
i
i
i
i
i
i
110 O Clculo Funcional Cap. 6
6.5 Exerccios
1. Sejam p, m K[z]. Mostre que o resto r da diviso euclidiana p = qm + r
justamente o polinmio interpolador. Assim, o polinmio interpolador
fornece uma generalizao natural da diviso euclidiana.
2. (Este exerccio requer alguma familiaridade com funes de uma varivel
complexa.) Sejam U C um aberto e f : U C uma funo. Dizemos que
f analtica em U, se ela possuir derivada em todos os pontos do aberto U e
holomorfa em U, se ela possuir desenvolvimento em srie de potncias (com
raio de convergncia positivo) em todos os pontos do aberto U.
Suponha que U seja um aberto convexo, f : U C analtica em U e
: [a, b] U um caminho diferencivel por partes, com (a) = (b).
(a) Se z
0
U, considere o quociente q(z) = f(z)/(z z
0
). Mostre que q
possui uma primitiva em U, donde se conclui que
_
q(z)dz = 0.
(b) Efetue a diviso euclidiana f(z) = q(z)(z z
0
) + r(z) e mostre a
frmula integral de Cauchy para conjuntos abertos convexos:
_
f(z)dz
z z
0
= f(z
0
)W(f, z
0
),
em que W(f, z
0
) denota o nmero de rotao e (t) ,= x
0
para todo
t [a, b]. (Essa uma demonstrao muito simples da frmula integral
de Cauchy!)
(c) Conclua, por meio de argumentos clssicos (veja, por exemplo, [27]),
que toda funo analtica holomorfa.
(d) Se for como em (b), utilize a diviso euclidiana para demonstrar que
_
f(z)dz
(z z
0
)
2
= f
(z
0
)W(z
0
, ).
3. Seja f uma funo euclidiana com relao matriz n n
A =
_
_
_
_
_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
_
_
_
_
_
,
i
i
ALinear 2005/12/19 13:25 page 111 #127
i
i
i
i
i
i
6.5 Exerccios 111
em que os blocos A
i
so matrizes quadradas. Mostre que
f(A) =
_
_
_
_
_
f(A
1
) 0 0
0 f(A
2
) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 f(A
)
_
_
_
_
_
.
4. Sejam p(z) = (z )
n
e f uma funo euclidiana com relao a p. Obtenha
explicitamente os coecientes do polinmio interpolador r tal que f = qp+r,
gr r < gr p.
5. Calcule sen A e e
A
, para
A =
_
_
1 1 2
0 1 3
0 0 1
_
_
.
6. Calcule e
At
, se
A =
_
0 1
1 0
_
.
7. Mostre que a matriz
A =
_
0 0
1 0
_
no possui raiz quadrada. Isso contradiz os resultados da Seo 6.4.4?
8. Sejam A(t) e B(t) dois caminhos diferenciveis em M
nn
(K) denidos no
mesmo intervalo I R. Mostre que
d
dt
[A(t)B(t)] =
_
d
dt
A(t)
_
B(t) + A(t)
_
d
dt
B(t)
_
.
9. Sejam I t A(t) M
nn
(K) um caminho e f uma funo suave, tal
que f
(t)[A(t)]
k1
+ AA
(t)[A(t)]
k2
+ . . . + [A(t)]
k1
A
(t).
i
i
ALinear 2005/12/19 13:25 page 112 #128
i
i
i
i
i
i
112 O Clculo Funcional Cap. 6
(b) Se A(t) e A
(A(t))A
(t). D um
exemplo mostrando que esse resultado no vlido se A(t) e A
(t) no
comutarem.
(c)
d
dt
[tr f(A(t))] = tr [f
(A(t))A
(t) no
comutarem.
10. Sejam x
1
, . . . , x
n
: I K
n
caminhos diferenciveis. Se D denotar
a funo determinante, mostre que D(x
1
(t), . . . , x
n
(t)) diferencivel e
calcule sua derivada. Deduza que, se t A(t) M
nn
(K) for um caminho
diferencivel tal que A(0) = I, ento
d
dt
det A(t)
t=0
= tr A
(0).
11. Seja t A(t) M
nn
(R) um caminho diferencivel. Mostre que, para
todo valor de t tal que A(t) invertvel, vale
[det A(t)]
det A(t)
= tr
_
[A(t)]
1
A
(t)
_
,
ou seja,
d
dt
ln det A(t) = tr
_
[A(t)]
1
A
(t)
_
.
12. D um exemplo mostrando que e
A+B
,= e
A
e
B
no caso de as matrizes A e B
no comutarem.
13. Mostre que e
(A+B)t
= e
At
e
Bt
se, e somente se, A e B comutarem.
Observao: Podemos ter e
A+B
= e
A
e
B
, mesmo que as matrizes A e B no
comutem. Por exemplo, considere
A =
_
_
0 0
3
0 0
3 0
_
_
e B =
_
_
0 0
3
0 0
3 0
_
_
.
Denio 6.17 Seja A = (a
ij
) M
nn
(R). A matriz A positiva, se a
ij
> 0 e
no-negativa, se a
ij
0 para todo i, j 1, . . . , n. Um vetor x = (x
1
, . . . , x
n
)
positivo (resp., no-negativo) se x
i
> 0 (resp., x
i
0) para todo i 1, . . . , n.
Notamos x y, se x
i
y
i
para todo i 1, . . . , n.
14. (O Teorema de Perron) Seja A uma matriz positiva. Considere
K := x 0 [ |x| = 1
e dena r = sup
K
> 0 [ Ax x.
i
i
ALinear 2005/12/19 13:25 page 113 #129
i
i
i
i
i
i
6.5 Exerccios 113
(a) o valor r est bem denido e positivo;
(b) se um vetor z > 0 satiszer Az rz, ento z um autovetor de A
associado ao autovalor r;
(c) vale a desigualdade: [Ax[ A[x[, em que [v[ denota o vetor com
coordenadas iguais ao valor absoluto das coordenadas de v;
(d) o autovetor z positivo e o valor r o maior autovalor de A;
(e) o autovalor r simples. Assim, se Aw = rw, ento w um mltiplo de
z.
i
i
ALinear 2005/12/19 13:25 page 114 #130
i
i
i
i
i
i
7
Teoria Espectral
Neste Captulo apresentamos os resultados mais importantes sobre operadores
denidos em espaos arbitrrios de dimenso nita: o Teorema Espectral e a
decomposio primria, a forma cannica de Jordan e a decomposio racional.
A demonstrao do Teorema Espectral feita utilizando-se o clculo funcional
e, por isso, relativamente, abstrata (veja o quadro de dependncias para trajetos
alternativos).
7.1 Imagem do Espectro
Nosso primeiro resultado esclarece a relao entre os autovalores de T e os
autovalores de f(T).
Teorema 7.1 (da Imagem do Espectro)
Seja f uma funo euclidiana com relao ao operador T : X X, denido
no espao complexo X de dimenso n. Se v for um autovetor de T associado ao
autovalor , ento v um autovetor de f(T) associado ao autovalor f(). Todo
autovalor de f(T) da forma f(), em que um autovalor de T. Portanto, em
smbolos, vale f((T)) = (f(T)).
Demonstrao: Como f euclidiana com relao T, f(T) = r(T) = a
k
T
k
+
. . . +a
1
T + a
0
I. Se v for um autovetor relacionado ao autovalor ,
f(T)v = r(T)v = (a
k
k
+ . . . +a
1
+ a
0
)v = r()v = f()v.
Reciprocamente, suponhamos que seja um autovalor de f(T) = r(T).
Consideremos o polinmio r(z) , que pode ser fatorado em C como
r(z) = a
k
k
i=1
(z
i
).
114
i
i
ALinear 2005/12/19 13:25 page 115 #131
i
i
i
i
i
i
7.2 O Teorema Espectral 115
Conseqentemente,
r(T) I = a
k
k
i=1
(T
i
I).
Como o lado esquerdo dessa equao no possui inversa, ao menos um dos fatores
T
i
I no invertvel. Assim,
i
, ao mesmo tempo, um autovalor de T e uma
raiz de r(z) . Portanto,
f(
i
) = r(
i
) = .
P
7.2 O Teorema Espectral
Denio 7.2 Um operador N : X X nilpotente se existir k N tal que
N
k
= 0.
Provaremos agora um dos resultados mais importantes da lgebra Linear.
Teorema 7.3 (Espectral)
Sejam X um espao vetorial complexo de dimenso n e T : X X um
operador linear com polinmio caracterstico
p(z) = (z
1
)
s
1
(z
)
s
,
em que os autovalores
i
so distintos, para i = 1, . . . , .
Ento existem subespaos W
1
, . . . , W
.
Alm disso, dimW
i
= s
i
e os polinmios mnimos m
i
e m de T[
W
i
e T so,
respectivamente, m
i
= (z
i
)
d
i
e m(z) = m
1
(z) m
(z) = (z
1
)
d
1
(z
)
d
, em que 1 d
i
s
i
.
Tambm vale a decomposio T = D+N, comD diagonalizvel, N nilpotente,
sendo ambos polinmios em T (e, portanto, DN = ND).
Demonstrao: Para cada
i
consideramos um aberto U
i
i
, de modo que
U
i
U
k
= ,
i
i
ALinear 2005/12/19 13:25 page 116 #132
i
i
i
i
i
i
116 Teoria Espectral Cap. 7
se i ,= k. Denimos f
i
(z) = 1, se z U
i
, e f
i
(z) = 0, se z U
j
, j ,= i. As funes
f
1
, . . . , f
i=1
f
i
= 1
so vlidas em
_
i=1
U
i
(T). Assim, denotando f
i
(T) por
i
, as relaes
2
i
=
i
,
i
j
= 0, se i ,= j, e
i=1
i
= I, (7.1)
continuam vlidas (de acordo com a Seo 6.3), mostrando assim que cada
i
uma
projeo.
Se W
i
denotar a imagem
i
(X), obtemos
X = W
1
W
.
Como
i
comuta com T, claramente vale T(W
i
) W
i
(veja a Proposio 5.10).
Independente das bases B
1
, . . . , B
,
respectivamente, T pode ser representado por uma matriz diagonal em blocos A
com relao base B = B
1
, . . . , B
de X = W
1
W
:
A = T
B
=
_
_
_
_
_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
_
_
_
_
_
.
Armamos que, para i = 1, . . . , , o polinmio caracterstico de A
i
det(zI A
i
) = (z
i
)
s
i
,
o que implica que dimW
i
= s
i
e que o polinmio mnimo de A
i
(z
i
)
d
i
,
para 1 d
i
s
i
(de acordo com o Lema 5.14). Da decorre imediatamente que o
polinmio m tem a forma dada pelo teorema. (Veja o Exerccio 12 do Captulo 5.
Compare com a Proposio 7.6.)
Para provarmos nossa armao suciente mostrar que o nico autovalor de
A
i
i
pois, por um lado, temos a fatorao
p(z) = (z
1
)
s
1
(z
)
s
i
i
ALinear 2005/12/19 13:25 page 117 #133
i
i
i
i
i
i
7.2 O Teorema Espectral 117
e, por outro,
p(A) = det(zI A) = det(zI A
1
) det(zI A
).
Vamos considerar apenas i = 1, os casos restantes sendo anlogos. Seja ,=
1
arbitrrio. Denimos as funes
g(z)=
_
_
q
1
(z) = z , se z U
1
,
q
j
(z) = 1, se z
_
j=2
U
j
,
e h(z)=
_
_
1/(z ), se z U
1
,
1, se z
_
j=2
U
j
.
Notamos que, na construo das projees
1
, . . . ,
, as vizinhanas disjuntas
U
1
, . . . , U
(z)f
(z).
Em virtude do homomorsmo de lgebras 6.3, temos
g(T) = (T I)
1
+ . . . + I
.
Representando o operador T na base B obtemos a expresso de g(A):
g(A) =
_
_
_
_
_
A
1
I 0 0
0 I 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 I
_
_
_
_
_
.
Como g(A) tem inversa, A
1
I tambm possui inversa. Como ,=
1
foi tomado
arbitrariamente, est provado que o nico autovalor de A
1
1
.
Consideramos agora o operador diagonalizvel D =
i=1
i
. (Em cada W
i
temos D
i
:=
i
i
=
i
I, em que I o operador identidade em W
i
, de acordo com
(7.1). Isso implica que D diagonalizvel. Veja o Exemplo 7.5.)
i
i
ALinear 2005/12/19 13:25 page 118 #134
i
i
i
i
i
i
118 Teoria Espectral Cap. 7
Denimos N = T D. A representao de N na base B
N
B
=
_
_
_
_
_
A
1
1
I 0 0
0 A
2
2
I 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
I
_
_
_
_
_
.
Como o polinmio mnimo de A
i
= T[
W
i
p
i
(z) = (z
i
)
d
i
, vem que
(A
i
i
I)
k
= 0 para todo i = 1, . . . , , se k = maxd
1
, . . . , d
e, portanto,
N
k
= 0.
Temos que D =
i=1
i
=
i=1
i
f
i
(T) uma soma de polinmios em T
e, portanto, um polinmio em T. Mas isso implica que N = T D polinmio
em T, completando a prova. P
Observao 7.4 Se dimX = n, a demonstrao garante a validade do Teorema
Espectral quando o operador T : X X possui todos os seus n autovalores
(contada a multiplicidade) no corpo R (veja o Exemplo 7.5).
Se esse no for o caso (isto , se o polinmio caracterstico de T possuir fatores
irredutveis de grau 2), o Teorema Espectral possui uma generalizao (conhecida
como Teorema da Decomposio Primria), que ser tratada na Seo 7.3.
Exemplo 7.5 Seja T : R
4
R
4
denida por
T(x
1
, x
2
, x
3
, x
4
) = (2x
1
x
2
+ x
4
, 3x
2
x
3
, x
2
+ x
3
, x
2
+ 3x
4
).
O polinmio caracterstico de T p(z) = (z3)(z2)
3
e verica-se facilmente
que m(z) = (z 3)(z 2)
2
o polinmio mnimo de T.
Inicialmente exemplicaremos o Teorema 7.3 com respeito base cannica do
R
4
. Denotaremos por A a matriz que representa T nessa base.
A projeo
1
(associada ao autovalor 3) obtida ao se resolver o sistema
1
r(z) = az
2
+ bz +c, r(3) = 1, r(2) = 0, r
(2) = 0.
Assim, a = 1, b = 4, c = 4 e
1
= A
2
4A + 4I =
_
_
_
_
0 2 1 1
0 0 0 0
0 0 0 0
0 2 1 1
_
_
_
_
.
1
Para simplicar os clculos, usamos o polinmio mnimo de T ao invs do polinmio
caracterstico.
i
i
ALinear 2005/12/19 13:25 page 119 #135
i
i
i
i
i
i
7.2 O Teorema Espectral 119
Do mesmo modo,
2
=
_
_
_
_
1 2 1 1
0 1 0 0
0 0 1 0
0 2 1 0
_
_
_
_
.
As relaes (7.1) seguem-se da imediatamente. Logo,
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
_
= R
4
=
_
_
_
_
_
_
2x
2
+ x
3
+ x
4
0
0
2x
2
+ x
3
+ x
4
_
_
_
_
_
_
+
_
_
_
_
_
_
x
1
+ 2x
2
x
3
x
4
x
2
x
3
2x
2
x
3
_
_
_
_
_
_
= W
1
W
2
.
A matriz D denida por
D = 3
1
+ 2
2
=
_
_
_
_
2 2 1 1
0 2 0 0
0 0 2 0
0 2 1 3
_
_
_
_
e a matriz nilpotente N por
N = A D =
_
_
_
_
0 1 1 0
0 1 1 0
0 1 1 0
0 1 1 0
_
_
_
_
.
fcil vericar que N
2
= 0 e ND = DN.
Se escolhermos, por exemplo, bases
B
1
= w
1
= (1, 0, 0, 1)
e
B
2
= w
2
= (1, 0, 0, 0), w
3
= (2, 1, 0, 2), w
4
= (1, 0, 1, 1)
para os espaos W
1
e W
2
, respectivamente, ento T representado pela matriz
diagonal em blocos
B =
_
_
_
_
(3) 0 0 0
0
0
0
_
_
2 0 0
0 3 1
0 1 1
_
_
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 120 #136
i
i
i
i
i
i
120 Teoria Espectral Cap. 7
na base B
1
, B
2
= w
1
, w
2
, w
3
, w
4
. Como D uma matriz diagonal nessa base,
temos imediatamente
D =
_
_
_
_
3 0 0 0
0 2 0 0
0 0 2 0
0 0 0 2
_
_
_
_
e
N = B D =
_
_
_
_
0 0 0 0
0 0 0 0
0 0 1 1
0 0 1 1
_
_
_
_
tambm satisfaz N
2
= 0.
De acordo com o Teorema Espectral, se o polinmio caracterstico de um
operador T : V V denido no espao complexo de dimenso nita V for
p(z) = (z
1
)
s
1
(z
)
s
,
ento seu polinmio mnimo
m(z) = (z
1
)
d
1
(z
)
d
,
em que 1 d
i
s
i
. O inteiro positivo d
i
o ndice do autovalor
i
.
Est implcita no Teorema 7.3 a seguinte caracterizao dos espaos W
i
:
Proposio 7.6 W
i
= ker(T
i
I)
d
i
. Os elementos de ker(T
i
I)
d
i
so os
autovetores generalizados associados a
i
.
Demonstrao: De fato, se w
i
W
i
, ento (T
i
I)
d
i
w
i
= 0, pois o polinmio
mnimo de T[
W
i
(z
i
)
d
i
. Assim,
W
i
ker(T
i
I)
d
i
.
Reciprocamente, tomemos v X arbitrrio e suponhamos que (T
i
I)
d
i
v = 0.
Escrevendo v = w
i
+ w, em que w
i
W
i
e w
W := W
1
W
i1
W
i+1
, segue-se da que (T
i
I)
d
i
w = 0, pelo que provamos antes. Se w ,= 0,
chegamos a um absurdo, pois, em W
1
W
i1
W
i+1
W
, T tem como
polinmio caracterstico
j=i
j=1,...,
(z
j
)
s
j
,
i
i
ALinear 2005/12/19 13:25 page 121 #137
i
i
i
i
i
i
7.2 O Teorema Espectral 121
o qual no divisvel por (z
i
)
d
i
, contrariando o Exerccio 19 do Captulo 5.
(Veja tambm o Exerccio 15 deste Captulo.) P
O resultado anterior nos indica uma maneira alternativa de encontrar os espaos
W
i
: vale
ker(T
i
I) ker(T
i
I)
d
i
= ker(T
i
I)
d
i
+1
= = ker(T
i
I)
s
i
.
(7.2)
(Para as incluses estritas veja o Exerccio 5; as igualdades so conseqncias
de (z
i
)
d
i
e (z
i
)
s
i
serem, respectivamente, os polinmios mnimos e
caracterstico de T[
W
i
).
O ndice d
i
do autovalor
i
encontrado quando essa seqncia de subes-
paos estabiliza-se. Ou, alternativamente, ker(T
i
I)
d
i
o primeiro subespao
da seqncia que tem dimenso s
i
.
Corolrio 7.7 Seja X um espao de dimenso nita. Um operador linear T : X
X diagonalizvel se, e somente se, o seu polinmio mnimo for produto de fatores
lineares distintos.
Demonstrao: Suponhamos que T seja diagonalizvel. Sejam
1
, . . . ,
os
autovalores distintos de T. Ento X possui uma base formada por autovetores de
T, de acordo com o Corolrio 5.6. Considere o polinmio
h(z) = (z
1
) . . . (z
).
Se v for um autovetor de T associado ao autovalor
i
, ento (T
i
I)v = 0. Isso
implica que h(T)v = 0 para qualquer autovetor de T. Como o Teorema Espectral
7.3 implica que o polinmio mnimo e caracterstico possuem os mesmos fatores
irredutveis, mostramos que h o polinmio mnimo de T.
Reciprocamente, se m(z) = (z
1
) . . . (z
(z)]
s
(z)]
d
,
em que 0 < d
i
s
i
para i = 1, . . . , . O espao X decompe-se como soma direta
de subespaos
X = W
1
W
,
sendo W
i
= ker[p
i
(T)]
d
i
= ker[p
i
(T)]
s
i
invariante por T. Se p
i
tiver grau dois,
dimW
i
= 2s
i
.
Demonstrao: Suponhamos que
X
C
=
W
1
W
(7.3)
seja a decomposio espectral de T
C
, de acordo com o Teorema Espectral 7.3 (ao
espao invariante
W
i
est associado apenas o autovalor
i
de T
C
).
De acordo com o Lema 5.20 (i), escolhendo uma base B para X, obtemos uma
matriz real A que representa tanto T quanto T
C
nessa base.
Seja um autovalor real de T
C
e
W
= ker(T
C
I)
d
um dos subespaos
da decomposio espectral (7.3) de T
C
. (Estamos utilizando a Proposio 7.6.)
Sejam w
W
= ker(T
C
I)
d
e x a representao de w na base B. Ento
(A I)
d
x = 0. Tomando o conjugado nessa equao, obtemos (A I)
d
x = 0.
Assim, w
W
e
W
da decomposio (7.3).
Sejam
W
= ker(T
C
I)
d
e w
1
, . . . , w
k
uma base de
W
, comw
j
= u
j
+iv
j
.
De acordo com o Lema 5.20 (iii),
W
= ker(T
C
I)
d
. Da segue-se que
w
1
, . . . , w
k
uma base de
W
.
Consideremos ento o subespao
W
, pois esse
subespao de X
C
tem dimenso 2k. Seja W
a complexicao do espao
real W
.
Assim, vemos que
X = W
1
W
s
W
1
W
t
t
a decomposio de T em subespaos invariantes, associada decomposio
espectral (7.3) de T
C
. P
Observao 7.9 Os subespaos invariantes W
1
, . . . , W
t
t
no esto associados
a autovalores reais, mas a fatores irredutveis de grau 2 do polinmio caracterstico
de T.
Exemplo 7.10 Considere a aplicao T : R
5
R
5
denida por
T(x
1
, x
2
, x
3
, x
4
, x
5
) = (10x
1
7x
4
+x
5
, x
3
, x
2
, 13x
1
9x
4
+x
5
, 4x
1
3x
4
+x
5
).
A representao de T na base cannica do R
5
a matriz
A =
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 124 #140
i
i
i
i
i
i
124 Teoria Espectral Cap. 7
O polinmio caracterstico de A
det(A I) =
_
_
_
_
_
_
10 0 0 7 1
0 1 0 0
0 1 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
.
Expandindo esse determinante com relao segunda coluna, obtemos:
det(A I) = det
_
_
_
_
10 0 7 1
0 0 0
13 0 9 1
4 0 3 1
_
_
_
_
det
_
_
_
_
10 0 7 1
0 1 0 0
13 0 9 1
4 0 3 1
_
_
_
_
.
Desenvolvendo esses dois determinantes, obtemos
det(A I) =
2
det
_
_
10 7 1
13 9 1
4 3 1
_
_
+ det
_
_
10 7 1
13 9 1
4 3 1
_
_
= (
2
+ 1)[
3
2
2
+ ]
= (
2
+ 1)( 1)
2
.
Pelo Teorema da Decomposio Primria,
R
5
= ker A ker(A
2
+ I) ker(A I)
2
.
i
i
ALinear 2005/12/19 13:25 page 125 #141
i
i
i
i
i
i
7.3 Decomposio Primria 125
Encontramos
2
ker A resolvendo o sistema Ax = 0. Assim,
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
_
_
_
_
10 0 0 7 1
0 1 0 0 0
0 0 1 0 0
3 0 0 2 0
4 0 0 3 1
_
_
_
_
_
_
Logo, x
2
= x
3
= 0, x
4
= 3x
1
/2, x
5
= 4x
1
+ 3x
4
= 4x
1
+ 9x
1
/2 = x
1
/2.
Assim, a soluo geral de Ax = 0 x = (2x
1
, 0, 0, 3x
1
, x
1
) e o vetor v
1
B =
v
1
, v
2
, v
3
, v
4
, v
4
pode ser escolhido como v
1
= (2, 0, 0, 3, 1).
Calculando A
2
+I e resolvendo o sistema (A
2
+I)x = 0, encontramos a soluo
geral
(0, x
2
, x
3
, 0, 0),
de modo que os vetores v
2
e v
3
podem ser escolhidos como
v
2
= (0, 1, 0, 0, 0) e v
3
= (0, 0, 1, 0, 0).
Da mesma forma o sistema (A I)
2
x = 0, cuja soluo geral
(x
1
, 0, 0, x
4
, 3x
1
2x
4
)
o que nos permite escolher os vetores
v
4
= (1, 0, 0, 0, 3) e v
5
= (0, 0, 0, 1, 2).
Consideremos ento a base B = v
1
, v
2
, v
3
, v
4
, v
5
. Vamos representar a aplicao
linear T nessa base. Temos:
T(2, 0, 0, 3, 1) = 0 = 0v
1
T(0, 1, 0, 0, 0) = (0, 0, 1, 0, 0) = 1v
3
T(0, 0, 1, 0, 0) = (0, 1, 0, 0, 0) = v
2
T(1, 0, 0, 0, 3) = (13, 0, 0, 16, 7) = 13v
4
+ 16v
5
T(0, 0, 0, 1, 2) = (9, 0, 0, 11, 5) = 9v
4
11v
5
.
Assim, a representao de T na base B a matriz diagonal em blocos
T
B
=
_
_
_
_
_
_
(0) 0 0 0 0
0
0
_
0 1
1 0
_
0 0
0 0
0
0
0 0
0 0
_
13 9
16 11
_
_
_
_
_
_
_
.
2
O Exerccio 17 pede que voc obtenha a decomposio primria por meio do clculo funcional,
isto , como no Exemplo 7.5.
i
i
ALinear 2005/12/19 13:25 page 126 #142
i
i
i
i
i
i
126 Teoria Espectral Cap. 7
A submatriz (0) corresponde restrio de T ao subespao invariante ker A. A
submatriz
_
0 1
1 0
_
a restrio de T ao subespao invariante ker(A
2
+ I). A submatriz
_
13 9
16 11
_
a restrio de T ao subespao invariante ker(A I)
2
.
Lema 7.11 Sejam S, T : X X duas aplicaes lineares no espao de dimenso
nita X. Suponhamos que ST = TS. Ento existe uma base de X na qual tanto S
como T realizam sua decomposio primria.
Demonstrao: Como no Teorema da Decomposio Primria, seja W
i
=
ker[p
i
(T)]
d
i
. Se w
i
W
i
, armamos que Sw
i
W
i
(isto , que W
i
um subespao
invariante tambm para S). De fato,
[p
i
(T)]
d
i
Sw
i
= S[p
i
(T)]
d
i
w
i
= 0.
Isso mostra o armado. P
No caso de K = C podemos obter um resultado mais forte:
Proposio 7.12 Sejam S, T : X X duas aplicaes lineares no espao de
dimenso nita X sobre C. Suponhamos que ST = TS. Ento existe uma base de
X formada por autovetores generalizados de S e T.
Demonstrao: J vimos que W
i
= ker(T
i
I)
d
i
invariante por S. Todos
os elementos no-nulos de W
i
so, por denio, autovetores generalizados de
T. Aplicamos ento o Teorema da Decomposio Primria ao subespao W
i
com
respeito a S e obteremos uma diviso desse subespao em subespaos formados por
autovetores generalizados de S. P
Note que a demonstrao anterior mostra que a Proposio 7.12 permanece
vlida para qualquer nmero de operadores que comutam. Mais precisamente,
Proposio 7.13 Se T
1
, . . . , T
m
: X X forem aplicaes lineares no espao de
dimenso nita X sobre C e se T
i
T
j
= T
j
T
i
para i, j 1, . . . , m, ento existe
uma base de X formada por autovetores generalizados para todas as aplicaes
T
1
, . . . , T
m
.
i
i
ALinear 2005/12/19 13:25 page 127 #143
i
i
i
i
i
i
7.4 Forma Cannica de Jordan 127
7.4 Forma Cannica de Jordan
Seja X umespao complexo de dimenso nita. Nesta seo mostraremos como
encontrar uma base de X na qual um operador linear T : X X assume uma
matriz especialmente simples.
Denio 7.14 Sejam
1
, . . . ,
j
os autovalores distintos de uma matriz J, n n.
A matriz J est na forma cannica de Jordan, se
J =
_
_
_
_
_
J
1
0 0
0 J
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 J
k
_
_
_
_
_
, em que J
i
=
_
_
_
_
_
_
_
i
1 0 0
0
i
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
i
1
0 0 0
i
_
_
_
_
_
_
_
,
(Ao autovalor
i
est associado pelo menos um bloco J
i
; s vezes dene-se J
i
com
a sub-diagonal de 1s situando-se abaixo da diagonal principal. O bloco J
i
pode
ser uma matriz 1 1.) O bloco J
i
um bloco de Jordan associado ao autovalor
i
.
Mostraremos, na seqncia, que toda matriz complexa semelhante a uma
matriz na forma cannica de Jordan. Consideramos um espao vetorial complexo
apenas para garantir que os autovalores esto todos presentes no corpo (veja o
Exemplo 7.18, a seguir). Note que a demonstrao que apresentaremos bem
simples: quase tudo que faremos introduzir notao.
Denotaremos N
0
= 0 e N
k
= ker(A
i
I)
k
, para k = 1, . . . , d
i
. Note que
W
i
= N
d
i
.
No enunciado e na demonstrao do prximo resultado utilizaremos o
isomorsmo cannico Qdescrito em1.29 entre X/Y e Z, umespao complementar
a Y com relao a X (isto , X = Y Z). Como, para os nossos
propsitos, a notao do quociente muito mais elucidativa do que mencionarmos
o espao complementar envolvido, ao denotarmos x X/Y estamos, na verdade,
considerando x Z (em que X = Y Z).
N
+1
= N
(A
i
I) N
= N
1
Z
1
Z
Z
1
Q Q
N
+1
N
N
1
Em outras palavras, ao escrevermos, por exemplo, A
i
I :
N
+1
N
N
1
, estamos
realmente considerando a aplicao (A
i
) : Z
Z
1
.
i
i
ALinear 2005/12/19 13:25 page 128 #144
i
i
i
i
i
i
128 Teoria Espectral Cap. 7
Lema 7.15 A aplicao
A
i
I :
N
+1
N
N
1
injetora, para todo 1, . . . , d
i
1.
Demonstrao: Seja 0 ,= x
N
+1
N
x ,= 0. Consideremos ento (A
i
I)x. Como (A
i
I)
(A
i
I)x =
(A
i
I)
+1
x, vemos que (A
i
I)x N
x ,= 0, mostrando que (A
i
I)x , N
1
. Assim, essa aplicao
realmente est tomando valores em N
/N
1
.
Armamos agora que essa aplicao injetora. De fato, sejamx, y
N
+1
N
, com
(A
i
I)x = (A
i
I)y. Ento (A
i
I)(x y) = 0, o que um absurdo, pois
ento x y estaria em N
. P
Vamos agora construir uma base especial para W
i
. Lembramos que uma base de
N
/N
1
(mais precisamente, para o espao complementar a N
1
em N
) obtida
ao se escolher uma base para N
1
e ento complet-la at obter uma base de N
; os
elementos introduzidos formam a base procurada. (Veja os Teoremas 1.23 e 1.29.)
Para isso, relembramos que (para simplicar a notao, escreveremos d ao invs
de d
i
):
N
1
N
2
N
d1
N
d
= W
i
.
Analisamos essa seqncia de subespaos no sentido contrrio: comearemos
de N
d
/N
d1
e chegaremos a N
1
= N
1
/N
0
. (Mais precisamente, continuamos a
falar dos espaos complementares e no dos espaos quocientes.)
Consideremos uma base
_
x
d
1
, . . . , x
d
k
d
_
de N
d
/N
d1
.
Pelo lema,
_
(A
i
I)x
d
1
, . . . , (A
i
I)x
d
k
d
_
um conjunto linearmente independente em N
d1
/N
d2
. Podemos completar tal
conjunto at obter uma base desse espao:
_
(A
i
I)x
d
1
, . . . , (A
i
I)x
d
k
d
, x
(d1)
1
, . . . , x
(d1)
k
(d1)
_
.
(Essa justamente uma base para o espao complementar de N
d2
em N
d1
.)
i
i
ALinear 2005/12/19 13:25 page 129 #145
i
i
i
i
i
i
7.4 Forma Cannica de Jordan 129
Prosseguimos, ento, desse modo at chegarmos a uma base para N
1
/N
0
= N
1
.
No quadro a seguir, denotamos S = (A
i
I). Descrevemos os espaos
envolvidos e suas bases:
N
d
N
d1
x
d
1
, . . . , x
d
k
d
N
d1
N
d2
Sx
d
1
, . . . , Sx
d
k
d
, x
(d1)
1
, . . . , x
(d1)
k
(d1)
N
d2
N
d3
S
2
x
d
1
, . . . , S
2
x
d
k
d
, Sx
(d1)
1
, . . . , Sx
(d1)
k
(d1)
, x
(d2)
1
, . . . , x
(d2)
k
(d2)
.
.
.
.
.
.
.
.
.
N
1
N
0
S
d1
x
d
1
, . . . , S
d1
x
d
k
d
, . . . , x
1
1
, . . . , x
1
k
1
.
O que uma base de W
i
? Usamos a construo anterior para obt-la.
Comeamos com uma base para N
1
. Uma base para N
2
obtida ao se completar
essa base de N
1
. Isso equivalente a adicionarmos os vetores da base de N
2
/N
1
base de N
1
. Em seguida, obtemos uma base de N
3
ao completar a base de N
2
. Isso,
como antes, equivalente a tomarmos os vetores da base de N
3
/N
2
. E assim por
diante. Ordenamos essa base da seguinte maneira (outras ordenaes so possveis):
_
S
d1
x
d
1
, . . . , Sx
d
1
, x
d
1
, . . . , S
d1
x
d
k
d
, . . . , Sx
d
k
d
, x
d
k
d
_
.
Esses vetores so responsveis pelos blocos d d (relativos ao autovalor
i
)
presentes na forma cannica de Jordan. Em seguida, acrescentamos os vetores
_
S
d2
x
(d1)
1
,. . . , Sx
(d1)
1
, x
(d1)
1
,. . . , S
d2
x
(d1)
k
(d1)
, Sx
(d1)
k
(d1)
, x
(d1)
k
(d1)
_
.
Esses vetores so responsveis pelos blocos (d 1) (d 1) (relativos ao
autovalor
i
) presentes na forma cannica de Jordan. E assim sucessivamente, at
introduzirmos os vetores
_
x
1
1
, . . . , x
1
k
1
_
,
que so responsveis pelos blocos 1 1 (relativos ao autovalor
i
) presentes na
forma cannica de Jordan. A base de W
i
assim construda uma base de Jordan
do subespao W
i
. Obtemos ento uma base do espao inteiro ao obtermos bases de
Jordan de cada espao W
i
. A base obtida uma base de Jordan.
