Você está na página 1de 178

lgebra II

Volume 2

Luiz Manoel Figueiredo Marisa Ortegoza da Cunha Hernando Bedoya Ricardo Camelier

Material gratuitamente cedido pela

cederj
Fundao CECIERJ

Consrcio

UN

IVERSIDADE FEDERAL DO PAR

UNIVERSIDADE FEDERAL DO PAR


SECRETARIA ESPECIAL DE EDUCAO A DISTNCIA INSTITUTO DE CINCIAS EXATAS E NATURAIS FACULDADE DE MATEMTICA

REITOR Prof. Dr. Alex Bolonha Fiza de Mello VICE-REITORA Profa. Dra. Regina Ftima Feio Barroso PR-REITOR DE ENSINO DE GRADUAO Prof. Dr. Licurgo Peixoto de Brito SECRETRIA ESPECIAL DE EDUCAO A DISTNCIA Profa. MSc. Selma Dias Leite DIRETOR DO INSTITUTO DE CINCIAS EXATAS E NATURAIS Prof. Dr. Geraldo Narciso DIRETOR DAFACULDADE DE MATEMTICA Prof. Dr. Geraldo Mendes de Arajo

Este material foi gentilmente cedido pelo Consrcio CEDERJ, para o uso restrito da Licenciatura em Matemtica na modalidade a distncia sem nus para a UFPA.

lgebra II
SUMRIO

Volume 2

Aula 18 Aula 19 Aula 20 Aula 21 Aula 22 Aula 23 Aula 24 Aula 25 Aula 26 Aula 27 Aula 28 Aula 29 Aula 30 Aula 31 Aula 32 Aula 33 Aula 34 Aula 35 Aula 36

Transformaes lineares ___________________________________________ Propriedades das transformaes lineares _________________________ Ncleo e imagem de uma transformao linear ___________________ Teorema de ncleo e imagem_____________________________________ Representao matricial e uma transformao linear ______________ A lgebra das transformaes lineares _____________________________ Transformaes especiais de R 2 ___________________________________ Transformaes especiais de R 3 ___________________________________ Operaes lineares invesveis ______________________________________ Mudana de base ________________________________________________ Exerccios de reviso ______________________________________________ Autovetores e autovalores de matrizes _____________________________ Autovetores e autovalores de matrizes Casos especiais __________ Polonmios caractersticos ________________________________________ Clculo de Autovalores e autovetores _____________________________ Diagonalizao de matrizes ______________________________________ Clculo de matrizes diagonalizveis ______________________________ Matrizes ortogonais ______________________________________________ Propriedades das matrizes ortogonais ______________________________

7 17 27 37 45 55 65 75 83 91 99 109 117 125 133 143 153 161 171

Transforma co es lineares

AULA 18

Aula 18 Transforma co es lineares


Objetivos
Denir os conceitos de transforma ca o matricial e linear; Apresentar v arios exemplos de transforma co es lineares.

Introdu c ao
Um dos conceitos centrais na Matem atica e o de fun ca o. De modo geral usa-se os termos fun ca o, aplica ca o e transforma ca o como sin onimos. Uma fun ca o e uma associa ca o entre dois conjuntos A e B , envolvendo todos os elementos de A, mas n ao necessariamente todos os elementos de B , e que associa cada elemento de A a ` somente um elemento de B . Esta maneira de ver uma fun ca o somente como uma associa ca o e uma vis ao essencialmente est atica. Uma outra meneira de ver o mesmo conceito, porem mais din amica, e que uma fun ca o e uma transforma ca o, que leva elementos do conjunto A em elementos do conjunto B , ou seja, transforma elementos de A em elementos de B . Na Algebra Linear, usa-se mais o termo transforma ca o do que fun ca o, especialmente no caso das transforma co es lineares, que deniremos nesta aula. Em resumo, uma transforma ca o de um espa co vetorial V em um espa co vetorial W e simplesmente uma fun ca o de V em W . Como observamos, s ao de interesse especial as transforma co es lineares. Comecaremos denindo transforma co es matriciais e depois as lineares. Veremos que para transforma co es de Rn em Rm , os dois conceitos s ao equivalentes.

CEDERJ

Transforma co es lineares

Transforma co es matriciais
Uma transforma ca o matricial e uma fun ca o dada por T (x) = Ax, onde A e uma matriz. Mais precisamente, seja A uma matriz m n. Ent ao a aplica ca o T : Rn Rm dada por x Ax e uma transforma ca o matricial. Exemplo 1 Seja A= 2 1 3 1 2 0

ent ao A induz a transforma ca o matricial T : R3 R2 , dada por x Ax. 1 ao Por exemplo, se x = 1 , ent 2 Ax = 2 1 3 1 2 0 1 . 1 = 2 7 1 .

x1 Em geral, se x = x2 , ent ao x3 Ax = 2 1 3 1 2 0

Exemplo 2 Se

x1 . x2 = x3

2x1 + x2 + 3x3 x1 + 2x2

A= 2 2

1 1 2 2 1 1

eb=

x1 Solu ca o: Seja x = x2 , ent ao Ax = b, leva a x3 2 1 2 2 1 1


CEDERJ
8

. Encontre um x R3 , tal que Ax = b.

x1 . x2 = x3

2 2

Transforma co es lineares

AULA 18

2x1 x2 + 2x3 = 2 2x1 + x2 x3 = 2

2x1 x2 = 2 2x3 2x1 + x2 = 2 + x3

Somando as duas equa co es, obtemos 4x1 = 4 x3 x1 = 1


Subtraindo as mesmas equa co es, obtemos 2x2 = 0 + 3x3 x2 =
Portanto, todo vetor x = 1
x3 4

x3 . 4

3x3 . 2

3x 3 2

x3

forma ca o matricial T = Ax.

e levado a b pela trans, x3 R,

Exemplo 3 1 1 Seja A = x = 2 1 . Determine a imagem de T = Ax. 1 1 Solu ca o: Temos que T : R2 R3 . Seja u = Ent ao 1 1 2 1 . 1 1 x1 x2

x1 x2

o que mostra que Ax = b tem solu ca o quando 3a 2b + c = 0. Portanto, a aplica ca o dada pela matriz A leva R2 no plano 3x 2y + z = 0.

x1 + x 2 = a = x2 = b 2a 2x2 = c a x1 = b a x1 = b a = , x2 = 2a b x2 = 2a b 0 = c a 2b + 4a 0 = 3a 2b + c

x1 + x 2 = a 2x1 + x2 = b x1 x 2 = c

a = b c

a e seja T u = b . c

CEDERJ

Transforma co es lineares

T = Ax R2

R3

Figura 1: Aplica ca o T leva R2 no plano 3x 2y + z = 0.

Transforma co es lineares
Dada uma matrix m n A, vetores n 1 u e v , e um escalar c, segue-se das propriedades da multiplica ca o de matrizes que A(u + v ) = Au + Av e A(cu) = cAu .

De maneira geral, quando uma fun ca o possui as duas propriedades acima, dizemos que ela e linear. Deniremos agora as transforma co es lineares. Deni c ao 1 Uma transforma ca o T e linear se: 1. T (u + v ) = T u + tv , para todos u e v no dom nio de T . 2. T (cv ) = cT (v ), para todo v e para todo escalar c. Em outras palavras, podemos dizer que uma transforma ca o e linear quando preserva a soma de vetores e o produto de vetores por escalares. Preservar a soma de vetores quer dizer que se somarmos os vetores primeiro (u + v ) e, em seguida, aplicarmos T , obtendo T (u + v ), o resultado e o mesmo que aplicarmos T aos vetores e depois somarmos os resultados (T u + T v ), isto e T (u + v ) = T u + T v . Se A e uma matriz, u e v s ao vetores no dom nio de T = Ax e c e um escalar, ent ao, a propriedade A(u + v ) = Au + Av mostra que T preserva a soma de matrizes e a propriedade A(cu) = cA(u) mostra que T preserva o produto por escalar. Portanto, toda transforma ca o matricial e linear. Por outro lado, nem toda transforma ca o linear de espa cos vetoriais e matricial. Veremos um exemplo deste tipo abaixo. Porem, transforma co es
CEDERJ
10

Transforma co es lineares

AULA 18

lineares de Rn em Rm s ao sempre matriciais. Provaremos este fato na aula 23 onde tambem estudaremos em detalhes como obter a representa ca o matricial de uma transforma ca o linear. Seja T : V W uma transforma ca o linear, onde V e W s ao espa cos vetoriais, e seja v V . Ent ao T (0V ) = T (0.v ) = 0.T (v ) = 0W , onde 0V indica o vetor nulo do espa co vetorial v e 0W indica o vetor nulo do espa co vetoria W . Mostramos ent ao que uma transforma ca o linear T : V W , leva o vetor nulo de V no vetor nulo de W . Outra propriedade muito utilizada e a seguinte: T (cv + du) = T (cv ) + T (du) = cT (v ) + dT (u) . A dedu ca o acima utiliza as duas propriedades que denem linearidade. Observe que esta propriedade, sozinha, implica em linearidade. Isto e, se uma transforma ca o T satisfaz T (cv + du) = cT (u) + dT (v ) , ent ao ela e linear. Para ver isto, basta notar que fazendo c = d = 1 obtemos T (u + v ) = T u + T v (preserva ca o da soma de vetores) e fazendo c = 1 e d = 0, obtemos T (cu) = cT (u) (preserva ca o do produto de vetores por escalares). Aplicando sucessivamente o mesmo racioc nio acima, podemos mostrar que T (c1 v1 + + ck vk ) = c1 T (v1 ) + + ck T (vk ) , onde c1 , , ck s ao escalares e v1 , , vk s ao vetores no dom nio de T . Exemplo 4 A transforma ca o T : V W dada por T (x) = 0W e linear. Esta transforma ca o, chamada transforma ca o nula, leva todo vetor de V no vetor nulo de W . Exemplo 5 Seja V um espa co vetorial qualquer, a transforma ca o T : V V dada por T (u) = u e linear. Esta transforma ca o e chamada indentidade. Se V = R n , ent ao a transforma ca o linear dada pela matriz In , identidade de ordem n, e n a transforma ca o identidade de R .
11 CEDERJ

Transforma co es lineares

Exemplo 6 Seja r R. Mostre que a transforma ca o T : Rn Rn dada por T (x) = rx e uma transforma ca o linear. Solu ca o: Sejam u, v Rn e c, d escalares. Ent ao T (cu + dv ) = r(cu + dv ) = rcu + rdv = c(ru) + d(rv ) = cT (u) + dT (v ) . Portanto T e uma transforma ca o linear. Se r = 0 ent ao temos a transforma ca o nula. Se r = 1 temos a transforma ca o identidade. Se 0 r < 1 ent ao dizemos que T e uma contra ca o. Se r > 1 ent ao dizemos que T e uma dilata ca o. A gura abaixo mostra a dilata ca o T (x) = 2x.
Tx = 2x

Figura 2: Dilata ca o T (x) = 2x.

Exemplo 7 A transforma ca o T : R2 R2 dada por T (x) = x + (1, 0) n ao e linear. Para ver isto, basta notar que ela n ao leva o vetor nulo no vetor nulo. Esta e uma transla ca o de vetores no R2 . Exemplo 8 A transforma ca o linear T : R2 R2 dada pela matriz T (x) = 0 1 1 0 . x1 x2 = x 2 x1 0 1 1 0 . , isto e

Como esta transforma ca o e matricial, ent ao ela e linear. Determinando a imagem de alguns vetores e representando em um gr aco estes vetores e suas imagens, podemos ver que esta transforma ca o gira os vetores em torno da origem, no sentido anti-hor ario, de um a ngulo de 900 . Isto e verdade. Estudaremos com maiores detalhes transforma co es lineares especiais, como a rota ca o de um a ngulo , nas aulas 25 e 26.
CEDERJ
12

Transforma co es lineares

AULA 18

T(u) v u T(v)

Figura 3: Rota ca o de um a ngulo de 900 .

Exemplo 9 Seja Pn o espa co dos polin omios de grau menor ou igual a n. Denimos o n operador deriva ca o D : P Pn1 por D(a0 + a1 t + + an tn ) = a1 + 2a2 t + + nan tn1 . Isto e, D leva cada termo ak tk em kak tk1 . f E acil ver que este operador e uma transforma ca o linear. Note que ele e a deriva ca o de fun co es no sentido usual, restrito ao espe co dos polin omios. Sabemos que para a deriva ca o vale D(cf1 + df2 ) = cD(f1 ) + dD(f2 ) , conrmando que D e uma transforma ca o linear. Note que esta transforma ca o e linear mas n ao e matricial. N ao h a uma matrix A tal que D = Ax. No entanto, veremos na aula 23 que toda transforma ca o linear entre espa cos de dimens ao nita t em uma representa ca o matricial. H a uma matriz A tal que se p e um polin omio e se [p]B e a representa ca o deste polin omio em uma base B escolhida de Pn , ent ao A[p]B e a representa ca o de Dp nesta base. Exemplo 10 Um banco de investimentos possui 4 tipos de investimentos, que chamaremos de investimentos A, B , C e D. Um cliente faz sua carteira distribuindo cada seu dinheiro entre as 4 op co es do banco. Representamos a carteira de um xA x B cliente por um vetor 4 1. Assim uma carteira x = indica xA reais xC xD investidos na op ca o A, xB reais investidos na op ca o B etc.
13

CEDERJ

Transforma co es lineares

Se o investimento A resultou em yA reais por real aplicado, B resultou em yB reais por real aplicado etc, ent ao o resultado total de cada cliente ser a calculado pela transforma ca o linear T : R4 R, dada por T (x) = xA xB xC xD .

yA yB yC yD

= xA y a + xB y B + xC y C + xD y D .

Resumo
Nesta aula estudamos um dos conceitos fundamentais em Algebra Linear, que e o de Transforma ca o Linear. Vimos, inicialmente, as transforma co es matriciais. Em seguida, denimos transforma co es lineares. Vimos diversos exemplos de transforma co es lineares, inclusive uma aplica ca o a ` economia.

CEDERJ

14

Transforma co es lineares

AULA 18

Exerc cios
1. Seja T : R2 R3 a transforma ca o denida por T x = Ax, onde A = 1 2 2 . Encontre a imagem de 1 2 1 2 u = 3 0 1 e u= 1 1

2. Quantas linhas e colunas deve ter uma matriz A para denir uma aplica ca o de R4 em R6 por T (x) = Ax. 3. Para os valores da matriz A e vetor b nos tens abaixo, encontre, se for poss vel, um vetor x tal que T x = b. (a) A= (b) 1 0 1 2 1 3 , b= 2 3

4. Encontre todos os valores de x R4 transforma ca o x Ax, onde 1 1 A = 1 1 1 2

11 1 A = 2 5 , 1 6

que s ao levados no vetor nulo pela 1 1 1 2 . 3 1

2 b = 3 2

5. Nos tens abaixo, use um sistema de coordenadas para representar gra3 2 camente os vetores u = , v = , T u e T v . Fa ca uma 1 1 descri ca o geom etrica do efeito da aplica ca o de T nos vetores de R 2 . (a) T (x) = (b) T (x) = 3 0 0 3 . . (c) T (x) = (d) T (x) = 1 0 0 1 0 0 0 1 . .

0, 5 0 0 0, 5

15

CEDERJ

Transforma co es lineares

6. Seja T : R2 R2 uma transforma ca o linear. Se T( 2 1 1 0 )= 2 1 x1 x2 e T( 0 1 )= 1 3 ,

determine T (

) e T(

).

Respostas dos exerc cios


4 8 3 4

1.

2. A deve ser uma matriz 6 4. 2c 3. (a) x = c + 1 , para todo c R. c

(b) N ao h a valor de x tal que T x = b.

3 3 4. O espa co gerado por {( 2 , 1, 2 , 1)} e levado no vetor nulo.

5. (a) Dilata ca o por um fator de 3. (b) Contra ca o por uma fator de 0, 5. (c) Rota ca o de 1800 . (d) Proje ca o sobre o eixo-y.

CEDERJ

16

Propriedades das Transforma co es Lineares

AULA 19

Aula 19 Propriedades das Transforma co es Lineares


Objetivos
Reconhecer e aplicar as propriedades das transforma co es lineares. Na aula 18 conhecemos um tipo muito especial de fun ca o - as transforma co es lineares, que s ao fun co es denidas entre espa cos vetoriais e com caracter sticas que as tornam muito u teis, em uma gama imensa de problemas e situa co es da Matem atica, F sica, Engenharia e Computa ca o, entre outras a reas de estudo e trabalho. Nesta aula veremos v arias propriedades das transforma co es lineares. Em especial, veremos um fato muito importante, que e o seguinte: para determinar uma transforma ca o linear T : V W , basta conhecer seus valores em uma base qualquer de V .

Propriedades das transforma co es lineares


Sejam V e W espa cos vetoriais e T : V W uma transforma ca o linear. Valem as seguintes propriedades: (i) T (0V ) = 0W Em palavras: uma transforma ca o linear leva o vetor nulo do dom nio ao vetor nulo do contra-dom nio. Esta propriedade j a foi demonstrada na aula 18. (ii) T (v ) = T (v ), v V Em palavras: A imagem do vetor oposto e o oposto da imagem do vetor. Como T [(1)v ] = (1)T (v ), decorre que T (v ) = T (v ). (iii) Se U e um subespa co de V ent ao T (U ) e um subespa co de W . Devemos mostrar que 0W T (U ) e que T (U ) e fechado para soma de vetores e multiplica ca o por escalar.
17

CEDERJ

Propriedades das Transforma co es Lineares

Como U um subespa co de V , ent ao 0V U . Pela propriedade (i), T (0V ) = 0W T (U ). Sejam x, y T (U ). Existem u, v U tais que T (u) = x e T (v ) = y . Como U e subespa co de V , ent ao u + v U . De T (u + v ) T (U ) resulta que T (u + v ) = T (u) + T (v ) = x + y T (U ) . Finalmente, sejam x T (U ) e R. Existe u U tal que T (u) = x. Como u U , ent ao T (u) T (U ), o que resulta em T (u) = T (u) = x T (U ) , e podemos concluir que T (U ) e subespa co de W . (iv) Dados v1 , v2 , ..., vn V , T (1 v1 + 2 v2 + ... + n vn ) = 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ) . Em palavras: A imagem de uma combina ca o linear de vetores de V e uma combina ca o linear das imagens desses vetores, com os mesmos coecientes. Esta propriedade j a foi apresentada na Aula 18. Vamos dar aqui uma demonstra ca o usando indu ca o sobre n. O caso n = 1 segue diretamente da deni ca o de transforma ca o linear, pois T (1 v1 ) = 1 T (v1 ). Vamos supor que a propriedade vale para n = k , isto e, T (1 v1 + 2 v2 + ... + k vk ) = 1 T (v1 ) + 2 T (v2 ) + ... + k T (vk ) . Vamos provar que vale para n = k + 1 : T (1 v1 + 2 v2 + ... + k vk + k+1 vk+1 ) = T [(1 v1 + 2 v2 + ... + k vk ) + (k+1 vk+1 )]
T linear

T (1 v1 + 2 v2 + ... + k vk ) + T (k+1 vk+1 ) 1 T (v1 ) + 2 T (v2 ) + ... + k T (vk ) + T (k+1 vk+1 ) 1 T (v1 ) + 2 T (v2 ) + ... + k T (vk ) + k+1 T (vk+1 ) ,

hip. ind.

T linear

isto e, vale a propriedade para n = k +1, o que conclui a demonstra ca o.

CEDERJ

18

Propriedades das Transforma co es Lineares

AULA 19

(v) Se {v1 , v2 , ..., vn } e um conjunto gerador de V ent ao {T (v1 ), T (v2 ), ..., T (vn )} e um conjunto gerador da imagem de T . Demonstra ca o. Seja {v1 , v2 , ..., vn } um conjunto gerador de V . Seja w um vetor na imagem de T , isto e, existe v em V tal que w = T (v ). Ent ao existem escalares 1 , 2 , ..., n tais que v = 1 v1 + 2 v2 + ... + n vn . Podemos escrever: w = T (v ) = = T (1 v1 + 2 v2 + ... + n vn ) = = 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ). Logo, os vetores T (v1 ), T (v2 ), ..., T (vn ) geram a imagem de T . (vi) Se T (v1 ), T (v2 ), ..., T (vn ) W s ao LI ent ao os vetores v1 , v2 , ..., vn V s ao LI. Demonstra ca o. Seja a combina ca o linear 1 v1 + 2 v2 + ... + n vn = oV . (1)
(iv )

Vamos aplicar a transforma ca o T a ambos os lados dessa igualdade: T (1 v1 + 2 v2 + ... + n vn ) = T (0V ) 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ) = 0W . Como os vetores T (v1 ), T (v2 ), ..., T (vn ) s ao LI, conclu mos que 1 = 2 = ... = n = 0. Ou seja, todos os coecientes da combina ca o linear (1) s ao iguais a zero, o que implica que os vetores v1 , v2 , ..., vn s ao LI.

Exemplo 11 Sejam V um espa co vetorial e u V . A aplica ca o Tu : V v V v+u

f e chamada transla ca o denida por u. E acil vericar que, quando u = 0V , essa aplica ca o n ao e linear, pois Tu (0V ) = 0V + u = u = 0V , violando a propriedade (i), acima. Por outro lado, quando u = 0V , essa aplica ca o eo operador identidade de V , que e linear. Exemplo 12 A rec proca da propriedade (vi) n ao e verdadeira, isto e, e poss vel termos um conjunto de vetores de V que sejam LI, mas com suas imagens formando um
19

CEDERJ

Propriedades das Transforma co es Lineares

conjunto LD em W . Considere, por exemplo, o operador proje ca o ortogonal 2 sobre o eixo x, denido em R , isto e, a transforma ca o linear tal que T (x, y ) = (x, 0), para todo vetor (x, y ) do plano. Os vetores v1 = (3, 1) e v2 = (3, 4) s ao LI, mas suas imagens coincidem: T (v1 ) = T (v2 ) = (3, 0). Logo, o conjunto {T (v1 ), T (v2 )} R2 e LD. Essa situa ca o e ilustrada na gura 1.
(3,4) T(x,y)=(x,0)

(3,1)

(3,1)

(3,0)

Figura 1: v1 e v2 s ao LI; T (v1 ) e T (v2 ) s ao LD.

Uma caracter stica importante das transforma co s lineares e que elas cam completamente determinadas se as conhecemos nos vetores de uma base do dom nio. Isto e, dada uma transforma ca o linear T : V W , se conhecemos as imagens por T dos vetores de uma base de V , podemos obter a express ao de T (v ), para um vetor v gen erico de V . O exemplo a seguir mostra esse procedimento: Exemplo 13 Seja T : R3 R3 , linear, tal que T (1, 0, 0) = (1, 1, 1); T (0, 1, 0) = (2, 1, 1);

T (0, 0, 1) = (1, 0, 2). Vamos determinar T (x, y, z ), onde (x, y, z ) e um vetor gen erico de R 3 . Os vetores v1 = (1, 0, 0), v2 = (0, 1, 0) e v3 = (0, 0, 1) formam a base can onica de R3 . Assim, um vetor v = (x, y, z ), gen erico, de R3 , se escreve (x, y, z ) = xv1 + yv2 + zv3 . Aplicando a propriedade (iv ), temos: T (v ) = T (x, y, z ) = = T (xv1 + yv2 + zv3 ) = = xT (v1 ) + yT (v2 ) + zT (v3 ) = = x(1, 1, 1) + y (2, 1, 1) + z (1, 0, 2) = = (x + 2y + z, x y, x + y + 2z ). Logo, T e dada por T (x, y, z ) = (x + 2y + z, x y, x + y + 2z ).
CEDERJ
20

Propriedades das Transforma co es Lineares

AULA 19

Vamos ver como fazer no caso em que a base na qual a transforma ca o linear e conhecida n ao seja a can onica: Exemplo 14 Uma transforma ca o linear T : R2 R3 e tal que T (2, 0) = (2, 1, 1). Vamos determinar T (x, y ), para (x, y ) R2 . Primeiramente, vericamos que os vetores v1 = (1, 1) e v2 = (2, 0) formam uma base de R2 . Neste caso, como s ao dois vetores num espa co bi-dimensional, uma forma r apida de vericar que s ao LI e calcular o determinante formado pelas suas coordenadas e constatar que e diferente de zero. Deixamos isso com voc e, como exerc cio (!). A seguir, escrevemos um vetor gen erico do espa co como uma combina ca o linear dos vetores dessa base: v = (x, y ) = av1 + bv2 = a(1, 1) + b(2, 0) Resolvendo o sistema, obtemos a = y e b =
(x, y ) = y (1, 1) +
Usando a linearidade de T , obtemos T (v ) = T (x, y ) = y = T (yv1 + x+ v2 ) = 2 x+y . = yT (v1 ) + 2 T (v2 ) = x+y = y (1, 1, 2) + 2 (2, 1, 1) = 3y x3y = x, x2 , 2 .
3y x3y Logo, T e dada por T (x, y ) = x, x2 , 2 .

T (1, 1) = (1, 1, 2);

a + 2b = x . a = y
Portanto,

x+y . 2

x+y (2, 0) 2

Exemplo 15 Em rela ca o a ` transforma ca o linear do exemplo 4, encontre v R2 tal que T (v ) = (3, 1, 4). Queremos (x, y ) R2 tal que T (x, y ) = (3, 1, 4).
21 CEDERJ

Propriedades das Transforma co es Lineares

x,

x 3y x 3y , 2 2

x=3 x3y = (3, 1, 4) =1 x 3y = 2 . 2 x3y x 3y = 8 =4 2 x=3 . 5 y = 3

x=3

Resolvendo o sistema, obtemos


Logo, o vetor procurado e (3, 5/3).

Note que o conjunto dos n umeros reais e, ele mesmo, um espa co vetorial real.

Novamente, come camos conferindo que os vetores (1, 1) e (2, 1) formam uma base de R2 . Escrevemos, ent ao, um vetor gen erico (x, y ), como combina ca o linear dos vetores dados: (x, y ) = a(1, 1) + b(2, 1). Resolvendo, obtemos a + 2b = x a = x + 2y , a+b = y b = xy isto e, (x, y ) = (x + 2y )(1, 1) + (x y )(2, 1). Ent ao T (x, y ) = T ((x +2y )(1, 1)+(x y )(2, 1)) = (x +2y )T (1, 1)+(x y )T (2, 1) = (x + 2y ).2 + (x y ).3 = x + y . Logo, T e dada por T (x, y ) = x + y .

Exemplo 16 Dado um espa co vetorial V , um funcional linear denido em V e uma transforma ca o linear f : V R. Considere o funcional linear f denido em R 2 tal que f (1, 1) = 2 e f (2, 1) = 3. Vamos determinar f (x, y ), para (x, y ) R 2 .

Exemplo 17 Em rela ca o ao funcional linear denido no exemplo acima, vamos procurar os vetores v de R2 tais que f (v ) = 0. Isto e, queremos (x, y ) tal que f (x, y ) = x + y = 0. Isso nos leva aos vetores do plano da forma (x, x). Logo, h a 2 innitos vetores de R que s ao levados ao zero, pelo funcional f - a saber, todo vetor do conjunto {(x, x)|x R}.

CEDERJ

22

Propriedades das Transforma co es Lineares

AULA 19

Para nalizar, um exemplo no espa co dos polin omios: Exemplo 18 Seja T a transforma ca o linear em P3 (R) dada por T (1) = 1 t; T (1 + t) = t3 ;

T (t + t2 ) = 3 t2 ;

T (t2 + t3 ) = 1 + t2 .

Como nos exemplos anteriores, constatamos que {1, 1 + t, t + t2 , t2 + t3 } e uma base de P3 (R). A seguir, escrevemos o vetor gen erico de P3 (R) nessa base: x + yt + zt2 + wt3 = a.1 + b(1 + t) + c(t + t2 ) + d(t2 + t3 ) = = (a + b) + (b + c)t + (c + d)t2 + dt3 . Obtemos, assim, o seguinte sistema: a+b=x b+c=y , c + d = z d=w

Vamos determinar T (x + yt + zt2 + wt3 ), onde x + yt + zt2 + wt3 e um 3 polin omio qualquer de P3 (R) e, a seguir, calcular T (2 3t + 4t ).

que, resolvido, fornece a solu ca o: a=xy+zw b=yz+w . c = z w d=w Escrevemos ent ao:

x+yt+zt2 +wt3 = (xy +z w).1+(y z +w)(1+t)+(z w)(t+t2 )+w(t2 +t3 ) . Aplicamos a transforma ca o T em ambos os lados dessa igualdade: T (x + yt + zt2 + wt3 ) = T ((x y + z w).1 + (y z + w)(1 + t) + (z w)(t + t2 ) + w(t2 + t3 )) = (x y + z w).T (1) + (y z + w).T (1 + t) + (z w).T (t + t2 ) + w.T (t2 + t3 ) = (x y + z w).(1 t) + (y z + w).t3 + (z w).(3 t2 ) + w.(1 + t2 )

= (x y + 4z 3w) + (x + y z + w)t + (z + 2w)t2 + (y z + w)t3 .


23 CEDERJ

Propriedades das Transforma co es Lineares

Logo, a transforma ca o procurada e dada por: T (x+yt+zt2 +wt3 ) = (xy +4z 3w)+(x+y z +w)t+(z +2w)t2 +(y z +w)t3 . Vamos, agora, calcular T (2 3t + 4t3 ). Temos x = 2; y = 3; z = 0 e w = 4. Ent ao T (2 3t + 4t3 ) = 7 t + 8t2 + t3 .

Resumo
Nesta aula estudamos as propriedades das transforma co es lineares. O fato mais relevante e que podemos determinar uma transforma ca o linear a partir da sua aplica ca o nos vetores de uma base, apenas. Assim, o n umero de informa co es necess arias a respeito de uma transforma ca o linear, para que a conhe camos completamente, e igual a ` dimens ao do espa co vetorial no qual ela e denida. Isso e uma especicidade das transforma co es lineares: nenhuma por essa qualidade, outra fun ca o permite uma manipula ca o t ao simples. E em particular, que as transforma co es lineares s ao, por excel encia, as fun co es usadas na Computa ca o em geral.

CEDERJ

24

Propriedades das Transforma co es Lineares

AULA 19

Exerc cios
1. Seja T : R2 R a transforma ca o linear para a qual T (1, 1) = 3 e T (0, 1) = 2. Encontre T (x, y ), para (x, y ) R2 . 2. Um operador linear T , denido em P2 (R), e tal que T (1) = t2 , T (x) = 1 t e T (t2 ) = 1 + t + t2 . (a) Determine T (a + bt + ct2 ), onde a + bt + ct2 e um vetor gen erico de P2 (R). (b) Determine p P2 (R) tal que T (p) = 3 t + t2 . 3. Encontre T (x, y ) onde T : R2 R3 e denida por T (1, 2) = (3, 1, 5) e T (0, 1) = (2, 1, 1). 4. Determine T (x, y, z ) onde T : R3 R e dada por T (1, 1, 1) = 3, T (0, 1, 2) = 1 e T (0, 0, 1) = 2.

Auto-avalia c ao
Voc e dever a assimilar o signicado de cada propriedade vista. A primeira delas e extremamente u til para rapidamente identicar algumas transforma co es que n ao s ao lineares, por n ao levarem o vetor nulo do dom nio ao vetor nulo do contra-dom nio. A transla ca o e o exemplo mais importante disso. Al em disso, voc e deve se familiarizar com a t ecnica de encontrar uma transforma ca o linear a partir de seus valores nos vetores de uma base do dom nio. Veja que os exerc cios s ao repetitivos: mudam o espa co e a base considerada, mas a estrutura se repete. Caso voc e tenha alguma d uvida, entre em contato com o tutor da disciplina. E... vamos em frente!!

