Você está na página 1de 588

lgebra linear

verso 142
13 de agosto de 2016

jernimo c. pellegrini
142
Sumrio

r
o
a
e rs
n
Sumrio i

i
v
Apresentao vii
m
Nomenclatura ix

la
1 Espaos Vetoriais 1
i
1.1 Estruturas algbricas u 1
l
a
1.2 Grupos 4
Pre
de
1.3 Corpo 6
F 1.3.1 Operando com corpos 10
1.4 Espaos vetoriais 11
tas

1.5 Subespaos 24
1.6 Aplicaes 35
no

ini

1.6.1 Protocolo Diffie-Hellman para acordo de chaves [ grupo ] 35


o

1.6.2 Cubo de Rubik [ grupo ] 37


39
gr

F 1.6.3 Criptanlise moderna [ corpo; sistemas lineares em corpos ]


ar-

41
rs

1.6.4 Cdigos corretores de erros [ espao vetorial; subespao ]


lle

2 Dimenso e Bases 49
e
Lin

49
. Pe

2.1 Dependncia linear


2.2 Conjuntos geradores e bases 52
2.3 Isomorfismo e coordenadas 65
Ve

72
bra

oC

2.4 Mudana de base


2.5 Aplicaes 75
2.5.1 Anlise Dimensional [ base, dependncia linear ] 75
im
e

F 2.5.2 Fractais [ isomorfismo ] 84


lg

3 Transformaes Lineares 89
n

3.1 O efeito em uma base determina completamente uma transformao 97


3.2 Kernel e imagem 104
Jer

3.3 Nulidade e posto 107


3.4 Aplicaes 111
3.4.1 Transformaes em imagens 111

i
ii SUMRIO

4 Matrizes e Transformaes Lineares 117


4.1 Representao de transformaes como matrizes 117
4.1.1 De matrizes para transformaes 117
4.1.2 De transformaes para matrizes 118
4.2 Propriedades da multiplicao de matrizes 122
123

142
4.2.1 Matrizes por blocos
4.2.2 Multiplicao por vetor combinao linear 126
4.2.3 Matrizes triangulares 128

r
4.3 Propriedades de matrizes de transformaes 129

o
a
4.3.1 Mudana de base 133
4.3.2 Similaridade 138

e rs
n
4.4 Espaos de transformaes 144
4.5 Matrizes elementares 145
149
4.6 Sistemas de equaes lineares
i
v
4.6.1 Eliminao de Gauss 153
m
4.6.2 Decomposio LU 154
4.6.3 Estabilidade numrica 160

la
F 4.7 Matrizes complexas 160
i
4.8 Aplicaes
u 162
l
a
4.8.1 Clculo de uma nica coluna da inversa [ decomposio LU ] 162
162
Pre

4.8.2 Otimizao linear [ base; espao-coluna; dimenso; fatorao LU ]


de
4.8.3 Transformaes em imagens [matriz de transformao] 168
4.8.4 rbitas celestes [ mudana de base ] 172
tas

F 4.8.5 Cdigos corretores de erros [ base; espao-linha; multiplicao direita ] 175

5 Determinantes 183
no

ini

5.1 Volume orientado 183


o

5.1.1 Orientao 186


gr

5.2 Determinantes 187


ar-

193
rs

5.3 Existncia e unicidade do determinante


lle

5.4 Calculando determinantes 194


e

5.4.1 Determinantes de ordem 3: regra de Sarrus 195


Lin

195
. Pe

5.4.2 Escalonamento e decomposio LU


5.4.3 Expanso de Laplace 196
5.4.4 Frmula de Leibniz 198
Ve

200
bra

oC

5.4.5 Por blocos


F 5.5 Matrizes complexas 201
5.6 Aplicaes 202
im
e

5.6.1 Regra de Cramer 202


lg

5.6.2 rea de tringulos, volume de pirmides 206


n

5.6.3 Equao da circunferncia passando por tres pontos 208


5.6.4 O Teorema do Valor Mdio (generalizado) 210
212
Jer

5.6.5 O Wronskiano
5.6.6 Interpolao 214

6 Autovalores, Autovetores e Diagonalizao 223


SUMRIO iii

6.1 Polinmio caracterstico 229


6.1.1 Autovalores complexos 238
F 6.1.2 Matrizes complexas Hermitianas 238
6.2 Diagonalizao de operadores 240
6.3 Transformaes lineares e matrizes no quadradas 243

142
F 6.4 Diagonalizao simultnea de dois operadores 244
6.5 Clculo de autovalores e autovetores 247

r
6.6 Aplicaes 248

o
248

a
6.6.1 Potncia de matriz [ diagonalizao ]
6.6.2 Relaes de recorrncia [ polinmio caracterstico; diagonalizao ] 249

e rs
n
6.6.3 Soluo de sistemas de equaes de diferena [ diagonalizao ] 253
6.6.4 Exponencial de matriz [ diagonalizao ] 255

i
v
6.6.5 Soluo de sistemas de equaes diferenciais [ diagonalizao ] 258
6.6.6 Cadeias de Markov [ autovalor; autovetor ]
m 260
6.6.7 Classificao de relevncia (pagerank) [ autovalor; autovetor ] 263

la
6.6.8 Clculo de polinmio de matriz [ polinmio caracterstico; teorema de Cayley-Hamilton ] 265
266
i
6.6.9
F 6.6.10 u
Inverso de matrizes [ polinmio caracterstico; teorema de Cayley-Hamilton ]
267
l
Grafos [ autovalores ]
a
Pre
de
7 Produto Interno 275
7.1 Produto interno e norma 275
tas

7.2 ngulos e ortogonalidade 288


7.3 Projees 295
301
no

7.4 Ortogonalizao
ini

7.5 Diagonalizao de matrizes simtricas 304


o

F 7.6 Produto interno em espaos complexos 306


gr
ar-

7.7 Aplicaes 306


rs

306
lle

7.7.1 Soluo de sistemas lineares e mnimos quadrados [ distncia; projeo ]


e

7.7.2 Covarincia e correlao [ produto interno; ngulo ] 307


Lin

. Pe

F 7.7.3 Covarincia [ produto interno; matriz de Gram ] 309


F 7.7.4 Otimizao linear (affine scaling) [ projeo, ncleo, escala ] 310
Ve
bra

oC

8 Operadores Ortogonais e Normais 319


8.1 Operadores Ortogonais 319
8.1.1 Decomposio QR 327
im
e

8.2 Operadores normais 329


lg

8.3 Decomposio em Valores Singulares 331


n

8.4 Aplicaes 333


8.4.1 Anlise de Componentes Principais [ Decomposio em Valores Singulares ] 333
Jer

8.4.2 Compresso de imagens [ Decomposio em Valores Singulares ] 334

9 Pseudoinversa 337
iv SUMRIO

9.1 Calculando pseudoinversas 340


9.1.1 Decomposio em posto completo 340
9.1.2 Por blocos 342
F 9.1.3 Mtodo de Greville 344
F 9.1.4 Mtodo iterativo de Ben-Israel e Cohen usando maior autovalor 345

142
F 9.1.5 Usando autovalores 347
9.2 Matrizes complexas 348

r
9.3 Aplicaes 348

o
9.3.1 Sistemas lineares 348

a
10 Forma de Jordan 353

e rs
n
F 10.1 Existncia e clculo da forma de Jordan 355
10.1.1 Subespaos invariantes 355
i
v
10.1.2 Autovetores generalizados 356
m
10.1.3 Existncia da forma de Jordan (para operadores nilpotentes) 358
361

la
10.1.4 Existncia da forma de Jordan (caso geral)
10.2 Estabilidade numrica 362
i
10.3 Aplicaes u 362
l
a
10.3.1 lgebra Linear [ forma de Jordan ] 362
Pre
de
10.3.2 Equaes Diferenciais [ forma de Jordan ] 363

11 Reticulados 367
tas

11.1 Ortogonalidade de bases 369


11.2 Problemas em reticulados 370
no

ini

11.2.1 Reduo de bases com posto dois: algoritmo de Gauss-Lagrange 371


374
o

11.2.2 Vetor mais prximo com posto e ortogonalidade altos: algoritmo de Babai
374
gr

11.2.3 Posto alto, ortogonalidade baixa (reticulados difceis)


ar-
rs

11.3 Aplicaes 375


lle

11.3.1 Criptografia [ reticulados; desvio de ortogonalidade ] 375


e

11.3.2 Cristalografia [ reticulados ] 377


Lin

. Pe

12 Formas Quadrticas e Bilineares 379


379
Ve

12.1 Formas Bilineares


bra

oC

12.1.1 Com termos lineares 380


12.2 Formas Quadrticas 381
12.3 Formas multilineares 384
im
e

12.4 Aplicaes 384


lg

12.4.1 Classificao de cnicas e qudricas 384


n

12.4.2 Classificao de equaes diferenciais parciais [ formas definidas, eixos principais ] 395
12.4.3 Mximos e mnimos de funes em Rn [ formas definidas ] 397
Jer

12.4.4 Otimizao quadrtica 401

13 Geometrias: Afim e Projetiva 405


SUMRIO v

13.1 Geometria Afim 405


13.1.1 Espao Afim 408
13.1.2 Subespao afim 413
13.1.3 Dependencia afim, baricentros 413
13.1.4 Dependncia afim, coordenadas e bases 416
13.1.5 Transformaes Afim 417

142
13.1.6 Coordenadas afim e matrizes 418
13.1.7 ? 421

r
13.2 Geometria Projetiva 423

o
423

a
13.2.1 Noes intuitivas
13.2.2 Coordenadas Homogeneas 425

e rs
425

n
13.2.3 Transformaes Projetivas
13.3 Aplicaes 425

i
v
14 Srie de Fourier 427
14.1 Funes Peridicas
m 427
14.2 Srie de Fourier 432

la
14.3 Determinao de coeficientes 433
14.4 Forma exponencial (ou complexa) 438
i
14.5 Convergncia u 440
l
a
14.5.1 Convergncia quase sempre 442
Pre
de
14.5.2 Convergncia pontual 445
F 14.5.3 Convergncia uniforme 448
F 14.6 Transformada de Fourier 451
tas

14.7 Aplicaes 453


14.7.1 Equaes diferenciais [ srie de Fourier ] 453
458
no

F 14.7.2 Equaes diferenciais parciais: a equao da onda [ srie de Fourier ]


ini

14.7.3 Msica 462


o

F 14.7.4 Compresso de dados [ transformada de Fourier ] 462


gr
ar-

F 14.7.5 Espectroscopia de infravermelho [ transformada de Fourier ] 462


rs

lle

15 Tensores e Rudimentos de lgebra Multilinear 465


e

15.1 Notao 465


Lin

. Pe

15.2 Espao dual e funcionais lineares 466


15.3 Produto Tensorial 468
468
Ve

15.4 Notao de Einstein


bra

oC

15.5 Tensores 470


15.6 Mudana de base, covarincia e contravarincia 471
15.6.1 Operaes com tensores 474
im
e

15.7 Aplicaes 474


lg

15.7.1 Mecnica 474


n

15.7.2 Mecnica Quntica 474

Reviso: Sistemas Lineares e Matrizes 477


Jer

.1 Sistemas de equaes lineares 477


.1.1 Resoluo de sistemas escalonados por linhas 479
.1.2 Resoluo de sistemas lineares na forma geral 480
vi SUMRIO

.2 Matrizes 482
.2.1 Operaes com matrizes 483
.3 Aplicaes 488
.3.1 Circuitos eltricos [ sistemas lineares ] 488
.3.2 Balanceamento de equaes qumicas [ sistemas lineares ] 489
.3.3 Cadeias de Markov [ matrizes ] 490

142
.3.4 Sistemas de Votao [ matrizes ] 492

r
Induo Finita 495

o
.1 Enunciado do Princpio da Induo Finita 495

a
.2 Demonstraes de igualdades e desigualdades simples 497
.3 500

e rs
Induo dupla

n
.4 Induo em estruturas 502
.5 Induo em Geometria 503

i
v
.6 Induo em nmero de operaes com matriz 506
.7 Induo em ordem de matriz quadrada
m 507
.8 Demonstrao de corretude de algoritmos 508

la
.9 Induo para trs, com base infinita 513
F .10 Induo em R 514
i
u
l
a
Orientao de Bases 523
Pre
de
Equaes Diferenciais 527
.1 Equao Diferencial Ordinria 529
tas

.2 Separao de variveis 530


.3 Problemas de valor inicial e de contorno 532
.4 Equao Diferencial Parcial 532
no

ini

.5 Aplicaes 533
o

.5.1 Qumica nuclear: decaimento radioativo [ EDO de primeira ordem ] 533


533
gr

.5.2 Mecnica: oscilador harmnico [ EDO de segunda ordem ]


ar-

.5.3 Termodinmica: propagao de calor [ EDP ] 535


rs

lle

Alfabeto Grego 539


e
Lin

. Pe

Dicas e Respostas 541

Ficha Tcnica 561


Ve
bra

oC

Bibliografia 563

ndice Remissivo 569


im
e
lg

n
Jer
142
Apresentao

r
o
a
e rs
n
Este texto foi elaborado como um primeiro curso de lgebra Linear, desenvolvendo conceitos bsicos na
primeira parte e avanando para outros tpicos e aplicaes na segunda parte.

i
v
O texto comea com espaos vetoriais e aborda matrizes somente aps transformaes lineares. Isso
m
feito por diferentes motivos: primeiro, para que o leitor tenha tempo para digerir os conceitos abstratos
apresentados inicialmente. Se a abstrao construda aos poucos, corre-se o risco de no haver tempo

la
para que essas abstraes sejam devidamente digeridas; alm disso, para no passar inicialmente a impres-
so de que a lgebra Linear trata simplesmente de lgebra de matrizes reais, para que de imediato fique
i
u
claro que espaos vetoriais no so necessariamente compostos apenas de tuplas (h espaos de dimenso
l
a
infinita que so facilmente descritos), e tambm para ilustrar de imediato a natureza abstrata da lgebra,
Pre
de
e da sua relevncia em problemas prticos: ao final do primeiro captulo h vrios exemplos de uso de es-
paos vetoriais em Criptografia, cdigos corretores de erros e na soluo do cubo mgico. H tambm uma
boa quantidade de aplicaes ao final de todos os outros Captulos.
tas

Os exemplos e aplicaes so includos no final dos captulos, e no no incio. Isso contraria a idia de
que os conceitos apresentados devem ser motivados. Penso que a motivao deveria ser substituda, pelo
menos no incio da leitura, por confiana: o leitor deve confiar que existe uma razo para estudar toda a
no

ini

abstrao e o ferramental apresentado, por mais estranhos que lhe paream. Terminando cada captulo,
o

haver a oportunidade de confirmar a utilidade dos tpicos estudados.


gr
ar-

Os pr-requisitos imprescindveis para a leitura deste livro so Clculo em uma varivel real e Geometria
rs

Analtica. Alguns dos exemplos faro uso de Clculo em vrias variveis, nmeros complexos, probabilidade
lle

bsica, grafos e equaes diferenciais mas estes exemplos podem ser deixados de lado sem comprometer a
e

sequncia do texto. Para que o livro seja to autocontido quanto possvel, h um apndice com uma reviso
Lin

. Pe

de sistemas lineares e matrizes, um introduzindo o mtodo da induo finita, e um com noes bsicas de
Equaes Diferenciais.
Sees, exemplos e exerccios marcados com estrela (F) so opcionais, ou porque so difceis ou porque
Ve
bra

oC

usam conceitos normalmente no abordados em um primeiro curso de lgebra Linear, como corpos finitos.
im
e
lg

n
Jer

vii
viii

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
142
SUMRIO
142
Nomenclatura

r
o
a
e rs
n
Vetores (elementos de um espao vetorial, no apenas vetores em Rn ) so grafados em negrito: v, w, . . ..
Representamos vetores em Rn como vetores-coluna em todo o texto:
i
v

m
v1

la
v2

v=
.. .
i
u

.
l
a
vn
Pre
de

Em texto corrido e em muitas frmulas, denotamos tais vetores como transpostas de linhas: v = (v1 , v2 , . . . , vn )T .
tas

Em diversas ocasies, somatrios so denotados apenas por

X
no

ini

...,
o

i
gr
ar-
rs

ao invs de
lle

X
n
e

...,
Lin

. Pe

i=1

sendo sempre possvel determinar, a partir do contexto, quais os valores do ndice i.


Ve
bra

oC

Fraes so fatoradas para fora de matrizes sempre que possvel faz-lo, para tornar matrizes mais
facilmente legveis e simplificar operaes de multiplicao:
im
e

1

61
lg

0 6
0 1 1
7 2 5 1
n

7 2 5 .

6 6 6
1 11
6
3 6 13
6
2 11 13
Jer

No usamos setas para representar os eixos em R2 e R3 , porque as reservamos para vetores. Por exemplo,
4
o grfico da funo x5 x3 x2 + 5x 1 mostrado na prxima figura.

ix
x SUMRIO

2
y 0
6 4 2 0 2 4 6

142
2
x

r
4

o
6

a
8

e rs
n
10

i
v
A nomenclatura usada no livro detalhada a seguir.
m
la
bxe O inteiro mais prximo de x, pgina 427
i
(an ) sequncia, pgina 18 u
l
a
(fn ) Sequncia de funes, pgina 440
Pre
de

2A Conjunto de todos os subconjuntos do conjunto A, pgina 46


tas

[v]B Coordenadas do vetor v na base B, pgina 72

[A]ij Matriz A aps remoo da linha i e coluna j, pgina 196


no

ini

[X] Espao gerado pelo conjunto de vetores X, pgina 53


o

gr
ar-

[x] dimenso de uma grandeza fsica, pgina 75


rs

lle

[id] Matriz de mudana de base, de para , pgina 133


e

dxe arredondamento para cima (menor inteiro maior ou igual a x), pgina 556
Lin

. Pe

Composio de transformaes lineares (e de funes), pgina 94


Ve

cof(A, i, j) Cofator do elemento aij da matriz A, pgina 196


bra

oC

(X, Y) Correlao entre variveis aleatrias X e Y, pgina 309


im
e

cov(X, Y) Covarincia entre variveis aleatrias X e Y, pgina 308


lg

det A Determinante da matriz A, pgina 187


n

diag(A1 , . . . Ak ) Matriz diagonal com blocos A1 , . . . , Ak formando a diagonal., pgina 124


Jer

diag(a1 , . . . , an ) Matriz diagonal com elementos a1 , . . . , an na diagonal., pgina 483

dim V Dimenso do espao vetorial V, pgina 59


SUMRIO xi

E(X) Esperana da varivel aleatria X, pgina 91

bxc arredondamento para baixo (maior inteiro menor ou igual a x), pgina 556

F(f(x)) Transformada de Fourier de f(x), pgina 452

142
Conjunto de todas as funes de R em R, pgina 16

F(L) domnio fundamental do reticulado L, pgina 368

r
id Funo (e transformao) identidade, pgina 89

o
a
Im T Imagem da transformao T , pgina 104

e rs
n
In(M) Inrcia da matriz M, pgina 392

i
v
hu, vi Produto interno dos vetores u e v, pgina 275
m
Z2 Corpo finito com dois elementos, pgina 8

la
ker T Kernel da transformao T , pgina 104
i
L(B) reticulado com base B, pgina 367 u
l
a

Pre

desvio de ortogonalidade, pgina 369


de

Produto de Hadamard, pgina 42


tas

Frequncia angular de funo peridica, pgina 427

Soma direta de espaos vetoriais, pgina 32


no

ini

Ou-exclusivo lgico, pgina 8


o

gr
ar-

produto tensorial, pgina 468


rs

lle

A Matriz dos conjugados de A, pgina 161


e

x
Lin

Conjugado, pgina 306


. Pe

Frequncia de funo peridica, pgina 427


Ve

Projx (v) Projeo de v em vetor ou subespao x, pgina 298


bra

oC

Rn [x] Conjunto (e espao vetorial) dos polinmios com grau n, pgina 14


im
e

X Desvio padro da varivel aleatria X, pgina 308


lg

2X Varincia da varivel aleatria X, pgina 308


n

sgn Paridade de uma permutao, pgina 198


Jer

Expanso formal/simblica, pgina 432

[T ] Transformao T . Base para domnio e para contradomnio, pgina 133


xii SUMRIO

Tqp conjunto de todos os tensores de ordem (p, q), pgina 471


ei Vetor (0, . . . , 1, . . . , 0), pertencente base cannica, pgina 57
v w Produto vetorial dos vetores v e w, pgina 3

vol A volume do objeto geomtrico A, pgina 426

142
vol A volume do objeto geomtrico A, pgina 186

r
E lgico, pgina 8

o
a
A Conjugado transposto de A, pgina 161

e rs
n
A+ Pseudoinversa da matriz A, pgina 337
AH Conjugado transposto de A, pgina 161
i
v
AH Matriz adjunta de A, pgina 238
m
la
C[a, b] Conjunto (e espao vetorial) das funes contnuas em [a, b], pgina 29
i
C0
u
Conjunto (e espao vetorial) das funes contnuas em R, pgina 28
l
a
Ck Conjunto (e espao vetorial) das funes k vezes diferenciveis em R, pgina 28
Pre
de
d(v, w) Distncia entre os vetores v e w, pgina 284
tas

En Erro na aproximao de srie com n termos, pgina 441


L2 Espao de funes quadrado-integrveis, pgina 444
no

ini

LG Matriz Laplaciana do grafo G, pgina 267


o

Mm,n Conjunto (e espao vetorial) das matrizes m n, pgina 67


gr
ar-
rs

O(B) Orientao da base B, pgina 187


lle
e

Sn Conjunto de todas as permutaes de n elementos, pgina 198


Lin

. Pe

Sn Soma parcial de srie, pgina 441


Ve

Tnm Tensor T : V V V q V V V p , pgina 470


bra

oC

V(k1 , . . . , kn ) Matriz de Vandermonde obtida de k1 , . . . , kn , pgina 214


im

V
e

Espao dual, pgina 467


lg

V Espao dual, pgina 144


n
Jer
142
Captulo 1

r
o
a
Espaos Vetoriais

e rs
in
v
m
A lgebra Linear pode ser vista como uma generalizao natural da Geometria Analtica. Da mesma forma

la
que, na Geometria, somamos pares de vetores e multiplicamos vetores por escalares, podemos faz-lo com
outros objetos matrizes (A + B, kA), funes ((f + g)(x), kf(x)), sequncias ((an ) + (bn ), k(an )).
i
u
A lgebra tem como objeto de estudo o comportamento de operaes definidas sobre conjuntos. A
l
a
lgebra Linear trata especificamente de espaos vetoriais: conjuntos onde so definidas as operaes de
Pre

soma e multiplicao, de forma que fique bem definida tambm a expresso ax + b.


de
Os espaos vetoriais so um dos mais importantes exemplos de estrutura algbrica. A idia abstrata
de espao vetorial generaliza o conceito de vetores no espao tridimensional de duas maneiras. Primeiro,
tas

espaos vetoriais podem ter dimenso maior que trs. E segundo, definimos espaos vetoriais no apenas
com vetores geomtricos, mas com diferentes objetos matemticos (por exemplo nmeros, matrizes,
polinmios, funes) e podemos tratar desses objetos de forma unificada.
no

ini

A fim de melhor contextualizar a definio de espao vetorial, este Captulo traz uma breve descrio
o

do que uma estrutura algbrica, descrevendo tambm grupos e corpos.


gr
ar-
rs

lle

1.1 Estruturas algbricas


e
Lin

. Pe

Alm de nmeros, podemos somar e multiplicar outros objetos o exemplo mais simples talvez seja o
de matrizes. Quando definimos soma e multiplicao para objetos diferentes, estas operaes podem ou
no ter propriedades semelhantes. Tanto para nmeros reais como para matrizes, a soma associativa:
Ve
bra

a + (b + c) = (a + b) + c. No entanto, a multiplicao de nmeros reais comutativa (ab = ba), mas a


oC

comutatividade no vale, de forma geral, para a multiplicao de matrizes.


Ao estudar diferentes tipos de objetos e operaes definidas sobre eles, identificamos algumas classes
im
e

de objetos para os quais as operaes se comportam de maneira semelhante. Damos a essas classes de
objetos com operaes algbricas o nome de estrutura algbrica.
lg

Estrutura algbrica (ou sistema algbrico) o nome dado a um conjunto com uma ou mais operaes de-
n

finidas sobre ele. Por exemplo, o conjunto dos nmeros reais com as operaes de soma e multiplicao,
(R, +, ) uma estrutura algbrica. O conjunto das matrizes com a operao de soma de matrizes e a ope-
Jer

rao de multiplicao por escalar (M, +, ) outra estrutura algbrica. Um terceiro exemplo de estrutura
algbrica o conjunto dos inteiros com a operao de soma, (Z, +). Cada um destas estruturas tem carac-
tersticas diferentes, e pode ser classificada de maneiras diferentes, como veremos a seguir.