Consideremos o seguinte exemplo abstrato:
Exemplo 7.16 Consideremos N
1
N
2
N
3
= W. Suponhamos as seguintes
bases para os espaos envolvidos (como antes, estamos falando dos complementares
i
i
ALinear 2005/12/19 13:25 page 130 #146
i
i
i
i
i
i
130 Teoria Espectral Cap. 7
e no de espaos quocientes):
N
3
N
2
x
31
, x
32
N
2
N
1
(A
i
I)x
31
, (A
i
I)x
32
, x
21
, x
22
N
1
(A
i
I)
2
x
31
, (A
i
I)
2
x
32
, (A
i
I)x
21
, (A
i
I)x
22
, x
11
.
(Note que os vetores de N
1
pertencem ao ncleo de (A
i
I)).
Consideremos ento a base
w
1
= (A
i
I)
2
x
31
, w
2
= (A
i
I)x
31
, w
3
= x
31
, w
4
= (A
i
I)
2
x
32
,
w
5
= (A
i
I)x
32
, w
6
= x
32
, w
7
= (A
i
I)x
21
, w
8
= x
21
,
w
9
= (A
i
I)x
22
, w
10
= x
22
, w
11
= x
11
.
Ento (A
i
I)w
1
=0 e, portanto, Aw
1
=
i
w
1
. Tambm, (A
i
)w
2
=w
1
e, assim,
Aw
2
=w
1
+
i
w
2
. Finalmente, (A
i
)w
3
=w
2
e Aw
3
=w
2
+
i
w
3
.
Do mesmo modo para os vetores restantes. Assim, a representao de A nessa
base
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
1 0
0
1
1
0 0
1
_
_
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 0 0
0 0 0
0 0 0
_
_
1
1 0
0
1
1
0 0
1
_
_
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 0 0
_
1
1
0
1
_
0 0
0 0
0
0
0 0 0
0 0 0
0 0 0
0 0 0
0 0
0 0
_
1
1
0
1
_
0
0
0 0 0 0 0 0 0 0 0 0 (
1
)
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
= ker(B
i
)
. Em outras palavras, o
procedimento aplicado a N
/M
1
. Ordenando os autovalores
(comuns) de A e B e ento seguindo o procedimento para se obter uma forma de
Jordan em cada bloco, a representao de B numa base de Jordan ordenada como
a base de A far com que as duas matrizes tenham exatamente a mesma forma de
Jordan (pois seus autovalores tambm so iguais). Assim, existem mudanas de
base Q
1
e Q
2
tais que
Q
1
1
AQ
1
= J = Q
1
2
BQ
2
.
Denindo P = Q
2
Q
1
1
, obtemos
A = P
1
BP.
Note que o processo de construo de uma base que coloca um operador na
forma de Jordan implica, em particular, a unicidade (a menos do ordenamento dos
blocos de Jordan) da forma cannica de Jordan de um operador. P
i
i
ALinear 2005/12/19 13:25 page 132 #148
i
i
i
i
i
i
132 Teoria Espectral Cap. 7
Exemplo 7.18 Seja T : R
4
R
4
denido por
T(x
1
, x
2
, x
3
, x
4
) = (2x
1
x
2
+ x
4
, 3x
2
x
3
, x
2
+ x
3
, x
2
+ 3x
4
).
Vamos obter a forma cannica de Jordan de T, bem como uma base na qual T
assume essa forma.
O polinmio caracterstico de T p(t) = (t 3)(t 2)
3
(verique!). Assim,
todos os autovalores de T esto no corpo R e podemos obter (uma) a forma de
Jordan de T.
Vericamos que
N
1
= ker(T 2I) = (x
1
, x
2
, x
2
, x
2
) : x
1
, x
2
R
N
2
= ker(T 2I)
2
= (x
1
, x
2
+ x
3
, 2x
3
, 2x
2
) [ x
1
, x
2
, x
3
R.
Como a dimenso de ker(T 2I)
2
igual multiplicidade de 2 como raiz do
polinmio caracterstico p(t) de T , temos que o espao W
2
do Teorema Espectral
7.3 (ou D.5) dado por ker(T 2I)
2
.
Vamos obter uma base de Jordan para W
2
. Para isso, notamos que existem
trs vetores em N
2
e que dim(N
2
/N
1
) = 1. Isso quer dizer que teremos um
bloco 2 2 e um bloco 1 1 associados ao autovalor 2. Claramente o vetor
w
2
= (0, 1, 0, 2) N
2
e w
2
, N
1
. Calculamos ento w
1
= (T2I)w
2
= (1, 1, 1, 1).
(A demonstrao do Teorema de Jordan garante que w
2
N
1
e que w
1
, w
2
so
linearmente independentes; esses vetores produzem o bloco 2 2). Para obtermos
uma base de N
1
, escolhemos o vetor w
3
= (1, 0, 0, 0) N
1
, que claramente
linearmente independente com w
1
. (Mais uma vez, a demonstrao do Teorema de
Jordan garante que w
1
, w
2
, w
3
so linearmente independentes; o vetor w
3
produz
o bloco 1 1.)
Para o autovalor 3, a forma escalonada reduzida de
(T 3I) =
_
_
_
_
1 1 0 1
0 0 1 0
0 1 2 0
0 1 0 0
_
_
_
_
_
_
_
_
1 0 0 1
0 1 0 0
0 0 1 0
0 0 0 0
_
_
_
_
.
Assim, o subespao W
3
= ker(T 3I) do Teorema Espectral 7.3 (ou D.5) dado
por
(x
1
, 0, 0, x
1
) [ x
1
R.
Esse subespao tem base (1, 0, 0, 1) = w
4
e produz um bloco 1 1 associado ao
autovalor 3.
i
i
ALinear 2005/12/19 13:25 page 133 #149
i
i
i
i
i
i
7.4 Forma Cannica de Jordan 133
Temos assim a base B = w
1
, w
2
, w
3
, w
4
, que uma base de Jordan de T. Os
vetores w
1
, w
3
e w
4
so autovetores de T (os dois primeiros associados ao autovalor
2).
Assim, representando T na base B, obtemos uma forma de Jordan de T:
T
B
= J =
_
_
_
_
_
2 1
0 2
_
0
0
0
0
0 0 (2) 0
0 0 0 (3)
_
_
_
_
.
Exemplo 7.19 Obtenha uma base B na qual a matriz A esteja na forma cannica
de Jordan:
A =
_
_
_
_
_
_
_
_
2 0 0 0 0 0
1 2 0 0 0 0
1 0 2 0 0 0
0 1 0 2 0 0
1 1 1 1 2 0
0 0 0 0 1 1
_
_
_
_
_
_
_
_
.
O polinmio caracterstico de A p(t) = (t2)
5
(t+1), pois a matriz A triangular
superior.
Se chamarmos de W
1
o subespao relacionado ao autovalor 1, vemos que
dimW
1
= 1 e que uma base para esse subespao dado pelo vetor e
6
. (Voc
consegue justicar esse fato sem fazer qualquer conta?) Denotaremos por w
1
:= e
6
o primeiro vetor da base procurada.
Consideremos agora o espao W
2
, associado ao autovalor 2. Temos que
dimW
2
= 5 e que
A 2I =
_
_
_
_
_
_
_
_
0 0 0 0 0 0
1 0 0 0 0 0
1 0 0 0 0 0
0 1 0 0 0 0
1 1 1 1 0 0
0 0 0 0 1 3
_
_
_
_
_
_
_
_
.
Se chamarmos N
1
= ker(A 2I), vemos que dimN
1
= 2. (Voc consegue
perceber isso sem fazer qualquer conta? Lembre-se que o nmero de linhas
nulas no escalonamento de A 2I fornece os graus de liberdade nas solues de
(A 2I)x = 0, isto , a dimenso desse espao.)
i
i
ALinear 2005/12/19 13:25 page 134 #150
i
i
i
i
i
i
134 Teoria Espectral Cap. 7
Vericamos que
N
1
= ker(A 2I) = (0, 0, x
3
, x
3
, x
4
, x
4
/3) [ x
3
, x
4
R
O nmero de elementos em N
1
nos d o nmero de blocos de Jordan associados ao
autovalor 2. Assim, dois blocos de Jordan esto associados a esse autovalor. Como
o espao invariante W
2
associado ao autovalor 2 tem dimenso 5, existem apenas
duas possibilidades para a decomposio de Jordan desse subespao: ou existe um
bloco 2 2 e outro bloco 3 3, ou existe um bloco 4 4 e um bloco 1 1.
Um novo clculo nos mostra que
N
2
= ker(A 2I)
2
= (0, 0, x
3
, x
4
, x
5
, (3x
5
x
4
x
3
)/9).
Ora, isso indica que a nica possibilidade para decompor os blocos de Jordan um
bloco 4 4 e um bloco 1 1. Em particular, W
2
= N
4
.
Vericamos ento que
N
3
= ker(A 2I)
3
=(0, x
2
, x
3
, x
4
, x
5
, (2x
2
3x
3
3x
4
+ 9x
5
)/27
N
4
= ker(A 2I)
4
=(x
1
, x
2
, x
3
, x
4
, x
5
, (27x
5
9x
4
9x
3
6x
2
10x
1
)/81.
(J era claro que deveramos ter 5 graus de liberdade em ker(A 2I)
4
.)
Escolhemos ento o vetor
w
5
= (1, 0, 0, 0, 0, 10/81) N
4
N
3
.
Obtemos
w
4
= (A2I)w
5
= (0, 1, 1, 0, 1, 10/27), w
3
= (A2I)w
4
= (0, 0, 0, 1, 0, 1/9)
e
w
2
= (A 2I)w
3
= (0, 0, 0, 0, 1, 1/3).
Note que w
2
um autovetor de A, pois ele pertence a N
1
. Como N
1
tem dimenso
2, existe um outro autovetor nesse espao, linearmente independente com w
2
. Esse
w
6
= (0, 0, 1, 1, 0, 0).
Tendo obtido os vetores w
1
, . . . , w
6
, a representao de A nessa base satisfaz
Aw
1
= w
1
(pois (A + I)w
1
= 0)
Aw
2
= 2w
2
(pois (A 2I)w
2
= 0)
Aw
3
= w
2
+ 2w
3
(pois (A 2I)w
3
= w
2
)
Aw
4
= w
3
+ 2w
4
(pois (A 2I)w
4
= w
3
)
Aw
5
= w
4
+ 2w
5
(pois (A 2I)w
5
= w
4
)
Aw
6
= 2w
6
i
i
ALinear 2005/12/19 13:25 page 135 #151
i
i
i
i
i
i
7.4 Forma Cannica de Jordan 135
Assim, a representao de A nessa base
J =
_
_
_
_
_
_
_
_
(1) 0 0 0 0 0
0
0
0
0
_
_
_
_
2 1 0 0
0 2 1 0
0 0 2 1
0 0 0 2
_
_
_
_
0
0
0
0
0 0 0 0 0 (2)
_
_
_
_
_
_
_
_
.
e
W
.
Como na demonstrao do Teorema da Decomposio Primria vemos que, se os
vetores w
j
= u
j
+ iv
j
(j = 1, . . . , k) formarem uma base de
W
, ento os vetores
u
j
iv
j
formam uma base de
W
.
Armamos que
S = u
1
, v
1
, u
2
, v
2
, . . . , u
k
, v
k
uma base de
W
= dim
W
a complexicao
do espao real W
1
= u
1
iv
1
de T
C
do origem s colunas
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
quando representamos T na base S.
Se, para j 2, . . . , r, tivermos T
C
w
j
= w
j
+w
j1
, vemos que
Tu
j
+ iTv
j
= (u
j
v
j
+u
j1
) + i(u
j
+v
j
+ v
j1
)
= u
j1
+ (u
j
v
j
) + i[v
j1
+ (u
j
+ v
j
+ v
j1
)].
Em particular, se j = 2, os vetores w
2
do origem s colunas
_
_
_
_
_
_
_
_
_
_
_
1 0
0 1
0 0
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
_
_
_
,
o que implica que, na base u
1
, v
1
, u
2
, v
2
, . . . , u
k
, v
k
de W
, T representado por
blocos da forma descrita no enunciado do teorema. P
7.6 Decomposio Racional
(Essa Seo opcional, podendo ser omitida, a critrio do professor, sem
prejuzo para o restante do texto.)
Em ltima instncia, a decomposio racional, tambm chamada de
decomposio de Frobenius, o resultado mais geral vlido para um operador
qualquer em um espao de dimenso nita X. Essa generalidade dada pelo fato
desse resultado independer do corpo sobre o qual X espao vetorial.
Consonante com nossa proposta de estudar espaos vetoriais sobre R ou
C, vamos inverter a perspectiva natural e obter a decomposio racional como
conseqncia da forma cannica (complexa) de Jordan.
i
i
ALinear 2005/12/19 13:25 page 139 #155
i
i
i
i
i
i
7.6 Decomposio Racional 139
Denio 7.23 Seja T : X X um operador. Um polinmio p anula o vetor
x X com relao a T se p(T)x = 0. Um polinmio mnico de menor grau
que anula x X (com relao a T) chamado polinmio mnimo de x X ou
T-anulador de x.
Num espao de dimenso nita X, sempre existe um T-anulador de x. De fato, o
polinmio mnimo de T anula todos os vetores de X. Assim, o conjunto de todos os
polinmios que anulam x no-vazio. A aplicao do Princpio da Boa Ordenao
a este conjunto ento garante a existncia de um polinmio de menor grau que anula
x. Dividindo pelo coeciente do termo de maior grau desse polinmio, obtemos o
polinmio mnimo de x.
De maneira anloga prova do Lema 5.14, verica-se que qualquer polinmio
que anula x com relao a T um mltiplo de um polinmio mnimo de x. Em
particular, isso garante a unicidade do polinmio mnimo de x.
Proposio 7.24 Seja T : X X um operador denido no espao de dimenso
nita X. Ento existe um vetor x cujo polinmio mnimo coincide com o polinmio
mnimo de T.
Demonstrao: Para um vetor x X xo, considere o conjunto 1 de todos
os polinmios que anulam x. Todos elementos desse conjunto so mltiplos do
polinmio mnimo m
x
de x e o polinmio mnimo m de T pertence a 1.
medida que variamos x X, obtemos diferentes polinmios m
x
, todos eles
dividindo m. Mas existe um nmero nito de polinmios que so divisores de m.
Assim, quando x percorre X, os polinmios m
x
percorrem um nmero nito de
polinmios distintos, todos eles divisores de m. Sejam p
1
, . . . , p
k
tais polinmios.
(Note que cada um desses polinmios um polinmio m
x
para certo x X, mas
no podemos armar que os polinmios p
1
, . . . , p
k
sejam todos os divisores de m.)
Dena X
i
= x X [ p
i
(T)x = 0. claro que cada X
i
,= um subespao
de X. Alm disso, se x X, ento x X
i
para pelo menos um i = 1, . . . , k.
Assim,
X
k
_
i=1
X
i
.
Mas, de acordo com o Exerccio 29 do Captulo 1, isso implica que X X
i
para
algumi
0
1, . . . , k. Isso garante que p
i
0
(T)(x) = 0 para todo x X e, portanto,
p
i
0
mltiplo de m. Logo, m = p
i
0
, pois todos os polinmios em p
1
, . . . , p
k
so
mnicos e dividem m. P
i
i
ALinear 2005/12/19 13:25 page 140 #156
i
i
i
i
i
i
140 Teoria Espectral Cap. 7
Seja x
0
X tal que o T-anulador de x
0
o polinmio mnimo m de T. Se o
grau de mfor igual a k, ento os vetores x
0
, Tx
0
, . . . , T
k1
x
0
so todos linearmente
independentes. (Se fossem linearmente dependentes, o T-anulador de x
0
teria grau
menor do que ou igual a k 1.) Seja W o subespao de X gerado por tais vetores.
Como m = m
x
0
mnico e tem grau k,
m(T)x
0
= (a
0
I + a
1
T + . . . +T
k
)x
0
= 0. (7.5)
Da segue-se imediatamente que T
k
x
0
combinao linear de x
0
, Tx
0
, . . . , T
k1
x
0
.
Dizemos ento que x
0
um vetor cclico de ordem k.
Em outras palavras, provamos que T(W) W. Note que a representao de
T[
W
na base B = x
0
, Tx
0
, . . . , T
k1
x
0
de W a matriz
B =
_
_
_
_
_
_
_
_
_
0 0 0 0 a
0
1 0 0 0 a
1
0 1 0 0 a
2
0 0 1
.
.
. 0 a
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 a
k1
_
_
_
_
_
_
_
_
_
. (7.6)
Chamamos W de subespao gerado pelo T-anulador de x
0
.
Denio 7.25 Um bloco cclico ou bloco de Frobenius de uma matriz A uma
submatriz quadrada B com a forma (7.6). Essa submatriz chamada matriz
companheira de ordem k e est associada a um polinmio mnico de grau k. A
matriz companheira do polinmio 1 a matriz (0).
Colocamos agora a questo: existe um subespao W
?
Se o polinmio mnimo for igual ao polinmio caracterstico de T, sabemos a
resposta: sim, com W
. Se
_
_
_
_
_
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 1
0 0 0
_
_
_
_
_
_
_
e
_
_
_
_
_
_
_
1 0 0
0
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
1
0 0 0
_
_
_
_
_
_
_
forem blocos de Jordan kk de T
C
associados a essas razes, ento existem vetores
x
0
, x
0
de ordem k determinados por bases de Jordan desses blocos, tais que x
0
+ x
0
um vetor real de ordem 2k, responsvel pelo bloco de Frobenius
_
_
_
_
_
_
_
_
_
0 0 0 0 a
0
1 0 0 0 a
1
0 1 0 0 a
2
0 0 1
.
.
. 0 a
3
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 a
2k1
_
_
_
_
_
_
_
_
_
.
Demonstrao: Seja W o subespao de dimenso k, invariante por T
C
associado ao
autovalor complexo . De acordo com o Lema 7.27, existe um vetor x
0
, de ordem
k, que gera W.
Sabemos que est relacionado ao subespao W um subespao invariante
W de
T
C
, cujos elementos so os conjugados dos elementos de W. Isso implica que x
0
um vetor de ordem k que gera o espao
W.
i
i
ALinear 2005/12/19 13:25 page 143 #159
i
i
i
i
i
i
7.6 Decomposio Racional 143
Os polinmios mnimos m
(t) e m
(t) de W e
)
k
= [(t)(t
)]
k
, que
um polinmio real de grau 2k. A matriz de Frobenius dada a matriz companheira
desse polinmio. Note que x
0
+ x
0
um vetor real, pois x
0
o conjugado do vetor
x
0
. P
Demonstrao do Teorema 7.26: Faremos induo sobre a dimenso n do espao
X, incluindo a unicidade da decomposio. O caso n = 1 trivial.
Suponhamos o resultado vlido para qualquer operador T : Y Y denido
num espao Y de dimenso menor do que ou igual a k. Consideremos um espao
X de dimenso k +1. Seja m o polinmio mnimo de T. Para cada fator irredutvel
(t )
.
Assim, se x
1
, . . . , x
j
forem os vetores assim escolhidos (associados s razes do
polinmio mnimo), tome x
0
= x
1
+ . . . + x
j
. Esse vetor responsvel pelo bloco
de Frobenius associado ao polinmio mnimo de T, de acordo com o Lema 7.28.
Note que, se X for um espao real, a aplicao do Lema 7.29 garante que x
0
ser
um vetor real.
Consideremos ento os blocos restantes na forma de Jordan de T. Eles geram
um espao invariante W
e
obtemos a (nica) decomposio cclica desse operador.
Note que o polinmio mnimo de T[
W
divide o polinmio mnimo de T. Como,
por induo, essa hiptese tambm satisfeita para a decomposio de T[W
, a
prova est completa. P
Note que, apesar de a demonstrao do Teorema 7.26 ter sido feita por induo,
o processo descrito construtivo e nos fornece a base na qual T : X X assume
sua decomposio racional. Mostraremos isso nos prximos exemplos.
Exemplo 7.30 Elucidaremos aqui o processo construtivo da decomposio racional
de uma matriz partir de sua forma de Jordan. Para isso, consideremos um operador
T : R
11
R
11
, cuja representao de sua complexicao numa base B assume a
i
i
ALinear 2005/12/19 13:25 page 144 #160
i
i
i
i
i
i
144 Teoria Espectral Cap. 7
forma de Jordan dada por
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
1 0 0 0 0 0 0 0 0 0
0
1
1 0 0 0 0 0 0 0 0
0 0
1
0 0 0 0 0 0 0 0
0 0 0
1
1 0 0 0 0 0 0
0 0 0 0
1
1 0 0 0 0 0
0 0 0 0 0
1
0 0 0 0 0
0 0 0 0 0 0
2
1 0 0 0
0 0 0 0 0 0 0
2
0 0 0
0 0 0 0 0 0 0 0
2
1 0
0 0 0 0 0 0 0 0 0
2
0
0 0 0 0 0 0 0 0 0 0
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
Aqui,
1
e
1
so autovalores conjugados de T
C
, enquanto
2
R (justique!).
Os polinmios caracterstico e mnimo de A so obtidos imediatamente:
p(t) = (t
1
)
3
(t
1
)
3
(t
2
)
5
e m(t) = (t
1
)
3
(t
1
)
3
(t
2
)
2
.
O bloco de Frobenius associado ao polinmio mnimo um bloco 8 8, que
tem como base
x
0
, Ax
0
, . . . , A
7
x
0
,
em que o vetor x
0
obtido como soma de trs vetores: o terceiro, o sexto e o oitavo
(ou ento o dcimo) vetores da base B. Note que o terceiro e o sexto vetores sero
vetores conjugados, de modo que o vetor x
0
ser um vetor real.
O segundo bloco de Frobenius obtido ao se considerar os polinmios
caracterstico e mnimo dos blocos restantes:
p
1
(t) = (t
2
)
3
e m
1
(t) = (t
2
)
2
.
Assim, o segundo bloco de Frobenius ser um bloco 2 2 e ter como base
x
1
, Ax
1
,
em que x
1
o dcimo (respectivamente, o oitavo) vetor da base B. Finalmente,
existir um terceiro bloco de Frobenius, relativo ao polinmio
p
2
(t) = (t
2
) = m
2
(t),
o qual ser gerado pelo dcimo primeiro vetor da base B.
i
i
ALinear 2005/12/19 13:25 page 145 #161
i
i
i
i
i
i
7.6 Decomposio Racional 145
Exemplo 7.31 Consideremos a matriz
A =
_
_
_
_
_
_
_
_
2 0 0 0 0 0
1 2 0 0 0 0
1 0 2 0 0 0
0 1 0 2 0 0
1 1 1 1 2 0
0 0 0 0 1 1
_
_
_
_
_
_
_
_
,
que j foi estudada no Exemplo 7.19. Nesse caso, os polinmios caracterstico e
mnimo de A so
p(t) = (t + 1)(t 2)
5
e m(t) = (t + 1)(t 2)
4
,
respectivamente. A decomposio racional de A dada por
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0 0 0 0 16
1 0 0 0 16
0 1 0 0 8
0 0 1 0 16
0 0 0 1 7
_
_
_
_
_
_
0
0
0
0
0
0 0 0 0 0 (2)
_
_
_
_
_
_
_
_
.
Para obtermos uma base c na qual A assume sua decomposio racional,
partimos da base B obtida no Exemplo 7.19. Se J denotar a forma de Jordan de
A, mostramos naquele exemplo que J = P
1
AP, em que
P =
_
_
_
_
_
_
_
_
0 0 0 0 1 0
0 0 0 1 0 0
0 0 0 1 0 1
0 0 1 0 0 1
0 1 0 1 0 0
1
1
3
1
9
10
27
10
81
0
_
_
_
_
_
_
_
_
.
O bloco de Frobenius 5 5 associado ao polinmio mnimo tem como base
x
0
, Ax
0
, . . . , A
4
x
0
,
em que o vetor x
0
a soma da primeira e quinta colunas da matriz P. O bloco de
Frobenius 1 1 gerado pela sexta coluna da matriz P.
i
i
ALinear 2005/12/19 13:25 page 146 #162
i
i
i
i
i
i
146 Teoria Espectral Cap. 7
Exemplo 7.32 Consideremos a matriz real
A =
_
_
_
_
_
_
0 2 0 6 2
1 2 0 0 2
1 0 1 3 2
1 2 1 1 2
1 4 3 3 4
_
_
_
_
_
_
.
Calculando os polinmios caracterstico p e mnimo m de A, obtemos
p(t) = (t 2)(t
2
+ 2)
2
e m(t) = (t 2)(t
2
+ 2).
Assim, A diagonalizvel como matriz complexa, mas no como matriz real.
Uma base B na qual A assume sua forma de Jordan dada por
B =
_
_
_
_
_
_
_
_
0
1
1
1
2
_
_
_
_
_
_
,
_
_
_
_
_
_
_
3
2i
2
1+i
2
2
1 +
i
2
2
0
1
i
2
2
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
3
2i
2
1i
2
2
1
i
2
2
0
1 +
i
2
2
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
_
3
2i
2
0
1 +
i
2
4
1
2
i
2
4
0
3i
2
4
_
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
_
3
2i
2
0
1
i
2
4
1
2
+
i
2
4
0
3i
2
4
_
_
_
_
_
_
_
_
_
_
_
.
Como matriz complexa, podemos escolher como vetores de ordem 1 responsveis
pelos blocos associados aos autovalores 1, i
2 e i
i
para mostrar que o nico autovalor da aplicao T restrita a W
i
i
. Essa
reduo no necessria. Justique.
5. Seja N : X X um operador nilpotente, com N
k
= 0 e N
k1
,= 0.
Seja x X tal que N
k
x = 0 mas N
k1
x ,= 0. Mostre que os vetores
x, Nx, . . . , N
k1
x so linearmente independentes. Conclua as incluses
estritas na equao (7.2):
ker(T
i
I) ker(T
i
I)
d
i
= ker(T
i
I)
d
i
+1
= = ker(T
i
I)
s
i
.
i
i
ALinear 2005/12/19 13:25 page 148 #164
i
i
i
i
i
i
148 Teoria Espectral Cap. 7
Voc percebeu que essas incluses estritas j haviam sido provadas na
demonstrao do Teorema de Jordan 7.17?
6. Seja A uma matriz tal que A
k
= 0. Mostre que B
k
= 0 para qualquer matriz
B semelhante a A.
7. Seja N uma matriz n n, com n 2. Se N for nilpontente, mostre que no
existe uma matriz A tal que A
2
= N.
8. D exemplos de operadores N, M : X X, ambos nilpotentes, tais que
NM e N + M no sejam nilpotentes.
9. Seja A uma matriz diagonalizvel e W um subespao invariante por A.
Mostre que A[
W
diagonalizvel.
10. (Diagonalizao simultnea de operadores) SejamX umespao vetorial de
dimenso nita n e S, T : X X operadores diagonalizveis. Se ST = TS,
mostre que T e S so simultaneamente diagonalizveis, isto , que existe uma
base B de X formada por elementos que so ao mesmo tempo autovetores de
S e T.
11. Se dimX = n, sejam S, T : X X sejam operadores diagonalizveis.
Suponha que ST = TS. Mostre que S + T diagonalizvel. Descreva o
espectro de S + T.
12. Sejam N, M : X X operadores nilpotentes, com NM = MN. Mostre
que M + N nilpotente.
13. O Teorema 7.3 garante a existncia de uma decomposio T = D + N,
com DN = ND, sendo D diagonalizvel e N nilpotente. Mostre que as
aplicaes lineares D e N so nicas.
14. SejamX um espao complexo de dimenso nita e T : X X um operador
linear invertvel. Mostre que T = DN, comD diagonalizvel e N nilpotente.
Mostre tambm que essa decomposio nica.
15. Seja x X arbitrrio. Demonstre, por induo, que (T
i
I)
k
x = 0
implica que x W
i
e obtenha, assim, uma outra demonstrao de que
ker(T
i
I)
d
i
= W
i
.
i
i
ALinear 2005/12/19 13:25 page 149 #165
i
i
i
i
i
i
7.7 Exerccios 149
16. Encontre a decomposio dada pelo Teorema 7.3 para a matriz
A =
_
_
_
_
_
_
1 1 1 1 1
0 1 1 1 1
0 0 1 1 1
0 0 0 2 1
0 0 0 0 2
_
_
_
_
_
_
.
17. Obtenha a decomposio primria do operador T do Exemplo 7.10 utilizando
o clculo funcional.
18. Seja A M
nn
(K) uma matriz tal que A
2
= 2A + I. A matriz A
diagonalizvel?
19. D uma demonstrao direta do Lema 7.15. Mostre, portanto, que a aplicao
A
i
I est bem denida e tem as propriedades descritas no lema.
20. Demonstre a Proposio 7.13.
21. Sejam A e B matrizes reais tais que A = P
1
BP para alguma matriz
complexa P. Mostre que A = Q
1
BQ para alguma matriz real Q.
22. Obtenha bases B na quais as seguintes matrizes estejam na forma cannica de
Jordan:
(a)
_
_
_
_
_
_
2 5 0 0 0
0 2 0 0 0
0 0 1 0 1
0 0 0 1 0
0 0 0 0 1
_
_
_
_
_
_
.
(b)
_
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 1 0 4 0
0 1 1 1 1 3 3 4
0 0 1 0 1 1 2 1
0 0 0 1 1 1 4 5
0 0 0 0 1 0 1 5
0 0 0 0 0 1 1 1
0 0 0 0 0 0 1 2
0 0 0 0 0 0 0 3
_
_
_
_
_
_
_
_
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 150 #166
i
i
i
i
i
i
150 Teoria Espectral Cap. 7
23. Sejam
m(t) = (t
1
)
d
1
. . . (t
r
)
dr
e p(t) = (t
1
)
s
1
. . . (t
r
)
sr
os polinmios mnimo e caracterstico do operador T : X X denido no
espao complexo X. Mostre que
(a) existe ao menos um bloco d
i
d
i
associado ao autovalor
i
;
(b) o nmero de blocos associados ao autovalor
i
igual multiplicidade
geomtrica de
i
(isto , dimenso do auto-espao X
i
associado ao
autovalor
i
). do autovalor
i
.)
24. A menos de ordenamento dos blocos, determine todas as possveis formas
cannicas de Jordan para uma matriz complexa
(a) cujo polinmio caracterstico p(t) = (t 2)
3
(t 5)
2
;
(b) cujos polinmios mnimo m(t) = (t 2)
2
, sabendo que A uma
matriz 7 7;
(c) cujo polinmio caracterstico p(t) = (t 3)
4
(t 5)
4
e cujo polinmio
mnimo m(t) = (t 3)
2
(t 5)
2
.
25. Suponha que sejam reais os autovalores de A M
nn
(R) e que A
2
seja
semelhante a A. Quais so os possveis autovalores de A?
26. Seja T : X X um operador no espao complexo X. Suponha que T
k
= I
para algum inteiro positivo k. Mostre que T diagonalizvel.
27. Seja A M
nn
(C) uma matriz invertvel e J a sua forma cannica de Jordan.
Qual a forma cannica de Jordan de A
1
?
28. Verique que a demonstrao do Teorema 7.22 garante, em particular, que os
subespaos W
e W
possuem a
mesma dimenso. Voc capaz de dar uma outra demonstrao desse fato?
29. Seja T : X X um operador no espao de dimenso nita X. Mostre que
existe um espao invariante W X com dimW = 1 ou dimW = 2.
i
i
ALinear 2005/12/19 13:25 page 151 #167
i
i
i
i
i
i
7.7 Exerccios 151
30. Considere a matriz
_
_
_
_
i 1 0 0
0 i 0 0
0 0 i 0
0 0 0 i
_
_
_
_
.
Essa matriz a forma de Jordan de alguma aplicao T : R
4
R
4
? E de
uma aplicao S : C
4
C
4
?
31. Seja T : R
4
R
4
um operador que tem a forma de Jordan complexa dada
por
_
_
_
_
i 1 0 0
0 i 0 0
0 0 i 1
0 0 0 i
_
_
_
_
.
Ache a sua forma de Jordan real.
Denio 7.33 Um operador T : X X denido no espao real X semi-
simples se sua complexicao T
C
: X
C
X
C
for diagonalizvel.
32. Sejam X um espao real de dimenso nita e T : X X um operador.
Mostre que T = D + N, com D semi-simples e N nilpotente, sendo que
DN = ND.
33. Verique que, na base c descrita no Exemplo 7.31, a matriz A assume sua
decomposio racional.
34. Verique que a matriz A do Exemplo 7.32 assume sua forma de Jordan na
base B ali descrita. Verique tambm que, na base c daquele exemplo, A
assume sua decomposio racional.
35. Seja que, na base B, a matriz A assume sua forma racional. Obtenha uma
base c na qual A assume a forma de Jordan.
i
i
ALinear 2005/12/19 13:25 page 152 #168
i
i
i
i
i
i
8
Estrutura Euclidiana
Neste Captulo estudamos as propriedades bsicas de espaos com produto
interno, projees ortogonais, o Teorema de Representao de Riesz e algumas
propriedades geomtricas relacionadas com a adjunta de uma aplicao linear T.
8.1 Produto Interno
Denio 8.1 Seja E um espao vetorial sobre o corpo K. Um produto interno em
E uma aplicao , ) : E E K satisfazendo as seguintes propriedades:
(i) x, y) = y, x);
(ii) x + y, z) = x, z) +y, z);
(iii) x, x) 0 e x, x) = 0 se, e somente se, x = 0.
Um espao E com produto interno euclidiano se tiver dimenso nita.
1
Se
E for um espao vetorial sobre os complexos, E e o produto interno tambm
so chamados, respectivamente, de espao hermitiano ou unitrio e produto
hermitiano.
Exemplo 8.2 Se E = R
n
, o produto interno cannico (tambm chamado de
produto escalar) denido por
x, y) = x y =
n
i=1
x
i
y
i
= (x
1
. . . x
n
)
t
_
_
_
y
1
.
.
.
y
n
_
_
_
= x
t
y,
1
Essa terminologia varia de acordo com o autor consultado: para alguns, um espao euclidiano
um espao real com produto interno, mesmo em dimenso innita.
152
i
i
ALinear 2005/12/19 13:25 page 153 #169
i
i
i
i
i
i
8.2 Norma 153
em que x
t
= (x
1
. . . x
n
)
t
denota a transposta da representao de x na base
cannica e y = (y
1
. . . y
n
).
Com a mesma notao, o produto interno cannico em C
n
denido por
x, y) = x y =
n
i=1
x
i
y
i
= (x
1
. . . x
n
)
t
_
_
_
y
1
.
.
.
y
n
_
_
_
= x
t
y.
Denio 8.3 Sejam x, y vetores do espao com produto interno E. Esses vetores
so ortogonais (ou perpendiculares) se x, y) = 0. Nesse caso escrevemos x y.
Posteriormente justicaremos geometricamente essa denio.