Respostas dos exerc cios


1. T (x, y ) = 5x 2y 2. (a) T (a + bt + ct2 ) = (b + c) + (b + c)t + (a + c)t2 (b) p = 2t + t2 3. T (x, y ) = (x + 2y, 3x + y, 7x y ) 4. T (x, y, z ) = 8x 3y 2z

25

CEDERJ

N ucleo e Imagem de uma Transforma c ao Linear

AULA 20

Aula 20 N ucleo e Imagem de uma Transforma c ao Linear


Objetivos
Determinar o n ucleo e a imagem de uma transforma ca o linear. Identicar o n ucleo de uma transforma ca o linear como um subespa co do dom nio. Identicar a imagem de uma transforma ca o linear como um subespa co do contra-dom nio. Na aula 19 mencionamos a imagem de uma transforma ca o linear. Nesta aula deniremos o n ucleo de uma transforma ca o linear e mostraremos que, tanto o n ucleo, como a imagem, possuem estrutura de espa co vetorial.

N ucleo de uma transforma c ao linear


Sejam V e W espa cos vetoriais e T : V W uma transforma ca o linear. Chamamos de n ucleo de T , representado por N (T ), o seguinte conjunto: N (T ) = {v V | T (v ) = 0W } . Em palavras: o n ucleo de uma transforma ca o linear e o subconjunto do dom nio formado pelos vetores que s ao levados ao vetor nulo do contradom nio.
io min cleo
Im ag em
Alguns textos usam a nota ca o ker(T ), pois n ucleo, em ingl es, e kernel.

Do

Nu

Figura 1: Exemplo 19 Seja T : V W a transforma ca o linear nula, isto e, a transforma ca o tal que T (v ) = 0W , v V . E f acil ver que seu n ucleo e todo o espa co V .
27 CEDERJ

N ucleo e Imagem de uma Transforma c ao Linear

O n ucleo da transforma ca o identidade, denida no espa co vetorial V , e o conjunto formado apenas pelo vetor nulo de V . A proje ca o ortogonal sobre o eixo dos x, em R2 , e uma transforma ca o linear cujo n ucleo e o eixo dos y . Exemplo 20 O n ucleo da transforma ca o linear T : R2 R3 dada por T (x, y ) = (x + y, x y, x 2y ) e o conjunto {(x, y ) R2 | T (x, y ) = (0, 0, 0)}, isto e x+y =0 (x + y, x y, x 2y ) = (0, 0, 0) xy =0 . x 2y = 0 Esse sistema tem solu ca o x = 0 e y = 0. Logo, N (T ) = {(0, 0)}. Exemplo 21 Seja T : R4 R3 a transforma ca o linear dada por T (x, y, z, t) = (2x, x + 2y z, x y + z + t) . Ent ao, N (T ) = {(x, y, z, t) R4 | T (x, y, z, t) = (0, 0, 0)}. Isto e, um 4 vetor (x, y, z, t) de R pertence ao n ucleo de T se, e somente se, 2x = 0 (2x, x + 2y z, x y + z + t) = (0, 0, 0) . x + 2y z = 0 xy+z+t=0

Esse sistema tem conjunto-solu ca o {(0, k, 2k, k ); k R}, que e o n ucleo de T .

CEDERJ

28

N ucleo e Imagem de uma Transforma c ao Linear

AULA 20

Imagem de uma transforma c ao linear


Sejam V e W espa cos vetoriais e T : V W uma transforma ca o linear. A imagem de T , representado por Im(T ), e o conjunto de todos os vetores de W da forma T (v ), para algum v V , isto e Im(T ) = {w W | w = T (v ), para algum v V }. Exemplo 22 Se T : V W e a transforma ca o linear nula, isto e, tal que T (v ) = 0W , v V , sua imagem e o conjunto formado apenas pelo vetor nulo de W . A imagem da transforma ca o identidade, denida no espa co vetorial V , e o espa co V . A proje ca o ortogonal sobre o eixo dos x, em R2 e uma transforma ca o linear cuja imagem e o eixo dos x. Exemplo 23 Vamos determinar a imagem da transforma ca o linear T : R2 R3 dada por T (x, y ) = (x + y, x y, x 2y ) . Queremos encontrar os vetores w = (a, b, c) R3 para os quais existe v = (x, y ) R2 tal que T (v ) = w, isto e, queremos que a equa ca o T (x, y ) = (x + y, x y, x 2y ) = (a, b, c) tenha solu ca o. Isso equivale a analisar as condi co es para que o sistema x+y =a xy =b x 2y = c
Note que a representa ca o geom etrica de Im(T ) e um plano passando pela origem. Voc e se lembra? Os subespa cos de R3 s ao as retas e os planos passando pela origem, al em do subespa co nulo e do pr oprio R3 .

que admite solu ca o se, e somente se, a 3b + 2c = 0. Logo,

admita solu ca o. Escalonando, obtemos o seguinte sistema equivalente: x+y =a , y = (a b)/2 0 = (a 3b + 2c)/2 Im(T ) = {(a, b, c) R3 |a 3b + 2c = 0} .

29

CEDERJ

N ucleo e Imagem de uma Transforma c ao Linear

Exemplo 24 Seja T : R4 R3 a transforma ca o linear dada por T (x, y, z, t) = (2x, x + 2y z, x y + z + t) . Queremos determinar as condi co es para que um vetor (a, b, c), de R 3 seja a imagem, por T , de algum vetor de R4 . Como no exemplo anterior, queremos que o sistema 2x = a x + 2y z = b xy+z+t=c admita solu ca o. Escalonando, chegamos ao sistema equivalente xy+z+t=c , y+t=b+ca z 2t = (3a 2b 4c)/2

que e compat vel para quaisquer valores de a, b e c. Logo, todo vetor (a, b, c) 3 R pertence a ` imagem de T , ou seja, Im(T ) = R3 .

Voc e j a deve ter se dado conta de que as transforma co es lineares possuem propriedades realmente especiais, que n ao encontramos nas demais fun co es. O n ucleo e a imagem de uma transforma ca o linear n ao s ao apenas conjuntos: ambos apresentam estrutura de espa co vetorial, como mostraremos nos resultados a seguir. Teorema 1 Sejam V e W espa cos vetoriais e T : V W uma transforma ca o linear. O n ucleo de T e subespa co vetorial de V . Demonstra ca o. Primeiramente, vemos que 0V N (T ), uma vez que T (0V ) = 0W . Portanto N (T ) = .

Sejam v1 , v2 vetores no n ucleo de T . Isto e, T (v1 ) = T (v2 ) = 0W , ent ao T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0W + 0W = 0W . Logo, (v1 + v2 ) N (T ). Portanto, o n ucleo e fechado para a soma. Sejam R e v N (T ). Isto e, T (v ) = 0W , ent ao T (v ) = T (v ) = 0W = 0W . Logo, (v ) N (T ), o que mostra que o n ucleo e fechado para o produto por escalar.

CEDERJ

30

N ucleo e Imagem de uma Transforma c ao Linear

AULA 20

Teorema 2 Sejam V e W espa cos vetoriais e T : V W uma transforma ca o linear. A imagem de T e subespa co vetorial de W . Demonstra ca o. A imagem de T n ao e vazia, pois 0W e a imagem de 0V . Sejam w1 , w2 vetores na imagem de T . Isso signica que existem vetores v1 e v2 em V , tais que T (v1 ) = w1 e T (v2 ) = w2 . Ent ao o vetor (w1 + w2 ) pertence a ` imagem de T , pois e a imagem do vetor (v1 + v2 ). De fato, temos: T (v1 + v2 ) = T (v1 ) + t(v2 ) = w1 + w2 . Finalmente, sejam R e w Im(T ). Isto e, existe v V tal que T (v ) = w. Ent ao, como T (v ) = T (v ) = w, temos que (w) Im(T ). Uma vez provado que o n ucleo e a imagem s ao subespa cos vetoriais, o pr oximo passo e determinar a dimens ao e obter uma base para cada um. E o que faremos nos exemplos seguintes. Exemplo 25 Dada a transforma ca o linear T : R3 R3 dada por T (x, y, z ) = (x + y, x z, y + z ) , determine uma base e a dimens ao de seu n ucleo e de sua imagem. Vamos determinar o n ucleo de T . (x, y, z ) de R3 tais que Queremos encontrar os vetores

Logo, o n ucleo de T e gerado pelo vetor (1, 1, 1). Ent ao temos que dim N (T ) = 1 e uma base de N (T ) e {(1, 1, 1)}.

cujo conjunto-solu ca o e {(k, k, k ); k R} = {k (1, 1, 1); k R}.

x+y =0 T (x, y, z ) = (x + y, x z, y + z ) = (0, 0, 0) xz =0 , y+z =0

Vamos, agora, determinar a imagem de T . Queremos estabelecer as condi co es que um vetor (a, b, c) de R3 deve satisfazer para que exista um vetor (x, y, z ), em R3 , tal que T (x, y, z ) = (x + y, x z, y + z ) = (a, b, c). Essa igualdade leva a um sistema linear que, escalonado, fornece x+y =a y+z =ab . 0=abc
31 CEDERJ

N ucleo e Imagem de uma Transforma c ao Linear

Para que existam solu co es, devemos ter a b c = 0, que e a equa ca o que caracteriza os vetores da imagem de T . Como a = b + c, um vetor da imagem pode ser escrito (b + c, b, c) = b(1, 1, 0) + c(1, 0, 1). Logo, a imagem possui dimens ao 2 e uma base para ela e {(1, 1, 0), (1, 0, 1)}. Os dois pr oximos exemplos invertemo processo: vamos determinar uma transforma ca o linear (ela n ao ser au nica) a partir do seu n ucleo ou de sua imagem. Exemplo 26 Encontrar uma transforma ca o linear T : R3 R3 , cuja imagem e gerada pelos vetores (1, 2, 3) e (1, 1, 1). Vimos, na aula passada, que uma transforma ca o linear ca completamente determinada se a conhecemos nos vetores de uma base de seu dom nio. Consideremos, por simplicidade, a base can onica de R3 e vamos determinar as imagens dos vetores dessa base, por T : T (1, 0, 0) = (1, 2, 3)
Note que a escolha de T neste exemplo n ao e de forma alguma u nica. Poder amos, por exemplo, ter escolhido T (1, 0, 0) = (1, 1, 1), T (0, 1, 0) = (1, 1, 1) e T (0, 0, 1) = (1, 2, 3).

T (0, 1, 0) = (1, 1, 1) T (0, 0, 1) = (0, 0, 0) Note que o terceiro vetor deve ser levado a um que forme, com os dois vetores dados no enunciado, um conjunto LD, uma vez que a dimens ao da imagem e 2. Ent ao, como (x, y, z ) = x(1, 0, 0) + y (0, 1, 0) + z (0, 0, 1), temos T (x, y, z ) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1) = x(1, 2, 3) + y (1, 1, 1) + z (0, 0, 0) = (x + y, 2x + y, 3x + y ), que e a lei que dene a transforma ca o T . Exemplo 27 Encontrar uma transforma ca o linear T : R3 R3 , cujo n ucleo e gerado pelos vetores (1, 2, 3) e (1, 1, 1). Aqui, tamb em, vamos denir uma transforma ca o linear numa base de R3 , mas esta base deve conter os vetores dados. Isto e, vamos completar o conjunto {(1, 2, 3), (1, 1, 1)} para que se torne uma base de R3 . Para isso, devemos escolher um vetor (x, y, z ) tal que o conjunto {(1, 2, 3), (1, 1, 1), (x, y, z )} seja LI. Em outras palavras, basta que seja um vetor tal que o determinante formado pelas coordenadas dos 3 vetores do conjunto seja diferente de zero. Isto e: 1 2 3 1 1 1 = 0 z = x + 2 y . x y z

CEDERJ

32

N ucleo e Imagem de uma Transforma c ao Linear

AULA 20

Podemos considerar, por exemplo, o vetor (1, 0, 0). Temos, ent ao, uma 3 base de R em cujos vetores iremos denir a transforma ca o: T (1, 2, 3) = (0, 0, 0) T (1, 1, 1) = (0, 0, 0) T (1, 0, 0) = (1, 0, 0) (por exemplo) Observe que a dimens ao do n ucleo e 2; logo, o terceiro vetor da base deve estar fora do n ucleo, ou seja, ter imagem n ao nula. Para nalizar, temos que escrever um vetor gen erico do R3 como combina ca o linear dos vetores da base considerada e, enm, determinar a express ao de T : a+b+c=x (x, y, z ) = a(1, 2, 3) + b(1, 1, 1) + c(1, 0, 0) 2a + b = y 3a + b = z a = y + z ; b = 3y 2z ; c = x 2y + z Logo, T (x, y, z ) = aT (1, 2, 3) + bT (1, 1, 1) + cT (1, 0, 0) = . = (y + z )(0, 0, 0) + (3y 2z )(0, 0, 0) + (x 2y + z )(1, 0, 0) Assim, uma poss vel resposta e T (x, y, z ) = (x 2y + z, 0, 0).

Resumo
Nesta aula denimos o n ucleo e a imagem de uma transforma ca o linear T . Vimos que ambos s ao subespa cos vetoriais: o n ucleo, do dom nio de T e a imagem, do contradom nio de T . Os exemplos visaram ajudar na assimila ca o da t ecnica para caracterizar o n ucleo e a imagem, determinar suas dimens oes e encontrar uma base para cada. Na pr oxima aula veremos um resultado importante que relaciona as dimens oes do n ucleo, da imagem, e do dom nio de uma transforma ca o linear.

33

CEDERJ

N ucleo e Imagem de uma Transforma c ao Linear

Exerc cios
1. Verique se o vetor v V pertence ao n ucleo da transforma ca o linear T : V W , em cada caso: (a) V =R3 ; (b) V =R3 ; W = R2 ; T (x, y ) = (x + y z, 3y + z ); v = (4, 1, 3) W = R2 ; T (x, y ) = (x + y z, 3y + z ); v = (1, 1, 2) a11 a12 a21 a22 = a11 + a12 + 2a21 + 2a22 ;

(c) V = M2 (R); W = R; T v= 1 3 5 2

(d) V = M2 (R); W = R; T v= 1 3 3 5

a11 a12 a21 a22

= a11 + a12 + 2a21 + 2a22 ;

2. Seja T : P2 P3 a transforma ca o linear denida por T (p(t)) = tp(t). Quais dos seguintes vetores est ao na imagem de T ? (a) t2 (b) 0 (c) t + 1 (d) t2 2t 3. Determine a dimens ao e uma base do n ucleo, a dimens ao e uma base da imagem da transforma ca o linear T : R3 R2 dada por T (x, y, z ) = (y 2z, x y z ). 4. Seja T a transforma ca o linear denida em M2 tal que T (v ) = Av, para 2 3 v M2 , onde A = . Determine a dimens ao e encontre uma 1 2 base da imagem, determine a dimens ao e encontre uma base do n ucleo de T . 5. A transforma ca o T : P3 P2 que associa cada polin omio p(t) ao polin omio obtido pela deriva ca o, isto e: T (p(t)) = p (t), e linear. Descreva o n ucleo de T .
CEDERJ
34

N ucleo e Imagem de uma Transforma c ao Linear

AULA 20

6. Encontre uma transforma ca o linear T : R3 R4 cuja imagem seja gerada pelos vetores (1, 0, 2, 3) e (1, 0, 1, 5). 7. Encontre uma transforma ca o linear T : R3 R2 cujo n ucleo seja gerado pelo vetor (1, 0, 3).

Respostas dos exerc cios


1. (a) pertence (b) n ao pertence (c) n ao pertence (d) pertence 2. a); b); d) 3. dim N (T ) = 1; uma base de N (T ) : {(3, 2, 1)} (H a innitas bases.) 2 dim Im(T ) = 2 (Im(T ) = R ); uma base de Im(T ) : {(1, 0), (0, 1)} (H a innitas bases.) 4. N (T ) = 0 0 0 0 ; dim N (T ) = 0; Im (T ) = M2 ; uma base para 1 0 0 0 , 0 1 0 0 , 0 0 1 0 , 0 0 0 1 .

a imagem de T :

5. O n ucleo de T e formado pelos polin omios constantes de P3 . 6. H a innitas solu co es. 7. H a innitas solu co es.

35

CEDERJ

Teorema do N ucleo e da Imagem

AULA 21

Aula 21 Teorema do N ucleo e da Imagem


Objetivo
Apresentar o teorema do n ucleo e da imagem, algumas conseq u encias e exemplos. Na aula passada vimos que, se T : V W e uma transforma ca o linear, o n ucleo N (T ) e um subespa co vetorial de V e a imagem Im(T ) e um subespa co vetorial de W . Nesta aula apresentaremos o teorema do n ucleo e da imagem, que relaciona as dimens ao de V , N (T ) e Im(T ). Teorema 1 Sejam V e W espa cos vetoriais de dimewns ao nita. Seja T : V W uma transforma ca o linear, ent ao dim V = dim N (T ) + dim Im(T ) . Demonstra ca o. Seja p = dim Im(T ) e q = dim N (T ). Sejam {v1 , . . . , vq } uma base de N (T ) e {w1 , w2 , . . . , wp } uma base de Im(T ).

Existem {u1 , . . . , up } V tais que w1 = T (u1 ), w2 = T (u2 ), . . . , wp = T (up ). Vamos mostrar que o conjunto {v1 , . . . , vq , u1 , . . . , up }

e uma base de V , o que demonstra o teorema, pois ent ao temos dim V = q + p = dim N (T ) + dim Im(T ) . Vamos iniciar provando que o conjunto {v1 , . . . , vq , u1 , . . . , up } e LI. Suponha que 1 u1 + + p up + 1 v1 + + q vq = 0 (1) , onde os s e s s ao escalares. Aplicando o operator T , temos 1 T (u1 ) + + p T (up ) + 1 T (v1 ) + + q T (vq ) = T (0) = 0 . Como T (ui ) = wi , i = 1, . . . , p e T (vi ) = 0, i = 1, . . . , q , resulta que 1 w1 + + p wp = 0 .
37 CEDERJ

Teorema do N ucleo e da Imagem

Mas {w1 , . . . , wp } e um conjunto L.I. (sendo base de Im(T )), portanto 1 = = p = 0. Substituindo na equa ca o (1), resulta 1 v1 + + q vq = 0 . Como {v1 , . . . , vq } e uma base de N (T ), ent ao e um conjunto LI, o que implica em 1 = = q = 0. Vamos agora mostrar que esse conjunto gera V . Seja v V um vetor qualquer. Como T (v ) Im(T ), ent ao existem escalares 1 , . . . , p tais que T (v ) = 1 w1 + . . . + p wp = 1 T (u1 ) + . . . + p up . Podemos escrever esta equa ca o como T (v 1 u1 . . . p up ) = 0 v 1 u1 . . . p up N (T ) . Como {v1 , . . . , vq } e uma base de N (T ), existem 1 , . . . , q tais que v 1 u1 . . . p up = 1 v1 + . . . + q vq , ou seja v = 1 u1 + . . . + p up + 1 v1 + . . . + q vq Isto mostra que {v1 , . . . , vq , u1 , . . . , up } gera o espa co V . . Conclu mos que {v1 , . . . , vq , u1 , . . . , up } e LI.

Exemplo 28 A proje ca o ortogonal sobre o eixo-x e a transforma ca o T : R2 R2 dada por T (x, y ) = (x, 0).
(x,y)

(x,0)

Figura 1: Proje ca o ortogonal sobre o eixo-x Temos que o n ucleo de T e formado pelos (x, y ) tais que T (x, y ) = (x, 0) = (0, 0) x = 0 .
CEDERJ
38

Teorema do N ucleo e da Imagem

AULA 21

Ou seja, N (T ) = {(0, y )} que e gerado por {(0, 1)}. Portanto dim N (T ) = 1. A imagem de T e ImT = T (x, y ) = (x, 0) , que e um espa co gerado por {(0, 1)}. Portanto, dim Im(T ) = 1.

Os valores de dim(T ) e Im(T ) conrmam o teorema do n ucleo e da imagem, pois 2 = dim R2 = dim N (T ) + dim Im(T ) = 1 + 1 = 2 .

Exemplo 29 A transforma ca o linear T : R2 R3 dada por T (x, y ) = (x + y, x y, x 2y ) . Vimos no exemplo 20 da aula 20 que N (T ) = {(0, 0)}. Portanto, dim R2 = dim N (T ) + dim Im(T ) 2 = 0 + dim Im(T ) dim Im(T ) = 2 . Para conrmar isto, vamos calcular Im(T ). Seja (a, b, c) Im(T ). Ent ao x+y =a T (x, y ) = (x + y, x y, x 2y ) = (a, b, c) xy =b x 2y = c
b x = a+ 2 b y = a 2 0=c

Reduzindo este sistema, obtemos

3b 2

a 2

Exemplo 30 No exemplo 21 da aula 20, vimos que a transforma ca o linear T : R 4 R3 dada por T (x, y, z, t) = (2x, x + 2y z, x y + z + t) tem n ucleo N (T ) = {0, k, 2k, k )} que e gerado por {(0, 1, 2, 10}. Portanto dim N (t) = 1. Aplicando o teorema do n ucleo e da imagem, obtemos dim R4 = dim N (T ) + dim Im(T ) dim Im(T ) = 4 1 = 3 .
39 CEDERJ

Teorema do N ucleo e da Imagem

N ao e dif cil vericar que este sistema tem solu ca o para qualquer valor de (a, b, c), o que demonstra que dim Im(T ) = 3. Na pr oxima se ca o veremos algumas aplica co es do teorema que acabamos de provar para transforma co es injetoras e sobrejetoras.

2x = a . (2x, x + 2y z, x y + z + t) = (a, b, c) x + 2y z = b x y + z + t = cc

De fato, se (a, b, c) Im(T ) ent ao

Transforma co es injetoras e sobrejetoras


Vamos recordar algumas deni co es. Uma transforma ca o T : V W e sobrejetora quando Im(T ) = W . Como Im(T ) e subespa co de W , ent ao, se W tem dimens ao nita, temos que T e sobrejetora quando dim Im(T ) = dim W . Uma transforma ca o e injetora quando T (v1 ) = T (v2 ) v1 = v2 v1 v2 = 0 . No caso de transforma co es lineares, podemos dar outra caracteriza ca o. Proposi c ao 1 Uma transforma ca o linear T e injetora se, e somente se, vale o seguinte T (v ) = 0 v = 0 . Demonstra ca o. Se T e injetora ent ao claramente vale a propriedade acima, pois T (v ) = 0 e T (0) = 0 implica em v = 0 pela propriedade injetiva. Se vale a propriedade acima, temos que T (v1 ) = T (v2 ) T (v1 v2 ) = 0 v1 v2 = 0 v1 = v2 .

Assim, entre as tranforma co es lineares, as injetoras s ao aquelas em que apenas o vetor nulo e levado no vetor nulo, isto eT e injetora quando N (T ) = 0.
CEDERJ
40

Teorema do N ucleo e da Imagem

AULA 21

Resumindo, em termos dos subespa cos Im(T ) e N (T ), temos o seguinte: T e sobrejetora quando Im(T ) = W . T e injetora quando N (T ) = 0. Vamos agora provar uma conseq u encia muito interessante do teorema do n ucleo e da imagem. Teorema 2 Uma transforma ca o linear entre espa cos vetorias de mesma dimens ao nita e injetora se, e somente se, e sobrejetora. Demonstra ca o. Isto e verdade porque, se T : V W e n = dim V = dim W , ent ao, como pelo teorema do n ucleo e da imagem, n = dim N (T ) + dim Im(T ), temos N (T ) = {0V } dim N (T ) = 0 dim Im(T ) = n Im(T ) = W . Au ltima equival encia e conseq u encia do fato de que n = dim Im(T ) = dim W Im(T ) = W . Uma caracter stica importante das transforma co es lineares bijetoras e que levam uma base em uma base. Mais precisamente: Teorema 3 Seja T : V W uma transforma ca o linear entre os espa cos V e W . Ent ao T e bijetora se, e somente se, T leva uma base de V em uma base de W . Demonstra ca o. Suponha que T leve uma base de V em uma base de W . Seja n = dim V e {v1 , , vn } uma base de V . Ent ao {T (v1 ), , T (vn )} e uma base de W , logo V e W t em a mesma dimens ao n. Alem disso, se w W ent ao existem 1 , , n tais que w = 1 T (v1 ) + + n T (vn ) = T (1 v1 + + n vn ) w ImT . Portanto, T e sobrejetora. Pelo teorema anterior, como T e uma transforma ca o linear sobrejetora entre espa cos de mesma dimens ao, ent ao T e bijetora.
41

Em geral, se U e subespa co de W e dim U = dim W ent ao U = W .

CEDERJ

Teorema do N ucleo e da Imagem

Suponha agora que T seja uma transforma ca o linear bijetora. Seja {v1 , , vn } uma base de V . Queremos mostrar que {T (v1 ), , T (vn )} e uma base de W . Se existem 1 , , n tais que 1 T (v1 ) + + n T (vn ) = 0 ent ao T (1 v1 + + n vn ) = 0 . Como T e injetora ent ao 1 v1 + + n vn = 0 . J a que {v1 , , vn } e base, ent ao 1 = = n = 0, o que mostra que {T (v1 ), , T (vn )} e um conjunto L.I.

Resta apenas mostrar {T (v1 ), , T (vn )} gera W . Seja w W . Como T e sobrejetora, ent ao existe v V tal que T (v ) = w. Como {v1 , , vn } e uma base de V , ent ao existem 1 , , n tais que v = 1 v1 + + n vn . Portanto, w = T (v ) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ) .

Isomorsmos e automorsmos
Um isomorsmo dos espa cos vetorias V em W e uma aplica ca o linear T : V W que e bijetora. Dizemos que dois espa cos vetoriais V e W s ao isomorfos quando existe algum isomorsmo T : V W .

Vimos, no Teorema 3, que, se T e um isomorsmo entre V e W , ent ao T leva uma base de V em uma base de W . Conseq uentemente, V e W t em a mesma dimens ao. Isto e, espa cos vetoriais isomorfos t em a mesma dimens ao. um isomorsmo T : V V e chamado automorsmo de V . Exemplo 31 1. O operador identidade I : V V e um automorsmo de V , para qualquer espa co vetorial V . 2. O operador T : R2 P1 (R) dado por T (x1 , x2 ) = x1 + x2 X e um isomorsmo de R2 no espa co P1 (R) dos polin omios de grau menor ou igual a 1 e coecientes reais.
CEDERJ
42

Teorema do N ucleo e da Imagem

AULA 21

A verica ca o de que T e linear e e bijetora e muito simples e ser a deixada como exerc cios.

Resumo
O resultado mais importante desta aula e o teorema do n ucleo e da imagem (Teorema 1). Provamos, como conseq u encia do Teorema 1, que uma transforma ca o entre espa cos de mesma dimens ao e injetora se, e somente se, e sobrejetora. Provamos tambem que as transforma co es lineares bijetoras s ao caracterizadas pela propriedade de levarem base em base.

Exerc cios
1. Seja T : R3 R2 a transforma ca o linear denida por T (x, y, z ) = (x + y, 2x z ). (a) Determine o n ucleo de T . (b) Determine a imagem de T . 2. Seja T : R3 R3 a transforma ca o linear dada por T (x, y, z ) = (x, y, 0). (a) Determine o n ucleo de T . (b) Determine a imagem de T . 3. Mostre que a aplica ca o linear T : R3 R3 dada por T (x, y, z ) = (x + z, y + z, x + 2z ) e um automorsmo de R3 . 4. Determine uma aplica ca o linear T : R3 R4 tal que ImT seja o espa co gerado por {(1, 1, 0, 1), (2, 0, 1, 1)}. 5. Determine uma transforma ca o linear T : R3 R2 cujo n ucleo seja gerado por {(1, 0, 1)}. 6. Mostre que a transforma ca o linear T : R3 P2 (R) dada por T (x1 , x2 , x3 ) = x1 + x 2 X + x 3 X 2 e um isomorsmo. 7. Prove que o espa co R 2 e isomorfo ao espa co U = {(x, y, z ) R3 | z = 0} .
43 CEDERJ

Teorema do N ucleo e da Imagem

Respostas dos exerc cios


1. (a) N (T ) e o espa co gerado por {(1, 1, 2)}. (b) ImT = R2 . 2. (a) N (T ) e o espa co gerado por {(0, 0, 1)}. 3. Vamos determinar N (T ).

(b) ImT e o espa co gerado por {(1, 0, 0), (0, 1, 0)}. x+z = 0 T (x, y, z ) = (0, 0, 0) y+z = 0 x=y =z =0 x + 2z = 0

Portanto T e transforma ca o linear injetora entre espa cos de mesma dimens ao, o que implica que e bijetora. 4. Partindo da base {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, base can onica do R 3 , vamos denir uma transforma ca o linear por (1, 0, 0) (1, 1, 0, 1) (0, 1, 0) (2, 0, 1, 1) (0, 0, 1) (0, 0, 0, 0) A transforma ca o e T (x, y, z ) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1) = x(1, 1, 0, 1) + y (2, 0, 1, 1) + z (0, 0, 0, 0) = (x + 2y, x, y, x + y ) . 5. Vamos iniciar determinando uma base de R3 que inclua o vetor (1, 0, 1). Por exemplo, {(1, 0, 0), (0, 1, 0), (1, 0, 1)} e base de R3 (verique!). Agora denimos uma transforma ca o linear por (1, 0, 0) (1, 0) (0, 1, 0) (0, 1) (1, 0, 1) (0, 0) . Um vetor (x, y, z ) se escreve nesta base como (x, y, z ) = (x z )(1, 0, 0) + y (1, 0, 0) + z (1, 0, 1) Portanto, T (x, y, z ) = (x z )(1, 0) + y (1, 0) + z (0, 0) = (x z, y ) . 6. Como dim R3 = dim P2 (R) = 3, basta mostrar que T e injetora (ou que T e sobrejetora). T (x1 , x2 , x3 ) = 0 x1 + x2 X + x3 X 2 = 0 x1 = x2 = x3 = 0 7. Um isomorsmo e dado por T (x, y ) = (x, y, 0).

CEDERJ

44

Representa c ao Matricial de uma Transforma c ao Linear

AULA 22

Aula 22 Representa c ao Matricial de uma Transforma c ao Linear


Objetivos
Determinar a representa ca o matricial de uma transforma ca o linear; Determinar uma transforma ca o linear a partir de sua representa ca o matricial; Na aula 18, vimos que toda transforma ca o matricial e linear. Num sentido inverso, mostraremos agora que toda transforma ca o linear entre espa cos vetoriais de dimens ao nita e matricial, isto e, pode ser representada por uma matriz, de modo que sua aplica ca o a um vetor do dom nio se resuma a multiplicar essa matriz pelo vetor. Veremos que os elementos dessa matriz dependem das bases escolhidas, tanto para o dom nio quanto para o contradom nio, como obt e-la e como aplic a-la em exerc cios. A id eia: Dados V e W , espa cos vetoriais, e T : V W , linear, queremos determinar uma matriz M que nos possibilite escrever: T (v ) = M v, para todo v V . Sejam: V : espa co vetorial, de dimens ao n; W : espa co vetorial, de dimens ao m; A = {v1 , v2 , ..., vn }, base de V ; B = {w1 , w2 , ..., wm }, base de W ; v V.

Na aula 18 dissemos que far amos isso na aula 23, mas resolvemos adiantar esse t opico!!