1
2 CAPTULO 1. ESPAOS VETORIAIS

Antes de definirmos algumas estruturas algbricas, definimos o tipo de operao que acompanharo
estas estruturas. Neste texto, trataremos de operaes com dois argumentos, chamadas de operaes bin-
rias.
Definio 1.1 (Operao binria). Uma operao em um conjunto A uma funo que leva um ou mais
elementos de A em outro elemento de A ou seja, uma funo f : A A A A. Pare entender

142
esta notao, damos um exemplo: a operao soma

+:ZZZ

r
o
porque aceita dois argumentos em Z ou um argumento em Z Z e retorna um argumento em Z: podemos

a
escrever +(2, 3) = 5 ou, como mais usual, 2 + 3 = 5. Como outro exemplo, a operao

e rs
n
max : R R R R

i
v
retorna o maior de trs nmeros reais. Podemos v-la com ouma funo de trs argumentos, cada um em
R, ou como uma funo de um unico argumento em R R R: max(2, 5, 8) = 8.
m
Dizemos que uma operao binria se aceita dois argumentos ou seja, da forma f : A A A.
Dizemos que uma operao binria associativa, se a ? (b ? c) = (a ? b) ? c e comutativa, se a ? b = b ? a.

la
Um elemento e A neutro para a operao ? se para todo a A, a ? e = e ? a = a. 
i
u
Exemplo 1.2. Em R, as operaes de soma e multiplicao so associativas e comutativas, porque
l
a
Pre

x+y=y+x
de
(comutatividade)
x + (y + z) = (x + y) + z (associatividade)
tas

xy = yx (comutatividade)
x(yz) = (xy)z (associatividade)
no

ini
o

No entanto, as operaes de diviso e subtrao no so associativas e nem comutativas.


gr
ar-

x y 6= y x (no vale a comutatividade)


rs

x (y z) 6= (x y) z
lle

(no vale associatividade)


e
Lin

. Pe

x/y 6= y/x (no vale a comutatividade)


x/(y/z) 6= (x/y)/z (no vale associatividade)
Ve
bra

oC

O neutro para soma o zero, e o neutro para multiplicao o um porque

0+x=x
im
e

(1)x = x
lg

No definimos neste texto neutro para subtrao e diviso, porque as operaes no so comutativas, e o
n

neutro e teria que satisfazer x e = e x = x, e x/e = e/x = x, que no sera possvel. J


Jer

Exemplo 1.3. No conjunto de matrizes quadradas de ordem n, a operao de soma comutativa e associ-
ativa, porque para duas matrizes A e B, temos

A+B=B+A (comutatividade)
1.1. ESTRUTURAS ALGBRICAS 3

A + (B + C) = (A + B) + C (associatividade)

No entanto, a operao de multiplicao associativa, mas no comutativa:

AB 6= BA (no vale a comutatividade)


A(BC) = (AB)C (associatividade)

142
O neutro para a soma de matrizes a matriz zero (ou seja, a matriz cujos elementos so todos zero).

r
O neutro para multiplicao de matrizes a identidade, porque, apesar da multiplicao de matrizes no
ser comutativa, temos

o
a
IA = AI = A,

e rs
n
para toda matriz quadrada A. J

Exemplo 1.4. O produto vetorial de dois vetores v = (v1 , v2 , v3 )T e w = (w1 , w2 , w3 )T em R3 definido

i
v
como
m
v w = (v2 w3 v3 w2 )e1

la
+ (v3 w1 v1 w3 )e2
i
u
+ (v1 w2 v2 w1 )e3 ,
l
a
onde e1 , e2 e e3 so os vetores unitrios nas direes dos eixos x, y e z (tambm os chamamos de versores).
Pre
de
O resultado do produto vetorial v w um vetor s, perpendicular tanto a v como a w. Por exemplo, se
v = (3, 0, 0)T e w = (0, 2, 0)T , o produto vetorial s = v w (0, 0, 6)T , ortogonal a ambos.
tas
no

ini
o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC

A magnitude de s zero quando v e w so paralelos e igual ao produto das magnitudes de v e w quando


im
e

estes so perpendiculares.
lg

Esta operao no comutativa, porque


n

v w = (w v).
Jer

Considere agora um terceiro vetor, u. A operao tambm no associativa, porque

u (v w)
4 CAPTULO 1. ESPAOS VETORIAIS

um vetor no mesmo plano que v e w, enquanto


(u v) w
um vetor no mesmo plano que u e v. J
Definio 1.5 (Fechamento). Seja A um conjunto com uma operao ?, e seja B A. Dizemos que B

142
dito fechado sob a operao ? se e somente se a operao com dois elementos de B sempre resulta em outro
elemento de B ou seja, x, y B, x ? y B. 

r
Exemplo 1.6. As quatro operaes aritmticas definidas nos reais so operaes binrias. Alm disso, nos

o
reais a soma e a multiplicao so comutativas (a + b = b + a) e associativas (a + (b + c) = (a + b) + c).

a
Os reais so fechados para as quatro operaes.

e rs
n
Poderamos tentar definir as quatro operaes aritmticas para os inteiros, mas no vale o fechamento:
a operao de diviso no tem como ser definida. A intuio nos diz que podemos dividir 9/3 e obter 3, mas
no o podemos fazer para quaisquer dois inteiros por isso no definimos esta operao para o conjunto

i
v
dos inteiros, porque os inteiros no so fechados para a diviso. J
m
la
1.2 Grupos
i
Como primeiro exemplo de estrutura algbrica, tomamos os grupos. u
l
a
Definio 1.7 (Grupo). Um grupo um conjunto no-vazio G associado a uma operao binria : GG
Pre
de
G (ou seja, fechada, porque de G G em G) tendo as propriedades listadas a seguir.
Associatividade: (a b) c = a (b c).
tas

Existencia de neutro: Deve existir um elemento neutro e G para a operao de grupo: e G :


a e = e a = a.
no

ini

Existencia de inverso: Para todo a G, h um inverso a 0 G tal que a a 0 = a 0 a = e.


o

Se a operao do grupo for comutativa, dizemos que o grupo comutativo (ou abeliano1 ).
gr


ar-
rs

Exemplo 1.8. Os inteiros com a operao usual de soma formam um grupo: (i) a soma de dois inteiros
lle

um inteiro; (ii) a soma associativa; (iii) o inteiro zero neutro para soma; e (iv), para todo inteiro a, existe
e

um inteiro a tal que a + (a) = 0. O grupo tambm comutativo. J


Lin

. Pe

Os conjuntos Q, R e C tambm formam grupo com a operao usual de adio.


Demonstramos um teorema bsico sobre grupos.
Ve

Teorema 1.9. Seja G um grupo e x G. Ento o inverso x 0 de x nico em G.


bra

oC

Demonstrao. Seja x G e a, b inversos de x. Ento


im
e

a = ae
lg

= a(xb) xb = e, b inverso de x
n

= (ax)b associatividade
= eb ax = e, a inverso de x
Jer

= b. 
1 Abeliano refere-se ao matemtico Noruegus Niels Henrick Abel, que deerminou que a comutatividade de certos grupos estava

relacionada com a possibilidade de clculo das razes de polinmios.


1.2. GRUPOS 5

Exemplo 1.10. O conjunto { +1, 1 } com a operao usual de multiplicao um grupo: (i) 1 1, 1 1,
1 1, 1 1 pertencem ao grupo; (ii) a operao associativa; (iii) 1 neutro; (iv) tanto 1 como 1 so
seus prprios inversos. J

Exemplo 1.11. O conjunto de triplas2 (x, y, z)T R3 , que representam vetores no espao tridimensional,
com a operao de soma de vetores:

142
(x, y, z) + (a, b, c) = (x + a, y + b, z + c)

r
um grupo: (i) a soma de dois vetores um vetor tambm com trs nmeros reais; (ii) a soma associativa;

o
a
(iii) o vetor zero neutro; (iv) para todo vetor v = (x, y, z), existe um vetor v = (x, y, z) tal que
v + (v) = (0, 0, 0). Alm disso, o grupo comutativo. J

e rs
n
Exemplo 1.12. O conjunto R com a operao de exponenciao no um grupo, porque no vale a asso-
c
ciatividade ((ab )c 6= a(b ) ). J
i
v
m
Exemplo 1.13. O conjunto de todas as funes de R em R, com a operao de soma de funes, um grupo.

la
A soma de funes associativa: f(x) + (g(x) + h(x)) = (f(x) + g(x)) + h(x), para todas funes
f, g, h e todo x R.
i
u
l
a
A funo zero, z(x) = 0, o elemento neutro para a operao de soma: f(x)+z(x) = f(x)+0 = f(x),
Pre

para todos f e x.
de

H um inverso para toda funo: f(x) tem como inversa a funo g(x) = f(x), porque f(x) +
[f(x)] = z(x). J
tas

Exemplo 1.14. Dadas duas funes f e g, a composio de f com g, que denotamos f g, tal que f g(x) =
f(g(x)).
no

ini

Por exemplo, se f(x) = 1/x e g(x) = log(x), ento (f g)(x) 1/ log(x).


o

O conjunto de todas as funes bijetoras de reais em reais com a operao de composio um grupo:
gr
ar-
rs

a composio de funes associativa: f (g h) = (f g) h.


lle
e

A funo identidade f(x) = x o elemento neutro para a operao de composio porque para toda
Lin

funo g, f(g(x)) = g(x).


. Pe

Como nos restringimos ao conjunto das funes bijetoras, todas tem inversa: f f1 a identidade.
Ve

J
bra

oC

Exemplo 1.15. O conjunto das matrizes quadradas de ordem n, com a operao de soma de matrizes, um
grupo, porque:
im
e
lg

A soma de duas matrizes n n resulta em outra matriz n n.


n

A soma de matrizes associativa.


Jer

A matriz Z com todas as entradas iguais a zero funciona como elemento neutro, porque A + Z = A
para toda matriz A.
2 Neste texto, adotamos a representao de vetores como coluna por padro.
6 CAPTULO 1. ESPAOS VETORIAIS

Toda matriz A tem inverso para a operao de soma: A + [(1)A] = Z, onde (1)A a matriz A
com seus elementos multiplicados por 1, e Z a matriz zero.
J o mesmo conjunto, das matrizes quadradas de ordem n, com a operao de multiplicao de matrizes,
no um grupo, porque nem toda matriz tem inversa.
No entanto, o conjunto das matrizes no-singulares de ordem n, com a operao de multiplicao de

142
matrizes, um grupo. J
Exemplo 1.16. O conjunto R \ { 1 } com a operao ?, definida como

r
a ? b = ab + a + b

o
a
um grupo: (i) se a, b 6= 1, ento ab + a + b 6= 1 e portanto pertence ao grupo; (ii) a operao

e rs
associativa; (iii) zero identidade para ?; (iv) o inverso de a a/(a + 1).

n
Desenvolvemos detalhadamente as propriedades (ii) e (iv).
(ii)

i
v
(a ? b) ? c = (ab + a + b) ? c
m
= (ab + a + b)c + (ab + a + b) + c

la
= abc + ac + bc + ab + a + b + c
i
u
= abc + ac + ab + a + bc + b + c
l
a
= a(bc + b + c) + a + bc + b + c
Pre
de
= a ? (b ? c)
(iv)
tas

a a2 a
a? = +a
a+1 a+1 a+1
no

a2 a(a + 1) a
ini

=
a+1 a+1
o

a2 + a2 + a a
gr
ar-

=
a+1
rs

lle

= 0.
e

O grupo tambm comutativo. J


Lin

. Pe

Exemplo 1.17. Dado um natural n > 0, o conjunto de todas as matrizes invertveis n n um grupo
com a operao usual de multiplicao de matrizes: (i) se A, B so n n, ento AB ser tambm uma
Ve

matriz n n; (ii) a multiplicao de matrizes operao associativa; (iii) o elemento identidade a matriz
bra

oC

identidade (iv) todas as matrizes do grupo so invertveis.


Este grupo, no entanto, no comutativo, j que a multiplicao de matrizes no , de maneira geral,
im
e

comutativa. J
lg

1.3 Corpo
Jer

Definimos agora outra estrutura algbrica, o corpo, que modela as operaes que usualmente fazemos (R
com soma e multiplicao um corpo), alm de ser parte da definio de espao vetorial (conceito central
em lgebra Linear).
1.3. CORPO 7

Definio 1.18. Um corpo consiste de um conjunto e duas operaes, denotadas e +, com as propriedades
listadas a seguir.

As duas operaes so associativas.

As duas operaes so comutativas.

142
Vale a distributividade de sobre +.

r
H elementos neutros 0 para soma e 1 para multiplicao.

o
a
Todo elemento do corpo tem um inverso aditivo.

e rs
n
Todo elemento diferente de 0 tem inverso multiplicativo. 

Exemplo 1.19. (Q, +, ), (R, +, ) e (C, +, ) so corpos.


i
v
Para todos estes conjuntos as seguintes propriedades valem:
m
+ e so associativas e comutativas; reais.

la
Vale a distributividade: a(b + c) = ab + ac para quaisquer a, b e c;
i
u
l
a
O zero neutro para soma: a + 0 = a para todo a; O um neutro para multiplicao: 1a = a para
Pre
de
todo a;

Para todo a existe um inverso aditivo, (1)a, tal que (1)a + a = 0;


tas

Todo a 6= 0 tem inverso multiplicativo, que denotamos a1 , tal que aa1 = 1.

H diferenas importantes entre estes trs corpos: o corpo dos racionais no completo (no contm
no

ini

os irracionais, que no podem ser representados como frao); o corpo dos reais completo e ordenado,
o

2
a inequao x < 0; os complexos j incluem estas solues, porque contm
mas no inclui solues para
gr
ar-

a unidade imaginria i = 1, mas no se pode orden-los. J


rs

lle

Exemplo 1.20. Fixado um nmero n, denotamos o conjunto de todas as matrizes de ordem n por Mnn .
e

Este conjunto no um corpo com as operaes de soma e multiplicao de matrizes, porque:


Lin

. Pe

Nem toda matriz diferente de zero tem inversa;


Ve

A operao de multiplicao no comutativa3 . J


bra

oC


Exemplo 1.21. Seja Q[ 2] o conjunto dos nmeros da forma a + b 2, onde a, b Q, com adio e
multiplicao usuais. Este conjunto um corpo:
im
e
lg

As operaes so as usuais, portanto so associativas e comutativas, e vale a distributividade.


n


H neutros: 0 + 0 2 para adio e 1 + 0 2 para multiplicao.

Jer

Para todo a + b 2 existe inverso aditivo a b 2.


3 Um anel o mesmo que um corpo, exceto que no vale a comutatividade para multiplicao, e os elementos no necessariamente

tm inverso multiplicativo (ou seja, no se define a operao de diviso). Mnn um anel.


8 CAPTULO 1. ESPAOS VETORIAIS

Para todo (a + b 2) 6= 0 existe inverso multiplicativo
  !
1 1 ab 2
=
a+b 2 a+b 2 ab 2

ab 2

142
= 2
a 2b2

   
a b

r
= 2,
a2 2b2 a2 2b2
| {z } | {z }

o
a

x y 2

e rs

n
e o inverso multiplicativo de a + b 2 tambm da forma x + y 2. Observamos que a2 2b2 6= 0
quando a, b 6= 0.

i
v

m
Finalmente, a soma e multiplicao de elementos em Q[ 2] resulta em elementos em Q[ 2]. So-
mando,
  

la

a + b 2 + x + y 2 = (a + x) + (b + y) 2.
i
u
l
Multiplicando:
a
Pre

 
de

a + b 2 x + y 2 = ax + ay 2 + bx 2 + b 2y 2

= ax + ay 2 + bx 2 + 2by
tas


= (ax + 2by) + (ay + bx) 2. J
no

ini

O prximo exemplo o corpo Z2 , de extrema importncia em Computao. Este corpo diferente dos
o

outros corpos que apresentamos por ser finito.


gr
ar-
rs

Exemplo 1.22. Neste exemplo exploramos um corpo com apenas dois elementos. Podemos representar
lle

os valores lgicos verdadeiro e falso como 0 e 1, e estes sero os elementos de nosso corpo.
e
Lin

As operaes que definiremos so as duas operaes lgicas a seguir:


. Pe

e, tambm denotado por . Por definio, o e de a e b um se e somente se tanto a como b


Ve

valem um. A tabela-verdade da operao


bra

oC

a b (a b)
im

0 0 0
e
lg

0 1 0
n

1 0 0
1 1 1
Jer

ou-exclusivo, tambm denotado por . Por definio, o ou-exclusivo de a com b um se e so-


mente se a e b tem valores diferentes (um deles zero e outro um). A tabela-verdade da operao
1.3. CORPO 9


a b (a b)
0 0 0
0 1 1
1 0 1

142
1 1 0

r
O conjunto { 0, 1 } com as operaes lgicas (e) e (ou exclusivo) um corpo: (i) as duas operaes
so associativas; (ii) as operaes so tambm comutativas; (iii) distributiva sobre a (b c) =

o
a
(a b) (a c); (iv) h elementos neutros: 0 para e 1 para ; (v) todo elemento do corpo seu prprio
inverso aditivo; (vi) O nico elemento diferente de 0 (que o 1) tem inverso multiplicativo (ele mesmo).

e rs
n
Este corpo chamado de Z2 , porque subconjunto dos inteiros com dois elementos4 . Observe que as
operaes e tambm podem ser descritas usando soma e multiplicao: se a e b pertencem a {0, 1},

i
v
ento
m
a b o mesmo que o resto da diviso de a + b por 2, e

la
a b o mesmo que ab. J
i
u
As operaes em Z2 (e, ou-exclusivo) so normalmente implementadas por circuitos lgicos usados na
l
a
construo de computadores e outros dispositivos digitais.
Pre
de
F Exemplo 1.23. Este exemplo est em nvel de abstrao acima do resto do texto, e deve ser considerado
opcional.
Um nmero chamado de algbrico se raiz de algum polinmio
tas

an xn + an1 xn1 + . . . + a1 x + a0 ,
no

ini

onde os ai so inteiros. Um nmero que no algbrico chamado de transcendental.


o

corpo, chamado de corpo de nmeros algbricos, muitas


O conjunto de todos os nmeros algbricos um
gr
ar-

vezes denotado por A. Este corpo contm Q, i = 1, todos os mltiplos de i com coeficientes raci-
rs

onais, a razo urea5 , mas no contm nmeros transcendentais como e e. Alguns outros nmeros
lle

transcendentais (e que portanto no pertencem a A) so


e


Lin

2
. Pe

2 , o nmero de Hilbert.
sen 1, e de maneira geral sen x, cos x e tan x para todo nmero algbrico x diferente de zero.
Ve
bra

oC

ii = e/2 = 0.207879576 . . .
4 Este corpo tambm chamado de GF , onde GF significa Galois Field, corpo de Galois um corpo de Galois um corpo finito.
2
O nome referencia ao matemtico Francs variste Galois, que foi quem introduziu a idia de corpos com quantidade finita de
im
e

elementos.
lg

5 a razo a/b para todos reais tais que a+b = a . A razo urea est presente na Natureza de diversas formas, e importante
a b
em muitas reas das Cincias e Artes. Seu valor 1+2 5
n

, tambm igual frao


1
1+ .
Jer

1
1+
1
1+
.
1 + ..
10 CAPTULO 1. ESPAOS VETORIAIS

0.12345678910111213141516 . . ., o nmero de Champernowne, que construdo concatenando os


dgitos dos nmeros naturais 1, 2, 3, . . .

H aplicaes importantes deste corpo por exemplo, os nmeros algbricos so usados em um mtodo
para obter a fatorao de nmeros inteiros grandes, algo de grande relevncia em Criptanlise.
No mostraremos neste texto que A um corpo. J

142
r
F 1.3.1 Operando com corpos

o
a
Tudo o que pudermos fazer usando as operaes de corpo em nmeros reais, tambm podemos fazer

e rs
n
com outros corpos. Em particular, interessante observar que podemos resolver equaes e sistemas de
equaes em qualquer corpo.
Exemplo 1.24. Facilmente resolvemos a equao linear 2x + 3 = 10 em R, isolando x e obtendo
i
v
m
10 3 7
x= = .
2 2

la
Agora resolvemos equaes lineares em corpos diferentes. Por lineares entendemos equaes onde uma
i
u
incgnita pode aparecer multiplicada por uma constante (ou seja, um elemento do corpo), mas no por
l
a
outra incgnita ou por ela mesma.
Pre
de
Primeiro, resolvemos 3x + 10 + 2 = 1 + 16 2 em Q[ 2]: isolamos x e obtemos

3x = 1 10 + 16 2 2
tas


3x = 9 + 15 2

x = 3 + 5 2.
no

ini
o

Este exemplo parece bastante natural, porque realizamos as operaes usuais de soma e multiplicao, e
gr
ar-

suas inversas (subtrao e diviso). Resolvemos agora uma equao em Z2 . Como os elementos do corpo
rs

so apenas 0 e 1, somente eles podem ser usados na equao (ou seja, as constantes e incgnitas valem 0
lle

ou 1). Em Z2 , as operaes que usamos so soma (ou exclusivo) e multiplicao (e lgico). Observamos
e

que neste corpo a funo inversa da soma ela mesma, porque


Lin

. Pe

1 1 = 0.
Ve
bra

Embora isto possa, em um primeiro contato, parecer incorreto, nada na definio de corpo impede que
oC

somar dois nmeros seja o mesmo que somar um nmero com seu inverso aditivo.
Resolveremos agora a equao 1 x 1 = 0. Isolamos x:
im
e

1x1 =0
lg

x1 =0 (porque 1 x = x)
n

x11 =01 (1 em ambos os lados)


Jer

x0 =01 (1 1 = 0)
x0 =1 (0 1 = 1)
x = 1. J
1.4. ESPAOS VETORIAIS 11

Exemplo 1.25. Tambm podemos resolver sistemas de equaes lineares. Neste exemplo denotamos
por para que a notao fique mais limpa; por exemplo, ao invs de 1 a 0 b, escrevemos 1a + 0b.
Em Z2 , resolvemos um sistema 2 2.

1x 1y = 1
0x 1y = 1

142
Como 0x = 0, e 1y = 1, da segunda equao temos 0 y = 1, e segue imediatamente que y = 1.

r
Substituindo na primeira equao, obtemos

o
a
1x 1 1 = 1

e rs
n
x11 =1 (1x = x)
x1 =1 (1 1 = 1)

i
v
x =0
m
Verificamos agora a soluo que encontramos (x = 0, y = 1):

la

1(0) 1(1) = 1,
i
0(0) 1(1) = 1 u
l
a
Pre

que se traduz em
de

0 1 = 1,
01=1
tas

que est de acordo com o que espervamos.


A soluo de sistemas de equaes em Z2 de grande importncia em Criptografia e Criptanlise. J
no

ini
o

gr
ar-

1.4 Espaos vetoriais


rs

lle

Um espao vetorial uma estrutura que generaliza as propriedades de vetores em R3 , como as conhecemos
e

da Geometria Analtica. Em um espao vetorial podemos somar elementos e realizar multiplicao no


Lin

. Pe

por elementos do prprio espao, mas por escalares, que so elementos de um outro conjunto (um corpo).

Definio 1.26 (Espao Vetorial). Um espao vetorial sobre um corpo K um conjunto V com duas opera-
Ve

es, adio de vetores, denotada por + e multiplicao por escalar, denotada por concatenao. A soma opera
bra

oC

em pares de vetores e retorna um vetor (+ : V V V), e a multiplicao por escalar opera em pares de
escalar e vetor, retornando um vetor ( : K V V). Para que V e K com as duas operaes formem um
im
e

espao vetorial as operaes devem ter as seguintes propriedades:


lg

As duas operaes so associativas:


n

c(dv) = (cd)v
Jer

u + (v + w) = (u + v) + w.

A soma de vetores (+) comutativa: u + w = w + u.


12 CAPTULO 1. ESPAOS VETORIAIS

A multiplicao por escalar () distributiva, tanto sobre adio de vetores como sobre adio de
escalares:

c(v + w) = cv + cw
(c + d)v = cv + dv.

142
Existe um vetor 0, neutro para adio: v + 0 = v.

r
Para todo vetor v existe um vetor v, tal que v + (v) = 0.

o
a
1v = v (a multiplicao pela identidade do corpo no modifica um vetor).

e rs
n
Dizemos que K o corpo subjacente ao espao vetorial V.
O espao vetorial com um nico elemento chamado de espao trivial. 

i
v
de vital importncia observar que definimos as operaes como + : V V V e : K V V, e
m
que portanto o vetor que resulta da aplicao delas deve sempre pertencer ao espao V onde so definidas
(ou seja, vale o fechamento para as duas operaes).

la
No espao trivial, o nico elemento deve necessariamente ser o vetor zero, porque a existncia do
i
neutro aditivo requisito.
u
l
interessante observar que no definimos em um espao vetorial o produto de um vetor por outro, e
a
isto est em consonncia com o nome lgebra linear: em uma forma linear, ax+b, multiplica-se a varivel
Pre
de
x por um escalar a, mas no pelo prprio x ou por outra varivel. Por exemplo, a forma ax2 + bx + c
quadrtica, e no linear.
A seguir temos exemplos de diferentes espaos vetoriais. Mostramos que so realmente espaos ve-
tas

toriais: para isso mostramos que as operaes de soma e multiplicao resultam em um vetor no mesmo
espao, e que as operaes tem as propriedades listadas na definio de espao vetorial.
no

ini

Exemplo 1.27 (vetores no plano). O conjunto de todos os vetores no plano com as operaes de soma de
o

vetores e multiplicao por escalar um espao vetorial sobre R, porque:


gr
ar-
rs

Os vetores so pares de nmeros reais, que podemos representar como vetores coluna.
lle
e

O corpo R
Lin

. Pe

A operao de soma de vetores e a de multiplicao por escalar so associativas.