8.2 Norma
Denio 8.4 Seja E um espao vetorial sobre o corpo K. Uma norma em E
uma aplicao | | : E [0, ) satisfazendo as seguintes propriedades:
(i) |x| > 0 se x ,= 0;
(ii) |x| = [[ |x|, para K;
(iii) |x + y| |x| +|y|.
Considerado com uma norma | |, dizemos que E um espao normado.
O valor |x| pode ser interpretado, geometricamente, como o comprimento do
vetor x. Se |x| = 1, o vetor x unitrio. (Veja o Exerccio 1.)
Seja E um espao com produto interno. Consideremos (com abuso de notao)
|x| := x, x)
1/2
. Vamos mostrar que essa notao coerente, isto , que
x, x)
1/2
realmente dene uma norma. Comeamos justicando a denio de
perpendicularidade, dada anteriormente.
Teorema 8.5 (Pitgoras)
Seja E um espao com produto interno e |x| = x, x)
1/2
. Ento, se x y,
temos
|x + y|
2
= |x|
2
+|y|
2
.
i
i
ALinear 2005/12/19 13:25 page 154 #170
i
i
i
i
i
i
154 Estrutura Euclidiana Cap. 8
Demonstrao: Basta desenvolver |x + y|
2
:
|x + y|
2
= x + y, x +y) = x, x) +x, y) +y, x) +y, y) = |x|
2
+|y|
2
,
pois x e y so ortogonais. P
Suponhamos agora que E seja um espao real. Ento x + y, x + y) =
|x|
2
+ 2x, y) + |y|
2
. Se valer o Teorema de Pitgoras, ento x y. (Veja o
Exerccio 2.)
Proposio 8.6 (Desigualdade de Cauchy-Schwarz)
Seja E um espao com produto interno. Ento, se |x| = x, x)
1/2
, para todos
x, y E vale:
[x, y)[ |x| |y|.
Demonstrao: A prova que apresentaremos bem geomtrica. (Interprete!)
Se x = y, ento [x, y)[ = [[ y, y) = [[ |y|
2
= |x| |y|. Se x ,= y, existe
K tal que [y x, x)[ = 0. De fato, basta tomar := y, x)/|x|
2
; note que
|x| = 0 est includo no caso anterior. Ento, pelo Teorema de Pitgoras,
|x|
2
< |y|
2
.
Substituindo o valor de , obtemos
[y, x)[
2
|x|
4
|x|
2
< |y|
2
,
e a desigualdade de Cauchy-Schwarz segue-se imediatamente da, pois [y, x)[ =
[x, y)[. (Uma outra prova da desigualdade de Cauchy-Schwarz sugerida no
Exerccio 3.) P
Se E for um espao real com produto interno, uma vez que a desigualdade de
Cauchy-Schwarz garante que
1
_
x
|x|
,
y
|y|
_
1,
natural denir o ngulo entre os vetores x e y (com 0 ) por
cos =
_
x
|x|
,
y
|y|
_
.
i
i
ALinear 2005/12/19 13:25 page 155 #171
i
i
i
i
i
i
8.2 Norma 155
Assim, podemos escrever
x, y) = |x| |y| cos ,
expresso muitas vezes usada na denio do produto escalar x y de vetores
x, y R
3
.
A desigualdade de Cauchy-Schwarz permite que justiquemos a notao |x| =
x, x)
1/2
. (Veja tambm o Exerccio 3.)
Proposio 8.7 Todo espao com produto interno E tem uma norma denida por
|x| = x, x)
1/2
. Dizemos que essa norma gerada pelo do produto interno.
Demonstrao: A primeira propriedade de norma decorre imediatamente da
denio do produto interno. Alm disso,
|x|
2
= x, x) = x, x) = [[
2
|x|
2
.
Finalmente, denotando por Re z a parte real de z C, temos que
|x + y|
2
= x + y, x +y) = |x|
2
+x, y) +y, x) +|y|
2
= |x|
2
+ 2Re x, y) +|y|
2
(8.1)
|x|
2
+ 2Re [x, y)[ +|y|
2
|x|
2
+ 2|x| |y| +|y|
2
= (|x| +|y|)
2
P
Observao 8.8 Consideremos o isomorsmo entre um espao vetorial E com
base B = v
1
, . . . , v
n
e o espao K
n
. Seja [x]
B
a representao de x na base B
e [ y]
B
o vetor obtido ao se tomar o conjugado em cada uma das entradas de [y]
B
.
Denimos um produto interno em E por
x, y) = [x]
t
B
[y]
B
.
Essa denio a generalizao do Exemplo 8.2. (Veremos posteriormente
uma certa recproca desse resultado, caracterizando produtos internos em espaos
de dimenso nita.)
Parafraseando Lima [22], ao dizermos que um espao vetorial de dimenso
nita euclidiano, no estamos atribuindo uma propriedade especial a esse espao.
Estamos, na verdade, escolhendo naquele espao um determinado produto interno,
entre os vrios produtos internos com que ele poderia ser considerado. (Compare
i
i
ALinear 2005/12/19 13:25 page 156 #172
i
i
i
i
i
i
156 Estrutura Euclidiana Cap. 8
com a Observao 8.21.) Estudar espaos de dimenso nita sem produto interno
procurar entender quais resultados dependem da estrutura topolgica do espao.
Essa a situao em dimenso nita, mas espaos de dimenso innita so
muito diferentes: nem sempre razovel (ou desejvel) denir um produto interno
nesses espaos. Em muitas situaes prticas, um espao vetorial tem uma norma
que est naturalmente associada ao problema considerado, a qual pode gerar uma
topologia que no equivalente quela gerada por um produto interno. (Veja o
Apndice F).
Lema 8.9 Seja E umespao comproduto interno. Ento so vlidas as identidades
de polarizao:
(i) se E for um espao real,
x, y) =
1
4
|x + y|
2
1
4
|x y|
2
.
(ii) se E for um espao complexo,
x, y) =
1
4
|x + y|
2
1
4
|x y|
2
+
i
4
|x + iy|
2
i
4
|x iy|
2
.
Demonstrao: Basta desenvolver o lado direito de cada uma das igualdades. P
A seguinte propriedade de espaos com produto interno imediata (desenvolva
o lado esquerdo da igualdade):
Proposio 8.10 Em todo espao com produto interno vale a identidade do parale-
logramo:
|x + y|
2
+|x y|
2
= 2
_
|x|
2
+|y|
2
_
.
A identidade do paralelogramo tem inmeras implicaes. Veja, por exemplo,
[6]. Se E for um espao normado, a identidade do paralelogramo satisfeita apenas
quando sua norma for gerada por um produto interno (veja o Exerccio 7).
8.3 Bases Ortonormais
Denio 8.11 Seja E um espao com produto interno. Um subconjunto X E
ortogonal, se u v para quaisquer u, v X. Se, alm disso, todos os seus vetores
forem unitrios, ento X ortonormal.
i
i
ALinear 2005/12/19 13:25 page 157 #173
i
i
i
i
i
i
8.3 Bases Ortonormais 157
Lema 8.12 Em um espao com produto interno E, todo conjunto ortogonal
formado por vetores no-nulos linearmente independente.
Demonstrao: Sejam x
1
, . . . , x
m
X elementos arbitrrios do conjunto
ortogonal. Suponhamos que
1
x
1
+ . . . +
m
x
m
= 0
para escalares
1
, . . . ,
m
. Ento,
0 = 0, x
i
) =
1
x
1
+. . .+
m
x
m
, x
i
) =
1
x
1
, x
i
)+. . .+
m
x
m
, x
i
) =
i
x
i
, x
i
).
Como x
i
, x
i
) = |x
i
|
2
,= 0, temos
i
= 0. P
Assim, se dimE = n e o conjunto ortogonal x
1
, . . . , x
n
for formado por
vetores no-nulos, obtemos imediatamente uma base ortonormal ao dividir cada
vetor por sua norma. Suponhamos que B = x
1
, . . . , x
n
seja uma base ortonormal
de E. Para x E, temos
x =
1
x
1
+ . . . +
n
x
n
.
Os escalares
i
podem ser facilmente determinados. Como a base ortonormal,
segue-se da que
i
= x, x
i
), i = 1, . . . , n.
Consideremos ento um outro vetor y E. Temos que
x, y) =
1
x
1
+ . . . +
n
x
n
,
1
x
1
+ . . . +
n
x
n
) =
1
1
+ . . . +
n
n
,
o que mostra que, com relao a uma base ortonormal,
2
qualquer produto interno
em E tem a forma dada pela Observao 8.8. Em particular, quando y = x, temos
|x|
2
=
1
1
+ . . . +
n
n
= [
1
[
2
+. . . +[
n
[
2
.
Podemos ainda explorar mais as relaes anteriores com a Observao 8.8. Se
x =
1
x
1
+ . . . +
n
x
n
, conclumos facilmente que a aplicao
S : E K
n
, Sx = (
1
, . . . ,
n
)
um isomorsmo que transforma um dado produto interno emE no produto escalar
usual no K
n
.
Seja B = x
1
, . . . , x
n
uma base ortonormal de E e T : E E uma aplicao
linear. fcil vericar que, se A = (a
ij
) a representao de T na base B, ento
a
ij
= x
i
, Tx
j
).
2
Para o caso de bases que no so ortonormais, veja o Exerccio 19.
i
i
ALinear 2005/12/19 13:25 page 158 #174
i
i
i
i
i
i
158 Estrutura Euclidiana Cap. 8
Observao 8.13 Consideremos o contexto da Observao 8.8. L foi escolhida
uma base arbitrria B do espao X e introduzido um produto interno em X, por
meio do isomorsmo que associa ao vetor x X a sua representao (como vetor
do K
n
). Note que, desse modo, B torna-se uma base ortonormal.
8.4 Projees Ortogonais
Na Seo anterior, mostramos que bases ortogonais so fceis de lidar. Mas, elas
existem? Num primeiro curso de lgebra Linear, as noes de projeo ortogonal,
ilustradas nas guras (8.1) e (8.2), foram apresentadas.
E E
T
proj
x
1
u
w
x
1
u
Figura 8.1:
O vetor proj
x
1
u = (u, x
1
)/|x
1
|
2
)x
1
a projeo ortogonal do vetor u no vetor x
1
. O
vetor w a "componente" de u ortogonal ao vetor x
1
.
E E
!T
x
1
x
2
proj
x
2
u
proj
x
1
u
w
u
Figura 8.2:
O vetor w a "componente" de u ortogonal ao plano gerado por x
1
e x
2
.
O processo de ortogonalizao de Gram-Schmidt a generalizao desse
procedimento. Apresentamos uma demonstrao sinttica desse resultado.
i
i
ALinear 2005/12/19 13:25 page 159 #175
i
i
i
i
i
i
8.4 Projees Ortogonais 159
Teorema 8.14 (Gram-Schmidt)
Dada uma base arbitrria y
1
, . . . , y
n
do espao euclidiano E, existe uma
base ortonormal x
1
, . . . , x
n
de E formada por vetores x
i
que so combinaes
lineares dos vetores y
1
, . . . , y
i
, para todo i = 1, . . . , n.
Demonstrao: Utilizaremos induo na dimenso do espao, o caso n = 1 sendo
trivial. Suponhamos obtidos os vetores x
1
, . . . , x
k1
. Consideramos ento
x
k
=
1
c
_
y
k
k1
i=1
c
i
x
i
_
,
em que c e c
1
, . . . , c
k1
so constante que sero determinadas. Para obtermos
x
k
ortogonal a todos os x
i
j escolhidos, basta denir c
i
= y
k
, x
i
) para i =
1, . . . , k 1. Escolhemos ento c como a norma do vetor y
k
k1
i=1
c
i
x
i
. Note
que c > 0. P
O processo de ortogonalizao de Gram-Schmidt garante a existncia de uma
innidade de bases ortonormais para espaos euclidianos. Uma interpretao do
Teorema de Gram-Schmidt em termos de decomposio matricial ser dada na
Seo 11.3.
O processo de ortogonalizao de Gram-Schmidt pode ser refraseado em termos
de somas diretas de subespaos:
Denio 8.15 O complemento ortogonal do subespao Y do espao com produto
interno E, denotado por Y
, o conjunto
Y
= x E [ x, y) = 0, y Y .
Claramente Y
um subespao de E.
Teorema 8.16 Para qualquer subespao Y E de um espao euclidiano temos
E = Y Y
.
Alm disso, vale
(Y
= Y.
Demonstrao: Seja w Y Y
. Ento w, w) = 0 e, portanto, w = 0.
Seja y
1
, . . . , y
m
uma base ortonormal de Y e x E. Dena z = x y e
y Y por x, y
1
) y
1
+ . . . +x, y
m
) y
m
Y . Ento, x = y + z e z Y
.
i
i
ALinear 2005/12/19 13:25 page 160 #176
i
i
i
i
i
i
160 Estrutura Euclidiana Cap. 8
Temos que y, w) = 0 para todo w Y
.
Suponhamos que Y ,= (Y
e 0 ,= z (Y
(Y
= 0. Absurdo. P
Observao 8.17 A demonstrao dada continua vlida para espaos de dimenso
innita, desde que Y E tenha dimenso nita. Se E tiver dimenso nita,
uma outra prova a seguinte: tomemos uma base ortogonal y
1
, . . . , y
m
de Y
e ento completemos, utilizando Gram-Schmidt, at obter uma base ortogonal
y
1
, . . . , y
m
, w
1
, . . . , w
k
de E. Claramente, temos que Y
x = y + z,
a componente y a projeo ortogonal de x em Y , tambm denotada por
Y
x. A
aplicao
Y
: E Y a projeo ortogonal de E em Y .
Note que a denominao utilizada est de acordo com aquela das Figuras (8.1)
e (8.2).
Teorema 8.19 Seja Y um subespao do espao euclidiano E e x E. Entre todos
os elementos y Y , aquele com menor distncia at x o elemento
Y
x:
|x
Y
x| |x y| y Y. (8.2)
Demonstrao: O Teorema 8.16 garante que xy = (
Y
xy) +z, com z Y
.
Pelo Teorema de Pitgoras,
|x y|
2
= |
Y
x y|
2
+|z|
2
.
Assim, |x y| mnima quando y =
Y
x. P
Exemplo 8.20 (O problema dos quadrados mnimos - 1a. parte) Seja A uma
matriz real m n. Quando um sistema Ax = b no tem soluo, podemos ainda
assim procurar o vetor x tal que A x seja a melhor aproximao possvel para o vetor
b. Esse o problema dos quadrados mnimos.
i
i
ALinear 2005/12/19 13:25 page 161 #177
i
i
i
i
i
i
8.4 Projees Ortogonais 161
A desigualdade (8.2) toma a seguinte forma no problema dos quadrados
mnimos:
|b A x| |b Ax| x R
n
.
Decorre do Teorema 8.19 (aplicado ao subespao imA) que a soluo x do
problema dos quadrados mnimos ortogonal a esse subespao:
b A x, Ay) = 0 y R
n
. (8.3)
Note tambm que, se
b for o ponto mais prximo de b no espao imA, ento
x uma soluo de A x =
b. Essa equao tem pelo menos uma soluo;
vrias solues podem ocorrer quando existirem variveis livres no sistema linear
formado.
Nosso prximo objetivo estudar equaes semelhantes equao (8.3). o
que faremos na prxima seo.
Observao 8.21 Como vimos na Observao 8.13, escolhida uma base B de um
espao de dimenso nita X, por meio da aplicao x [x]
B
K
n
, que associa
a cada ponto de x as suas coordenadas com relao base B, introduzimos um
produto interno em X, relacionado ao produto interno cannico do espao K
n
.
Podemos ento nos perguntar: por que estudar produtos internos arbitrrios em
espaos de dimenso nita? Ou, mais especicamente, por que estudar produtos
internos arbitrrios no espao K
n
?
Podemos responder a essa pergunta considerando, por exemplo, um problema
de quadrados mnimos. Suponhamos que y = (y
1
, . . . , y
n
) seja um vetor formado
ao se considerar n dados y
1
, . . . , y
n
obtidos experimentalmente (por exemplo, a
distncia de algumas galxias Terra). Admitamos que, para i 1, . . . , n, os
dados y
i
no sejam igualmente conveis, isto , que a preciso com que foram
obtidos varie com i; associemos um peso p
i
a esse dado, medindo o quanto esse
convel. Queremos obter uma soluo y = ( y
1
, . . . , y
n
) que aproxime esses dados
levando em conta a preciso com que foram obtidos , com y pertencente a um
subespao X do R
n
(pense em um problema de mximos e mnimos com restries,
no qual so utilizados multiplicadores de Lagrange, por exemplo). Assim, ao invs
de tentarmos minimizar o quadrado dos erros y
i
y
i
:
(y
1
y
1
)
2
+ . . . + (y
n
y
n
)
2
,
i
i
ALinear 2005/12/19 13:25 page 162 #178
i
i
i
i
i
i
162 Estrutura Euclidiana Cap. 8
procuramos minimizar
3
p
2
1
(y
1
y
1
)
2
+. . . + p
2
n
(y
n
y
n
)
2
,
com y = ( y
1
, . . . , y
n
) X.
Nesse caso, estamos substituindo o produto interno cannico do R
n
pelo produto
interno
z, w) = p
2
1
z
1
w
1
+ . . . + p
2
n
z
n
w
n
,
em que z = (z
1
, . . . , z
n
) e w = (w
1
, . . . , w
n
). (Verique que esse realmente
um produto interno em R
n
!) Em outras palavras, muitas vezes somos naturalmente
levados a considerar um produto interno diferente do usual.
8.5 A Adjunta de uma Aplicao Linear
Fixado y E, a aplicao x x, y) uma aplicao linear. Reciprocamente,
temos o importante
Teorema 8.22 (de Representao de Riesz)
Todo funcional linear : E K num espao euclidiano E pode ser escrito
como um produto interno. Mais precisamente, existe um nico y E tal que
(x) = x, y) x E.
Se voc tiver lido o Captulo 2, compare o enunciado anterior com o Teorema
2.4. Existe uma generalizao desse resultado para certos espaos com produto
interno de dimenso innita (os espaos de Hilbert), se supusermos contnua.
4
Veja, contudo, o Exerccio 15.
Demonstrao: Considere uma base ortonormal x
1
, . . . , x
n
E. Se x E, ento
x, x
1
) x
1
+ . . . +x, x
n
) x
n
e
(x) = x, x
1
) (x
1
) + . . . +x, x
n
) (x
n
)
=
x, (x
1
)x
1
_
+ . . . +
x, (x
n
)x
n
_
=
x, (x
1
)x
1
+ . . . +(x
n
)x
n
_
.
Dena y = (x
1
)x
1
+. . . +(x
n
)x
n
. Como x
1
, . . . , x
n
uma base, y nico. P
3
Na Estatstica, os pesos geralmente satisfazem p
i
= 1/
2
i
, em que
i
a varincia. Assim,
menor o peso do dado se a varincia maior.
4
Sim! Em espaos de dimenso innita aplicaes lineares no so necessariamente contnuas.
Veja o apndice F.
i
i
ALinear 2005/12/19 13:25 page 163 #179
i
i
i
i
i
i
8.5 A Adjunta de uma Aplicao Linear 163
Corolrio 8.23 Se E for um espao euclidiano real, a aplicao y um
isomorsmo entre E
= : E R e E.
Em outras palavras, se E for um espao euclidiano real, existe um isomorsmo
cannico entre E e E
. (O espao E
: F E adjunta de
T, se satiszer
Tx, y) = x, T
y) x E, y F.
Lema 8.25 Sejam E, F espaos com produto interno e T : E F uma aplicao
linear. Se existir a adjunta de T, ento ela nica. Alm disso, T
linear.
Demonstrao: Sejam y, z F e K. Ento,
x, T
(y + z)
_
= Tx, y + z) = Tx, y) +
Tx, z) = x, T
y) +x, T
z).
Assim,
x, T
(y + z) T
y T
z
_
= 0.
Escolhendo x = T
(y + z) T
y T
z, conclumos a linearidade de T
. O
mesmo argumento prova sua unicidade. P
Proposio 8.26 Sejam E, F espaos euclidianos. Ento existe a adjunta de uma
aplicao linear T : E F.
Demonstrao: Para todo y F xo, a aplicao x Tx, y) pertence ao dual
E
: F E.
i
i
ALinear 2005/12/19 13:25 page 164 #180
i
i
i
i
i
i
164 Estrutura Euclidiana Cap. 8
A linearidade de T
T(x
1
, y
1
), (x
2
, y
2
)
_
= (ax
1
+ by
1
)x
2
+ (cx
1
+ dy
1
)y
2
= (ax
2
+ cy
2
)x
1
+ (bx
2
+ dy
2
)y
1
=
(x
1
, y
1
), (ax
2
+ cy
2
, bx
2
+ dy
2
)
_
,
de onde conclumos que
[T
]
E
=
_
a c
b d
_
= (T
E
)
t
.
Se a, b, c, d C, considerando C
2
com o produto interno cannico e T : C
2
C
2
dada por
T(x, y) = (ax + by, cx + dy),
ento a representao de sua adjunta com relao base cannica seria a conjugada
da transposta da representao de T com relao base cannica (verique!).
Observao 8.28 O Exerccio 20 generaliza o Exemplo 8.27. Note que, se c for
uma base arbitrria de E e T : E E uma aplicao linear, a relao entre [T]
C
e [T
]
C
bem mais complicada do que a apresentada no exemplo anterior. Veja
tambm o Exerccio 27.
Exemplo 8.29 (O problema dos quadrados mnimos - 2a. parte)
Seja A M
mn
(R). Como vimos no Exemplo 8.20, uma soluo do problema
dos quadrados mnimos obtida ao se resolver a equao (8.3):
b A x, Ay) = 0 y R
n
.
i
i
ALinear 2005/12/19 13:25 page 165 #181
i
i
i
i
i
i
8.5 A Adjunta de uma Aplicao Linear 165
Ora,
b A x, Ay) = 0 y R
n
A
t
A x = A
t
b.
A equao A
t
A x = A
t
b conhecida como equao normal para o problema
dos quadrados mnimos e nos fornece a soluo desse problema. Veja tambm o
Exemplo 11.8.
Proposio 8.30 SejamE, F, Gespaos euclidianos e T, S : E F e R : F G
aplicaes lineares e K. Ento vale:
(i) I
= I;
(ii) (T + S)
= T
+S
;
(iii) (T)
=
T
;
(iv) (RT)
= T
;
(v) (T
= T;
(vi) se F = E e T ou T
= (T
)
1
.
Demonstrao: As provas dos resultados armados so muito semelhantes.
Faremos apenas algumas delas.
(ii) x, (S+T)
y)+x, T
y) =
x, (S
+ T
= S
+ T
.
(v) x, T
y) = T
x, y) = y, T
= I = T
(T
1
)
)
1
anlogo. P
Proposio 8.31 Seja W um subespao invariante pelo operador T : X X.
Ento W
invariante por T
.
Demonstrao: Sejam x W e y W
. Ento 0 = Tx, y) = x, T
y). Assim,
T
y W
. P
A demonstrao simples do prximo resultado est em oposio sua
importncia...
i
i
ALinear 2005/12/19 13:25 page 166 #182
i
i
i
i
i
i
166 Estrutura Euclidiana Cap. 8
Teorema 8.32 Sejam E, F espaos euclidianos e T : E F uma aplicao
linear. Ento vale:
(i) ker T
= (imT)
;
(ii) ker T = (imT
;
(iii) imT
= (ker T)
;
(iv) imT = (ker T
;
(v) posto T = posto T
.
Em particular, vale a decomposio ortogonal
5
E = ker T
imT.
ker T
imT
_
T
_
T
ker T
imT
Figura 8.3:
As aplicaes T e T
y = 0 x, T
y) = 0 x E
Tx, y) = 0 x E y imT.
5
Observe que, em E = ker T
= dim(imT
) = dim(ker T)
imA,
vemos que Ax = b tem soluo se, e somente se, b (ker A
= imA.
O Exemplo 8.34 sugere uma relao entre ker A e ker A
u = v (8.4)
e
Tx = 0, T
u = 0. (8.5)
Ento
i
i
ALinear 2005/12/19 13:25 page 168 #184
i
i
i
i
i
i
168 Estrutura Euclidiana Cap. 8
(i) ou ambas as equaes em (8.4) tm soluo para quaisquer x, y E e
u, v E (Claro que ento ambas as equaes em (8.5) possuem apenas
a soluo trivial.)
(ii) ou as equaes em (8.4) possuem exatamente o mesmo nmero de solues
linearmente independentes. Se x ker T e u ker T
, ento u, y) = 0 e
x, v) = 0.
Demonstrao: Suponhamos que Tx = y tenha soluo para qualquer x, y E.
Isso que dizer que imT = E = ker(T
e, portanto, ker T
= 0.
Do Teorema 8.32 (v) segue-se que dim(ker T) = dim(ker T
, My = y
| = |x y|. (8.7)
Tomando sucessivamente x = 0 e y = 0 em (8.7), obtemos tambm
|x
| = |x|, e |y
| = |y|. (8.8)
Uma vez que
x
, x
) = x
, x
) x
, y
) y
, x
) +y
, y
),
ao elevarmos ao quadrado (8.7) e (8.8), obtemos
x
, y
) +y
, x
|
2
= |z x y|
2
.
Escolhemos ento z = x +y. O lado direito dessa igualdade , ento, nulo. Assim,
temos z
M = I.
Se dimE = dimF, ento essas condies so equivalentes a
(iv) M e M
so isometrias.
Demonstrao: A identidade de polarizao (Lema 8.9) adequada ao caso mostra
(i) (ii).
Para quaisquer x, y E, vale
x, y) = Mx, My) = x, M
My) x, M
My y) = 0.
Escolhendo x = M
M = I decorre que M
1
= M
e, portanto,
MM
= I. Como |x|
2
= x, MM
x) = M
x, M
x) = |M
x|
2
, temos que
M
M ao invs de MM
garante que
M tambm uma isometria. Assim, (iii) (iv).
bvio que (iv) (i). P
Como uma isometria preserva a ortogonalidade, temos imediatamente:
Corolrio 8.39 Sejam E, F espaos euclidianos e M : E F uma isometria.
Ento M transforma conjuntos ortogonais de E em conjuntos ortogonais de F.
i
i
ALinear 2005/12/19 13:25 page 171 #187
i
i
i
i
i
i
8.7 Operadores Lineares 171
Proposio 8.40 Sejam E, F espaos euclidianos de mesma dimenso e M : E
F uma isometria linear. Se esses espaos forem reais, ento det M = 1. No caso
complexo, [ det M[ = 1.
Demonstrao: No caso real, como M
= M
t
e det M
t
= det M, a igualdade
M
= M
t
. Decorre da que det M
= det M
t
= det M = det M. Assim,
det Mdet M = 1, provando o armado. P
O signicado geomtrico da Proposio 8.40 que uma aplicao que preserva
normas tambm preserva volumes. Veja o Exerccio 53.
8.7 Operadores Lineares
Nosso objetivo nesta seo iniciar o estudo de operadores lineares T : E E,
em que E um espao euclidiano.
Denio 8.41 Sejam E um espao euclidiano e T : E E um operador linear.
Dizemos que
(i) T unitrio, se T
T = TT
= I;
(ii) T auto-adjunto, se T
= T;
(iii) T antiauto-adjunto, se T
= T;
(iv) T normal, se T
T = TT
.
A mesma denominao utilizada para as matrizes que representam tais
operadores com relao a uma base ortogonal.
Operadores unitrios tambm so chamados de ortogonais (especialmente se E
for um espao real), enquanto operadores auto-adjuntos tambm so chamados de
hermitianos ou simtricos, essas denominaes sendo empregadas para diferenciar
operadores auto-adjuntos em espaos complexos e reais, respectivamente.
Por esse motivo, as denominaes anti-hermitiano (no caso complexo) e anti-
simtrico (no caso real) so tambm utilizadas para um operador antiauto-adjunto.
Operadores auto-adjuntos, antiauto-adjuntos e unitrios so sempre normais, como
podemos vericar facilmente.
Como vimos na seo anterior, se o operador M : E E for uma isometria,
ento M
= M
1
e M unitrio.
i
i
ALinear 2005/12/19 13:25 page 172 #188
i
i
i
i
i
i
172 Estrutura Euclidiana Cap. 8
Proposio 8.42 Seja T : E E um operador denido no espao complexo com
produto interno E. Ento
Tx, x) = 0 x E T = 0.
Demonstrao: Escolhendo x = u + v, a relao Tx, x) = 0 nos mostra
que Tv, u) + Tu, v) = 0. Mas, se escolhermos x = u + iv, obtemos
iTv, u) iTu, v) = 0. Assim,
Tv, u) = Tu, v) = Tv, u).
Assim, Tv, u) = 0 para qualquer escolha de u e v, de onde segue-se que T = 0. P
Proposio 8.43 Seja H : E E um operador denido no espao euclidiano E.
Ento vale:
(i) Se H = H
.
Demonstrao: Se H = H
, ento
Hx, x) = x, Hx) = Hx, x),
mostrando que Hx, x) R. Reciprocamente, Hx, x) = Hx, x) = x, Hx) =
H
x, x) implica (H H
x, y).
Assim,
0 = Tx, y) +T
x, y) =
(T T
)x, y
_
x, y E.
Da decorre imediatamente que T = T
.
Reciprocamente, se T = T
, ento
Tx, x) = x, T
Tx, x) = TT
x, x) = T
x, T
x) = |T
x|
2
.
Reciprocamente, de |Tx| = |T
x, x) = T
Tx, x)
(TT
T)x, x
_
= 0 x E.
Como TT
= T
T,
provando que T normal.
Quanto decomposio ortogonal, decorre imediatamente de |Tx| = |T
x|
que ker T = ker T
, dada
por
|x|
= max
1in
[x
i
[.
De fato, denindo := |e
1
|
0
+ . . . +|e
n
|
0
, temos, para todo x X,
|x|
0
= |x
1
e
1
+ . . . + x
n
e
n
|
0
n
i=1
[x
i
[ |e
i
|
0
|x|
.
Isso mostra que a aplicao f : (K
n
, | |
) R
+
dada por f(x) = |x|
0
contnua, atingindo, portanto, um mnimo emS := x K
n
[ |x|
= 1. Temos
que > 0, pois | |
0
uma norma. Assim, se 0 ,= x X, temos (x/|x|
) S e
_
_
_
_
x
|x|
_
_
_
_
0
|x|
|x|
0
,
o que mostra que so equivalentes as normas | |
e | |
0
. P
i
i
ALinear 2005/12/19 13:25 page 175 #191
i
i
i
i
i
i
8.8 Norma de Matrizes 175
Corolrio 8.48 Todo operador linear T : K
n
K
n
contnua.
Demonstrao: De fato, se x = (x
1
, . . . , x
n
) K
n
, ento Tx =
n
i=1
x
i
Te
i
e,
portanto,
|Tx| |x|
sum
,
em que := max
1in
|Te
i
| e |x|
sum
:=
n
i=1
[x
i
[. Tomando x = z w,
como todas as normas no K
n
so equivalentes, mostramos que T (uniformemente)
contnuo. P
Denio 8.49 Seja A M
nn
(K) e | | uma norma no K
n
. Denimos
|A| = max
x=1
|Ax|.
Chamamos |A| de norma da matriz A.
Decorre imediatamente da denio que |Ax| |A| |x| para todo x K
n
.
O prximo resultado garante que a norma de uma matriz realmente uma norma
no espao M
nn
(K) de todas as matrizes n n.
Proposio 8.50 Seja A : K
n
K
n
a aplicao linear dada pela matriz A
M
nn
(K). Ento
(i) A aplicao | | : M
nn
(K) [0, ) uma norma;
(ii) |AB| |A| |B| para quaisquer A, B M
nn
(K);
(iii) |A| = max
x=1=y
Ax, y)
.
Demonstrao: Claramente |A| 0 e |A| = 0 se, e somente se, Ax = 0 para
todo x ,= 0. Alm disso
|A| = max
x=1
|Ax| = max
x=1
[[ |Ax| = [[ max
x=1
|Ax| = [[ |A|.
Finalmente,
|A +B| = max
x=1
|(A + B)x| max
x=1
_
|Ax| +|Bx|
_
max
x=1
|Ax| + max
x=1
|Bx| = |A| +|B|,
i
i
ALinear 2005/12/19 13:25 page 176 #192
i
i
i
i
i
i
176 Estrutura Euclidiana Cap. 8
completando a prova de (i).
Como |(AB)x| = |A(Bx)| |A| |Bx| |A| |B| |x|, (ii) est provado.
Para mostrar (iii), armamos que
|x| = sup
y=1
x, y)
.
Para provar nossa armao, notamos que
x, y)
Ax, y)
.
P
8.9 Exerccios
1. Seja | | uma norma no espao E. Mostre que |0| = 0.
2. Seja E um espao euclidiano complexo. D um exemplo mostrando que a
validade do Teorema de Pitgoras no implica que x y.
3. Seja E um espao com o produto interno , ). Demonstre a desigualdade de
Cauchy-Schwarz da seguinte maneira: para x, y E, desenvolva a expresso
0 x ty, x ty). Escolhendo = x, y). obtenha um trinmio
do segundo grau com coecientes reais. Analise esse trinmio e obtenha a
desigualdade de Cauchy-Schwarz.
4. Seja C([a, b], K) o espao das funes contnuas f : [a, b] K. Mostre que
f, g) :=
_
b
a
f(t)g(t)dt
dene um produto interno nesse espao.
5. Para u = (x
1
, y
1
) R
2
e v = (x
2
, y
2
) R
2
, dena u, v) = 2x
1
x
2
x
1
y
2
x
2
y
1
+ 2y
1
y
2
. Mostre que est assim denido um produto interno em R
2
.
6. Seja E um espao com produto interno e A : X E um isomorsmo entre o
espao vetorial X e E. Para x, y X dena x, y) := Ax, Ay). Mostre que
est assim denido um produto interno em X. (Compare com a Observao
8.8.)
i
i
ALinear 2005/12/19 13:25 page 177 #193
i
i
i
i
i
i
8.9 Exerccios 177
7. Seja E um espao normado que satisfaz a identidade do paralelogramo.
Denindo , ) : E E K por meio da identidade de polarizao
conveniente, mostre que , ) um produto interno em E e que a norma de E
gerada por esse produto interno.
8. Considere agora o espao C([, ], R) com o produto interno denido no
Exerccio 4. Mostre que o conjunto
X := 1, sen t, cos t, sen 2t, cos 2t, . . .
um conjunto ortogonal.
9. Considere ento o espao vetorial C([1, 1], R) com o produto interno
denido no Exerccio 4. Seja T C([1, 1], R) o subespao formado por
todas as funes pares e 1 C([1, 1], R) o subespao formado por todas
as funes mpares. Mostre que 1 = T
.
10. Seja E um espao com produto interno. Interprete geometricamente a
desigualdade de Cauchy-Schwarz emtermos de normas dos vetores no-nulos
y e proj
x
y.