T : V W , uma transforma ca o linear;

Primeiramente, como v V , e A e base de V , podemos escrever v como combina ca o linear dos vetores de A, isto e, existem escalares 1 , 2 , ..., n tais
45

CEDERJ

Representa c ao Matricial de uma Transforma c ao Linear

que v = 1 v1 + 2 v2 + ... + n vn . (1)

Usando (1) e a linearidade de T , podemos escrever: T (v ) = T (1 v1 + 2 v2 + ... + n vn ) = 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ). (2)

Cada vetor T (vi ), i = 1, 2, ..., n, presente em (2), pertence a W ; logo, pode ser expresso como combina ca o linear dos vetores da base B . Ou seja, para cada vetor vi , i = 1, 2, ..., n, de A, existem escalares a1i , a2i , ..., ami tais que T (vi ) = a1i w1 + a2i w2 + ... + ami wm . Detalhando mais, temos: T (v1 ) = a11 w1 + a21 w2 + ... + am1 wm T (v2 ) = a12 w1 + a22 w2 + ... + am2 wm . . . T (vn ) = a1n w1 + a2n w2 + ... + amn wm Substituindo essas express oes em (2), temos: T (v ) = 1 (a11 w1 + a21 w2 + ... + am1 wm ) +2 (a12 w1 + a22 w2 + ... + am2 wm ) +... +n (a1n w1 + a2n w2 + ... + amn wm ) = = (1 a11 + 2 a12 + ... + n a1n )w1 +(1 a21 + 2 a22 + ... + n a2n )w2 +... +(1 am1 + 2 am2 + ... + n amn )wm (3) O vetor T (v ), por sua vez, est a em W . Logo, pode ser escrito em rela ca o a ` base B , isto e, existem escalares 1 , 2 , ..., m tais que T (v ) = 1 w1 + 2 w2 + ... + m wm . (4)

CEDERJ

46

Representa c ao Matricial de uma Transforma c ao Linear

AULA 22

Comparando as express oes (3) e (4), concluimos que: 1 = a11 1 + a12 2 + ... + a1n n 2 = a21 1 + a22 2 + ... + a2n n . . . m = am1 1 + am2 2 + ... + amn n As igualdades acima podem ser representadas na seguinte forma matricial: a11 a21 . . . a12 a22 . . . ... a1n ... a2n . ... . . 1 2 . . . n 1 2 . . . m

am1 am2 ... amn

Observe que os vetores-coluna que aparecem nessa igualdade s ao os vetores-coordenadas dos vetores v e T (v ), em rela ca o a `s bases A e B , respectivamente. Representando a matriz m n por [T ]A,B , podemos escrever a igualdade (5) na forma: [T ]A,B [v ]A = [T (v )]B Dizemos que a matriz [T ]A,B e a matriz de T (ou matriz associada a T ) em rela ca o a `s bases A e B .

(5)

Obtendo a matriz associada a uma transforma c ao linear


Voc e n ao ter a que repetir todo esse procedimento para obter a matriz associada a uma transforma ca o linear. Primeiramente, note que, se dim V = n e dim W = m, ent ao a matriz associada a uma transforma ca o linear de V em W e mn e e tal que: a primeira coluna e formada pelos elementos do vetor-coordenadas de T (v1 ) em rela ca o a ` base B , ou seja, e [T (v1 )]B ; a segunda coluna e formada pelos elementos do vetor-coordenadas de T (v2 ) em rela ca o a ` base B , ou seja, e [T (v2 )]B ; de modo geral, a i- esima coluna da matriz e a imagem do i- esimo vetor da base A, escrito na base B .
47

CEDERJ

Representa c ao Matricial de uma Transforma c ao Linear

[T]

A,B

...

[T(v )] [T(v 2)] [T(v n)]


1 B B

Figura 1: A matriz [T ]A,B , onde A = {v1 , v2 , ..., vn } Essa id eia est a ilustrada na gura 1. Observa co es. Quando as bases consideradas s ao as can onicas, dizemos que a matriz obtida e a matriz can onica da transforma ca o linear. Al em disso, quando lidamos com operadores lineares, ou seja, com transforma co es lineares em que o dom nio e o contradom nio coincidem, se consideramos uma u nica base para representar, tanto os vetores de entrada quanto suas imagens, podemos simplicar a nota ca o. Por exemplo, sendo A a base escolhida, representamos [T ]A,A por [T ]A . Exemplo 32 Seja T : R2 R3 a transforma ca o linear dada por T (x, y ) = (x + y, 2x, x 3y ). Vamos determinar a matriz associada a T , relativamente a `s bases A = {(2, 1), (1, 0)} e B = {(1, 2, 1), (0, 1, 1), (0, 0, 3)}.

Sabemos que [T ]A,B e do tipo 3 2 e que cada coluna e a imagem do respectivo vetor da base A, escrita na base B . Vamos proceder aos seguintes passos: (1) Aplicar T aos vetores da base A: T (2, 1) = (3, 4, 1) T (1, 0) = (1, 2, 1) (2) Explicitar como a base B gera R3 , isto e, determinar como um vetor gen erico de R3 se decomp oe como combina ca o linear dos vetores de B : a=x (x, y, z ) = a(1, 2, 1) + b(0, 1, 1) + c(0, 0, 3) b = y 2x . y +z c = x3

CEDERJ

48

Representa c ao Matricial de uma Transforma c ao Linear

AULA 22

(4) Escrever a matriz:

(3) Obter os vetores-coordenadas dos vetores do item (1): 3 1 [(3, 4, 1)]A = 2 e [(1, 2, 1)]A = 0 . 2 3 0
3 1 = 2 0 2 3 0

x Assim, o vetor-coordenada de (x, y, z ), em rela ca o a ` base B , e y 2x .


xy +z 3

[T ]A,B

No exemplo 1, dada uma transforma ca o e xadas duas bases, obtivemos a matriz associada. No pr oximo exemplo seguiremos o percurso inverso: vamos determinar a transforma ca o, a partir da matriz. Exemplo 33 Sejam A = {(1, 1, 0), (0, 1, 0), (0, 0, 2)} e B = {(1, 1), (2, 0)}, bases, respectivamente, de R3 e R2 , e T : R3 R2 , transforma ca o linear com matriz 1 1 2 associada [T ]A,B = . Vamos determinar a transforma ca o T , isto 0 3 0 e, a express ao de T (x, y, z ), para (x, y, z ) R3 . Pela deni ca o de matriz associada, temos que T (1, 1, 0) = 1.(1, 1) + 0.(2, 0) = (1, 1) T (0, 1, 0) = 1.(1, 1) + 3.(2, 0) = (7, 1) T (0, 0, 2) = 2.(1, 1) + 0.(2, 0) = (2, 2) Agora, vamos escrever (x, y, z ) R3 em rela ca o a ` base B : (x, y, z ) = a.(1, 1, 0) + b(0, 1, 0) + c(0, 0, 2) = (a, a + b, 2c). Da , temos a = x; b = y x e c = z . 2
z T (x, y, z ) = x.T (1, 1, 0) + (y x)T (0, 1, 0) + T (0, 0, 2) 2 z = x(1, 1) + (y x)(7, 1) + (2, 2) 2 = (6x + 7y + z, y + z ).

Ent ao,

49

CEDERJ

Representa c ao Matricial de uma Transforma c ao Linear

Exemplo 34 Seja T o operador linear denido em P3 tal que T (a + bx + cx2 + dx3 ) = (2a + b) + (2b + c)x + (2c + d)x2 + 2dx3 . Determine a matriz can onica de T . A base can onica de P3 e C = {1, x, x2 , x3 }. Vamos aplicar T em cada um dos vetores de C : 2 0 T (1) = 2 [T (1)]C = ; 0 1 2 T (x) = 1 + 2x [T (x)]C = ; 0 0 0 1 T (x2 ) = x + 2x2 [T (x2 )]C = ; 2 0 0 0 T (x3 ) = x2 + 2x3 [T (x3 )]C = ; 1 0 1 2 0 0 0 1 2 2 . 0

2 1 0 2 Logo, [T ]C = 0 0 0 0

Resumo
Nesta aula vimos como determinar a matriz associada a uma transforma ca o linear. Essa matriz depende das bases de sa da e de chegada, xadas. A representa ca o matricial e privil egio das transforma co es lineares e possibilita, entre outras aplica co es importantes, um tratamento computacional: armazenando a matriz, a pr opria transforma ca o linear est a armazenada, pronta para ser aplicada a quantidade de vezes que se zer necess aria. Nas pr oximas aulas veremos que, a ` medida que operamos com transforma co es lineares, opera co es an alogas podem ser realizadas com as matrizes dessas transforma co es.
CEDERJ
50

Representa c ao Matricial de uma Transforma c ao Linear

AULA 22

Exerc cios
1. Determine a matriz [T ]A,B , sendo T : R3 R2 a transforma ca o linear denida por T (x, y, z ) = (2x+y z, x+2y ), A = {(1, 0, 0), (2, 1, 0), (0, 1, 1)} e B = {(1, 1), (0, 1)}. 2. Determine o operador linear T , denido em R2 , sabendo que sua matriz 1 0 em rela ca o a ` base A = {1, 1), (1, 2)} e . 1 2 3. Seja T : R3 R2 tal que [T ]A,B = 1 0 1 , sendo A = 1 1 1 {(0, 1, 1), (1, 0, 0), (1, 0, 1)} e B = {(1, 0), (0, 1)}, bases do R3 e do R2 , respectivamente. (a) Encontre a express ao de T (x, y, z ). (b) Determine o n ucleo de T . (c) Determine a imagem de T . sobrejetora? (d) T e injetora? E 4. Seja T a transforma ca o linear de R3 em R2 dada por T (x, y, z ) = (2x + y z, x + 2y ). Fixadas as bases A = {(1, 0, 0), (2, 1, 0), (0, 1, 1)} e B = {(1, 1), (0, 1)}, de R3 e R2 , respectivamente, e considerando v = (1, 2, 0) R3 , (a) D e o vetor-coordenadas de v em rela ca o a ` base A. (b) Calcule T (v ). (c) Determine o vetor-coordenadas de T (v ) em rela ca o a ` base B . (d) Obtenha a matriz [T ]A,B . (e) Calcule o vetor-coordenadas de T (v 0 em rela ca o a ` base B , usando a matriz obtida no item d) (isto e, calcule [T ]A,B [v ]A ) e compare com o item c)). 3 1 5. A transforma ca o linear T : R2 R3 tem matriz [T ]A,B = 2 5 , 1 1 2 em rela ca o a `s bases A = {(1, 1), (1, 0)}, do R , e B = {(1, 1, 1), (2, 1, 0), (3, 0, 1)}, 3 do R . Determine: (a) A express ao de T (x, y ).
51

CEDERJ

Representa c ao Matricial de uma Transforma c ao Linear

(b) A matriz can onica de T . 6. Sejam A = {(1, 1), (0, 2)} e B = {(1, 0 , 1), (0, 1 , 2), (1, 2, 0)}, bases 1 0 2 3 de R e R , respectivamente, e [T ]A,B = 1 1 . 0 1 (a) Determine T . 1 0 = 0 0 . 0 1

(b) Ache uma base C de R3 tal que [T ]A,C

7. Considere o operador identidade I , denido em R2 , isto e, o operador 2 linear tal que I (x, y ) = (x, y ), para todo (x, y ) R . Considere as bases A = {(1, 1), (0, 1)} e B = {(2, 3), (3, 5)}, de R2 . Encontre a matriz [I ]A,B .

Auto-avalia c ao
Basicamente, vimos duas t ecnicas: obter e aplicar a matriz associada a uma transforma ca o linear. Voc e dever a estar familiarizado com os passos que levam a ` obten ca o dessa matriz e, al em disso, ter sempre em mente que a matriz [T ]A,B s o pode ser multiplicada por vetores representados na base A, e que o produto e a imagem do vetor, escrita em rela cao a ` base B . Caso voc e tenha alguma d uvida, entre em contato com o tutor da disciplina.

CEDERJ

52

Representa c ao Matricial de uma Transforma c ao Linear

AULA 22

Respostas dos exerc cios


1. [T ]A,B = 2 3 0 3 3 2

2. T (x, y ) = 2x, 2x + y ) 3. (a) T (x, y, z ) = (z 2y, x + y ) (b) Im T = R2 (c) N (T ) = [(1, 1, 2)] (subespa co de R3 gerado pelo vetor (1, 1, 2)). (d) T n ao e injetora; T e sobrejetora. 5 4. (a) 2 0 (b) (4, 5) (c) (d) 4 9 2 3 0 3 3 2

5. (a) T (x, y ) = (8x + 18y, 6x + 11y, 2x 4y ) 8 18 (b) [T ] = 6 11 2 4 6. (a) T (x, y ) =


xy xy , 2 , 2x 2

+y

(b) C = {(1, 1, 1), (0, 1, 0), (1, 1, 2)}. 7. 8 3 5 2

53

CEDERJ

A Algebra das Transforma co es

AULA 23

Aula 23 A Algebra das Transforma co es


Objetivos
Operar algebricamente com as transforma co s lineares; Reconhecer as analogia entre as opera co es efetuadas com transforma co es lineares e as efetuadas com suas matrizes associadas. Reconhecer a estrutura de espa co vetorial no conjunto das transforma co es lineares. Na aula anterior, vimos que toda transforma ca o linear entre espa cos de dimens ao nita s ao matriciais. Por outro lado, nas aulas 2 e 3, do m odulo I, aprendemos a somar matrizes, a multiplicar uma matriz por um n umero real e a multiplicar duas matrizes. Pois bem: nesta aula, iremos unir os conceitos de opera co es com matrizes e com transforma co es lineares matriciais. Deniremos opera co es que nos possibilitar ao combinar transforma co es lineares, de modo a obter novas transforma co es lineares. Veremos, tamb em, que, com essas opera co es, o conjunto de todas as transforma co es lineares denidas entre dois espa cos xados e, ele pr oprio, um espa co vetorial.
Pr e-requisito: Aulas 2, 3, 18 a 22.

Adi c ao de transforma co es lineares


Sejam V e W espa cos vetoriais, T : V W , S : V W transforma co es lineares. Denimos a transforma ca o soma de T e S como sendo: (T + S ) : V W v T (v ) + S (v ) Vamos mostrar que a soma de transforma co es lineares e uma transforma ca o linear. Para isso, sejam u, v V, R. Ent ao (T + S )(u + v ) = T (u + v ) + S (u + v ) = T (u) + T (v ) + S (u) + S (v ) = T (u) + S (u) + T (v ) + S (v ) = (T + S )(u) + (T + S )(v ). (T + S )(v ) = T (v ) + S (v ) = T (v ) + S (v ) = [T (v ) + S (v )] = (T + S )(v ).

55

CEDERJ

A Algebra das Transforma co es

Multiplica c ao de uma transforma c ao linear por um n umero real


Sejam V um espa co vetorial, T : V W , uma transforma ca o linear e k R. Denimos a transforma ca o produto de k por T como sendo: (kT ) : V W v kT (v ) Vamos mostrar que o produto de transforma ca o linear por escalar e uma transforma ca o linear. Para isso, sejam u, v V, R. Ent ao (kT )(u + v ) = kT (u + v ) = k (T (u)+ T (v )) = kT (u)+ kT (v ) = (kT )(u)+ (kT )(v ). (kT )(v ) = kT (v ) = kT (v ) = [kT (v )] = (kT )(v ). Podemos armar o seguinte resultado: Sejam V e W espa cos vetoriais. Com as opera co es de adi ca o e multiplica ca o por escalar vistas acima, o conjunto de todas as transforma co es lineares de V em W formam um espa co vetorial. Representaremos esse espa co por L(V, W ). Al em disso, se dim V = n e dim W = m, temos que dim L(V, W ) = mn. No caso particular de V = W , o espa co vetorial de todos os operadores lineares denidos em V ser a representado por L(V ). Exemplo 35 Sejam T, S : R3 R2 as transforma co es lineares dadas por T (x, y, z ) = (x + y, x y + z ) e S (x, y, z ) = (x, y ). Ent ao: (T + S )(x, y, z ) = T (x, y, z ) + S (x, y, z ) = (2x + y, x + z ). (3T )(x, y, z ) = 3(x + y, x y + z ) = (3x + 3y, 3x 3y + 3z ). (2T 5S )(x, y, z ) = 2(x + y, x y + z ) 5(x, y ) = (3x +2y, 2x 7y +2z ).

Voc e poder a encontrar uma desmontra ca o desse resultado no livro de Algebra Linear, de Seymour Lipschutz, da Cole ca o Schaum.

CEDERJ

56

A Algebra das Transforma co es

AULA 23

Composi c ao de transforma co es lineares


Sejam V, U, W espa cos vetoriais, T : V U e S : U W transforma co es lineares. Denimos a transforma ca o composta S T como sendo: ST : V W v S (T (v )) A gura 1 ilustra essa id eia:
V T U S W

T(v)

S(T(v))

Figura 1: A transforma ca o composta S T Vamos mostrar que a composta de transforma co es lineares e uma transforma ca o linear. Para isso, sejam u, v V, R. Ent ao (S T )(u + v ) = S [T (u + v )] = S [T (u) + T (v )] = S (T (u)) + S (T (v )) = (S T )(u) + (S T )(v ). (S T )(v ) = S [T (v )) = S [T (v )] = S (T (v )) = (S T )(v ). Exemplo 36 Sejam T : R2 R3 tal que T (x, y ) = (x + y, 3x, x 2y ) e S : R3 R4 dada por S (x, y, z ) = (x + y, x y, 0, x + y + z ). A transforma ca o composta S T , 2 4 de R em R , e dada por: (S T )(x, y ) = S (T (x, y )) = S (x + y, 3x, x 2y ) = (4x + y, 2x + y, 0, 5x y ).

As opera co es an alogas com as matrizes associadas


Sendo V e W espa cos vetoriais de dimens ao nita, vimos, na aula 22, que, xadas bases em V e em W , cada transforma ca o linear denida entre esses espa cos est a associada a uma matriz. Ora, qual ser a a matriz associada a ` soma de duas transforma co es lineares? E ao produto de uma transforma ca o linear por um escalar? E a ` composta de duas transforma co es lineares? Fazendo os c alculos que levam a ` obten ca o da matriz associada, chegamos a `s seguintes conclus oes:
57

CEDERJ

A Algebra das Transforma co es

A matriz associada a ` soma de duas transforma co es lineares e a soma das matrizes associadas a essas transforma co es. A matriz associada ao produto de uma transforma ca o linear por um escalar e o produto da matriz associada a ` transforma ca o pelo mesmo escalar. A matriz associada a ` composta de duas transforma co es lineares e o produto (numa determinada ordem) das matrizes associadas a `s transforma co es. Mais formalmente, o que temos e: Se T e S s ao transforma co es lineares de V em W ; A e base de V ; B e base de W , ent ao [T + S ]A,B = [T ]A,B + [S ]A,B Se T e transforma ca o linear de V em W ; A e base de V ; B e base de W e k R, ent ao [kT ]A,B = k [T ]A,B Se T e transforma ca o linear de V em U ; S e transforma ca o linear de U em W ; A e base de V , B e base de U e C e base de W , ent ao [S T ]A,C = [T ]A,B .[S ]B,C Exemplo 37 Vamos retomar as transforma co es do exemplo 1: T, S : R3 R2 , dadas por T (x, y, z ) = (x + y, x y + z ) e S (x, y, z ) = (x, y ). As matrizes can onicas de T e S s ao: 1 1 0 1 0 0 [T ] = [S ] = . 1 1 1 0 1 0 Ent ao (em cada caso, voc e pode obter a matriz diretamente e comparar os resultados!!): [T + S ] = [T ] + [S ] = [3T ] = 3[T ] = 2 1 0 1 0 1 . 1 1 0 1 1 1 1 0 0 0 1 0 3 2 0 2 7 2 .

3 3 0 3 3 3

[2T 5S ] = 2[T ]5[S ] = 2


CEDERJ
58

A Algebra das Transforma co es

AULA 23

Exemplo 38 Consideremos, novamente, as transforma co es dadas no exemplo 2: T : R 2 R3 e S : R3 R4 , com T (x, y ) = (x + y, 3x, x 2y ) e S (x, y, z ) = (x + y, x y, 0, x + y + z ). Vamos aplicar essas transforma co es aos vetores das bases can onicas dos espa cos envolvidos: T (1, 0) = (1, 3, 1) S (1, 0, 0) = (1, 1, 0, 1) S (0, 0, 1) = (0, 0, 0, 1). 1 1 1 1 1 1 Logo, [T ] = 3 0 e [S ] = 0 0 1 2 1 1 1 1 0 1 1 0 Da , [S T ] = [T ].[S ] = . 0 0 0 1 1 1 S (0, 1, 0) = (1, 1, 0, 1) T (0, 1) = (1, 0, 2)

0 0 0 1

1 1 3 0 = 1 2

4 1 2 1 0 0 5 1

Exemplo 39 Considere o operador linear T , denido em R2 tal que T (x, y ) = (2x, x + 3y ). Representamos por T 2 a composta T T . Vamos determinar a matriz (can onica) de T , a express ao de T 2 e a matriz de T 2 . Como T (1, 0) = (2, 1) e T (0, 1) = (0, 3), temos [T ] = 2 0 1 3 .

Agora, T 2 (x, y ) = T (T (x, y )) = T (2x, x + 3y ) = (4x, 5x + 9y ). Temos duas maneiras de obter a matriz de T 2 : 1. Pela constru ca o da matriz associada: T 2 (1, 0) = (4, 5) T 2 (0, 1) = (0, 9) Logo, [T 2 ] = 4 0 5 9 .

2. Usando o fato de que a matriz de T T e o produto da matriz de T por ela mesma:


59

CEDERJ

A Algebra das Transforma co es

[T 2 ] = [T ].[T ] = [T ]2 = hav amos obtido.

2 0 1 3

2 0 1 3

4 0 5 9

, como j a

Resumo
Nesta aula aprendemos a obter novas transforma co es lineares, atrav es de opera co es alg ebricas e de composi ca o de transforma co es lineares. Vimos, tamb em, como as matrizes associadas das transforma co es lieares envolvidas nas opera co es se relacionam entre si. Nas pr oximas aulas estudaremos, em detalhes, as principais transforma co es lineares geom etricas (aquelas denidas 2 3 em R e em R ) e exploraremos bastante a praticidade de se trabalhar com composi ca o de transforma co es e suas matrizes associadas.

Exerc cios
1. Sejam T e S transforma co es lineares de R3 em R2 denidas por T (x, y, z ) = (3x, y z ) e S (x, y, z ) = (x z, x + y + z ). Encontre f ormulas para as transforma co es T + S , 4T e 3T 2S . 2. Sejam T : R2 R3 e S : R3 R2 dadas por T (x, y ) = (5x, x y, 3y ) e S (x, y, z ) = (x + 3z, 2y z ). Deduza f ormulas para as compostas S T e T S. 3. Na aula 18, exerc cio 5, voc e descreveu, geometricamente, o efeito de cada aplica ca o dada, nos vetores de R2 . As transforma co es dadas foram: T1 (v ) = T3 (v ) = 3 0 0 3 1/2 0 0 1/2 T2 (v ) = 1 0 0 1 0 0 0 1

T4 (v ) =

Fa ca uma descri ca o geom etrica do efeito da aplica ca o de cada transforma ca o linear abaixo, nos vetores de R2 : (a) T3 T1 (b) T1 T2 (c) T4 T2
CEDERJ
60

A Algebra das Transforma co es

AULA 23

4. Sejam F e T operadores lineares em R2 denidos por F (x, y ) = (y, x) e T (x, y ) = (0, x). Estabele ca f ormulas que denam os operadores F + T, 2F 3T e T F T . 5. Seja C = {e1 , e2 , e3 } a base can onica de R3 . Seja T L(R3 ) o operador dado por T (e1 ) = e2 ; T (e2 ) = e3 e T (e3 ) = e1 . (a) Determine T (x, y, z ). (b) Mostre que T 3 = I . (Obs.: T 3 = T T T ; I indica o operador identidade.) 6. Sejam T, F L(V ) tais que T F = F T . Mostre que: (a) (T + F )2 = T 2 + 2(T F ) + F 2 (b) (T + F ) (T F ) = T 2 F 2 7. Dizemos que um operador T L(V ) e idempotente quando T 2 = T . Dizemos que um operador T L(V ) e nilpotente quando T n = 0 (operador nulo), para algum n umero n natural. Determine se os seguintes operadores lineares s ao idempotentes, nilpotentes, ou nenhuma das duas coisas: (a) T L(R2 tal que T (x, y ) = (0, x). (b) O operador deriva ca o D L(Pn ). (c) T L(R3 tal que T (x, y, z ) = (x, y, z ) (d) F L(R2 dado por F (x, y ) = (x, 0) (e) T L(R3 ) tal que T (x, y, z ) = (z, x, y ) 8. Desao: Suponha T : V U e S : U W , transforma co es lineares. Demonstre o seguinte: (a) Se T e S s ao injetoras, ent ao S T e injetora. (b) Se T e S s ao sobrejetoras, ent ao S T e sobrejetora. (c) Se S T e injetora, ent ao T e injetora. (d) Se S T e sobrejetora, ent ao S e sobrejetora.
61 CEDERJ

A Algebra das Transforma co es

Auto-avalia c ao
Esta aula reuniu conceitos que voc e talvez j a conhecesse, como soma e composi ca o de fun co es, e opera co es com matrizes. O interessante e reunir essas id eias e vericar como as opera co es entre transforma co es lineares s ao an alogas ao que ocorre com as matrizes associadas. Al em disso, o fato de que o conjunto das transforma co es lineares seja um espa co vetorial nos d aa vis ao de como poder amos construir novos espa cos, num processo innito: o pr oximo passo seria considerar o conjunto das transforma co es lineares denidas entre espa cos de transforma co es lineares!! Se voc e tiver sentido qualquer diculdade na resolu ca o dos exer-c cios, ou na compreens ao dos exemplos, pe ca ajuda do tutor da disciplina. As pr oximas duas aulas ser ao de aplica ca o desses conceitos a `s principais transforma co es geom etricas. Vamos a elas!!

Respostas dos exerc cios


1. (T + S )(x, y, z ) = (4x z, x + 2y ) (4T )(x, y, z ) = (12x, 4y 4z ) (3T 2S )(x, y, z ) = (7x + 2z, 2x + y 5z ) 2. (S T )(x, y ) = S (5x, x y, 3y ) = (5x + 9y, 2x 5y ). (T S )(x, y, z ) = T (x + 3z, 2y z ) = (5x + 15z, x 2y + 4z, 6y 3z ). 3. (a) Dilata ca o por um fator de 3 e rota ca o, no sentido anti-hor ario, de o 180 . (b) Dilata ca o por um fator de 3/2. (c) Contra ca o por um fator de 1/2 e proje ca o sobre o eixo y. 4. F + T )(x, y ) = (y, 2x); (x, 0) 5. T (x, y, z ) = (z, x, y ) 6. (a) Seja v V . Ent ao 2 (T + F ) (v ) = [(T + F ) (T + F )](v ) = (T + F )[(T + F )(v )] = = (T + F )[T (v ) + F (v )] = = T [T (v ) + F (v )] + F [T (v ) + F (v )] = = T (T (v )) + T (F (v )) + F (T (v )) + F (F (v )) = = (T T )(v ) + (T F )(v ) + (F T )(v ) + (F F )(v ). Como T F = F T , temos:
CEDERJ
62

(2F 3T )(x, y ) = (2y, x);

(F T )(x, y ) =

A Algebra das Transforma co es

AULA 23

(T + F )2 (v ) = (T T )(v ) + 2(T F )(v ) + (F F )(v ) = T 2 (v ) + 2(T F )(v ) + F 2 (v ). Como essa igualdade se verica para qualquer v V , temos que (T + F )2 = T 2 + 2(T F ) + F 2 . (b) Seja v V . [(T + F ) (T F )](v ) = (T + F )[(T F )(v )] = = (T + F )[T (v ) F (v )] = . = T (T (v ) F (v )) + F (T (v ) F (v )) = = T (T (v )) T (F (v )) + F (T (v )) F (F (v )) Como T F = F T , temos: [(T + F ) (T F )](v ) = T (T (v )) F (F (v )) = T 2 (v ) F 2 (v ). Como essa igualdade se verica para qualquer v V , temos que (T + F ) (T F ) = T 2 F 2 . 7. (a) nilpotente (T 2 = 0) (b) nilpotente (A derivada de ordem n + 1 de um polin omio de grau menor ou igual a n e o polin omio nulo.) (c) idempotente (d) idempotente (e) nenhuma das duas coisas 8. (a) Vamos supor que existem u e v em V tais que (S T )(u) = (S T )(v ). Ent ao S (T (u)) = S (T (v )). Como S e injetora, T (u) = T (v ). Como T e injetora, u = v . Logo, se (S T )(u) = (S T )(v ), ent ao u = v , o que prova que S T e injetora. (b) Seja w W . Como S e sobrejetora, existe u U tal que S (u) = w. Como T e sobrejetora, existe v em V para o qual T (v ) = u. Assim, (S T )(v ) = S (T (v )) = S (u) = w. Logo, S T e sobrejetora. (c) Suponhamos T n ao injetora. Ent ao, existem vetores distintos, v1 , v2 , em V , para os quais T (v1 ) = T (v2 ). Assim, (S T )(v1 ) = S (T (v1 )) = S (T (v2 )) = (S T )(v2 ); logo, S T n ao e injetora, o que contraria a nossa hip otese. Portanto, T e injetora. (d) Se v V , ent ao (S T )(v ) = S (T (v )) Im S . Isto e, Im(S T ) Im S . Vamos supor que S n ao e sobrejetora. Ent ao Im S est a propriamente contida em W . Logo, Im(S T ) est a propriamente contida em W . Assim, S T n ao e sobrejetora, o que nega a nossa hip otese. Logo, S e sobrejetora.

Lembrando: Uma fun ca o f :AB e sobrejetora quando Im(f ) = B . Logo, quando f n ao e sobrejetora, sua imagem e um subconjunto pr oprio do contradom nio B .

63

CEDERJ

Transforma co es especiais no R2

AULA 24

Aula 24 Transforma co es especiais no R2


Objetivos
Estudar alguns tipos de transforma co es do R2 : rota ca o, reex ao, escala e cisalhamento. Nesta aula estudaremos algumas transforma co es especiais no R2 . Vamos come car pela transforma ca o de escala.