A soma de vetores no plano comutativa (u + v = v + u).


Ve
bra

oC

 
Vale a distributividade de sobre +. Se representarmos os vetores por v = v1 , etc, temos:
v2
im
e

      
u1 v u + c v1
lg

c + 1 =c 1
u2 v2 u2 v
 2
n

   
(c + d) v1 = c v1 + d v1 .
v2 v2 v2
Jer

 
O vetor zero, 0 = 0 , quando somado a qualquer outro vetor v, resulta em v.
0
1.4. ESPAOS VETORIAIS 13

Para todo vetor v h um outro vetor u, de mesma magnitude e orientao oposta, tal que v + u = 0.

A multiplicao de um vetor qualquer por 1 no altera o vetor.

Um vetor no plano representado por dois nmeros (ordenada e abscissa), e portanto podemos associar
cada vetor com o produto cartesiano de R com R. Por isso o plano denotado R2 , e o espao tridimensional

142
denotado R3 . De maneira geral, denotamos o espao de n dimenses por Rn (claro, para n > 3 perde-
mos a possibilidade de visualizar o espao, mas ainda assim as operaes com n coordenadas so anlogas

r
quelas em R2 e R3 ). J

o
a
Exemplo 1.28. Considere o conjunto de vetores em R2 , com as seguintes operaes:

e rs
n
A operao usual de multiplicao por escalar

A seguinte operao de soma de vetores:

i
v
 T
(a, b)T  (x, y)T =
m ax,
p
by .

la
Se trocarmos a soma usual de vetores por esta operao, no teremos um espao vetorial, porque esta
i
u
operao no associativa, como fica claro ao calcularmos (i) (u  v)  w (a seguir, esquerda); e (ii)
l
u  (v  w) (a seguir, direita):
a
Pre

(i) (ii)
de

T
(u  v)  w = ( u1 v1 , u2 v2 )T  (w1 , w2 )T u  (v  w) = (u1 , u2 )T  ( v1 w1 , v2 w2 )
tas

T T

q q q q
= w1 u1 v1 , w2 u2 v2 = u1 v1 w1 , u2 v2 w2
no

ini

Assim, (R2 , , ) no espao vetorial. J


o

gr

Antes dos prximos exemplos, demonstramos alguns fatos bsicos a respeito de espaos vetoriais.
ar-
rs

Teorema 1.29. Seja V um espao vetorial e u, v V. Ento


lle
e

i) Se u + v = v ento u = 0.
Lin

. Pe

ii) 0v = 0 (zero vezes um vetor igual ao vetor 0).


Ve

iii) Para todo v, o vetor v nico, e v = (1)v.


bra

oC

iv) c0 = 0 para qualquer escalar c.


im

v) Existe um nico w V tal que u + w = v.


e
lg

Demonstrao. Demonstraremos cada item na ordem em que aparecem no enunciado.


n

(i)
Jer

u+v=v
u + v + (v) = v + (v)
u=0
14 CAPTULO 1. ESPAOS VETORIAIS

(ii) 0v = (0 + 0)v = (0v) + (0v). Pela propriedade anterior (i) temos necessariamente v = 0.
(iii) Sejam v e v 0 dois opostos de v, ou seja,

v + v = 0
v 0 + v = 0.

142
Ento v e v 0 so iguais:

r
v = v + 0 = v + (v + v 0 )

o
= (v + v) + v 0

a
= 0 + v0

e rs
n
= v.

i
v
Alm disso, temos
v + (1)v = 1v + (1)v = (1 1)v = 0v = 0.
m
e portanto = v = (1)v.

la
(iv) k0 = k(v + (v)) para todo v. Usando (iii) que acabamos de provar, temos
i
u
k(v + (v)) = k(v + (1)(v))
l
a
= kv + (k)(v)
Pre
de
= (k k)v
= 0v,
tas

que pela propriedade (ii) acima, igual a 0.


(v) Sejam u, v, w tais que u + w = v. Ento
no

ini

u+w=v
o

uu+w=vu
gr
ar-
rs

w = v u.
lle
e

Como v + (u) definido de forma nica porque u nico (conforme a propriedade (iii) acima), w
Lin


. Pe

nico.
Exemplo 1.30 (polinmios). Denotamos o conjunto de todos os polinmios em x com grau n e coefici-
Ve

entes reais por Rn [x].


bra

oC

Polinmios podem ser somados e multiplicados por escalares:


A soma de dois polinmios an xn + an1 xn1 + + a0 e bn xn + bn1 xn1 + + b0
im
e

(an + bn )xn + (an1 + bn1 )xn1 + + (a0 + b0 ).


lg

(1.1)
n

Por exemplo,
Jer

   
3x3 + 2x2 8 + x3 + x + 1 = (3 1)x3 + (2 + 0)x2 + (0 + 1)x + (8 + 1)

= 2x3 + 2x2 + x 7.
1.4. ESPAOS VETORIAIS 15

A multiplicao de um real k por um polinmio an xn + an1 xn1 + + a0 igual a

kan xn + kan1 xn1 + + ka0 . (1.2)

Por exemplo,

142
 
7 3x3 + 4x2 1 = 7(3)x3 + 7(4)x2 + 7(1)

r
= 21x3 + 28x2 7.

o
a
Para qualquer n 0, Rn [x] um espao vetorial.

e rs
n
Como estamos trabalhando com polinmios reais, consideramos que o o corpo subjacente com sendo
R.

i
v
A soma de dois polinmios de grau n resulta em outro polinmio de grau n, conforme a equa-
m
o 1.1.

la
A multiplicao de um polinmio de grau n por um escalar resulta em outro polinmio de mesmo
i
grau (ou em zero, se o escalar for zero), conforme a equao 1.2.
u
l
a
A soma de polinmios associativa: dados tres polinmios p(x), q(x), e r(x), ento
Pre
de
(p(x) + q(x)) + r(x) = p(x) + (q(x) + r(x)).
tas

A multiplicao de um polinmio por um escalar associativa: sejam p(x), q(x), e r(x) trs polin-
mios e c, d nmeros reais. Ento
no

ini

 
c dp(x) = (cd)p(x)
o

   
p(x) + q(x) + r(x) = p(x) + q(x) + r(x).
gr
ar-
rs

A soma de polinmios comutativa: p(x) + q(x) = q(x) + p(x).


lle
e

Vale a distributividade da multiplicao sobre a soma. Sejam p(x) e q(x) polinmios e c, d nmeros
Lin

. Pe

reais. Temos
 
c p(x) + q(x) = cp(x) + cq(x)
Ve
bra

(c + d)p(x) = cp(x) + dp(x)


oC

O nmero zero , ele mesmo, um polinmio, e a soma de um polinmio p(x) com zero resulta em
im
e

p(x). Assim, 0 elemento neutro para soma.


lg

para todo polinmio p(x) com grau n h um outro, de mesmo grau (p(x), o polinmio p(x)
n

multiplicado por 1), tal que p(x) + (p(x)) = 0.


Jer

A multiplicao de um polinmio por 1 no modifica o polinmio. J


Exemplo 1.31. Considere o conjunto de pontos definido no plano pela funo y = 2x2 . Tratamos cada
ponto do grfico da funo como um vetor em nosso espao vetorial, e definimos as duas operaes:
16 CAPTULO 1. ESPAOS VETORIAIS

soma de vetores: somamos as primeiras coordenadas dos pontos, e calculamos a segunda.

(x1 , 2x21 ) + (x2 , 2x22 ) = (x1 + x2 , 2(x1 + x2 )2 ).

multiplicao por escalar: multiplicamos a primeira coordenada do ponto pelo escalar, e calculamos a
segunda.

142
k(x, 2x2 ) = (kx, 2[kx]2 )

r
A prxima figura ilustra geometricamente a operao de soma de vetores; a de multiplicao anloga.

o
a
y

e rs
4

in
v
2
m
la
0 x
i
3 2 1 0
u 1 2 3
l
a
Pre
de
2
tas

4
no

ini
o

As operaes so associativas;
gr
ar-
rs

A soma comutativa;
lle
e

A multiplicao por escalar distributiva;


Lin

. Pe

O vetor (0, 0) pertence ao nosso espao, e neutro para adio;


2 2
Todo vetor tem um inverso aditivo: se v = (x, x2 ), ento v = (x, x2 ). Temos v + (v) = (0, 0);
Ve
bra

oC

2 2
A multiplicao de um vetor por um no o modifica: 1(x, x2 ) = (x, x2 ). J
im
e

Exemplo 1.32 (funes). Seja F(R) o conjunto de todas as funes de R em R. Por exemplo, f(x) = 2x,
lg

g(x) = tan(x) so elementos de F(R). Podemos somar duas funes e multiplicar uma funo por um
escalar: sejam f, g F. Ento,
n

A soma de f com g f + g, tal que (f + g)(x) = f(x) + g(x).


Jer

A multiplicao de f por um nmero real k kf, tal que (kf)(x) = k(f(x)).

O conjunto F, com as operaes de soma de funes e multiplicao por escalar, um espao vetorial:
1.4. ESPAOS VETORIAIS 17

A soma de funes comutativa:

(f + g)(x) = f(x) + g(x) = g(x) + f(x) = (g + f)(x).

A multiplicao de funo por escalar associativa:

142
c(d(f(x)) = (cd)f(x)

r
A soma de funes associativa:

o
a
   
(f + g) + h (x) = f(x) + g(x) + h(x)
= f(x) + g(x) + h(x)

e rs
n

= f(x) + g(x) + h(x)]
 
= f + (g + h) (x).
i
v
m
Vale a distributividade da multiplicao sobre a soma:

la

k(f + g)(x) = k f(x) + g(x) = kf(x) + kg(x).
i
u
l
a
A funo constante f(x) = 0 o neutro aditivo: para toda funo g,
Pre
de
(f + g)(x) = f(x) + g(x) = 0 + g(x) = g(x).

Toda funo f tem um inverso aditivo, que (1)f.


tas

 
f + (1)f (x) = f(x) + (1)f(x) = f(x) f(x) = 0 = z(x),
no

ini

onde z(x) a funo constante zero.


o

A multiplicao de uma funo por 1 no a modifica. J


gr
ar-
rs

Exemplo 1.33 (nmeros reais, operaes trocadas). As operaes usadas em espaos vetoriais no preci-
lle

sam ser a soma e multiplicao usuais. Elas precisam apenas ter as propriedades listadas na definio de
e

espao vetorial. Por exemplo, podemos definir o seguinte espao vetorial:


Lin

. Pe

O conjunto de vetores R (os nmeros reais exceto o zero);


Ve

O corpo usado R;
bra

oC

A operao de soma de vetores a multiplicao de reais: u v = uv


A operao de multiplicao por escalar a exponenciao: c v = vc
im
e
lg

Neste espao, o elemento identidade para soma deve ser necessariamente 1: x 1 = x. O inverso aditivo
n

de cada elemento x x1 . J
Exemplo 1.34 (matrizes). O conjunto de todas as matrizes reais m n, que denotamos Mmn , um
Jer

espao vetorial: podemos somar matrizes e multiplic-las por escalares reais, e as propriedades necessrias
so mantidas. Este um espao vetorial sobre R, j que os escalares que multiplicamos pelas matrizes so
reais. J
18 CAPTULO 1. ESPAOS VETORIAIS

F Exemplo 1.35. Este exemplo aborda a relao entre os vetores de um espao e o corpo subjacente, e ilustra
um fato muito importante. Tentaremos construir um espao vetorial de duas maneiras parecidas. Uma
delas funcionar e a outra no.
Se tomarmos todas as matrizes 2 2 com coeficientes reais, mas usarmos o corpo Q para os escalares,
no teremos problemas. Ao multiplicarmos um escalar racional pela matriz real, obtemos outra matriz
real. Por exemplo,

142
!
m
 
m 0 0
n
= em m 2 .

r
n e 2 n n

o
a
Assim, podemos ter o corpo subjacente igual a Q, mas com matrizes reais como vetores. Temos um espao
vetorial sobre Q.

e rs
J o contrrio no possvel: suponha que queiramos usar apenas matrizes 2 2 racionais e escalares

n
reais, portanto V o conjunto destas matrizes e exclumos assim todas as matrizes que tem elementos
irracionais. As operaes podero resultar em matrizes reais:
i
v
 


m 
3 1 0 = 3 0 .
3 2 3 3 2 3

la
Esta ltima matriz tem elementos irracionais, e no pertence a V, portanto no temos um espao vetorial.
i
u J
l
a
Exemplo 1.36 (sequncias). Comeamos este exemplo com a definio de sequncias.
Pre
de
Definio 1.37 (sequncia). Uma sequncia uma funo de N em R. Sequncias normalmente so deno-
tadas por (an ), (bn ). O n-simo termo da sequncia (ou seja, a valor funo para o argumento igual a n)
tas

usualmente denotado por an , bn , etc, sem os parnteses, ao invs da notao tradicional para funes
a(n), b(n), etc. 
no

ini

Por exemplo, podemos definir uma sequncia (an ):


o

a1 = 2
gr
ar-

an = 2an1 + 1
rs

lle

Temos ento a1 = 5, a2 = 11, a3 = 23, . . ..


e

Um exemplo bastante conhecido a sequncia de Fibonacci, dada por


Lin

. Pe

F1 = 1
Ve

F2 = 1
bra

oC

Fn = Fn1 + Fn2 .
im

A seguir mostramos os primeiros nmeros da sequncia de Fibonacci.


e
lg

F1 =1 F5 =5
n

F2 =1 F6 =8
F3 =2 F7 = 13
Jer

F4 =3 F8 = 21
Sejam (an ), (bn ), . . . sequncias. Definimos as operaes de soma de sequncias e multiplicao de sequn-
cia por escalar da maneira natural:
1.4. ESPAOS VETORIAIS 19

A soma de duas sequncias (cn ) = (an ) + (bn ) sequncia onde cada termo ci a soma de termos
a + i + bi .
A multiplicao de uma sequncia (an ) por um nmeor real k a sequncia (cn ) = k(an ), cujos
termos so ci = kci .

142
Por exemplo, se (an ) = (2, 4, 6, 8, . . .) a sequncia dos pares comeando com dois, e (bn ) = (10, 20, 30, 40, . . .)
a sequncia dos mltiplis de dez, comeando com dez, ento

r
(an ) + (bn ) = (12, 24, 36, 48, . . .)

o
a
3(an ) = (6, 12, 18, 24, . . .)

e rs
n
Ento o conjunto de todas as sequncias um espao vetorial:
i) a soma de sequncias associativa e comutativa;

i
v
ii) a multiplicao de sequncia por escalar associativa;
m
iii) a sequncia zn = 0 neutra para soma de sequncias;

la
iv) para toda sequncia (an ), existe uma sequncia (an ) tal que (an ) + (an ) = (zn ). J
i
u
l
F
a
Exemplo 1.38 (solues de equao diferencial). Uma equao diferencial ordinria uma equao envol-
Pre

vendo uma funo e uma ou mais de suas derivadas. Uma resumida introduo s Equaes Diferenciais
de
dada no Apndice .
Considere a equao diferencial
tas

y 00 y = 0. (1.3)
A equao linear, porque da forma an y(n) + an1 y(n1) + + a1 y + a0 = f(x).
no

ini

A equao homognea, porque apenas a varivel dependente aparece na equao no vemos a


o

varivel independente nem constantes (a0 = 0, f(x) = 0).


gr
ar-
rs

As solues da equao 1.3 so da forma


lle

y = aex bex ,
e
Lin

. Pe

porque para todo x R,


d2 d n
aen bey ae bey = 0.
Ve

dx2 dx
bra

oC

onde a e b so constantes arbitrrias. As solues formam um espao vetorial: a soma de duas solues
resulta em outra soluo sejam (a,b) e (, ) as constantes que determinam duas solues diferentes para
im
e

a EDO. Ento
aex bex + ex ex = (a + )ex (b + )ex
lg

A multiplicao por escalar tambm resulta em outra soluo:

c(aex + bex ) = (ca)ex + (cb)ex .


Jer

Finalmente, as propriedades de espao vetorial valem: (i) a soma de solues associativa e comutativa;
(ii) a multiplicao por escalar associativa; (iii) y = 0 soluo (com a = b = 0), e funciona como neutro
20 CAPTULO 1. ESPAOS VETORIAIS

aditivo; (iv) toda soluo tem oposto basta multiplic-la por 1; (v) multiplicar 1 por uma soluo no a
modifica.
O conjunto de solues para qualquer EDO linear homognea sempre um espao vetorial.
Uma excelente introduo s Equaes Diferenciais o livro de Tenenbaum em Pollard [TP63]. Mais
resumidos, os livros de Coddington [Cod61] e Bear [Bea62] so tambm timos textos sobre o assunto. J

142
Exemplo 1.39 (variveis aleatrias). Seja o espao amostral de um experimento aleatrio. Uma varivel
aleatria real uma funo X : R.

r
Por exemplo, se o espao amostral o conjunto de pessoas em um prdio, a funo que mapeia cada

o
pessoa em sua massa corporal uma varivel aleatria.

a
O conjunto de todas as variveis aleatrias em um espao vetorial quando usamos a operao usual
de soma de variveis aleatrias, e a multiplicao de uma varivel aleatria por escalar real.

e rs
n
Sejam A e B duas variveis aleatrias definidas no mesmo espao amostral , e seja C = A + B. Para
todo evento simples , C() = A() + B(). Fica portanto claro que:

i
v
A soma de variveis aleatrias associativa e comutativa.
m
A multiplicao de varivel aleatria por escalar distributiva sobre a soma.

la
A varivel aleatria Z, que leva todo elemento de em 0, o elemento neutro para adio.
i
u
l
a
Se A varivel aleatria, ento a varivel aleatria A, que leva os elementos do espao amostral
aos valores opostos aos que A leva, tambm .
Pre
de

Multiplicar uma varivel aleatria por 1 no a modifica.


tas

Mostramos ento que o conjunto das variveis aleatrias reais em um mesmo espao amostral um espao
vetorial sobre R. J
no

ini

F Exemplo 1.40 (sequncias de bits). Mencionamos no exemplo 1.22 o corpo Z2 , onde as operaes so o
o

e () e o ou-exclusivo (). Definimos agora um espao vetorial sobre este corpo, de maneira anloga
a Rn sobre os reais. Cada vetor uma sequncia de n bits, e as operaes so:
gr
ar-
rs

Soma: feita elemento a elemento somar o vetor b = (b1 , b2 , . . . , bn ) com o vetor b 0 = (b10 , b20 , . . . , bn0 )
lle

resulta em (b1 b10 , b2 b20 , . . . , bn bn0 ). Por exemplo,


e
Lin

. Pe

(0, 1, 0, 1, 1)
Ve

(0, 0, 1, 1, 0)
bra

oC

= (0, 1, 1, 0, 1)

Multiplicao por escalar: feita elemento a elemento multiplicar c pelo vetor (b1 , b2 , . . . , bn ) re-
im
e
lg

sulta em (cb1 , cb2 , . . . , cbn ). Como h somente dois escalares no corpo (0 e 1), listamos aqui o efeito
da multiplicao de vetores por eles.
n

1 (b1 , b2 , . . . , bn ) = (b1 , b2 , . . . , bn )
Jer

0 (b1 , b2 , . . . , bn ) = (0, 0, . . . , 0).

Este espao chamado de Zn


2. J
1.4. ESPAOS VETORIAIS 21

F Exemplo 1.41 (ciclos em grafo). Um grafo uma representao grfica de uma relao em um conjunto.
Grafos tem aplicao em uma enorme quantidade de reas das Engenharias, da Computao e da Matem-
tica. A figura a seguir mostra exemplos de grafos.

142
r
o
a
e rs
in
v
m
la
i
u
l
a
usual dar nomes aos ns, e desenhar o grafo com os nomes de cada n seu lado.
Pre
de
Para poder trabalhar com grafos como objetos matemticos, precisamos dar a eles uma definio for-
mal. Definimos um grafo como um par (V, E), onde V um conjunto de vrtices (representados grafica-
mente como pontos) e E um conjunto de arestas (graficamente so os traos que unem vrtices), de
tas

forma que cada aresta em E seja um conjunto de dois dos vrtices em V.


Damos um exemplo de grafo na prxima figura.
no

ini

b
o

a
gr
ar-

c
rs

lle
e

f
Lin

. Pe

d
e
Ve
bra

oC

O conjunto de vrtices do grafo


V = {a, b, c, d, e, f}.
im
e

As arestas so
lg

{a, c}, {a, d}, {b, c}, .


n

E=
{b, e}, {b, f}, {c, d}
Um subgrafo uma parte de um grafo.
Jer

Definio 1.42 (subgrafo). Seja G = (V, E) um grafo. Um subgrafo de G um grafo G 0 = (V 0 , E 0 ) tal que
V 0 V e E 0 E. 
22 CAPTULO 1. ESPAOS VETORIAIS

O grafo em negrito na figura a seguir um subgrafo do grafo anterior. Neste texto, quando quisermos
mostrar um subgrafo, ele ser desenhado em negrito sobre o grafo original, que ser desenhado em tom
de cinza claro.
b
a

142
c

r
o
f

a
d

e rs
e

n
O vetor caracterstico de um conjunto de arestas um vetor com E posies. A posio i do vetor um se ei

i
v
est no subgrafo, e zero se no est. Por exemplo, o vetor caracterstico do subgrafo que mostramos
m
{a, b} 0

la
{a, c}
1

{a, d} 0
i

{a, e} u

0

l
a
{a, f} 0

Pre
de
{b, c} 0

{b, d}

0

{b, e} 0
tas



{b, f}
1

{c, d} 1

no

ini

{c, e} 0

o

{c, f}

0

gr
ar-

{d, e} 0

rs

{d, f} 0
lle
e

Os elementos do vetor caracterstico so 0 e 1. Ser conveniente usarmos as operaes de Z2 nestes vetores.


Lin

. Pe

Multiplicar um vetor por 1 o mesmo que realizar a operao de e, e portanto resulta no mesmo vetor
(no modifica o subgrafo):
1 (0, 1, 1, 0, 0, 1)T = (0, 1, 1, 0, 0, 1)T .
Ve
bra

oC

A multiplicao por zero resulta no vetor zero (e portanto no grafo sem arestas, contendo somente os
vrtices), ou seja, multiplicar um subgrafo por zero o faz desaparecer.
im

A soma de dois vetores feita elemento-a-elemento, com a operao de soma em Z2 (ou seja, usando
e

ou-exclusivo):
lg

(0, 1, 1, 0, 0, 1)T (1, 1, 0, 1, 0, 1)T = (1, 0, 1, 1, 0, 0)T .


n

Em um grafo, esta operao representa a soma de dois subrafos: se uma aresta existe somente em um dos
subgrafos, ela passa a existir na soma. Se uma aresta existe nos dois subgrafos, ela deixa de existir na soma.
Jer

A figura a seguir ilustra a soma de dois subgrafos. Observe que as arestas (a, b), (b, c) e (d, e) existiam em
ambos os grafos, e no existem na soma (elas aparecem em cinza claro na ilustrao, apenas para facilitar
sua identificao).
1.4. ESPAOS VETORIAIS 23

b b
a a

c c

142
e e

r
d d

o
a
b

e rs
n
a

i
v
= c
m
e

la
d
i
u
l
a
Um ciclo em um grafo uma sequncia de arestas (e1 , e2 , . . . , ek ) formam um caminho, iniciando com um
Pre
de
vrtice e terminando nele mesmo6 . A figura a seguir ilustra um ciclo em um grafo; o ciclo formado pelos
vrtices (a2 , a3 , b1 , b0 ).
tas

b2 b1
no

ini
o

a3 a2
gr
ar-
rs

lle

a4 a1
e

b3 b0
Lin

. Pe

a0
Ve
bra

oC

b4
im
e

Quando somamos dois grafos, cada um composto por ciclos disjuntos (isto , ciclos que no compartilham
lg

arestas), o resultado tambm um grafo composto por ciclos disjuntos. No demonstraremos este fato, mas
n

ilustramos com um exemplo. A figura a seguir mostra dois grafos, G e H. Estes grafos tem dois vrtices (c
e d) e uma aresta (cd) em comum.
Jer

6 Esta definio est simplificada. Para mais detalhes, o leitor poder consultar a literatura de Teoria dos Grafos por exemplo, o

livro de Bondy e Murty [BM08]


24 CAPTULO 1. ESPAOS VETORIAIS

a e

c j c h
k
G= H=
d l d i

142
b g

r
O resultado da soma dos dois grafos, G H, mostrado a seguir.

o
a
a e

e rs
n
c j h

i
v
k
m
d l i

la
b g
i
u
l
a
Seja C a unio dos subgrafos sem arestas com o conjunto dos subgrafos de G que consistem de unies de
Pre

ciclos. C com as operaes que definimos um espao vetorial sobre Z2 :


de

Grafos sem arestas so o elemento neutro (zero), e sua soma com qualquer outro grafo de ciclos
tas

resulta no prprio grafo de ciclos;

A soma de dois ciclos resulta em um ciclo;


no

ini

A multiplicao de um elemento por 1 resulta no prprio elemento; por 0 resulta no grafo sem ares-
o

tas. J
gr
ar-
rs

lle

1.5 Subespaos
e
Lin

. Pe

Definio 1.43 (Subespao). Seja V um espao vetorial, e seja tambm U V. Se as mesmas operaes
que tornam V um espao vetorial7 tambm tornam U um espao vetorial, ento U um subespao de V. 
Ve

Teorema 1.44. Todo espao vetorial V no trivial tem pelo menos dois subespaos: o prprio V e o espao trivial.
bra

oC

Demonstrao. O espao trivial subespao de qualquer espao V porque


im
e

{ 0 } V.
lg

Como s h um elemento no espao trivial, no h vetores a somar.