11. Seja R[t] o espao vetorial de todos os polinmios com coecientes em
R. Nesse espao, considere o produto interno denido em C([1, 1], R).
Verique que
X = 1, t, t
2
, . . .
uma base desse espao. Encontre os 4 primeiros termos da base p
1
, p
2
, . . .
obtida ao se aplicar o processo de ortogonalizao de Gram-Schmidt base
X. Os polinmios p
n
(t) so os polinmios de Legendre, que so teis no
estudo de equaes diferenciais.
12. No processo de Gram-Schmidt, passe de uma base arbitrria u
1
, . . . , u
n
do
espao euclidiano E para uma base ortogonal x
1
, . . . , x
n
sem normalizar
os vetores ortogonais em cada passo do processo. Verique que 0 |x
i
|
|u
i
| para todo i = 1, . . . , n. Prove que |x
i
| = 0 implica que u
i
est no
espao gerado por u
1
, . . . , u
i1
, enquanto |x
i
| = |u
i
| signica que u
i
ortogonal a cada vetor x
j
, para j = 1, . . . , i 1.
13. Sejam E um espao com produto interno e w
1
, . . . , w
m
uma base
ortonormal do subespao W. Mostre que, para todo v E, vale a
i
i
ALinear 2005/12/19 13:25 page 178 #194
i
i
i
i
i
i
178 Estrutura Euclidiana Cap. 8
desigualdade de Bessel
m
j=1
[v, w
j
)[
2
|v|
2
.
14. Sejam W
1
, W
2
subespaos do espao com produto interno E. Mostre que
(W
1
+ W
2
)
= W
1
W
2
e (W
1
W
2
)
= W
1
+ W
2
.
15. Seja
0
o espao de todas as seqncia (x
i
) com x
i
= 0 exceto talvez para um
nmero nito de ndices.
(a) Verique que e
1
, . . . , e
n
, . . . uma base de
0
, em que e
i
a seqncia
cujo i-simo elemento igual a 1, os restantes sendo todos nulos. Dado
x
0
, temos que existe m = m(x) Ntal que x =
1
e
1
+. . .+
m
e
m
.
(b) Dena e
i
, e
j
) =
ij
, com
ij
= 0, se i ,= j e
ii
= 0. Estenda
linearmente para os elementos de
0
e verique que est, assim, denido
um produto interno em
0
.
(c) Considere f :
0
K denido por
f(x) = f(
1
e
1
+ . . . +
m
e
m
) =
1
+
2
2
+ . . . +
m
m
.
Mostre que no existe v
0
tal que f(x) = x, v) para todo x
0
.
(Esse contra-exemplo uma adaptao daquele apresentado em [1].)
16. Prove o Corolrio 8.23. O que acontece se E for um espao complexo?
17. Consideremos o espao
0
, introduzido no Exerccio 15. Se x
0
, ento x =
1
e
1
+. . . +
m
e
m
para nicos escalares
1
, . . . ,
m
, em que m = m(x) N
depende de x. Dena T :
0
0
por
T(
1
e
1
+ . . . +
m
e
m
) = (
1
+ . . . +
m
)e
1
.
Mostre que T no possui adjunta. (Exemplo presente em [1].)
18. Considere o espao de polinmios R[t] como no Exerccio 11. Seja D :
R[t] R[t] denido por Dp = p
q).
i
i
ALinear 2005/12/19 13:25 page 179 #195
i
i
i
i
i
i
8.9 Exerccios 179
19. Seja E um espao euclidiano e B = v
1
, . . . , v
n
uma base qualquer desse
espao. Dena g
ij
= v
i
, v
j
). Se u =
1
v
1
+ . . . +
n
v
n
e v =
1
v
1
+ . . . +
n
v
n
, mostre que vale
u, v) =
n
i,j=1
g
ij
j
. (8.10)
Verique ento que a matriz G = (g
ij
) hermitiana e positiva denida, isto
,
[u]
t
B
G[ u]
B
> 0 0 ,= u E.
Reciprocamente, mostre que, se G for uma matriz hermitiana e positiva
denida, ento (8.10) dene umproduto interno
6
emE. Amatriz G a matriz
de Gram dos vetores v
1
, . . . , v
n
. Tambm se denota G = G(v
1
, . . . , v
n
).
20. SejamB = v
1
, . . . , v
n
e c = w
1
, . . . , w
m
bases ortonormais dos espaos
euclidianos E e F, respectivamente. Seja T : E F uma aplicao linear.
Mostre que, para i 1, . . . , m e j 1, . . . , n,
T
C
B
= A = (a
ij
), em que a
ij
= w
i
, T(v
j
)).
Conclua que (T
)
B
C
= B = (b
ij
), em que b
ij
= a
ji
, generalizando assim o
Exemplo 8.27.
21. SejamE, F espaos euclidianos. Dadas as aplicaes S, T /(E, F), dena
S, T) = tr (ST
).
Mostre que assimest denido umproduto interno em/(E, F). Se A = (a
ij
)
e B = (b
ij
) forem, respectivamente, as matrizes de S e T com relao a bases
ortonormais de E e F, mostre que
A, B) =
i,j
a
ij
b
ij
.
22. Considere o espao C([0, ], R) com o produto interno denido no Exerccio
4 e seu subespao R
2
[t]. Tome o funcional linear : R
2
[t] R dado por
(p) = p(t), sen t).
6
Veja tambm os Exerccios 23 e 24 do Captulo 9 para a relao entre produtos internos e
matrizes.
i
i
ALinear 2005/12/19 13:25 page 180 #196
i
i
i
i
i
i
180 Estrutura Euclidiana Cap. 8
Ache q R
2
[t] tal que
(p) = p(t), q(t)) p R
2
[t].
23. Considere o espao C([, ], R) com o produto interno denido no
Exerccio 4 e seu subespao R
5
[t]. Ache p R
5
[t] de modo que
_
[sen t p(t)[
2
dt
assuma o menor valor possvel. Compare as aproximaes de sen t obtidas
por meio desse polinmio e da srie de Maclaurin de sen t.
24. Ache a, b, c R de forma a minimizar o valor da integral
_
1
1
[x
3
ax
2
bx c[
2
dx.
25. Seja T : E E um operador denido no espao euclidiano real E. Mostre
que
T
C
(u +iv) = T
u + iT
v
e, em particular, que a complexicao de um operador normal
(respectivamente, auto-adjunto e antiauto-adjunto) um operador normal
(respectivamente, auto-adjunto e antiauto-adjunto).
26. Considere a matriz P = (v
1
v
2
. . . v
n
) cujas colunas so os vetores
v
1
, v
2
, . . . , v
n
de uma base ortonormal do K
n
. Mostre que PP
= P
P =
I.
27. Em R
3
verique que
(x
1
, x
2
, x
3
), (y
1
, y
2
, y
3
)
_
= 2x
1
y
1
+ 3x
2
y
2
+ 4x
3
y
3
dene um produto interno. Encontre a adjunta da aplicao linear T dada por
T
_
_
x
y
z
_
_
=
_
_
1 0 1
2 1 3
3 1 4
_
_
_
_
x
y
z
_
_
com relao a esse produto interno.
i
i
ALinear 2005/12/19 13:25 page 181 #197
i
i
i
i
i
i
8.9 Exerccios 181
28. Seja T : X X um operador sobre o espao euclidiano X. Suponha que
Tv = v e T
= T
[
F
.
Assim, a restrio de um operador normal (respectivamente, auto-adjunto
ou antiauto-adjunto) a um subespao invariante tanto por T como por T
normal (respectivamente, auto-adjunto ou antiauto-adjunto).
30. Sejam E um espao euclidiano e : E E uma projeo. Mostre que
uma projeo ortogonal (isto , ker = (im)
for sobrejetora;
(b) T sobrejetora se, e somente se, T
for injetora.
34. Sejam E, F espaos euclidianos e T : E F uma aplicao linear. Mostre
que T
T : E E e TT
: F F tm o mesmo posto de T (e de T
).
35. Seja E um espao com produto interno e , E vetores xos. Mostre que
Tx = x, ) dene uma aplicao linear em E. Mostre que T
existe e
obtenha sua expresso.
36. Um isomorsmo dos espaos com produto interno E e F uma bijeo linear
T : E F que satisfaz, adicionalmente, Tx, Ty) = x, y), para todos
x, y E (isto , T uma isometria).
i
i
ALinear 2005/12/19 13:25 page 182 #198
i
i
i
i
i
i
182 Estrutura Euclidiana Cap. 8
Seja T : E F uma aplicao linear entre os espaos euclidianos E e F,
com dimE = dimF. Mostre que as seguintes armaes so equivalentes:
(a) T preserva o produto interno;
(b) T um isomorsmo (de espaos com produto interno);
(c) T leva toda base ortonormal de E em base ortonormal de F;
(d) T leva alguma base ortonormal de E em uma base ortonormal de F.
Sejam B e c bases ortonormais de E e F, respectivamente. Mostre tambm
que T
C
B
uma matriz ortogonal (unitria) se, e somente se, T for uma
isometria.
37. Sejam E, F espaos euclidianos e f : E F uma aplicao que preserva
produto interno. Mostre que f linear.
38. Seja E um espao euclidiano complexo. D exemplo de uma isometria
M : E E, com M(0) = 0, que no linear.
39. Seja E um espao com produto interno. D exemplo de uma aplicao
M : E E tal que M
M = I, mas MM
,= I.
40. Sejam E, F espaos euclidianos e M : E F uma isometria linear. D uma
interpretao para MM
.
41. Sejam T : E E um operador e m o polinmio mnimo de T. Mostre que
o polinmio mnimo de T
com
respeito a
f r.
42. Seja T : E E um operador linear no espao euclidiano E. Mostre que
nem sempre existe um polinmio p tal que T
= p(T).
43. Seja A M
nn
(K). Suponha que A
= A. Mostre que e
A
ortogonal (ou
unitria).
44. Sejam E, F dois espaos com produto interno. Considere a soma direta
E F denida no Exerccio 37 do Captulo 1. Mostre que E F um
espao com produto interno se denirmos
(x
1
, y
1
), (x
2
, y
2
)
_
= x
1
, x
2
) +y
1
, y
2
).
i
i
ALinear 2005/12/19 13:25 page 183 #199
i
i
i
i
i
i
8.9 Exerccios 183
Mostre tambm que o grco de uma aplicao linear T : E F um
subespao de E F.
45. Considere o espao com produto interno E F, tal qual no Exerccio 44.
(a) Dena U : E F F E por U(x, y) = (y, x). Mostre que U
U e UU
.
(b) Se T : E E possuir adjunta T
?
46. Considere z = (z
1
, . . . , z
n
) K
n
e dena
|z|
= max
1in
[z
i
[,
|z|
sum
= |z
1
| + . . . +|z
n
|
|z| =
z
1
z
1
+ . . . + z
n
z
n
.
Mostre que | |
, | |
sum
e | | so normas em K
n
. Mostre tambm que
|z|
|z| |z|
sum
n|z|
.
47. Seja A M
nn
(K). Mostre que |A| = |A
| e |A
A| = |A|
2
.
48. Seja A M
nn
(K). Se A for normal, mostre que |A
2
| = |A|
2
.
49. Considere que E = K
n
e resolva os Exerccios 7 e 8 do Apndice F.
50. Aceite o fato que todo espao vetorial possui uma base (um resultado que
demonstrado utilizando-se o lema de Zorn). Mostre ento que todo espao
vetorial possui um produto interno e, portanto, uma norma.
Denio 8.51 Sejam v
1
, . . . , v
r
vetores em K
n
. O conjunto
x
1
v
1
+ . . . +x
r
v
r
com 0 x
i
1 i = 1, . . . , r
o paraleleppedo T = T(v
1
, . . . , v
r
) gerado por v
1
, . . . , v
r
. Denimos
indutivamente o volume (r-dimensional) do paraleleppedo por vol(T(v
1
)) =
|v
1
| e, supondo denido o volume do paraleleppedo gerado por k 1 vetores,
denimos vol (T(v
1
, . . . , v
k
)) = |h| vol(T(v
2
, . . . , v
k
)), em que |h| a altura
do paraleleppedo, isto , se w for a projeo de v
1
sobre o espao gerado por
v
2
, . . . , v
k
, ento h = v
1
w.
i
i
ALinear 2005/12/19 13:25 page 184 #200
i
i
i
i
i
i
184 Estrutura Euclidiana Cap. 8
51. Dado um conjunto arbitrrio v
1
, . . . , v
k
do espao euclidiano E de
dimenso n, considere a matriz A, k n, cujas linhas so as coordenadas
de v
i
com relao a uma base ortogonal B de E:
A =
_
_
_
[v
1
]
t
B
.
.
.
[v
k
]
t
B
_
_
_
.
(a) Mostre que AA
y) dene um forma em E.
Denotaremos por o(X) o conjunto das formas emX. (No caso real, esse espao
usualmente denotado por /
2
(X).) O espao o(X) um espao vetorial com as
denies usuais de soma de funes e multiplicao de funo por escalar (veja o
Exerccio 1).
Concentraremos nossa ateno no caso em que X um espao euclidiano.
Nesses espaos, formas esto intrinsecamente ligadas a operadores, relao j
sugerida pelo Exemplo 9.3:
Teorema 9.4 Sejam E um espao euclidiano e B uma forma em E. Ento, existe
um nico operador linear S : E E tal que, para quaisquer x, y E,
B(x, y) = x, S
y) = Sx, y).
A forma B auto-adjunta (respectivamente, antiauto-adjunta) se, e somente se,
S
= S (resp., S
= S).
Demonstrao: Fixado y E, a aplicao
y
: E K denida por
y
(x) =
B(x, y) um funcional linear emE. Pelo Teorema de Representao de Riesz 8.22,
existe um nico vetor w
y
E tal que B(x, y) =
y
(x) = x, w
y
) para todo x E.
Denimos, ento, S
: E E por S
y = w
y
, ou seja, B(x, y) = x, S
y).
Armamos que S
linear. De fato,
x, S
(y
1
+ y
2
)) = B(x, y
1
+ y
2
) = B(x, y
1
) + B(x, y
2
)
= x, S
y
1
) +x, S
y
2
) = x, S
y
1
+S
y
2
).
A unicidade de S
clara: se x, S
y) = B(x, y) = x, R
= R
.
Para x, y E arbitrrios, temos
B(x, y) = B(y, x) Sx, y) = Sy, x) Sx, y) = x, Sy)
i
i
ALinear 2005/12/19 13:25 page 188 #204
i
i
i
i
i
i
188 Formas Sesquilineares e Quadrticas Cap. 9
e
B(x, y) = B(y, x) Sx, y) = Sy, x) Sx, y) = x, Sy). P
O resultado anterior mostra que a denominao de forma auto-adjunta e
antiauto-adjunta est em conformidade com propriedades dos operadores S; assim,
outras denominaes empregadas para descrever propriedades de S tambm so
aplicadas a uma forma.
Corolrio 9.5 Seja E um espao euclidiano. Ento o(E), o espao das formas em
E, canonicamente isomorfo a /(E, E), o espao dos operadores em E.
Demonstrao: O Teorema 9.4 garante que, dada uma forma B o(E), existe um
operador S : E E tal que B(x, y) = Sx, y).
Denotamos T
B
= S, isto , B(x, y) = T
B
x, y). Armamos que a aplicao
B T
B
um isomorsmo cannico entre o(E) e /(E, E). De fato,
T
(B
1
+B
2
)
x, y) = (B
1
+ B
2
)(x, y) = B
1
(x, y) + B
2
(x, y)
= T
B
1
x, y) + T
B
2
x, y) = (T
B
1
+ T
B
2
)x, y).
A unicidade da aplicao S tal que B(x, y) = Sx, y) garante que B T
B
injetora. Essa aplicao tambm sobrejetora: dado o operador T : E E,
claramente B(x, y) = Tx, y) dene uma forma em E. P
Por conseguinte, se dimE = n, deduzimos da que dim(o(E)) = n
2
, que a
dimenso de /(E, E). Mas, dada a forma B, como determinar o operador S?
Corolrio 9.6 Dada uma base ortonormal B = v
1
, . . . , v
n
do espao euclidiano
E, associamos forma B a matriz A = (a
ij
) que representa S
v
j
).
Essa matriz a representao de B na base B.
Se [x]
B
= (x
1
x
2
. . . x
n
)
t
e [y]
B
= (y
1
y
2
. . . y
n
)
t
forem, respectivamente, as
representaes de x e y na base B, ento
B(x, y) = x, S
y)= [x]
t
B
A[y]
B
= (x
1
x
2
. . . x
n
)
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
. (9.1)
i
i
ALinear 2005/12/19 13:25 page 189 #205
i
i
i
i
i
i
9.1 Formas Sesquilineares e Bilineares 189
Demonstrao: A matriz A que representa S
v
1
]
B
[S
v
2
]
B
[S
v
n
]
B
).
Se S
v
j
= a
1j
v
1
+. . . + a
nj
v
n
, ento a
ij
= B(v
i
, v
j
) = v
i
, S
v
j
).
Como B e a expresso matricial em (9.1) coincidem nos vetores da base B, a
prova est completa. P
Observao 9.7 Vericamos assim que, em espaos euclidianos, o Exemplo 9.3
absolutamente geral: todas as formas so como naquele exemplo. Note tambm
que o produto interno cannico no K
n
corresponde ao caso em que a matriz A a
identidade. (O Exerccio 19 do Captulo 8 d condies para que uma forma seja
um produto interno.)
Em qualquer espao de dimenso nita X, possvel associar uma matriz a uma
forma. Escolhida uma base arbitrria x
1
, . . . , x
n
para X, a forma B : XX K
caracterizada pelos n
2
nmeros a
ij
:= B(x
i
, x
j
) e a matriz A = (a
ij
) representa
B com essa base, com B(x, y) = [x]
t
B
A[y]
B
. (Veja o Exerccio 10. Compare,
porm, com a Observao 8.13.) Em espaos euclidianos, essas duas maneiras de
associar formas a matrizes (isto , a que acabamos de denir e aquela apresentada
no texto, como representao do operador S
AQ) [y]
B
.
(x)(h, k) = h
t
H
x
k,
i
i
ALinear 2005/12/19 13:25 page 190 #206
i
i
i
i
i
i
190 Formas Sesquilineares e Quadrticas Cap. 9
A matriz H
x
a hessiana de f no ponto x. A forma quadrtica q
x
(h) :=
f
(x)(h, h) = h
t
H
x
h aparece no desenvolvimento de Taylor de f:
f(x + h) = f(x) +
1
1!
f
(x)h +
1
2!
q
x
(h) + r(h),
em que r(h) denota o resto de Taylor.
9.2 Diagonalizao de Formas Quadrticas
Denio 9.10 Sejam E um espao euclidiano e B o(E) uma forma. A
aplicao q : E K, dada por q(v) = B(v, v), chamada forma quadrtica.
Se B for auto-adjunta, dizemos que q simtrica (no caso real) ou hermitiana
(no caso complexo).
Se B = v
1
, . . . , v
n
for uma base ortonormal em E e x = x
1
v
1
+ . . . + x
n
v
n
,
de acordo com (9.1) toda forma quadrtica q(x) pode ser escrita como
q(x) =
n
i,j=1
a
ij
x
i
x
j
. (9.2)
Se denotarmos por Q : E K
n
a aplicao x [x]
B
, vemos que a forma
quadrtica q : E R induz uma forma quadrtica q
B
denida no K
n
, dada
pela expresso matricial (9.2) e representada pelo diagrama (I denota a aplicao
identidade, como sempre):
q
E K
Q I
K
n
K
q
B
Na seqncia, identicaremos repetidamente q com q
B
.
Comeamos tratando as formas quadrticas denidas em espaos euclidianos
reais. Nesse caso, podemos supor que a aplicao A : E E (e, conseqen-
temente, a forma quadrtica q) seja simtrica. De fato, temos que (A + A
=
A + A
. O operador
A + A
2
i
i
ALinear 2005/12/19 13:25 page 191 #207
i
i
i
i
i
i
9.2 Diagonalizao de Formas Quadrticas 191
a parte auto-adjunta do operador A. Temos que
q(x) = x, Ax) =
_
x,
A + A
2
x
_
.
Como vimos, a forma quadrtica q : E R induz uma forma quadrtica no
R
n
, dada por sua expresso matricial numa base ortonormal de E. Assim, podemos
considerar que q seja uma forma quadrtica denida no R
n
.
Teorema 9.11 (Lagrange)
Seja E um espao euclidiano real de dimenso n. Dada uma forma quadrtica
simtrica q : E R, possvel fazer uma mudana de coordenadas linear Lx = y
(isto , existe uma matriz mudana de base L) de modo que, na nova varivel y, a
forma quadrtica q seja diagonal, isto ,
q(L
1
y) =
n
i=1
d
i
y
2
i
. (9.3)
Demonstrao: Seja q(x) = x, Ax), a matriz A = (a
ij
) sendo simtrica. (Note
que isso signica que estamos identicando a forma com sua expresso matricial.)
Se todos os termos a
ij
forem nulos, q j diagonal.
Suponhamos que todos os termos diagonais de q sejam nulos, mas que exista
um termo a
ij
diferente de zero, digamos a
12
= a
21
,= 0. De acordo com (9.2), o
nico termo de q envolvendo apenas x
1
e x
2
2a
12
x
1
x
2
.
Fazendo a mudana de varivel linear x
1
= w
1
+ w
2
, x
2
= w
1
w
2
,
x
3
= w
3
, . . . , x
n
= w
n
, obtemos que os termos envolvendo apenas w
1
e w
2
so
a
12
w
2
1
a
12
w
2
2
.
Assim, mostramos que podemos supor, sem perda de generalidade, que q possua
um termo diagonal diferente de zero.
Suponhamos ento que a
11
,= 0. Agrupamos os termos contendo x
1
:
a
11
x
2
1
+ 2
n
j=2
a
1j
x
1
x
j
.
i
i
ALinear 2005/12/19 13:25 page 192 #208
i
i
i
i
i
i
192 Formas Sesquilineares e Quadrticas Cap. 9
Logo, podemos escrever esses termos como
a
11
_
x
1
+
1
a
11
n
j=2
a
1j
x
j
_
2
1
a
11
_
n
j=2
a
1j
x
j
_
2
Fazendo a mudana de varivel linear y
1
= x
1
+
a
21
a
11
x
2
+ . . . +
a
n1
a
11
x
n
, y
2
=
x
2
, . . . , y
n
= x
n
, conclumos que
q(x
1
, . . . , x
n
) = a
11
y
2
1
+q
2
(y
2
, . . . , y
n
),
Tendo diagonalizado o termo em y
1
, repetimos ento o processo com a forma
quadrtica q
2
. P
Exemplo 9.12 Aplicaremos a demonstrao do Teorema 9.11 forma quadrtica
q(x, y, z) = 2x
2
3y
2
+z
2
2xy + 4xz 4yz.
(Identique a passagem correspondente na demonstrao do teorema.)
Os termos que envolvem a varivel x so 2x
2
2xy + 4xz = 2(x
2
xy +
2xz) = 2[x
2
x(2z y)]. Completando o quadrado, obtemos x
2
x(2z y) =
[x (2z y)/2]
2
(2z y)
2
/4.
Efetuamos, ento, a mudana de varivel w = x (2z y)/2 = x z + y/2.
Segue-se da que
q(x, y, z) = 2w
2
(2z y)
2
2
3y
2
+z
2
4yz = 2w
2
7
2
y
2
z
2
2yz =: q
1
(w, y, z).
Separando os termos que envolvem y, repetimos o processo: 7y
2
/2 2yz =
7/2(y
2
+ (4/7)yz). Completando o quadrado, y
2
+ (4/7)yz = (y + (2/7)z)
2
(4/49)z
2
. Fazemos ento a mudana de varivel v = y + (2/7)z. Assim,
q
1
(w, y, z) = 2w
2
7
2
v
2
+
2
7
z
2
z
2
= 2w
2
7
2
v
2
5
7
z
2
=: q
2
(w, v, z).
Se quisermos, ainda podemos fazer a mudana de varivel r = w/
2, s =
(
2/
7)v e t = (
7/
AM = D, (9.5)
sendo D uma matriz diagonal.
i
i
ALinear 2005/12/19 13:25 page 194 #210
i
i
i
i
i
i
194 Formas Sesquilineares e Quadrticas Cap. 9
Demonstrao: Considerada a mudana de varivel linear Lx = y que diagonaliza
a forma quadrtica hermitiana (simtrica) q(x) = x, Ax), seja M = L
1
. Ento
x = My e
q(x) = x, Ax) = My, AMy) = y, M
AMy).
Claramente, q tem a forma (9.4) (ou (9.3), respectivamente) se, e somente se,
M
AM for uma matriz diagonal. Isso prova que os Teoremas 9.11 e 9.14 so
equivalentes. P
Em muitas aplicaes importante utilizar mudanas de coordenadas tais que
os comprimentos euclidianos da velha varivel e da nova sejam o mesmo, isto ,
|v|
2
= |z|
2
.
Em termos da expresso matricial v = Mz, isso signica que M uma
isometria. Assim, de acordo com o Teorema 8.38, M deve satisfazer M
M = I.
Um dos resultados mais importantes da Matemtica garante que, dada uma
forma quadrtica q, possvel diagonaliz-la por meio de uma mudana isomtrica
de coordenadas. Em outras palavras, de modo que tanto (9.5) como M
M = I
sejam satisfeitas. Veremos isso no prximo captulo!
9.3 A Lei da Inrcia
Se q for uma forma quadrtica hermitiana, notamos que a Proposio 8.43
garante que q(x) R para todo x E.
Denio 9.15 Dizemos que a forma quadrtica hermitiana (simtrica) q
positiva denida (respectivamente, positiva semidenida) em um subespao Y
E, se q(x) > 0 (resp., q(x) 0) para todo 0 ,= x Y . Se Y = E, dizemos apenas
que q positiva denida (resp., positiva semidenida).
De maneira anloga, denimos quando q negativa denida, negativa
semidenida etc.
Se existirem pontos x, y E tais que q(x) > 0 e q(y) < 0, a forma q
indenida.
Note que, escolhida uma base ortonormal B para o espao E, a forma q
positiva denida se, e somente se, a matriz A
B
for uma matriz positiva denida,
tal qual denido no Exerccio 19 do Captulo 8. (Veja tambm o Exerccio 20 deste
Captulo.) Assim, podemos falar de matriz positiva semidenida, negativa denida
etc.
i
i
ALinear 2005/12/19 13:25 page 195 #211
i
i
i
i
i
i
9.3 A Lei da Inrcia 195
Teorema 9.16 (Lei da Inrcia Sylvester)
Independente da escolha da mudana linear de variveis que diagonaliza uma
forma quadrtica simtrica (hermitiana) q, o nmero de termos positivos, negativos
e nulos entre os coecientes d
i
sempre o mesmo.
Demonstrao: Suponhamos que por meio da mudana linear de variveis Lx = z,
a forma quadrtica se escreva como
q(L
1
z) = d
1
[z
1
[
2
+. . . + d
n
[z
n
[
2
. (9.6)
Denotamos por p
+
, p
e p
0
o nmero de termos positivos, negativos e nulos em
(9.6), respectivamente.
Armamos que a dimenso do maior subespao de Y V no qual q positiva
denida p
+
:
p
+
= max dimY, q positiva em Y.
Similarmente, armamos que a dimenso do maior subespao Z V no qual q
negativa-denida p
:
p
.
Desse modo garantimos que os nmeros p
+
, p
e p
0
podem ser denidos em
termos de q, independente das coordenadas que colocam q na forma diagonal. Uma
vez que p
+
+ p
+ p
0
= n, isso completa a demonstrao. P
Observao 9.17 A Lei da Inrcia tem uma conseqncia importante: ela implica
que a natureza de um ponto crtico no alterada, se for feita uma mudana de
varivel linear no problema considerado. Assim, um ponto de sela continua sendo
um ponto de sela aps qualquer mudana de coordenadas linear.
i
i
ALinear 2005/12/19 13:25 page 196 #212
i
i
i
i
i
i
196 Formas Sesquilineares e Quadrticas Cap. 9
9.4 Exerccios
1. Seja X um espao vetorial. Mostre que o espao das formas o(X) um
espao vetorial com as denies usuais de soma de funes e multiplicao
de funo por escalar.
2. Seja B uma forma no espao vetorial X. Mostre que vale a identidade
q
B
(x +y) + q
B
(x y) = 2
_
q
B
(x) + q
B
(y)
_
,
que generaliza a identidade do paralelogramo.
3. Sejam X um espao vetorial real e B o(X). Verique a igualdade
B(x, y) +B(y, x) =
1
2
_
q
B
(x + y) q
B
(x y)
. (9.8)
(Essa identidade nos mostra que, se a forma B : X X R for simtrica,
ento o lado esquerdo da equao nos fornece uma expresso para B em
termos de q.)
4. Seja B : R
2
R
2
R denida por
B(x, y) = 3x
1
y
1
2x
1
y
2
+ 5x
2
y
1
+ 7x
2
y
2
,
em que x = (x
1
, x
2
) e y = (y
1
, y
2
).
(a) Mostre que B uma forma bilinear que no simtrica. Obtenha a
forma quadrtica associada a B;
(b) Dena
1
B(x, y) =
1
4
_
q
B
(x + y) q
B
(x y)
.
Mostre que
B uma forma bilinear simtrica, que no coincide com B,
mas qual tambm est associada a forma quadrtica q
B
.
5. D exemplo de uma forma bilinear qual est associada uma forma
quadrtica identicamente nula.
1
Compare com o Exerccio 3.
i
i
ALinear 2005/12/19 13:25 page 197 #213
i
i
i
i
i
i
9.4 Exerccios 197
6. Seja X um espao vetorial complexo e B o(X). Mostre a identidade de
polarizao:
B(x, y) =
1
4
[q(x + y) q(x y)] +
i
4
[q(x + iy) q(x iy)].
Se X for real e B for simtrica, ento vale:
B(x, y) =
1
4
[q(x + y) q(x y)].
(Note que as identidades de polarizao dadas pelo Lema 8.9 so casos
particulares das identidades anteriores.)
Assim, dada uma forma quadrtica q, denida num espao complexo X,
sempre conseguimos recuperar a forma B o(X) que a dene. Se X for
um espao real, esse resultado s vlido se soubermos que B uma forma
simtrica. (Compare com o Exerccio 4.)
7. Seja E um espao euclidiano complexo. Mostre que uma forma sesquilinear
B o(E) hermitiana se, e somente se, a forma quadrtica q(x) = B(x, x)
for real para todo x E.
8. Sejam X um espao vetorial e B : X X K uma forma positiva
semidenida. Mostre que q
B
(y) = 0 se, e somente se, B(x, y) = 0 para
todo x X.
9. Sejam X um espao vetorial e B uma forma positiva semidenida. Mostre a
desigualdade
[B(x, y)[
_
q
B
(x)
_
q
B
(y),
que uma generalizao da desigualdade de Cauchy-Schwarz.
10. Seja B uma forma no espao X e x
1
, . . . , x
n
uma base de X. Mostre que
B est caracterizada pela matriz (a
ij
), em que a
ij
= B(x
i
, x
j
). Expresse
B(x, y) em termos dessa matriz.
11. Seja B uma forma no espao euclidiano E e B uma base de E. Se A for a
matriz que representa B (nessa base), denimos o posto de B como sendo o
posto de A.
(a) Mostre que o posto de uma forma est bem denido.
i
i
ALinear 2005/12/19 13:25 page 198 #214
i
i
i
i
i
i
198 Formas Sesquilineares e Quadrticas Cap. 9
(b) Seja B uma forma de posto 1 no espao euclidiano real E. Mostre
que existem funcionais lineares f : E R e g : E R tais que
B(x, y) = f(x)g(y).
12. Se a matriz que representa uma forma B : E E K (com relao a uma
base ortonormal) for invertvel, mostre que, para todo x
0
E, existe y
0
E
tal que B(x
0
, y
0
) ,= 0.
13. Mostre o Teorema de Lagrange 9.13 para o caso de formas quadrticas
hermitianas, adaptando a demonstrao apresentada para o caso de formas
quadrticas simtricas.
14. Enuncie o Teorema de Lagrange (Teoremas 9.11 e 9.13) como um resultado
sobre a diagonalizao de uma forma sesquilinear auto-adjunta.
15. Dada a forma quadrtica ax
2
+ bxy + cy
2
, encontre a matriz simtrica que a
representa.
16. Considere a forma quadrtica q : R
4
R denida por
q(x
1
, x
2
, x
3
, x
4
) = x
2
1
+ 6x
1
x
2
+ 5x
2
2
4x
1
x
3
12x
2
x
3
+ 4x
2
3
4x
2
x
4
x
3
x
4
x
2
4
.
Coloque q na forma diagonal.
Denio 9.18 Duas matrizes A e B em M
nn
(K) so congruentes se existir uma
matriz invertvel M M
nn
(K) tal que A = M
BM.
17. Mostre que a congruncia de matrizes uma relao de equivalncia em
M
nn
(K).
18. Sejam A, B M
nn
(K) matrizes congruentes. Mostre que det A > 0 se, e
somente se, det B > 0.
19. Mostre que toda matriz simtrica (hermitiana) congruente a uma matriz
diagonal cujas entradas assumem apenas os valores 1, 0 e 1.
20. Mostre que uma forma quadrtica simtrica (hermitiana) q(x) = x, Ax)
positiva denida no espao euclidiano E se, e somente se, a matriz A
B
que
representa A numa base ortonormal B for positiva denida, tal qual denido
no Exerccio 19 do Captulo 8. Verique o mesmo resultado para uma forma
negativa denida, positiva semidenida etc.
i
i
ALinear 2005/12/19 13:25 page 199 #215
i
i
i
i
i
i
9.4 Exerccios 199
21. Mostre que uma forma quadrtica hermitiana (simtrica) q(x) = x, Ax)
positiva denida se, e somente se, A for congruente a I.
22. Faa um diagrama para a relao M
AM = D em termos de mudanas de
bases.
Denio 9.19 Seja A M
nn
(K). Para cada r n, a submatriz (a
ij
),
1 i, j r n a submatriz principal de A de ordem r, denotada por A
r
.
O determinante de A
r
o menor principal de ordem r.
23. Mostre que, se todos os menores principais de uma matriz simtrica
(hermitiana) A M
nn
(K) forem positivos, ento a matriz A positiva
denida.
24. Mostre que todos os menores principais de uma matriz simtrica (hermitiana)
A M
nn
(K) positiva denida so positivos.
25. Mostre que uma matriz simtrica (hermitiana) A = (a
ij
) negativa denida
se, e somente se, seus menores principais tiverem sinais alternados, com
det A
1
= a
11
< 0.
26. Seja X um espao complexo. Alm das formas sesquilineares denidas em
E, so importantes as formas B : XX C tais que para quaisquer C
e u
1
, u
2
, v
1
, v
2
E,
(i) B(u
1
+ u
2
, v) = B(u
1
, v) + B(u
2
, v);
(ii) B(u, v
1
+ v
2
) = B(u, v
1
) + B(u, v
2
).