Transforma c ao de escala
Dado um escalar k , a transforma ca o T : R2 R2 denida por T (x) = kx e chamada transforma ca o de escala. Tamb em chamamos esta transforma ca o de contra ca o quando 0 k < 1 e de dilata ca o quando k > 1.
2

Este tipo de transforma ca o mant em a dire ca o e sentido de cada vetor de R , multiplicando o m odulo do vetor pelo escalar k , como mostra a gura a seguir. T(v)
y

w T(w)

Figura 1: Transforma ca o de escala Quando estudamos uma transforma ca o linear, muitas vezes e interessante observar sua a ca o sobre uma certa regi ao do plano. Por exemplo, observar como ela transforma o quadrado unit ario {(x, y ) R2 | 0 x 1 e 0 y 1} ou o c rculo unit ario {(x, y ) R2 | x2 + y 2 1} .
65 CEDERJ

Transforma co es especiais no R2

Vejamos a a ca o da dilata ca o T (x) = 1, 5x nestes dois casos:

Figura 2: A ca o de T (x) = 1, 5x em um c rculo

Figura 3: A ca o de T (x) = 1, 5x em um quadrado

Cisalhamento
Uma transforma ca o de cisalhamento e uma transforma ca o T : R 2 R2 , 1 k 1 0 dada pela matriz ou pela matriz , onde k e um n umero 0 1 k 1 real n ao-nulo. 1 k A transforma ca o dada por , isto e 0 1 T (x, y ) = 1 k 0 1 x y = x + ky y

e chamada cisalhamento horizontal. Observe, na gura a seguir, o efeito 1 1 desta transforma ca o dada por sobre o quadrado unit ario. 0 1
CEDERJ
66

Transforma co es especiais no R2

AULA 24

T(x,y)=(x+y,y)

            


1

                                           
1 1 2

Figura 4: Cisalhamento horizontal A transforma ca o dada por 1 0 k 1 1 0 k 1 x y , ou seja x kx + y

T (x, y ) =

e chamada cisalhamento vertical. Observe, na gura a seguir, o efeito desta 1 0 transforma ca o dada por sobre o quadrado unit ario. 1 1
T(x,y) = (x,x+y)

               

                  1                 
2

Figura 5: Cisalhamento horizontal Para mostrar que uma transforma ca o de cisalhamento leva o quadrado unit ario em um paralelogramo, basta notar que uma transforma ca o deste tipo leva segmentos de reta em segmentos de reta. A reta ax + by = c e levada pela transforma ca o T (x, y ) = (x + ky, y ), por exemplo, na reta a(x + ky ) + by = c ax + (ak + b)y = c . Al em disso, retas paralelas ax + by = c e ax + by = c s ao claramente levadas em retas paralelas. Portanto, os v ertices do quadrado unit ario s ao levados em v ertices de um paralelogramo.
67

CEDERJ

Transforma co es especiais no R2

Rota c ao no plano
Seja v = (x, y ) um vetor no plano. Suponha que este vetor fa ca um a ngulo com o eixo-x. Seja v = (x , y ) o vetor obtido rodando v de um a ngulo , no sentido anti-hor ario, como mostra a gura abaixo.
y

v v

Figura 6: Rota ca o no plano Vamos determinar a transforma ca o linear que realiza a rota ca o de um determinado a ngulo. Se um vetor v faz um a ngulo com o eixo-x, as coordenadas deste vetor s ao (||v || cos , ||v || sin ), como mostra a gura abaixo.
y

||v || sin

||v ||

v
x

||v || cos

Figura 7: Coordenadas do vetor v Portanto, podemos escrever v = (x, y ) = (||v || cos , ||v || sin ). Observando que ||v || = ||v || e que v faz um a ngulo + com o eixo-x, podemos escrever v = (x , y ) = (||v || cos( + ), ||v || sin( + )) .
CEDERJ
68

Transforma co es especiais no R2

AULA 24

Logo, x = ||v || cos( + ) = ||v ||(cos cos sin sin ) = x cos y sin

= (||v || cos ) cos (||v || sin ) sin

y = ||v || sin( + ) = ||v ||(sin cos + cos sin ) = x sin + y cos Isto e x y = x cos y sin x sin + y cos = cos sin sin cos

As f ormulas para o cosseno e o seno da soma de dois a ngulo s ao cos(a + b) = cos a cos b sin a sin b e sin(a + b) = sin a cos b + sin b cos a

= (||v || sin ) cos + (||v || cos ) sin

x y

cos sin tem, sin cos em termos geom etricos, o efeito de fazer uma rota ca o, no sentido anti-hor ario, de um a ngulo . Assim, a transforma ca o linear dada pela matriz Aplicando a transforma ca o de rota ca o de um a ngulo aos vetores (1, 0) e (0, 1), obtemos (observe a gura 8). cos sin sin cos 1 0 = cos sin e cos sin sin cos 0 1 = sin cos

69

CEDERJ

Transforma co es especiais no R2 y

(0, 1) ( sin , cos ) (cos , sin )


(1, 0)
x

Figura 8: Rota ca o de um a ngulo aplicada aos vetores (1, 0) e (0, 1)

Exemplo 1 A matriz da transforma ca o linear que tem o efeito geom etrico de uma rota ca o 0 de 45 , no sentido anti-hor ario e a matriz cos 450 sin 450 sin 450 cos 450 =
2 2 2 2

2 2 2 2

Reex oes
A transforma ca o T (x, y ) = (x, y ) e chamada reex ao na origem. Este nome e devido ao fato de que os pontos (x, y ) e (x, y ) s ao sim etricos em rela ca o a ` origem, isto e, a origem e ponto m edio do segmento de reta ligando estes dois pontos. Veja, na gura a seguir, a a ca o desta transforma ca o no quadrado unit ario.
T(x,y) = (x,y)

#$ #$ $ $#$# #$#$ #$ # $#$# #$ $# $ # $# # $#$# $#$

                1   !!  " "! "!!"      ! "" "   !" !"  " "!"!     !" !   !" !"  "!"!   1  ! " !
(x,y)

(x,y)

A mediatriz a um segmento AB e a reta que e perpendicular ao segmento AB e o corta no ponto m edio.

Figura 9: Reex ao na origem Dois pontos s ao ditos sim etricos em rela ca o a uma reta quando esta reta e a mediatriz do segmento que liga estes pontos.

CEDERJ

70

Transforma co es especiais no R2

AULA 24

('%)& ('%)& ('%)& ('%)& ('%)& ('%)& ('%)& ('%)& )& )& )& )& )& )& )& )& )('%)('% ('%)(%& ( ( ( ( ( ( ( % % % % % % % ' ' ' ' ' ' ' r ( ( ( ( ( ( ( & ) & ) & ) & ) & ) & ) & ) )(%)(''% % % % % % % % (''%)& (''%)& (''%)& (''%)& (''%)& (''%)& (''%)& )('& )& )& )& )& )& )& )& '%)('%& ( ( ( ( ( ( ( % % % % % % % ' ' ' ' ' ' ' ((& ((& ((& ((& ((& ((& ((& )(& '%)'%)( )& '%)'%)( )& '%)'%)( )& '%)'%)( )& '%)'%)( )& '%)'%)( )& '%)'%)( )& '%)'%)( )('%)(('%)'%)( (& %)('& %)('& %)('& %)('& %)('& %)('& %)('& '%& '& '& '& '& '& '& '& '%)('%)( )('%& % % % % % % % ( ( ( ( ( ( ( )('%& ) ) ) ) ) ) ) % % % % % % % & ' & ' & ' & ' & ' & ' & ' '%)(%)(' )(%& )(%& )(%& )(%& )(%& )(%& )(%& )(%& ' ' ' ' ' ' ' ( ( ( ( ( ( ( )(''& ) ) ) ) ) ) ) %'%& % % % % % % % & ' & ' & ' & ' & ' & ' & ' )()('% '& )()('% '& )()('% '& )()('% '& )()('% '& )()('% '& )()('% '& )()('% '%'%)()('% % % % % % % % (& & ( & ( & ( & ( & ( & ( (& ()'%)('% )'%)('%&)'%)& )'%)& )'%)& )'%)& )'%)& )'%)& )'%)& ('%)& ( ( ( ( ( % % % % % ' ' ' ' ' ('%'%&('%)& ('%'& ( ( ( ( ( ( )& & ) & ) & ) & ) & ) % '%'& % '%'& % '%'& % '%'& % '%'& % '%'& % )('%'%
A

Figura 10: Os pontos A e B s ao sim etricos em rela ca o a ` reta r Uma transforma ca o T e uma reex ao na reta r, quando o ponto T (x, y ) e o sim etrico, em rela ca o a r, do ponto (x, y ). Alguns exemplos de reex oes em rela ca o a retas s ao os seguintes. 1 0 0 1 1 0 0 1

1. A reex ao no eixo x e dada pela matriz T (x, y ) = (x, y ). 2. A reex ao no eixo y e dada pela matriz T (x, y ) = (x, y ).

, ou seja, e dada por

, ou seja, e dada por

3. A reex ao na reta y = x e dada pela matriz dada por T (x, y ) = (y, x). As guras a seguir ilustram estas tr es reex oes.
T(x,y) = (x,y)

0 1 1 0

, ou seja, e

01 00 1010 1 1 00 0 0110 1101 11 01 0 10 0 1010 101

23 23 3 3232 2323 23 2 3232 23 32 3 2 32 2 3232 323

Figura 11: Reex ao no eixo x

71

CEDERJ

Transforma co es especiais no R2
T(x,y) = (x,y)

45 45 5 5454 4545 45 4 5454 45 54 5 4 54 4 5454 545

67 67 7 7676 6767 67 6 7676 67 76 7 6 76 6 7676 767

Figura 12: Reex ao no eixo y


T(x,y) = (y,x)

89 89 9 9898 8989 89 8 9898 89 98 9 8 98 8 9898 989

(y,x)

BD D DCBE DCBE DCBE DCBE BEDC BC BC E E E EDC C C CBCB BDBE DCBE DCBE DCBE DCBE BEDC BC BC B D B D B D B D B B B C C C C CBBC DB BECE D BECE D BECE D BECE D DB B B ECEDC CC CC DB B D B D B D B D B B B C C C C CBCB DB DCBE DCBE DCBE DCBE BEDC BC BC E E E EDC C C BDBE D DCBE B D B D B D B B B C C C CBCB DCBD DCBD DCBD DCBD BDB BB BB E E E EDC C C @ @ @  A  A A DB B B B B BCCB C E C E C E C E C E C C @ @ @  A  A A DB DCBE DCBE B D B D B D B B E E C  E C  E  C E  C  C @ @ @  A  A A DB B D B D B D B D B D B B C C C  E C  E  C E  C  C CBCB @A @A A A A@A@ C B BC BC B B B B B C C  C  C  C  C @ @ B B B B B B B B  C  C  C  C  C CBBC y=x @ B @ B A A A@ B B B B B B CC CC CC CC CC CC CC B B B B B B B B BC B C B C B C B C B C B C B CBCB
(x,y)

Figura 13: Reex ao na reta y = x

Proje c ao
A proje ca o de um ponto A sobre uma reta r e um ponto P r tal que AP e perpendicular a ` reta.

HI HI HI HI HI HI HI HI HI I I I I I I I I IHIH GFGF FG FG FG FG FG G G G G G HIHI HI HI HI HI HI HI HI HI F F F F F r H H H H H H H H IHIH GFGF F F F F F  G  G  G  G  G HI HI HI HI H H H H IH I I I I  I  I  I  I F F F F F  G  G  G  G  G H H H H H H H H IH  I  I  I  I IHIH GFGF FG FG FG FG FG G G G G G HI HI HI HI H H H H IH I I I  I  I  I  I F F F F F HIHI HI H H H H H H H I  I  I  I  I IHIH GFGF FG FG FG FG FG G G G G G HI HI HI HI H H H H I I I  I  I  I  I F F F F F H H H H H H H H IH  I  I  I  I  F  F  F  F  F G I G I G I G I G IHIHIH FG HI HI HI HI HI HI HI HI IH I I I I H H H H H H H H IH HIHI HI HI HI HI HI HI HI HI I I I I I I I I IHIH HI HI HI HI HI HI HI HI H H H H H H H H IH IHIH HI HI HI HI HI HI HI HI IH I I I I I I I I H H H H H H H H IH H I H I H I H I H I H I H I H I H IHIH I
P

Figura 14: Proje ca o do ponto A sobre a reta r A transforma ca o de proje ca o na reta r leva cada ponto em sua proje ca o na reta r, isto e, o ponto T (x, y ) e a proje ca o do ponto (x, y ) na reta r.

CEDERJ

72

Transforma co es especiais no R2

AULA 24

S ao exemplos de proje ca o: 1. A proje ca o sobre o eixo x e dada pela matriz por T (x, y ) = (x, 0). 2. A proje ca o sobre o eixo y e dada pela matriz por T (x, y ) = (0, y ). As guras a seguir ilustram estas duas proje co es.
T(x,y) = (x,0)

1 0 0 0 0 0 0 1

, ou seja, e dada

, ou seja, e dada

PQ PQ Q QPQP PQPQ PQ P QPQP PQ QP Q P QP P QPQP QPQ

R S R SR S
1
1

Figura 15: Proje ca o no eixo x


T(x,y) = (0,y)

TU TU U UTUT TUTU TU T UTUT TU UT U T UT T UTUT UTU

Figura 16: Proje ca o no eixo y

Resumo
Nesta aula estudamos algumas transforma co es lineares T : R2 R2 de especial import ancia. Outras transforma co es lineares podem ser constru das por composic ao de duas ou mais das transforma co es apresentadas nesta aula. Observe que a composi ca o de transforma co es lineares e uma transforma ca o linear.
73

CEDERJ

Transforma co es especiais no R2

Exerc cios
1. Indique o efeito sobre o quadrado unit ario das transforma co es dadas pelas seguintes matrizes: (a) (b) (c) 2 0 0 2 1 2 0 1 1 0 2 1

2. Determine a matriz da transforma ca o de rota ca o de um a ngulo de 45 0 . 3. Determine a matriz da transforma ca o linear que leva a uma reex ao na origem seguida de uma rota ca o de 300 . 4. Determine a n ucleo da proje ca o sobre o eixo x. 5. Determine a n ucleo da transforma ca o de rota ca o de 600 , seguida de proje ca o sobre o eixo y .

CEDERJ

74

Transforma co es especiais no R3

AULA 25

Aula 25 Transforma co es especiais no R3


Objetivos
Ver alguns exemplos de transforma co es lineares no R3 . H a muito mais transforma co es lineares b asicas no R3 do que no R2 . Por exemplo, no R2 vimos as proje co es nos eixos x e y . J a no R3 temos as proje co es nos 3 eixos coordenados (eixos x, y e z ), mais as proje co es nos 3 planos coordenados (planos xy , xz e yz ). Em vez de fazer um estudo completo de todas essas transforma co es lineares que poderiam ser consideradas b asicas, veremos, nesta aula, uma s erie de exemplos de transforma co es lineares no R 3 . Exemplo 1 Transforma co es de escala. As transforma co es T : R3 R3 , dadas por T (x, y, z ) = (x, y, z ), onde R, 0 e = 1, s ao chamadas transforma co es de escala. Elas t em o efeito de dilatar (se > 1) ou contrair (se 0 < 1) um objeto no R3 . Exemplo 2 Proje co es nos eixos coordenados. A transforma ca o T : R3 R3 , dada por T (x, y, z ) = (x, 0, 0) e chamada proje ca o sobre o eixo x. As transforma co es dadas por T (x, y, z ) = (0, y, 0) e T (x, y, z ) = (0, 0, z ) s ao as proje co es sobre os eixos y e z , respectivamente.

Figura 1: O segmento AB e a proje ca o no eixo x do segmento AB


75 CEDERJ

Transforma co es especiais no R3

Vamos estudar agora alguns exemplos que envolvem rota co es. Exemplo 3 Determine a matriz da transforma ca o linear que tem o efeito geom etrico de 0 uma rota ca o de 30 em torno do eixo z . z
c

30

b a

Q P

Figura 2: O ponto Q e obtido do ponto P por rota ca o de 300 em torno do eixo z Seja P = (a, b, c) e seja Q o ponto obtido por rota ca o de 300 em torno do eixo z . Ent ao Q possui a mesma coordenada em z que o ponto P . Podemos escrever Q = (a , b , c). Seja P e Q as proje co es dos pontos P e Q sobre o plano cartesiano xy . Ent ao P = (a, b, 0) e Q = (a , b , 0) e temos que Q e obtido de P por uma rota ca o de 300 . Lembrando que a rota ca o de um a ngulo no plano e dada por cos sen sen cos temos que a b
CEDERJ
76

cos 300 sen 300 sen 300 cos 300

a b

3 2 1 2

1 2
3 2

a b

Transforma co es especiais no R3

AULA 25

Portanto, 3 1 a 0 a 2 2 1 3 Q= b = 2 0 b . 2 c 0 0 1 c

3 2 1 2

1 2 0 3 Assim, a matriz e a matriz da transforma ca o linear 0 2 0 0 1 0 rota ca o de 30 em torno do eixo z . Note que a rota ca o em torno de uma reta qualquer passando pela origem e uma transforma ca o linear, mas a rota ca o em torno de uma reta que n ao passa pela origem n ao e uma transforma ca o linear. Basta notar que, neste u ltimo caso, a origem seria levada para outro ponto que n ao a pr opria origem. A gura abaixo representa uma rota ca o em torno do eixo y .

Figura 3: Rota ca o em torno do eixo y Exemplo 4 Calcule a matriz da transforma ca o linear obtida por uma rota ca o de 30 0 em torno do eixo z , seguido de uma rota ca o de 450 em torno do eixo y e de uma dilata ca o de um fator 2.
Neste exemplo, temos uma transforma ca o composta, que e a composi ca o de 3 transforma co es.
77

CEDERJ

Transforma co es especiais no R3

A primeira delas, rota ca o de 300 em torno , foi estudada no do eixo z 3 1 2 0 2 1 3 exemplo anterior. Vimos que tem matriz 2 0 . Vamos agora 2 0 0 1 calcular a matriz da segunda transforma ca o.
Uma rota ca o em torno do eixo y preserva a coordenada y e faz uma rota ca o nas coordenadas x e z . A matriz de uma rota ca o no plano de 45 0 e cos sen sen cos = cos 450 sen 450 sen 450 cos 450 =
2 2 2 2

2 2 2 2

Assim, a matriz da transforma ca o rota ca o de 450 em torno do eixo y e 2 2 0 2 2 0 1 0 . 2 2 0 2 2


Com rela ca o a ` terceira transforma ca o, a matriz de dilata ca o de um fator de 2 e 2 0 0 2 0 . 0 0 0 2

Finalmente, a transforma ca o linear que e a composta destas tr es transforma co es e dada pelo produto das tr es matrizes (observe a ordem): 2 2 3 1 2 0 0 0 0 2 2 2 2 1 3 2 0 0 1 0 2 0 0 2 2 2 0 0 2 0 0 0 1 2 2 3 1 1 0 1 2 0 2 1 3 = 0 2 0 2 0 2 1 0 1 0 0 1 3 1 2 1 2 2 6 = 2 0 2 3 1 2 1 2

CEDERJ

78

Transforma co es especiais no R3

AULA 25

Aplica co es em computa c ao gr aca


A computa ca o gr aca e uma a rea da Matem atica que estuda a repre um campo que senta ca o em um computador de imagens e movimentos. E tem in umeras aplica co es, que v ao desde as simula co es de carros e avi oes em t uneis de vento aos efeitos especiais nos lmes de cinema e a ` modelagem molecular e realidade virtual. Basicamente, uma imagem consiste em uma certa quantidade de pontos e retas ou curvas ligando estes pontos e, muitas vezes, em informa co es de como preencher a a rea limitada por estas retas e curvas. Quando o objeto e representado por segmentos de reta, algumas transforma co es usuais em computa ca o gr aca levam segmentos de retas em outros segmentos de reta. V arias destas transforma co es podem ser representadas por transforma co es lineares. Assim, a matem atica envolvida na computa ca o gr aca muitas vezes consiste na multiplica ca o de matrizes representando transforma co es lineares por matrizes que representam objetos.

A mol ecula ao lado e de uma prote na chamada crambin, encontrada em algumas sementes. Ela possui 327 a tomos.

Figura 4: Modelagem da mol ecula de uma prote na

79

CEDERJ

Transforma co es especiais no R3

Coordenadas homog eneas


Vimos anteriormente que a transla ca o n ao e uma transforma ca o linear. Isto cria uma diculdade pois, por exemplo, o movimento de arrastar um objeto, que seria naturalmente uma transla ca o, n ao pode ser representado matematicamente por um produto de matrizes. Uma maneira de evitar este problema e utilizar coordenadas homog eneas, 2 que deniremos a seguir. Cada ponto (x, y ) R e identicado com o ponto (x, y, 1) R3 . Dizemos que (x, y, 1) s ao as coordenadas homog eneas do ponto 2 (x, y ). Desta forma, identicamos o plano R com o plano z = 1. N ao podemos somar coordenadas homog eneas ou multiplic a-las por escalar, pois, por exemplo, 2 (x, y, 1) = (2x, 2y, 2). Como este u ltimo ponto n ao tem z coordenada 1, foge a identica ca o que zemos ((x, y ) (x, y, 1)).

Uma transla ca o da forma (x, y ) (x + a, y + b) n ao e linear, logo n ao pode ser escrita como produto por uma matriz 2 2. No entanto, em coordenadas homog eneas, esta mesma transla ca o e descrita como (x, y, 1) (x + a, y + b, 1) . Esta transforma ca o pode ser calculada como forma a seguir: x+a 1 0 a x y + b = 0 1 b y 1 0 0 1 1 produto de matrizes na

De qualquer forma, a multiplica ca o de um ponto (x, y, 1) por uma maA 0 triz do tipo , onde A e uma matriz 2 2, leva a um ponto da forma 0 1 (x , y , 1), que pode ser identicado com (x , y ) R2 .

Desta forma, descrevemos a transla ca o como produto de matrizes.

H a uma a rea da Matem atica chamada Geometria Alg ebrica, onde as coordenadas homog eneas t em um papel fundamental, mas n ao exatamente pela raz ao exposta acima. Nela, as coordenadas homog eneas s ao representadas pelo s mbolo (x : y : z ), onde x, y e z n ao podem ser todos nulos, e fazemos a identica ca o (x : y : z ) = (x : y : z ) se existe = 0 tal que x = x , y = y , e z = z .
CEDERJ
80

Transforma co es especiais no R3

AULA 25

O conjunto dos pontos dados por coordenadas homog eneos e chamado Espa co Projetivo, que e, por assim dizer, o espa co onde atua a geometria alg ebrica.

Resumo
Nesta aula vimos alguns exemplos de transforma co es lineares no R 3 , em especial a rota ca o em torno de um dos eixos coordenados. Tocamos, de uma forma muito inicial, o imenso campo das aplica co es da Algebra Linear, examinando um pouco da representa ca o de objetos e seus movimentos. Por m, falamos um pouco das coordenadas homog eneas, que t em uma aplica ca o interessante na computa ca o gr aca e um papel fundamental na Geometria Alg ebrica.

Exerc cios
1. Determine as seguintes transforma co es lineares: (a) Proje ca o sobre o eixo z ; (b) Proje ca o sobre o plano yz ; 2. Encontre a matriz da transforma ca o de rota ca o de um a ngulo de 45 0 , em torno do eixo x. 3. Encontre a tranforma ca o linear que tem o efeito de uma rota ca o de 30 0 em torno do eixo y , seguido de uma proje ca o sobre o plano yz . 4. Determine a tranforma ca o que leva a uma rota ca o de 300 em torno do eixo z , seguida de uma rota ca o de 300 em torno do eixo y .

81

CEDERJ

Operadores lineares invers veis

AULA 26

Aula 26 Operadores lineares invers veis


Pr e-requisito: Aulas 4, 18 a 25.

Objetivos
Identicar operadores lineares invers veis; Obter o inverso de operadores lineares invers veis. Nesta aula iremos identicar operadores lineares invers veis. O conceito e o mesmo de fun ca o inversa, vista em Matem atica elementar, e j a estudada em pr e-c alculo: uma fun ca o e invers vel quando existe uma outra que, composta com ela, resulta na fun ca o identidade. Voc e tamb em j a estudou que uma fun ca o e invers vel se, e somente se, e injetora e bijetora. Por outro lado, na aula 4, M odulo 1, vimos o m etodo de escalonamento para inverter matrizes. Nesta aula, uniremos as duas id eias e aprenderemos a decidir se um operador linear e ou n ao invers vel e, quando o for, obter a express ao e a matriz associada do operador linear inverso. Deni c ao Um operador linear T L(V ) e invers vel se existe T 1 L(V ) tal que T T 1 = T 1 T = I (operador identidade denido em V ). Na aula 21, vimos o Teorema do n ucleo e da imagem, v alido em espa cos vetoriais de dimens oes nitas. Recordando:

claro que as matrizes assoE ciadas a operadores lineares s ao quadradas.

Dada uma transforma ca o linear T : V W , tem-se dim V = dim N (T )+ dim Im(T ). Como conseq u encias desse teorema, vimos, tamb em, que: (i) T e injetora se, e somente se, N (T ) = {oV }. (ii) T e sobrejetora se, e somente, se dim Im(T ) = dim W . (iii) Se dim V = dim W ent ao T e injetora se, e somente se, e sobrejetora. Podemos concluir, ent ao, que para que um operador linear T L(V ) seja invers vel, e suciente que seja injetor (ou sobrejetor). Em outras palavras: ou um operador e invers vel (injetor e sobrejetor) ou n ao e nem injetor, nem sobrejetor. Isto e, as duas condi co es s ao satisfeitas ou nenhuma da duas e satisfeita.
83

CEDERJ

Operadores lineares invers veis

Pela observa ca o (i), acima, para decidir se um operador linear e ou n ao invers vel, basta determinar o seu n ucleo, pois: T e invers vel N (T ) = {oV }. Observa c ao. Um operador linear invers vel, denido no espa co vetorial V , e chamado um automorsmo de V . Exemplo 1 Consideremos o operador linear denido em I R 3 dado por T (x, y, z ) = (x y, 2x, y + z ). O n ucleo de T e {(0, 0, 0)}. Logo, T e injetor e, pelo que foi dito anteriormente, invers vel. Vamos encontrar uma f ormula para T 1 . Suponhamos que T (x, y, z ) = (a, b, c). Ent ao T 1 (a, b, c) = (x, y, z ). Isto e: T (x, y, z ) = (x y, 2x, y + z ) = (a, b, c). Precisamos expressar x, y e z em fun o de a, b e c: ca xy =a x = b/2 2x = b y = a + b/2 y+z =c z = a b/2 + c

Logo, T 1 (a, b, c) = (b/2, a + b/2, a b/2 + c).

Matriz associada ao operador inverso


T
1

Suponhamos que o operador T : V V seja invers vel. Ent ao existe L(V ) tal que T T 1 = I. (1)

Sejam [T ] e [T 1 ] as matrizes can onicas de T e de seu operador inverso, respectivamente. Na aula 23, vimos que a matriz associada a ` composta de duas transforma co es lineares e o produto das matrizes associadas a `s transforma co es. Ent ao, podemos escrever [T T 1 ] = [T ].[T 1 ].
A letra I indica tanto o operador quanto a matriz identidade.

(2)

Como a matriz can onica do operador identidade e a identidade, em (1), temos: [T T 1 ] = I. (3) De (2) e (3), temos: [T ].[T 1 ] = I. (4)

CEDERJ

84

Operadores lineares invers veis

AULA 26

A express ao (4) nos diz que: Se o operador T e invers vel, ent ao sua matriz associada tamb em e invers vel. A matriz associada ao operador inverso de T e a inversa da matriz associada a T . A partir disso, para vericar se um operador linear e invers vel, podemos vericar se sua matriz associada e invers vel, pelo m etodo do escalonamento: se o procedimento for bem-sucedido, al em de concluir que o operador e invers vel, j a teremos a matriz do seu inverso. Caso contr ario (a matriz n ao ser invers vel), o operador em quest ao n ao ser a invers vel. Al em disso, se estivermos interessados apenas em saber se o operador e ou n ao invers vel, sem a preocupa ca o de obter uma f ormula para o seu inverso, podemos calcular o determinante de sua matriz associada, pois: O operador linear T e invers vel se, e somente se, det [T ] = 0. Observa c ao. Como dito acima, estamos nos referindo, aqui, a ` matriz can onica do operador T . Veremos, na pr oxima aula, que o determinante da matriz associada a um operador linear e uma constante, isto e, independe da base escolhida para a representa ca o do operador. Poderemos, inclusive, nos referir ao determinante do operador. Logo, os mesmos resultados vistos nesta aula se aplicam a `s matrizes de T relativas a outras bases, que n ao a can onica. Exemplo 2 Seja T L(I R3 ) dado por T (x, y, z ) = (3x y + 4z, x + 2z, 2x + 3y 5z ). Vamos escrever sua matriz can onica etodo de invers ao por es e aplicar o m 3 1 2 calonamento: [T ] = 1 0 3 4 2 5 3 1 2 | 1 0 0 1 0 3 | 0 1 0 L 2 L 2 4 2 5 | 0 0 1 3 1 2 | 1 0 0 L1 L 2 1 0 3 | 0 1 0 4 2 5 | 0 0 1

Esta matriz j a foi analisada no exemplo 3 da aula 4.

85

CEDERJ

Operadores lineares invers veis

1 0 3 | 0 1 0 L1 L1 + 3L3 0 1 11 | 1 3 0 L2 L2 11L3 0 0 1 | 2/15 2/15 1/15 1 0 0 | 6/15 9/15 3/15 0 1 0 | 7/15 23/15 11/15 . 0 0 1 | 2/15 2/15 1/15

1 0 3 | 0 1 0 0 1 11 | 1 3 0 1 0 0 15 | 2 2 1 L3 15 L3

1 0 3 | 0 1 0 0 1 11 | 1 3 0 0 2 7 | 0 4 1 L3 L3 2L2

1 0 3 | 0 1 0 3 1 2 | 1 0 0 L2 L2 3L1 4 2 5 | 0 0 1 L3 L3 4L1

6 9 3 1 Logo, a matriz [T ] e invers vel e [T ]1 = 15 7 23 11 . 2 2 1 Conclu mos, ent ao, que o operador T e invers vel e T 1 (x, y, z ) = 6x 7y + 2z 9x + 23y + 2z 3x + 11y z , , 15 15 15

Exemplo 3 Vamos vericar se o operador T L(I R4 ) dado por T (x, y, z, t) = (x + 2y, y 2z t, x + y + z, x + 3z + t) e invers vel e, caso seja, encontrar seu inverso. 1 2 0 0 0 1 2 1 Vamos aplicar a ` matriz [T ] = etodo de invers ao por o m 1 1 1 0 1 0 3 1 escalonamento: 1 2 0 0 0 1 2 1 1 1 1 0 1 0 3 1 | | | | 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 L3 L 3 L 1 L4 L 4 L 1

CEDERJ

86

Operadores lineares invers veis

AULA 26

Como a quarta linha se anulou, conclu mos que a matriz n ao e invers vel. Logo, o operador T n ao e invers vel. Uma outra propriedade importante dos operadores invers veis arma que Um operador T L(V ), invers vel, transforma base em base, isto e: se B e uma base de V , ent ao T (B ) tamb em e base de V . Exemplo 4 Seja T o operador linear denido em I R3 tal que T (1, 1, 1) = (1, 0, 0)), T (2, 1, 0) = (0, 1, 0) e T (1, 3, 2) = (0, 1, 1). Vamos vericar se T e invers vel e, caso seja, determinar T 1 (x, y, z ). Notemos, primeiramente, que o conjunto B = {(1, 1, 1), (2, 1, 0), (1, 3, 2)} e uma base de I R3 . Assim, T est a bem denido. Se aplicarmos o m etodo do escalonamento a ` matriz [T ]B , obteremos, caso T seja invers vel, a matriz [T 1 ]B , mas queremos a express ao de T 1 em rela ca o a ` base can onica 3 de I R e ainda n ao sabemos como migrar de uma base para outra (veremos como fazer isso, na pr oxima aula). Neste caso, ent ao, vamos usar a deni ca o e a condi ca o de linearidade do operador inverso. Como vimos acima, T (B ) = {(1, 0, 0), (0, 1, 0), (0, 1, 1)} tamb em e base de I R 3 . Vamos expres87 CEDERJ

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

1 2 0 0 | 1 0 1 2 1 | 0 0 1 1 0 | 1 0 2 3 1 | 1 4 2 2 1 1 1 1 1

0 1 0 0

0 0 1 0 0 0 1 0

0 0 0 1 0 0 0 1

| 1 2 | 0 1 | 1 1 | 1 2

L1 L1 2L2 L3 L 3 + L 2 L4 L4 + 2L2 L 3 L 3

4 2 | 1 2 0 2 1 | 0 1 0 1 1 | 1 1 1 1 1 | 1 2 0 0 2 | 3 2 4 0 1 | 2 1 2 1 1 | 1 1 1 0 0 | 0 1 1 0 0 0 1

L1 L1 4L3 0 0 L2 L2 + 2L3 0 L4 L 4 + L 3 1 .

Operadores lineares invers veis

sar um vetor (x, y, z ), gen erico, de I R3 , em rela ca o a ` base T (B ): a=x (x, y, z ) = a(1, 0, 0) + b(0, 1, 0)) + c(0, 1, 1) b c = y c=z a=x b = y z . c=z T 1 (x, y, z ) = T 1 (x(1, 0, 0) + (y z )(0, 1, 0)) + z (0, 1, 1)) = = xT 1 (1, 0, 0) + (y z )T 1 (0, 1, 0) + zT 1 (0, 1, 1) = = x(1, 1, 1) + (y z )(2, 1, 0) + z (1, 3, 2) = = (x + 2y + 3z, x y + 2z, x + 2z ).