A multiplicao de qualquer escalar por 0 associativa: (cd)0 = c(d0) = 0.


Jer

O zero neutro para adio (0 + 0 = 0).


7 Alguns autores dizem que U munido das mesmas operaes de V.
1.5. SUBESPAOS 25

Para todo vetor no espao trivial (ou seja, somente para o zero), 0 + 0 = 0.
A multiplicao de 1 por 0 igual a 0 (ou seja, no modifica o vetor zero).
Claramente V tambm subespao de V, porque V V. 
Exemplo 1.45. Considere o espao R3 . O conjunto de pontos da forma (v1 , v2 , 0) um subespao, porque:

142
(i) a soma de dois pontos desta forma resulta em outro tambm da mesma forma: (u1 , u2 , 0)+ (v1 , v2 , 0) =
(u1 + v1 , u2 + v2 , 0), e (ii) a multiplicao por escalar tambm resulta em outro ponto da mesma forma:

r
c(v1 , v2 , 0) = (cv1 , cv2 , 0). Alm disso, (i) a soma de vetores (os pontos) associativa e comutativa; (ii) a

o
a
multiplicao de vetores por escalar associativa:

c(du) = c(d(u1 , u2 , 0))

e rs
n
= c(du1 , du2 , 0)
= (cdu1 , cdu2 , 0)
i
v
= (cd)(u1 , u2 , 0)
m
= (cd)u,

la
e
i
u
u + (v + w) = (u1 , u2 , 0) + [(v1 , v2 , 0) + (w1 , w2 , 0)]
l
a
= (u1 , u2 , 0) + (v1 + w1 , v2 + w2 , 0)
Pre
de
= (u1 + v1 + w1 , u2 + v2 + w2 , 0)
= [(u1 + v1 , u2 + v2 , 0)] + (w1 , w2 , 0)
tas

= [(u1 , u2 , 0) + (v1 , v2 , 0)] + (w1 , w2 , 0)


= (u + v) + w;
no

ini

(iii) a multiplicao por escalar distributiva:


o

gr
ar-

c(u + v) = c [(u1 , u2 , 0) + (v1 , v2 , 0)]


rs

= c(u1 , u2 , 0) + c(v1 , v2 , 0)
lle
e

= cu + cv,
Lin

. Pe

(c + d)v = (c + d)(v1 , v2 , 0)
Ve
bra

oC

= c(v1 , v2 , 0) + d(v1 , v2 , 0)
= cv + dv;
im
e

(iv) o vetor 0 = (0, 0, 0) neutro para soma; (v) para todo vetor (u1 , u2 , 0) existe um vetor (u1 , u2 , 0)
lg

tal que (u1 , u2 , 0) + (u1 , u2 , 0) = 0; (vi) multiplicar 1 por um vetor v no modifica o vetor.
n

Este exemplo mostra tambm que podemos visualizar R2 como subespao de R3 uma vez que igno-
rando a terceira coordenada (que igual a zero), temos um plano. J
Jer

Exemplo 1.46. Sabemos que os reais so um espao vetorial (os vetores so nmeros reais, e o corpo
subjacente o prprio R). Os racionais no so subespao dos reais, porque a multiplicao de x Q
por escalar real no necessariamente racional: (2/3) = 2/3. J
26 CAPTULO 1. ESPAOS VETORIAIS

Se sabemos que V um espao vetorial e U V, j sabemos tambm que todas as propriedades das
operaes em V tambm valem em U (porque as operaes so as mesmas). Resta apenas determinar se
este subconjunto fechado para as operaes de soma de vetores e multiplicao por escalar. Para isso,
verificamos que: (i) o vetor zero pertence a U; (ii) as operaes de soma e multiplicao por escalar de
elementos de U resultam em elementos tambm de U.
A figura a seguir mostra, por exemplo, dois subconjuntos de um espao vetorial V. No primeiro caso,

142
U subconjunto, mas h vetores x e y tais que x + y = z / U. Como esta condio j no satisfeita,
podemos dizer que U no subespao de V. No segundo caso, a soma de quaiquer x e y est em W, o zero

r
est em W, e para todo x e todo c, cx est em W, portanto W subespao de V.

o
a
e rs
in
v
V V
m
U W
x 0 x

la
c
i
+ z u cx + z
l
a
Pre
de
y y
tas
no

ini
o

Teorema 1.47. Se V um espao vetorial e U V, de forma que 0 U e U fechado para as operaes de


gr
ar-

multiplicao por escalar e soma de vetores, ento U subespao de V.


rs

lle

Exemplo 1.48. Considere o subconjunto de R2 , X = { (x, y) : x + y = 0 }. X subespao de R2 , porque


e

(0, 0) X; a soma de dois vetores de X resulta em outro vetor de X. Sejam (a, b) e (x, y) pontos de X.
Lin

. Pe

(a, b) + (x, y) = (a + x, b + y)
Ve

Somando as coordenadas do novo vetor, temos


bra

oC

(a + x) + (b + y) = (a + b) + (x + y) = 0 + 0 = 0.
im
e

a multiplicao de vetores de X por escalar resulta em outro vetor de X. Seja (x, y) vetor em X e c um
lg

escalar.
n

c(x, y) = (cx, cy)


Ento
Jer

cx + cy = c(x + y) = 0c = 0.
O conjunto X definido acima a reta y = x. H outras retas que so subespaos de R2 : basta que passem
pela origem (porque precisamos do vetor 0).
1.5. SUBESPAOS 27

Geometricamente, podemos verificar que a adio de vetores nesta reta resulta sempre em outro vetor
tambm sobre a mesma reta e que a multiplicao por escalar tambm mantemos vetores na reta. Como
alm disso a reta pasa pela origem, o vetor zero est tambm na reta, e portanto, como soma e multiplicao
por escalar resultam em vetores na reta, e ela contm o zero, trata-se de um subespao de R2 .

142
4

r
2
y

o
a
0

e rs
n
4 2 0 2 4
x
2

i
v
m
4

la
i
u
O raciocnio geomtrico que fizemos obviamente vale para qualquer reta passando pela origem (e real-
mente, so todas subespaos de R2 ).
l
aP
De maneira geral, o conjunto { (x1 , x2 , . . . , xn ) : xi = 0 } subespao de Rn . J
Pre
de

Exemplo 1.49. Considere o conjunto de pontos X = { (x, y) : x + y = 1 }. X subconjunto de R2 , mas


no um subespao de R2 , porque
tas

i) (0, 0)
/ X.
no

ini

ii) A soma de dois vetores de X no resulta em outro vetor de X.


o

gr

iii) A multiplicao de um vetor de X por escalar no resulta em outro vetor de X.


ar-
rs

lle
e

4
Lin

. Pe

2
y
Ve
bra

oC

0
4 2 0 2 4
x
im
e

2
lg

4
Jer

Exemplo 1.50. Considere o conjunto de pontos X = { (x, y) : x, y Z }, ilustrado na figura a seguir.


28 CAPTULO 1. ESPAOS VETORIAIS

2
y

142
0
4 2 0 2 4
x

r
2

o
a
4

e rs
n
X subconjunto de R2 , mas no um subespao de R2 , porque a multiplicao de um vetor de X por escalar
i
v
real no resulta em outro vetor de X. Os escalares em um espao vetorial no podem ser inteiros, porque
m
isto seria o mesmo que definir o espao vetorial sobre Z, que no formam um corpo. J

la
Exemplo 1.51. Considere o subconjunto de R3 , X = (x, 2x, x2 )T , ou seja, vetores onde a segunda coor-
denada o dobro da primeira e a terceira o quadrado da primeira. X no um subespao vetorial de R3 ,
i
u
porque (1, 2, 1)T e (2, 4, 4)T pertencem a X, mas sua soma, (3, 6, 5)T no pertence a X (porque 32 6= 5). J
l
a
Pre

Exemplo 1.52. Para r R, o conjunto de pontos em uma circunferncia, C = { x2 + y2 r2 } no


de
subespao de R2 : a multiplicao por escalar leva pontos de C a pontos fora de C: para todo r podemos
encontrar um c tal que cx2 + cy2 > r. Geometricamente, o conjunto C define os vetores dentro de uma
tas

circunferncia com raio r e qualquer vetor em C diferente de zero pode ser multiplicado por algum escalar
grande o suficiente para passar a ter magnitude maior que o raio. J
no

ini

Exemplo 1.53. Podemos tambm voltar a ateno para o conjunto das funes contnuas cujo domnio
R, que denotado C0 .
o

Para verificar que C0 um espao vetorial, verificamos que um conjunto de funes de R em R, e


gr
ar-
rs

portanto valem os argumentos postos nos itens do exemplo 1.32 e de fato, este conjunto subconjunto
lle

de F(R). No entanto, como o conjunto diferente, precisamos garantir a presena do vetor (funo) zero
e

e o fechamento das operaes:


Lin

. Pe

A funo constante zero, z(x) = 0, contnua e est definida em R.


Ve

A soma de duas funes contnuas definidas em R tambm contnua em R.


bra

oC

A multiplicao de uma funo contnua por um escalar resulta em outra funo, tambm contnua.
J
im
e

Exemplo 1.54. Uma funo contnua pode no ser diferencivel (como |x|, por exemplo) ou pode ser de-
lg

rivvel k vezes (onde k pode ser infinito). O conjunto de funes k vezes diferenciveis (ou seja, para as
n

quais a k-sima derivada definida) denotado por Ck .


Verificamos que Ck um espao vetorial:
Jer

A funo constante zero, z(x) = 0, derivvel infinitas vezes.

A soma de duas funes com a k-sima derivada definida ser uma funo tambm k vezes derivvel.
1.5. SUBESPAOS 29

A multiplicao de uma funo com a k-sima derivada definida por um escalar resulta em outra
funo, tambm k vezes derivvel. J

Exemplo 1.55. O conjunto das funes f : R R contnuas em um dado intervalo [a, b] denotado por
C[a, b]. Para qualquer intervalo [a, b] no-vazio de R, C[a, b] um espao vetorial.
Para verificar que este um espao vetorial, observamos inicialmente que este no um subconjunto

142
de F(R), porque os domnios das funes so diferentes: f : R R, f(x) = x2 diferente de g :
[a, b] R, g(x) = x2 . No entanto, podemos argumentar que o conjunto formado pelas funes em

r
F(R), restritas ao intervalo [a, b] um espao vetorial, e que C[a, b] subespao desse conjunto, pelos
mesmos argumentos que apresentamos para mostrar que C0 subespao de F(R).

o
J

a
F Exemplo 1.56. Vimos no exemplo 1.38 que o conjunto de solues de uma EDO linear homognea um

e rs
n
espao vetorial. Mencionamos ali tambm que as solues de

y 00 y = 0
i
v
m
so as funes da forma
y(x) = aex bex = 0.

la
i
O conjunto de funes
g(x) = aex u
l
a
Pre
de
subespao das solues para esta EDO:

A funo zero da forma aex , com a = 0;


tas

A soma fechada: aex + ex = (a + )ex ;


no

ini

A multiplicao por escalar fechada: k(aex ) = (ka)ex .


o

A soluo geral especifica duas constantes arbitrrias, a e b. Fixando qualquer uma delas em zero, temos
gr
ar-

um subespao. J
rs

lle

Exemplo 1.57. As funes pares, mpares, racionais e as funes definidas por polinmios so tambm
e

subespaos de F(R). J
Lin

. Pe

Exemplo 1.58. Considere o sistema homogneo de equaes lineares, com n variveis e m equaes.
Ve
bra

oC

a11 x1 + a12 x2 + + a1n xn = 0


a21 x1 + a22 x2 + + a2n xn = 0
.. .
.
im
e

am1 x1 + am2 x2 + + amn xn = 0


lg

O mesmo sistema pode ser escrito da forma Ax = 0, onde A uma matriz m n, com o coeficiente aij
n

na linha i e coluna j, x o vetor coluna (x1 , . . . , xn )T e 0 o vetor coluna zero. Assim, podemos dizer
que as solues para Ax = 0 so todos os vetores coluna x Rn que satisfazem o sistema homogneo de
Jer

equaes definido por A. Este conjunto de vetores subespao de Rn , como verificamos a seguir.
Faremos a demonstrao de duas maneiras: primeiro, com o sistema na forma de equaes, e depois
usando a forma matricial.
30 CAPTULO 1. ESPAOS VETORIAIS

i) A soluo com x1 = x2 = = xn = 0 sempre vlida para sistemas homogneos (ou seja, o vetor
0 sempre soluo). Para cada linha i, temos

ai1 x1 + ai2 x1 + + ain xn


= ai1 (0) + ai2 (0) + + ain (0)

142
= 0.

ii) A soma de duas solues uma soluo: Sejam (x1 , x2 , . . . , xn ) e (y1 , y2 , . . . , yn ) duas solues para

r
o sistema. Ento (x1 + y1 , x2 + y2 , . . . , xn + yn ) tambm soluo: para cada linha i, verificamos

o
a
que

e rs
ai1 (x1 + y1 ) + ai2 (x2 + y2 ) + + ain (xn + yn )

n
= ai1 x1 + ai1 y1 + ai2 x2 + ai2 y2 + + ain xn + ain yn
   

i
v
= ai1 x1 + ai2 x2 + + ain xn + ain xn + ai1 y1 + ai2 y2 + + ain yn + ain yn
m
= 0.

la
iii) A multiplicao de uma soluo por escalar resulta em outra soluo. O exerccio 31 pede a demons-
i
trao deste item.
u
l
a
i) A soluo com x = 0 sempre vlida para Ax = 0, porque A0 = 0.
Pre
de
ii) A soma de duas solues uma soluo: Se Ax = 0 e Ay = 0, ento
tas

A(x + y) = Ax + Ay (multiplicao distributiva para matrizes)


=0+0
= 0.
no

ini
o

iii) A multiplicao de uma soluo por escalar resulta em outra soluo. Se Ax = 0, ento
gr
ar-
rs

A(kx) = kAx
lle

= k0
e

= 0.
Lin

. Pe

Note que sistemas homogneos de equaes lineares podem ser tambm definidos com coeficientes e vari-
Ve

veis em corpos diferentes de R. Assim, As solues de um sistema deste tipo onde as variveis e coeficientes
bra

oC

so complexos formam um subespao de Cn , e de maneira geral, a solues de um sistema como este em


um corpo K qualquer subespao de Kn . J
im
e

F Exemplo 1.59. No espao Z52 , os vetores da forma 0xxx0 (ou seja, o primeiro e ltimo elemento so zero)
lg

formam um subespao:
n

O vetor zero, 00000, est contido no subespao;


Jer

A soma 0xxx0 0yyy0 resulta em um vetor da forma 0zzz0;


A multiplicao por escalar tambm resulta em vetores da mesma forma: 0 (0xxx0) = (00000), e
1 (0xxx0) = 0xxx0. J
1.5. SUBESPAOS 31

F Exemplo 1.60. Considere o espao Z42 . O conjunto a seguir seu subespao:

C = { 0000, 0011, 1101, 1110 } .

0000 C.

142
A soma () de elementos de C resulta em outro elemento de C:

0011 1101 = 1110

r
0011 1110 = 1101

o
a
1101 1110 = 0011

e rs
n
Alm disso, a soma de qualquer vetor com ele mesmo resulta em 0000, e a soma de qualquer vetor
com zero resulta no prprio vetor.

i
v
A multiplicao () pelos escalares resulta em elemento de C: 0 x = 0 e 1 x = x.
m
J

la
Teorema 1.61. Sejam U, W subespaos de um espao vetorial V. Ento U W tambm subespao de W.
i
u
Demonstrao. Como ambos so subconjuntos de V, basta mostrar que U W fechado para as operaes.
l
a
Sejam x, y U W e c um escalar. Como x U e x W, temos cx U e cx W, e portanto
Pre
de
cx U W,
Similarmente, como x, y esto tanto em U como em W, x + y tambm devem pertencer a U e a W.
Conclumos que x + y U W. 
tas

Exemplo 1.62. Considere os subespaos de R3 :



no

ini

A = (x, y, 0)T : x, y R

o

B = (x, y, 2y)T : x, y R .
gr
ar-


rs

Estes subespaos so planos passando pela origem. A interseo deles R = (x, y, 0)T : x R , que
lle

tambm subespao de R3 . J
e

Exemplo 1.63. O trao de uma matriz a somatria dos elementos de sua diagonal.
Lin

. Pe

Seja A o espao das matrizes diagonais de ordem tres, e B o espao das matrizes quadradas de ordem
tres com trao zero.
Ve

A interseo A B o conjunto das matrizes diagonais de ordem tres com trao zero. Este , tambm
bra

oC

um espao vetorial, com as mesmas operaes usuais de soma de matrizes e multiplicao por escalar. J
Exemplo 1.64. Seja F(R) o espao vetorial das funes reais. Considere dois subespaos de F(R):
im
e
lg

i) O conjunto das funes reais contnuas, C0 ;


n

ii) O conjunto das funes reais pares P.


Jer

A interseo desses dois formada pelo conjunto das funes reais contnuas pares. Esta interseo
tambm subespao de F(R):
A funo constante zero contnua e par;
32 CAPTULO 1. ESPAOS VETORIAIS

Multiplicar uma funo contnua e par por um escalar resulta em outra funo contnua e par;

A soma de duas funes contnuas pares uma funo contnua par. J

Exemplo 1.65. Seja A o espao de todas as sequncias reais constantes, e B o espao de todas as sequn-
cias de nmeros inteiros pares. A interseo dos dois conjuntos o conjunto das sequncia de constantes

142
inteiros pares, que tambm espao vetorial. J

Definio 1.66 (Soma de espaos vetoriais). Se V um espao vetorial e U, W V, ento dizemos que

r
U + W = {u + w : u U, w W}

o
a
a soma de U e W. 

e rs
n
Exemplo 1.67. Os conjuntos A, da forma (0, x, y, 0)T , B da forma (0, 0, y, z)T so subespaos de R4 . A

i
v
soma destes dois subespaos
A + B = { u + v : u A, v B } .
m
o conjunto A + B contm vetores da forma (0, x, y, 0)T + (0, 0, y, z)T , que o mesmo que (0, x, 2y, z)T ,

la
ou (0, x, y, z)T a primeira coordenada zero, e as outras trs so livres (nenhuma depende da outra).
Note que h muitos vetores em A B. Por exemplo, (0, 0, 1, 0)T est tanto em A como em B, assim
i
u
como (0, 0, 2, 0)T na verdade, (0, 0, c, 0)T A B para todo c R. J
l
a
Pre

Definio 1.68 (Soma direta). Seja um espao vetorial V com subespaos U e W. Dizemos que V soma
de
direta de U e W se V soma de U e W, e U W = { 0 }. Denotamos a soma direta por V = U W. 

Proposio 1.69. Seja V um espao vetorial com subespaos U e W. Ento V = U W se e somente se, para todo
tas

v V, existe um nico u U e um nico w W tal que v = u + w,

Exemplo 1.70. Seja A o subespao de R3 formado pelos vetores da forma (x, y, 0)T , e seja B o subespao
no

ini

de R3 formado por vetores da forma (0, 0, z)T . Qualquer vetor de R3 pode ser descrito de forma nica
o

como a soma de um vetor de A com outro de B:


gr
ar-
rs

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


lle
e

portanto R3 = A B. Outra maneira de decompor R3 em trs subespaos, X, Y e Z, contendo vetores


Lin

. Pe

da forma (x, 0, 0)T , (0, y, 0)T e (0, 0, z)T , respectivamente. Um vetor de R3 ento pode ser decomposto
unicamente em
(x, y, z)T = (x, 0, 0)T + (0, y, 0)T + (0, 0, z)T .
Ve
bra

oC

Podemos generalizar, definindo que para qualquer n, Rn pode ser decomposto em subespaos onde cada
subespao representa algumas das dimenses:
im
e

(v1 , v2 , . . . , vn )T = (v1 , 0, 0, . . .)T


lg

+ (0, v2 , v3 , 0, 0, . . .)T
n

+ ...
+ (0, 0, . . . , vn )T .
Jer

De maneira geral, R3 pode ser decomposto na soma direta de trs retas no colineares, ou de um plano e
uma reta no pertenente a este plano (todos sempre passando pela origem). J
1.5. SUBESPAOS 33

Exemplo 1.71. A soma do exemplo 1.67 no soma direta, porque um vetor (0, a, b, c) em A + B pode ser
decomposto de diferentes maneiras:

(0, a, b, c)T = (0, a, b, c)T + (0, 0, 0, 0)T


= (0, a, 0, c)T + (0, 0, b, 0)T
b b

142
= (0, a, , 0)T + (0, 0, , c)T
2 2
..

r
. J

o
a
Exemplo 1.72. Os conjuntos A = { (x, y)T : x + y = 0 } e B = { (x, y)T : x y = 0 } descrevem duas
retas em R2 , ambas contendo a origem.

e rs
4

in
v
m
2
y

la
0
i
4 2 0
u 2 4
l
a x
Pre

2
de

4
tas

Ento
no

ini

A + B = { (x, y)T : x + y = 0 ou x y = 0 } ,
o

mas como A B = { 0 } e A + B = R2 , logo temos


gr
ar-

A B = A + B = R2 .
rs

lle
e

Podemos tambm observar que possvel escrever qualquer vetor de R2 como soma de um vetor dentro
Lin

J
. Pe

de cada reta na figura.


Exemplo 1.73. Seja Rn [x] o espao vetorial dos polinmios com grau mximo n e coeficientes reais. Con-
Ve

sidere os dois subconjuntos de Rn [x]:


bra

oC

Rm1 [x], o espao dos polinmios com grau mximo m 1;


Rm..n [x], o espao dos polinmios com grau entre m e n, mais o polinmio zero, com 0 < m < n.
im
e
lg

Qualquer polinmio de Rn [x] pode ser descrito unicamente como a soma de um polinmio de Rm1 (x)
n

com outro de Rm..n [x]:

an xn + an1 xn1 + . . . + am xm + am1 xm1 + . . . + a1 x + a0


Jer

= an xn + an1 xn1 + . . . + am xm + am1 xm1 + . . . + a1 x + a0 .


 
| {z } | {z }
Rm..n [x] Rm1 [x]
34 CAPTULO 1. ESPAOS VETORIAIS

Note que o lado esquerdo pode ser zero (que pertence a Rm..n [x]) se todos os coeficientes ali forem zero.
Assim, temos Rn [x] = Rm [x] Rm..n [x].
Mais concretamente: seja R4 [x] o conjunto de todos os polinmios com grau no mximo 4. Ento R4 [x]
pode ser decomposto, por exemplo, em

R2 [x], o espao dos polinmios com grau mximo 2;

142
R3..4 [x], o espao dos polinmios com grau entre 3 e 4, mais o polinmio zero.

r
Qualquer polinmio de grau menor ou igual a quatro pode ser escrito como a soma de (i) um polinmio de

o
a
grau entre 3 e 4, ou zero, e um polinmio de grau no mximo 2:

a4 x4 + a3 x3 + a2 x2 + a1 x + a0

e rs
n
= a4 x4 + a3 x3 + a2 x2 + a1 x + a0 .
 
J
| {z } | {z }

i
v
R3..4 [x] R2 [x]
m
Exemplo 1.74. O conjunto das funes lineares reais

la
L = {f(x) = ax : a R}
i
O conjunto das funes constantes u
l
a
Pre

K = {f(x) = k : k R}
de

O conjunto das funes afim


tas

A = {f(x) = ax + b : a, b R}
Estes trs conjuntos, com as operaes usuais, so espaos vetoriais. Tanto L como K so subespaos de A.
no

ini

Mais ainda, A soma direta de L e K,


A = L K,
o

gr
ar-

porque a interseo de L e K vazia (no existe funo que seja ao mesmo tempo das duas formas).
rs

Podemos notar tambm que cada funo afim, da forma f(x) = ax + b, pode ser escrita de uma nica
lle

maneira como soma de uma funo linear e uma constante:


e
Lin

. Pe

ax + b = (|{z}
ax ) + (|{z}
b ). J
L K
Ve

Exemplo 1.75. Podemos somar o espao das funes contnuas com o das funes pares. Isto resultar em
bra

oC

um espao vetorial onde cada funo

contnua, ou
im
e

par, ou
lg

a soma de uma funo contnua com uma funo par (que pode no ser nenhuma das duas coisas).