Essas so as formas bilineares denidas em X. Denotaremos por B(X) o
conjunto das formas bilineares
2
em X. Uma forma bilinear simtrica, se
B(u, v) = B(v, u), e anti-simtrica, se B(u, v) = B(v, u) para quaisquer
u, v X.
Verique as seguintes armaes:
(a) Seja B = x
1
, . . . , x
n
uma base de X. Ento existe um isomorsmo
entre o espao B(X) e o espao M
nn
(C).
2
Como o estrutura bilinear no est em acordo com uma estrutura de produto interno num espao
complexo, no consideramos aqui espaos euclidianos.
i
i
ALinear 2005/12/19 13:25 page 200 #216
i
i
i
i
i
i
200 Formas Sesquilineares e Quadrticas Cap. 9
(b) Seja B uma base de X e A a matriz que representa B nessa base. A
forma B simtrica se, e somente se, a matriz A for simtrica. A forma
B anti-simtrica se, e somente se, A for anti-simtrica.
(c) O espao B(X) a soma direta dos subespaos das formas simtricas e
anti-simtricas.
(d) Sejam c uma outra base de X e P = P
B
C
. Se A representar a forma B
na base B e C representar B na base c, ento C = P
t
AP.
(e) Est bem denido o posto de uma forma B como o posto de uma matriz
que representa B. Uma forma bilinear B no-degenerada se o seu
posto for igual dimX.
(f) Se B for uma forma bilinear simtrica, denindo q(v) = B(v, v), vale
B(u, v) =
1
4
[q(u + v) q(u v)], (9.9)
chamada identidade de polarizao.
(g) Se B for uma forma bilinear simtrica, existe uma base de X na qual B
representada por uma matriz diagonal (compare com o Exerccio 14).
Em particular, dada uma matriz simtrica A M
nn
(C), existe uma
matriz invertvel P M
nn
(C) tal que P
t
AP diagonal.
(h) Seja B uma forma bilinear no-degenerada. Mostre que a cada operador
T : X X est associado um nico operador T
y). Vale: (T
1
T
2
)
= T
2
T
1
; (cT
1
+ T
2
)
= cT
1
+ T
2
; (T
= T.
(i) Seja B uma forma bilinear anti-simtrica. Ento o posto de B par e,
nesse caso, B pode ser representada por uma matriz diagonal em blocos
_
0
0
_
,
em que a matriz quadrada
_
_
_
_
_
0 . . . 0 1
0 . . . 1 0
.
.
. .
.
. .
.
.
.
.
.
1 . . . 0 0
_
_
_
_
_
.
(j) Enuncie e demonstre um resultado anlogo ao do item (h) para uma
forma bilinear anti-simtrica.
i
i
ALinear 2005/12/19 13:25 page 201 #217
i
i
i
i
i
i
10
Teoria Espectral Euclidiana
Alguns dos resultados mais importantes da lgebra Linear em espaos
euclidianos sero vistos neste Captulo: a diagonalizao de operadores auto-
adjuntos e normais e as decomposies polar e em valores singulares de um
operador.
10.1 Operadores auto-adjuntos
Lema 10.1 Sejam E um espao euclidiano e H : E E um operador auto-
adjunto. Ento:
(i) H possui apenas autovalores reais;
(ii) autovetores correspondentes a autovalores distintos so ortogonais.
Demonstrao: Considerando a complexicao de H, podemos supor que E seja
um espao complexo. Seja x um autovetor associado ao autovalor de H. Ento
x, x) = x, x) = Hx, x) = x, Hx) = x, x) = x, x),
de modo que ( )x, x) = 0. Isso mostra que = e prova (i).
Sejam x, y autovetores associados aos autovalores distintos , R. Ento
x, y) = Hx, y) = x, Hy) = x, y) = x, y),
de modo que
( )x, y) = 0.
Como ,= , isso implica x y, completando a prova. P
201
i
i
ALinear 2005/12/19 13:25 page 202 #218
i
i
i
i
i
i
202 Teoria Espectral Euclidiana Cap. 10
Teorema 10.2 (Espectral dos Operadores Auto-adjuntos)
Sejam E um espao euclidiano complexo e H : E E um operador
hermitiano (isto , auto-adjunto). Ento os autovetores de H formam uma base
ortogonal de E.
Demonstrao: De acordo com o Teorema Espectral 7.3,
1
os autovetores
generalizados de H geram o espao E. Para mostrarmos o armado, precisamos
mostrar que E possui uma base formada por (autnticos) autovetores de H. De
fato, nesse caso, podemos aplicar o processo de ortogonalizao de Gram-Schmidt
e obter bases ortogonais para os subespaos invariantes associados a cada autovalor.
Em virtude do Lema 10.1, esses espaos so ortogonais, de modo que teremos
uma base ortogonal formada por autovetores de H. (Assim, como conseqncia
do Teorema 5.7, H ser representado, nessa base, por uma matriz diagonal.)
Suponhamos que x seja um autovetor generalizado de H associado ao autovalor
. Ento (HI)
d
x = 0 para algumd N. Queremos mostrar que (HI)x = 0.
Suponhamos inicialmente que d = 2. Ento, tomando o produto interno com x,
obtemos
0 = (H I)
2
x, x) = (H I)x, (H I)x) = |(H I)x|
2
.
Mas isso implica que (H I)x = 0, como desejado.
2
Se d > 2, reescrevemos (H I)
d
x = 0 como (H I)
2
(H I)
d2
x = 0.
Denindo w = (H I)
d2
x, podemos concluir que (H I)w = 0, ou seja,
(H I)
d1
x = 0. Por induo, chegamos ao resultado desejado. P
O prximo resultado apenas uma reformulao do Teorema 10.2 em termos de
matrizes. De fato, normalizando a base ortogonal dada pelo Teorema 10.2, obtemos
ento uma matriz cujas colunas formam uma base ortonormal. (Veja o Exerccio 26
do Captulo 8.)
Teorema 10.3 Seja H uma matriz complexa auto-adjunta. Ento existem uma
matriz unitria U e uma matriz diagonal D tais que
U
HU = D.
A verso do Teorema 10.2 para operadores simtricos a seguinte:
1
Veja a pgina 204 para uma prova alternativa do Teorema 10.2, sem a utilizao de resultados
do Captulo 7.
2
Considerando a forma cannica de Jordan, esse resultado j implica (b).
i
i
ALinear 2005/12/19 13:25 page 203 #219
i
i
i
i
i
i
10.1 Operadores auto-adjuntos 203
Teorema 10.4 Seja H : E E um operador simtrico no espao euclidiano real
E. Ento existe uma base ortonormal de E formada por autovetores de H.
Demonstrao: Considerando a complexicao H
C
: E
C
E
C
, a expresso
H
C
x = x (10.1)
e o fato dos autovalores de H serem reais implicam que as partes real e imaginria
de x satisfazem (10.1). Como ao menos uma dessas partes no-nula, obtemos um
autovetor real de H
C
associado a cada autovetor complexo. P
Observao 10.5 Utilizando o Teorema 10.2 (respectivamente, a demonstrao de
10.4), podemos apresentar uma demonstrao alternativa do Teorema 9.13 (resp.,
9.11). Como j vimos, obtemos uma base ortonormal formada por autovetores
(complexos ou reais, conforme o caso) de H. Seja B = v
1
, . . . , v
n
essa base
ortonormal de E. Se v E, consideremos sua representao z = (z
1
z
2
. . . z
n
) na
base B (quer dizer, z = [v]
B
):
v = z
1
v
1
+ z
2
v
2
+ . . . + z
n
v
n
. (10.2)
Ento
|v|
2
= v, v) =
n
i=1
[z
i
[
2
= |z|
2
. (10.3)
Aplicando H em (10.2), obtemos
Hv =
1
z
1
v
1
+ . . . +
n
z
n
v
n
, (10.4)
em que
i
o autovalor associado ao autovetor v
i
.
Substituindo (10.2) e (10.4) em q(v) = v, Hv), vemos que
q(v) =
1
[z
1
[
2
+ . . . +
n
[z
n
[
2
.
Essa expresso mostra que a nova varivel z diagonaliza a forma quadrtica
hermitiana (simtrica) q, sendo
1
, . . . ,
n
os autovalores de H. Combinando com
o Teorema 9.14, vemos que
P
HP = D.
A equao (10.3) mostra que P uma isometria e, portanto, P
= P
1
.
i
i
ALinear 2005/12/19 13:25 page 204 #220
i
i
i
i
i
i
204 Teoria Espectral Euclidiana Cap. 10
Demonstrao alternativa dos Teoremas 10.2 e 10.4: Seja H : E E um
operador auto-adjunto no espao euclidiano (real ou complexo) E. Faremos a
demonstrao por induo na dimenso do espao E, o caso dimE = 1 sendo
trivial. Suponhamos o resultado vlido para espaos de dimenso n1 e considere
um espao E de dimenso n.
Seja um autovalor de H (que sabemos ser real) e x um autovetor
correspondente. Considere a decomposio E = < x > < x >
. De acordo
com a Proposio 8.31, W = < x >
1
E
j
a decomposio de E em termos dos auto-espaos E
i
associados aos autovalores
distintos
1
, . . . ,
j
de H. Assim, se w E
i
, ento Hw =
i
w. Logo,
H(Kw) = KHw =
i
(Kw), mostrando que Kw E
i
.
Consideramos, ento, o operador auto-adjunto (justique!) K : E
i
E
i
e
aplicamos o Teorema 10.2 (ou o Teorema 10.4). Obtemos ento uma base de E
i
formada por autovetores de K. Como todo elemento de E
i
um autovetor de H,
obtivemos assim uma base ortogonal desse espao formada por autovetores tanto de
K quanto de H. Aplicamos ento esse processo a cada auto-espao E
i
.
Reciprocamente, acabamos de mostrar que H e K so simultaneamente
diagonalizveis. Como as representaes diagonais desses operadores comutam
com relao a uma base ortonormal formada por autovetores de H e K, o mesmo
acontece com esses operadores. P
Note que o resultado anterior pode ser generalizado para qualquer nmero de
aplicaes auto-adjuntas que comutem duas a duas.
i
i
ALinear 2005/12/19 13:25 page 205 #221
i
i
i
i
i
i
10.1 Operadores auto-adjuntos 205
Reapresentamos a denio de forma quadrtica hermitiana (simtrica) positiva
denida (Seo 9.3) em termos de operadores:
Denio 10.7 Um operador linear auto-adjunto H : E E positivo
semidenido se Hx, x) 0 para todo x E. Nesse caso, escrevemos H 0.
Quando Hx, x) > 0 para todo x ,= 0, escrevemos H > 0 e dizemos que H
positivo denido.
Tambm se usa a nomenclatura positivo para um operador positivo denido e
no-negativo para um operador positivo semidenido. Preferimos reservar o termo
positivo para outra classe de operadores: aqueles associados ao Teorema de Perron
(veja a Denio 6.17).
Exemplo 10.8 Sejam E, F espaos euclidianos e T : E F um operador linear.
Como sua adjunta uma aplicao de F para E, existe a composta T
T : E E,
que auto-adjunta e positiva semidenida. De fato,
(T
T)
= T
(T
= T
T e T
i=1
i
Hx
i
,
n
i=1
i
x
i
_
=
n
i=1
i
[
i
[
2
0.
A segunda armao decorre da demonstrao apresentada. P
J vimos que operadores cujos autovalores so maiores do que ou iguais a zero
possuem raiz quadrada real (isto , existe um operador S tal que S
2
= T), desde que
0 comparea no polinmio mnimo com multiplicidade no mximo igual a 1 (veja
a Subseo 6.4.4). Agora apresentaremos uma situao em que podemos assegurar
a unicidade da raiz quadrada.
i
i
ALinear 2005/12/19 13:25 page 206 #222
i
i
i
i
i
i
206 Teoria Espectral Euclidiana Cap. 10
Teorema 10.10 (Unicidade da Raiz Quadrada)
Sejam E um espao euclidiano e H : E E um operador auto-adjunto
e positivo semidenido. Ento H possui uma nica raiz quadrada positiva
semidenida P : E E.
Demonstrao: Consideremos a decomposio de E como soma direta ortogonal
de autoespaos de H: E = E
1
E
k
, em que
1
, . . . ,
k
so os autovalores
distintos de H. Se x = x
1
+ . . . + x
k
E
1
E
k
, ento Hx =
1
x
1
+. . . +
k
x
k
. Denimos Px =
1
x
1
+. . . +
k
x
k
. Claramente P
2
x = Hx,
mostrando que P uma raiz quadrada de H. O Lema 10.9 garante que P positivo
semidenido. (Note que denimos diretamente a raiz quadrada de T, sem apelar
para os resultados de 6.4.4. O Exerccio 15 pede que voc faa isso usando o clculo
funcional.)
Para mostrarmos a unicidade, notamos inicialmente que toda raiz quadrada Q
de H comuta com H: QH = QQ
2
= Q
2
Q = HQ. Assim, cada auto-espao de
H invariante por Q (pelo Teorema 10.6) e o Teorema da Imagem do Espectro
7.1 garante que o nico autovalor de Q em cada auto-espao E
i
. (Estamos
usando apenas a verso polinomial daquele Teorema!) Assim, Q coincide com P
em cada subespao E
i
e, por conseguinte, no espao inteiro E. P
Demonstrao alternativa do Teorema 10.10: De acordo com o Teorema 10.6, se
Q tambm satiszer Q
2
= H, ento Q e H so simultaneamente diagonalizveis
por base ortonormal formada por autovetores de H, como vimos no incio da
demonstrao anterior. Nessa base, se
1
, . . . ,
n
forem os autovalores de H,
H =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
e Q =
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
.
Como Q
2
= H, devemos ter
i
=
i
. O mesmo argumento se aplica a P. Assim,
os autovalores de P e Q coincidem. Como os auto-espaos de H so invariantes
tanto por P quanto por Q, segue-se da que Q = P. P
10.2 Princpios de Minimax para os Autovalores
(Esta Seo pode ser omitida sem prejuzo para o restante do texto. Ela
apresenta ainda um outro mtodo para se provar os Teoremas 10.2 e 10.4 que
i
i
ALinear 2005/12/19 13:25 page 207 #223
i
i
i
i
i
i
10.2 Princpios de Minimax para os Autovalores 207
nos permite, em particular, provar a existncia de autovalores e autovetores de
um operador auto-adjunto sem termos que apelar para o Teorema Fundamental da
lgebra. Isso fundamental em espaos de dimenso innita.)
Demonstrao alternativa dos Teoremas 10.2 e 10.4: A funo contnua :
E R denida por (x) = Hx, x) assume um mximo no conjunto compacto
3
K := x E [ |x| = 1. Seja x
1
esse ponto de mximo e
1
o valor de nesse
ponto. Ento, para todo x E, vale
(H
1
I)x, x) = |x|
2
_
(H
1
I)
x
|x|
,
x
|x|
_
= |x|
2
__
H
x
|x|
,
x
|x|
_
1
_
0,
mostrando que
(H
1
I)x, x
_
0 x E. (10.5)
Decorre da, ao escolhermos x = x
1
+ ty com t R e y E, que
t
2
(H
1
I)y, y
_
+ 2t
(H
1
I)x
1
, y
_
0.
Vericamos assim que o discriminante dessa equao do segundo grau menor do
que ou igual a zero. Quer dizer,
(H
1
I)x
1
, y
_
= 0 para todo y E e, portanto,
(H
1
I)x
1
= 0. Mostramos assim a existncia de um autovalor
1
e de um
autovetor x
1
de H.
Consideremos agora o complementar ortogonal E
1
do espao gerado por x
1
,
que tem dimenso n 1. Pela Proposio 8.31, E
1
invariante por H e a restrio
de H a este subespao auto-adjunta. Por induo, podemos supor que H[
E
1
possui
uma base ortonormal formada por autovetores de H. Isso completa a prova. P
A expresso
Hx, x)
|x|
2
=
_
H
_
x
|x|
_
,
x
|x|
_
o quociente de Rayleigh.
Teorema 10.11 (Princpio do Minimax)
Sejam H : E E um operador auto-adjunto denido no espao euclidiano E
e
1
2
n
os autovalores de H. Ento
j
= min
dimS=j
_
max
xS, x=1
Hx, x)
_
,
3
Veja o Apndice F.
i
i
ALinear 2005/12/19 13:25 page 208 #224
i
i
i
i
i
i
208 Teoria Espectral Euclidiana Cap. 10
em que S um subespao de E.
Demonstrao: Consideremos um subespao S E arbitrrio, com dimenso j.
Inicialmente vamos mostrar que
max
xS, x=1
Hx, x)
j
, (10.6)
de onde conclumos que min
dimS=j
_
max
xS, x=1
Hx, x)
_
j
.
Sejam x
1
, . . . , x
n
uma base ortonormal de autovetores de H correspondentes
aos autovalores
1
, . . . ,
n
e U o espao gerado pelos vetores x
1
, . . . , x
j1
. Como
dim(S U) (j 1) e dim(S) = j, existe x S que perpendicular a todos
os vetores de U. Quer dizer, x =
j
x
j
+ . . . +
n
x
n
para escalares
j
, . . . ,
n
.
Podemos supor que 1 = |x|
2
=
n
i=j
[
i
[
2
= 1. Assim,
Hx, x) =
n
i=j
i
[
i
[
2
j
n
i=j
[
i
[
2
=
j
,
mostrando (10.6).
Para completarmos a prova, basta mostrarmos um subespao S de dimenso
j no qual
j
Hx, x) para todo x S com |x| = 1. Seja S gerado por
x
1
, . . . , x
j
. Ento x =
1
x
1
+. . . +
j
x
j
para todo x S e, portanto, supondo que
1 = |x|
2
=
j
i=1
[
i
[
2
= 1, vemos que
Hx, x) =
j
i=i
i
[
i
[
2
j
j
i=1
[
i
[
2
=
j
.
A demonstrao est completa. P
10.3 Operadores Normais
Relembramos que um operador A : E E antiauto-adjunto, se A
= A.
De acordo com a Proposio 8.30, temos
(iA)
= iA
= iA,
mostrando que iA um operador auto-adjunto. Decorre imediatamente do
Teorema 10.2:
i
i
ALinear 2005/12/19 13:25 page 209 #225
i
i
i
i
i
i
10.3 Operadores Normais 209
Teorema 10.12 Seja A : E E um operador antiauto-adjunto no espao
euclidiano complexo E. Ento:
(i) os autovalores de A so iguais a zero ou imaginrios puros;
(ii) existe uma base ortonormal de E consistindo de autovetores de A.
Demonstrao: Considere uma base ortonormal x
1
, . . . , x
n
formada por
autovetores de iA associados aos autovalores
1
, . . . ,
n
. Ento (iA)x
j
=
j
x
j
,
com
j
R. Se
j
,= 0, ento
Ax
j
= (i
j
)x
j
,
mostrando que A tem os mesmos autovetores de iA e que a cada autovalor
j
no-nulo de iA est associado o autovalor imaginrio (i
j
) de A. P
Agora mostramos a teoria espectral de operadores normais em espaos
euclidianos complexos.
Teorema 10.13 Um operador linear N : E E denido no espao euclidiano
complexo E possui uma base ortonormal consistindo de autovetores se, e somente
se, for normal.
Demonstrao: Suponhamos que N seja normal. Uma vez que N e N
comutam,
o mesmo acontece com
H :=
N + N
2
e A :=
N N
2
.
Os operadores H e N so auto-adjunto e antiauto-adjunto, respectivamente.
Aplicamos ento o Teorema 10.2 e a Proposio 10.6 aos operadores H e iA:
existe uma base ortonormal formada por autovetores tanto de H quanto de iA e,
assim, por autovetores tanto de H quanto de A. Como
N = H + A,
vemos que essa base formada por autovetores de N. Note que, segundo os
Teoremas 10.2 e 10.12, se Hv = av e Av = (ib)v (com a, b R), ento
Nv = Hv + Av = (a + bi)v.
i
i
ALinear 2005/12/19 13:25 page 210 #226
i
i
i
i
i
i
210 Teoria Espectral Euclidiana Cap. 10
Suponhamos agora a existncia de uma base ortonormal B consistindo de
autovetores de N. Se N for representado nessa base por
N
B
=
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
,
ento N
B
=
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
.
Como essas matrizes so diagonais, elas comutam. Mas isso implica que N e N
comutam. P
Note que, em particular, mostramos que autovetores associados a autovalores
distintos de um operador normal so ortogonais. Uma demonstrao alternativa do
Teorema 10.13 sugerida nos exerccios deste Captulo.
Aplicando o Teorema 10.13 obtemos:
Teorema 10.14 Seja U : E E uma aplicao unitria denida no espao
euclidiano complexo E. Ento:
(i) Existe uma base ortonormal formada por autovetores de U;
(ii) Os autovalores de U tem valor absoluto igual a 1.
Demonstrao: Como U
U = I, U tem inversa U
1
= U
j
o auto-espao associado
i
i
ALinear 2005/12/19 13:25 page 211 #227
i
i
i
i
i
i
10.3 Operadores Normais 211
ao autovalor
j
, para 1 j k. Se
j
: E E
j
denotar a projeo ortogonal
sobre E
j
, ento
I =
k
j=1
j
e N =
k
j=1
j
.
As projees ortogonais
j
satisfazem
j
= 0, se i ,= j,
2
j
=
j
e
j
=
j
.
Demonstrao: De acordo com o Teorema 10.13, vale
E = E
1
E
k
,
em que os espaos E
j
so ortogonais dois a dois. Em outras palavras,
x = x
1
+ . . . + x
k
, x
j
E
j
, (10.7)
com x
i
x
j
para i ,= j. Denimos ento
j
(x) = x
j
. Claramente
j
uma
aplicao linear, satisfazendo
2
j
=
j
e
i
j
= 0 se i ,= j. A expresso (10.7)
pode ser escrita como
I =
k
j=1
j
.
Aplicando o operador N em (10.7), como os elementos no-nulos de E
j
so
autovetores associados ao autovalor
j
, obtemos
Nx = Nx
1
+ . . . + Nx
k
=
1
x
1
+ . . . +
k
x
k
=
k
j=1
j
(x).
Falta apenas mostrar que as projees
j
so auto-adjuntas. Se y = y
1
+ . . . + y
k
com y
j
E
j
, ento
j
x, y) =
_
x
j
,
k
i=1
y
i
_
=
k
i=1
x
j
, y
i
) = x
j
, y
j
)
=
k
i=1
x
i
, y
j
) =
_
k
i=1
x
i
, y
j
_
= x,
j
y),
devido ortogonalidade dos espaos envolvidos. P
i
i
ALinear 2005/12/19 13:25 page 212 #228
i
i
i
i
i
i
212 Teoria Espectral Euclidiana Cap. 10
Corolrio 10.16 Sejam E um espao euclidiano complexo e M, N : E E
operadores, N sendo normal. Todo auto-espao de N invariante por M se, e
somente se, NM = MN.
Demonstrao: Se NM = MN, repetindo o argumento em 10.6, vemos que todo
auto-espao de N invariante por M. Por outro lado, o Teorema 10.15 garante a
existncia da decomposio espectral N =
j
j
j
, sendo
j
a projeo ortogonal
associada ao auto-espao E
j
de N. Em virtude da Proposio 5.10, temos que
M
j
=
j
M. Mas ento MN =
j
j
M
j
=
j
j
j
M = NM. P
Observao 10.17 Uma maneira alternativa de se vericar que NM = MN
implica que os auto-espaos do operador normal N so invariantes por M a
seguinte: de acordo com o Teorema Espectral 7.3, as projees ortogonais de N
so polinmios em N. Assim, se M comuta com N, comuta tambm com essas
projees. Mas ento o resultado decorre da Proposio 5.10.
Utilizando o Exerccio 29 do Captulo 8 e o Corolrio 10.16, a prova do prximo
resultado repete inteiramente a demonstrao de 10.6 e pode ser generalizada para
vrios operadores normais que comutam dois a dois:
Proposio 10.18 (Diagonalizao simultnea de operadores normais)
Sejam M, N : E E operadores normais denidos no espao euclidiano
complexo E. Ento MN = NM se, e somente se, existir uma base ortonormal de
E formada por elementos que so, ao mesmo tempo, autovetores de M e N.
10.4 Operadores Normais em Espaos Reais
Agora obteremos a representao de operadores normais em espaos
euclidianos reais.
Comeamos com uma observao: considerado um espao euclidiano real E,
ento
u
1
+ iv
1
, u
2
+ iv
2
) := (u
1
, u
2
) +v
1
, v
2
)) + i(v
1
, u
2
) u
1
, v
2
))
dene um produto interno em E
C
, que satisfaz
u +iv, u + iv) = u, u) +v, v).
i
i
ALinear 2005/12/19 13:25 page 213 #229
i
i
i
i
i
i
10.4 Operadores Normais em Espaos Reais 213
Lema 10.19 Seja T : E E um operador denido no espao euclidiano real E.
Ento T
C
(u + iv) = T
u + iT
s) + iv, T
s) iu, T
t) +v, T
t)
= u + iv, T
s + iT
t).
Est assim mostrado que T
C
(u + iv) = T
u + iT
v. Se N : E E for normal,
ento
N
C
N
C
(u +iv) = NN
u + iNN
v = N
Nu +iN
Nv = N
C
N
C
(u + iv)
prova a armao sobre operadores normais. As outras so imediatas. P
Teorema 10.20 Sejam E um espao euclidiano real e N : E E um operador
normal. Ento, existe uma base ortonormal de E na qual N representado por
uma matriz diagonal em blocos, com blocos diagonais A
1
, . . . , A
k
, sendo
A
j
=
j
R ou A
j
=
_
j
j
j
j
_
,
o ltimo caso ocorrendo quando
j
=
j
+i
j
for um autovalor da complexicao
N
C
: E
C
E
C
.
Demonstrao: J vimos que a complexicao N
C
de N uma aplicao normal.
De acordo com o Teorema 10.13, N
C
possui uma base formada por autovetores
normais. O argumento apresentado na primeira prova do Teorema 10.4 mostra que
os autovalores reais de N
C
podem ser associados a autovetores reais. Se y = u +iv
for um autovetor de N
C
associado ao autovalor complexo = +i, ento y um
autovetor de N
C
associado ao autovalor
(como se verica imediatamente). Assim,
obtemos uma decomposio ortogonal de E
C
na forma
E = < x
1
> < x
k
>
(< y
1
> < y
1
>) (< y
> < y
>), (10.8)
i
i
ALinear 2005/12/19 13:25 page 214 #230
i
i
i
i
i
i
214 Teoria Espectral Euclidiana Cap. 10
em que x
1
, . . . , x
k
so autovetores reais de N
C
(e, portanto, de N), y
1
, y
1
, . . . , y
, y
j
0
_
,
o ltimo caso ocorrendo quando
j
= 0 +i
j
for um autovalor da complexicao
N
C
: E
C
E
C
.
i
i
ALinear 2005/12/19 13:25 page 215 #231
i
i
i
i
i
i
10.4 Operadores Normais em Espaos Reais 215
Teorema 10.22 Seja T : E E um operador ortogonal denido no espao
euclidiano real E. Ento existe uma base ortonormal B na qual T uma matriz
diagonal em blocos, com blocos diagonais iguais a 1, 1 e blocos 2 2 da forma
_
cos sen
sen cos
_
.
Demonstrao: Como T normal, o Teorema 10.20 mostra a existncia de uma
base ortonormal com blocos de tamanho 1 1 ou 2 2.
O Teorema 10.14 garante que os autovalores de T tm valor absoluto igual a 1.
Como T uma isometria, a imagemde uma base ortonormal uma base ortonormal.
Isso mostra que cada coluna das matrizes diagonais 2 2 devem ter norma 1. Mas,
de acordo como o Teorema 10.20, essa matriz tem a forma
_
_
.
Como
2
+
2
= 1, podemos escrever essa matriz na forma
_
cos sen
sen cos
_
.
P
Corolrio 10.23 Todo operador ortogonal denido num espao euclidiano de
dimenso mpar possui um autovalor real.
Para interpretarmos geometricamente a imagem de operadores normais em
espaos euclidianos reais, comeamos por considerar um dos bloco presentes na
representao matricial de um operador ortogonal:
_
cos sen
sen cos
_
.
Quando submetidas a mudanas de bases ortonormais, matrizes desse tipo
preservam a sua forma ou so transformadas em matrizes
_
cos sen
sen cos
_
=
_
cos() sen ()
sen () cos()
_
.
(Veja o Exerccio 31.)
i
i
ALinear 2005/12/19 13:25 page 216 #232
i
i
i
i
i
i
216 Teoria Espectral Euclidiana Cap. 10
Tais matrizes correspondem a rotaes nos espaos bidimensionais associados
aos pares de autovalores complexos conjugados ,
2
+
2
_
cos sen
sen cos
_
,
vemos que esse bloco a combinao de uma rotao com uma alterao de
tamanho, correspondente multiplicao pelo fator
_
2
+
2
.
10.5 Valores Singulares
Dado um operador T : X X denido no espao de dimenso nita X,
vimos que a sua representao matricial T
B
com relao a uma base B de X nem
i
i
ALinear 2005/12/19 13:25 page 217 #233
i
i
i
i
i
i
10.5 Valores Singulares 217
sempre diagonalizvel, a forma cannica de Jordan nos indicando qual a forma
mais simples que esse operador pode assumir.
Se permitirmos a utilizao de bases distintas no domnio e contradomnio, a
representao matricial T
C
B
de todo operador T : X X pode ser bem simples.
(Compare com o Exerccio 39 do Captulo 3.)
A utilizao de bases distintas no domnio e contradomnio permite tambm
considerarmos aplicaes lineares T : X Y com domnio e contradomnio
distintos. Restringiremos a nossa apresentao ao caso em que X e Y so espaos
euclidianos. (O leitor interessado no caso geral pode consultar, por exemplo, [25].)
Para introduzirmos a decomposio de uma aplicao T : X Y em valores
singulares, comeamos com o seguinte exemplo:
Exemplo 10.24 A matriz
A =
_
2 0 0
0 1 0
_
leva S
2
:= w R
3
[ |w| = 1 na elipse
x
2
4
+ y
2
= 1.
De fato, o ponto w = (x, y, z) R
3
levado no ponto (2x, y) R
2
. Esse ltimo
claramente satisfaz a equao da elipse dada.
_
A
_
'
x
y
Figura 10.1:
A matriz A transforma a esfera S
2
R
3
em uma elipse no R
2
.
de F tais que
Tv
i
=
i
w
i
para i 1, . . . , r, com
i
> 0 (10.9)
Tv
i
= 0 para i r + 1, . . . , n, (10.10)
T
w
i
=
i
v
i
para i 1, . . . , r, (10.11)
T
w
i
= 0 para i r + 1, . . . , m. (10.12)
Denotando por D
1
a matriz diagonal r r
D
1
=
_
_
_
_
_
2
.
.
.
r
_
_
_
_
_
,
a representao T
C
B
, portanto, a matriz mn
D = T
C
B
=
_
D
1
0
0 0
_
.
Os escalares
1
, . . . ,
r
so os valores singulares da aplicao linear T : E F.
Demonstrao: O Exemplo 10.8 mostra que T
T : E E um operador positivo
semidenido. Temos ker T = ker(T
T). De fato,
Tv = 0 Tv, Tu) = 0 u E T
Tv, u) u E T
Tv = 0.
Isso mostra que posto(T
T) = n dim(ker T
T) = n dim(ker T) = r.
Uma vez que T
T. Como os autovalores de T
T so no-negativos, temos
assim que
T
T(v
i
) =
2
i
v
i
, i = 1, . . . , r e T
T(v
i
) = 0, i = r + 1, . . . , n.
Para obtemos uma base de F denimos, para i 1, . . . , r,
w
i
=
1
i
T(v
i
).
i
i
ALinear 2005/12/19 13:25 page 219 #235
i
i
i
i
i
i
10.5 Valores Singulares 219
Para esses valores de i temos Tv
i
=
i
w
i
, enquanto Tv
i
= 0 para i r+1, . . . , n,
pois ker T = ker T
T. (Logo, os vetores v
r+1
, . . . , v
n
formam uma base ortonormal
de ker T, se esse subespao for no-vazio.) As equaes (10.9) e (10.10) esto
satisfeitas e obtivemos a matriz D
1
.
Precisamos mostrar que w
1
, . . . , w
r
base ortonormal de imT. Se i, j
1, . . . , r, ento
w
i
, w
j
) =
1
j
Tv
i
, Tv
j
) =
1
j
T
Tv
i
, v
j
)
=
1
2
i
v
i
, v
j
) =
i
j
v
i
, v
j
) =
i
ij
,
em que
ij
= 0 se i ,= j e
ii
= 1. Como dim(imT) = r, provamos o armado.
A equao (10.11) decorre imediatamente de
T
w
i
= T
_
1
i
Tv
i
_
=
1
i
T
Tv
i
=
i
v
i
.
Seja w
r+1
, . . . , w
m
uma base ortonormal de ker T
= (imT)
. Assim, os vetores
w
1
, . . . , w
m
formam uma base ortonormal de F, completando a prova. P
Usualmente a base B ordenada de modo que
1
2
. . .
r
.
Sejam A uma matriz m n, c
n
e c
m
as bases cannicas do R
n
e R
m
,
respectivamente. Sejam B e c, respectivamente, as bases ortonormais do R
n
e R
m
dados pelo Teorema 10.25. Ento, se denotamos por P a matriz P
B
En
e por Q a
matriz Q
Em
C
, temos
A = QDP,
chamada decomposio em valores singulares da matriz A. Note que as matrizes P
e Q so ortogonais.
Observao 10.26 A decomposio matricial de A mostra que toda esfera no K
n
1
=
4 = 2 e
2
=
2
_
1 1
1 1
_
.
O vetor w
1
dado por
w
1
=
1
1
Av
1
=
1
2
_
_
1
1
0
_
_
.
Para obtermos os vetores w
2
e w
3
, achamos uma base ortonormal de ker A
t
(neste exemplo, no necessrio utilizar o processo de ortogonalizao de Gram-
Schmidt):
w
2
=
1
2
_
_
1
1
0
_
_
e w
3
=
_
_
0
0
1
_
_
.
Portanto,
A = QDP =
_
_
1
2
1
2
0
1
2
1
2
0
0 0 1
_
_
_
_
2 0
0 0
0 0
_
_
_
1
2
1
2
1
2
1
2
_
.