Assim, podemos escrever:

Resumo
Nesta aula destacamos os operadores lineares que admitem um inverso. Relacionamos diretamente a condi ca o de inversibilidade dos operadores com a inversibilidade das matrizes associadas a eles. Dado um operador linear, aprendemos a descobrir se e ou n ao invers vel seja pela determina ca o de seu n ucleo, seja pelo c alculo do determinante de uma sua matriz associada, ou ainda pela busca de seu operador inverso, pela deni ca o ou pela tentativa de invers ao de sua matriz associada.

CEDERJ

88

Operadores lineares invers veis

AULA 26

Exerc cios
1. Verique, em cada caso, se o operador T L(V ) e invers vel. Caso seja, encontre uma f ormula para o seu inverso. (a) V = I R2 ; (b) V = I R3 ; (c) V = I R3 ; T (x, y ) = (3x + 5y, 2x + 3y ). T (x, y, z ) = (x, 2x y + 3z, 4x + y + 8z ). T (x, y, z ) = (6x + 3y 4z, 4x + y 6z, x + 2y 5z ).

2. A transforma ca o linear T : I R3 I R3 dada por T (1, 0, 0) = (1, 1, 0), T (0, 1, 0) = (0, 0, 1) e T (0, 0, 1) = (1, 1, 2) e um automorsmo? 3. Considere as seguintes transforma co es lineares planas: T1 : reex ao em torno da reta y = x; T2 : um cisalhamento horizontal de fator 2; T3 : uma rota ca o de 900 no sentido anti-hor ario. (a) Determine a express ao e a matriz da transforma ca o linear T = T3 T 2 T 1 . (b) Determine a express ao e a matriz da transforma ca o linear inversa de T . 4. Mostre que, se os operadores lineares T e S s ao invers veis, ent ao o operador linear T S tamb em e invers vel e (T S )1 = S 1 T 1 . 5. Mostre que a rota ca o anti-hor aria de um a ngulo e um operador in2 vers vel em I R e que seu inverso e a rota ca o hor aria do mesmo a ngulo.

89

CEDERJ

Operadores lineares invers veis

Auto-avalia c ao
Esta aula analisou as condi co es para que um operador linear seja invers vel e como obter, caso exista, o operador inverso. Caso voc e tenha sentido alguma diculdade na resolu ca o dos exerc cios ou na compreens ao dos exemplos, fa ca contato com o tutor da disciplina.

Respostas dos exerc cios


1. (a) T 1 (x, y ) = (3x + 5y, 2x 3y ) (b) T 1 (x, y, z ) = (11x + 2y + 2z, 4x + z, 6x y z ) (c) T n ao e invers vel 2. Sim. Pode-se vericar isso determinando o n ucleo de T ou escalonando sua matriz associada e mostrando que e invers vel. 3. (a) [T ] = [T3 ].[T2 ].[T1 ] = T (x, y ) = (x, 2x + y ). (b) [T 1 ] = [T ]1 = T 1 = T .) 1 0 2 1 e T 1 (x, y ) = (x, 2x + y ). (Note que 0 1 1 0 1 2 0 1 0 1 1 0 = 1 0 2 1 ;

CEDERJ

90

Mudan ca de base

AULA 27

Aula 27 Mudan ca de base


Pr e-requisito: Aulas 18 a 26.

Objetivos
Determinar a matriz de mudan ca de uma base para outra; Relacionar as matrizes associadas a uma transforma ca o linear, relativas a diferentes bases. Nesta aula vamos nos utilizar de um operador linear especial o operador identidade, para obter uma matriz que ir a funcionar como uma tradutora de uma base para outra, num espa co vetorial. A id eia e poder migrar de uma para outra base, relacionando as coordenadas de um mesmo vetor ou as matrizes associadas a um mesmo operador linear. Dado um espa co vetorial V , o operador identidade, I , denido em V , e trivialmente linear. Assim, dadas duas bases, A e B , de V , e v V , a matriz de I , em rela ca o a `s bases A e B (representada por [I ]A,B ), e tal que [I ]A,B .[v ]A = [v ]B . Como vimos na aula 22, essa matriz e constru da de tal forma que a i esima coluna e formada pelas coordenadas do i- esimo vetor de A, em rela ca o a ` base B . Como o operador identidade n ao altera o vetor, a u nica a ca o da multiplica ca o da matriz [I ]A,B pelo vetor-coordenadas [v ]A e reescrev e-lo em rela ca o a ` base B . Deni c ao A matriz [I ]A,B e chamada matriz mudan ca (ou matriz de transi ca o) da base A para a base B . O papel da matriz [I ]A,B e transformar as coordenadas de um vetor v na base A em coordenadas do mesmo vetor v na base B .
91

CEDERJ

Mudan ca de base

Exemplo 1 Em I R2 , sejam as base A = {(1, 1), (0, 2)} e B = {(1, 1), (1, 0)}. Vamos construir a matriz [I ]A,B . A matriz [I ]A,B e 2 2; sua primeira coluna e o vetor-coordenadas de I (1, 1) = (1, 1) em rela ca o a ` base B ; sua segunda coluna e o vetorcoordenadas de I (0, 2) = (0, 2) em rela ca o a ` base B . Vamos, ent ao, descobrir como a base B gera I R2 , isto e, qual o vetor-coordenadas de um vetor gen erico (x, y ), em rela ca o a ` base B : (x, y ) = a(1, 1) + b(1, 0) Logo, [(x, y )]B = y x+y . a+b=x a = y a = y . b=x+y

Usando essa f ormula, temos: [(1, 1)]B = 1 2 e [(0, 2)]B = 1 2 2 2 . 2 2 .

Logo, [I ]A,B =

O operador identidade e invers vel; logo, a matriz mudan ca de base (que nada mais e do que uma matriz associada ao operador identidade) e invers vel: a inversa da matriz de transi ca o da base A para a base B e a matriz de transi ca o da base B para a base A, isto e: [I ]A,B .[I ]B,A = I. Exemplo 2 Vamos obter a matriz mudan ca da base B para a base A, do exemplo 1. Suas colunas s ao os vetores-coordenadas dos vetores da base B , em rela ca o a ` base 2 A. Vamos, ent ao, determinar como um vetor gen erico de I R se escreve na base A: a=x x (x, y ) = a(1, 1) + b(0, 2) . y x [(x, y )]A = y x b= 2 2
Aplicando essa f ormula aos vetores da base B , temos: [(1, 1)]A = 1 1 ; [(1, 0)]A = 1
1 2

. Logo, [I ]B,A =

Ent ao, vemos que:


CEDERJ
92

1 1 . 1 1 2

Mudan ca de base

AULA 27

[I ]A,B .[I ]B,A =

1 2 2 2

1 1 1 1 2

1 0 0 1

= I.

Exemplo 3 Consideremos as bases A e B do exemplo 1. Seja v = (3, 4) I R 2 . Usando as f ormulas dos vetores-coordenadas em rela ca o a `s bases A e B , j a obtidas, temos: 3 4 [v ]A = 1 e [v ]B = . 7 2
Notemos que [I ]A,B .[v ]A = 1 2 2 2 3
1 2

4 7

= [v ]B .

Exemplo 4 Consideremos, em I R2 , as bases A = {(2, 1), (1, 1)} e B = {(1, 0), (2, 1)}. Seja v I R2 tal que [v ]B = 2 . Vamos obter [v ]A , usando a matriz de 4 transi ca o de A para B , de dois modos. Primeiramente, aplicando o procedimento de constru ca o da matriz mu4 3 dan ca de base, obtemos [I ]A,B = . 1 1 1o modo: Sabemos que [v ]B = [I ]A,B .[v ]A . Seja [v ]A = 4 3 1 1 Ent ao [v ]A = 2o modo: xA yA 10 14 = . 2 4 xA yA . Ent ao: xA = 10 . yA = 14

4xA 3yA = 2 x A + y A = 4

Vamos inverter a matriz [I ]A,B , por escalonamento, obtendo [I ]B,A = 1 3 . 1 4 Agora, temos: [v ]A = [I ]B,A .[v ]B = 1 3 1 4 . 2 4 = 10 14 .

93

CEDERJ

Mudan ca de base

J a vimos: Todo operador linear pode ser representado por uma matriz, uma vez xada uma base. Podemos traduzir o vetor-coordenadas de um vetor, de uma base para outra. A quest ao, agora, e: como mudar a representa ca o do operador, se escolhemos outra base, ou: Como traduzir a matriz de representa ca o de um operador, de uma base para outra? A resposta e dada pelo seguinte teorema: Teorema 1. Sejam T L(V ), A e B bases de V . Ent ao [I ]A,B .[T ]A .[I ]B,A = [T ]B .

Prova Seja v V . Temos: ([I ]A,B .[T ]A .[I ]B,A ) [v ]B = ([I ]A,B .[T ]A ) ([I ]B,A [v ]B ) = = ([I ]A,B [T ]A ) [v ]A = . = [I ]A,B ([T ]A [v ]A ) = = [I ]A,B ([T (v )]A ) = = [T (v )]B .

Logo, [I ]A,B .[T ]A .[I ]B,A = [T ]B . A express ao envolvendo as matrizes de T referentes a duas bases distintas e uma importante rela ca o denida no conjunto das matrizes quadradas de uma determinada ordem. A seguir, denimos, formalmente, essa rela ca o.

Semelhan ca de matrizes Sejam A, B Mn (I R). Dizemos que B e semelhante a A quando existe uma matriz P , em Mn (I R), invers vel, tal que B = P 1 .A.P

CEDERJ

94

Mudan ca de base

AULA 27

Teorema 2. A rela ca o de semelhan ca, denida em Mn (I R), e uma rela ca o de equival encia em Mn (I R). Prova (i) A matriz I Mn (I R) e invers vel, com I 1 = I . Como A = I 1 AI , temos que A e semelhante a A e a rela ca o de semelhan ca e reexiva. (ii) Sejam A, B Mn (I R), com B semelhante a A. Ent ao existe Q 1 Mn (I R), invers vel, tal que B = Q AQ. Multiplicando ambos os lados, a ` esquerda, por Q, temos QB = AQ. Multiplicando, agora, os dois lados por Q1 , a ` direita, obtemos QBQ1 = A. Sendo P = Q1 , podemos escrever A = P 1 BP , ou seja, A e semelhante a B e a rela ca o de semelhan ca e sim etrica. (iii) Sejam A, B, C Mn (I R), com B semelhante a A e C semelhante a B . Ent ao existem matrizes Q e P , em Mn (I R), invers veis, tais que 1 1 B = Q AQ e C = P BP . Substituindo a express ao de B na se1 1 1 1 gunda igualdade, temos C = P (Q AQ)P = (P Q )A(QP ) = (QP )1 A(QP ). Como a matriz QP est a em Mn (I R) e e invers vel, conclu mos que C e semelhante a A e a rela ca o de semelhan ca e transitiva. De (i), (ii) e (iii) conclu mos que a rela ca o de semelhan ca e uma rela ca o de equival encia. Observa co es 1. Devido ao teorema 2, se B e semelhante a A, tamb em podemos dizer que A e semelhante a B ou, simplesmente, que as matrizes A e B s ao semelhantes. 2. Sendo T L(V ), A e B bases de V , as matrizes [T ]A e [T ]B s ao semelhantes. 3. Todas as representa co es matriciais do operador linear T formam uma classe de equival encia de matrizes semelhantes. A rela ca o de semelhan ca ainda implica uma igualdade de determinantes, como prova o teorema a seguir.

95

CEDERJ

Mudan ca de base

Teorema 3. Matrizes semelhantes possuem o mesmo determinante. Prova Sejam B, A Mn (I R) semelhantes. Ent ao B = P 1 AP , para alguma matriz P Mn (I R), invers vel. Usando a propriedade do determinante da matriz inversa, vista na aula 5, podemos escrever: det B = det (P 1 AP ) = = det P 1 .det A.det P = = (det P )1 .det A.det P = = [(det P )1 .det P ].det A = = 1.det A = = det A. Do teorema 3, podemos concluir que todas as matrizes que representam um mesmo operador linear T t em o mesmo determinante. Podemos, assim, denir o determinante de um operador linear T , como sendo o determinante de qualquer matriz associada a T . Al em disso, a condi ca o de T ser invers vel pode, agora, ser dada na forma: T e invers vel det T = 0. Observa c ao H a uma outra maneira de obtermos a matriz de mudan ca de base. Sendo A, B, C bases do espa co vetorial V , vale a igualdade: [I ]A,B = [I ]C,B .[I ]A,C . Note que, na igualdade acima, a base C funciona como uma intermedi ariaentre a base inicial A e a nal, B . Podemos adotar esse processo, supondo que a base intermedi aria e a can onica. O exemplo a seguir ilustra como isso se d a. Exemplo 5 Vamos retomar as bases do exemplo 1 e escrever as matrizes de mudan ca da base A para a can onica e da base can onica para a base B . Temos: [I ]A,C = 1 0 1 2 ; [I ]C,B = ([I ]B,C )
1

Note que para construir a matriz de transi ca o de A para a can onica basta escrever as coordenadas dos vetores da base A como as colunas da matriz.

Logo, 0 1 1 1

1 1 1 0

0 1 1 1

[I ]A,B = [I ]C,B .[I ]A,C =

1 0 1 2

1 2 2 2

CEDERJ

96

Mudan ca de base

AULA 27

Resumo
Nesta aula estudamos uma matriz muito importante, que e a que possibilita mudar a base de representa ca o, tanto de um vetor quanto de um operador linear. Com o conte udo desta aula, encerramos nosso curso de Algebra Linear 1. A aula 28 a u ltima constar a de exerc cios relativos a todo o segundo m odulo, com resolu ca o ao nal.

Exerc cios
1. Em I R3 , considere as bases A = {(3, 0, 3), (3, 2, 1), (1, 6, 1)} e B = {(6, 6, 0), (2, 6, 4), (2, 3, 7)}. (a) Determine a matriz de transi ca o da base A para a base B . (b) Calcule [v ]A , dado v = (5, 8, 5). (c) Escreva [v ]B , usando a matriz obtida no item (a). 2. Em I R2 , sejam as base A = {(1, 1), (1, 1)}, B = {(2, 1), (1, 0)} e C , a can onica. Obtenha as matrizes [I ]C,A , [I ]B,C e [I ]B,A . 1 0 1 3. Dada a matriz de transi ca o [I ]A,B = 0 1 1 , determine a base B , 1 1 1 sabendo que A = {(1, 0, 0), (0, 1, 0), (0, 1, 1)}. 2 0 1 4. Dada a matriz de transi ca o [I ]A,B = 1 1 2 , determine a base 1 3 0 A, sabendo que B = {(1, 1, 0), (1, 1, 1), (0, 1, 1)}. 5. A matriz de mudan ca da base A = {1 + t, 1 t2 } para uma base B , 1 2 ambas de P2 (I R), e . Determine B . 1 1 6. Sendo B = {(1, 0), (0, 1)} e B = {(1, 1), (2, 1)} bases de I R2 , determine: (a) a matriz de mudan ca da base B para a base B ; (b) [v ]B , sabendo que [v ]B = 7 2 .

97

CEDERJ

Mudan ca de base

Auto-avalia c ao
Com esta aula, concluimos o conte udo desta disciplina. Voc e dever a estar familiarizado com a t ecnica de obten ca o de matrizes de transi ca o e com as alica co es dela em exerc cios. A matriz de mudan ca de base ser a importante em aulas futuras. Certique-se de que apreendeu bem o conte udo desta aula. Caso tenha qualquer d uvida, contate o tutor da disciplina. A pr oxima aula fecha o m odulo e apresenta uma lista de exerc cios gerais sobre a teoria apresentada no segundo m odulo. Bom t ermino de curso, boas f erias e at e as aulas de Algebra Linear 2!!!!

Respostas/resolu c ao dos exerc cios


3/4 3/4 5/12 1. (a) 3/4 17/12 25/12 0 2/3 4/3 2. [I ]C,A = ([I ]A,C )1 = [I ]A,B = 3/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 3 (b) 2 2 ; [I ]B,C = 19/12 (c) 43/12 4/3 2 1 1 0 ;

4. Solu ca o: Sendo A = {v1 , v2 , v3 }, temos:

3. Solu ca o: Seja B = {v1 , v2 , v3 }. Pela deni ca o da matriz de transi ca o, os elementos da i- esima coluna s ao os coecientes da combina ca o linear que esimo vetor da base A em rela ca o a ` base B, isto e: representa o i- (1 , 0 , 0) = 1 v + 0 v + 1 v 1 2 3 (0, 1, 0) = 0v1 + 1v2 + 1v3 B = {(0, 0, 1), (1, 1, 1), (1, 0, 1)}. (0, 1, 1)) = 1v1 + 0v2 + 1v3 v1 = 2(1, 1, 0) + 1(1, 1, 1) + 1(0, 1, 1) = (3, 4, 2) v2 = 0(1, 1, 0) + 1(1, 1, 1) + 3(0, 1, 1) = (1, 4, 4) v3 = 1(1, 1, 0) + 2(1, 1, 1) + 0(0, 1, 1) = (1, 1, 2)

5. B = {(2/3 + t/3 t2 /3, 1/3 + 2t/3 + t2 /3} 6. (a) [I ]B ,B = 1 2 1 1 (b) [v ]B = 3 5

CEDERJ

98

Exerc cios de revis ao do M odulo 2

AULA 28

Aula 28 Exerc cios de revis ao


Objetivo
Aplicar a teoria estudada no M odulo 2 em exerc cios gerais. Tente resolver os exerc cios propostos nesta aula, antes de consultar a resolu ca o, ao nal da lista. Caso sinta alguma diculdade, recorra a ` aula relativa ao assunto, releia com aten ca o e... tente de novo!

Exerc cios
1. Prov ao - MEC - 1998 Seja P a transforma ca o de I R3 em I R3 , denida por P (x, y, z ) = (x, y, 0). Se a imagem de uma reta r, por P , e um ponto, ent ao: (a) esta reta r e paralela a OX (b) esta reta r e paralela a OY (c) esta reta r e paralela a OZ (d) esta reta r necessariamente cont em a origem (e) n ao existe tal reta r 2. Prov ao - MEC - 1998 Chama-se n ucleo de uma transforma ca o linear T o conjunto dos pontos cuja imagem por T e nula. O n ucleo da transforma ca o linear T : I R3 I R3 denida por T (x, y, z ) = (z, x y, z ), e o subespa co do I R 3 gerado por:
(a) {(0, 0, 0)} (b) {(0, 1, 0)}

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

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

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

99

CEDERJ

Exerc cios de revis ao do M odulo 2

3. A seguir s ao dados operadores lineares em I R 2 e em I R3 . Verique quais s ao invers veis e, nos casos armativos, determine uma f ormula para T 1 . (b) T L(I R2 ); (d) T L(I R3 ); (c) T L(I R3 ); (a) T L(I R2 ); T (x, y ) = (3x 4y, x + 3y ) T (x, y, z ) = (x + z, x + y, 2x + y + z ) T (x, y, z ) = (x, x z, x y z ) T (x, y ) = (x + y, x y )

Um isomorsmo e uma transforma ca o linear bijetora e, portanto, invers vel.

1 0 1 4. Seja o operador T : I R3 I R3 denido pela matriz 3 2 1 . 0 1 0 (a) Mostre que T e um isomorsmo. (b) Determine a lei que dene o operador T 1 . (c) Encontre o vetor v I R3 tal que T (v ) = (1, 5, 3) 1 2 3 5. Mostre que o operador linear, no I R3 , com matriz can onica 2 3 4 3 5 7 3 n ao e invers vel. Determine v I R tal que T (v ) = (2, 3, 5). 6. Dadas [I ]A,B = 1 3 2 7 1 3 2 7 e A = {(1, 2), (1, 1)}, determine a base B . e B = {(1, 2), (1, 1)}, determine a base A.

7. Dadas [I ]A,B =

8. Se [I ]A,B

9. Seja o operador linear T : I R2 I R2 tal que T (x, y ) = (x + y, x y ). (b) Use a matriz encontrada em (a) para calcular [T (v )]B , dado v = (5, 3). (a) Determine [T ]B , onde B = {(1, 2), (0, 1)}.

1 1 1 2 = 2 3 1 , determine [v ]A , sabendo que [v ]B = 3 . 4 9 1 5

CEDERJ

100

Exerc cios de revis ao do M odulo 2

AULA 28

10. Determine a matriz da transforma ca o linear plana que equivale a ` seguinte seq u encia de transforma co es: (1) uma rota ca o anti-hor aria de /2 rd, seguida de (2) uma contra ca o de fator 1/4, seguida de (3) uma reex ao em torno da reta y = x, seguida de (4) um cisalhamento na dire ca o y , de um fator 3. 11. Seja a transforma ca o linear T : I R4 I R3 tal que T (e1 ) = (0, 0, 1), T (e2 ) = (1, 2, 1), T (e3 ) = (2, 1, 1) e T (e4 ) = (1, 1, 1), onde {e1 , e2 , e3 , e4 } e a base can onica de I R4 . Determine: (a) T (x, y, z, t), para (x, y, z, t) I R4 . (b) Determine o n ucleo de T . (c) Determine a imagem de T . (d) Determine u I R4 tal que T (u) = (1, 0, 1) 12. Sejam as transforma co es T : I R4 I R3 e F : I R3 I R2 dadas por T (x, y, z, t) = (x, t + z, y ) e F (x, y, z ) = (x z, 2y ), determine, em rela ca o a ` transforma ca o F T : (a) O n ucleo. (b) A imagem. (c) A matriz de representa ca o. 13. Prov ao - MEC - 1998

1 1

A transforma ca o T : I R2 I R2 e denida por T (x, y ) = (x + 2y, y ). A imagem, por T , do quadrado representado na gura acima e:

101

CEDERJ

Exerc cios de revis ao do M odulo 2


lgebra Linear 1

1 0 1 a) 2 3

1 0 1 b) 2 3

1 c)

1 2 d)

1 1 e) 2

14. Determine T L(I R2 tal que T (1, 1) = (1, 5) e T (1, 2) = (0, 1). 15. Sejam T : I R3 I R2 e F : I R2 I R as transforma co es lineares denidas por T (x, y, z ) = (z, x + y ) e F (x, y ) = 3x y . Determine uma f ormula para a transforma ca o F T . 16. Seja v = (x, y, z, t) I R4 . Quais das aplica co es abaixo s ao operadores 4 lineares do I R ? (a) T (x, y, z, t) = (0, 0, 0, 0) (b) T (x, y, z, t) = (1, 1, 1, 1) (c) T (x, y, z, t) = (x, y, z, t) + (1, 2, 3, 4) (d) T (x, y, z, t) = (x + y, y z, x + t, z t) 17. Representar gracamente a reta r : y = x e a imagem de r pela transforma ca o linear do I R2 dada por T (x, y ) = (x + y, x + y ).

CEDERJ

102

Exerc cios de revis ao do M odulo 2

MODULO 3 - AULA 28

18. Seja {e1 , e2 , e3 } a base can onica de I R3 e T I R3 tal que T (e1 ) = e2 ; T (e2 ) = e1 + e3 ; T (e3 ) = e2 + e3 . Determine: (a) T (e1 + e2 + e3 ) (b) T (2e1 3e2 + e3 ) 1 2 0 R3 . 19. A matriz 3 1 2 representa um operador linear T I 1 0 2 Determine: (a) T (1, 1, 1) (b) T (x, y, z ) 20. Dada a matriz 0 1 de uma transforma ca o linear T , do I R2 , repre1 0 sentar num gr aco o vetor v = (2, 3) e sua imagem por T .

103

CEDERJ

Exerc cios de revis ao do M odulo 2


lgebra Linear 1

Resolu c ao dos exerc cios


1. A transforma ca o de I R3 em I R3 , denida por P (x, y, z ) = (x, y, 0) e a proje ca o sobre o plano xy , paralela ao eixo Oz . Se a imagem de uma reta r, por P , e um ponto, ent ao e porque essa reta e paralela ao eixo Oz . A alternativa correta e a letra (c). 2. O n ucleo da transforma ca o linear T : I R3 I R3 denida por T (x, y, z ) = (z, x y, z ), e o conjunto N (T ) = {(x, y, z ) I R3 ; T (x, y, z ) = (0, 0, 0)} = {(x, y, z ) I R3 ; (z, x y, z ) = (0, 0, 0)}. Isso nos leva ao sistema linear z=0 homog eneo ca o e {(x, x, 0); x I R} = {x(1, 1, 0); x x y = 0 , cuja solu z = 0 I R} = [(1, 1, 0)]. Logo, a alternativa correta e (d). 3. Neste exerc cio tamb em poder amos vericar se o n ucleo de T e ou n ao o subespa co nulo. (a) [T ] = 3 4 1 3 det [T ] = 9 + 4 = 13 = 0 [T ] e in3 4 1 3
1

vers vel. Logo, o operador T e invers vel e [T 1 ] = [T ]1 = 3/13 4/13 1/13 3/13 (b) [T ] =

. Ent ao T 1 (x, y ) = (3x/13 + 4y/13, x/13 + 3y/13). 1 1 1 1 det [T ] = 1 1 = 2 = 0 [T ] e in1 1 1 1


1

vers vel. Logo, o operador T e invers vel e [T 1 ] = [T ]1 = 1/2 1/2 1/2 1/2 . Ent ao T 1 (x, y ) = (x/2 + y/2, x/2 y/2).

1 0 1 (c) [T ] = 1 1 0 det [T ] = 0 [T ] n ao e invers vel. Logo, o 2 1 1 operador T n ao e invers vel. 1 0 0 (d) [T ] = 1 e invers vel. 0 1 det [T ] = 1 = 0 [T ] 1 1 1 Logo, o operador T e invers vel e [T 1 ] = [T ]1 . Invertendo a matriz [T ],
CEDERJ 104

Exerc cios de revis ao do M odulo 2

MODULO 3 - AULA 28

por escalonamento, obtemos [T ]1 (x, y z, x y ). 4.

1 0 0 = 0 ao T 1 (x, y, z ) = 1 1 . Ent 1 1 0

Seja y, z ) tal T (v ) = (2 , 3, 5). que v = (x, 2 x 1 2 3 x + 2y + 3z = 2 Ent ao 2 3 4 y = 3 2x + 3y + 4z = 3 v pode ser 3x + 5y + 7z = 5 5 z 3 5 7 qualquer vetor da forma (k, 1 2k, k ), com k I R. 6. Seja B = {v1 , v2 }. Ent ao (1, 2) = 1v1 + 2v2 v1 = (5/13, 16/13) (1, 1) = 3v1 + 7v2 v2 = (4/13, 5/13) Logo, B = {(5/13, 16/13), (4/13, 5/13)}. 7. Seja A = {v1 , v2 }. Ent ao: v1 = 1(1, 2) + 2(1, 1) = (1, 4) v2 = 3(1, 2) + 7(1, 1) = (10, 1) Logo, A = {(1, 4), (10, 1)}.

1 2 3 ao e invers vel. 5. det 2 3 4 = 0. Logo, T n 3 5 7

1 0 1 e um isoformismo. (a) det 3 2 1 = 2 = 0 T 0 1 0 1 1 0 1 1/2 1/2 1 (b) [T 1 ] = [T ]1 = 3 2 1 = 0 0 1 0 1 0 3/2 1/2 1 1 T (x, y, z ) = (x/2 + 3z/2, x/2 z/2, x y z/2). 1 0 1 x 1 x + z = 1 (c) 3 2 1 y = 5 3x 2y + z = 5 0 1 0 y = 3 z 3 x = 1; y = 3; z = 2. Logo, v = (1, 3, 2).

105

CEDERJ

Exerc cios de revis ao do M odulo 2


lgebra Linear 1

9.

8. [v ]A 1 = 2 4

= [I ]B,A [v ]B = ([I ]A,B )1 [v ]B = 1 13 2 3 4 1 2 1 1 3 1 3 = 1 3/2 1/2 3 = 4 . 11 5 3 5/2 1/2 5 9 1 T (0, 1) = (1, 1)

(a) T (1, 2) = (3, 1);

(x, y ) = a(1, 2) + b(0, 1) a = x e b = y 2x 3 1 =


B

x y

=
B

(b) Primeiramente, vamos obter as coordenadas de v = (5, 3) em rela ca o 5 a ` base B , usando a f ormula j a obtida no item anterior: [v ] B = . Ent ao 7 [T (v )]B = [T ]B [v ]B = 10. 3 1 7 3 5 7 = 8 14 ; .

3 7

1 1

=
B

1 3

. Logo, [T ]B =

3 1 7 3

x y 2x .

rota ca o anti-hor aria de /2 rd: contra ca o de fator 1/4:

0 1 1 0 ; 0 1 1 0

1/4 0 0 1/4

reex ao em torno da reta y = x:

; 1 0 3 1 ;

cisalhamento na dire ca o y , de um fator 3: A matriz procurada e: 1 0 3 1 . 0 1 1 0 . 1/4 0 0 1/4 . 0 1 1 0

1/4 0 3/4 1/4

11. Seja a transforma ca o linear T : I R4 I R3 tal que T (e1 ) = (0, 0, 1), T (e2 ) = (1, 2, 1), T (e3 ) = (2, 1, 1) e T (e4 ) = (1, 1, 1), onde {e1 , e2 , e3 , e4 } e a base 4 can onica de I R . Determine: y 2z + t = 0 4 (b) N (T ) = {(x, y, z, t) I R ; T (x, y, z, t) = (0, 0, 0)} . 2y + z + t = 0 x+yz+t=0 4 O conjunto-solu ca o desse sistema e {(x, y, z, t) I R ; x = z, y = 3z, t = 5z }. Da , uma poss vel maneira de caracterizar o n ucleo de T e escrevendo
CEDERJ 106

(a) T (x, y, z, t) = (y 2z + t, 2y + z + t, x + y z + t)

Exerc cios de revis ao do M odulo 2

MODULO 3 - AULA 28

N (T ) = {(k, 3k, k, 5k ); k I R} = [(1, 3, 1, 5)]. Obs.: O vetor (1, 3, 1, 5) e um gerador do n ucleo de T , mas qualquer outro m ultiplo desse vetor, n ao nulo, tamb em e gerador. (c) Pelo teorema do n ucleo e da imagem, dim I R4 = dim N (T ) + dim Im(T ). No item (b), vimos que o n ucleo de T e gerado por apenas 1 vetor. Logo, dim N (T ) = 1. Da , 4 = 1 + dim Im(T ) dim Im(T ) = 3. Como T est a denida de I R4 em I R3 , concluimos que Im(T ) = I R3 . (Isto e, T e sobrejetora.) (d) Seja u = (x, y, z, t). Ent ao T (u) = T (x, y, z, t) = (y 2z + t, 2y + z + t, x + y z + t) = (1, 0, 1) y 2z + t = 1 u e qualquer vetor de I R4 da forma 2y + z + t = 0 x+yz+t=1 (k, 1 3k, k, 2 + 5k, k I R. 12. Vamos obter a f ormula da composta F T : (F T ) : I R4 I R2 e dada por (F T )(x, y, z, t) = F (T (x, y, z, t) = F (x, t + z, y ) = (x y, 2t + 2z ). (a) N (F T ) = {(x, y, z, t) I R4 ; (xy, 2t+2z ) = (0, 0)}

xy =0 2t + 2z = 0

Ent ao N (F T ) = {(x, y, z, t) I R4 ; x = y e z = t} = {(x, x, t, t); x, t I R} = {x(1, 1, 0, 0) + t(0, 0, 1, 1)} = [(1, 1, 0, 0), [0, 0, 1, 1)].

(c) Como (F T )(1, 0, 0, 0) = (1, 0) (F T )(0, 1, 0, 0) = (1, 0) (F T )(0, 0, 1, 0) = (0, 2) (F T )(0, 0, 0, 1) = (0, 2), 1 1 0 0 temos que [F T ] = 0 0 2 2

(b) Pelo teorema do n ucleo e da imagem, temos: dim I R 4 = dim N (F T )+ dim Im(F T ). Pelo item (b), dim N (F T ) = 2. Logo, dim Im(F T ) = 2, que e a dimens ao do contradom nio (I R2 ). Logo, Im (F T ) = I R2 (isto e, F T e sobrejetora.)