No entanto, esta no uma soma direta, porque a interseo dos dois conjuntos no vazia: as funes
Jer

cos(x) e |x|, por exemplo, so contnuas e pares. J

F Exemplo 1.76. Sejam


1.6. APLICAES 35

i) A o espao gerado pelas sequncias de bits 0110 e 1001;


ii) B o espao gerado pela sequncia de bits 0100;
iii) C o espao gerado pela sequncia de bits 1000.
O espao Z42 igual a A B C. Temos

142
A = {0000, 0110, 1001, 1111},

r
B = {0000, 0100},

o
C = {0000, 1000}.

a
Qualquer vetor (sequncia de bits) de Z42 pode ser escrita como soma de vetores desses conjuntos.

e rs
J

in
v
1.6 Aplicaes
m
Esta Seo detalha trs exemplos prticos do uso de estruturas algbricas: o primeiro e o terceiro em Crip-

la
tografia; o segundo na determinao de um mtodo para resolver o cubo mgico (ou cubo de Rubik); o
i
u
terceiro em Criptanlise; e o ltimo em cdigos corretores de erros. Grupos so tambm muito usados em
l
algumas reas da Qumica e da Fsica [Bis93; Ham89; Cor97].
a
Pre
de
1.6.1 Protocolo Diffie-Hellman para acordo de chaves [ grupo ]
tas

A Criptografia nos oferece mtodos para realizar comunicao privada, mesmo que o canal (meio) usado
seja pblico. Por exemplo, podemos usar Criptografia para enviar mensagens secretas pela Internet, e
para acessar sistemas bancrios sem que intrusos obtenham nossa senha, e poderamos citar uma grande
no

ini

quantidade de outras situaes onde a Criptografia nos protege, garantindo sigilo.


o

Antes da era moderna da Criptografia, o mtodo usado para encriptar e decriptar mensagens envolvia
gr

apenas uma chave secreta: se uma mensagem encriptada com chave (senha) k, ela pode ser decriptada
ar-
rs

por qualquer um que conhea aquela chave.


lle

Suponha que Alice e Bob queiram trocar mensagens em segredo8 , mas estejam fisicamente distantes
e

(em pases diferentes, por exemplo). Suponha tambm que eles s podem se comunicar por um canal
Lin

. Pe

inseguro: cartas que so bisbilhotadas pelo servio secreto, telefone grampeado, ou conexo insegura por
rede de computadores. Aparentemente impossvel que os dois consigam faz-lo sem se encontrarem
fisicamente, porque teriam que definir uma chave secreta para poderem encriptar as mensagens e ambos
Ve
bra

oC

precisam conhecer a mesma chave.


Em 1976, Whitfield Diffie e Martin Hellman mostraram como resolver este problema, apresentando um
mtodo para que duas pessoas possam definir conjuntamente um segredo, comunicando-se apenas por
im
e

canais pblicos9 . Este mtodo foi publicado com o ttulo New directions in Cryptography [DH76]. Hoje
o mtodo conhecido como protocolo Diffie-Hellman para acordo de chaves. A seguir descrevemos de maneira
lg

simplificada o mtodo desenvolvido por eles.


Alice e Bob devero portanto determinar, de comum acordo, um segredo (a chave criptogrfica para
se comunicarem, por exemplo) mas que s podem se comunicar em pblico (postando recados em um
Jer

8 comum em Criptografia darmos nomes aos dois usurios de um sistema criptogrfico de Alice e Bob.
9 O mtodo funciona de forma que duas pessoas poderiam us-lo em uma sala com diversas outras pessoas: os dois participantes

ditam em voz alta nmeros um ao outro, e depois de um tempo ambos conhecem um segredo que ningum mais na sala conhece.
36 CAPTULO 1. ESPAOS VETORIAIS

quadro de avisos, usando uma linha telefnica grampeada, ou atravs de uma rede de computadores des-
protegida).
O protocolo Diffie-Hellman usa operaes em um grupo. Para um exemplo simples10 , usaremos um
grupo definido da seguinte forma: o conjunto de elementos { 1, 2, . . . , p 1 }, onde p um nmero primo.
A operao de grupo para dois elementos a e b a b = resto da diviso de ab por p. Por exemplo, se
p = 7, ento para calcular 5 6, fazemos 5 6 = 30, e tomamos o resto da diviso de 30 por 7, que 2.

142
Observe que como p (neste exemplo, 5 primo), o resultado da operao nunca ser zero, portanto
nunca obteremos um elemento fora do

r
Exemplo 1.77. Escolhemos, para fins didticos11 , p = 5. Os elementos do grupo so { 1, 2, 3, 4 }.

o
a
Calculamos como exemplo 2 2. Temos 2 2 = 4, e o resto de 4 5 4, portanto 2 2 = 4.
Agora calculamos 3 2. Temos 3 2 = 6. O resto de 6 4 2, portanto 3 2 = 2. J

e rs
n
Em grupos definidos desta forma, sempre haver pelo menos um elemento g que podemos usar para
escrever todos os outros elementos usando a operao de grupo. Chamamos este elemento de gerador do
i
v
grupo. No exemplo anterior, podemos escrever todos os elementos usando somente g = 2. Por exemplo,
m
O elemento 4 pode ser escrito como 2 2, porque calculamos 2 2 = 4, e o resto de 4 5 4.

la
O elemento 3 pode ser escrito como 2 2 2:
i
u
l
2 2 2 = (2 2) 2
a (a operao associativa)
Pre
de
=42 (j calculado antes, 2 2 = 4)
= resto de 8 5
= 3.
tas

O mesmo pode ser feito para o elemento 1:


no

ini

2 2 2 2 = (2 2) (2 2) (a operao associativa)
o

=44 (j calculado antes, 2 2 = 4)


gr
ar-

= resto de 16 5
rs

lle

= 1.
e
Lin

. Pe

Vemos portanto que podemos escrever todos os elementos usando somente 2:

2=2
Ve
bra

oC

4=22 (2 2 = 4. Resto de 4 5 4)
3=222 (Resto de 8 5 3)
im

1=2222 (Resto de 16 5 1)
e
lg

a vezes
z }| {
n

comum usar a notao ga para ggg g, portanto

2 = 21
Jer

10 Em situaes prticas, h diversas restries quanto forma como o grupo definido; a apresentao do protocolo neste texto

foi simplificada.
11 Na prtica, p deve ser muito grande.
1.6. APLICAES 37

4 = 22
3 = 23
1 = 24

Em grupos como este, calcular ga a partir de g e a pode ser feito rapidamente, mas calcular a a partir de
ga extremamente demorado: para p perto de 22048 , um computador demoraria centenas de anos para

142
terminar o clculo.

r
Depois de definir p e determinar g (que podem ser pblicos), Alice e Bob seguem os passos a seguir.

o
i) Alice escolhe aleatoriamente seu segredo, 1 < a < p.

a
ii) Bob tambm escolhe seu segredo, 1 < b < p.

e rs
n
iii) Alice envia para Bob ga .

i
v
iv) Bob envia para Alice gb .
m
v) Alice, tendo o valor enviado por Bob, calcula (gb )a , que igual a gab (verifique!).

la
vi) Bob faz o mesmo, e calcula (ga )b , obtendo tambm gab .
i
u
Agora Alice e Bob tem o mesmo valor, gab , que pode ser usado como senha, porque conhecido apenas
l
a
por eles. Os dados enviados em pblico e que podem ser capturados pelo adversrio so ga e gb , mas com
Pre
de
estes dois valores seria difcil calcular a, b ou gab , e portanto Alice e Bob atingiram seu objetivo.
O grupo que apresentamos neste exemplo no o nico usado com o protocolo Diffie-Hellman em
aplicaes prticas grupos diferentes, com operaes mais complexas so usados. No entanto, o protocolo
tas

definido para quaisquer grupos onde haja um gerador12 , facilitando sua exposio e estudo.
A dificuldade de determinar a dado ga neste grupo fundamental em Criptografia: dizemos que f(a) =
a
no

g uma funo de mo nica, porque fcil de calcular mas difcil de inverter13 (a definio precisa
ini

de difcil fica fora do escopo deste texto, mas est relacionada com o tempo necessrio para efetuar a
o

operao).
gr
ar-

H algo importante sobre este protocolo criptogrfico: ele difcil de quebrar por computadores co-
rs

muns, mas pode ser facilmente quebrado por computadores qunticos (porque estes podem rapidamente
lle

calcular x a partir de gx ). A Criptografia moderna tem utilizado outros problemas, que no so fceis de
e

resolver mesmo por computadores qunticos.


Lin

. Pe

A exposio do protocolo Diffie-Hellman e de diferentes usos de grupos em Criptografia padro na


literatura da rea. O livro de Douglas Stinson bastante acessvel [Sti06]; o de Katz e Lindell traz uma
Ve

discusso mais aprofundada dos fundamentos tericos [KL08].


bra

oC

1.6.2 Cubo de Rubik [ grupo ]


im
e
lg

Grupos so usados no estudo do mtodo para soluo do cubo de Rubik, e este um exemplo importante
de grupo (e de estrutura algbrica) porque os elementos do grupo so movimentos.
n

O cubo de Rubik um quebra-cabeas tridimensional no formato de cubo que permite rotacionar cada
uma de suas seis faces nos dois sentidos (horrio e anti-horrio). Desta forma, o cubo tem cada face dividida
Jer

em nove pequenos quadrados, e cada face tem inicialmente uma cor diferente das outras.
12 H grupos que no so gerados por um nico elemento.
13 Mais precisamente, dado y = f(x), difcil encontrar algum elemento em sua pr-imagem.
38 CAPTULO 1. ESPAOS VETORIAIS

142
r
o
a
Ao rotacionar as faces, elas ficam em configuraes diferentes. Em cada configurao as faces podem apre-

e rs
sentar suas parties (os pequenos quadrados) com diversas cores diferentes.

n
O objetivo do jogador levar o cubo da configurao em que estiver para a configurao inicial, com
cada face tendo uma nica cor.

i
v
O grupo usado no estudo do cubo de Rubik tem como elementos o conjunto de todas as possveis mo-
m
dificaes na configurao do cubo (ou seja, todas as sequncias de rotaes das faces) mais o movimento
nulo, e a operao do grupo a concatenao (aplicao em sequncia). As rotaes so descritas usando

la
a seguinte notao:
i
F a face da frente (Front); u
l
a
Pre

B a face de trs (Back);


de

U a face de cima (Up);


tas

D a dace de baixo (Down);

L a face da esquerda (Left);


no

ini
o

R a face da direita (Right).


gr
ar-

A figura a seguir mostra as faces F, T e R.


rs

lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

Denotamos a rotao no sentido horrio pelo nome da face: F a rotao da face frontal 90o no sentido
n

horrio.
A rotao no sentido anti-horrio denotada pelo nome da face com a marca de um apstrofo: F 0 a
Jer

rotao da face frontal 90o no sentido anti-horrio.


Duas rotaes iguais em seguida formam uma rotao de 180o , que denotada pelo nome da face com
uma indicao: F2 o mesmo que F seguida de F.
1.6. APLICAES 39

Os elementos do grupo so as rotaes bsicas, j mencionadas (F, B, U, . . ., F 0 , . . . , F2 , . . .) e suas


composies em sequncia, FUB, F2 DU, etc. Note que FFF = F2 F = F 0 .
O movimento nulo denotado por E (Empty).
Verificamos que o conjunto e operao dados realmente um grupo:

A operao de grupo (duas rotaes) resulta em outro elemento do grupo.

142
A operao associativa.

r
O movimento nulo o elemento neutro.

o
a
Para cada rotao existe outra no sentido contrrio, e se as realizarmos em sequncia no alteramos

e rs
n
a configurao do cubo (e isso portanto equivalente ao movimento nulo).

A operao do grupo no comutativa basta observar que de maneira geral, FR leva a uma configu-
i
v
rao diferente de RF.
m
Um dos fatos bsicos sobre grupos que podemos usar ao raciocinar sobre o cubo o primeiro teorema
que provamos: todo elemento em um grupo tem um nico inverso e portanto toda sequncia de movi-

la
mentos, da maneira como as definimos, tem uma nica sequncia inversa.
i
u
O grupo descrito nesta Seo pode ser usado para derivar um mtodo para soluo do cubo de Rubik
l
a
(onde soluo significa levar o cubo de qualquer configurao para a inicial) o leitor poder consultar,
Pre

por exemplo os livros Notes on Rubiks Magic Cube, de David Singmaster [Sin81] e Adventures in Group
de
Theory: Rubiks Cube, Merlins Machine, and Other Mathematical Toys, de David Joyner [Joy08].
tas

F 1.6.3 Criptanlise moderna [ corpo; sistemas lineares em corpos ]


Uma cifra uma ferramenta criptogrfica usada para garantir sigilo em comunicaes: uma mensagem
no

ini

qualquer, representada como uma sequncia de bits (e portanto um elemento de Zn 2 ), misturada a


o

uma chave secreta (que outra sequncia de bits), de forma que um intruso no possa identificar mais a
gr
ar-

mensagem (e nem possa, claro, obter a chave secreta). Quando a mensagem chegar ao destinatrio, a
rs

chave secreta novamente usada para decodificar a mensagem.


lle
e

chave
Lin

. Pe
Ve
bra

oC

texto cifra texto


im

(encriptao) encriptado
e

claro
lg

A Criptanlise trata de verificar se uma ferramenta criptogrfica segura: tenta-se quebrar mtodos crip-
n

togrficos a fim de realizar algo semelhante a um controle de qualidade.


O mtodo da criptanlise algbrica consiste em representar um criptossistema como um sistema de equa-
Jer

es. A soluo deste sistema poder ser uma chave ou mensagem secreta (e portanto resolver o sistema
deveria ser difcil).
Desenvolveremos um exemplo muito simplificado de cifra e mostraremos como ele pode ser quebrado.
40 CAPTULO 1. ESPAOS VETORIAIS

Suponha que a entrada seja uma sequncia de quatro bits, b = b3 b2 b1 b0 , e uma chave, que uma
sequncia de quatro bits, k = k3 k2 k1 k0 . A sada uma sequncia de quatro bits, c = c3 c2 c1 c0 , e a cifra
opera da seguinte maneira:
k1 b0 b3 k2 = c3
k2 b1 b2 k3 = c2

142
k3 b2 b1 k0 = c1
k0 b3 b0 k1 = c0

r
Se conhecermos um par de texto claro e encriptado, podemos simplesmente substituir os bi e cj , obtendo

o
um sistema linear. Suponha, por exemplo, que b = 1001 e c = 1010. Ento o sistema linear a resolver em

a
Z2

e rs
n

k1 1 1k2 = 0
k2 0 0k3 = 1

k3 0 0k0 = 0
i
v
k0 1 1k1 = 1
m
Facilmente determinamos que a chave usada foi

la
k = k3 k2 k1 k0 = 0100,
i
u
l
a
como fcil verificar subtituindo k e b e obtendo o texto cifrado c.
Pre
de
O sistema descrito fcil de quebrar por vrios motivos, mas o mais evidente que ele se resume a um
sistema linear. Suponha que a cifra fosse, ao invs disso, determinada por
tas

k1 k2 b0 b3 k0 k1 k2 = c3
k2 k3 b1 b2 k1 k2 k3 = c2
k3 k0 b2 b1 k0 k1 = c1
no

ini

k0 k1 b3 b0 k3 k2 = c0
o

gr
ar-

Ainda que conheamos um par de texto claro e o texto cifrado obtido dele, no to simples determinar a
rs

chave: supondo que b = 1100 e c = 1010, o sistema que teramos que resolver
lle


k1 k2 0 1k0 k1 k2 =1
Lin

. Pe

k2 k3 0 1k1 k2 k3 =0

k3 k0 1 0k0 k1 =1
k0 k1 1 0k3 k2 =0
Ve
bra

oC

que no linear, e envolve equaes de grau trs. Assim, a no-linearidade uma essencial para a segurana
de uma cifra criptogrfica.
im
e

Algoritmos criptogrficos so projetados como sequncias de operaes em estruturas algbricas, de


lg

forma que seja fcil execut-las e que seja difcil invert-las sem a chave.
n

Alguns exemplos de critpossistemas quebrados usando criptanlise algbrica so o AS/5, usado no pa-
dro GSM de telefonia mvel, e o Keeloq, usado em dispositivos digitais em chaves de automveis.
O livro de Douglas Stinson [Sti06] traz uma breve introduo Criptanlise, embora no aborde a Crip-
Jer

tanlise Algbrica, que tem como pr-requisito um curso bsico de lgebra Abstrata. Sobre Criptanlise
Algbrica h o livro de Gregory Bard [Bar09] e o de Andreas Klein [Kle13] (estes dois ltimos requerem
considervel capacidade de abstrao e preparo em lgebra, Combinatria e Estatstica).
1.6. APLICAES 41

1.6.4 Cdigos corretores de erros [ espao vetorial; subespao ]


Quando uma mensagem eletrnica transmitida na forma de sequncia de bits, possvel que a transmisso
inclua erros na mensagem alguns dos bits podem vir trocados, porque os canais de transmisso no so
perfeitos. Para detectar e automaticamente corrigir estes erros as mensagens podem ser codificadas de
uma forma especial, usando um cdigo corretor de erros.

142
Ao usar um cdigo corretor de erros, enviamos mais informao do que apenas a mensagem, para que
seja possvel detectar quando um erro ocorre. fcil perceber que informao adicional permite detectar

r
e corrigir erros: se enviarmos cada mensagem cinco vezes, e em uma das vezes ela for transmitida com

o
a
erro, o receptor decidir que as quatro mensagens iguais devem ser aquela correta, e a quinta, diferente,
deve ter sido transmitida com erro. O envio de mltiplas cpias, no entanto, no eficiente: na verdade

e rs
n
possvel corrigir erros usando menos redundncia.
Em cdigos corretores de erros necessrio medir quo diferentes duas palavras so. Para isso usada
a distncia de Hamming14 .
i
v
Definio 1.78 (Distncia de Hamming). A distncia de Hamming entre duas sequncias de bits (ou seja, en-
m
tre dois vetores de Zn
2 ) a quantidade de posies em que eles diferem. Denotamos a distncia de Hamming

la
entre a e b por d(a, b). 
i
Exemplo 1.79. Exemplificamos com a distncia entre alguns vetores.
u
l
a
d(01011, 01000) = 2
Pre
de
d(0101, 0101) = 0
d(0001, 1010) = 3. J
tas

Supomos aqui que as mensagens a serem enviadas so divididas em blocos de k bits.


O emissor codifica as mensagens de k bits em palavras maiores, com n > k bits. Os bits adicionais sero
no

ini

usados para permitir a deteco e correo de erros. Por exemplo, suponha que k = 2 e n = 5. O emissor
o

ento transforma as mensagens originais de 2 bits em outras mensagens com 5 bits:


gr
ar-

00 00000
rs

lle

01 01011
e

10 10110
Lin

. Pe

11 11101
Ve

Este um cdigo que permite representar 4 palavras diferentes usando 5 bits, por isso chamado de [5, 4]-
bra

oC

cdigo. Est claro que o emissor no usar todas as possveis sequncias de 5 bits.
A palavra enviada do emissor ao receptor sempre uma daquelas quatro palavras de cinco bits. A
mensagem codificada tem mais bits para adicionar redundncia. O cdigo que demos de exemplo transforma
im
e

mensagens de dois bits em mensagens codificadas de cinco bits:


lg

codificao
(m1 , m2 ) (c1 , c2 , c3 , c4 , c5 ).
Jer

Observamos que, como h somente 22 palavras de dois bits, que estamos descrevendo com cinco bits, no
temos como usar todas as palavras de Z52 as palavras codificadas formam um subespao de Z52 : o zero
14 Trataremos em mais detalhes da definio de distncia no Captulo 7.
42 CAPTULO 1. ESPAOS VETORIAIS

est contido no conjunto; a multiplicao () por 0 ou por 1 resulta em palavra tambm no conjunto; e
finalmente, a soma tambm resulta em palavra deste conjunto:
01011 10110 = 11101
01011 11101 = 10110
10110 11101 = 01001

142
Aps uma mensagem ser enviada, o receptor ter cinco bits. Se os bits corresponderem a uma das quatro

r
palavras do cdigo, ele decidir que no houve erro e aceitar a mensagem. Se os bits no formarem uma
palavra do cdigo (ou seja se os bits pertencerem a Z52 mas no ao subespao do cdigo), ele decidir que

o
a
houve um erro.
Quando o receptor detecta um erro, ele automaticamente troca a mensagem recebida por uma do c-

e rs
n
digo aquela que for mais prxima (usando a distncia de Hamming) da que foi recebida.
Um subespao de Zn 2 pode ento ser visto como um cdigo corretor de erros. O fato de cdigos deste

i
v
tipo serem descritos como subespaos de Zn 2 no coicidncia: para que os algoritmos usados para detectar
e corrigir erros funcionem como projetados, o cdigo deve necessariamente ser subespao de Zn
m 2 , e no
apenas subconjunto.

la
Discutiremos mais sobre cdigos corretores de erros na seo 4.8.4; O livro de Hefez e Villela [HV08]
um texto introdutrio ao tpico.
i
u
l
a
Exerccios
Pre
de

Grupos
tas

Ex. 1 Mostre que ({ 0, 1 } , ) um grupo.


no

ini

Ex. 2 Na Seo 1.6.1 apresentamos uma estrutura e dissemos que um grupo. Verifique que de fato
o

se trata de um grupo (isso inclui, alm de demonstrar que as propriedades valem, mostrar tambm que a
operao de grupo sempre resulta em outro elemento do grupo e que nunca resultar em zero, que no
gr
ar-

pertence ao grupo). Tambm dissemos que usando aquela operao do grupo, (ga )b = gab . Mostre que
rs

lle

isso verdade.
e

Ex. 3 Prove que em qualquer grupo, o elemento neutro nico.


Lin

. Pe

Corpos
Ve


bra

oC

Ex. 4 No exemplo 1.21 exibimos o corpoQ[ 2], formado pelos nmeros da forma a + b 2. Pode-se
obter infinitos corpos como este, trocando 2 por outros nmeros. Que nmeros so estes? Demonstre o
que foi afirmado neste exerccio (que realmente se pode obter infinitos corpos desta forma).
im
e
lg

Ex. 5 O produto de Hadamard de duas matrizes A e B a matriz C tal que cij = aij bij . Dados m e n, seja
n

M o conjunto de matrizes m n com coeficientes reais. Determine se (M, +, ) um corpo, onde o


produto de Hadamard.
Jer

Ex. 6 Alm da operao lgicas e (denotada por ) definida no texto, em Lgica definimos a operao
ou, denotada por , de forma que a b = 1 se e somente se pelo menos um dentre a e b for 1. Determine
se ({ 0, 1 } , , ) um corpo.
1.6. APLICAES 43


p(x)
Ex. 7 Seja X = q(x) onde p e q so polinmios com q(x) 6= 0. X o conjunto de todas as funes
racionais. Determine se X um corpo com as operaes usuais de soma e multiplicao para polinmios.

Ex. 8 No exemplo 1.22, definimos as operaes E lgico () e Ou-exclusivo (). Verifique que estas
duas operaes so na verdade o mesmo que multiplicar e tomar o resto da diviso por 2; somar e tomar o

142
resto da diviso por 2.

r
Espaos Vetoriais

o
a
Ex. 9 A seguir h uma lista de conjuntos. Determine se estes conjuntos so espaos vetoriais, se usarmos
a soma e a multiplicao usuais.

e rs
n
i) { (a, b) R2 : a < b }.
ii) O conjunto dos nmeros complexos com coeficientes racionais (a + bi, a, b Q).
i
v
iii) O conjunto de pontos com coordenadas pares em R2 .
m
iv) O conjunto dos pontos com pelo menos uma coordenada prima em R2 .

la
v) O conjunto dos vetores (x, y, z)T em R3 tais que x = 0 ou y = 0.
i
u
vi) O conjunto dos vetores (x, y, z)T em R3 que so mltiplos de (3, 2, 1)T .
l
a
F vii) O conjunto dos vetores (x, y, z)t em R3 dentro de um cone.
Pre
de
viii) Os vetores em Rn que, quando lidos, so palndromos (ou seja, todos os vetores da forma15
(x1 , x2 , x3 , . . . , xdn/2e , . . . , x3 , x2 , x1 )). Por exemplo, os vetores (3, 5, 5, 3)T , (0, 1, 3, 1, 1, 3, 1, 0)T e
(9, 8, 1, 8, 9)T so palndromos.
tas

ix) O conjunto das funes reais crescentes.


no

ini

x) O conjunto das funes constantes de R em R.


o

xi) O conjunto das funes reais pares.


gr
ar-

xii) O conjunto das funes reais mpares.


rs

xiii) O conjunto das funes racionais (ou seja, as funes f(x) tais que f(x) = p(x)/q(x), onde p e q so
lle

polinmios.
e
Lin

xiv) O conjunto das funes reais tais que f(0) = f(1).


. Pe

xv) O conjunto das funes reais tais que f(0) = f(1) + 1.