= U
P, vem TT
= PUU
P = P
2
. Assim, P a nica raiz
quadrada positiva semidenida de TT
e, ento, tomar o
adjunto. P
i
i
ALinear 2005/12/19 13:25 page 222 #238
i
i
i
i
i
i
222 Teoria Espectral Euclidiana Cap. 10
10.6 Exerccios
1. O Teorema 9.14 mostra que toda matriz simtrica congruente a uma matriz
diagonal. Dada a equivalncia entre os Teoremas 9.11 e 9.14, podemos
concluir que a Lei da Inrcia uma armao sobre matrizes simtricas. Ela
garante que, no Teorema 9.14, o nmero de termos positivos, negativos e
nulos na matriz diagonal D independe da mudana de varivel utilizada. Por
outro lado, sabemos que, se D for a diagonalizao da matriz A, ento os
elementos diagonais de D so os autovalores de A. Mas sabemos que os
autovalores de A independem da base na qual a matriz representada. Isso
no implica a Lei da Inrcia?
2. Considere a matriz simtrica
A =
_
_
4 2 2
2 4 2
2 2 4
_
_
.
Ache uma matriz ortogonal (isto , P
t
= P
1
) e uma matriz diagonal D tais
que
P
1
AP = D.
3. Sejam E um espao euclidiano e T : E E uma isometria. Se for um
autovalor de T, mostre que [[ = 1.
4. Sejam E um espao euclidiano complexo e um autovalor do operador
normal T : E E. Mostre que todo autovetor de T autovetor de T
correspondente ao autovalor
. Conclua ento que autovetores associados a
autovalores distintos de um operador normal so sempre ortogonais.
5. Seja E um espao euclidiano complexo. Sejam S, T : E E operadores
lineares, com ST = TS. Mostre que ST tem um autovetor em comum.
6. Sejam N : E E um operador normal no espao euclidiano complexo E.
Mostre que, se x for um autovetor de N, ento W = < x >
invariante por
N e N
.
7. Mostre, por induo, que todo operador normal N : E E denido em
um espao euclidiano complexo E possui uma base ortonormal formada por
autovetores.
i
i
ALinear 2005/12/19 13:25 page 223 #239
i
i
i
i
i
i
10.6 Exerccios 223
8. Considere uma base ortonormal x
1
, . . . , x
n
formada por autovetores do
operador normal N : E E, denido no espao euclidiano E. Mostre
que NN
x
i
= N
Nx
i
e conclua que N normal.
9. Sejam R, S, T : E E operadores auto-adjuntos denidos no espao
euclidiano E. Suponha que RT = TR, ST = TS e que em cada auto-
espao de T, tanto R quanto S tenham um nico autovalor. Mostre que R
possui uma base ortonormal formada por elementos que so autovetores das
trs aplicaes.
10. Seja T : E F uma aplicao linear entre espaos euclidianos. Qual a
relao entre os autovalores de T
T e os de TT
?
11. Seja T : E E um operador linear denido no espao real E. Mostre que
existe uma base ortonormal B na qual T
B
diagonal se, e somente se, T for
auto-adjunto.
12. Seja T : E F uma aplicao linear entre os espaos euclidianos E e F.
Mostre:
(a) se T for injetora, ento T
T possui inversa;
(b) imT
= im(T
T) e imT = im(TT
);
(c) se T for sobrejetora, ento TT
possui inversa.
13. Mostre que um operador T positivo denido se, e somente se, T 0 e T
for invertvel.
14. Mostre que so equivalentes as seguintes condies sobre um operador P :
E E denido num espao euclidiano E.
(a) P = T
2
para algum operador auto-adjunto T;
(b) P = S
H positiva semidenida.
i
i
ALinear 2005/12/19 13:25 page 224 #240
i
i
i
i
i
i
224 Teoria Espectral Euclidiana Cap. 10
16. Verique que a matriz
A =
_
2 i
i 2
_
normal. Encontre uma matriz unitria U tal que U
AU seja diagonal.
17. Seja E um espao euclidiano complexo e N : E E um operador norma.
Verique que o procedimento utilizado na demonstrao alternativa dos
Teoremas 10.2 e 10.4, na pgina 204, tambm prova que N diagonalizvel.
18. Mostre que, se todos os autovalores de uma aplicao T : E E tiverem
valor absoluto igual a 1, ento T unitria.
19. Seja N : E E um operador normal no espao euclidiano E. Mostre que
existe uma matriz unitria (ortogonal) U tal que N
= UN e, ento, que
imN
= imN.
20. Seja N um operador normal no espao euclidiano E. Mostre que existe
um operador auto-adjunto A positivo semidenido e um operador unitrio
(ortogonal) U tal que
N = UA = AU.
Se N for invertvel, U e A so nicos. ( usual denotar A = [N[. Compare
com o Exerccio 19.)
21. Seja N : E E um operador no espao euclidiano E. Usando o clculo
funcional, mostre que N
S = SN
.
26. Sejam M, N : E E operadores normais no espao euclidiano E. Se
MN = NM, mostre que M
N = NM
e MN
= N
M. Em particular,
NM normal.
27. Sejam M, N : E E operadores normais denidos no espao euclidiano
complexo E e S : E E um operador arbitrrio. Mostre que, se
NS = SM, ento N
S = SM
.
28. SejamM, N : E E operadores normais denidos no espao euclidiano E.
Suponha que MN seja normal. Mostre que N comuta com M
M.
29. SejamM, N : E E operadores normais denidos no espao euclidiano E.
Suponha que MN seja normal. Mostre que NM normal.
30. Sejam S, T : E E dois operadores auto-adjuntos no espao euclidiano
E. Mostre que ST = TS se, e somente se, existe um operador auto-adjunto
R : E E tal que S = p(R) e T = q(R).
31. Mostre que uma matriz
_
cos sen
sen cos
_
preserva sua forma ou transformada na matriz
_
cos() sen ()
sen () cos()
_
quando submetida a uma matriz mudana de base ortogonal.
32. D um exemplo mostrando que no h unicidade de U na decomposio polar
de T : E E, se esse operador no for invertvel.
33. Sejam E, F espaos euclidianos. Dois operadores lineares T : E E e
S : F F so unitariamente equivalentes se existir uma aplicao linear
unitria U : E F tal que U
AP = P
t
AP = B.
36. ("Diagonalizao" simultnea de duas formas quadrticas). Em geral
no possvel encontrar uma mudana de varivel Qx = z que diagonalize
simultaneamente as formas quadrticas simtricas q
1
(x) e q
2
(x). D um
exemplo em que essa diagonalizao impossvel. Por outro lado, se q
1
for uma forma quadrtica hermitiana (simtrica) positiva denida e q
2
uma
forma quadrtica hermitiana (simtrica), ento possvel diagonaliz-las
simultaneamente. Mais precisamente, sejam H, K matrizes hermitianas, H
sendo positiva denida. Mostre que existe uma matriz Q tal que Q
HQ = I
e Q
KQ diagonal.
i
i
ALinear 2005/12/19 13:25 page 227 #243
i
i
i
i
i
i
11
Decomposies Matriciais
Neste Captulo estudaremos as decomposies matriciais de Cholesky, Schur
e QR. Os resultados que apresentaremos so bastante teis na lgebra Linear
Numrica.
11.1 A Decomposio de Cholesky
Como vimos no Lema 10.9, um operador auto-adjunto positivo denido se, e
somente se, todos os seus autovalores forem positivos.
Lema 11.1 Seja A uma matriz n n simtrica positiva denida. Ento cada uma
das submatrizes principais A
r
positiva denida (e, portanto, det A
r
> 0) para
1 r n.
Demonstrao: Seja x
= (x
1
, . . . , x
r
) R
r
um vetor no-nulo arbitrrio e dena
x = (x
1
, . . . , x
r
, 0, . . . , 0) R
n
. Como
x
, A
r
x
) = x, Ax)
e A positiva denida, o resultado segue-se da. P
Note que o Lema 11.1 combinado com a Proposio A.4 garante que uma matriz
positiva denida Apossui decomposio LU, obtida mediante a sucessiva aplicao
da operao elementar do tipo (c) matriz A. Emparticular, Apossui uma fatorao
LDU, a matriz diagonal D = (d
ii
) tendo seus elementos diagonais positivos. Mas,
como a matriz A simtrica, temos
LDU = A = A
t
= U
t
DL
t
.
227
i
i
ALinear 2005/12/19 13:25 page 228 #244
i
i
i
i
i
i
228 Decomposies Matriciais Cap. 11
Pela Proposio A.3 temos L
t
= U, de modo que A = LDL
t
. Denindo D
1/2
como a matriz
D
1/2
=
_
_
_
_
_
d
11
0 0
0
d
22
0
.
.
.
.
.
.
0 0
d
nn
_
_
_
_
_
.
Mas, ento, A = LDL
t
= (LD
1/2
)(D
1/2
L
t
) = L
1
L
2
, a matriz L
1
sendo
triangular inferior e a matriz L
2
sendo triangular superior. Como A = A
t
, segue-se
da que L
2
= L
t
1
, mostrando que
A = LL
t
,
chamada decomposio de Cholesky da matriz A.
Assim, uma matriz n n positiva denida tem duas decomposies: a
decomposio A = LDU e a decomposio de Cholesky A = L
1
L
t
1
. J vimos
que L
1
= LD
1/2
, o que nos mostra como obter a decomposio de Cholesky da
matriz A.
O prximo resultado caracteriza as matrizes positivas denidas e apresenta um
resumo dos resultados obtidos nesta seo:
Proposio 11.2 Seja A uma matriz simtrica n n. As seguintes armaes so
equivalentes:
(i) A positiva denida;
(ii) As submatrizes principais A
1
, . . . , A
n
tm determinante positivo;
(iii) A matriz A tem uma decomposio LDU, com os elementos diagonais da
matriz diagonal D todos positivos;
(iv) A tem uma decomposio de Cholesky A = LL
t
, sendo L uma matriz
triangular inferior com elementos diagonais positivos.
Demonstrao: J vimos as implicaes (i) (ii) (iii) (iv).
Seja agora x R
n
um vetor no-nulo arbitrrio e y = L
t
x. Como a matriz L
t
possui inversa, y ,= 0. Assim
x, Ax) = x
t
(LL
t
x) = (x
t
L)(L
t
x) = y
t
y = |y|
2
> 0.
Isso mostra que (iv) (i). P
i
i
ALinear 2005/12/19 13:25 page 229 #245
i
i
i
i
i
i
11.2 A Decomposio de Schur 229
11.2 A Decomposio de Schur
Seja A uma matriz n n no corpo C.
Teorema 11.3 (Schur)
Existe uma matriz unitria U tal que T = U
AU triangular superior.
Demonstrao: Faremos induo em n, o resultado sendo bvio para n = 1.
Suponhamos vlido para uma matriz k k qualquer e consideremos A, matriz
(k + 1) (k + 1). Seja w
1
um autovetor unitrio associado ao autovalor
1
de
A. O processo de ortogonalizao de Gram-Schmidt assegura a existncia de uma
base ortonormal w
1
, w
2
, . . . , w
k+1
para C
k+1
. A matriz R, cuja i-sima coluna
o vetor w
i
, unitria. Consideremos ento R
AR = (R
Aw
1
. Mas R
Aw
1
=
1
R
w
1
=
1
e
1
, pois as linhas de R
so
dadas pelos vetores w
1
, . . . , w
k+1
. Assim, a matriz R
AR tem a forma
_
_
_
_
_
1
0
.
.
. S
0
_
_
_
_
_
,
em que S uma matriz k k. Pela hiptese de induo, existe uma matriz unitria
V
1
tal que T
1
= V
1
SV
1
uma matriz triangular superior. Denimos ento
V =
_
_
_
_
_
1 0 0
0
.
.
. V
1
0
_
_
_
_
_
.
Claramente V unitria e
V
(R
AR)V =
_
_
_
_
_
1 0 0
0
.
.
. V
1
0
_
_
_
_
_
_
_
_
_
_
1
0
.
.
. S
0
_
_
_
_
_
_
_
_
_
_
1 0 0
0
.
.
. V
1
0
_
_
_
_
_
=
_
_
_
_
_
1
0
.
.
. V
1
SV
1
0
_
_
_
_
_
=
_
_
_
_
_
1
0
.
.
. T
1
0
_
_
_
_
_
= T,
i
i
ALinear 2005/12/19 13:25 page 230 #246
i
i
i
i
i
i
230 Decomposies Matriciais Cap. 11
uma matriz triangular superior. Denimos, ento, U = RV . A matriz U unitria,
pois
U
U = (RV )
(RV ) = V
RV = I.
Isso completa a demonstrao. P
A demonstrao apresentada continua vlida se A for uma matriz real cujos
autovalores esto no corpo R. Uma prova alternativa do Teorema de Schur
indicada no Exerccio 2. Note que o teorema pode tambm ser formulado para
aplicaes lineares ao invs de matrizes.
Apresentamos, como conseqncia, mais uma prova dos Teoremas 10.2 e 10.4:
Corolrio 11.4 Se Afor uma matriz auto-adjunta, ento existe uma matriz unitria
U tal que U
= (U
AU)
= U
U = U
AU = T,
de acordo com a Proposio 8.30. Isso mostra que T auto-adjunta e, portanto,
uma matriz diagonal.
Se A for real, todos os autovalores de A so reais e, portanto, tambm seus
autovetores. Isso implica que a matriz U ortogonal. P
11.3 A Decomposio QR
O processo de ortogonalizao de Gram-Schmidt pode ser interpretado como
uma decomposio de uma matriz cujas colunas so linearmente independentes.
Teorema 11.5 (A decomposio QR de uma base)
Seja A uma matriz mn de posto n. Ento
A = QR,
em que Q uma matriz m n com colunas ortonormais e R uma matriz n n
triangular superior com elementos diagonais positivos.
i
i
ALinear 2005/12/19 13:25 page 231 #247
i
i
i
i
i
i
11.3 A Decomposio QR 231
Demonstrao: Sejam v
1
, . . . , v
n
as colunas da matriz A. Como essa matriz tem
posto n, esses vetores so linearmente independentes emK
m
. Aplicando o processo
de ortogonalizao de Gram-Schmidt 8.14 a esses vetores, obtemos os vetores
ortonormais q
1
, . . . , q
n
K
m
, dados por
q
k
=
1
r
kk
_
v
k
k1
i=1
r
ik
q
i
_
, (k = 1, . . . , n)
em que r
ik
= v
k
, q
i
) para i = 1, . . . , k1 e r
kk
a norma do vetor v
k
k1
i=1
r
ik
q
i
.
Mas isso quer dizer que
v
1
= r
11
q
1
v
2
= r
12
q
1
+r
22
q
2
.
.
.
.
.
.
v
n
= r
1n
q
1
+ . . . + r
nn
q
n
.
(11.1)
Denindo Q como a matriz cujas colunas so os vetores q
1
, . . . , q
n
e R a matriz
triangular superior
R =
_
_
_
_
_
r
11
r
12
r
1n
0 r
21
r
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 r
nn
_
_
_
_
_
= (r
1
r
2
r
n
),
temos que a j-sima coluna da matriz QR
QRe
j
= Qr
j
= r
1j
q
1
+ r
2j
q
2
+ . . . +r
jj
q
j
+ 0q
j+1
+ . . . + 0q
n
= v
j
.
Isso mostra que QR = A, completando a demonstrao. P
Exemplo 11.6 Considere a matriz
A =
_
_
_
_
1 1 1
0 1 1
1 1 1
1 0 1
_
_
_
_
.
Vamos encontrar uma matriz ortogonal P tal que imP = imA e obter a
decomposio QR da matriz A. Em seguida, vamos resolver o sistema Ax = b
para b = (0 0 0 1)
t
.
i
i
ALinear 2005/12/19 13:25 page 232 #248
i
i
i
i
i
i
232 Decomposies Matriciais Cap. 11
claro que as colunas de A so linearmente independentes. (Por outro lado, o
prprio processo de ortogonalizao de Gram-Schmidt nos mostrar isso.) Se A for
dada em termos de suas colunas (v
1
v
2
v
3
), aplicando o processo de Gram-Schmidt
a esses vetores obteremos os vetores q
1
, q
2
e q
3
. Denotando Q = (q
1
q
2
q
3
), temos
Q = (q
1
q
2
q
3
) =
_
_
_
_
_
3
3
15
15
10
10
0
15
5
10
5
3
3
15
15
10
10
3
3
2
15
15
10
5
_
_
_
_
_
.
Como o espao gerado pelas colunas de A justamente o espao gerado pelas
colunas de Q, a matriz ortogonal P justamente a matriz Q. A matriz R a matriz
que muda da base v
1
, v
2
, v
3
para a base q
1
, q
2
, q
3
(justique!). Assim,
R =
_
_
q
1
, v
1
) q
1
, v
2
) q
1
, v
3
)
q
2
, v
1
) q
2
, v
2
) q
2
, v
3
)
q
3
, v
1
) q
3
, v
2
) q
3
, v
3
)
_
_
=
_
_
_
3
2
3
3
3
0
15
3
15
5
0 0
10
5
_
_
_
.
Se Ax = b, ento QRx = b e, portanto, Rx = Q
t
b. Portanto, basta resolver
_
_
_
3
2
3
3
3
0
15
3
15
5
0 0
10
5
_
_
_
_
_
x
y
z
_
_
= Q
t
b =
_
_
_
3
3
2
15
15
10
5
_
_
_
.
Obtemos imediatamente
_
_
x
y
z
_
_
=
_
_
0
1
1
_
_
.
= ker Q
. Logo,
Q
(b QR x) = 0 R x = Q
b.
Uma vez que QR = A, o vetor QQ
2) 0 (1/
2))
t
e q
2
= ((1/
6) (2/
6) (1/
6))
t
. Assim,
Q =
_
_
_
1
2
1
6
0
2
6
1
2
1
6
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 234 #250
i
i
i
i
i
i
234 Decomposies Matriciais Cap. 11
A matriz R = (r
ij
) satisfaz r
ij
= v
1
, q
j
). Portanto,
R =
_
2
2
1
2
4
2
0
3
6
6
6
_
.
Para resolvermos o problema dos quadrados mnimos Ax = (1 1 1)
t
, basta resolver
_
2
2
1
2
4
2
0
3
6
6
6
_
_
_
x
y
z
_
_
= Q
t
b =
_
2
2
3
_
,
cuja soluo
_
_
x
y
z
_
_
=
2
3
_
_
1
1
0
_
_
+ z
_
_
1
2
1
_
_
.
O vetor (1 2 1)
t
pertence ao ncleo de A e o vetor (1 1 0)
t
a nica soluo
do problema dos quadrados mnimos.
11.4 Exerccios
1. Seja A uma matriz simtrica invertvel. Mostre que A
2
uma matriz positiva
denida.
2. Sejam E um espao euclidiano e T : E E um operador cujo polinmio
caracterstico tem suas razes no corpo K. Dena W = < v >, para algum
autovetor v de T e considere E = W W
. Ento:
(a) T(W
) W
;
(b) Mostre por induo o Teorema de Schur.
3. Seja B uma base ortonormal de V . Suponhamos que a representao A = T
B
do operador linear T : V V seja uma matriz triangular superior. Mostre
que T normal se, e somente se, A for diagonal. Deduza da o Teorema
10.13.
4. Na decomposio de Schur, U
i=1
[
i
[
2
i,j=1
[a
ij
[
2
e que a igualdade s se verica quando A for normal.
6. Conclua, utilizando a desigualdade de Schur, que se M, N so matrizes
normais e MN normal, ento NM normal. (Veja o Exerccio 29 do
Captulo 10.)
i
i
ALinear 2005/12/19 13:25 page 236 #252
i
i
i
i
i
i
A
Matrizes Elementares e a
Decomposio LU
Seja A M
mn
(K). Vamos mostrar como o escalonamento de uma matriz
pode ser interpretado em termos de uma decomposio da matriz A.
Uma matriz E elementar se puder ser obtida da matriz identidade mm por
meio da aplicao de uma operao elementar. O prximo resultado mostra que a
aplicao de uma operao elementar sobre as linhas da matriz A equivalente
multiplicao desse matriz por uma matriz elementar.
Proposio A.1 Seja e uma operao elementar sobre (as linhas de) a matriz
A M
mn
(K) e E a matriz elementar e(I), sendo I a matriz identidade m m.
Ento e(A) = EA.
Demonstrao: A demonstrao deve ser feita para todos os tipos de operao
elementar. Consideraremos apenas a aplicao de uma operao elementar (c): a
linha j ser substituda pela soma da linha j com vezes a linha i. A matriz E,
nesse caso, dada por
E =
_
_
_
_
_
_
_
1 0 . . . 0
.
.
.
.
.
.
0 . . . . . . 1 . . . 0
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
_
linha j
coluna j
236
i
i
ALinear 2005/12/19 13:25 page 237 #253
i
i
i
i
i
i
237
Ento
EA =
_
_
_
_
_
_
_
1 0 . . . 0
.
.
.
.
.
.
0 . . . . . . 1 . . . 0
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
.
.
.
.
.
.
a
j1
a
j2
. . . a
jn
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
.
.
.
.
.
.
a
j1
+ a
i1
a
j2
+ a
i2
. . . a
jn
+ a
in
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
,
que justamente e(A). P
Consideremos o processo de escalonamento de uma matriz A e suponhamos
que E seja uma matriz elementar obtida por meio da operao elementar (b) ou (c).
fcil vericar que tanto a matriz E como sua inversa (que existe!) so matrizes
triangulares inferiores (veja o Exerccio 2).
Tendo em vista a Proposio A.1, dada uma matriz A M
mn
(K), obtemos
uma forma escalonada da matriz A ao multiplic-la por matrizes elementares
E
k
E
k1
. . . E
2
E
1
. Quer dizer,
(E
k
E
k1
. . . E
2
E
1
)A = U,
em que U = (u
ij
) tem todos os seus elementos abaixo da diagonal u
ii
iguais a zero.
Suponhamos que, nesse processo de levar a matriz A a sua forma escalonada,
a operao elementar (a) no tenha sido utilizada. Uma vez que a matriz
E
k
E
k1
. . . E
2
E
1
tem inversa e sua inversa uma matriz triangular inferior (veja
o Exerccio 3), obtemos que
A = LU
em que a matriz L triangular inferior e a matriz U = (u
ij
) "triangular superior",
signicando que u
ij
= 0, se i > j. Essa a decomposio LU da matriz
A M
mn
(K). (A decomposio A = LU, quando possvel, usualmente feita
para matrizes quadradas A. Nesse caso, a matriz U uma autntica matriz triangular
superior.)
i
i
ALinear 2005/12/19 13:25 page 238 #254
i
i
i
i
i
i
238 Matrizes Elementares e a Decomposio LU Cap. A
Observao A.2 Se, no escalonamento de A M
mn
(K), no for utilizada a
operao elementar (a), a decomposio LU pode ser atingida unicamente por meio
da operao elementar (c): no h necessidade de transformar em 1 o primeiro
elemento no-nulo de cada linha. Assim, suponhamos que por meio das matrizes
elementares E
1
,...,E
k
todos os elementos abaixo do piv de cada linha tenham sido
anulados at a coluna j 1, e que o piv da coluna j esteja na linha i, com i j.
Se > i, para anularmos o elemento b
j
da matriz (b
ij
) = E
k
. . . E
1
A, substitumos
a linha pela linha somada a (
,j
) vezes a linha i. A essa operao corresponde
a matriz elementar
linha i
linha
_
_
_
_
_
_
_
_
_
_
_
_
1
.
.
.
1
.
.
.
.
.
.
,j
1
.
.
.
1
_
_
_
_
_
_
_
_
_
_
_
_
.
coluna j
O valor de
,j
b
j
/b
ij
, se b
j
e b
ij
forem os primeiros elementos no-nulos das
linhas e i, respectivamente, da matriz E
k
. . . E
1
A. Se multiplicarmos todas as
matrizes que anulam os elementos b
j
, com > i, obteremos a matriz
Q
j
=
_
_
_
_
_
_
_
_
_
1
.
.
.
1
i+1,j
.
.
.
.
.
.
i+r,j
1
_
_
_
_
_
_
_
_
_
.
fcil vericar que L
j
= Q
1
j
existe e tem o mesmo formato da matriz dada.
Decorre da que, na decomposio LU da matriz A, todos os elementos da diagonal
principal da matriz L so iguais a 1.
Seja A uma matriz mn. Suponhamos que no tenha sido utilizada a operao
elementar (a) no escalonamento de A e que tenhamos chegado a exatamente n
i
i
ALinear 2005/12/19 13:25 page 239 #255
i
i
i
i
i
i
239
pivs. De acordo com a Observao A.2, isso implica que, na decomposio LU
da matriz A, os elementos diagonais da matriz m m L so todos iguais a 1,
enquanto os elementos diagonais da matriz U so justamente os pivs. Podemos
ento escrever a matriz A numa forma mais simtrica: se
U =
_
_
_
_
_
_
_
_
_
_
_
u
11
u
12
u
1n
0 u
22
u
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 u
nn
0 0 0
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
_
_
_
_
_
,
com u
ii
,= 0, ento podemos decompor U = DU
:
DU
=
_
_
_
_
_
_
_
_
_
_
_
u
11
0 0 0 0
0 u
22
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 u
nn
0 0
0 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 u
12
/u
11
u
1n
/u
11
0 1 u
2n
/u
22
.
.
.
.
.
.
.
.
.
0 0 1
0 0 0
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
_
_
_
_
_
,
em que D uma matriz mm e U
.
usual escrever A = LDU, chamada decomposio LDU da matriz A.
Proposio A.3 Seja A uma matriz m n. Se A = LU e A = LU, com L, L
matrizes m m triangulares inferiores com elementos diagonais iguais a 1 e
U, U matrizes triangulares superiores com elementos "diagonais" no-nulos, ento
L = L e U = U. Em particular, a decomposio LDU de uma matriz nica.
Demonstrao: Como a matriz L possui inversa, temos U = (L
1
L)U. A matriz
quadrada L
1
L triangular inferior e tem elementos diagonais iguais a 1. Vamos
mostrar que L
1
L =: R = (r
ij
) a matriz identidade. Temos r
i1
= 0 se i ,= 1, o
que pode ser comprovado multiplicando a linha i de R pela primeira coluna de U,
i
i
ALinear 2005/12/19 13:25 page 240 #256
i
i
i
i
i
i
240 Matrizes Elementares e a Decomposio LU Cap. A
pois RU uma matriz triangular inferior e u
11
,= 0. Da mesma forma, multiplicando
as linha de R pela segunda coluna de U, vericamos que r
i2
= 0 se i ,= 2 e assim
sucessivamente. Logo R = I e U = U.
Seja D = (d
ij
) a matriz diagonal m m com d
ii
= u
ii
para i = 1, . . . , n e
d
jj
= 0 se j > n. fcil vericar que existe uma nica matriz triangular superior
U
. Isso completa
a prova. P
O resultado anterior importante, pois estamos tratando da forma escalonada
da matriz A M
mn
(K), que no nica!
Proposio A.4 Seja Auma matriz mn tal que todas suas submatrizes principais
A
r
sejam invertveis. Ento A tem uma decomposio LU.
Demonstrao: Como a
11
= A
1
, o elemento a
11
o piv da primeira linha. Existe
ento uma matriz invertvel E, obtida ao se aplicar sucessivamente a operao
elementar (c) de modo a anular todos os elementos de A abaixo do piv. Temos
ento que
EA =
_
_
_
_
_
a
11
a
12
a
1n
0 b
22
b
2n
.
.
.
.
.
.
0 b
m2
b
mn
_
_
_
_
_
.
Claramente a submatriz principal de EA
_
a
11
a
12
0 b
22
_
resulta da submatriz principal de A
_
a
11
a
12
a
21
b
22
_
mediante a aplicao de uma operao elementar do tipo (c). Em particular, aquela
submatriz principal de EA invertvel, pois a submatriz de A invertvel (por
hiptese). Da decorre que b
22
,= 0, mostrando que b
22
um piv da segunda linha
de EA. A prova agora segue-se da por induo. P
Suponhamos agora que, ao levarmos a matriz A a sua forma escalonada seja
necessria a aplicao da operao elementar (a). Ento no possvel decompor
i
i
ALinear 2005/12/19 13:25 page 241 #257
i
i
i
i
i
i
A.1 Exerccios 241
a matriz A na forma LU. Entretanto, podemos considerar as matrizes elementares
que fazem as transposies de linhas necessrias para o escalonamento da matriz
A. Cada matriz dessas ortogonal. Consideremos a matriz P, produto de todas
essas matrizes. (A matriz P uma matriz de permutao, como produto de
transposies).
Consideremos ento a matriz PA. Com essa permutao das linhas de A,
possvel levar a matriz A a uma forma triangular superior por meio unicamente da
operao elementar (c). (Veja o Exerccio 6.) Assim, para a matriz PA vale:
PA = LU.
Como a matriz P ortogonal, temos ento
A = P
t
LU.
A.1 Exerccios
1. Demonstre a Proposio A.1 com relao s operaes elementares (a) e (b).
2. Mostre que toda matriz elementar tem inversa, e que essa inversa uma
matriz elementar. Mostre que uma matriz elementar surgida no processo de
escalonamento da matriz A uma matriz triangular inferior.
3. Mostre que o produto de matrizes triangulares inferiores (respectivamente,
superiores) uma matriz triangular inferior (resp., superior).
4. Justique o algoritmo usualmente utilizado para se obter a inversa de uma
matriz.
5. D um exemplo mostrando que possvel ter A = LU = L
, com L, L
_
_
_
_
_
.
242
i
i
ALinear 2005/12/19 13:25 page 243 #259
i
i
i
i
i
i
243
Ento
f(A) =
_
_
_
_
_
f(A
1
) 0 0
0 f(A
2
) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 f(A
)
_
_
_
_
_
.
Demonstrao: Seja r = a
0
+a
1
z +a
2
z
2
+. . . +a
m
z
m
o polinmio interpolador
procurado. Claramente vale:
f(A) = a
0
I + a
1
_
_
_
_
_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
_
_
_
_
_
+a
2
_
_
_
_
_
A
2
1
0 0
0 A
2
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
2
_
_
_
_
_
+ . . . +a
m
_
_
_
_
_
A
m
1
0 0
0 A
m
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
m
_
_
_
_
_
=
_
_
_
_
_
r(A
1
) 0 0
0 r(A
2
) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 r(A
)
_
_
_
_
_
Assim, o resultado estar provado se tivermos
f(A
j
) = r(A
j
).
Para j = 1, . . . , , sejam m e m
j
os polinmios mnimos de A e A
j
,
respectivamente. Como m(A) = 0, necessariamente cada bloco A
j
anulado por
m. Pelo Lema 5.14, temos que m um mltiplo de m
j
. Como vimos antes da
observao 6.8, isso implica que f(A
j
) = r(A
j
). P
Consideremos ento o caso de uma matriz diagonalizvel A. Seja, portanto,
f uma funo denida nos autovalores da matriz A = P
1
DP (sendo D matriz
diagonal). A denio usual de f(A) P
1
f(D)P.
De acordo com o Lema B.1, para calcularmos f(D) segundo a Denio 6.6,
basta calcularmos f em cada um dos n blocos diagonais D
1
=
1
, . . . , D
n
=
n
i
i
ALinear 2005/12/19 13:25 page 244 #260
i
i
i
i
i
i
244 Funes de Matrizes: Comparando Denies Cap. B
da matriz D. Como o polinmio mnimo do bloco D
j
m
j
= z
j
, temos que
f(D
j
) = r(D
j
) = f(
j
). Logo
f(D) = r(D) =
_
_
_
_
_
f(
1
) 0 0
0 f(
2
) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 f(
n
)
_
_
_
_
_
.
Mas ento
r(A) = r(P
1
DP) = P
1
r(D)P = P
1
f(D)P,
mostrando que as duas denies coincidem.
Consideremos agora o caso geral: escrevemos A = P
1
JP em que a matriz J
est na forma cannica de Jordan. usual denir f(A) = P
1
f(J)P. (Em alguns
textos de lgebra Linear, apenas o caso de f(z) = e
zt
analisado.)
Recordamos alguns fatos bsicos sobre a forma cannica de Jordan. Como
sabemos, uma matriz n n complexa (ou uma que possua n autovalores no
necessariamente distintos no corpo K) est na forma cannica de Jordan se ela for
diagonal em blocos
J =
_
_
_
_
_
J
1
0 0
0 J
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 J
k
_
_
_
_
_
sendo que os blocos J
i
possuem a forma
J
i
=
_
_
_
_
_
_
_
i
1 0 0
0
i
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
i
1
0 0 0
i
_
_
_
_
_
_
_
.
Estamos denotando por
i
um dos autovalores da matriz A. Ao mesmo autovalor
i
podem estar associados diferentes blocos J
i
. Sabemos que existe pelo menos
um bloco d
i
d
i
, sendo d
i
a multiplicidade algbrica do autovalor
i
(isto , a
multiplicidade de
i
como fator do polinmio caracterstico de A).
Se J for uma matriz na forma cannica de Jordan, consideremos um bloco J
) = f()I + f
()(J
I) + . . . +
f
(k1)
()
(k 1)!
(J
I)
(k1)
=
_
_
_
_
_
_
_
_
f()
f
()
1!
f
()
2!
f
(k1)
()
(k1)!
0 f()
f
()
1!
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 f()
f
()
1!
0 0 0 f()
_
_
_
_
_
_
_
_
. (B.1)
Comparando essa expresso, obtida por meio da Denio 6.6, com a denio
de funo de matriz na forma de Jordan
1
vemos que elas coincidem.
No caso de blocos kk, com 1 k < d, basta ento notarmos que o polinmio
procurado sempre dever ter grau k 1, pois o polinmio mnimo do bloco (que
coincide com o polinmio caracterstico) tem grau k. Assim, a expresso obtida
continua vlida para qualquer bloco k k.
Para passarmos dos blocos para a matriz na forma cannica de Jordan basta
empregarmos o Lema B.1.
1
Em [32], o uxo e
Jt
de uma matriz J na forma cannica de Jordan explicitamente calculado.
Trocando-se a funo exp zt por uma funo f sucientemente suave, obtemos ento uma expresso
idntica equao (B.1). Veja, a esse respeito, [29].
i
i
ALinear 2005/12/19 13:25 page 246 #262
i
i
i
i
i
i
C
Decomposio Primria
O objetivo deste Apndice apresentar uma demonstrao "tradicional" do
Teorema da Decomposio Primria.
Dizemos que dois polinmios p, q K[t] so primos entre si, se o nico
polinmio mnico que dividir tanto p quanto q for o polinmio 1.
Lema C.1 Sejam p, q K[t]. Se p e q forem primos entre si, ento existem
polinmios a, b K[t] tais que
ap + bq = 1.
Demonstrao: Seja 1 o conjunto de todos os polinmios da forma ap + bq, com
a, b K[t]. Como 1 possui elemento no-nulo, existe em1 um polinmio no-nulo
de menor grau, que chamaremos d = ap + bq.
Armamos que d divide tanto p quanto q. De fato, se d no dividisse p, por
exemplo, teramos p = md + r, em que o grau de r menor do que o grau de d.
Como p e d esto em 1, r = p md 1, o que contradiz a escolha de d. Logo
r = 0, mostrando o armado.