13. A transforma ca o dada e um cisalhamento, na dire ca o do eixo x, de um fator 2. O gr aco que espelha a imagem do quadrado dado e o da letra (a).

107

CEDERJ

Exerc cios de revis ao do M odulo 2


lgebra Linear 1

14. Os vetores (1, 1) e (1, 2) formam um base de I R 2 . Vamos expressar (x, y ) nessa base: a = 2x y a+b=x (x, y ) = a(1, 1) + b(1, 2) b=yx a + 2b = y Ent ao T (x, y ) = T ((2x y )(1, 1) + (y x)(1, 2)) = (2xy )T (1, 1)+(y x)T (1, 2) = (2x y )(1, 5) + (y x)(0, 1) T (x, y ) = (2x y, 9x 4y ). 15. (F T )(x, y, z ) = F (T (x, y, z )) = F (z, x + y ) = 3z (x + y ) = x y +3z. 16. Resposta: (a), (d) 18. (a) T (e1 + e2 + e3 ) = T (e1 ) + T (e2 ) + T (e3 ) = e2 + e1 + e3 + e2 + e3 = e1 + 2e2 + 2e3 . (b) T (2e1 3e2 + e3 ) = 2T (e1 ) 3T (e2 )+ T (e3 = 2e2 3e1 3e3 + e2 + e3 = 3e1 + 3e2 2e3 . 1 2 0 1 1 (a) [T (1, 1, 1)] = 3 1 2 . 1 = 4 T (1, 1, 1) = 1 0 2 1 3 (1, 4, 3). x 2y x 1 2 0 (b) [T (x, y, z )] == 3 1 2 . y = 3x y + 2z x 2z z 1 0 2 T (x, y, z ) = (x 2y, 3x y + 2z, x 2z ). 19.

CEDERJ

108

Autovetores e Autovalores de Matrizes

MODULO 1 - AULA 1

Aula 29 Autovetores e Autovalores de Matrizes


Objetivos:
Compreender os conceitos de autovalor e autovetor. Reconhecer um escalar como autovalor de uma matriz. Reconhecer um vetor como autovetor de uma matriz. Bem-vindo ao seu pr oximo curso de Algebra Linear. Ele se desenvolver a em torno de conceitos fundamentais como autovalor e autovetor de uma matriz. Esses conceitos s ao de fundamental import ancia na Matem atica pura e aplicada e aparecem em situa co es muito mais gerais que as consideradas aqui. Os conceitos de autovalor e autovetor tamb em s ao usados no estudo das equa co es diferenciais e sistemas din amicos: eles fornecem informa co es cr ticas em projetos de Engenharia e surgem de forma natural em a reas como a F sica e a Qu mica. Neste m odulo vamos continuar os estudos iniciados no curso de Algebra Linear I, sobre as matrizes quadradas A = (aij ) Mn (R) e as transforma co es lineares denidas pela matriz A. O objetivo principal desta aula e apresentar os conceitos fundamentais de autovalor e autovetor de uma matriz A.
Lembre que Mn (R) denota o conjunto das matrizes quadradas de ordem n com elementos reais.

Deni c ao
Dada uma matriz A Mn (R), o n umero real e chamado autovalor n de A se existe um vetor n ao-nulo v R tal que Av = v. (1)

Todo vetor n ao-nulo v que satisfa ca (1) e chamado um autovetor associado (ou correspondente) ao autovalor . Os autovalores tamb em s ao chamados valores pr oprios ou valores caracter sticos, e os autovetores s ao chamados vetores pr oprios ou vetores caracter sticos. Verica-se que para todo vetor w = v , R , temos Aw = w, isto e, qualquer m ultiplo escalar n ao-nulo de v tamb em e um autovetor de A associado ao autovalor . De fato, Aw = A(v ) = A(v ) = (v ) = (v ) = w.
109 CEDERJ

Autovetores e Autovalores de Matrizes

Vale tamb em observar que na equa ca o (1) estaremos sempre considerando o vetor v na forma de uma matriz coluna n 1. f E acil determinar se um vetor e autovetor de uma matriz e tamb em e f acil decidir se um escalar e autovalor de uma matriz. Vejamos como isso e feito nos seguintes exemplos.

Exemplo 1 Se I e a matriz identidade n n, ent ao o u nico autovalor e = 1. Qualquer n vetor n ao-nulo v de R e um autovetor de A associado ao autovalor = 1, pois Iv = v = 1 v.

Exemplo 2 Vamos vericar se os vetores u e v s ao autovetores de A, onde A= 3 1 5 3 ,u= 1 1 ev= 1 2 .

Solu ca o: Para identicarmos se u e autovetor de A devemos vericar se existe um escalar R tal que Au = u. Temos que Au = 3 1 5 3 1 1 = 2 2 = 2 1 1 = 2u

Assim, u = (1, 1) e autovetor de A com autovalor correspondente = 2. No caso do vetor v , temos 3 1 5 3

Av =

1 2

1 1

1 2

Assim, n ao existe escalar R tal que Av = v e, conseq uentemente, v = (1, 2) n ao e um autovetor da matriz A.

CEDERJ

110

Autovetores e Autovalores de Matrizes

MODULO 1 - AULA 1

Na Figura 1.1, podemos ver os vetores u = (1, 1), v = (1, 2) e a a ca o geom etrica da transforma ca o x Ax em cada um deles.

Av u

Au Figura 1.1: A ca o geom etrica da transforma ca o x Ax.

Exemplo 3 Verique se o escalar 5 e um autovalor para a matiz A = mine os autovetores associados a esse autovalor. Solu ca o: Usando diretamente a deni ca o de autovetor e autovalor de uma matriz, temos que o escalar 5 e autovalor de A se e somente se a equa ca o Av = 5v (2) 5 0 2 1 e deter-

possui uma solu ca o n ao-nula v = (x, y ) R2 . Mas a equa ca o (2) e equivalente a ` equa ca o Av 5 Iv = (A 5I )v = 0. (3) Assim, precisamos achar uma solu ca o n ao-nula para esse sistema linear homog eneo. Primeiramente, calculemos a matriz A 5I = 5 0 2 1 5 0 0 5 = 55 0 2 14 = 0 0 2 4 .

Portanto, o sistema linear homog eneo (3) pode ser escrito como 0 0 2 4 x y = 0 0 . (4)

111

CEDERJ

Autovetores e Autovalores de Matrizes

Para resolver esse sistema linear, use as t ecnicas de escalonamento de matrizes desenvolvidas no curso de Algebra Linear I. Escreva a matriz ampliada do sistema linear (4) 0 2 0 4 0 0 . (5)

Aplicando as opera co es elementares em linhas, vemos que a matriz escalonada correspondente a ` matriz (5) e 1 0 2 0 0 0 (6)

e o sistema linear homog eneo correspondente a essa matriz e x 2y = 0. (7)

Como todo vetor da forma (2t, t) R2 , com t R, e uma solu ca o para o sistema (7), temos que esse sistema possui innitas solu co es e, assim, e 2 poss vel e indeterminado. Portanto, todo vetor da forma v = (2t, t) R , com t R , e um autovetor associado ao autovalor = 5. De fato, verica-se que Av = 5 0 2 1 2t t = 10t 5t =5 2t t = 5v para todo t R .

No exemplo anterior podemos observar que a equival encia entre as equa co es (2) e (3) vale, claramente, para qualquer escalar no lugar de = 5 e para qualquer matriz A. Assim, R e um autovalor da matriz A Mn (R) se e somente se o sistema linear homog eneo (A I )v = 0 (8)

possui uma solu ca o n ao-nula v Rn . O conjunto de todas as solu co es do sistema (8) e o n ucleo (ou espa co-nulo) da matriz A I . Portanto, pelo visto no curso de Algebra Linear I, este conjunto solu ca o e um subespa co vetorial de Rn chamado auto-espa co da matriz A associado ao autovalor , denotado por E(). 5 0 do exemplo 3, o auto-espa co associado 2 1 ao autovalor = 5 e a reta formada por todos os m ultiplos escalares do No caso da matriz A =
CEDERJ
112

Autovetores e Autovalores de Matrizes

MODULO 1 - AULA 1

autovetor v = (2, 1). Geometricamente, esse auto-espa co e a reta que passa por (2, 1) e pela origem. No exemplo 2, vemos que o auto-espa co associado ao autovalor = 2 e a reta que passa por (1, 1) e pela origem, como mostra a Figura 1.2.
5

.p ult

or

Auto-espao para l=-2

.p ult

or

-2

Auto-espao para l=5

Figura 1.2: Auto-espa cos para = 5 e = 2.

4 2 3 Seja a matriz A = 1 e um autovalor 5 3 . Verique que = 3 2 4 3 de A e determine uma base para o auto-espa co associado. Exemplo 4

Solu ca o: Para vericar que = 3 e um autovalor de A devemos encontrar uma solu ca o n ao-nula v = (x, y, z ) R3 do sistema linear homog eneo (A 3I )v = 0. Para ver isso, consideremos primeiramente a matriz 1 2 3 1 0 0 4 2 3 A 3I = 1 2 3 . 5 3 3 0 1 0 = 1 2 4 6 0 0 1 2 4 3
113 CEDERJ

(9)

Autovetores e Autovalores de Matrizes

Novamente, resolvemos este sistema linear usando os m etodos e as t ecnicas estudados na aula 7 do curso de Algebra Linear I. A matriz ampliada do sistema linear (10) e 0 3 2 1 0 3 2 1 0 6 4 2 e e f acil ver que a matriz escalonada equivalente a essa matriz ampliada e 1 2 3 0 0 0 0 , 0 0 0 0 0 cujo sistema linear homog eneo e dado por x 2y 3z = 0.

Assim, o sistema (9) pode ser escrito como x 2y 3z = 0 x + 2y + 3z = 0 2x 4y 6z = 0

(10)

(11)

Sabemos que as solu co es dos sistemas (10) e (11) s ao as mesmas. Vemos que o sistema (11) possui duas vari aveis livres, logo, possui innitas solu co es e, portanto, = 3 e um autovalor da matriz A. Expressando x em termos das vari aveis y e z obtemos que x = 2y + 3z. Escrevendo y = k R e z = t R, temos que todo vetor na forma (2k + 3t, k, t) com k, t R e um autovetor associado ao autovalor = 3. Assim, o conjunto S = {(2k + 3t, k, t); k, t R} = {k (2, 1, 0) + t (3, 0, 1); k, t R} R3 e o auto-espa co associado ao autovalor = 3. Vemos que esse subespa co e gerado pelos vetores u = (2, 1, 0) e v = (3, 0, 1) e, sendo linearmente independentes, formam uma base para o subespa co S . 3 Geometricamente, o subespa co S representa o plano do R que passa pela origem e e gerado pelos dois autovetores u = (2, 1, 0) e v = (3, 0, 1).
CEDERJ
114

Autovetores e Autovalores de Matrizes

MODULO 1 - AULA 1

Multiplicao por A

Auto-espa

Auto-espa o para l=3

o para l=3

Figura 1.3: A age como uma expans ao no auto-espa co S .

Observe, neste exemplo, que a imagem de qualquer elemento n ao-nulo w S pela a ca o da matriz A e novamente um elemento do auto-espa co S , isto e, um autovetor de A associado ao autovalor = 3. De fato, sendo {u, v } base do auto-espa co S , temos que existem escalares a, b R tais que w = au + bv Como u e v s ao autovalores de S , associados ao autovalor = 3, temos Aw = A(au + bv ) = A(au) + A(bv ) = aA(u) + bA(v ) = 3au + 3bv = 3(au + bv ) = 3w S. Como Aw S para todo w S , diz-se que o auto-espa co S e um auto-espa co invariante pela a ca o da matriz A.

115

CEDERJ

Autovetores e Autovalores de Matrizes

Exerc cios
1. Verique se v = A= 1 0 e u = 0 1 s ao autovetores da matriz

0 0 . Determine os autovalores correspondentes. Este exerc cio 0 1 mostra que, apesar de o vetor nulo n ao poder ser autovetor, e poss vel ter autovalor igual a zero. 2. Verique se v = 1 3 1 e autovetor da matriz A = . Caso 4 3 8 seja, determine o autovalor correspondente. 3 7 9 4 e autovetor da matriz A = 4 5 1 . 3. Verique se v = 3 2 4 4 1 Caso seja, determine o autovalor correspondente. 4 2 com autovalor = 10, determine 3 9 uma base para o auto-espa co associado a esse autovalor. 4 1 6 e um autovalor de 5. Seja a matriz A = 2 1 6 . Verique se = 2 2 1 8 A e determine uma base para o auto-espa co associado a esse autovalor. 4. Dada a matriz A = 6. Mostre que se e um autovalor correspondente ao autovetor v , ent ao ele eu nico, isto e, n ao existe escalar R, = , tal que Av = v .

CEDERJ

116

Autovetores e Autovalores de Matrizes Casos Especiais

MODULO 1 - AULA 2

Aula 30 Autovetores e Autovalores de Matrizes Casos Especiais


Objetivos:
Reconhecer casos especiais de autovalores. Caracterizar a exist encia de autovalor zero. Familiarizar-se com demonstra co es envolvendo autovalores e autovetores. Na aula 1 vimos os conceitos de autovalor, autovetor e auto-espa co. Nesta aula vamos continuar a explorar essa conceitua ca o em exemplos e casos particulares muito importantes. No primeiro exemplo, a matriz A e triangular superior e veremos que os autovalores s ao facilmente calculados. Exemplo 1 Calcule os autovalores da matriz 1 6 2 A= 0 2 1 0 0 3

Novamente, pela deni ca o, temos que o escalar R e um autovalor da matriz A se e somente se o sistema linear homog eneo (A I )v = 0 (1)

possui uma solu ca o n ao-nula v = (x, y, z ) R3 . O sistema linear (1) pode ser rescrito como (1 )x + 6y + 2z = 0 (2) (2 )y + z = 0 (3 )z = 0 . Sabemos que o sistema (2) possui uma solu ca o n ao-nula (x, y, z ) R 3 f se e somente se existe uma vari avel livre. E acil ver que isso acontece se e somente se pelo menos um dos coecientes contendo e igual a zero (um dos elementos da diagonal principal da matriz associada e zero). E isso, por sua vez, acontece se e somente se for igual a 1, 2 ou 3, que s ao exatamente os valores da diagonal principal da matriz A.

117

CEDERJ

Autovetores e Autovalores de Matrizes Casos Especiais

Na verdade, este procedimento tamb em e v alido no caso em que a matriz A Mn (R) e matriz triangular inferior. Assim, temos o seguinte teorema:

Teorema 1 Os autovalores de uma matriz triangular (superior ou inferior) s ao os elementos de sua diagonal principal. No pr oximo teorema veremos em que condi co es uma matriz possui algum autovalor igual a zero.

Teorema 2 Uma matriz A de ordem n tem autovalor igual a zero se e somente se A e uma matriz n ao-invers vel.

Demonstra ca o: Usando as deni co es de autovalor e autovetor, sabemos que 0 e um autovalor da matriz A se e somente se existe um vetor n ao-nulo v tal que Av = 0v. (3)

O sistema linear (3) e claramente equivalente ao sistema homog eneo nn Av = 0. (4) Do curso de Algebra Linear I, o sistema (4) possui solu ca o n ao-nula se e somente se det(A) = 0. E det(A) = 0 se e somente se a matriz A e n ao-invers vel. Exemplo 2 Calcule os autovalores da matriz 1 2 3 A = 0 0 4 . 0 0 5
118

Lembre que det(A) denota o determinante da matriz A.

CEDERJ

Autovetores e Autovalores de Matrizes Casos Especiais

MODULO 1 - AULA 2

Solu ca o: Pelo Teorema 1, os autovalores de A s ao os elementos da diagonal principal, ou seja, os autovalores s ao 0, 1 e 5. Observe tamb em que, sendo 0 um autovalor de A, pelo Teorema 2 a matriz A e n ao-invers vel.

Teorema 3 Se e um autovalor de uma matriz A, ent ao k e autovalor da matriz Ak para todo k N . Demonstra ca o: Pela deni ca o, se e autovalor da matriz A, ent ao existe vetor n ao-nulo v tal que Av = v. Multiplicando a equa ca o (5) por A temos A(Av ) = A(v ), o que nos d a A2 v = Av = (v ) = 2 v, ou seja, A2 v = 2 v. (6) (5)

Obtemos, assim, que 2 e um autovalor da matriz A2 com autovetor correspondente v . Analogamente, de (6) obtemos que A3 v = 3 v, e isso signica que 3 e autovalor da matriz A3 com autovetor correspondente v . Continuando esse procedimento obtemos que Ak v = k v para todo k N . Assim, k e autovalor da matriz Ak com o mesmo autovetor associado v.
119

CEDERJ

Autovetores e Autovalores de Matrizes Casos Especiais

Exemplo 3 Calcule os autovalores de uma matriz A que satisfaz A2 = 0, isto e, A2 ea matriz nula. Solu ca o: Se e um autovalor da matriz A, ent ao, pelo Teorema 3, 2 e um autovalor da matriz A2 e, portanto, existe vetor n ao-nulo v tal que A2 v = 2 v . Mas A2 = 0 e a matriz nula, ent ao 2 v = 0, e, como v e um vetor n ao-nulo, ent ao e necess ario que 2 = 0 e, portanto, = 0. Assim, obtivemos o resultado que arma que, se uma matriz A e tal que A2 = 0, ent ao seu u nico autovalor e = 0. Uma das propriedades mais importantes dos autovalores e apresentada no pr oximo teorema e sua demonstra ca o ilustra um c alculo que e t pico de autovalores e autovetores.

Este teorema ser a empregado em outras aulas mais a ` frente.

Teorema 4 Sejam v1 , v2 , . . . , vk autovetores de uma matriz A, associados aos autovalores distintos 1 , 2 , . . . , k , respectivamente. Ent ao o conjunto {v1 , v2 , . . . , vk } e linearmente independente.

Demonstra ca o: Sendo v1 vetor n ao-nulo, e claro que o conjunto unit ario {v1 } e linearmente independente. Vamos estabelecer que {v1 , v2 } tamb em e linearmente independente. Sejam c1 e c2 constantes tais que c1 v1 + c2 v2 = 0. (7)

Vamos mostrar que c1 = c2 = 0 e, conseq uentemente, que {v1 , v2 } e um conjunto de vetores linearmente independentes. Multiplicando a equa ca o (7) por 2 obtemos c1 2 v1 + c2 2 v2 = 0. (8)

CEDERJ

120

Autovetores e Autovalores de Matrizes Casos Especiais

MODULO 1 - AULA 2

Multiplicando tamb em a equa ca o (7) por A, e usando que Av1 = 1 v1 e Av2 = 2 v2 , obtemos, para o lado esquerdo da equa ca o, que A(c1 v1 + c2 v2 ) = A(c1 v1 ) + A(c2 v2 ) = c1 A(v1 ) + c2 A(v2 ) = c1 1 v 1 + c2 2 v 2 , enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multiplicar a equa ca o (7) por A e c1 1 v1 + c2 2 v2 = 0. (9)

Subtraindo a equa ca o (9) da equa ca o (8), vemos que as segundas parcelas se cancelam, sobrando c1 (2 1 )v1 = 0. Como v1 e vetor n ao-nulo, ent ao e necess ario que c1 (2 1 ) = 0. E como 1 = 2 , segue que c1 = 0. Substituindo esse valor de volta na equa ca o (7), obtemos c2 v2 = 0 e, como v2 tamb em e vetor n ao-nulo, ent ao e necess ario que c2 = 0. Assim, conclu mos que {v1 , v2 } e linearmente independente.

Vamos agora dar o passo seguinte, isto e, estabelecer que {v1 , v2 , v3 } e conjunto linearmente independente. Sejam c1 , c2 e c3 constantes tais que c1 v1 + c2 v2 + c3 v3 = 0. (10)

Se mostrarmos que c1 = c2 = c3 = 0, conclu mos que {v1 , v2 , v3 } e conjunto de vetores linearmente independentes. Multiplicando a equa ca o (10) por 3 obtemos c1 3 v1 + c2 3 v2 + c3 3 v3 = 0. (11)

Multiplicando a equa ca o (10) tamb em por A, e usando que Av1 = 1 v1 , Av2 = 2 v2 e Av3 = 3 v3 , obtemos, para o lado esquerdo da equa ca o, que A(c1 v1 + c2 v2 + c3 v3 ) = A(c1 v1 ) + A(c2 v2 ) + A(c3 v3 ) = c1 A(v1 ) + c2 A(v2 ) + c3 A(v3 ) = c1 1 v 1 + c2 2 v 2 + c3 3 v 3 , enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multiplicar a equa ca o (10) por A e c1 1 v1 + c2 2 v2 + c3 3 v3 = 0. (12)
121

CEDERJ

Autovetores e Autovalores de Matrizes Casos Especiais

Subtraindo a equa ca o (12) da equa ca o (11), vemos que as terceiras parcelas se cancelam, sobrando c1 (3 1 )v1 + c2 (3 2 )v2 = 0. Como v1 e v2 s ao linearmente independentes, ent ao e necess ario que c1 (3 1 ) = 0 e c2 (3 2 ) = 0. E como 3 = 1 e 3 = 2 , segue que c1 = c2 = 0. Substituindo esses valores de volta na equa ca o (10), obtemos c3 v3 = 0 e, como v3 tamb em e vetor n ao-nulo, ent ao e necess ario que c3 = 0. Assim, conclu mos que {v1 , v2 , v3 } e linearmente independente.

Assim, sabendo que {v1 , . . . , vn } e linearmente independente, vamos mostrar, da mesma forma como foi feito nos casos anteriores, que {v 1 , . . . , vn , vn+1 } tamb em e linearmente independente. Sejam c1 , . . . , cn , cn+1 constantes tais que c1 v1 + . . . + cn vn + cn+1 vn+1 = 0. (13) Multiplicando a equa ca o (13) por 3 obtemos c1 n+1 v1 + . . . + cn n+1 vn + cn+1 n+1 vn+1 = 0. (14)

Multiplicando a equa ca o (13) tamb em por A, e usando que Av1 = 1 v1 , . . . , Avn+1 = n+1 vn+1 , obtemos, para o lado esquerdo da equa ca o, que A(c1 v1 + . . . + cn vn + cn+1 vn+1 ) = A(c1 v1 ) + . . . + A(cn vn ) + A(cn+1 vn+1 ) = c1 A(v1 ) + . . . + cn A(vn ) + cn+1 A(vn+1 ) = c1 1 v1 + . . . + cn n vn + cn+1 n+1 vn+1 , enquanto para o lado direito temos A0 = 0. Assim, o resultado de se multiplicar a equa ca o (13) por A e c1 1 v1 + . . . + cn n vn + cn+1 n+1 vn+1 = 0. (15)

Subtraindo a equa ca o (15) da equa ca o (14), vemos que as u ltimas parcelas se cancelam, sobrando c1 (n+1 1 )v1 + . . . + cn (n+1 n )vn = 0. Como v1 , . . . , vn s ao linearmente independentes, ent ao e necess ario que c1 (n+1 1 ) = 0, . . . , cn (n+1 n ) = 0. E como n+1 = 1 , . . . , n+1 = n , segue que c1 = . . . = cn = 0. Substituindo esses valores de volta na equa ca o (13), obtemos cn+1 vn+1 = 0 e, como vn+1 tamb em e vetor n ao-nulo, ent ao e necess ario que cn = 0. Assim, conclu mos que {v1 , . . . , vn , vn+1 } e linearmente independente.
CEDERJ
122

Autovetores e Autovalores de Matrizes Casos Especiais

MODULO 1 - AULA 2

Exerc cios
1. Dada a matriz A = 5 0 2 1 para o auto-espa co associado 1 2. Dada a matriz A = 3 4 uma base para o auto-espa co 1 3 3. Dada a matriz A = 0 2 0 0 2 3 A eA. , determine seus autovalores e uma base a cada autovalor. 0 0 1 0 , determine seus autovalores e 7 1 associado a cada autovalor. 5 4 , calcule os autovalores das matrizes 1

4. Mostre que A e At t em os mesmos autovalores. 5. Dada a matriz A, n n, mostre que se 2 e um autovalor n ao-negativo de A2 , ent ao ou e um autovalor para A.

123

CEDERJ

Polin omio Caracter stico

Aula 31 Polin omio Caracter stico


Objetivos:
Compreender o conceito de polin omio caracter stico de uma matriz. Compreender a rela ca o entre as ra zes do polin omio caracter stico e os autovalores de uma matriz. Desenvolver habilidades para calcular auto-espa cos associados a autovalores de uma matriz. Nesta aula, apresentaremos uma f ormula sistem atica de calcular os autovalores de uma matriz quadrada de ordem n. A cada matriz A Mn (R) associaremos um polin omio que tem a propriedade de suas ra zes serem exatamente os autovalores de A. Antes de apresentarmos formalmente esse polin omio, vejamos, atrav es de um exemplo, como ele surge naturalmente.
Pr e-requisito: Sistema linear homog eneo (Algebra Linear I).

Exemplo 1 Determinar os autovalores de A = associados. 1 1 2 4 e seus respectivos autovetores

Solu ca o: Queremos encontrar os n umeros reais e todos os vetores n ao-nulos v = (x1 , x2 ) R2 satisfazendo a equa ca o Av = v, ou seja, 1 1 2 4 x1 x2 = x1 x2 . (2) (1)

A equa ca o (2) representa o sistema linear x1 + x2 = x1 2x1 + 4x2 = x2 , ou ainda, ( 1)x1 x2 = 0 2x1 + ( 4)x2 = 0 . (3)

125

CEDERJ

Polin omio Caracter stico

As equa co es anteriores (3) formam um sistema linear homog eneo de duas equa co es e duas inc ognitas. Como j a foi visto no curso de Algebra Linear I, o sistema linear homog eneo (3) possui solu ca o n ao-nula (x 1 , x2 ) se e somente se o determinante de sua matriz associada for nulo, ou seja, se e somente se 1 1 = 0. (4) 2 4 Isto signica que ( 1)( 4) + 2 = 0, ou ainda, 2 5 + 6 = 0, ou tamb em, ( 2)( 3) = 0. Portanto, quando esta u ltima equa ca o e satisfeita assume os valores 2 ou 3. Assim, 1 = 2 e 2 = 3 s ao os autovalores da matriz A. Para encontrarmos os autovetores v = (x1 , x2 ) R2 associados ao autovalor 1 = 2, formamos o sistema Av = 2v, ou 1 1 2 4 o que nos d a o sistema linear x1 + x2 = 2x1 2x1 + 4x2 = 2x2 ou ainda, x1 x 2 = 0 2x1 2x2 = 0 . (6) x1 x2 =2 x1 x2 , (5)

Observe que poder amos ter obtido este u ltimo sistema linear homog eneo substituindo simplesmente = 2 na equa ca o (3). Escalonando o sistema, obtemos que as solu co es do sistema homog eneo (6) s ao x1 = x2 e x2 = t, sendo t qualquer valor real.
CEDERJ
126

Polin omio Caracter stico

MODULO 1 - AULA 3

Portanto, todos os autovetores associados ao autovalor 1 = 2 s ao dados por v = (t, t), sendo t um n umero real qualquer. Assim, todos esses autovetores s ao m ultiplos do vetor (1, 1). Em particular, v 1 = (1, 1) e um autovetor associado a 1 = 2. Analogamente, para encontrarmos os autovetores associados com o autovalor 2 = 3 obtemos, de (3), o sistema linear homog eneo (3 1)x1 x2 = 0 2x1 + (3 4)x2 = 0 ou, equivalentemente, 2x1 x2 = 0 2x1 x2 = 0 . Todas as solu co es deste sistema linear homog eneo s ao dadas por 1 x1 = x2 e x2 = t qualquer valor real. 2
Portanto, os autovalores de A associados ao autovetor 2 = 3 s ao dados t por 2 , t sendo t um n umero real qualquer. Assim, todos esses autovalores s ao m ultiplos do vetor (1, 2). Em particular, v2 = (1, 2) e um autovetor associado ao autovalor 2 = 3.
Observe que o determinante (4), do exemplo anterior, transformou a equa ca o matricial (I A)v = 0, que cont em duas inc ognitas, e v , na 2 equa ca o polinomial 5 + 6 = 0, que tem uma vari avel s o. Nos exemplos apresentados na aula anterior, calculamos os autovalores de uma matriz por inspe ca o, enquanto no exemplo acima procedemos de uma forma mais sistem atica. Usaremos o processo apresentado neste exemplo como o m etodo padr ao para determinar os autovalores de uma matriz A Mn (R).

(7)

Deni c ao
Seja A = (aij ) Mn (R). O determinante x a11 a12 a21 x a22 ... ... a n 1 a n 2 . . . a 1 n . . . a 2 n ... ... . . . x ann

p(x) = det(xIn A) =

(8)

e chamado de polin omio caracter stico da matriz A.


127

CEDERJ

Polin omio Caracter stico

No Exemplo 1, o polin omio caracter stico da matriz A =

1 1 2 4

p(x) = det(xI2 A) =

x 1 1 2 x4

= x2 5x + 6.

Como p(x) = (x 2)(x 3), vemos que 2 e 3 s ao as ra zes do polin omio caracter stico e, tamb em, os autovalores da matriz A.

Exemplo 2 Determine o polin omio caracter stico e os autovalores da matriz 5 0 0 5 2 4 2 2 0 0 3 0 0 0 0 3

A= Solu ca o:

Temos que o polin omio caracter stico de A e dado por x5 0 0 0 0 x5 0 0 2 4 x 3 0 2 2 0 x3

p(x) = det(xI4 A) =

Como a matriz xI4 A e triangular superior, sabemos que seu determinante e igual a p(x) = (x 5)(x 5)(x 3)(x 3) = (x 3)2 (x 5)2 . Portanto, as ra zes do polin omio caracter stico de A s ao 3, 3, 5 e 5, que s ao exatamente os autovalores da matriz A. Dizemos, nesse caso, que o autovalor 5 tem multiplicidade alg ebrica 2, pois o fator (x 5) aparece duas vezes como fator do polin omio p(x). Analogamente para o autovalor = 3.
CEDERJ
128

Polin omio Caracter stico

MODULO 1 - AULA 3

Deni co es
Seja A uma matriz de ordem n com autovalor . 1. A multiplicidade alg ebrica do autovalor e a sua multiplicidade como raiz do polin omio caracter stico p(x) = det(xIn A). 2. O auto-espa co associado ao autovalor , denotado por E (), e o subespa co gerado por todos os autovetores associados a . 3. A multiplicidade geom etrica do autovalor e a dimens ao do auto-espa co E (). No Exemplo 1, vimos que o polin omio caracter stico de uma matriz 22 e um polin omio de grau 2 e, no Exemplo 2, o polin omio caracter stico de uma matriz 4 4 e um polin omio de grau 4. Em geral, e verdade que para uma matriz de ordem n o polin omio caracter stico tem grau n. Vemos isso facilmente quando desenvolvemos o determinante (8); observe que o termo do polin omio caracter stico de A contendo xn prov em do produto dos elementos da diagonal principal, ou seja, de (x a11 )(x a22 ) . . . (x ann ). Observe que o coeciente do termo de mais alto grau, aquele contendo x , e igual a 1 e, por isso, dizemos que o polin omio e m onico.
n

Pela forma como foi denido o polin omio caracter stico, podemos concluir o resultado a seguir. Teorema 1 Um escalar e autovalor de uma matriz A de ordem n se e somente se e uma raiz do polin omio caracter stico de A, isto e, se e somente se satisfaz a equa ca o det(In A) = 0. Sendo assim, para encontrarmos os autovalores de uma matriz A devemos encontrar as ra zes do seu polin omio caracter stico. E, como no Exemplo 1, os autovetores correspondentes s ao obtidos substituindo o valor de na equa ca o Av = v e resolvendo o sistema linear homog eneo (In A)v = 0.