R1
Ve

xvi) O conjunto das funes reais contnuas f(x) definidas no intervalo [0, 1], tais que f(x)dx = 0.
bra

oC

0
R1
xvii) O conjunto das funes reais contnuas f(x) definidas no intervalo [0, 1], tais que 0
f(x)dx 0.
xviii) O conjunto de todas as funes reais com perodo .
im
e

F
lg

xix) Dada uma partio dos reais em intervalos, o conjunto de funes que tem derivada com o mesmo
sinal em cada um dos intervalos.
n

F xx) Dada uma partio dos reais em intervalos, o conjunto de funes tais que as derivadas em dois in-
Jer

tervalos adjacentes, quando diferentes de zero, no podem ser de mesmo sinal.


xxi) O conjunto de funes F = { f(x) = a cos x + b sen x : a, b R }
15 Na frmula descrevendo o vetor, dn/2e o menor inteiro maior ou igual a n/2. Por exemplo, d3e = 3 e d4.2e = 5.
44 CAPTULO 1. ESPAOS VETORIAIS

xxii) O conjunto das matrizes 3 3 cujo determinante zero.


xxiii) O conjunto das matrizes A M33 tais que A2 = A.
xxiv) O conjunto das matrizes 2 2 da forma
 
x x+y

142
x+y y

r
xxv) O conjunto de todas matrizes diagonais de mesma ordem.

o
a
xxvi) O conjunto de todas matrizes triangulares superiores de mesma ordem.
xxvii) O conjunto das matrizes 4 4 cujas duas primeiras linhas so iguais a zero.

e rs
n
xxviii) O conjunto das matrizes 4 4 cujas duas primeiras linhas tem a mesma soma.

i
v
Ex. 10 Verifique se as operaes de soma a seguir podem ser usadas para tornar R2 um espao vetorial:
m
i) v + w = (v1 + w2 , w1 + v2 )T

la
ii) v + w = (v1 + v2 , w1 + w2 )T
iii) v + w = (v1 w1 , v2 w2 )T
i
u
l
iv) v + w = (2v1 + 2v2 , 3w1 + 3w2 )T
a
Pre

v) v + w = (v1 , v1 )T
de

vi) v + w = (v1 , 0)T


vii) v + w = (v1 , 1)T
tas

Ex. 11 Considere as seguintes operaes (os vetores so em R3 e k R:


no

ini
o

(x, y, z) + (a, b, c)T = (x + a, y + b, z + c)T


gr

k(x, y, z)T = (kx, y, z)T


ar-
rs

lle

Determine se R3 com estas duas operaes um espao vetorial.


e
Lin

Ex. 12 Defina a operao mdia para vetores da seguinte forma:


. Pe

1 1
x?y= x+ y
Ve

2 2
bra

oC

Prove que esta operao associativa, ou seja, que (u ? v) ? w = u ? (v ? w), se e somente se u = w.


im
e

Ex. 13 Prove que o conjunto de todas as sequncias de Fibonacci um espao vetorial (h infinitas pos-
lg

sveis sequncias de Fibonacci, cada uma comeando com diferentes valores para f1 e f2 ).
n

Ex. 14 Sejam dois espaos vetoriais, V e W, ambos sobre o mesmo corpo. As operaes de soma de
vetores nestes espaos so +V e +W . O conjunto V W o produto cartesiano de V com W, ou seja, os
Jer

elementos de V W so os pares (v, w), onde v V e w W. Que operaes podemos usar em V W para
torn-lo um espao vetorial? Verifique que V W com suas operaes tem cada uma das propriedades
descritas na definio de espao vetorial.
1.6. APLICAES 45

Ex. 15 Seja v um vetor em um espao vetorial sobre o corpo dos reais, e n N. Prove, usando a definio
de espao vetorial, que
nv = |v + v +{z + v}
nparcelas

142
Ex. 16 Prove que em qualquer espao vetorial o elemento neutro para adio nico.

Ex. 17 Sejam v, w dois vetores em um espao vetorial. Prove que v mltiplo de w ento w mltiplo

r
de v.

o
a
Ex. 18 Prove que em um espao vetorial,

e rs
n
i) 0v = 0.
ii) 1v + v = 0.

i
v
iii) c0 = 0.
m
iv) Se u + v = u ento v = 0.
v) Dado v, v nico.

la
vi) Se cv = 0 ento c = 0 ou v = 0.
i
u
l
a
Ex. 19 Prove que a quantidade de vetores em um espao vetorial sobre um corpo F finita se e somente
Pre
de
se F finito.
Ex. 20 Dissemos no exemplo 1.38 que o conjunto de solues para qualquer EDO linear homognea um
tas

espao vetorial. Demonstre este fato.

Ex. 21 Mostre que h equaes diferenciais no lineares cujas solues tambm formam um espao
no

ini

vetorial.
o

F Ex. 22 Resolva o sistema em Z2 :



gr
ar-


1x 1y 1z = 1
rs

lle

0x 1y 0z = 1


e

1x 0y 1z = 0.
Lin

. Pe

F Ex. 23 Mostre um sistema linear em Z2 que no tenha soluo.


Ve
bra

oC

Subespaos, soma e soma direta


Ex. 24 Demonstre a proposio 1.69.
im
e
lg

Ex. 25 Mostre que para a EDO y 00 + y 0 = 0, as funes da forma g(x) = aex bex , com a + b = 0, so
n

um subespao do conjunto de solues.


Jer

Ex. 26 O conjunto de matrizes reais simtricas quadradas subespao do espao de matrizes reais qua-
dradas?
Ex. 27 Seja A uma matriz m n. Para quais vetores b o conjunto { x : Ax = b } subespao de Rn ?
46 CAPTULO 1. ESPAOS VETORIAIS

Ex. 28 O primeiro quadrante um subespao de R2 ? Ou, de maneira geral, o primeiro ortante subes-
pao de Rn ?

Ex. 29 Encontre subespaos no-triviais do espao vetorial de n bits, definido no exemplo 1.40.

Ex. 30 O exemplo 1.57 lista alguns subespaos de F(R). Prove que so de fato subespaos.

142
Ex. 31 No exemplo 1.58 no verificamos que a multiplicao de uma soluo por escalar resulta em outra

r
soluo. Verifique.

o
a
Ex. 32 Considere os dois sistemas lineares com os mesmos coeficientes (a mesma matriz A):

e rs
i) Ax = 0

n
ii) Ax = b

i
v
Se v soluo para (i) e w soluo para (ii), ento v + w soluo para um dos dois sistemas. Qual deles?
Explique.
m
Ex. 33 No exemplo 1.58 verificamos que o conjunto de solues para um sistema homogneo de equa-

la
es lineares subespao de Rn . Explique porque isso no vale para sistemas no homogneos.
i
u
l
a
Ex. 34 Para qualquer conjunto X, denotamos por 2X o conjunto de todos os subconjuntos de X. Por
Pre

exemplo,
de

A = { 1, 2, 3 }
tas

2A = {, { 1 } , { 2 } , { 3 } ,
{ 1, 2 } , { 1, 3 } , { 2, 3 } ,
no

{ 1, 2, 3 }}
ini
o

Agora considere as seguintes operaes que levam um elemento de Z2 (ou seja, 0 ou 1) e um conjunto em
gr
ar-

um outro conjunto:
rs

lle

1A=A
e

0A=
Lin

. Pe

Dado um conjunto X, determine se 2X com a operao um espao vetorial sobre Z2 .


Ve
bra

oC

Ex. 35 Considere o conjunto de todas as matrizes reais diagonais de ordem n, para algum n fixo. Quais
so as duas operaes que poderamos usar sobre este conjunto para obter um corpo?
im
e

F Ex. 36 Mostre que o conjunto de todas as variveis aleatrias relacionadas a um mesmo experimento e
lg

que tenham varincia finita formam um espao vetorial quando usamos a operao usual de soma de variveis
n

aleatrias e a multiplicao de uma varivel por nmero real.

Ex. 37 Mostre que as funes constantes de R em R so subespao de C[a, b].


Jer

Ex. 38 Mostre que um conjunto de pontos (x, y) tais que y = p(x), onde p um polinmio de grau
maior ou igual a dois, no subespao de R2 .
1.6. APLICAES 47

F Ex. 39 Mostramos neste texto que o conjunto grafos de ciclos disjuntos um espao vetorial. usando as
mesmas operaes, diga se so espaos vetoriais:
i) O conjunto de subgrafos de um grafo;
ii) O conjunto de subgrafos conexos de um grafo (um grafo conexo se sempre h caminho entre quais-
quer dois de seus vrtices).

142
Ex. 40 Em Mnn , a funo que d o trao (somatrio da diagonal) de uma matriz Tr : Mnn R.

r
Mostre que o conjunto das matrizes n n com trao zero um subespao de Mnn .

o
a
Ex. 41 Identifique o complemento do subespao mencionado no exerccio 40.

e rs
n
Ex. 42 Sabemos que Mnn espao vetorial. Prove que o conjunto das matrizes simtricas Snn
subespao de Mnn , e que o conjunto Snn das matrizes antissimtricas complemento de Snn .

i
v
Ex. 43 O conjunto F(R) de funes reais soma direta dos conjuntos de funes pares e funes mpa-
m
res?

la
Ex. 44 O conjunto M33 das matrizes quadradas de ordem 3 pode soma direta de:
i
u
i) Matrizes de ordem 3 no-positivas e matrizes de ordem 3 no-negativas?
l
a
ii) Matrizes de ordem 3 singulares e matrizes no-singulares?
Pre
de

Ex. 45 Diga quando se trata de soma, soma direta ou nenhum deles.


tas

i) Sequncias reais; sequncias constantes; sequncias no constantes.


ii) Sequncias estritamente crescentes; sequncias no estritamente crescentes.
iii) Todas as solues da equao diferencial y 00 y = 0; as solues da forma kex ; a soluo trivial
no

ini

mais as solues da forma jex kex , com k, j 6= 0.


o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

n
Jer
48

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
142
CAPTULO 1. ESPAOS VETORIAIS
142
Captulo 2

r
o
a
Dimenso e Bases

e rs
in
v
m
Neste Captulo, revemos os conceitos de combinao e dependncia linear, presumidamente j estudados
em Geometria Analtica, desta vez de forma mais abstrata, e os usamos para construir os conceitos de base

la
de um espao vetorial e de coordenadas de vetores em diferentes bases.
i
u
l
a
2.1 Dependncia linear
Pre
de

Definio 2.1 (Combinao linear). Uma combinao linear de um conjunto finito de vetores v1 , v2 , . . . , vk
em um espao vetorial V sobre um corpo F um vetor da forma
tas

a1 v1 + a2 v2 + . . . + ak vk
no

ini

onde os ai so escalares (elementos do corpo F). 


o

Exemplo 2.2. Em R3 , considere os vetores u = (0, 2, 0)T e v = (0, 0, 1)T . Ento os seguintes vetores so
gr
ar-

combinaes lineares de u e v:
rs

lle

u + v = (0, 2, 1)
e
Lin

u + 2v = (0, 2, 2)
. Pe

u/2 + v = (0, 1, 1)
Ve

10u = (0, 20, 0)


bra

oC

Note que no h combinao linear de u e v com o primeiro elemento diferente de zero. J



im

Definio 2.3 (Dependncia linear). Seja S = v1 , v2 , . . . , vk um conjunto de vetores em um espao


e

vetorial V. Se um dos vetores em S puder ser escrito como combinao linear dos outros, o conjunto S
lg

linearmente dependente, ou LD. Caso contrrio, linearmente independente, ou LI. 


n

Equivalentemente, um conjunto de vetores v1 , . . . vk LI se a combinao linear


Jer

a1 v1 + a2 v2 + . . . + ak vk = 0

implica em a1 = a2 = . . . = ak = 0.

49
50 CAPTULO 2. DIMENSO E BASES

Exemplo 2.4. Temos a seguir conjuntos de vetores em R2 .


A = (1, 1)T , (2, 2)T

B = (1, 1)T , (1, 1)T


142
C = (1, 1)T , (1, 2)T

D = (1, 1)T , (1, 2)T , (1, 1)T

r
o
a
os conjuntos A, B e D so LD, porque

e rs
n
2(1, 1)T = (2, 2)T
i
v
1(1, 1)T = (1, 1)T
m
3 1
(1, 1) + (1, 1) = (1, 2)T

la
2 2
i
u
O conjunto C LI. Se tentarmos obter valores a e b tais que a(1, 1)T = b(1, 2)T , teremos
l
a
Pre
de

a = b,
tas

a = 2b,
no

ini

o que s possvel com a = b = 0.


o

A Figura a seguir ilustra geometricamente estes conjuntos de vetores.


gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC

(2, 2)
im
e

(1, 1) (1, 1)
lg

n
Jer

A, conjunto LD (1, 1) B, conjunto LD


2.1. DEPENDNCIA LINEAR 51

(1, 2) (1, 2)

142
(1, 1) (1, 1) (1, 1)

r
o
a
e rs
n
C, conjunto LI D, conjunto LD

i
v
O conjunto C tem exatamente dois vetores no colineares. Os outros tem vetores colienares (A, B) ou tem
mais de dois vetores (D).
m J

Exemplo 2.5. Em R3 , os vetores

la
i
u
u = (1/2, 1, 1/2)T ,
l
a
v = (1/2, 2, 1)T ,
Pre

w = (1/4, 2, 0)T
de

so LD, porque u = v + (1/2)w. J


tas

Exemplo 2.6. No espao de polinmios R2 [x], os vetores (polinmios) x2 + 2, x 1 e 3x2 + 2x + 4 so um


conjunto L.D., porque o ltimo combinao linear dos outros dois: 3x2 +2x+4 = 3(x2 +2)+2(x1). J
no

ini

Exemplo 2.7. No espao das funes de R em R, os vetores (ou seja, as funes) f(x) = 3x, g(x) = cos(x)
o

e h(x) = ln(x) so L.I., porque nenhuma delas pode ser escrita como combinao linear das outras: no
gr
ar-

existem a, b e c diferentes de zero tais que


rs

lle

a(3x) + b cos(x) + c ln(x) = 0 (2.1)


e
Lin

. Pe

para todo x. Para mostrar este fato, supomos que existam b e c tais que a equao 2.1 valha. Ento, teramos

c ln(x) b cos(x)
Ve

a= , (2.2)
bra

oC

3x
para todo x, com b e c constantes. Mas o valor de a, que presumimos ser constante, dependeria do valor de
x, porque o lado direito da equao 2.2 no constante: como contraexemplo basta tomar x = e, x = 1,
im
e

x = e x = 2, por exemplo, e temos


lg

c ln(1) b cos(1)
a= 0.1801b,
3
c ln() b cos()
Jer

a= 0.1061b 0.1214c,
3
c ln(2) b cos(2)
a= 0.0530b 0.0975c,
6
52 CAPTULO 2. DIMENSO E BASES

c ln(e) b cos(e)
a= 0.1118b 0.1226c.
3e
Este sistema linear s tem a soluo trivial com a = b = c = 0, que portanto a nica maneira de
satisfazer a equao 2.1. J
Exemplo 2.8. As matrizes A, B e C a seguir formam um conjunto L.I.

142
     
A= 1 1 B= 7 0 C= 1 1

r
0 0 0 7 1 1

o
a
No entanto, A, B, C acima junto com a matriz D abaixo formam um conjunto L.D., porque D = (1/7)B +
C, ou seja,

e rs
n
 
D= 0 1 . J
1 0

i
v
F Exemplo 2.9. No espao das funes contnuas complexas, eix , eix , seno e cosseno so LD, porque as
m
duas ltimas podem ser escritas como combinaes lineares das duas primeiras:
1 i 1 i

la
cos = e + e ,
2 2
i
1 i 1 i
sin = ie + ie . u
l
a
2 2
Pre
de
Note que especificamos o espao das funes contnuas complexas, porque as funes eix e eix so com-
plexas J
tas

F Exemplo 2.10. No espao Z52 , os vetores 01101 e 11100 so linearmente independentes, porque nenhum
mltiplo de outro. Mas se tomarmos tambm o vetor 10001, obteremos o conjunto
no

ini

{01101, 11100, 10001} ,


o

que linearmente dependente, porque


gr
ar-
rs

1(01101) 1(11100) = 01101 11100 = 10001. J


lle

Teorema 2.11. Qualquer conjunto que contenha o vetor zero, 0, linearmente dependente.
e
Lin

. Pe

Demonstrao. Seja A = {0, v1 , v2 , . . .}. Ento

0 = 1(0) + 0(v1 ) + 0(v2 ), . . . ,


Ve
bra

oC

e como h uma combinao linear dos vetores com um coeficiente no-nulo resultando em zero, o conjunto
linearmente dependente. 
im
e
lg

2.2 Conjuntos geradores e bases


n

Um espao vetorial, mesmo tendo infinitos elementos, pode ser descrito por uma quantidade finita deles.
Jer

Na leitura da definio a seguir deve-se ter em mente que uma combinao linear sempre de uma
quantidade finita de vetores, mesmo que estes sejam escolhidos de um conjunto infinito (ou seja, no con-
sideramos somas infinitas da forma a1 v1 + a2 v2 + ).
2.2. CONJUNTOS GERADORES E BASES 53

Definio 2.12 (Gerador). Seja V um espao vetorial e S um subconjunto no vazio de V. O conjunto de


todas as combinaes lineares1 de vetores de S denotado por [S]. Dizemos que S gera [S]. 

Exemplo 2.13. Considere X = { (1, 2, 0)T , (2, 1, 0)T }, subconjunto de R3 . Ento [X] o conjunto de todas
as combinaes lineares de (1, 2, 0)T e (2, 1, 0). Este exatamente o conjunto de vetores da forma (x, y, 0).
J

142
Exemplo 2.14. O seguinte conjunto,

r
   

o
a
1 0 , 0 0 ,
0 0 0 1

e rs
n

gera as matrizes diagonais de ordem dois. Por exemplo, seja A = a0 b0 . Esta matriz uma combinao
linear das duas matrizes acima:

i
v
   
A=a 1 0 b 0 0 . J
0 0 0 1
m
la
Exemplo 2.15. O conjunto de polinmios {1, x2 , x4 } gera os polinmios de grau zero, dois e quatro em x:
i
a0 = a0 (1) u
l
a
a0 + a1 x2 = a0 (1) + a1 (x2 )
Pre
de
a1 x2 = a1 (x2 )
..
.
tas

a0 + a1 x2 + a2 x4 = a0 (1) + a1 (x2 ) + a2 (x4 )


..
no

ini

.
o

O conjunto {1, x2 + x4 , x4 } tambm gera os mesmos polinmios:


gr
ar-
rs

a0 = a0 (1)
lle

a0 + a1 x2 = a0 (1) + a1 (x2 + x4 ) a1 (x4 )


e
Lin

a1 x2 = a1 (x2 + x4 ) a1 (x4 )
. Pe

..
.
Ve

a0 + a1 x2 + a2 x4 = a0 (1) + a1 (x2 + x4 ) + (a2 a1 )(x4 )


bra

oC

..
. J
im
e
lg

1 O conceito de gerador na verdade semelhante em espaos vetoriais e grupos (geradores de grupos so abordados brevemente na
n

seo 1.6.1, pgina 36), embora os tenhamos apresentado de formas ligeiramente diferentes. Um subconjunto S A gera o conjunto
A se podemos descrever A somente com elementos de S, combinados de alguma forma. Em grupos, combinar usar a operao de
grupo. Em espaos vetoriais, podemos combinar os elementos do conjunto S atravs de combinaes lineares. O gerador descreve
Jer

de maneira compacta o conjunto. Por exemplo, o conjunto {2, 3} gera o grupo formado pelos mltiplos de dois e de trs, com a
operao de multiplicao. Para outro exemplo, podemos exibir o conjunto {a, b}, que contm dois elementos, a e b, e a operao
de concatenao. Os elementos do conjunto so as sequncias de smbolos a, b, aa, bb, ab, ba, e todas as sequncias
que se pode construir com a e b.
54 CAPTULO 2. DIMENSO E BASES

Exemplo 2.16. O conjunto {f(x) = ex , g(x) = cos(x), h(x) = 1} gera o conjunto de todas as funes da
forma
j(x) = aex + b cos(x) + c,
com a, b, c R. J
F Exemplo 2.17. O conjunto de sequncias de bits

142
{1000, 0110, 0001}

r
o
gera as sequncias de bits da forma abbc:

a
0000,1000

e rs
n
0001,0110
1001,1111 J
i
v
m
Teorema 2.18. Se V um espao vetorial e S subconjunto no vazio de V, ento [S] subespao de V
Demonstrao. Sejam S V,

la
Claramente zero pertence a [S]: basta escolher a combinao linear com todos os coeficientes iguais a
i
zero e qualquer vetor de S. u
l
a
Se u, v [S], ento existem s1 , s2 , . . . , sk S tais que
Pre
de
u = a1 s1 + a2 s2 + . . . + an sk
v = b1 s 1 + b2 s 2 + . . . + bn s k .
tas

A multipicao por escalar resulta em outro elemento de [S]:


no

ini

ku = ka1 s1 + ka2 s2 + . . . + kan sk


o

A soma de u com v tambm:


gr
ar-
rs

u + v = a1 s1 + a2 s2 + . . . + an sk + b1 s1 + b2 s2 + . . . + bn sk
lle

= (a1 + b1 )s1 + (a2 + b2 )s2 + . . . + (an + bn )sk . 


e
Lin

. Pe

Exemplo 2.19. Considere o espao vetorial R4 , e seu subconjunto S formado pelos vetores da forma
(1, 2, 1, 0)T e (0, 1, 0, 0)T . O conjunto gerado por S conter vetores da forma (x, y, x, 0)T , e este conjunto
Ve

um espao vetorial:
bra

oC

[S] fechado para as operaes de soma e multiplicao por escalar:


(a, b, a, 0)T + (x, y, x, 0)T = (a + x, b + y, a + x, 0)T , que tambm pertence a [S].
im
e
lg

k(x, y, x, 0)T = (kx, ky, kx, 0)T , que pertence a [S].


n

As operaes de soma de vetores e multiplicao por escalar so as mesmas que tnhamos em R4 ,


portanto so associativas; a soma de vetores comutativa; e vale a distributividade.
Jer

O vetor zero da forma (x, y, x, 0)T , com x = y = 0.


Dado um vetor (x, y, x, 0)T , temos o vetor (x, y, x, 0)T , que tambm pertence a [S]. J
2.2. CONJUNTOS GERADORES E BASES 55

Teorema 2.20. Sejam S e U subconjuntos no vazios de um espao vetorial V. Ento


i) S [S].
ii) [[S]] = [S].
iii) S U implica em [S] [U].

142
iv) [V] = V.

r
Demonstrao. (i) Seja x S. Ento 1x = x combinao linear de um elemento de S (o prprio x).

o
a
(ii) ([S] [[S]]) Segue diretamente de (i). ([[S]] [S]) Se x [[S]], combinao linear de vetores em
[S]. Mas a combinao linear de vetores de [S] tambm est em [S].

e rs
n
(iv) ([V] V) Seja x [V]. Toda combinao linear de vetores de V deve estar em V tambm, porque
obtida usando soma de vetores e multiplicao por escalares, portanto x V. (V [V]) Segue diretamente

de (i).
i
v
m
Do item (iv) deste teorema concluimos que se S subespao de V, ento [S] = S.
Teorema 2.21. Seja B um conjunto de n vetores L.I. de um espao vetorial. O maior conjunto L.I. de vetores em [B]

la
tem tamanho igual a n.
i
u
Demonstrao. Seja Y um conjunto gerado por B = { b1 , b2 , . . . , bn } (ou seja, X = [B]). Seja
l
a
Pre
de
X = { x1 , x2 , . . . , xk }

um conjunto L.I. de vetores de V. Todo vetor de Y pode ser escrito como combinao linear de elementos
tas

de B, portanto temos
x1 = a1 b1 + a2 b2 , + . . . + an bn .
no

ini

Como x1 6= 0 (porque X L.I.), ento existe algum ai bi na expresso acima com ai 6= 0, e portanto bi
o

pode ser escrito como


bi = c0 x1 + c1 b1 + c2 b2 , + . . . + cn bn .
gr
ar-
rs

Se removermos bi de B, trocando-o por esta expresso, teremos outro conjunto B 0 :


lle
e

B 0 = { b1 , . . . , bi1 , [c0 x1 + c1 b1 + c2 b2 , + . . . + cn bn ], bi+1 , . . . , bk }


Lin

. Pe

= { d1 b1 , . . . , di1 bi1 , c0 x1 , di+1 bi+1 , . . . , dk bk } .

O conjunto B 0 tambm gera X, mas contm o vetor c0 x1 ao invs de bi .