Como p e q so primos entre si, d tem grau zero, isto , d uma constante,
digamos k. Como k ,= 0, escolhendo a = a/k e b = b/k temos
ap + bq = 1.
P
Corolrio C.2 Sejam p
1
, . . . , p
k
, p
k+1
K[t] polinmios primos entre si dois a
dois. Ento p
2
. . . p
k
p
k+1
e p
1
so primos entre si.
246
i
i
ALinear 2005/12/19 13:25 page 247 #263
i
i
i
i
i
i
247
Demonstrao: Isso se prova por induo em k. Se k = 1, nada h a provar.
Suponhamos verdadeiro para k = j e seja d um polinmio mnico que divide
p
1
e p
2
. . . p
j
p
j+1
. Como p
1
e p
j+1
so primos entre si, existem polinmios a e
b tais que ap
1
+ bp
j+1
= 1. Multiplicando por p
2
. . . p
j
, obtemos ap
1
(p
2
. . . p
j
) +
b(p
2
. . . p
j
p
j+1
) = p
2
. . . p
j
. Como d divide tanto p
1
quanto p
2
. . . p
j
p
j+1
, vemos que
d divide p
2
. . . p
j
. Mas ento a hiptese de induo garante que d = 1, provando o
armado. P
Lema C.3 Sejam p, q K[t] primos entre si e 0 ,= A M
nn
(K). Sejam N
p
, N
q
e
N
pq
os ncleos das matrizes p(A), q(A) e p(A)q(A), respectivamente. Ento
N
pq
= N
p
N
q
.
Demonstrao: Como existem polinmios a, b K[t] tais que bq +ap = 1, temos
que
b(A)q(A) + a(A)p(A) = I.
Se x N
pq
, ento b(A)q(A)x N
p
. De fato, aplicando p(A) a esse ponto, temos
p(A)b(A)q(A)x = b(A)p(A)q(A)x = 0, dada a comutatividade de polinmios
da matriz A. Da mesma forma temos a(A)p(A)x N
q
, se x N
pq
. Como
b(A)q(A)x + a(A)p(A)x = x, mostramos que x = x
p
+ x
q
, com x
p
N
p
e
x
q
N
q
.
Para mostrar que essa decomposio nica, suponhamos que x = x
p
+ x
q
=
x
p
+x
q
. Mas ento y := x
p
x
p
= x
q
x
q
pertence, simultaneamente, a N
p
e N
q
.
Aplicando b(A)q(A) +a(A)p(A) = I em y, temos
b(A)q(A)y + a(A)p(A)y = y.
Mas b(A)q(A)y = 0 = a(A)p(A)y, de modo que y = 0, o que implica x = x
p
e
x
q
= x
q
, mostrando a unicidade da decomposio. P
Por induo, obtemos ento o
Corolrio C.4 Seja 0 ,= A M
nn
(K). Se p
1
, p
2
, . . . , p
k
so polinmios em K[t],
primos entre si dois a dois, se N
p
i
denota o ncleo de p
i
(A) e N
p
1
...p
k
o ncleo de
p
1
(A) . . . p
k
(A), ento
N
p
1
...p
k
= N
p
1
N
p
k
.
i
i
ALinear 2005/12/19 13:25 page 248 #264
i
i
i
i
i
i
248 Decomposio Primria Cap. C
Denio C.5 Seja p K[t] o polinmio caracterstico da aplicao linear T :
X X, em que X um espao vetorial de dimenso nita n. Suponhamos que
p(t) = [p
1
(t)]
s
1
[p
j
(t)]
s
j
seja a decomposio de p em fatores irredutveis, com p
i
,= p
k
para i ,= k.
Denimos, para i = 1, . . . , j, o auto-espao generalizado associado ao polinmio
p
i
como o conjunto de todos os vetores v X para os quais existe um inteiro
positivo k tal que
[p
i
(T)]
k
v = 0.
No caso em que p
i
(t) = t
i
, sendo
i
um autovalor de T, os elementos no-nulos
do auto-espao generalizado so os autovetores generalizados de T associados ao
autovalor
i
.
Para k N
, seja N
k
(p
i
) o ncleo de [p
i
(T)]
k
. Claramente temos que
N
1
(p
i
) N
2
(p
i
) .
Como N
k
(p
i
) um subespao do espao de dimenso nita X para todo k N,
esses subespaos precisam ser todos iguais a partir de certo ndice k N. Seja
d
i
= d(p
i
) o menor inteiro positivo com tal propriedade, isto ,
N
d
i
(p
i
) = N
d
i
+1
(p
i
) = , mas N
d
i
1
(p
i
) ,= N
d
i
(p
i
).
O inteiro positivo d
i
o ndice de p
i
(T).
Lema C.6 Os subespaos N
k
(p
i
) so invariantes pelo operador T, para todo
k N
. Se W
i
= ker[p
i
(T)]
d
i
, ento o polinmio mnimo de T restrito a W
i
[p
i
(T)]
d
i
.
Demonstrao: Seja w N
k
(p
i
) = ker[p
i
(T)]
k
. Ento [p
i
(T)]
k
Tw =
T[p
i
(T)]
k
w = 0, mostrando que Tw N
k
(p
i
).
A armao sobre o polinmio mnimo decorre da denio de d
i
. P
Teorema C.7 (Decomposio Primria)
Seja T : X X uma aplicao linear e p K[t] seu polinmio caracterstico.
Se
p(t) = [p
1
(t)]
s
1
[p
j
(t)]
s
j
i
i
ALinear 2005/12/19 13:25 page 249 #265
i
i
i
i
i
i
249
for a decomposio de p(t) em fatores irredutveis, com p
i
,= p
k
para i ,= k, ento,
se d
i
for o ndice de p
i
(T), o polinmio mnimo de T
m(t) = [p
1
(t)]
d
1
[p
j
(t)]
d
j
,
em que 0 < d
i
s
i
para i = 1, . . . , j. Em outras palavras, o polinmio mnimo
possui todos os fatores irredutveis do polinmio caracterstico de T. Alm disso,
X = W
1
W
j
,
em que W
i
= ker[p
i
(T)]
d
i
, com T(W
i
) W
i
.
Demonstrao: Seja m K[t] o polinmio mnimo de T. De acordo com o
Teorema de Cayley-Hamilton 5.22 e o Lema 5.14, os nicos fatores irredutveis
presentes na decomposio de m so fatores irredutveis de p. Incluindo fatores
irredutveis [p
i
(t)]
0
do polinmio caracterstico p que eventualmente estejam
ausentes na decomposio de m, podemos escrever
m(t) = m
1
(t) m
j
(t),
com m
i
(t) = [p
i
(t)]
r
i
e r
i
0 para i = 1, . . . , j. (Vamos mostrar que r
i
= d
i
> 0
para todo i = 1, . . . , j).
Como m(T) = 0, vemos que todo vetor v X pertence ao ncleo de m(T) =
m
1
(T) m
j
(T). Como os polinmios m
1
(t) = [p
1
(t)]
r
1
, . . . , m
j
(t) = [p
j
(t)]
r
j
so primos entre si dois a dois, podemos aplicar o Corolrio C.4 e concluir que
X = N
m
1
m
j
= N
m
1
N
m
j
. (C.1)
Consideremos agora q
i
(t) := [p
i
(t)]
d
i
. Pela denio de d
i
, se 0 r
i
d
i
,
ento N
m
i
N
q
i
= W
i
e X = N
m
1
...m
j
N
q
1
...q
k
. Assim, pelo Corolrio C.4,
X = N
q
1
N
q
j
= W
1
W
j
. (C.2)
Se r
i
> d
i
ainda temos N
m
i
N
q
i
, pois a denio de d
i
garante que N
q
i
= N
m
i
.
Em outras palavras, a decomposio (C.2) sempre vlida e, tendo em conta o
Lema C.6, provamos a decomposio armada no enunciado do teorema.
Vamos agora provar que r
i
= d
i
. Denotando T
i
= T[
W
i
, temos que q
i
(T
i
) = 0,
pela denio de W
i
. Assim (q
1
. . . q
j
)T = 0 e, como m(t) o polinmio mnimo
de T, m(t) divide q
1
(t) . . . q
j
(t) e portanto r
i
d
i
. Mas a denio de d
i
garante
a existncia de x W
i
tal que x , [p
i
(T)]
r
i
para r
i
< d
i
. Como N
m
i
N
q
i
, isso
contradiz a existncia das decomposies (C.1) e (C.2). Logo r
i
= d
i
. P
i
i
ALinear 2005/12/19 13:25 page 250 #266
i
i
i
i
i
i
250 Decomposio Primria Cap. C
Proposio C.8 Com a notao do Teorema C.7, o subespao W
i
= ker[p
i
(T)]
d
i
tem dimenso igual ao grau de [p
i
(t)]
s
i
, em que s
i
a multiplicidade de p
i
como
fator irredutvel do polinmio caracterstico p(t).
Demonstrao: Como o polinmio caracterstico de uma matriz n n tem grau
n, basta mostrar que o polinmio caracterstico de T restrito a W
i
justamente
[p
i
(t)]
s
i
.
Seja B
i
uma base de W
i
. Como X = W
1
W
j
, a representao de T na
base B formada pelos vetores de cada base B
i
T
B
= A =
_
_
_
_
_
A
1
0 0
0 A
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
j
_
_
_
_
_
,
em que A
i
um bloco de tamanho k
i
k
i
, em que k
i
a dimenso de W
i
. Assim
det(tI A) = det(tI A
1
) det(tI A
j
). (C.3)
Observe que det(tI A
i
) o polinmio caracterstico de T
i
, a restrio de T ao
subespao W
i
. Como o polinmio mnimo de T
i
[p
i
(t)]
d
i
(pelo Lema C.6), o
Teorema da Decomposio Primria C.7 garante que o polinmio caracterstico
de T
i
uma potncia de p
i
(t). Da igualdade (C.3) segue-se que o polinmio
caracterstico de T
i
[p
i
(t)]
s
i
. P
Corolrio C.1 Seja X um espao de dimenso nita. Um operador linear T :
X X diagonalizvel se, e somente se, o seu polinmio mnimo for produto de
fatores lineares distintos.
Demonstrao: Suponhamos que T seja diagonalizvel. Sejam
1
, . . . ,
os
autovalores distintos de T. Ento X possui uma base formada por autovetores de
T, de acordo com o Corolrio 5.6. Considere o polinmio
h(z) = (z
1
) . . . (z
).
Se v for um autovetor de T associado ao autovalor
i
, ento (T
i
I)v = 0. Isso
implica que h(T)v = 0 para qualquer autovetor de T. Como o Teorema Espectral
7.3 implica que o polinmio mnimo e caracterstico possuem os mesmos fatores
irredutveis, mostramos que h o polinmio mnimo de T.
i
i
ALinear 2005/12/19 13:25 page 251 #267
i
i
i
i
i
i
251
Reciprocamente, se m(z) = (z
1
) . . . (z
i
1 0 0
0
i
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
i
1
0 0 0
i
_
_
_
_
_
_
_
,
(Ao autovalor
i
est associado pelo menos um bloco J
i
; s vezes se dene J
i
com
a sub-diagonal de 1s situando-se abaixo da diagonal principal. O bloco J
i
pode
ser uma matriz 1 1.) O bloco J
i
um bloco de Jordan associado ao autovalor
i
.
Note que o polinmio caracterstico da matriz J da forma
p(z) = (z
1
)
s
1
. . . (z
j
)
s
j
.
Assim, o nmero de vezes que o autovalor
i
aparece na diagonal de J justamente
a sua multiplicidade como raiz do polinmio caracterstico.
Seja T : X X um operador no espao X, com dimX = n. Suponhamos
que T possa ser representado por uma matriz J na forma cannica de Jordan. Isso
signica que existe uma base B de X de modo que J = T
B
.
Consideremos um dos blocos de Jordan J
i
e B
= v
1
, . . . , v
r
, ento
T(v
1
) = v
1
e T(v
k
) = v
k1
+ v
k
, para k 2, . . . , r.
Essa uma cadeia de Jordan de comprimento r. No caso de um bloco 1 1, temos
uma cadeia de comprimento 1 associado ao autovetor responsvel por aquele bloco.
O mtodo de Fillipov fornece uma das provas mais diretas da existncia de
uma base na qual um operador assume a forma cannica de Jordan. Faremos essa
demonstrao adaptando e complementando aquela apresentada em Strang [33].
No enunciado do teorema estamos assumindo que X seja um espao complexo.
Basta, entretanto, que o polinmio caracterstico p de T : X X tenha todas as
suas razes no corpo K.
Teorema D.2 (Jordan)
Seja T : X X um operador no espao complexo X de dimenso n. Ento,
existe uma base de X na qual T representada por uma matriz na forma cannica
de Jordan. Essa representao nica, a menos de ordenamento dos blocos de
Jordan.
Demonstrao: Comeamos mostrando a existncia de uma base na qual o
operador T representado por uma matriz na forma cannica de Jordan.
Para isso, faremos induo em n = dimX, partindo do fato que, se dimX = 1,
ento T
B
est na forma cannica de Jordan para qualquer base B de X e que essa
representao nica. Suponhamos ento o resultado vlido para qualquer operador
denido num espao Y de dimenso menor do que ou igual a n 1, incluindo
tambm a unicidade (a menos de ordenamento dos blocos) dessa representao.
Consideremos ento um autovalor de T e o operador no-invertvel S =
T I. (Essa passagem acontece para que consideremos uma matriz que no
invertvel, por motivos que caro claros mais abaixo.)
Denotemos U = imS. Claramente vale S(U) U. Uma vez que ker S ,= 0,
temos que r := dimU < n. Se r = 0, ento dim(ker S) = n e T = I est na
forma de Jordan.
Se 1 r n 1, podemos aplicar a nossa hiptese de induo ao operador
S[
U
: U U. Portanto, existe uma base B
1
= u
1
, . . . , u
r
de U, com r vetores
pertencentes a cadeias de Jordan (cada uma delas iniciada por um autovetor) tal que,
nessa base, S[
U
est na forma cannica de Jordan. (Note que os espectros (S) e
(S[
U
) coincidem.)
Consideremos ento um espao complementar Y de U com relao a X:
X = U Y.
i
i
ALinear 2005/12/19 13:25 page 254 #270
i
i
i
i
i
i
254 Forma Cannica de Jordan Cap. D
Seja W = Y ker S. O subespao W formado por todos os autovetores de
S correspondentes ao autovalor 0 que no esto em U e tem dimenso k 0. (Se
k = 0, esse espao no considerado.) A escolha de uma base w
1
, . . . , w
k
para
W mantm S[
UW
na forma de Jordan, j que os vetores de W contribuem com
autovetores de S (e, portanto, com blocos 11). Mais do que isso, os vetores de W
no do origem a cadeias de Jordan de comprimento maior do que 1: se existisse
v X tal que Sv = w para w W, ento w imS, o que um absurdo.
Tomemos ento V como umcomplementar de W comrelao a Y : Y = V W.
Assim, estamos considerando uma decomposio
X = U V W.
Para mostrarmos o resultado, basta vericar que podemos escolher adequadamente
uma base de V , pois S[
UW
est na forma cannica de Jordan.
Como dimW = k e o Teorema do Ncleo e da Imagem garante que
dim(ker S) = nr, existemexatamente nrk autovetores de S emU associados
ao autovalor 0 e, portanto, n r k cadeias de Jordan em U associadas a esse
autovalor. Seja u
imax
o elemento maximal de cada cadeia de Jordan em U associada
ao autovalor 0.
Como u
imax
U, existe v
i
X tal que Sv
i
= u
imax
para todo i = 1, . . . , n
r k. Note que as cadeias relativas ao autovalor 0 em ker S U aumentaram seu
comprimento.
O conjunto v
1
, . . . , v
nrk
um conjunto linearmente independente, pois
sua imagem por S o conjunto linearmente independente u
1max
, . . . , u
nrkmax
Com uma pequena variao sobre o mtodo de Filippov, podemos aumentar sua
aplicabilidade. Apresentaremos essa modicao no decorrer do prximo exemplo:
Exemplo D.4 Seja
A =
_
_
_
_
_
_
_
_
2 0 0 0 0 0
1 2 0 0 0 0
1 0 2 0 0 0
0 1 0 2 0 0
1 1 1 1 2 0
0 0 0 0 1 1
_
_
_
_
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 258 #274
i
i
i
i
i
i
258 Forma Cannica de Jordan Cap. D
O polinmio caracterstico de A p(z) = (z 2)
5
(z + 1). Como a matriz A
invertvel, consideremos B = A 2I:
B =
_
_
_
_
_
_
_
_
0 0 0 0 0 0
1 0 0 0 0 0
1 0 0 0 0 0
0 1 0 0 0 0
1 1 1 1 0 0
0 0 0 0 1 3
_
_
_
_
_
_
_
_
.
O polinmio caracterstico de B q(z) = z
5
(z + 3).
Claramente e
6
= (0 0 0 0 0 1)
t
o (nico) autovetor associado ao autovalor 3.
Ele nos fornece o primeiro vetor da base de Jordan: u
1
= e
6
. (Se esse vetor no
fosse evidente, resolveramos o sistema (B 3I)x = 0.)
Se b R
6
um vetor arbitrrio, escalonando a matriz aumentada (B[ b)
encontramos tanto uma base para ker B como para imB:
_
_
_
_
_
_
_
_
0 0 0 0 0 0
b
1
1 0 0 0 0 0
b
2
1 0 0 0 0 0
b
3
0 1 0 0 0 0
b
4
1 1 1 1 0 0
b
5
0 0 0 0 1 3
b
6
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0 0 0
b
2
0 1 0 0 0 0
b
4
0 0 1 1 0 0
b
5
b
2
b
4
0 0 0 0 1 3
b
6
0 0 0 0 0 0
b
3
+ b
2
0 0 0 0 0 0
b
1
_
_
_
_
_
_
_
_
.
Assim, uma base para ker B dada por
_
_
_
_
_
_
_
_
0
0
x
4
x
4
3x
6
x
6
_
_
_
_
_
_
_
_
= x
4
_
_
_
_
_
_
_
_
0
0
1
1
0
0
_
_
_
_
_
_
_
_
+ x
6
_
_
_
_
_
_
_
_
0
0
0
0
3
1
_
_
_
_
_
_
_
_
,
enquanto imB tem como base os vetores de B correspondentes aos pivs (veja o
Exerccio 14 do Apndice A):
_
_
_
_
_
_
_
_
0
1
1
0
1
0
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
0
0
0
1
1
0
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
0
0
0
0
1
0
_
_
_
_
_
_
_
_
e
_
_
_
_
_
_
_
_
0
0
0
0
0
1
_
_
_
_
_
_
_
_
.
i
i
ALinear 2005/12/19 13:25 page 259 #275
i
i
i
i
i
i
259
fcil vericar que ker B imB tem como base um autovetor associado ao
autovalor 0.
u =
_
_
_
_
_
_
_
_
0
0
0
0
3
1
_
_
_
_
_
_
_
_
.
O segundo autovetor associado a 0 no pertence a ker B imB e dado por
v =
_
_
_
_
_
_
_
_
0
0
1
1
0
0
_
_
_
_
_
_
_
_
.
Assim, existem apenas dois blocos associados ao autovalor 0. Um deles uma
cadeia de Jordan de tamanho 4 (justique!) que tem como primeiro vetor
u
2
= u;
o outro uma cadeia de Jordan de tamanho 1 criada pelo vetor w
6
= v.
Precisamos encontrar os outros elementos da cadeia gerada por u
2
. Para isso,
resolvemos
Bx = u
2
,
cuja soluo geral
x =
_
_
_
_
_
_
_
_
0
0
3
0
1
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
0
0
1
1
0
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
0
0
0
0
3
1
_
_
_
_
_
_
_
_
.
Escolhemos uma soluo u
3
(de Bx = u
2
) com u
3
imB. Para que a soluo
i
i
ALinear 2005/12/19 13:25 page 260 #276
i
i
i
i
i
i
260 Forma Cannica de Jordan Cap. D
pertena a esse espao, devemos ter = 3, de modo que obtemos
u
3
=
_
_
_
_
_
_
_
_
0
0
0
3
4
1
_
_
_
_
_
_
_
_
.
O vetor u
4
escolhido como uma soluo em imB de Bx = u
3
. Esse sistema tem
como soluo geral
x =
_
_
_
_
_
_
_
_
0
3
0
7
1
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
0
0
1
1
0
0
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
0
0
0
0
3
1
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
0
0
0
0
3
1
_
_
_
_
_
_
_
_
.
Assim, devemos ter = 3 e = 4/3 para que x imB. Escolhemos ento
u
4
=
_
_
_
_
_
_
_
_
0
3
3
4
3
4
3
_
_
_
_
_
_
_
_
.
Finalmente, resolvemos o sistema Bx = u
4
e obtemos
v
5
=
_
_
_
_
_
_
_
_
3
4
0
5
4
3
0
_
_
_
_
_
_
_
_
,
vetor que no est em imB + ker B.
i
i
ALinear 2005/12/19 13:25 page 261 #277
i
i
i
i
i
i
261
Assim, a matriz P = (u
1
u
2
u
3
u
4
u
5
w
6
) coloca B na forma cannica de Jordan.
Somando 2I, a matriz A est na forma de Jordan:
J =
_
_
_
_
_
_
_
_
(1) 0 0 0 0 0
0
0
0
0
_
_
_
_
2 1 0 0
0 2 1 0
0 0 2 1
0 0 0 2
_
_
_
_
0
0
0
0
0 0 0 0 0 (2)
_
_
_
_
_
_
_
_
.
)
s
,
em que os autovalores
i
, i = 1, . . . , so distintos.
Ento, existem subespaos W
1
, . . . , W
.
Alm disso, dimW
i
= s
i
, o polinmio mnimos m
i
de T[
W
i
m
i
= (z
i
)
d
i
e W
i
= ker(T
i
I)
d
i
, em que 1 d
i
s
i
o comprimento do maior bloco de
Jordan associado ao autovalor
i
.
Demonstrao: Basta denir W
i
como o espao gerado pelos vetores de todas as
cadeias de Jordan correspondentes ao autovalor
i
na forma cannica de Jordan.
claro que o polinmio mnimo de T[
W
i
justamente o comprimento d
i
da
maior cadeia de Jordan presente em W
i
. Assim, todo elemento de W
i
pertence a
ker(T
i
I)
d
i
. A reciproca obtida ao se representar T numa base na qual T
assume uma forma de Jordan. P
Esse resultado nos indica como obter diretamente os subespaos W
i
: vale
ker(T
i
I) ker(T
i
I)
d
i
= ker(T
i
I)
d
i
+1
= = ker(T
i
I)
s
i
.
(D.1)
i
i
ALinear 2005/12/19 13:25 page 262 #278
i
i
i
i
i
i
262 Forma Cannica de Jordan Cap. D
(Para as incluses estritas veja o Exerccio 5 do Captulo 7; as igualdades so
conseqncias de (z
i
)
d
i
e (z
i
)
s
i
serem, respectivamente, os polinmios
mnimos e caracterstico de T[
W
i
).
O ndice d
i
do autovalor
i
encontrado quando essa seqncia de subes-
paos estabiliza-se. Ou, alternativamente, ker(T
i
I)
d
i
o primeiro subespao da
seqncia que tem dimenso s
i
. Os elementos de ker(T
i
I)
d
i
so os autovetores
generalizados associados a
i
.
Corolrio D.1 Seja X um espao de dimenso nita. Um operador linear T :
X X diagonalizvel se, e somente se, o seu polinmio mnimo for produto de
fatores lineares distintos.
Demonstrao: Suponhamos que T seja diagonalizvel. Sejam
1
, . . . ,
os
autovalores distintos de T. Ento X possui uma base formada por autovetores de
T, de acordo com o Corolrio 5.6. Considere o polinmio
h(z) = (z
1
) . . . (z
).
Se v for um autovetor de T associado ao autovalor
i
, ento (T
i
I)v = 0. Isso
implica que h(T)v = 0 para qualquer autovetor de T. Como o Teorema Espectral
7.3 implica que o polinmio mnimo e caracterstico possuem os mesmos fatores
irredutveis, mostramos que h o polinmio mnimo de T.
Reciprocamente, se m(z) = (z
1
) . . . (z
i
I) N
i
= D
i
i
I.
O
lado esquerdo da igualdade nilpotente (como soma de operadores nilpotentes que
comutam), enquanto o lado direito diagonalizvel. Diagonalizando o lado direito
da igualdade, o lado esquerdo continua sendo nilpotente. Mas isso implica que
D
i
i
I = 0 e, portanto, T
i
i
I = N
i
. Mas essa justamente a decomposio
oferecida pela forma cannica de Jordan. P
Observao D.7 Apesar de j termos apresentado alguns exemplos de obteno da
forma cannica de Jordan, sugiro que se retorne ao texto principal na Seo 7.4 para
um estudo mais exaustivo do assunto. Contudo, possvel seguir diretamente para
a Seo 7.5.
D.1 Exerccios
1. Mostre que os elementos de uma cadeia de Jordan so linearmente
independentes.
2. Prove diretamente que os vetores v
i
, u
i
e w
i
da demonstrao da forma de
Jordan (Teorema D.2) so linearmente independentes.
3. Considere um operador T : X X, cuja representao matricial na base
B uma matriz J na forma cannica de Jordan. Mostre a existncia de
uma decomposio T = D + N, com D diagonalizvel, N nilpotente e
DN = ND.
4. Complete os detalhes da demonstrao do Teorema D.6. Para isso, conra
os resultados citados naquele esboo de demonstrao nos exerccios do
Captulo 7.
i
i
ALinear 2005/12/19 13:25 page 264 #280
i
i
i
i
i
i
E
Sistemas de Equaes
Diferenciais Lineares
Neste Apndice mostraremos brevemente como o clculo funcional pode ser
aplicado no estudo de um sistema (linear) de equaes diferenciais ordinrias. No
temos a pretenso de ser completo ou auto-suciente: apenas apresentamos algumas
denies bsicas e expomos, utilizando o clculo funcional, a demonstrao de
alguns resultados clssicos.
Resolver um sistema linear de equaes diferenciais, com n equaes (de
primeira ordem) com coecientes constantes, signica encontrar n funes
continuamente diferenciveis
1
x
1
, . . . , x
n
: R R que satisfaam o sistema
x
1
= a
11
x
1
+ . . . + a
1n
x
n
+ b
1
x
2
= a
21
x
1
+ . . . + a
2n
x
n
+ b
2
.
.
. =
.
.
.
.
.
.
.
.
.
x
n
= a
n1
x
1
+ . . . + a
nn
x
n
+ b
n
.
Denindo a funo x : R R
n
por x(t) =
_
x
1
(t) . . . x
n
(t)
_
t
, vericamos que
esse sistema pode ser escrito na forma
x
= Ax + b,
em que x
(t) o vetor obtido derivando-se cada uma das coordenadas do vetor x(t)
e b = (b
1
. . . b
n
)
t
.
Em consonncia com a nomenclatura empregada no caso de sistemas lineares
(veja a Seo 3.3), se b = 0, o sistema homogneo; caso contrrio, ele chamado
no-homogneo.
1
Isto , cujas derivadas so funes contnuas.
264
i
i
ALinear 2005/12/19 13:25 page 265 #281
i
i
i
i
i
i
265
Vamos deter nossa ateno no sistema homogneo
x
= Ax. (E.1)
Se, ao procurarmos solues de (E.1) exigirmos, adicionalmente, que a soluo
x satisfaa a condio inicial
x(t
0
) = x
0
, (E.2)
em que x
0
um vetor do R
n
, estamos lidando com um problema de valor inicial.
Seguindo [30], mostraremos inicialmente a unicidade de soluo do problema
de valor inicial (E.1)-(E.2).
Teorema E.1 O problema de valor inicial (E.1)-(E.2) possui, no mximo, uma
soluo.
Demonstrao: Sejam x = (x
1
. . . x
n
)
t
e y = (y
1
. . . y
n
)
t
solues do problema
de valor inicial. Denimos z = (z
1
. . . z
n
)
t
por z(t) = x(t) y(t) e
u(t) =
_
t
t
0
_
[x
1
(s) y
1
(s)[ +. . . +[x
n
(s) y
n
(s)[
_
ds.
Como cada uma das parcelas da integral anterior uma funo contnua, o
Teorema Fundamental do Clculo garante que
u
(t) = [x
1
(t) y
1
(t)[ +. . . +[x
n
(t) y
n
(t)[.
Mas x
i
(t) =
_
t
t
0
x
i
(s)ds, y
i
(t) =
_
t
t
0
y
i
(s)ds e
[x
i
(t) y
i
(t)[ =
_
t
t
0
_
x
i
(s) y
i
(s)
_
ds
_
t
t
0
i
(s) y
i
(s)
ds, i 1, . . . , .
Portanto,
u
(t)
n
i=1
_
t
t
0
[x
i
(s) y
i
(s)[ds. (E.3)
Suponhamos que x
i
(t) y
i
(t) ,= 0 para algum i 1, . . . , n. Tome M > 0
tal que x
i
(t
0
) ,= y
i
(t
0
) para algum t
0
I = [t
0
M, t
0
+ M]. Ento, se t I,
podemos encontrar > 0 tal que (veja o Exerccio 1)
n
i=1
_
t
t
0
[x
i
(s) y
i
(s)[ds
n
i=1
_
t
t
0
[x
i
(s) y
i
(s)[ds, i 1, . . . , n.
i
i
ALinear 2005/12/19 13:25 page 266 #282
i
i
i
i
i
i
266 Sistemas de Equaes Diferenciais Lineares Cap. E
Substituindo na desigualdade (E.3), obtemos que a funo u : R R satisfaz a
inequao diferencial
u
u.
Multiplicando por e
t
, conclumos que
d
dt
_
e
t
u(t)
_
0.
Integrando essa desigualdade entre t
0
e t I, como u(t
0
) = 0, vem que
u(t) 0 para todo t I. Como u(t) 0 para todo t R e M > 0 arbitrrio,
chegamos a uma contradio. Assim, provamos que u 0. P
Denio E.2 Sejam x
1
, . . . , x
n
solues do sistema (E.1). Consideremos a matriz
X(t), cujas colunas so os vetores x
1
(t), . . . , x
n
(t). Denimos o Wronskiano
W(x
1
, . . . , x
n
)(t) das solues x
1
, . . . , x
n
por
W(x
1
, . . . , x
n
)(t) = det X(t).
Dizemos que as solues x
1
, . . . , x
n
so linearmente independentes, se
W(x
1
, . . . , x
n
)(t) ,= 0 t R.
Nesse caso, a matriz X(t) chamada matriz fundamental do sistema (E.1).
Caso contrrio, isto , se W(x
1
, . . . , x
n
)(t
0
) = 0 para algumt
0
R, as soluo
so linearmente dependentes.
(Compare com o Exerccio 14 do Captulo 4. A ligao entre as duas denies do
Wronskiano ser elucidada nos Exerccios 2 e 3 deste Apndice.)
Sabemos que os vetores x
1
(t
0
), . . . , x
n
(t
0
) R
n
so linearmente independentes
se, e somente se, W(x
1
, . . . , x
n
)(t
0
) ,= 0. Assim, a independncia linear
das solues x
1
, . . . , x
n
de (E.1) equivale independncia linear dos vetores
x
1
(t), . . . , x
n
(t) para todo t R.
Enfatizamos que combinaes lineares c
1
x
1
+. . . +c
j
x
j
de solues x
1
, . . . , x
j
de (E.1) tambm so solues de (E.1).
Proposio E.3
Se as solues x
1
, . . . , x
n
de (E.1) forem linearmente independentes, ento elas
constituem uma base do espao de solues, isto , toda soluo y de (E.1) uma
combinao linear c
1
x
1
+ . . . +c
n
x
n
.
i
i
ALinear 2005/12/19 13:25 page 267 #283
i
i
i
i
i
i
267
Essa Proposio justica a denominao de soluo geral para a expresso
c
1
x
1
+ . . . + c
n
x
n
,
se x
1
, . . . , x
n
for uma base de solues de (E.1).
Demonstrao: Seja y uma soluo de (E.1). Queremos mostrar que existem
constantes c
1
, c
2
, . . . , c
n
tais que
y(t) = c
1
x
1
(t) + c
2
x
2
(t) + . . . + c
n
x
n
(t), t R.
Seja t
0
R e consideremos y(t
0
). Em t
0
, temos o sistema linear nas incgnitas
c
1
, . . . , c
n
:
c
1
x
1
(t
0
) +c
2
x
2
(t
0
) + . . . + c
n
x
n
(t
0
) = y(t
0
).
Como sabemos, se W(t
0
) ,= 0, tal sistema tem soluo nica. Como as solues
c
1
x
1
(t) +. . . +c
n
x
n
(t) e y(t) de (E.1) coincidem no ponto t
0
, elas so idnticas em
R, como conseqncia do Teorema E.1. P
Observao E.4 Seja X(t) uma matriz fundamental de (E.1). Podemos escrever
a soluo geral desse sistema em termos matriciais: denindo o parmetro c =
(c
1
. . . c
n
)
t
R
n
, temos
x(t) = X(t)c.
Em particular, a resoluo de um problema de valor inicial pode ser descrita de
maneira bastante simples por meio da matriz fundamental: se x(t
0
) = x
0
R
n
,
ento devemos resolver
X(t
0
)c = x
0
,
donde obtemos c = X
1
(t
0
) e, portanto,
x = X(t)[X
1
(t
0
)].
Salientamos, entretanto, que a obteno direta de c = (c
1
. . . c
n
)
t
quase sempre
prefervel obteno de X
1
(t
0
).
Notamos que vale a equao matricial
X
= AX, (E.4)
(a derivada da matriz X(t) a derivao de cada uma de suas componentes), pois
cada coluna de X(t) soluo de x
= AX e x
= Ax, a matriz
fundamental desse ltimo sistema tambm chamada soluo fundamental.
i
i
ALinear 2005/12/19 13:25 page 268 #284
i
i
i
i
i
i
268 Sistemas de Equaes Diferenciais Lineares Cap. E
Proposio E.5 Sejam x
1
, . . . , x
n
solues do sistema (E.1). Ento
(i) ou W(x
1
, . . . , x
n
)(t) 0 (e as solues so linearmente dependentes);
(ii) ou W(x
1
, . . . , x
n
)(t) ,= 0 para todo t R (e as solues so linearmente
independentes).
Demonstrao: Suponhamos que W(x
1
, . . . , x
n
)(t
0
) = 0 para t
0
R. Ento,
existemconstantes nemtodas nulas c
1
, . . . , c
n
, tais que c
1
x
1
(t
0
)+. . .+c
n
x
n
(t
0
) = 0.
Dena w(t) = c
1
x
1
(t) + . . . + c
n
x
n
(t). Ento w(t) satisfaz (E.1) e w(t
0
) = 0.