129

CEDERJ

Polin omio Caracter stico

Exemplo 3 Determine bases para os auto-espa cos da matriz A do Exemplo 2, e obtenha a multiplicidade geom etrica de cada autovalor.

Solu ca o: Vimos que o polin omio caracter stico da matriz A= e dado por p(x) = (x 5)2 (x 3)2 . Portanto, os autovalores de A s ao 1 = 5, 2 = 5, 3 = 3 e 4 = 3. Neste caso, os dois autovalores distintos t em multiplicidade alg ebrica 2. Vamos determinar os autovetores associados a cada um deles. Para obter os autovetores associados ao autovalor = 5, resolvemos o sistema linear homog eneo (5I4 A)v = 0. Considerando v = (x, y, z, t), o sistema anterior pode ser reescrito como 0 0 0 0 2 4 2 2 0 0 2 0 0 0 0 2 x y z t = 0 0 0 0 . 5 0 0 5 2 4 2 2 0 0 3 0 0 0 0 3

Escalonando a matriz ampliada do sistema, obtemos o sistema linear equivalente 0 x 1 0 1 2 0 1 1 1 y 0 = 0 0 0 0 z 0 0 t 0 0 0 0 e a solu ca o geral deste sistema e dada pelos vetores da forma v = (z 2t, z + t, z, t) com z, t R.

CEDERJ

130

Polin omio Caracter stico

MODULO 1 - AULA 3

Observe que, neste caso, o auto-espa co associado ao autovalor = 5 tem duas vari aveis livres, z e t, e, portanto, tem dimens ao 2. Considerando z = 1 e t = 0 e, depois, z = 0 e t = 1, vemos que os vetores v1 = (1, 1, 1, 0) e v2 = (2, 1, 0, 1) pertencem ao auto-espa co associado a = 5 e, como s ao linearmente independentes, formam uma base para esse auto-espa co. Assim, a multiplicidade geom etrica do autovalor = 5 tamb em e igual a 2, ou seja, igual a ` multiplicidade alg ebrica. Agora, para determinarmos os autovetores v = (x, y, z, t) associados ao autovalor = 3, devemos resolver o sistema homog eneo (3I4 A)v = 0. Novamente, este sistema homog eneo e equivalente ao sistema 2 0 0 2 2 4 2 2 0 0 0 0 0 0 0 0 x y z t = 0 0 0 0

Vemos, facilmente, que a solu ca o geral deste sistema e dada pelos vetores da forma v = (0, 0, z, t) com z, t R. Outra vez, o auto-espa co associado ao autovalor = 3 tem dimens ao 2. Os autovetores v3 = (0, 0, 1, 0) e v4 = (0, 0, 0, 1) s ao linearmente independentes e, portanto, formam uma base do auto-espa co associado ao autovalor = 3. Logo, a multiplicidade geom etrica de = 3 tamb em e igual a 2, coincidindo mais uma vez com a multiplicidade geom etrica.
131

e, escalonando a matriz equivalente 1 0 0 0

ampliada desse sistema, obtemos o sistema linear 0 1 0 0 0 0 0 0 0 0 0 0 x y z t 0 0 0 0

CEDERJ

Polin omio Caracter stico

Exerc cios
1. Determine os autovalores e bases para os auto-espa cos correspondentes 3 0 . da matriz 8 1 2. Determine os autovalores e bases para os auto-espa cos correspondentes 3 2 . da matriz 4 1 4 0 1 3. Considere a matriz A = 2 1 0 . 2 0 1

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A.

(b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 2 1 1 4. Considere a matriz A = 1 0 1 . 1 1 2

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A.

(b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 5. Determine os valores de a, b, c, d, e e f de modo que v1 = (1, 1, 1), v2 = (1, 0, 1) e v3 = (1, 1, 0) sejam autovetores da matriz 1 1 1 A = a b c e os autovalores associados. d e f

CEDERJ

132

C alculo de Autovalores e Autovetores

MODULO 1 - AULA 4

Aula 32 C alculo de Autovalores e Autovetores


Objetivos:
Obter autovalores a partir do polin omio caracter stico. Observar que nem sempre a multiplicidade alg ebrica de um autovalor coincide com sua multiplicidade geom etrica e que, geralmente, a multiplicidade geom etrica e menor ou igual a ` multiplicidade alg ebrica. Observar que existem matrizes que n ao possuem autovalores nem autovetores. No Exemplo 3 da aula 3 vimos o caso de autovalores com multiplicidade alg ebrica igual a ` multiplicidade geom etrica, isto e, o n umero de vezes que o autovalor comparece como raiz do polin omio caracter stico e igual a ` dimens ao do auto-espa co correspondente. Conseq uentemente, como a multiplicidade alg ebrica e a multiplicidade geom etrica eram iguais a 2, pudemos obter, em cada um dos dois casos, dois autovetores linearmente independentes, formando uma base do auto-espa co correspondente. Infelizmente, isso nem sempre e poss vel, como mostra o pr oximo exemplo.

Pr e-requisito: Aula 3; Teorema 4 da aula 2.

Exemplo 1 Determine os autovalores e os autovetores da matriz 5 2 1 2 0 3 6 3 0 0 5 5 0 0 0 0

A=

Verique a rela ca o entre a multiplicidade alg ebrica e a multiplicidade geom etrica para cada autovalor.

133

CEDERJ

C alculo de Autovalores e Autovetores

Solu ca o: Como a matriz e triangular, vimos que seus autovalores s ao exatamente os elementos da diagonal principal ou, analogamente, observe que o polin omio caracter stico de A e x5 2 1 2 0 x3 6 3 0 0 x5 5 0 0 0 x

p(x) = det(xI4 A) =

ou seja, p(x) = x(x 3)(x 5)2 . Portanto, os autovalores da matriz A s ao 0, 3, 5 e 5. Os autovalores 0 e 3 t em multiplicidade alg ebrica 1 enquanto o autovalor 5 aparece com multiplicidade alg ebrica 2. Vamos, agora, calcular os autovetores associados em cada caso. Para o autovalor = 0, temos que os autovetores associados v = (x, y, z, t) satisfazem o sistema linear (0I4 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 1 0 0 0 0 1 0 0 0 1/5 x 0 1 y 1 1 z 0 0 t = 0 0 0 0 .

Assim, os autovetores associados ao autovalor = 0 s ao da forma v= t , t, t, t , com t R. 5

Logo, o auto-espa co associado a = 0 tem dimens ao 1, sendo ge1 rado pelo autovetor v1 = 5 , 1, 1, 1 . Ou seja, a multiplicidade geom etrica tamb em e igual a 1.
Analogamente, os autovetores associados ao autovalor = 3 satisfazem o sistema homog eneo (3I4 A)v = 0,
CEDERJ
134

C alculo de Autovalores e Autovetores

MODULO 1 - AULA 4

que e equivalente ao sistema linear homog eneo 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 x y z t = 0 0 0 0

cujas solu co es s ao da forma v = (x, x, 0, 0), com x R. Portanto, o auto-espa co associado ao autovalor = 3 tem dimens ao 1 e e gerado pelo autovetor v2 = (1, 1, 0, 0). Aqui, tamb em, a multiplicidade geom etrica e igual a 1, coincidindo com o valor da multiplicidade alg ebrica. Finalmente, resolvendo o sistema linear homog eneo (5I4 A)v = 0, f obtemos os autovetores associados ao autovalor = 5. E acil ver que este sistema e equivalente a 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 x y z t = 0 0 0 0

de onde obtemos solu co es da forma v = (x, 0, 0, 0), com x R. Assim, o auto-espa co associado ao autovalor = 5 tem dimens ao 1, sendo gerado pelo autovetor v3 = (1, 0, 0, 0). Portanto, embora o autovalor = 5 tenha multiplicidade alg ebrica 2, sua multiplicidade geom etrica e 1. A multiplicidade geom etrica de um autovalor e sempre menor ou igual ` a sua multiplicidade alg ebrica. Observe que os autovetores v1 , v2 e v3 , associados aos autovalores 0, 3 e 5, respectivamente, s ao linearmente independentes, como arma o Teorema 4 da aula 2. Vimos que para obtermos os autovalores de uma matriz A Mn (R) precisamos encontrar as ra zes do seu polin omio caracter stico. O problema de encontrar ra zes de um polin omio de grau n n ao e um problema f acil.
135

CEDERJ

C alculo de Autovalores e Autovetores

Existem muitos m etodos para se obter aproxima co es num ericas das ra zes reais de um polin omio, alguns deles mais ecientes do que outros. Enunciaremos dois resultados gerais a respeito de ra zes reais de polin omios. Teorema 1 Dado o polin omio p(x) = xn + an1 xn1 + an2 xn2 + . . . + a1 x + a0 , podemos armar que: 1. A soma das ra zes de p(x) e igual a an1 e o seu produto e igual a (1)n a0 . 2. Se a0 , a1 , . . . , an1 Z, ent ao toda raiz racional do polin omio p(x) e inteira. Mais ainda, se r e uma raiz inteira de p(x) ent ao r e divisor de a0 . Assim, para encontrarmos as poss veis ra zes racionais de um polin omio m onico p(x) com coecientes inteiros, e suciente procurar entre os divisores claro que p(x) pode muito bem ter apenas inteiros do termo constante a0 . E ra zes irracionais ou complexas. No entanto, como este e um primeiro curso sobre autovalores, todos os polin omios caracter sticos considerados ter ao apenas coecientes inteiros e suas ra zes reais, quando existirem, ser ao inteiras. Portanto, cada uma dessas ra zes ser a um divisor do termo constante de p(x).

Exemplo 2 Determine os autovalores de uma matriz A, de ordem 3, cujo polin omio 3 2 caracter stico e p(x) = x 6x + 11x 6. Solu ca o: Sabemos que os autovalores de A s ao as ra zes de p(x). Mas, pelo que vimos, os candidatos a ra zes inteiras, ou mesmo racionais, de p(x) s ao os divisores do termo constante, que e -6, ou seja, s ao 1, 2, 3 e 6. Agora, e preciso test a-las para saber quais de fato s ao ra zes. Como p(1) = 24 = 0, ent ao -1 n ao e raiz de p(x). Como p(1) = 0, temos que 1 e raiz de p(x) e, portanto, o polin omio (x 1) divide p(x). Efetuando a divis ao de p(x) por (x 1), obtemos p(x) = (x 1)(x2 5x + 6).
CEDERJ
136

C alculo de Autovalores e Autovetores

MODULO 1 - AULA 4

As outras duas ra zes de p(x) s ao as ra zes do polin omio quadr atico x 5x + 6, a saber, 2 e 3. Observe que s ao mais dois divisores de -6. Assim, 1, 2 e 3 s ao as ra zes de p(x) = x3 6x2 + 11x 6 e, portanto, s ao os autovalores da matriz A.
2

Exemplo 3 Determine os autovalores e uma base de autovetores para cada auto-espa co correspondente da matriz 2 1 1 A= 0 3 1 . 2 1 3

Verique, tamb em, para cada autovalor, se a multiplicidade alg ebrica e igual a ` geom etrica. Solu ca o: Primeiramente obtemos o polin omio caracter stico da matriz A: p(x) = det(xI3 A) = x2 1 1 0 x3 1 2 1 x 3 = x3 8x2 + 20x 16.

Os candidatos a ` raiz inteira, ou mesmo racional, desse polin omio s ao os divisores de -16: 1, 2, 4, 8 e 16. Agora, para saber se algum desses valores e raiz do polin omio caracter stico, e preciso test a-los. Como p(1) = 45, ent ao -1 n ao e raiz de p(x). Como p(1) = 3, ent ao 1 tamb em n ao e raiz. Agora, p(2) = 0, logo 2 e raiz do polin omio caracter stico. Dividindo p(x) por (x 2), obtemos p(x) = (x 2)(x2 6x + 8) = (x 2)(x 2)(x 4) = (x 2)2 (x 4) . Portanto, os autovalores da matriz A s ao 2, 2 e 4. O autovalor 4 tem multiplicidade alg ebrica 1, enquanto o autovalor 2 tem multiplicidade alg ebrica 2. Vamos, agora, calcular os autovetores associados em cada caso. Para o autovalor = 4, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (4I3 A)v = 0.
137 CEDERJ

C alculo de Autovalores e Autovetores

Escalonando a matriz desse 1 0 1 1 0 1 0 0 0

Assim, os autovetores associados ao autovalor = 4 s ao da forma v = (z, z, z ), com z R .

sistema, obtemos o sistema homog eneo x 0 y = 0 . z 0

Logo, o auto-espa co associado a = 4 tem dimens ao 1, sendo gerado pelo autovetor v1 = (1, 1, 1). Ou seja, a multiplicidade geom etrica tamb em e igual a 1. Analogamente, para o autovalor = 2, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (2 I3 A)v = 0. Escalonando a matriz desse 1 0 1 0 1 1 0 0 0 sistema, obtemos o sistema homog eneo 0 x y = 0 . 0 z

Assim, os autovetores associados ao autovalor = 2 s ao da forma v = (z, z, z ), com z R .

Logo, o auto-espa co associado a = 2 tem dimens ao 1, sendo gerado pelo autovetor v2 = (1, 1, 1). Portanto, a multiplicidade geom etrica desse autovalor e igual a 1, ou seja, menor que sua multiplicidade alg ebrica. No entanto, observe que os autovetores v1 e v2 s ao linearmente independentes.

Exemplo 4 Determine os autovalores e uma base de autovetores para cada auto-espa co correspondente da matriz 1 2 1 A = 2 3 1 . 2 2 2

Verique, tamb em, se as multiplicidades alg ebricas e geom etricas coincidem.

CEDERJ

138

C alculo de Autovalores e Autovetores

MODULO 1 - AULA 4

Solu ca o: Primeiramente obtemos o polin omio caracter stico da matriz A: x 1 2 1 2 x + 3 1 2 2 x + 2

p(x) = det(xI3 A) =

= x3 + 4x2 + 5x + 2.

Os candidatos a ` raiz inteira, ou mesmo racional, desse polin omio s ao os divisores de 2: 1 e 2. Como os coecientes de p(x) s ao todos positivos, podemos descartar os candidatos positivos 1 e 2. Agora, e f acil vericar que p(1) = 0, ou seja, -1 e raiz de p(x). Dividindo p(x) por (x + 1), obtemos p(x) = (x + 1)(x2 + 3x + 2) = (x + 1)(x + 1)(x + 2) = (x + 1)2 (x + 2) . Portanto, os autovalores da matriz A s ao -1, -1 e -2. O autovalor -2 tem multiplicidade alg ebrica 1 enquanto o autovalor -1 tem multiplicidade alg ebrica 2. Vamos, agora, calcular os autovetores associados em cada caso. Para o autovalor = 2, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (2I3 A)v = 0. Escalonando a matriz desse 1 0 1 1 0 1 0 0 0 sistema, obtemos o sistema homog eneo 0 x y = 0 . 0 z

Assim, os autovetores associados ao autovalor = 2 s ao da forma v = (z, z, z ) com z R . Logo, o auto-espa co associado a = 2 tem dimens ao 1, sendo gerado pelo autovetor v1 = (1, 1, 1). Ou seja, a multiplicidade geom etrica tamb em e igual a 1. Analogamente, para o autovalor = 1, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (1 I3 A)v = 0.
139 CEDERJ

C alculo de Autovalores e Autovetores

Escalonando a matriz desse sistema, obtemos o sistema homog eneo x 2 2 1 0 0 y = 0 . 0 0 z 0 0 0 0 Assim, os autovetores associados ao autovalor = 1 s ao da forma v = (x, y, 2x + 2y ) com x, y R. Logo, o auto-espa co associado a = 1 tem dimens ao 2, sendo gerado pelos autovetores v2 = (1, 0, 2) e v3 = (0, 1, 2). Portanto, a multiplicidade geom etrica desse autovalor e igual a 2, ou seja, igual a ` sua multiplicidade alg ebrica. Observe que os autovetores v1 , v2 e v3 s ao, mais uma vez, linearmente independentes. Tamb em e interessante observar que uma matriz n ao precisa ter nenhum autovalor (real) e, conseq uentemente, nenhum autovetor. Veja o pr oximo exemplo.

Exemplo 5 Verique que a matriz A = 0 1 1 0 n ao possui autovalores.

Solu ca o: O polin omio caracter stico dessa matriz e p(x) = det(xI2 A) = x 1 1 x = x 2 + 1.

Como o polin omio p(x) = x2 + 1 n ao possui ra zes reais (suas ra zes s ao i e -i), ent ao, pelo Teorema 1 da aula 3, segue que a matriz A n ao possui autovalores. N ao havendo autovalores, ent ao n ao h a tamb em autovetores. Por em, se considerarmos o conjunto dos escalares como sendo os n umeros complexos, ent ao esta matriz teria dois autovalores complexos, a saber, i e -i. No entanto, n ao trataremos de autovalores complexos neste curso introdut orio.
CEDERJ
140

C alculo de Autovalores e Autovetores

MODULO 1 - AULA 4

Exerc cios
1. Considere a matriz A = 1 1 0 1 .

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A. (b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 2. Considere a matriz A = 4 2 2 8 .

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A. (b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 5 6 6 3. Considere a matriz A = 1 4 2 . 3 6 4

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A.

(b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 1 0 0 4. Considere a matriz A = 3 1 0 . 4 7 1

(a) Determine os autovalores e bases para os auto-espa cos correspondentes da matriz A.

(b) Determine as multiplicidades alg ebrica e geom etrica de cada autovalor. 5. Seja A uma matriz de ordem n. Prove que A e sua transposta At t em o mesmo polin omio caracter stico.

141

CEDERJ

Diagonaliza c ao de Matrizes

MODULO 1 - AULA 5

Aula 33 Diagonaliza c ao de Matrizes


Objetivos:
Compreender a conceitua ca o de matrizes semelhantes. Compreender a conceitua ca o de matriz diagonaliz avel. Observar a rela ca o entre matriz diagonaliz avel, autovalores e autovetores. Existe uma rela ca o entre matrizes que e muito importante no estudo de operadores lineares e que, tamb em, se torna importante no estudo de autovalores. Trata-se da rela ca o de semelhan ca de matrizes.
Pr e-requisitos: Matriz mu dan ca de base (de Algebra linear I); teorema 4 da aula 2; teorema 1 da aula 4.

Deni c ao 1
Sejam A, B Mn (R). As matrizes A e B s ao semelhantes se existe uma terceira matriz invers vel P Mn (R) tal que B = P 1 AP ou A = P 1 BP . Exemplo 1 Considere as matrizes A = 1 1 2 1 , P = e B = P 1 AP . 2 4 1 1 Determine o polin omio caracter stico, os autovalores e os autovetores das matrizes A e B .

Solu ca o: Inicialmente, observe que A e B s ao matrizes semelhantes. Para a matriz A, temos pA (x) = det(xI2 A) = x 1 1 2 x4 = (x 1)(x 4) + 2

= x2 5x + 6 = (x 2)(x 3) . Portanto, a matriz A possui dois autovalores distintos: 2 e 3. Para o autovalor = 2, temos que os autovetores associados v = (x, y ) satisfazem o sistema linear (2I2 A)v = 0.
143 CEDERJ

Diagonaliza c ao de Matrizes

Escalonando a matriz desse sistema, obtemos o sistema homog eneo 1 1 0 0 x y = 0 0 .

Assim, os autovetores associados ao autovalor = 2 s ao da forma v = (x, x) com x R . Logo, o auto-espa co associado a = 2 tem dimens ao 1, sendo gerado pelo autovetor v1 = (1, 1). Para o autovalor = 3, temos que os autovetores associados v = (x, y ) satisfazem o sistema linear (3I2 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 2 1 0 0 x y = 0 0 .

Assim, os autovetores associados ao autovalor = 3 s ao da forma v = (x, 2x) com x R . Logo, o auto-espa co associado a = 3 tem dimens ao 1, sendo gerado pelo autovetor v2 = (1, 2). Quanto a ` matriz B , temos B = = = 1 1 1 2 1 1 2 4 2 1 1 1

3 3 5 7 3 0 3 2

2 1 1 1

Sendo B uma matriz triangular superior, seus autovalores s ao os elementos da diagonal principal, a saber, 2 e 3. Seu polin omio caracter stico e dado por x3 0 pB (x) = det(xI2 B ) = 3 x2 = (x 3)(x 2) = x2 5x + 6 .
CEDERJ
144

Diagonaliza c ao de Matrizes

MODULO 1 - AULA 5

Para o autovalor = 2, temos que os autovetores associados v = (x, y ) satisfazem o sistema linear (2I2 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 1 0 0 0 x y 0 0

Assim, os autovetores associados ao autovalor = 2 s ao da forma v = (x, 0) com x R . Logo, o auto-espa co associado a = 2 tem dimens ao 1, sendo gerado pelo autovetor v1 = (1, 0). Para o autovalor = 3, temos que os autovetores associados v = (x, y ) satisfazem o sistema linear (3I2 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 3 1 0 0 x y 0 0

Assim, os autovetores associados ao autovalor = 3 s ao da forma v = (x, 3x) com x R . Logo, o auto-espa co associado a = 3 tem dimens ao 1, sendo gerado pelo autovetor v2 = (1, 3).

Observe que as duas matrizes, A e B , t em os mesmos autovalores e o mesmo polin omio caracter stico. Isto e uma propriedade geral de matrizes semelhantes. No entanto, os auto-espa cos n ao precisam coincidir, como este exemplo mostra.
145

CEDERJ

Diagonaliza c ao de Matrizes

Teorema 1 Sejam A e B matrizes semelhantes. Ent ao A e B t em o mesmo polin omio caracter stico e, conseq uentemente, os mesmos autovalores. Demonstra ca o: Sendo A e B matrizes semelhantes, existe uma matriz invers vel P tal 1 que B = P AP . Assim, pB (x) = = = = = = det(xI B ) det(xP 1 IP P 1 AP ) det(P 1 (xI A)P ) det(P 1 ) det(xI A) det(P ) det(xI A) pA (x) .

Sendo os polin omios caracter sticos iguais e como os autovalores s ao as ra zes desse polin omio, segue que A e B t em os mesmos autovalores. Vejamos, agora, o conceito de diagonaliza ca o de matrizes.

Deni c ao 2
Uma matriz A Mn (R) e dita diagonaliz avel se for semelhante a uma matriz diagonal. Nesse caso, tamb em dizemos que a matriz A pode ser diagonalizada.

Exemplo 2 Mostre que a matriz A = 1 1 2 4 do Exemplo 1 e diagonaliz avel.

Solu ca o: 1 1 tem como autovetores v1 = (1, 1), 2 4 associado ao autovalor = 2, e v2 = (1, 2), associado ao autovalor = 3. Como os vetores v1 e v2 s ao linearmente independentes, veja o Teorema 4 da aula 2, eles formam uma base de autovetores do R2 . Considere a base can onica, e1 = (1, 0) e e2 = (0, 1), e observe que Vimos que a matriz A = v1 = (1, 1) = 1 e1 + 1 e2 v2 = (1, 2) = 1 e1 + 2 e2 ,
CEDERJ
146

Diagonaliza c ao de Matrizes

MODULO 1 - AULA 5

ou seja, a matriz P = 1 1 1 2 ,

cujas colunas s ao formadas pelas componentes de v1 e v2 , e a matriz mudan ca de base da base de autovetores {v1 , v2 } para a base can onica {e1 , e2 }. Agora, temos que a matriz D = P 1 AP = = = 4 2 3 3 2 0 0 3 2 1 1 1 1 1 1 2 1 1 2 4 1 1 1 2

hora de rever a matriz muE dan ca de base, do curso de Algebra Linear I.

e uma matriz diagonal semelhante a ` matriz A, isto e, a matriz A e diagonaliz avel. Veja que a matriz diagonal D obtida tem os autovalores da matriz A em sua diagonal principal. Observe que tamb em podemos expressar a matriz A em fun ca o da ma1 1 triz diagonal D. Multiplicando a equa ca o D = P AP por P do lado direito, obtemos DP 1 = P 1 A(P P 1 ) = P 1 AI = P 1 A, e multiplicando DP 1 = P 1 A por P a ` esquerda, obtemos (P P 1 )A = P DP 1 IA = P DP 1 A = P DP 1 . Uma das vantagens de termos uma matriz A semelhante a uma matriz diagonal D e que as pot encias de A se tornam mais f aceis de serem calculadas. 1 De fato, da equa ca o A = P DP obtida anteriormente, temos A2 = = = = A3 = = = = (P DP 1 )2 (P DP 1 )(P DP 1 ) P D(P 1 P )DP 1 P D2 P 1 , A2 A (P D2 P 1 )(P DP 1 ) P D2 (P 1 P )DP 1 P D3 P 1 .
147 CEDERJ

Diagonaliza c ao de Matrizes

De um modo geral, temos Ak = P Dk P 1 para qualquer inteiro positivo k . E sendo a matriz diagonal D dada por 1 0 . . . 0 0 2 . . . 0 , D= .. . 0 0 . . . n ... ... .. . temos que k 0 1 0 k 2 k D = 0 0 0 0 . k . . . n

O teorema a seguir fornece condi co es sucientes para que uma matriz A seja diagonaliz avel. Teorema 2 Se uma matriz A Mn (R) tem n autovalores distintos, ent ao ela e diagonaliz avel. No Teorema 2, a matriz diagonal D, semelhante a A, e formada pelos autovalores de A em sua diagonal principal, 1 0 . . . 0 0 2 . . . 0 , D= .. . 0 0 . . . n

sendo cada autovalor k associado ao k - esimo vetor vk da base de autovetores {v1 , . . . , vn }. A matriz P , em D = P 1 AP ou A = P AP 1 , e a matriz que realiza a mudan ca de base da base de autovetores {v1 , . . . , vn } para a n base can onica do R , e cujas colunas s ao formadas pelas componentes dos autovetores, ou seja, a k - esima coluna de P e formada pelas componentes do k - esimo autovetor vk dessa base. Denotamos essa rela ca o entre a matriz P e os vetores v1 , . . . , vn por P = [ v1 v2 . . . vn ]. muito importante observar que a ordem dos vetores da base de autoE vetores {v1 , . . . , vn } determina a ordem das colunas da matriz P e a ordem dos elementos da diagonal da matriz D.
CEDERJ
148

Diagonaliza c ao de Matrizes

MODULO 1 - AULA 5

Exemplo 3 Mostre que a matriz 2 1 0 A= 9 4 6 8 0 3

e diagonaliz avel. Determine uma matriz diagonal D e uma matriz P tais que 1 D = P AP .

Solu ca o: Vamos vericar se a matriz A tem tr es autovalores distintos, o que garante, pelo Teorema 2, que A e diagonaliz avel. Seu polin omio caracter stico e dado por x2 1 0 9 x 4 6 8 0 x+3

p(x) = det(xI3 A) =

= x3 3x2 x 3.

Pelo Teorema 1 da aula 4, os candidatos a ra zes racionais de p(x) s ao os divisores de -3: 1 e 3. Vericamos rapidamente que p(1) = p(1) = p(3) = 0, isto e, p(x) = (x + 1)(x 1)(x 3), ou seja, os autovalores da matriz A s ao 1, 1 e 3. Portanto, pelo teorema anterior, a matriz A e diagonaliz avel e semelhante a ` matriz diagonal 1 0 0 D = 0 1 0 . 0 0 3 Para obter uma matriz P tal que D = P 1 AP , precisamos encontrar uma base de autovetores. Para o autovalor 1 = 1, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (1 I3 A)v = 0. Escalonando a matriz desse 3 1 0 0 1 4 0 0 0 sistema, obtemos o sistema homog eneo x 0 y = 0 , z 0
149 CEDERJ

Diagonaliza c ao de Matrizes

cujas solu co es s ao da forma v = (x, 3x, 4x), com x R. Logo, um autovetor associado ao autovalor 1 = 1 e v1 = (1, 3, 4).

Para o autovalor 2 = 1, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (1 I3 A)v = 0. Escalonando a matriz desse 1 1 0 0 1 2 0 0 0 sistema, obtemos o sistema homog eneo 0 x y = 0 , 0 z

cujas solu co es s ao da forma

v = (x, x, 2x), com x R. Portanto, um autovetor associado ao autovalor 2 = 1 e v2 = (1, 1, 2). Finalmente, para o autovalor 3 = 3, os autovetores associados v3 = (x, y, z ) satisfazem o sistema linear (3 I3 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 0 x 1 1 0 4 0 3 y = 0 , 0 z 0 0 0 v = (x, x, 4x/3), com x R. Logo, um autovetor associado ao autovalor 3 = 3 e v3 = (3, 3, 4).

cujas solu co es s ao da forma

Como foi observado antes deste exemplo, a matriz P e obtida posicionando em suas colunas os autovetores v1 = (1, 3, 4), v2 = (1, 1, 2) e v3 = (3, 3, 4): 1 1 3 P = 3 1 3 . 4 2 4
CEDERJ
150

Diagonaliza c ao de Matrizes

MODULO 1 - AULA 5

Exerc cios
1. Considere a matriz A = 1 0 6 1 .

(a) Mostre que a matriz A e diagonaliz avel e determine a matriz diagonal D correspondente. (b) Determine uma matriz P tal que D = P 1 AP . 2. Considere a matriz A = 5 4 1 2 .

(a) Mostre que a matriz A e diagonaliz avel e determine a matriz diagonal D correspondente. (b) Determine uma matriz P tal que D = P 1 AP . 2 1 1 3. Considere a matriz A = 2 2 4 . 1 1 2

(a) Mostre que a matriz A e diagonaliz avel e determine a matriz diagonal D correspondente.

(b) Determine uma matriz P tal que D = P 1 AP . 4. Mostre que se A e B s ao matrizes semelhantes, ent ao det(A) = det(B ).

151

CEDERJ

C alculo de Matrizes Diagonaliz aveis

MODULO 1 - AULA 6

Aula 34 C alculo de Matrizes Diagonaliz aveis


Objetivos:
Apresentar um crit erio geral de diagonaliza ca o de matrizes. Observar a exist encia de matrizes diagonaliz aveis com autovalores repetidos. Observar a exist encia de matrizes n ao diagonaliz aveis com autovalores reais. Nos exemplos da aula 5, tratamos de matrizes diagonaliz aveis A Mn (R) que apresentavam n autovalores distintos. Nesta aula, vamos considerar matrizes A Mn (R) com autovalores repetidos. No caso de a matriz A apresentar n autovetores linearmente independentes, ent ao a matriz continuar a sendo diagonaliz avel. Caso contr ario, a matriz A n ao ser a diagona o que arma o pr liz avel. E oximo teorema. Teorema 1 Uma matriz A Mn (R) e diagonaliz avel se e somente se a matriz A tem n autovetores linearmente independentes. Neste teorema, a matriz diagonal D, semelhante a A, e formada pelos autovalores de A em sua diagonal principal, 1 0 . . . 0 0 2 . . . 0 , D= .. . 0 0 . . . n

sendo cada autovalor k associado ao k - esimo vetor vk da base de autovetores 1 {v1 , . . . , vn }. A matriz P , em D = P AP ou A = P DP 1 , e a matriz que realiza a mudan ca de base, da base de autovetores {v1 , . . . , vn } para a base n can onica do R , e cujas colunas s ao formadas pelos autovetores {v1 , . . . , vn }, ou seja, a k - esima coluna de P e formada pelas componentes do k - esimo autovetor vk dessa base. Denotamos essa rela ca o entre a matriz P e os vetores v1 , . . . , vn por P = [ v1 v2 . . . v n ] muito importante observar que a ordem dos vetores da base de autoE vetores {v1 , . . . , vn } determina a ordem das colunas da matriz P e a ordem dos elementos da diagonal da matriz D.
153 CEDERJ

C alculo de Matrizes Diagonaliz aveis

Observe, no Teorema 1, que a exist encia dos n autovetores linearmente independentes e equivalente a ` exist encia de uma base de autovetores para o Rn . Observe, tamb em, que o Teorema 1 arma que, caso a matriz A n ao admita uma base de autovetores, ou seja, n ao possua n autovetores linearmente independentes, ent ao a matriz A n ao ser a diagonaliz avel.