Ve
bra

oC

Suponha agora que k > n. Esta operao (de trocar algum bi por sua expresso como combinao
de elementos de X) pode ser realizada n vezes, resultando em um conjunto contendo n mltiplos dos xi .
Temos ento que n vetores de X geram Y. Se geram Y, tambm podem ser usados para expressar os outros
im
e

xi restantes o que contradiz o fato de X ser L.I. 


lg

Definio 2.22 (Base). Seja V um espao vetorial e B um subconjunto finito e no-vazio de V. Dizemos
n

que B uma base de V se:


Jer

B L.I.;
[B] = V (ou seja, todo vetor de V pode ser escrito como combinao linear de vetores de B, e B o
menor conjunto que permite escrever todos os vetores de V). 
56 CAPTULO 2. DIMENSO E BASES

Exemplo 2.23. Os vetores e1 = (1, 0, 0)T , e2 = (0, 1, 0)T , e e3 = (0, 0, 1)T so uma base para o es-
pao vetorial R3 , j que (i) todos pertencem a R3 e (ii) todo vetor (x, y, z)T de R3 pode ser escrito como
combinao linear de e1 , e2 e e3 :
xe1 + ye2 + ze3 = x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T = (x, y, z)T .
Outras bases para R3 so

142
{ (1, 2, 3)T , (4, 5, 0)T , (6, 0, 0)T }

r
{ (1, 1, 2)T , (1, 2, 2)T , (2, 2, 2)T }

o
{ (0, 0, )T , (0, e, 0)T , ( 2, 0, 0)T }

a
J
Exemplo 2.24. Considere C como um espao vetorial sobre R ou seja, o corpo subjacente o dos reais.

e rs
n
Queremos gerar todos os complexos, que so da forma
a + bi,
i
v
m
e portanto precisamos de dois nmeros na base. Como s os multiplicaremos por reais, precisamos de um
real e um complexo:

la
B = {1, i}
Podemos desta forma gerar qualquer complexo como combinao linear de B, com coeficientes reais (porque
i
u
l
o corpo subjacente R).
a
Se quisermos poder multiplicar por complexos, temos que mudar o corpo subjacente, e usar C. Neste
Pre
de
caso, s precisamos de um elemento na base:
B 0 = {1 + i},
tas

Qualquer complexo pode ser escrito como mltiplo de 1 + i. Suponha que queiramos escrever a + bi como
mltiplo de 1 + i. Queremos x, y tais que (x + yi)(1 + i) = a + bi. Multiplicando, temos
no

ini

(x + yi)(1 + i) = (x y) + (x + y)i.
o

portanto precisamos de x e y tais que


gr
ar-
rs

a=xy
lle

b = x + y,
e
Lin

. Pe

ou seja,
b+a
x=
Ve

2
bra

oC

ba
y= .
2
im

De fato: considere o complexo 3 5i. Temos neste caso a = 3, b = 5. Precisamos usar, portanto,
e
lg

5 + 3
x= = 1
n

2
5 3
y= = 4,
Jer

2
e o nmero que queremos 1 4i. Verificamos:
(4 i)(1 + i) = 3 5i. J
2.2. CONJUNTOS GERADORES E BASES 57

Definio 2.25 (Base cannica para Rn ). No espao Rn , denotamos por ei o vetor coluna com todos os
elementos iguais a zero2 , exceto o i-simo elemento, que igual a um. Ou seja,
e1 = (1, 0, 0, . . . , 0)T
e2 = (0, 1, 0, . . . , 0)T
e3 = (0, 0, 1, . . . , 0)T

142
..
.

r
en = (0, 0, 0, . . . , 1)T

o
a
A base cannica para Rn
{ e1 , e2 , . . . , en } .

e rs


n
Exemplo 2.26. Para qualquer n inteiro maior que zero, h infinitas bases diferentes para Rn . Por exemplo,

i
v
os vetores
m
b1 = (2, 1, 1, 1, . . . , 1)T
b2 = (2, 2, 1, 1, . . . , 1)T

la
b3 = (2, 2, 2, 1, . . . , 1)T
i
.. u
l
.
a
bn = (2, 2, 2, , 2 . . . , 1)T
Pre
de

tambm formam uma base para Rn , j que so n vetores LI, todos pertencentes a Rn . J
tas

Exemplo 2.27. O espao Rn [x] de polinmios com grau n tem como base o conjunto
B = { 1, x, x2 , x3 , . . . , xn } .
no

ini

Esta no a nica base de Rn [x]. Todo polinmio pode tambm ser escrito como combinao linear de
o

gr

B 0 = { x, x + 1, 2x2 , 3x3 , . . . , nxn } .


ar-
rs

Por exemplo, o vetor (polinmio) 5x2 + x 3 pode ser descrito facilmente usando a base B:
lle
e

5x2 + x 3 = 5(x2 ) + 1(x) 3(1).


Lin

. Pe

Para escrever este mesmo polinmio na base B 0 , verificamos primeiro que precisamos da constante 3, e
como o nico elemento da base que nos d constantes x + 1, damos a ele o coeficiente 3. Temos ento
Ve
bra

oC

3x 3,
mas precisamos de x, e no 3x. Adicionamos ento quatro vezes o polinmio x, que tambm est na base:
im
e
lg

4(x) 3(x + 1) = x 3.
n

Somamos agora 5 vezes x2 e temos


5
Jer

5x2 + x 3 = (2x2 ) + 4(x) 3(x + 1). J


2
2 Os vetores da base cannica tambm so chamados de vetores de Kronecker. Em R3 , e , e , e so algumas vezes denotados por ^
i,
1 2 3
^j e k.
^
58 CAPTULO 2. DIMENSO E BASES

Exemplo 2.28. O espao R[x] de todos os polinmios reais, com qualquer grau, no finitamente gerado
(no tem base finita). Uma base para este espao o conjunto { 1, x, x2 , x3 , . . . }. J

Exemplo 2.29. O espao das matrizes quadradas 2 2 com coeficientes reais tem como base o conjunto
formado pelas quatro matrizes no conjunto B a seguir.


142
      
B= 1 0 , 0 1 , 0 0 , 0 0 .
0 0 0 0 1 0 0 1

r
o
Outras bases para este mesmo espao so

a
       

e rs
0 1 0 0 1 1 1 0 0

n
B = , , ,
0 1 1 0 0 0 1 1


e
i
v
      
B 00 = 1 1 , 2 3 , 2 3 , 2 3
m.
1 1 5 7 5 7 5 7

la
De maneira geral, o espao das matrizes m n ter uma base com mn matrizes. J
i
F u
Exemplo 2.30. Como vimos no exemplo 1.38, o espao vetorial formado pelas solues da equao dife-
l
a
rencial ordinria y 00 y 0 = 0 contm as funes da forma
Pre
de
y = aex bex .
tas

Estas funes so claramente combinaes lineares de ex com ex . Assim, a base do espao

B = {f(x) = ex , g(x) = ex },
no

ini
o

e o espao tem dimenso dois. poderamos tambm ter usado a base


gr
ar-

B 0 = {f(x) = ex + ex , g(x) = ex ex },
rs

lle

J
e

porque este conjunto tambm LI e gera o mesmo espao.


Lin

. Pe

Para definirmos dimenso precisamos determinar primeiro que as bases para um espao vetorial tem
todas o mesmo tamanho.
Ve
bra

oC

Teorema 2.31. Se um espao vetorial tem pelo menos uma base com um nmero finito de elementos, ento todas as
suas bases tem o mesmo tamanho.
im

Demonstrao. Seja V um espao vetorial e B uma base de V com n elementos. Como V = [B], ento no
e
lg

pode haver mais que n vetores L.I. em V, e portanto no h base maior que B.
Se houvesse base B 0 menor que B com m < n vetores, ento teramos [B 0 ] = V, e geraramos V com
n

m < n vetores, e B no poderia ser L.I. (portanto no poderia ser base). 


Jer

O conceito de dimenso captura uma idia simples: se, para expressar um vetor em um espao, preci-
samos de n coordenadas, o espao tem dimenso n (posto de outra forma, a dimenso a quantidade de
graus de liberdade que temos se quisermos escolher um vetor).
2.2. CONJUNTOS GERADORES E BASES 59

Definio 2.32 (Dimenso). Um espao vetorial tem dimenso finita se o espao trivial ou se tem pelo
menos uma base com um nmero finito de elementos3 . Em outros casos, o espao tem dimenso infinita.
Se um espao V tem dimenso finita, ento sua dimenso, denotada dim V, o nmero de vetores em
qualquer base de V.
O espao vetorial trivial { 0 } tem, por definio, dimenso zero. 

142
Exemplo 2.33. O espao R3 gerado por bases com trs vetores, portanto tem dimenso 3. De forma mais
geral, o espao Rn pode ser gerado pela base { e1 , . . . , en } com n vetores, portanto dim(Rn ) = n. J

r
Exemplo 2.34. O espao Rn [x] dos polinmios com grau n gerado pela base

o


a
1, x, x2 , . . . , xn ,

e rs
n
que tem n + 1 vetores, e portanto dim(Rn [x] = n + 1). J
O prximo exemplo mostra que se mudarmos o corpo subjacente podemos mudar a dimenso de um

i
v
espao vetorial.
m
Exemplo 2.35. O conjunto de polinmios {1, x, x2 , x3 , . . .} linearmente independente e suas combina-

la
es lineares so os polinmios com coeficientes reais. Embora este conjunto seja de fato uma base para
os polinmios em R, no trataremos deste caso, porque o conjunto infinito. Dizemos que a dimenso do
i
espao de todos os polinmios em R infinita (dim Rn [x] = ).
u J
l
a
Exemplo 2.36. O espao F de todas as funes f : R R no gerado por qualquer base finita, portanto
Pre
de
tem dimenso infinita. Para verificar, basta observar que cada polinmio determina uma funo, e como
dim Rn [x] = , necessariamente dim F = , porque uma base para F deve conter uma base para Rn [x].
J
tas

Exemplo 2.37. No exemplo 2.24, mostramos que se quisermos tratar C como um espao vetorial sobre os
reais ou seja, somamos complexos mas s os multiplicamos por reais ento o espao poderia ter como
no

ini

base
o

B = {1, i},
gr
ar-

e portanto sua dimenso dois.


rs

No entanto, se quisermos tratar C como um espao vetorial sobre C ou seja, se quisermos poder somar
lle

e multiplicar complexos entre si, podemos usar como base


e
Lin

B 0 = {1 + i},
. Pe

e passamos a ter um espao de dimenso um. J


Ve
bra

oC

F Exemplo 2.38. Damos como exemplo agora outro espao de dimenso infinita o espao das funes
racionais, que definimos a seguir.
Definio 2.39. Uma funo racional f(x) a razo de dois polinmios:
im
e
lg

p(x)
f(x) = ,
n

q(x)
sendo q(x) diferente do polinmio nulo. 
Jer

3 possvel generalizar a noo de base, permitindo uma quantidade infinita de elementos, e resultando em espaos vetoriais de
dimenso infinita. A descrio das bases para alguns destes espaos vetoriais envolve dificuldades conceituais, e ao longo deste texto
os abordaremos em poucos exemplos. O Captulo 14 trata mais extensivamente de alguns espaos de funes com dimenso infinita.
60 CAPTULO 2. DIMENSO E BASES

O conjunto de todas as funes racionais um espao vetorial:


i) Este conjunto est contido no conjunto de todas as funes reais, que sabemos ser um espao vetorial;
ii) A funo zero est neste conjunto, com p(x) = 0 e q(x) = 1;
iii) Tanto a soma de duas funes racionais como a multiplicao de uma funo racional por escalar

142
resultam em outra funo racional.

r
Este espao vetorial tem dimenso infinita. O conjunto

o
a
1 1 x
xj , , , : j N, a, b, c R, b2 < 4c
(x a)j+1 (x2 + bx + c)j+1 (x2 + bx + c)j+1

e rs
n
que tem infinitos elementos, LI e constitui uma base para o espao vetorial das funes racionais reais.
No demonstraremos aqui estes dois fatos. J

i
v
Teorema 2.40. Em um espao V de dimenso n, qualquer conjunto com n vetores L.I. uma base.
m
Demonstrao. Para ser uma base precisamos que o conjunto seja L.I. e que gere o espao vetorial. Como j

la
temos um conjunto L.I., basta mostrar que os n vetores geram o espao.
Sejam V um espao vetorial de dimenso n, e X = { x1 , x2 , . . . , xn } um conjunto L.I. de vetores de V.
i
u
Mostraremos agora como escrever qualquer vetor v como combinao linear de elementos de X.
l
a
Se adicionarmos um novo vetor a X teremos um conjunto L.D. (porque teremos mais que n vetores).
Pre
de
Assim, ao adicionarmos v 6= 0, existem ai e b tais que

a1 x1 + a2 x2 + . . . + an xn + bv = 0
tas

mas b deve ser diferente de zero porque X L.I., e se b fosse zero, teramos a combinao a1 x1 +a2 x2 +. . .
+an xn = 0, com algum ai 6= 0. Ento,
no

ini

1
o

v= (a1 x1 a2 x2 . . . an xn ) . 
b
gr
ar-
rs

O prximo teorema nos garante que podemos, a partir de qualquer conjunto L.I., completar uma base
lle

para um espao vetorial algo que faremos em algumas demonstraes mais adiante.
e

Teorema 2.41. Seja U um subconjunto linearmente independente de um espao V de dimenso finita. Se U no


Lin

. Pe

gera V, podemos adicionar vetores a U de forma a obter uma base para V.


Demonstrao. Se U no gera V, ento existe pelo menos um vetor v V que no pode ser escrito como
Ve
bra

oC

combinao linear de vetores de U. Adicionamos v a U, obtendo um novo conjunto de vetores L.I. Repeti-
mos este processo at obter um conjunto que gere V. Tal conjunto ser obtido com no mximo n vetores,
onde n a dimenso de V, porque de outra forma teramos n + 1 vetores L.I. em um espao de dimenso
im
e

n. 
lg

Exemplo 2.42. O conjunto


n

X = {(0, 0, 1)T , (0, 2, 2)T }


tem dois vetores LI, mas no gera o espao R3 (este conjunto s pode gerar vetores com a primeira coor-
Jer

denada igual a zero). podemos completar este conjunto com mais um vetor, obtendo uma base:

X 0 = {(0, 0, 1)T , (0, 2, 2)T , (3, 3, 3)T }. J


2.2. CONJUNTOS GERADORES E BASES 61

Exemplo 2.43. Sabemos que dim Mnn n2 . Seja S o conjunto das matrizes triangulares superiores e I
o conjunto das matrizes triangulares inferiores, de ordem n. Por exemplo, se n = 4, ento

1 0 0 0 2 4 6 8
2 3 0 0
I, 0 1 3 5 S.


1 0 2 0 0 0 3 6

142
5 1 3 2 0 0 0 2
Para qualquer n fixo, tanto I como S so espaos vetoriais. As dimenses destes espaos so

r
n(n + 1)

o
dim I = dim S = .

a
2
A soma deles o espao Mnn , mas a soma das dimenses

e rs
n
 
n(n + 1)
dim I + dim S = 2 = n2 + n,
2
i
v
m
diferente de dim Mnn . Isto acontece porque a soma no direta:
I S = D,

la
onde D o espao das matrizes diagonais de ordem n. e portanto calculamos
i
u
l
a
dim I + dim S dim I S
Pre
de
= dim I + dim S dim D
   
n(n + 1) n(n + 1)
= + n
2 2
tas

n(n + 1)
=2 n
2
no

ini

2
=(n + n) n
o

=n2
gr
ar-

= dim Mnn .
rs

lle

A soma das dimenses no igual a dim Mnn justamente porque J


e

Os prximos teoremas relacionam as dimenses de subespaos somados com a dimenso da soma deles.
Lin

. Pe

Teorema 2.44. Seja V um espao com dimenso finita, tal que V = U W. Ento
Ve

dim(U W) = dim(U) + dim(W).


bra

oC

Demonstrao. Seja n a dimenso de V. Podemos construir uma base para U da seguinte maneira: esco-
lhemos qualquer vetor u1 U que seja diferente de zero e o inclumos em B. Depois, adicionamos outros
im
e

vetores de U ao conjunto B, desde que ele continue L.I. Como U V, haver no mximo n vetores, por-
lg

tanto B finito. Como B o maior subconjunto L.I de U, base de U.


n

Suponha que o nmero de vetores em B seja k. Se k < n, podemos adicionar mais vetores de W at
formar uma base para V. Seja B 0 o conjunto destes vetores usados para complementar B. Ento [B 0 ] = W,
e [B B 0 ] = V. J h k vetores em B, portanto W deve ter n k vetores, porque uma base para V precisa
Jer

de exatamente n vetores.
Temos ento que
dim(U) + dim(W) = k + (n k) = n = dim(V). 
62 CAPTULO 2. DIMENSO E BASES

Proposio 2.45. Todo subespao U de um espao V de dimenso finita tem um complemento em V: este com-
plemento um outro subespao W tal que V = U W.

Demonstrao. A proposio provada implicitamente na demonstrao do teorema 2.44. 

Note que complemento no necessariamente significa complemento de conjuntos; tambm no

142
necessrio que o complemento seja nico, como podemos verificar no exemplo a seguir.

Exemplo 2.46. Seja A o subespao de R2 formado pelos vetores (x, y) com x + y = 0 (ou seja, a reta

r
y = x passando pela origem).

o
a
A dimenso de A 1, porque A gerado por (1, 1).
O subespao B = { (x, y) : x y = 0 } complemento de A, e R2 = A B. A dimenso de B 1,

e rs
n
porque gerado por (1, 1)
Mas o subespao C = { (x, y) : 2x y = 0 } tambm complemento de A, e R2 = A C. A dimenso
de C 1, porque gerado por (1, 2).
i
v
Temos portanto
m
dim(A) + dim(B) = 2 = dim(R2 )

la
dim(A) + dim(C) = 2 = dim(R2 ).
i
u
l
a
Quaisquer duas retas diferentes passando pela origem podem gerar R2 , portanto uma reta tem, em R2 ,
Pre

infinitos complementos. A figura a seguir mostra o subespao A (a reta y = x) e dois dos seus infinitos
de
complementos: o subespao B (a reta y = x); o outro subespao C (a reta y = 2x); e um outro subespao,
D (a reta y = x/3).
tas

4 C
B
no

ini
o

2 D
gr
ar-

y
rs

0
lle

4 2 0 2 4
e
Lin

2
. Pe

x
A
4
Ve
bra

oC

Com os vetores da reta A e os vetores de uma das outras retas diferentes de A, podemos gerar todos os
vetores em R2 .
im

J
e
lg

Exemplo 2.47. Sabemos que R4 [x] = R2 [x] R3..4 [x]. Uma base para R2 [x]
n


1, x, x2
Jer

e portanto sua dimenso 3. Uma base para R3..4 [x]


 3 4
x ,x
2.2. CONJUNTOS GERADORES E BASES 63

e portanto dim(R3..4 [x]) = 2.


A dimenso de R4 [x] deve portanto ser 5. E realmente uma possvel base para R4 [x] a unio das bases
dos subespaos que acabamos de mostrar:

1, x, x2 , x3 , x4 .

142
Conclumos portanto que dim(R4 [x]) = 5.
Observamos tambm que o complemento de R2 [x] R3..4 [x], tambm subespao de R4 [x], conforme

r
a proposio 2.45. J

o
a
Exemplo 2.48. Seja F o espao de funes reais, e K o espao de funes constantes. Seja N o conjunto

e rs
n
N = {0} F \ K,

i
v
ou seja, N contm todas as funes no constantes e tambm a funo zero. Embora N seja o complemento
m
de K na linguagem de conjuntos (N = KC , ou N = K), ele no complemento do espao vetorial K.
Para verificar isto, mostramos que N no pode ser espao vetorial, porque a soma em N no fechada.

la
De fato, podemos somar duas funes no constantes resultando em uma funo constante: seja a funo
constante h(x) = k. Construmos duas funes
i
u
l
a
f(x) = x + k
Pre
de
g(x) = x

e temos (f + g) = h: a soma de duas funes, uma crescente e uma decrescente, iguais a uma funo
tas

constante. Assim, a soma no fechada em N, logo N no espao vetorial, e por isso no pode ser com-
plemento de um subespao. J
no

ini

Teorema 2.49. Seja V um espao com dimenso finita igual a n, tal que V = U + W. Ento
o

gr
ar-

dim(U + W) = dim(U) + dim(W) dim(U W).


rs

lle

Demonstrao. Seja X = U W. Argumentamos que a base de X, com k vetores, pode ser usada como parte
e

das bases de U e W, com l > k e m > k vetores. Assim, ao construir bases para U e W, observamos que
Lin

. Pe

BX BU e BX W, e portanto devemos contabilizar os vetores de BU e BW descontando o tamanho de


BX , que subconjunto de ambos.
Ve
bra

oC
im

U X W
e
lg

n
Jer

base: l vetores, base: m vetores,


k deles de BX base: BX com k deles de BX
k vetores
64 CAPTULO 2. DIMENSO E BASES

Mais detalhadamente: sabemos que X subespao de V, e podemos construir uma base para X, com
vetores
BX = { x1 , x2 , . . . , xk } ,
sendo k a dimenso de X. Como X U, podemos tambm completar esta base para obter uma base de U
com os vetores
BU = { x1 , . . . , xk , uk+1 , . . . , ul } ,

142
onde l a dimenso de U. Tambm podemos da mesma forma completar a base de X para ober uma base

r
de W:
BW = { x1 , . . . , xk , wk+1 , . . . , wm } ,

o
a
onde m a dimenso de W.

e rs
n
Se um vetor a pertence a U + W, pode ser descrito (no necessariamente de maneira nica) como a
soma de um vetor de U e um de W (a = u + w). Mas u e w so combinaes lineares de vetores das bases
de U e W:
i
v
m
a = 1 x1 + 2 x2 + . . . + k xk + k+1 uk+1 + . . . + l ul (este u)
+ 1 x1 + 2 x2 + . . . + k xk + k+1 wk+1 + . . . + m wm (este w)

la
= (1 + 1 )x1 + (2 + 2 )x2 + . . . + (k + k )xk
i
u
+ k+1 uk+1 + . . . + l ul + k+1 wk+1 + . . . + m wm .
l
a
Pre

Este conjunto,
de
B = { x1 , . . . , xk , uk+1 , . . . ul , wk+1 , . . . , wm }
portanto gera V, e tem l + m k vetores. Para mostrar que B uma base de V, falta mostrarmos que B
tas

L.I.
Se B fosse L.D., poderamos encontrar coeficientes i , i , i , no todos zero, tais que
no

ini

1 x1 + . . . + k xk , +k+1 uk+1 + . . . + l ul + k+1 wk+1 + . . . + m wm = 0. (2.3)


o

Suponha que algum i 6= 0. Teramos ento


gr
ar-
rs

1 x1 + . . . + i xi + . . . + k xk = 0,
lle

6=0
e
Lin

o que no possvel, j que estes vetores so base de X (e portanto L.I.) Como os i so zero, temos que
. Pe

supor em seguida que algum i diferente de zero. Mas ento teramos


Ve

1 x1 + . . . + k xk + k+1 uk+1 + . . . + i ui + . . . + l ul = 0,
bra

oC

6=0

o que tambm no possvel, porque


im
e

{ x1 , . . . , xk , uk+1 , . . . , ul }
lg

base para U, e portanto L.I.


Repetimos o raciocnio para os i , e conclumos que para que a expresso (2.3) valha, todos os coefici-
Jer

entes devem ser zero, e o conjunto B L.I.