Pelo Teorema E.1, temos que w(t) 0. Isto mostra que x
1
(t), . . . , x
n
(t) so
linearmente dependentes em todos os pontos de R. P
Denio E.6 Sejam x
1
, . . . , x
n
solues de (E.1) satisfazendo as condies
iniciais x
i
(0) = e
i
, em que e
1
, . . . , e
n
a base cannica do R
n
. Ento a matriz
X(t) =
_
x
1
(t) . . . x
n
(t)
_
chamada uxo linear do sistema (E.1) e denotada por
e
At
ou exp(At).
Se e
At
for o uxo do sistema x
= Ax consiste em obter o
uxo e
At
. A existncia do uxo e
At
est provada na Seo 6.4.
Como as colunas de e
At
formam uma base do espao de solues de (E.1),
podemos enunciar o seguinte resultado:
Teorema E.7 (Existncia e Unicidade)
O problema de valor inicial (E.1)-(E.2) possui uma nica soluo para todo
vetor x
0
R
n
.
Com o intuito de ilustrar a utilizao do Teorema E.1 na demonstrao de
resultados, vamos apresentar algumas propriedades do uxo e
At
.
Proposio E.8 Sejam A, B matrizes reais n n. Se AB = BA, ento e
At
B =
Be
At
e e
At
e
Bt
= e
(A+B)t
se, e somente se, AB = BA.
Alm disso, se v for um autovetor de A associado ao autovalor , ento, para
todo t R, v um autovetor de e
At
associado ao autovalor e
t
.
i
i
ALinear 2005/12/19 13:25 page 269 #285
i
i
i
i
i
i
269
Demonstrao: Que e
At
comuta com B uma conseqncia imediata do clculo
funcional, pois e
At
um polinmio (com coecientes dependendo de t) na matriz
A.
Se A comutar com B, ento
d
dt
_
e
At
e
Bt
_
= Ae
At
e
Bt
+ e
At
Be
Bt
= Ae
At
e
Bt
+Be
At
e
Bt
= (A + B)e
At
e
Bt
.
Isso mostra que e
At
e
Bt
soluo de X
t
,
em que A
i
= A[
W
i
.
Podemos calcular explicitamente a forma de e
A
i
t
. De fato, seja p
i
(z) =
(z
i
)
d
i
. Como p
i
(A
i
) = 0, o clculo funcional garante que e
A
i
t
= r
i
(A
i
),
em que
r
i
(z) = a
d
i
1
(z
i
)
d
i
1
+ . . . + a
1
(z
i
) +a
0
.
Resolvendo o sistema r
i
(
i
) = e
i
t
, r
i
(
i
) = te
i
t
, . . . , r
(d
i
1)
i
= t
d
i
1
e
i
t
,
obtemos os coecientes a
i
= a
i
(t). fcil vericar que esses coecientes tm a
forma e
i
t
P(t), em que P
i
(t) um polinmio na varivel t, com grau menor ou
igual a d
i
1. Uma vez que
r
i
(A
i
) = a
d
i
1
(t)(A
i
i
I)
d
i
1
+ . . . + a
1
(t)(A
i
i
I) + a
0
(t)I.
e que uma base de solues de x
= A
i
x dada pelas colunas da matriz e
A
i
t
, vemos
que essas solues tm a forma
P
d
i
(t)e
i
t
,
em que os polinmios vetoriais P
d
i
(t) tm grau d
i
1 e so obtidos ao se multiplicar
a
i
(t) = e
i
t
P
i
(t) pelas colunas de potncias da matriz A, isto , ao calcular
explicitamente r
i
(A).
Consideremos agora o caso de uma matriz real A que possua "autovalores"
complexos. Para cada par , = i, a expanso e
t
= e
t
(cos tisen t) gera
um par de solues reais e
t
cos t, e
t
sen t. Desse modo, as solues associadas
ao par de autovalores , so da forma
P
(t)e
t
cos t, P
(t)e
t
sen t,
em que P
tem grau d
1.
Observao E.10 Uma conseqncia do que acabamos de fazer que todo o
estudo do uxo linear e
At
, incluindo a classicao de sistemas lineares por
conjugao, pode ser feita sem a utilizao da forma cannica de Jordan.
i
i
ALinear 2005/12/19 13:25 page 271 #287
i
i
i
i
i
i
E.1 Exerccios 271
Denio E.11 Dizemos que os sistemas
x
= Ax e x
= Bx
(ou os uxos que lhes so associados) so linearmente conjugados, se existe um
isomorsmo h : K
n
K
n
tal que
h((t, x)) = (t, h(x)).
Teorema E.12 A aplicao linear h(x) = Cx uma conjugao linear entre os
sistemas
x
= Ax e x
= Bx
se, e somente se, C for invertvel e CA = BC. Em particular, esses sistemas so
linearmente conjugados se, e somente se, as matrizes A e B forem semelhantes.
Demonstrao: Se CA = BC, a Proposio E.8 mostra que Ce
At
x = e
Bt
Cx,
ou seja, que h(x) = Cx uma conjugao linear entre os sistemas x
= Ax e
x
u.
2. Consideremos uma equao diferencial de ordem n
y
(n)
(t) = f(t, y(t), y
(t), . . . , y
(n1)
(t)). (E.5)
i
i
ALinear 2005/12/19 13:25 page 272 #288
i
i
i
i
i
i
272 Sistemas de Equaes Diferenciais Lineares Cap. E
Denindo x
1
= y, x
2
= y
,...,x
n
= y
(n1)
, verique que uma soluo de (E.5)
obtida ao se resolver o sistema
_
_
x
1
= x
2
x
2
= x
3
.
.
.
.
.
.
x
n
= f(t, x
1
, . . . , x
n1
).
(E.6)
3. Considere a equao linear homognea de ordem m:
a
n
x
(n)
(t) +. . . + a
1
x
(t) + a
0
x(t) = 0.
Transforme essa equao em um sistema homogneo de equaes lineares
de primeira ordem. Compare o Wronskiano, denido no Exerccio 14 do
Captulo 4, com o Wronskiano desse sistema.
4. (Esse exerccio necessita de conhecimentos sobre a derivada da aplicao
determinante.) Mostre o Teorema de Liouville: se x
1
, . . . , x
n
forem solues
de (E.1), ento
W(t) = W(t
0
) exp
__
t
t
0
tr (A)ds
_
.
5. Sejam (t) e (t) duas solues do sistema matricial (E.4), sendo (t) uma
matriz fundamental do sistema x
= Ax se, e somente
se, C tem inversa.
6. (Mtodo de Variao dos Parmetros) Seja X(t) uma matriz fundamental
de x
= Ax + B, com (t
0
) = R
n
,
mostre que
(t) = X(t)
_
X
1
(t
0
) +
_
t
t
0
X
1
(s)B(s)ds
_
.
i
i
ALinear 2005/12/19 13:25 page 273 #289
i
i
i
i
i
i
E.1 Exerccios 273
7. Para toda matriz A M
nn
, mostre que a aplicao
U : R M
nn
, U(t) = e
At
um homomorsmo C
,
existe y
n
X tal que |y
n
| = 1 e |Ty
n
| n. Denindo x
n
= y
n
/n, temos que
x
n
0, enquanto |Tx
n
| 1, contradizendo (i). Finalmente, (ii) (iii), pois,
se x ,= 0, ento x/|x| tem norma 1 e, portanto |T(x/|x|)| M. Mas ento
|Tx| M|x|. P
Corolrio F.2 Uma aplicao linear T : X Y sobrejetora um homeomorsmo
(isto , uma bijeo contnua com inversa contnua) entre os espaos normados X
e Y se existirem constantes > 0 e > 0 de modo que
|x| |Tx| |x|.
274
i
i
ALinear 2005/12/19 13:25 page 275 #291
i
i
i
i
i
i
275
Demonstrao: Basta notar que a continuidade de T
1
equivale existncia de
uma constante
1
< 0 tal que |T
1
y|
1
|y| para todo Y y = Tx, com
x X. P
Dizemos que os espaos X e Y so linearmente homeomorfos se existir um
homeomorsmo linear T : X Y .
Exemplo F.3 Seja K[t] o espao vetorial de todos os polinmios (com coecientes
em K) na varivel t. Para p K[t], denimos
|p| = sup
t[0,1]
[p(t)[.
O Teorema Fundamental da lgebra garante que | | uma norma em K[t].
Denimos agora T : K[t] R por T(p) = p(2). Claramente T linear.
Mostraremos que T descontnua no polinmio p = 0. De fato, tomando = 1/2,
consideremos o polinmio p
n
:= (t/2)
n
. Claramente |p
n
0| = 1/2
n
, mas
[T(p
n
) 0[ = [T(p
n
)[ = 1.
Quando o mesmo espao X for considerado com diferentes normas, algumas
vezes empregaremos a notao (X, | |) para ressaltarmos que X est sendo
considerado com a norma | |.
Denio F.4 Duas normas | |
0
e | |
1
num espao X so equivalentes se a
aplicao identidade I : (X, | |
0
) (X, | |
1
) for um homeomorsmo. Em
outras palavras, quando existirem constantes > 0 e > 0 de modo que
|x|
0
< |x|
1
|x|
0
.
Algumas normas equivalentes no espao K
n
so consideradas no Exerccio 46
do Captulo 8. Vamos mostrar, seguindo [23], que todas as normas num espao
normado de dimenso nita so equivalentes.
Para isso, relembramos que um conjunto K K
n
compacto se, e somente se,
for limitado e fechado; e tambm que toda funo contnua denida num compacto
K K
n
assume mximo e mnimo em K.
Lema F.5 Seja (X, | |) um espao vetorial normado. Considere K
n
com a norma
|x|
:= max
i=1,...,n
[x
i
[. Ento toda aplicao linear T : (K
n
, | |
) X contnua.
i
i
ALinear 2005/12/19 13:25 page 276 #292
i
i
i
i
i
i
276 Espaos Normados Cap. F
Demonstrao: Se x = x
1
e
1
+ . . . + x
n
e
n
, denindo = |Te
1
| + . . . + |Te
n
|,
temos
|Tx| =
n
i=1
[x
i
[ |Te
i
| max
i=1,...,n
[x
i
[
n
i=1
|Te
i
| = |x|
.
P
Teorema F.6 Seja (X, | |) um espao normado de dimenso n sobre o corpo K.
Ento X linearmente homeomorfo a K
n
.
Demonstrao: Escolha uma base B = x
1
, . . . , x
n
emX e considere x =
1
x
1
+
. . . +
n
x
n
X. A representao [x]
B
K
n
o vetor = (
1
2
n
)
t
K
n
.
Consideremos o isomorsmo T : (K
n
, | |
) S e
f
_
x
|x|
_
=
_
_
_
_
Tx
|x|
_
_
_
_
|x|
|Tx|.
O Corolrio F.2 garante ento que T um homeomorsmo. P
Corolrio F.7 Sejam X e Y espaos normados, dimX = n. Ento toda aplicao
linear T : X Y contnua.
Demonstrao: Seja S : K
n
X um homeomorsmo linear. Ento U = T S :
K
n
Y uma aplicao linear contnua, de acordo com o Lema F.5. Mas ento
T = U S
1
uma aplicao linear contnua. P
Corolrio F.8 Todas as normas num espao vetorial X de dimenso nita so
equivalentes.
Demonstrao: Se | |
1
e | |
2
forem duas normas em X, decorre do Corolrio
F.7 que as aplicaes identidade I
12
: (X, | |
1
) (X, | |
2
) e I
21
: (X, | |
2
)
(X, | |
1
) so contnuas. Isso garante a equivalncia das normas consideradas. P
Seja A M
mn
(K) uma matriz. Identicando M
mn
(K) com K
mn
, podemos
introduzir uma noo natural de norma em M
mn
(K) e transform-lo num espao
normado. Contudo, seguiremos um caminho mais geral: se T : X Y for uma
aplicao linear contnua, deniremos diretamente norma de uma aplicao linear
|T|.
i
i
ALinear 2005/12/19 13:25 page 277 #293
i
i
i
i
i
i
277
Denio F.9 Sejam X e Y espaos normados e T : X Y uma aplicao linear
contnua. Denimos
|T| = max
x1
|Tx|.
Nessa denio, note que | | designa tanto a norma em X quanto a norma em Y .
A denio nos mostra que |Tx| |T| |x| para todo x X.
O prximo resultado garante que | | realmente uma norma no espao vetorial
/(X, Y ) de todas as aplicaes lineares contnuas de X em Y .
Proposio F.10 Sejam X, Y espaos normados e T : X Y uma aplicao
linear contnua. Ento
(i) |T| uma norma;
(ii) |ST| |S| |T|.
Demonstrao: Claramente |T| 0 e |T| = 0 se, e somente se, Tx = 0 para
todo x ,= 0. Vale
|T| = max
x=0
|Tx|
|x|
= max
x=0
[[ |Tx|
|x|
= [[ max
x=0
|Tx|
|x|
= [[ |T|.
Alm disso,
|S + T| = max
x=0
|(S +T)x|
|x|
max
x=0
|Sx| +|Tx|
|x|
max
x=0
|Sx|
|x|
+ max
x=0
|Tx|
|x|
= |S| +|T|.
(ii) |(ST)x| = |S(Tx)| |S| |Tx| |S| |T| |x|. P
Observao F.1 A norma da aplicao T depende das normas escolhidas nos
espaos X e Y (veja em [24], p. 65, uma tabela relacionando a norma de uma
matriz A, n m, com diferentes normas nos espaos R
m
e R
n
).
Consideremos ento uma aplicao linear T : X Y entre espaos normados,
com dimX = m e dimY = n. A escolha de bases nos espaos X e Y gera
isomorsmos entre X e K
m
e Y e K
n
, respectivamente. Esses isomorsmos
no precisam ser isomtricos, de forma que representaes matriciais de T podem
possuir normas diferentes da norma da aplicao T.
Contudo, se os espaos envolvidos forem euclidianos, a norma da aplicao T
igual norma (como aplicao linear) de qualquer uma de suas representaes
matriciais referentes a bases ortonormais nos espaos X e Y , pois as matrizes
mudana de base envolvidas sero sempre unitrias. (Veja o Exerccio 7.)
i
i
ALinear 2005/12/19 13:25 page 278 #294
i
i
i
i
i
i
278 Espaos Normados Cap. F
F.1 Exerccios
1. Seja X um espao normado. Mostre que a aplicao x X |x| R
+
|.
6. Seja T : E E um operador auto-adjunto denido no espao euclidiano E.
Mostre que
|T| = sup
x=1
[Tx, x)[.
7. Seja E um espao euclidiano e T : E E um operador. Mostre que
|T|
2
= |T
T| = |TT
T.
8. Seja E um espao euclidiano e T : E E um operador invertvel, com
|T| = 1 = |T
1
|. Mostre que T
= T
1
.
i
i
ALinear 2005/12/19 13:25 page 280 #296
i
i
i
i
i
i
Lista de Smbolos
K, R, C 1
X 1
K
n
, T, K[z], K
n
[z] 2
B 3
[x]
B
5
c 5
A + B, U + V, U V 6
x
1
x
2
mod Y, [x], x + Y,
X
Y
, X/Y 8
< S > 11
ker T 11
K
11
T
1
12
, cl(x) 13
X
1
X
2
14
X
15
ij
16
X
17
S
0
, Y
00
20
T
21
21
A = (a
ij
), (a
ij
), T
ij
24
/(X, Y ), M
mn
(R), M
mn
(K) 25
ST 26
A
1
28
< c >, < / > 29
imT 30
A
t
, T
t
, 30
posto A, posto T 32
A 33
280
i
i
ALinear 2005/12/19 13:25 page 281 #297
i
i
i
i
i
i
T
K
, T
C
B
, (X, B) 41
P
B
B
, Q
C
C
42
T
B
43
, z) 46
D(c
1
, . . . , c
n
) 57
A
ij
60
p
i
62
63
det A 65
(p), (A) 65
tr A 72
tr T, det T 73
W(f
1
, . . . , f
n
)(t) 75
X
, (T) 80
j
83
T
j
, T[
W
j
83
q(T) 85
A, z, X
C
, T
C
87
/, K[T] 90
91
f(T) 100
e
At
106
x(t), A(t) 107
J, J
i
127
N
k
127
E, x, y) 152
|x| 153
x y 153
Re z 155
Y
, (Y
159
T
163
|A| 175
G(v
1
, . . . , v
n
) 179
T(v
1
, . . . , v
k
), T(v
1
, . . . , v
k
) 183
B(x, y), o(X), /
2
(X) 186
q 190
q
B
190
i
i
ALinear 2005/12/19 13:25 page 282 #298
i
i
i
i
i
i
q(x) > 0, q(x) 0, q(x) < 0, q(x) 0 194
A
r
199
H 0, H > 0 205
i
i
ALinear 2005/12/19 13:25 page 283 #299
i
i
i
i
i
i
Referncias Bibliogrcas
[1] J. F. Andrade: Um Exemplo (simples) de um Operador Auto-adjunto sem
Autovalores e Outros Exemplos, Matemtica Universitria 37 (2004), 9-14.
[2] H. Anton e C. Rorres: Elementary Linear Algebra: Applications version, 6th.
edition, Wiley, New York, 1991.
[3] R. Bellman: Introduction to Matrix Analysis, McGraw-Hill Book Company,
New York, 1960. (Republicado na srie "Classics in applied mathematics",
SIAM, 1995).
[4] G. Birkhoff e S. MacLane: lgebra Moderna Bsica, 4a. Edio, Editora
Guanabara Dois, Rio de Janeiro, 1980.
[5] H. P. Bueno: Functions of Matrices, Cubo 5 (2003), no. 3, 31-54.
[6] H. P. Bueno, G. Ercole e A. Zumpano: Introduo Anlise Funcional, em
preparao.
[7] L. Debnath e P. Mikusi nski: Introduction to Hilbert spaces with applications,
Academic Press, Boston, 1990.
[8] N. Dunford e J. T. Schwartz: Linear Operators I, Interscience, New York,
1968.
[9] F. R. Gantmacher: The Theory of Matrices, vol. 1 and 2, Chelsea Publishing
Co., New York, 1959.
[10] I. M. Gelfand: Lectures on Linear Algebra, Interscience, New York, 1961.
[11] G. Golub e C. Van Loan: Matrix Computations, 2nd. Edition, Johns Hopkins,
Baltimore, 1989.
283
i
i
ALinear 2005/12/19 13:25 page 284 #300
i
i
i
i
i
i
[12] J. I. Hall: Another Elementary Approach to the Jordan Form, Amer. Math.
Monthly 98 (1991), no. 4, 336-340.
[13] P. R. Halmos: Finite Dimensional Vector Spaces, Springer, 1974.
[14] P. R. Halmos: Linear Algebra Problem Book, The Mathematical Association
of America, Washington, DC, 1995.
[15] M. Hirsch and S. Smale: Differential Equations, Dynamical Systems and
Linear Algebra, Academic Press, New York, 1974.
[16] K. Hoffman e R. Kunze: lgebra Linear, 2a. edio, Livros Tcnicos e
Cientcos Editora, Rio de Janeiro, 1979.
[17] A. N. Kolmogorov e S. V. Fomin: Elementos de la Teoria de Funciones y del
Analysis Funcional, Mir, Moscu, 1975.
[18] S. Lang: Estruturas Algbricas, Livros Tcnicos e Cientcos Editora, Rio de
Janeiro, 1972.
[19] S. Lang: lgebra Linear, Editora Edgard Blcher/Editora Universidade de
Braslia, So Paulo, 1971.
[20] P. D. Lax: Linear Algebra, Wiley-Interscience Publication, New York, 1997.
[21] S. J. Leon: lgebra Linear com Aplicaes, 4a. Edio, Livros Tcnicos e
Cientcos Editora, Rio de Janeiro, 1999.
[22] E. L. Lima: lgebra Linear, 2a. edio, IMPA, Rio de Janeiro, 1996.
[23] E. L. Lima: Anlise no Espao R
n
, 2a. edio, IMPA, Rio de Janeiro, 2002.
[24] E. L. Lima: Curso de Anlise, volume 2, 6a. edio, IMPA, Rio de Janeiro,
2000.
[25] V. V. Prasolov: Problems and Theorems in Linear Algebra, Translations
of Mathematical Monographs vol. 134, American Mathematical Society,
Providence, Rhode Island, 1994.
[26] M. Reed e B. Simon: Methods of Modern Mathematical Physics, vol. I,
Academic Press, New York, 1972.
i
i
ALinear 2005/12/19 13:25 page 285 #301
i
i
i
i
i
i
[27] W. Rudin: Real and Complex Analysis, 3rd. Edition, McGraw-Hill, New
York, 1987.
[28] N. C. Saldanha e C. Tomei: Spectra of Regular Polytopes, Discrete &
Computational Geometry 7 (1992), 403-414.
[29] R. J. Santos: lgebra Linear e Aplicaes, Imprensa Universitria da UFMG,
Belo Horizonte, 2004.
[30] R. J. Santos: Introduo s Equaes Diferenciais Ordinrias, Imprensa
Universitria da UFMG, Belo Horizonte, 2005.
[31] G. E. Shilov: Linear Algebra, Dover, New York, 1977.
[32] J. Sotomayor: Lies de Equaes Diferenciais Ordinrias, IMPA, Rio de
Janeiro, 1979.
[33] G. Strang: Linear Algebra and its Applications, 3rd. edition, Harcourt, Fort
Worth, 1988.
i
i
ALinear 2005/12/19 13:25 page 286 #302
i
i
i
i
i
i
i
i
ALinear 2005/12/19 13:25 page 287 #303
i
i
i
i
i
i
ndice Remissivo
adjunta, 163
de uma aplicao linear, 21
adjunta clssica, 71
lgebra, 90
com unidade, 90
comutativa, 90
alternativa de Fredholm, 167
anulador, 94
de um subconjunto, 20
aplicao linear
adjunta, 21, 163
anti-hermitiana, 171
anti-simtrica, 171
antiauto-adjunta, 171
auto-adjunta, 171
positiva denida, 205
positiva semidenida, 205
auto-espao, 80
autovalor, 80
autovetor, 80
bloco de uma, 83
complexicao de uma, 88
determinante de uma, 73
diagonalizvel, 78, 80
espao invariante por uma, 83
grco de uma, 183
hermitiana, 171
imagem de uma, 30
inversa de uma, 12
ncleo de uma, 30
nilpotente, 115
normal, 171
polinmio caracterstico de uma, 80
projeo, 83
que preserva produto interno, 170,
181
representao em bases, 41
semi-simples, 151
simtrica, 171
trao de uma, 73
transposta, 21, 31, 45
valores singulares, 218
aplicaes lineares
diagonalizao simultnea de, 148,
212, 226
equivalentes em bases, 54
produto de, 26
unitariamente equivalentes, 225
autovalor
dependncia contnua, 95
ndice de um, 120, 262
multiplicidade algbrica, 80
multiplicidade geomtrica, 150
autovetor, 80
autovetores, 80
generalizados, 120, 262
base, 3
cannica do K
n
, 5
de Jordan, 129
dual, 16
287
i
i
ALinear 2005/12/19 13:25 page 288 #304
i
i
i
i
i
i
ortogonal, 156
ortonormal, 156
positivamente orientada, 59
Bessel
desigualdade de, 178
bidual, 17
bloco
cclico, 140
de Frobenius, 140
de Jordan, 127, 252
caminho, 107
derivada de um, 107
diferencivel, 107
vetor velocidade, 107
Cauchy-Schwarz
desigualdade de, 154
Cayley-Hamilton
teorema de, 86
Cholesky
decomposio de, 228
codimenso 1, 20
combinao linear, 3
compacto, 174
complemento
de Schur, 76
ortogonal, 159
complexicao
de um espao vetorial, 88
de um operador, 88
congruncia de matrizes, 198
conjugado
de um vetor, 87
de uma matriz, 87
conjunto
ortonormal, 156
compacto, 174
gerador, 3
linearmente dependente, 3
linearmente independente, 3
ortogonal, 156
coordenadas de um vetor, 5
cosseno
de um operador, 108
de uma matriz, 108
Cramer
regra de, 57, 70
decomposio
LDU, 239
LU, 237
QR, 230, 233
de Cholesky, 228
de Frobenius, 141
de Schur, 229
em valores singulares de A, 219
reduzida, 220
polar, 221
racional, 141
desigualdade
de Bessel, 178
de Cauchy-Schwarz, 154, 197
de Hadamard, 184
de Schur, 235
determinante
da matriz de Gram, 184
da matriz transposta, 67
de uma aplicao linear, 73
de Vandermonde, 74
do produto de matrizes, 68
existncia do, 60
expanso em cofatores, 61, 68
unicidade do, 64
determinante e volume, 184
i
i
ALinear 2005/12/19 13:25 page 289 #305
i
i
i
i
i
i
diagonalizao simultnea
de duas formas quadrticas, 226
de operadores diagonalizveis, 148
de operadores normais, 212
de produto interno e matriz hermiti-
ana, 226
distncia, 278
equivalncia em bases
de aplicaes lineares, 54
espao mtrico, 278
espao vetorial, 1
coluna, 29
com produto hermitiano, 152
com produto interno, 152
complexicao de um, 88
de dimenso nita, 3
de dimenso innita, 3
dual, 15
euclidiano, 152
nitamente gerado, 3
gerado pelo T-anulador de x, 140
gerado por um subconjunto, 11
hermitiano, 152
linha, 30
normado, 153
subespao trivial, 10
unitrio, 152
espaos vetoriais
canonicamente isomorfos, 10
isomorfos, 2
linearmente homeomorfos, 275
normados
homeomorsmo de, 274
soma direta de, 14
espectro, 80
exponencial
de um operador, 106
de uma matriz, 106
fatores irredutveis, 141
uxo linear, 105, 106, 268
forma, 186
auto-adjunta, 186
bilinear, 186, 199
no-degenerada, 200
simtrica, 186, 199
cannica de Jordan, 127, 252
unicidade, 131
posto de uma, 197
quadrtica
hermitiana, 190
indenida, 194
negativa denida, 194
negativa semidenida, 194
positiva denida, 194
positiva semidenida, 194
simtrica, 190
representao matricial, 188
sesquilinear, 186
antiauto-adjunta, 186
hermitiana, 186
Fredholm
alternativa de, 167
Frobenius
bloco de, 140
decomposio de, 141
funo
analtica, 110
de matriz, 96
denio, 100
determinante, 57
existncia da, 60
unicidade da, 64
i
i
ALinear 2005/12/19 13:25 page 290 #306
i
i
i
i
i
i
euclidiana
com relao a um operador, 100
com relao a um polinmio, 96
com relao a uma matriz, 100
holomorfa, 110
funcional linear, 2, 15
grco de uma aplicao linear, 183
Gram
matriz de, 179, 184
Gram-Schmidt
ortogonalizao de, 158
Hadamard
desigualdade de, 184
homeomorsmo, 274
homomorsmo
de lgebras, 91
identidade
de polarizao, 156, 197, 200
do paralelogramo, 156, 196
ndice de um autovalor, 120, 262
inversa, 12
de Moore-Penrose, 221
isometria, 168
que preserva a origem, 168
isomorsmo, 2
cannico, 10
de espaos com produto interno, 181
Jordan
base de, 129
bloco de, 127, 252
cadeia de, 253
forma cannica de, 127, 252
unicidade, 131
forma real, 137
Lagrange
teorema de, 191
Legendre
polinmios de, 177
lei da inrcia, 195
Liouville
teorema de, 272
logaritmo
de um operador, 108
de uma matriz, 108
matriz, 24
anti-simtrica, 13
aumentada de um sistema, 33
auto-adjunta, 171
conjugada, 87
cosseno, 108
de Gram, 179, 184
determinante da, 184
de permutao, 62
de rotao, 24
decomposio
LDU, 239
LU, 237
QR, 230
de Cholesky, 228
de Schur, 229
em valores singulares de A, 219
diagonal em blocos, 84
elementar, 236
entrada de uma, 24
escalonamento de uma, 34
espao coluna, 29
espao linha, 30
exponencial, 106
uxo de uma, 106
forma cannica de Jordan, 127, 252
i
i
ALinear 2005/12/19 13:25 page 291 #307
i
i
i
i
i
i
unicidade, 131
forma de Jordan real, 137
forma escalonada, 33
reduzida por linhas, 34
hermitiana, 171
inversa, 28
logaritmo, 108
mudana de base, 42
no-negativa, 112
negativa denida, 194
negativa semidenida, 194
norma de uma, 175
positiva, 112
positiva denida, 179
relao com produto interno, 179
positiva semidenida, 194
posto de uma, 32
pseudo-inversa, 221
quadrada, 24
que representa uma aplicao linear,
24
que representa uma forma, 188
raiz quadrada, 108
seno, 108
simtrica, 13, 171
submatriz, 24
submatriz principal, 199
trao de uma, 72
transposta, 30
triangular inferior, 75
triangular superior, 75
triangular superior em blocos, 76
matrizes
congruentes, 198
equivalentes por linha, 34
ortogonalmente equivalentes, 226
produto de, 28
semelhantes, 72
menor principal, 199
Moore-Penrose
inversa de, 221
mudana de varivel linear, 191
multiplicidade
algbrica de um autovalor, 80
de um fator irredutvel, 250
de uma raiz, 91
geomtrica de um autovalor, 150
norma, 153
de uma aplicao linear, 276
de uma matriz, 175
gerada pelo produto interno, 155
operaes elementares
sobre as linhas de uma matriz, 33
operador, 2
anti-hermitiano, 171
anti-simtrico, 171
antiauto-adjunto, 171
auto-adjunto, 171
positivo semidenido, 205
bloco de um, 83
complexicao de um, 88
diagonalizvel, 78, 80
espao invariante por um, 83
funo de um
exponencial, 106
logaritmo, 108
raiz quadrada, 108
seno, 108
hermitiano, 171
nilpotente, 115
normal, 171
ortogonal, 171
polinmio caracterstico de um, 80
i
i
ALinear 2005/12/19 13:25 page 292 #308
i
i
i
i
i
i
projeo, 83
semi-simples, 151
simtrico, 171
simtrico, 171
unitrio, 171
operadores
diagonalizao simultnea de, 148,
212, 226
ordem de um vetor, 140
orientao de uma base, 59
ortogonalidade, 153
paraleleppedo
volume do, 183
gerado por k vetores, 183
volume do, 184
permutao, 61
notao matricial, 62
transposio, 63
Perron
teorema de, 112
Pitgoras
teorema de, 153
piv, 33
polar, decomposio, 221
polinmio
caracterstico, 79, 80
interpolador, 99
mnimo
de um operador, 85
de um vetor, 94, 139
do operador adjunto, 182
unicidade do, 86
mnico, 74, 85
T-anulador, 94, 139
polinmios
de Legendre, 177
primos entre si, 246
posto
de uma forma, 197
de uma matriz, 32
princpio do minimax, 207
problema de valor inicial, 265
problema dos quadrados mnimos, 160
equao normal, 165
soluo pela decomposio QR, 233
processo de ortogonalizao de Gram-
Schmidt, 158
produto
de aplicaes lineares, 26
de matrizes, 28
escalar, 152
hermitiano, 152
interno, 152
cannico, 152
identidade de polarizao, 156
produto interno
e matriz positiva denida, 179
matriz que representa um, 179
projeo, 21, 49
cannica, 83
ortogonal, 160
pseudo-inversa, 221
quadrados mnimos, 160, 233
equao normal, 165
quociente de Rayleigh, 207
raiz
multiplicidade de uma, 91
raiz quadrada
de um operador, 108
unicidade da, 206
de uma matriz, 108
Rayleigh
i
i
ALinear 2005/12/19 13:25 page 293 #309
i
i
i
i
i
i
quociente de, 207
reexo, 216
simples, 216
regra de Cramer, 57, 70
representao de um vetor em uma base,
5
Riesz
teorema de representao de, 162
rotao, 22
simples, 216
Schur
complemento de, 76
decomposio de, 229
desigualdade de, 235
semelhana de matrizes, 72
seno
de um operador, 108
de uma matriz, 108
sinal de uma permutao, 65
sistema linear, 29
escalonamento, 34
forma escalonada, 33
reduzida por linhas, 34
homogneo, 29
matriz aumentada de um, 33
no-homogneo, 29
homogneo associado, 29
operaes elementares, 33
piv, 33
varivel livre, 36
sistema linear de equaes diferenciais
base do espao de solues, 266
condio inicial, 265
existncia de solues, 268
uxo linear, 268
homogneo, 264
matriz fundamental, 266
no-homogneo, 264
soluo fundamental, 267
soluo geral, 267
solues linearmente dependentes,
266
solues linearmente independen-
tes, 266
unicidade de soluo, 265
Wronskiano, 266
sistema lineares
equivalentes, 36
soluo fundamental
de um sistema linear de equaes
diferenciais, 267
soluo geral
de um sistema linear de equaes
diferenciais, 267
soma direta
de operadores, 83
subespao, 2
gerado pelo T-anulador de x, 140
gerado por um conjunto, 11
invariante, 13, 53
trivial, 10
subespaos
interseo de, 13
soma de, 6
soma direta de, 6
submatriz, 24
principal, 199
menor, 199
Sylvester
teorema de, 195
T-anulador, 139
teorema
i
i
ALinear 2005/12/19 13:25 page 294 #310
i
i
i
i
i
i
alternativa de Fredholm, 167
da decomposio QR, 233
da decomposio de Frobenius, 141
da decomposio polar, 221
da decomposio primria, 118,
122, 248
da decomposio racional, 141
da imagem do espectro, 114
da soma direta ortogonal, 159
de caracterizao de matrizes positi-
vas-denidas, 228
de Cayley-Hamilton, 86, 89
de diagonalizao de matrizes
hermitianas, 202
de diagonalizao de matrizes sim-
tricas, 203
de diagonalizao para matrizes
hermitianas, 230
de diagonalizao para matrizes
simtricas, 230
de existncia do determinante, 60
de existncia e unicidade de soluo
de sistema lineares de equaes
diferenciais, 268
de Gram-Schmidt, 158
de Lagrange, 191
de Liouville, 272
de minimax, 207
de Perron, 112
de Pitgoras, 153
de representao de Riesz, 162
de Schur, 229
de Sylvester, 195
de unicidade da raiz quadrada, 206
de unicidade do determinante, 64
do ncleo e da imagem, 37
dos operadores diagonalizveis, 82
dos valores singulares, 217
espectral, 115, 261
dos operadores auto-adjuntos, 202
forma de Jordan complexa, 130, 253
forma de Jordan real, 137
propriedades do trao, 72
trao
de uma aplicao linear, 73
de uma matriz, 72
transformao linear, 2
translao, 168
transposio, 63
transposta
de uma aplicao linear, 21, 31, 45
de uma matriz, 30
unicidade de soluo
de um sistema linear de equaes
diferenciais, 265
valores singulares de uma aplicao
linear, 218
Vandermonde
determinante de, 74
varivel livre, 36
vetor, 1
conjugado, 87
no-negativo, 112
positivo, 112
unitrio, 153
vetor cclico
de ordem k, 140
vetores
ortogonais, 153
perpendiculares, 153
Wronskiano, 75, 266