Exemplo 1 Verique que a matriz 0 1 0 A= 0 1 0 1 1 1

e diagonaliz avel. Determine uma matriz diagonal D e uma matriz P tais que D = P 1 AP . Solu ca o: Primeiramente, devemos calcular o polin omio caracter stico de A. Esse polin omio caracter stico e dado por x 1 0 0 x1 0 1 1 x 1

p(x) = det(xI3 A) = = (x 1) x 1 0 x1

= x(x 1)2 , ou seja, o polin omio caracter stico da matriz A e p(x) = x(x 1)2 , e, portanto, seus autovalores s ao 0 e 1, o primeiro com multiplicidade alg ebrica 1 e o segundo com multiplicidade alg ebrica 2. Contando as multiplicidades, seus tr es autovalores s ao 1 = 0 e 2 = 3 = 1. Para concluir que a matriz A e diagonaliz avel, precisamos vericar se existem tr es autovetores linearmente independentes, ou seja, se existe uma base de autovetores para R3 . Para o autovalor 1 = 0, n ao e dif cil ver que o sistema linear (0 I3 A)v = 0,
CEDERJ
154

(1)

C alculo de Matrizes Diagonaliz aveis

MODULO 1 - AULA 6

com v = (x, y, z ) e equivalente ao sistema linear y=0 x z = 0. Assim, todas as solu co es do sistema (1) s ao da forma (x, 0, x) = x (1, 0, 1), com x R. Portanto, v1 = (1, 0, 1) e um autovetor associado ao autovalor1 = 0. Em particular, a multiplicidade geom etrica desse autovalor e igual a 1, ou seja, igual a ` sua multiplicidade alg ebrica. Analogamente, para o autovalor 2 = 3 = 1, o sistema linear (1 I3 A)v = 0 e equivalente ao sistema {x y = 0 Assim, todas as solu co es do sistema (2) s ao da forma (x, x, z ) = x (1, 1, 0) + z (0, 0, 1), para todo x, z R. Portanto, v2 = (1, 1, 0) e v3 = (0, 0, 1) s ao dois autovetores linearmente independentes associados ao autovalor 2 = 3 = 1. Aqui, tamb em, a multiplicidade geom etrica do autovalor 1 e igual a ` sua multiplicidade alg ebrica, ou seja, igual a 2. Pelo Teorema 4 da aula 2, autovetores associados a autovalores distintos s ao linearmente independentes. Da , conclu mos que o conjunto de autovetores {v1 , v2 , v3 } tem que ser linearmente independente, garantindo que a matriz A e, de fato, diagonaliz avel. Observe que {v1 , v2 , v3 } e uma base do R3 formada por autovetores da matriz A. A matriz diagonal D, semelhante a 0 0 D= 0 1 0 0 A, e dada por 0 0 , 1 e dada por 0 0 . 1 (2)

enquanto a matriz P tal que D = P 1 AP 1 1 P = 0 1 1 0

155

CEDERJ

C alculo de Matrizes Diagonaliz aveis

Observe que os elementos da diagonal principal de D s ao os autovalores da matriz A e que as colunas de P s ao os autovetores associados v1 , v2 e v3 . Observe, tamb em, que a ordem em que autovalores e autovetores aparecem est a correta: a primeira coluna de P e o autovetor correspondente ao autovalor 1 = 0, enquanto as duas u ltimas colunas de P s ao os autovetores correspondentes ao autovalor2 = 3 = 1. Vejamos, agora, um exemplo de matriz n ao diagonaliz avel.

Exemplo 2 Verique que a matriz 0 0 1 A= 0 1 1 0 0 1

n ao e diagonaliz avel.

Solu ca o: Como a matriz A e matriz triangular superior, seus autovalores s ao os elementos da diagonal principal, ou seja, 0, 1 e 1. Para o autovalor 1 = 0, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (0 I3 A)v = 0. Escalonando a matriz desse sistema, obtemos o sistema homog eneo 0 x 0 1 0 0 0 1 y = 0 , 0 z 0 0 0 v = (x, 0, 0), com x R . Logo, um autovetor associado ao autovalor 1 = 0 e v1 = (1, 0, 0). Observe que a multiplicidade geom etrica do autovalor 1 = 0 e igual a ` sua multiplicidade alg ebrica, que e igual a 1. No caso do autovalor 2 = 1, temos que os autovetores associados v = (x, y, z ) satisfazem o sistema linear (1 I3 A)v = 0.
CEDERJ
156

portanto, os autovetores associados ao autovalor 1 = 0 s ao da forma

C alculo de Matrizes Diagonaliz aveis

MODULO 1 - AULA 6

Escalonando a matriz desse sistema, obtemos o sistema homog eneo 0 1 0 0 x 0 0 1 y = 0 , 0 0 0 0 z portanto, os autovetores associados ao autovalor 2 = 1 s ao da forma v = (0, y, 0), com y R . Em particular, v2 = (0, 1, 0) e um autovetor associado ao autovalor 2 = 1. Observe, tamb em, que a multiplicidade geom etrica do autovalor 2 = 1 e igual a 1, enquanto sua multiplicidade alg ebrica e igual a 2. Como a multiplicidade geom etrica do autovalor 2 = 1 e igual a 1, n ao existem dois autovetores linearmente independentes associados a esse autovalor. Podemos obter, no m aximo, dois autovetores da matriz A que s ao linearmente independentes: um associado ao autovalor 1 = 0 e outro associado ao autovalor 2 = 1, por exemplo, os autovetores v1 = (1, 0, 0) e v2 = (0, 1, 0), respectivamente. Logo, n ao e poss vel formar uma base de autovetores para R3 . Portanto, pelo Teorema 1, a matriz A n ao e diagonaliz avel. Vejamos mais um exemplo do caso de matriz diagonaliz avel.

Exemplo 3 Verique que a matriz

A=

4 1 2 3 1 1 1 1

0 0 0 0 2 3 0 5

e diagonaliz avel. Determine uma matriz diagonal D e uma matriz P tais que 1 D = P AP .

157

CEDERJ

C alculo de Matrizes Diagonaliz aveis

Solu ca o: Primeiramente, devemos calcular o polin omio caracter stico de A. Este polin omio caracter stico e dado por x 4 1 0 0 2 x 3 0 0 . 1 1 x 2 3 1 1 0 x5

p(x) = det(xI4 A) =

Resolvendo o determinante acima, temos x 4 1 0 2 x 3 0 1 1 x5 x 4 1 2 x 3

p(x) = (x 2)

= (x 2)(x 5)

= (x 2)(x 5)[(x 4)(x 3) 2] = (x 2)(x 5)(x2 7x + 10) = (x 2)(x 5)(x 2)(x 5) . Assim, o polin omio caracter stico da matriz A e p(x) = (x 2)2 (x 5)2 , e, portanto, seus autovalores s ao 2 e 5, ambos com multiplicidade alg ebrica 2. Contando as multiplicidades, seus quatro autovalores s ao 1 = 2 = 2 e 3 = 4 = 5. Para concluir que a matriz A e diagonaliz avel, precisamos vericar se existem quatro autovetores linearmente independentes, ou seja, se existe uma base de autovetores para R4 . Para o autovalor 1 = 2 = 2, temos que os autovetores associados v = (x, y, z, t) satisfazem o sistema linear (2I4 A)v = 0, que e equivalente ao sistema x+t=0 y 2t = 0 . (3)

CEDERJ

158

C alculo de Matrizes Diagonaliz aveis

MODULO 1 - AULA 6

Assim, todas as solu co es do sistema (3) s ao da forma (t, 2t, z, t) = t (1, 2, 0, 1) + z (0, 0, 1, 0), para todot, z R. Portanto, v1 = (1, 2, 0, 1) e v2 = (0, 0, 1, 0) s ao dois autovetores linearmente independentes associados ao autovalor 1 = 2 = 2. Em particular, a multiplicidade geom etrica desse autovalor e igual a 2, ou seja, igual a ` sua multiplicidade alg ebrica. Analogamente, para o autovalor 3 = 4 = 5, os autovetores associados v = (x, y, z, t) satisfazem o sistema linear (5I4 A)v = 0, que e equivalente ao sistema xy =0 z + t = 0. Assim, todas as solu co es do sistema (4) s ao da forma (x, x, z, z ) = x (1, 1, 0, 0) + z (0, 0, 1, 1), para todo x, z R. Portanto, v3 = (1, 1, 0, 0) e v4 = (0, 0, 1, 1) s ao dois autovetores linearmente independentes associados ao autovalor 3 = 4 = 5. Aqui, tamb em, a multiplicidade geom etrica do autovalor 5 e igual a 2, novamente coincidindo com o valor de sua multiplicidade alg ebrica. Pelo Teorema 4 da aula 2, autovetores associados a autovalores distintos s ao linearmente independentes. Da , conclu mos que o conjunto de autovetores {v1 , v2 , v3 , v4 } tem que ser linearmente independente, garantindo que a matriz A e, de fato, diagonaliz avel. Observe que {v1 , v2 , v3 , v4 } e uma 4 base de R formada por autovetores da matriz A. A matriz diagonal D, semelhante a A, e dada por 2 0 0 0 0 2 0 0 D= , 0 0 5 0 0 0 0 5 (4)

enquanto a matriz P tal que D = P 1 AP e dada por 1 0 1 0 2 0 1 0 P = . 0 1 0 1 1 0 0 1

159

CEDERJ

Matrizes ortogonais

MODULO 2 - AULA 9

Aula 35 Matrizes ortogonais


Objetivos:
Fazer uma revis ao de conceitos importantes de ortogonalidade. Compreender o conceito de matriz ortogonal. Praticar c alculos com matrizes ortogonais. Neste m odulo, estaremos considerando o espa co vetorial R munido do produto interno usual, tamb em chamado de produto escalar. Ou seja, dados os vetores u = (u1 , . . . , un ) e v = (v1 , . . . , vn ), o produto escalar de u e v e dado por
n Pr e-requisitos: Produto interno entre dois vetores.

u v = u 1 v1 + . . . + u n vn , que tamb em denotamos por u, v . Na linguagem de matrizes, consideramos u e v como matrizes colunas n 1, que denotamos por u= u1 u2 . . . un e v= v1 v2 . . . vn .

Denotando por ut a matriz transposta de u, o produto interno de u e v pode ser expresso na forma: u, v = u v = (u1 , u2 , . . . , un )
t

v1 v2 . . . vn

= u 1 v1 + . . . + u n vn .

Vamos relembrar algumas deni co es.


161

CEDERJ

Matrizes ortogonais

Deni c ao 1
1. A norma de um vetor v = (v1 , . . . , vn ) Rn e dada por ||v || =
v, v =
2 2 2, v1 + v2 + . . . + vn

e o vetor v e unit ario se ||v || = 1. 2. Dado um vetor n ao-nulo v , o vetor unit ario na dire ca o de v e o vetor dado por v v = , ||v ||
e dizemos que o vetor v foi normalizado. 3. O a ngulo entre os vetores n ao-nulos u e v e dado por cos = u, v . ||u|| ||v ||

4. Dois vetores n ao-nulos u e v s ao ortogonais se o a ngulo entre eles e de 900 . Pela f ormula anterior, isso equivale a dizer que u, v = 0. Veremos que muitas matrizes possuem propriedades geom etricas especiais que s ao caracterizadas pela forma como sua a ca o em vetores se comporta com respeito ao produto interno. Por exemplo, quando a a ca o da matriz preserva a norma dos vetores ou quando a a ca o preserva o a ngulo entre dois vetores. Na discuss ao que se segue, um papel central e desempenhado pelos conjuntos de vetores ortogonais de Rn .

Deni c ao 2
1. Um conjunto {v1 , v2 , . . . , vp } de vetores n ao-nulos de Rn e dito conjunto ortogonal se cada par de vetores distintos e ortogonal, isto e, se vi , vj = 0 para todo i = j . Chamamos de base ortogonal a toda base que tamb em e conjunto ortogonal. 2. Um conjunto {v1 , v2 , . . . , vp } de vetores n ao-nulos de Rn e dito conjunto ortonormal se e conjunto ortogonal e se todos os seus vetores s ao unit arios, isto e, se vi , vj = 0 para todo i = j e se ||vi || = 1 para todo i. Chamamos de base ortonormal a toda base que tamb em e conjunto ortonormal.
CEDERJ
162

Matrizes ortogonais

MODULO 2 - AULA 9

O conjunto mais simples de base ortonormal de Rn e a base can onica n {e1 , e2 , . . . , en } de R . Os seguintes resultados foram vistos no curso de Algebra Linear I:

163

CEDERJ

Matrizes ortogonais

Teorema 1 1. Todo conjunto ortogonal de vetores e linearmente independente. 2. Todo conjunto de n vetores ortogonais de Rn forma uma base (ortogonal) de Rn . Exemplo 1 Mostre que {v1 , v2 , v3 } e uma base ortonormal de R3 , onde
3/ 11 1/ 6 1/ 66 v1 = 1/ 11 , v2 = 2/ 6 e v3 = 4/ 66 . 1/ 11 1/ 6 7/ 66
Solu ca o: Calculando os produtos internos: 3 2 1 v1 , v2 = + + = 0; 66 66 66
3 4 7 v1 , v3 = + = 0; 726 726 726
v2 , v3 = 1 8 7 + = 0, 396 396 396

temos que {v1 , v2 , v3 } e conjunto ortogonal formado por 3 vetores em R3 . Pelo Teorema 1, antes apresentado, {v1 , v2 , v3 } e base ortogonal de R3 . Al em disso, 9 1 1 v1 , v1 = + + = 1; 11 11 11
v2 , v2 =
v3 , v3 =

1 4 1 + + = 1; 6 6 6

1 16 49 + + = 1, 66 66 66 o que mostra que v1 , v2 e v3 s ao vetores unit arios. Logo, {v1 , v2 , v3 } e conjunto ortonormal e, portanto, base ortonormal de R3 .
Vale a pena destacar que, quando os vetores de um conjunto ortogonal s ao normalizados, o conjunto permanece ortogonal, sendo, agora, tamb em, conjunto ortonormal. Portanto, quando uma base ortogonal e normalizada, obtemos uma base ortonormal que preserva as mesmas dire co es dos vetores da base ortogonal original.
CEDERJ
164

Matrizes ortogonais

MODULO 2 - AULA 9

Exemplo 2 Obtenha uma base ortonormal de R2 na qual um dos vetores tenha a dire ca o do vetor v = (3, 4). Solu ca o: Precisamos encontrar um vetor w = (x, y ) que seja ortogonal a v = (3, 4). Assim, temos que (3, 4), (x, y ) = 0 3x + 4y = 0, isto e, 3x = 4y, 3 y = x. 4 Assim, todo vetor da forma w = (t, 3t/4), com t R , e ortogonal a v = (3, 4). Em particular, os vetores w = (4, 3) (t = 4) e w = (4, 3) (t = 4), como mostra a Figura 9.1.
(3, 4) (4, 3)

ou,

(4, 3)

Figura 9.1: Vetores ortogonais. Como {(3, 4), (4, 3)} e um conjunto ortogonal formado por 2 vetores de R , ent ao, pelo Teorema 1, e uma base ortogonal de R2 . Normalizando esta base, obtemos v 1 v1 = =5 (3, 4) = (3/5, 4/5) ||v || w 1 v2 = =5 (4, 3) = (4/5, 3/5). ||w||
2

Assim, o conjunto {v1 , v2 } e uma base ortonormal de R2 em que o vetor v1 = (3/5, 4/5) preserva a dire ca o de v = (3, 4).
165 CEDERJ

Matrizes ortogonais

De um modo geral, dado um vetor n ao-nulo v = (a, b) R2 , o vetor w = (b, a) e um vetor ortogonal a v , representado por uma rota ca o em v de 900 no sentido anti-hor ario, como e ilustrado na Figura 9.1 pelos vetores v = (3, 4) e w = (4, 3). O pr oximo exemplo descreve a constru ca o de uma base ortonormal para R.
3

Exemplo 3 Obtenha uma base ortonormal de R3 na qual um dos vetores tenha a dire ca o do vetor v = (1, 2, 1). Solu ca o: Um vetor u = (x, y, z ) e ortogonal a v = (1, 2, 1) se e somente se (1, 2, 1), (x, y, z ) = 0, ou seja, x + 2y + z = 0, o que nos d a z = x 2y. Assim, todo vetor da forma u = (x, y, x 2y ) = (1, 0, 1) x + (0, 1, 2) y, x, y R (x ou y = 0), e ortogonal a v . Em particular, escolhendo x = 1, y = 0, obtemos o vetor u = (1, 0, 1) ortogonal a v = (1, 2, 1).

Queremos, agora, um vetor w = (a, b, c) que seja ortogonal a v = (1, 2, 1) e a u = (1, 0, 1). Assim, queremos que sejam satisfeitas as condi co es (1, 2, 1), (a, b, c) = 0 (1, 0, 1), (a, b, c) = 0 , o que nos d a o sistema linear a + 2b + c = 0 a+c=0. Resolvendo o sistema, obtemos c = a e b = a,
CEDERJ
166

Matrizes ortogonais

MODULO 2 - AULA 9

o que nos d a vetores da forma w = (a, a, a) = (1, 1, 1) a, a R .

Escolhendo a = 1, obtemos o vetor w = (1, 1, 1) ortogonal a v = (1, 2, 1) e a u = (1, 0, 1). Como {v, u, w} e um conjunto de 3 veto3 res ortogonais de R , ent ao esse conjunto forma uma base ortogonal de R3 . Normalizando esses vetores, temos: v = (1/6, 2/6, 1/6); ||v || u v2 = = (1/ 2, 0, 1/ 2); ||u|| w v3 = = (1/ 3, 1/ 3, 1/ 3), ||w|| v1 =
e, assim, {v1 , v2 , v3 } e uma base ortogonal de R3 . Depois de revermos esses fatos importantes sobre conjuntos ortogonais, vamos introduzir um tipo especial de matriz cujas colunas formam um conjunto ortonormal de vetores. Este tipo de matriz e muito importante em v arias aplica co es e em algoritmos computacionais.

Deni c ao 3
Uma matriz A Mn (R) e chamada ortogonal se At A = In , onde At e a matriz transposta de A e In e a matriz identidade de ordem n. Vamos ver, inicialmente, uma propriedade que facilitar a nossos c alculos posteriormente. Teorema 2 Uma matriz A Mn (R) e ortogonal se e somente se suas colunas formam um conjunto de n vetores ortonormais, e, portanto, formam uma base ortonormal de Rn .

Demonstra ca o: Sejam v1 , v2 , . . . , vn as colunas da matriz A, isto e, A = [ v1 v2 vn ].


167 CEDERJ

Matrizes ortogonais

At A =

Ent ao,

t v1 t v2 . . . t vn

As colunas da matriz A formam um conjunto de n vetores ortogonais se e somente se vi , vj = 0 para todo i = j . E essas colunas s ao vetores unit arios se e somente se vi , vi = 1 para todo i. Assim, as colunas da matriz A formam uma base de vetores ortonormais se e somente se a matriz em (1) e a matiz identidade, isto e, se e somente se At A = In , ou seja, se e somente se a matriz A e ortogonal. Exemplo 4 Verique se a matriz A = Solu ca o: Vimos, no Exemplo 2, que os vetores formados pelas colunas da matriz A, 3/5 4/5 v1 = e v2 = , 4/5 3/5 s ao ortonormais. Logo, pelo Teorema 2, a matriz A e matriz ortogonal. 1/ 6 1/ 2 1/ 3 Verique se a matriz A = 2/ 6 e uma matriz orto0 1/ 3 1/ 6 1/ 2 1/ 3 gonal. Exemplo 5
Solu ca o: Vimos, no Exemplo 3, que os vetores formados pelas colunas da matriz A,
1/ 6 1/ 2 1/ 3 v1 = 2/ 6 , v2 = 0 e v3 = 1/ 3 , 1/ 6 1/ 2 1/ 3

v1 , v1 v2 , v1 = . . . vn , v1

[ v1

t t v1 v 1 v1 v2 t t v2 v 1 v2 v 2 v2 v n ] = . . . . . . t t v 1 vn v2 vn v 1 , v2 v 1 , vn v 2 , v2 v 2 , vn . . . .. . . . . . v n , v2 v n , vn

t v1 vn t v 2 vn . .. . . . t vn vn

(1)

3/5 4/5 4/5 3/5

e uma matriz ortogonal.

CEDERJ

168

s ao ortonormais. Logo, pelo Teorema 2, a matriz A e matriz ortogonal.

Matrizes ortogonais

MODULO 2 - AULA 9

Auto-avalia c ao
Estude bem os conceitos apresentados nesta aula, pois ser ao exaustivamente explorados nas pr oximas aulas. N ao deixe de trabalhar os exerc cios que seguem. Se voc e tiver qualquer d uvida, consulte seu tutor.

Exerc cios
1. Seja v = (a, b) R2 um vetor unit ario, isto e, que satisfaz a2 + b2 = 1. Obtenha todas as matrizes ortogonais A, de ordem 2, cuja primeira coluna e o vetor v = (a, b). 2. Determine o valor de k R tal que os vetores u = (1, 2, k, 3) e u = (3, k, 7, 5) sejam ortogonais. 3. Dado u = (0, 1, 2, 5) R4 , determine uma base ortogonal de R4 que contenha o vetor u. 4. Seja S o subconjunto de R3 formado pelos vetores u1 = (1, 1, 1), u2 = (1, 2, 3) e u3 = (5, 4, 1). Mostre que S e uma base ortogonal de R3 e transforme essa base numa base ortonormal. 5. Determine uma matriz ortogonal cuja primeira coluna e o vetor u1 = (1/3, 2/3, 2/3).

169

CEDERJ

Propriedades das Matrizes Ortogonais

MODULO 2 - AULA 10

Aula 36 Propriedades das Matrizes Ortogonais


Objetivos:
Compreender algumas propriedades geom etricas das matrizes ortogonais. Conhecer exemplos importantes de matrizes ortogonais. Praticar a leitura de demonstra co es matem aticas de propriedades im portantes em Algebra Linear. Nesta aula, veremos algumas propriedades geom etricas das matrizes ortogonais. Lembre que as matrizes ortogonais foram abordadas na aula passada. Teorema 1 Seja A Mn (R) uma matriz ortogonal. Ent ao 1. det(A) = 1 2. A e matriz invert vel e A1 = At . 3. Se R e autovalor da matriz A, ent ao = 1 ou = 1. 4. Se B Mn (R) e matriz ortogonal, ent ao o produto AB tamb em e matriz ortogonal.
Pr e-requisitos: Autovalores e autovetores de matrizes, Aula 9.

Demonstra ca o: 1. Lembrando que A ortogonal signica At A = In e que det(At ) = det(A), temos (det(A))2 = det(A) det(A) = det(At ) det(A) = det(At A) = det(In ) = 1 , donde se conclui que det(A) = 1. 2. Como det(A) = 0, a matriz A e invert vel. E, de At A = In , segue que A1 = At .
171

CEDERJ

Propriedades das Matrizes Ortogonais

3. Se R e autovalor da matriz A, ent ao existe um vetor n ao-nulo n v R tal que Av = v . Assim, temos que 2 v, v = v, v = Av, Av = (Av )t (Av ) = (v t At ) (Av ) = v t (At A)v = v t (In v ) = v t v = v, v ,

e, como v, v = 0, segue que 2 = 1. Logo, = 1. 4. Como a matriz B tamb em e ortogonal, ent ao B t B = In . Para concluir que AB e ortogonal, devemos mostrar que (AB )t (AB ) = In . Temos (AB )t (AB ) = = = = = como quer amos demonstrar. (B t At )(AB ) B t (At A)B B t In B BtB In ,

Gostar amos de ressaltar que a propriedade 3, mencionada antes, diz que caso uma matriz ortogonal A possua autovalor ent ao = 1. Mas n ao e necess ario que uma matriz ortogonal A tenha algum autovalor, como veremos num pr oximo exemplo. Exemplo 1 Vimos, no Exerc cio 1 da Aula 9 que se a2 + b2 = 1, ent ao as matrizes a b b a a b b a

A=

e B=

s ao matrizes ortogonais. Observe que det(A) = a2 + b2 = 1 e det(B ) = a2 b2 = (a2 + b2 ) = 1.

CEDERJ

172

Propriedades das Matrizes Ortogonais

MODULO 2 - AULA 10

Exemplo 2 Sejam , [0, 2 ), ent ao as matrizes A= cos sen sen cos e B= cos sen sen cos

s ao matrizes ortogonais com determinantes det(A) = cos2 + sen2 = 1 e det(B ) = cos2 sen2 = (cos2 + sen2 ) = 1. Estas matrizes ser ao estudadas mais detalhadamente nas pr oximas aulas. O pr oximo teorema fornece algumas propriedades geom etricas das matrizes ortogonais. Teorema 2 Seja A Mn (R) uma matriz ortogonal e sejam u, v Rn . Ent ao: 1. A matriz A preserva o produto interno, isto e, Au, Av = u, v . Em particular, se u e v s ao vetores ortogonais, ent ao Au e Av tamb em s ao ortogonais. 2. A matriz A preserva a norma, isto e, ||Av || = ||v ||. 3. A matriz A transforma bases ortonormais em bases ortonormais, isto e, n se {u1 , u2 , . . . , un } e uma base ortonormal de R , ent ao {Au1 , Au2 , . . . , Aun } tamb em e base ortonormal de Rn . Demonstra ca o: 1. Dados u, v Rn , temos Au, Av = = = = = = (Au)t (Av ) (ut At )(Av ) ut (At A)v ut (In v ) ut v u, v .

Em particular, se u e v s ao ortogonais, isto e, se u, v = 0, ent ao Au, Av = u, v = 0, ou seja, Au e Av tamb em s ao ortogonais.


173 CEDERJ

Propriedades das Matrizes Ortogonais

2. Utilizando a propriedade 1, no caso u = v , temos ||Av ||2 = Av, Av = v, v = ||v ||2 ,

logo, temos que ||Av || = ||v ||.

3. Seja {u1 , u2 , . . . , un } uma base ortonormal de Rn . Ent ao ui , uj = 0 para todo i = j e ||ui || = 1 ara todo i. Pelas propriedades anteriores, temos Aui , Auj = ui , uj = 0 para todo i = j, e ||Aui || = ||ui || = 1 para todo i. Logo, {Au1 , Au2 , . . . , Aun } e um conjunto ortonormal de n vetores de n R e, portanto, forma uma base ortonormal de Rn . A propriedade 1 do Teorema 2 arma que o a ngulo entre dois vetores e preservado, e a propriedade 2 arma que o comprimento e a dist ancia entre vetores e preservada. Essas propriedades s ao cruciais para a implementa ca o de algoritmos computacionais. Exemplo 3 Sejam
1/ 2 1/ 2 0 1 1 A = 1/ 2 1/ 2 0 , u = 0 e v = 1 . 1 0 0 0 1

Verique se:

a) a matriz A e ortogonal; b) ||Au|| = ||u||; c) Au, Av = u, v . Solu ca o: a) Note que as colunas da matriz A s ao ortogonais portanto, pelo Teorema 2 da Aula 9, segue que A e matriz ortogonal. Tamb em podemos vericar diretamente pela deni ca o: 1/ 2 1/ 2 0 1/ 2 1/ 2 0 1 0 0 At A = 1/ 2 1/ 2 0 1/ 2 1/ 2 0 = 0 1 0 = I3 . 0 0 1 0 0 1 0 0 1
CEDERJ
174

Propriedades das Matrizes Ortogonais

MODULO 2 - AULA 10

b) Temos que ||u|| =

12 + 02 + 12 = 2.

Da , segue que ||Au|| =

Para calcular ||Au||, vamos primeiro calcular Au: 1/ 2 1/ 2 0 1/ 2 1 Au = 1/ 2 1/ 2 0 0 1/ 2 . 1 0 0 1 1


(1/2) + (1/2) + 1 =
2.

(1/ 2)2 + (1/ 2)2 + (1)2 = Portanto, ||Au|| = 2 = ||u||.


c) Vamos primeiro calcular u, v :

u, v = 1 1 + 0 1 + (1) 0 = 1. Calculemos, agora, Av : 1/ 2 1/ 2 0 0 1 0 Av = 1/ 2 1/ 2 0 1 = 2/ 2 = 2 . 0 0 0 1 0 0

Finalmente, calculando Au, Av , obtemos 1 1 Au, Av = 0 + 2 + (1) 0 = 1. 2 2


Assim, Au, Av = 1 = u, v . Exemplo 4 Determine os autovalores da matriz A do Exemplo 3. Solu ca o:

Lembre que os autovalores da matriz A s ao as ra zes do seu caracter stico, e esse polin omio e dado por: x 1/ 2 1/ 2 0 p(x) = det (xI3 A) = 1/ 2 x 1/ 2 0 0 0 x1 x 1/ 2 1/ 2 = (x 1) 1/ 2 x 1/ 2
1 x + 2 = (x 1)(x2 2x + 1). = (x 1)
1 2

polin omio

175

CEDERJ

Propriedades das Matrizes Ortogonais

Agora, a u nica raiz real de p(x) = (x 1)(x2 2x + 1) e = 1, pois 2 o polin omio x 2x + 1 n ao possui ra zes reais. Assim, a matriz A possui um u nico autovalor real, = 1.
Exemplo 5 Sejam = {u1 , u2 , u3 } e = {v1 , v2 , v3 } duas bases ortonormais de R3 . Mostre que a matriz A que realiza a mudan ca de base de para e uma matriz ortogonal. Solu ca o: A matriz que realiza a mudan ca de base de para e a matriz A = (aij ) denida por v1 = a11 u1 + a21 u2 + a31 u3 v2 = a12 u1 + a22 u2 + a32 u3 v3 = a13 u1 + a23 u2 + a33 u3 . Sendo = {u1 , u2 , u3 } uma base ortonormal de R3 , temos que u1 , u1 = u 2 , u2 = u 3 , u3 = 1 u1 , u2 = u1 , u3 = u2 , u3 = 0. Usando estas igualdades e o fato de = {v1 , v2 , v3 } ser base ortonormal, temos 1 = v1 , v1 = a11 u1 + a21 u2 + a31 u3 , a11 u1 + a21 u2 + a31 u3 = 2 2 = a2 11 + a21 + a31 , e, analogamente,
2 2 1 = v 2 , v2 = a 2 12 + a22 + a32 2 2 1 = v 3 , v3 = a 2 13 + a23 + a33 .

Temos, tamb em, 0 = v1 , v2 = a11 u1 + a21 u2 + a31 u3 , a12 u1 + a22 u2 + a32 u3 = = a11 a12 + a21 a22 + a31 a32 , e, analogamente, 0 = v1 , v3 = a11 a13 + a21 a23 + a31 a33 0 = v2 , v3 = a12 a13 + a22 a23 + a32 a33 . Portanto, estas igualdades mostram que as colunas da matriz a11 a12 a13 A = a21 a22 a23 a31 a32 a33

CEDERJ

176

formam uma base de vetores ortonormais. Logo, pelo Teorema 2 da Aula 9, A e matriz ortogonal.

Propriedades das Matrizes Ortogonais

MODULO 2 - AULA 10

Auto-avalia c ao:
Nesta aula apresentamos alguns resultados que caracterizam as matrizes ortogonais. Voc e deve resolver os exerc cios que se seguem com a ajuda do seu tutor, se necess ario. Nas pr oximas aulas vamos usar exaustivamente todos os resultados apresentados nesta aula; portanto, e importante que voc e compreenda o signicado geom etrico deles.

Exerc cios
1. Considere as matrizes 1 0 0 1 0 0 A= 0 1 0 e B = 0 0 1 . 0 0 1 0 1 0 a) Verique que A e B s ao matrizes ortogonais. b) Verique que o produto AB e ortogonal e calcule seus autovalores.

177

CEDERJ