Provamos que B base para U + W, e tem l + m k vetores. Assim,
dim(U + W) = dim(U) + dim(W) dim(U W). 
2.3. ISOMORFISMO E COORDENADAS 65

Observe que na demonstrao de Teorema 2.49, comeamos construindo uma base BX para a interseo
U W justamente para poder construir as outras duas bases BU e BW tendo BX como interseo.
Exemplo 2.50. Sejam A = { (0, w, x, y, z) : w, x, y, z R } e B = { (a, 0, b, c, 0) : a, b, c R } subes-
paos de R5 . O espao A contm todos os vetores onde a primeira coordenada zero; o espao B tem os
vetores onde a segunda e a quinta coordenada so zero. Temos claramente que

142
A + B = R5 .

r
Agora calculamos as dimenses destes espaos. Uma base para A poderia ser

o


a
BA = (0, 1, 0, 0, 0)T , (0, 0, 1, 0, 0)T , (0, 0, 0, 1, 0)T , (0, 0, 0, 0, 1)T
= { e2 , e3 , e4 , e5 }

e rs
n
e portanto dim(A) = 4. Uma base para B tem trs vetores:

i
v
BB = { e1 , e3 , e4 } ,
m
e dim(B) = 3.

la
A soma das dimenses de A e B sete diferente da dimenso de R5 . Calculamos ento a dimenso de
i
A B.
u
Como A B contm vetores que esto em A e tambm em B, ento
l
a

Pre
de
A B = (0, 0, d, e, 0)T : d, e R

contm vetores com as coordenadas 1, 2 e 5 iguais a zero. Este espao pode ser gerado pela base
tas

BAB = { e3 , e4 } ,
no

ini

e tem portanto dimenso 2.


o

Verificamos ento que


gr
ar-

dim(A + B) = dim(A) + dim(B) dim(A B)


rs

5 = 4 + 3 2. J
lle
e

Finalizamos esta seo com uma observao importante: o Teorema 2.49 vale para dois espaos U e V,
Lin

. Pe

mas no pode ser generalizado usando o princpio da incluso-excluso, que usamos em Combinaria. O
Exerccio 56 pede a demonstrao deste fato ou seja, no necessariamente temos
Ve
bra

dim(U+V +W) = dim U+dim V +dim W dim(UV)dim(UW)dim(V W)+dim(UV W).


oC
im
e

2.3 Isomorfismo e coordenadas


lg

Nesta seo mostramos que os espaos que estudamos so aparentemente diferentes, mas na verdade so
to semelhantes aos espaos da famlia Rn que possvel restringir nossa discusso somente a estes lti-
Jer

mos.
Definio 2.51 (Isomorfismo). Sejam V e U dois espaos vetoriais. Um isomorfismo entre V e U uma
bijeo f : V U tal que, para todos vetores v, w V e todo escalar c,
66 CAPTULO 2. DIMENSO E BASES

f(v + w) = f(v) + f(w)


f(cv) = cf(v).
Neste caso dizemos que V e U so isomorfos. 
H outra maneira de definir isomorfismo: dizemos que os espaos U e V so isomorfos se, em cada um

142
dos dois diagramas abaixo, para todos os vetores v, w e todo escalar k, seguir primeiro pela direita e depois
para baixo o mesmo que seguir primeiro para baixo e depois para a direita. Ou seja,

r
somar v com w antes de aplicar f o mesmo que aplicar f antes de somar;

o
a
multiplicar v por k antes de aplicar f o mesmo que aplicar f antes de multiplicar.

e rs
n
+ k
v, w v+w v kv

i
v
m
f f f f

la
s
i
u
f(v), f(w)
+ u f(v)
k
l
a
Pre
de

u = f(v + w) s = f(kv)
= f(v) + f(w) = kf(v)
tas

Dizemos que os diagramas comutam4 . Dizemos ento que dois espaos so isomorfos se os dois diagramas
no

ini

acima comutam.
o

Exemplo 2.52. O espao R2 [x] isomorfo a R3 .


gr
ar-

Seja f a bijeo que associa polinmios a0 + a1 x + a2 x2 ao vetor (a0 , a1 , a2 )T em R3 ou seja,


rs

lle

f(a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 )T .
e
Lin

Mostramos agora que f um isomorfismo. Sejam u = u0 + u1 x + u2 x2 e v = v0 + v1 x + v2 x2 . Primeiro,


. Pe

verificamos a soma:
Ve

f(u + v) = f u0 + u1 x + u2 x2 + v0 + v1 x + v2 x2

bra

oC

= f u0 + v0 + (u1 + v1 )x + (u2 + v2 )x2




= (u0 + v0 , u1 + v1 , u2 + v2 )
im
e

= (u0 , u1 , u2 ) + (v0 , v1 , v2 )
lg

= f(u) + f(v).
n

Agora a multiplicao por escalar:


Jer

f(cv) = f c(v0 + v1 x + v2 x2 )


4 Estes so chamados de diagramas comutativos.


2.3. ISOMORFISMO E COORDENADAS 67

= cv0 + cv1 x + cv2 x2


= (cv0 , cv1 , cv2 )
= c(v0 , v1 , v2 )
= cf(v0 + v1 x + v2 x2 )
= cf(v).

142
Assim, f isomorfismo, e o espao dos polinmios de grau mximo 2 isomorfo a R3 .

r
De forma mais geral, o espao de polinmios Rn [x] isomorfo a Rn+1 . J

o
a
Exemplo 2.53. Agora mostramos um exemplo de dois espaos no isomorfos: R3 [x] e R3 no h bijeo
entre eles, e adiante observaremos que espaos finitos de dimenses diferentes no podem ser isomorfos.

e rs
n
J
Dois espaos so isomorfos quando podemos ver, de alguma forma, os elementos de um espelhados no
i
v
outro, mesmo aps realizarmos operaes, como ilustra a prxima figura (os elementos esquerda petencem a
m
um espao; aqueles direita pertencem a outr espao; e os traos pontilhados representam a bijeo entre
os dois espaos).

la
i
u u
l
a f(u)
Pre
de
u+w f(u + w)
w f(w)
tas
no

ini

v f(v)
o

gr
ar-

kv f(kv)
rs

lle
e
Lin

. Pe

Exemplo 2.54. Considere M2,2 , o espao das matrizes 2 2. Definimos a seguinte bijeo entre M2,2 e
R4 :  
Ve

f a b = (a, b, c, d)T .
bra

oC

c d
Esta bijeo um isomorfismo: sejam duas matrizes
im
e

   
A= a b , e X= w x .
lg

c d y z
n

Ento
Jer

     
f(A + X) = f a b + w x =f a+w b+x
c d y z c+y d+z
= (a + w, b + x, c + y, d + z) = (a, b, c, d)T + (w, x, y, z)T
T
68 CAPTULO 2. DIMENSO E BASES
   
=f a b +f w x = f(A) + f(X),
c d y z
e
    
f(kA) = f k a b = f ka kb
c d kc kd

142
= (ka, kb, kc, kd) = k(a, b, c, d)T
T
 

r
= kf a b = kf(A).
c d

o
a
O espao vetorial Mm,n ser sempre isomorfo a Rmn . J

e rs
n
00
Exemplo 2.55. Sabemos que o espao vetorial das solues da EDO y y = 0 contm funes da forma
f(x) = aex bex .
i
v
m
Podemos identificar cada uma destas solues com um vetor em R2 atravs da bijeo
g(aex bex ) = (a, b)T .

la
i
Verificamos agora que esta bijeo preserva linearidade.
u
Comeamos com a multiplicao por escalar: dado k R e uma soluo aex bex ,
l
a
Pre
de
g k aex bex = g(kaex kbex )
 

= (ka, kb)T
tas

= k(a, b)T
= kg(aex bex ).
no

ini

Agora verificamos a soma: dadas duas solues aex bex e ex ex ,


o

g aex bex + ex ex = g (a + )ex (b + )ex


    
gr
ar-

= (a + , b + )T
rs

lle

= (a, b)T + (, )T
e

= g(aex bex ) + g(ex ex ).


Lin

. Pe

conclumos portanto que g isomorfismo. J


Ve

Exemplo 2.56. Considere o sistema 


bra

oC

w
2 +x z=0
y
2 z = 0,
im
e

que tambm pode ser escrito na forma Ax = 0, com


lg

 
A= 1/2 1 0 1 .
0 0 1/2 1
Jer

As solues para este sistema so da forma (w, x, y, z)T , com


w
x=z ,
2
2.3. ISOMORFISMO E COORDENADAS 69

y = 2z

ou seja, uma soluo s


w
s = z w/2

2z

142
z
formando um espao vetorial5 Temos o seguinte isomorfismo com R2 :

r
o
g(w, x, y, z)T = (w, z)T ,

a
e rs
j que tanto x como y dependem de w e z.

n
A demonstrao de que g isomorfismo pedida no Exerccio 62 J

i
v
Os exemplos anteriores mostram que diversos espaos vetoriais de dimenso finita so isomorfos a Rn .
De fato, todo espao vetorial de dimenso finita n isomorfo a Rn .
m
Definimos a base de um espao vetorial como um conjunto de vetores, mas em um conjunto no h ordem

la
definida para os elementos. Para poder desenvolver o conceito de coordenadas precisaremos identificar a
posio de cada elemento na base, por isso definimos base ordenada a seguir.
i
u
Definio 2.57 (Base ordenada). Seja B = { b1 , b2 , . . . , bn } uma base para um espao vetorial V de di-
l
a
Pre

menso finita. Ento a tupla


de
B = (b1 , b2 , . . . , bn ) .
uma base ordenada para V, assim como todas as permutaes da tupla. 
tas

Sabemos que possvel descrever qualquer elemento do espao como combinao linear dos elementos
da base,
no

ini

v = {a1 b1 + + an bn .}
o

gr

Como os vetores de uma base ordenada tem posio definida, podemos simplesmente listar os coeficientes
ar-

a1 , . . . , an para descrever o vetor. Estas so suas coordenadas naquela base.


rs

lle

A definio a seguir mostra que todos os espaos de dimenso finita (sejam eles de polinmios, ma-
e

trizes, funes, ou quaisquer outros objetos) podem ser tratados da mesma forma: ao invs de trabalhar
diretamente com esses objetos, trabalhamos com coordenadas.
Lin

. Pe

Definio 2.58 (Coordenadas em uma base). Seja V um espao vetorial com base ordenada B. Ento um
Ve

vetor qualquer de V pode ser escrito como v = a1 b1 + a2 b2 + . . . + an bn . Os coeficientes a1 , a2 , . . . , an


bra

oC

so as coordenadas de v na base B. Denotamos [v]B = (a1 , a2 , . . . , an )T , onde a ordem dos coeficientes a


mesma dos vetores bi na base B. 
im
e

5 O espao formado por estas solues tem dimenso dois (h duas variveis a escolher), com base


lg



0 1

1/2

n

1
B = , .


0

2



1 0
Jer

Informalmente, o primeiro vetor nos diz se damos um valor a z, devemos som-lo tambm a x, e seu dobro a y. De acordo com o
segundo vetor, quando damos um valor a w, devemos subtrair metade dele de x. Observe novamente a fora geral da soluo e veja
que exatamente desta forma que x e y podem ser descritas como dependentes de w e z.
70 CAPTULO 2. DIMENSO E BASES

Exemplo 2.59. Seja B = 1, x, x2 , x3 uma base para R3 [x]. Ento

p(x) = x2 x + 2 = 2(1) 1(x) + 1(x2 ) + 0(x3 ),

e as coordenadas de p(x) nesta base so

142
[p(x)]B = (2, 1, 1, 0)T .

r
Se escolhermos uma base diferente para R3 [x] por exemplo,


o
a
B 0 = 1, 1 + x, 1 + x + x2 , 1 + x + x2 + x3 ,

e rs
n
descrevemos p(x) usando a base B 0 como

p(x) = 3(1) 2(x + 1) + 1(x2 + x + 1) + 0(x3 + x2 + x + 1),


i
v
m
e portanto as coordenadas de p(x) na base B 0 so

la
[p(x)]B 0 = (3, 2, 1, 0)T . J
i
u
Observe que [.]B 0 uma bijeo entre polinmios de R3 [x] e vetores de R4 ou seja, um isomorfismo.
l
a
Pre
de
A escolha de bases diferentes para um espao vetorial implica na escolha de isomorfismos diferentes
com Rn .

Proposio 2.60. Seja V um espao vetorial de dimenso finita, e sejam e diferentes bases para V. Os isomor-
tas

fismos entre V e Rn dados por f(x) = [x] e g(x) = [x] so diferentes, ou seja, existe x tal que f(x) 6= g(x).
no

Demonstrao. Sejam 6= bases para um espao vetorial V. para todo x V, existem a1 , . . . , an e


ini

b1 , . . . , bn tais que
o

gr
ar-

[x] = (a1 , a2 , . . . , an )
rs

lle

[x] = (b1 , b2 , . . . , bn )
e

Suponha, por hiptese, que [x] = [x] para todo x V. Ento sempre teremos ai = bi .
Lin

. Pe

Tome o vetor x = 1 . Sua representao na base (1, 0, . . . , 0). Como dissemos que os isomorfismos
so iguais, sua representao na base deve tambm ser (1, 0, . . . , 0), e conclumos que 1 = 1 . O mesmo
Ve

vale para todos os outros pares i , i nas bases e ou seja, as bases devem ser iguais. Como havamos
bra

oC

presumido que as bases so diferentes, chegamos a um absurdo, e devemos negar a hiptese que fizemos
([x] = [x] para todo x V). 
im
e

Teorema 2.61. Dois espaos vetoriais de dimenso finita U e V so isomorfos se tem a mesma dimenso.
lg

Demonstrao. Sejam U e V espaos vetoriais com dimenso n (finita). A bijeo

f(v) = [v]B ,
Jer

onde B alguma base de V, mostra que V e Rn so isomorfos.


Como U, pelo mesmo argumento, deve ser isomorfo a Rn , U e V so isomorfos. 
2.3. ISOMORFISMO E COORDENADAS 71

Exemplo 2.62. Um exemplo particularmente importante o espao C, onde os vetores so nmeros com-
plexos e o corpo subjacente R. Claramente, uma base para C

B = {1, i} ,

j que qualquer complexo pode ser escrito como a + bi, onde a, b R. Como este espao sobre o corpo

142
dos reais e tem dimenso dois, ele isomorfo a R2 . A bijeo

f(a + bi) = (a, b)T .

r
Assim, associamos a cada nmero complexo um ponto em R2 . Quando interpretamos R2 como o conjunto

o
a
dos complexos, o chamamos de plano complexo, onde o eixo das abscissas representa a parte real de cada

e rs
nmero, e o eixo das ordenadas representa a parte imaginria. A figura a seguir mostra a representao do

n
nmero complexo z = 2 + 3i no plano complexo.

i
v
Im
m
3 z

la
i
u
l
a
Pre

2 Re
de
tas

Como se tata de isomorfismo, a soma de complexos representada no plano pela soma usual de vetores
em R2 . Tambm a multiplicao de complexo por escalar representada no plano como a multiplicao
de vetor por escalar.
no

ini

comum adotar a noo de norma de vetores em R2 para nmeros complexos, de forma que a norma
o

de um complexo
gr

p
ar-

|a + bi| = a2 + b2 . J
rs

lle

Exemplo 2.63. Tanto R3 [x] como M22 tem dimenso 4. Mostramos agora o isomorfismo entre eles.
e

Primeiro, f : R3 [x] R4 :
Lin

. Pe

Usaremos para R3 [x] uma base


B = 1, x, x2 , x3 .

Ve

Em M22 , usaremos a base


bra

oC

       
C= 1 0 , 0 1 , 0 0 , 0 0 .
0 0 0 0 1 0 0 1
im
e

Definimos agora duas bijees:


lg

f(p(x)) = [p(x)]B
g(A) = [A]C
Jer

Por exemplo, considere p(x) = x2 1.

f(x2 1) = [x2 1]B = (1, 0, 1, 0)T .


72 CAPTULO 2. DIMENSO E BASES

Levamos o vetor p(x) de R3 [x] em R4 . Agora, podemos usar a bijeo g para levar de R4 em M22 :
 
g (1, 0, 1, 0)T = (1, 0, 1, 0)T C = 1 0 .
   
1 0
A composio das bijees f e g tambm uma bijeo e portanto temos um isomorfismo entre R3 [x] e

142
M22 .
Agora observamos o que acontece se mudarmos a base de um dos espaos vetoriais. Usaremos para
R3 [x] a base B 0 , diferente de B:

r
B 0 = x, x + 1, x2 + 1, x3 .


o
a
Como temos uma nova base, temos tambm uma nova bijeo,

e rs
n
f 0 (p(x)) = [p(x)]B 0
Novamente, usamos o isomorfismo para levar o polinmio x2 1 em M22 .

i
v
f 0 (x2 1) = [x2 1]B 0 = (2, 2, 1, 0)T ,
m
porque 2(x) + 2(x + 1) + 1(x2 + 1) + 0(x3 ). Agora usamos g para levar este vetor de R4 em M22 ,

la
usando a mesma base de antes (C) para M22 :
i

u
g((2, 2, 1, 0)T = (2, 2, 1, 0)T C = 2 2 .

l
  a
1 0
Pre
de
Esta matriz diferente da que havamos encontrado antes.
Para cada base de R3 [x] e cada base de M22 , teremos duas bijees f e g. Uma mudana nas bases pode resultar
tas

em bijees completamente diferentes.


O mesmo vale, claramente, para quaisquer outros espaos de dimenso finita. J
no

Como os espaos finitos de dimenso n so todos isomorfos a Rn , podemos desenvolver toda a lgebra
ini

Linear para espaos de dimenso finita trabalhando apenas com Rn .


o

gr
ar-
rs

2.4 Mudana de base


lle
e

Se tivermos duas bases R e S para um espao vetorial V, possvel representar cada vetor v V tanto em
Lin

. Pe

uma base como em outra. Nesta seo mostramos como obter uma funo que, dada [v]R , determina [v]S .
NaPdiscussoPa seguir, como os somatrios so todos de 1 a n, indicamos apenas o ndice em cada um
n
deles ( i xi = i=1 xi ).
Ve
bra

oC

Teorema 2.64. Sejam R = (r1 , . . . , rn ) e S = (s1 , . . . , sn ) duas bases ordenadas diferentes para um espao V,
e seja v V. Ento as coordenadas de v na base S podem ser escritas em funo das coordenadas de v na base R.
im
e

Demonstrao. Usaremos os seguintes fatos: primeiro, para qualquer v V,


lg

X X
v= ai ri = bj sj .
n

i j
Jer

Mas ri V, portanto pode ser escrito usando base S:


X
rj = qij si .
i
2.4. MUDANA DE BASE 73

Escolhemos agora um vetor qualquer v V. Temos


X
v= aj rj
j

X X
!
= aj qij si

142
j i
XX
= aj qij si

r
j i

o
a

X X
= aj qij si .

e rs

n
i j

O termo entre parnteses no somatrio faz o papel de coeficiente na combinao linear dos si , resultando
i
v
em v e portanto deve ser igual a bi : X
m
bi = aj qij .

la
j

Mostramos que cada bi , coeficiente de v na base S, pode ser escrito como funo dos aj , coeficientes na
i
u
base R, usando os qij , que descrevem os vetores de R na base S. 
l
a
Exemplo 2.65. Considere as duas bases a seguir para R3 [x]:
Pre
de

A = 1, x, x2 , x3 ,

tas

B = x, x2 , x2 2, x3 3 .


Queremos uma funo que leve coordenadas da base A para a base B. Escrevemos cada vetor de A como
no

ini

combinao linear dos vetores de B:


o

1 1
1 = 0(x) (x2 ) (x2 2) + 0(x3 3),
gr
ar-

2 2
rs

x = 1(x) + 0(x2 ) + 0(x2 2) + 0(x3 3),


lle

x2 = 0(x) 1(x2 ) + 0(x2 2) + 0(x3 3),


e
Lin

3 3
. Pe

x3 = 0(x) (x2 ) (x2 2) + 1(x3 3).


2 2
Ve

Ou seja,[1]B = (0, 1/2, 1/2, 0)T , [x]B = (1, 0, 0, 0)T , [x2 ]B = (0, 1, 0, 0)T e [x3 ]B = (0, 3/2, 3/2, 1)T .
bra

oC

As coordenadas do polinmio x2 3 na base A so

[x2 3]A = (3, 0, 1, 0)T ,


im
e
lg

e portanto a1 = 3, a2 = 0. a3 = 1 e a4 = 0.
As coordenadas deste polinmio na base B so [x2 3]B = (b1 , b2 , b3 , b4 )T , com
n

x2 3 = 3(1) + 0(x) + 1(x2 ) + 0(x3 )


Jer

= 3[1]B + 1[0]B + 1[x2 ]B + 0[x3 ]B


 
1 1 2
= 3 (x ) (x 2) + 1 1(x2 )
2

2 2
74 CAPTULO 2. DIMENSO E BASES

1 3
= (x2 ) + (x2 2) (vetores da base B destacados)
2 2
Logo, [x2 3]B = (b1 , b2 , b3 , b4 ), com

b1 = 0

142
b2 = 1/2
b3 = 3/2

r
b4 = 0

o
a
Identificamos agora os qij :
X

e rs
n
b1 = ai qi1 = 3(0) + 0(1) + 1(0) + 0(0) = 0
i
X

i
v
b2 = ai qi2 = 3(1/2) + 0(0) + 1(1) + 0(3/2) = 1/2
i
m
X
b3 = ai qi3 = 3(1/2) + 0(0) + 1(0) + 0(3/2) = 3/2

la
i
X
i
b4 =
u
ai qi4 = 3(0) + 0(0) + 1(0) + 0(1) = 0
l
i
a
Pre
de
E realmente,
x2 3(x2 2)
b1 (x) + b2 (x2 ) + b3 (x2 2) + b4 (x3 3) = 0(0) + + 0(x3 3)
tas

2 2
3x2 x2 6
= = x2 3.
2
no

ini

Temos ento [x2 3]B = (0, 1/2, 3/2, 0)T . J


o

gr

Uma observao importante pode ser feita neste momento: todo isomorfismo um espao de dimenso finita
ar-
rs

nele mesmo representa uma mudana de base. Isso porque tal isomorfismo leva vetores de V em V, e preserva a
lle

linearidade. O que pode mudar aps a aplicao do isomorfismo a base usada para representar os vetores.
e

Exemplo 2.66. Sejam duas bases ordenadas para R3 ,


Lin

. Pe

= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T ,



Ve

= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1/2)T .



bra

oC

Os vetores tem os mesmos coeficientes nas duas bases, exceto que na base o ltimo coeficiente o dobro
daquele na base :
im
e

(1, 2, 3)T = (1, 2, 6)T .


   
lg

O isomorfismo : R3 R3 tal que


n

(x, y, z)T = (x, y, 2z)T


Jer

leva vetores da base para a base .

(x, y, z)T = x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T


2.5. APLICAES 75

(x, y, z)T = x[(1, 0, 0)T ] + y[(0, 1, 0)T ] + z[(0, 0, 1)T ]


= (x, 0, 0)T + (0, y, 0)T + z(0, 0, 2)T
= (x, 0, 0)T + (0, y, 0)T + (0, 0, 2z)T
= (x, y, 2z)T . J

142
r
2.5 Aplicaes

o
a
2.5.1 Anlise Dimensional [ base, dependncia linear ]

e rs
n
Nesta seo tomamos a Anlise Dimensional como exemplo de aplicao, de grande importncia em muitas
Engenharias.

i
v
Definio 2.67 (dimenso fsica). Uma dimenso fsica uma quantidade fsica, que pode ser medida em
diferentes unidades.
m 

la
Exemplo 2.68. A quantidade de tempo entre dois eventos quaisquer uma dimenso que pode ser medida
em diferentes unidades: segundos, horas, dias, etc. A distncia entre dois objetos tambm uma dimenso,
i
u
que pode ser medida em diferentes unidades: metros, ps, ngstrons, etc.
l
a
Ouros exemplos so presso, carga eltrica, massa, viscosidade. J
Pre
de
comum considerar algumas dimenses como fundamentais. Listamos estas dimenses a seguir, cada
uma com seu smbolo usual:
tas

distncia (L)
tempo (T)
no

ini
o

massa (M)
gr
ar-

carga eltrica (Q)


rs

lle

Denotamos a dimenso uma grandeza fsica x por [x].


e
Lin

Exemplo 2.69. A seguir temos algumas unidades de medida de grandeza fsica, com suas dimenses.
. Pe

[kg] = M
Ve

[] = [cm] = [km] = L
bra

oC

[s] = [h] = T J
im
e

Usando dimenses fudamentais, construimos dimenses a partir de outras. Por exemplo, usando dis-
lg

tncia e tempo construmos velocidade e acelerao. Note que o diferencial de uma quantidade fsica tem
n

a mesma dimenso que a prpria quantidade.


  h i
ds s
[v] = = LT 1
Jer

=
dt t
   2  h i
dv d s s
[a] = = = 2 = LT 2
dt dt2 t
76 CAPTULO 2. DIMENSO E BASES

Exemplo 2.70. A seguir temos mais algumas dimenses compostas.

volume [m3 ] = L3
acelerao [m/s2 ] = L/T 2
fora [kg m/s2 ] = MLT 1

142
A primeira dimenso fsica mostrada, volume, envolve somente a dimenso fundamental da distancia. A
segunda, acelerao, envolve distncia e tempo, e a terceira envolve massa, distancia e tempo. J

r
Quando combinamos uma dimenso com ela mesma por exemplo, quando definimos rea e volume a

o
a
partir de distancia estamos realizando uma operao com um nmero e aquela dimenso:

2 L = L2 (rea)

e rs
n
3 L = L3 (volume)

i
v
Cada dimenso pode, portanto, estar associada a um expoente, e podemos representar dimenses compos-
tas na forma
m
La1 Ma2 T a3

la
Exemplo 2.71. A tabela a seguir mostra a representao de vrias dimenses fsicas.
i
nome unidade SI u
dimenso fsica
l
a
carga eltrica Coulomb C Q
Pre
de
volume m3 M3
densidade kg/m3 ML3
fora (N) Newton N = kg m/s2 [N] = MLT 2
tas

acelerao m/s2 [m/s2 ] = LT 1 J


presso (Pa) Pascal Pa = N/m2 [N/m2 ] = [(MLT 2 )/L2 ] = ML1 T 2
Ns/m2 [Ns/m2 ] = [MLT 2 ][T ]/[L2 ] = ML1 T 1
no

ini

viscosidade
energia (J) Joule J = (kg m2 )/s2 [kg m2 /s2 ] = ML2 T 2
o

ddp6 Volt V, ou J/C [J/C] = ML2 T 2 Q1


gr
ar-

capacitncia Farad F, ou C/V [Q/V] = M1 L2 T 2 TQ2


rs

lle

Em uma equao envolvendo grandezas fsicas, os dois lados devem ter a mesma dimenso dizemos
e

que a equao deve ser dimensionalmente homognea.


Lin

. Pe

Exemplo 2.72. A equao


1
s = s0 + v0 t + at2 ,
Ve

2
bra

oC

que descreve o movimento retilneo uniformemente acelerado, dimensionalmente homogenea, porque


a dimenso do lado esquerdo [s] = L, e do lado direito temos [s0 ] = L, e
im
e

[v0 t] = [v][t]
lg

L
n

= T (velocidade distncia por tempo)


T
= L.
Jer

 
1 2
at = [1/2][a][t2 ]
2
2.5. APLICAES 77

= 1[a][t2 ]
L
= 2 T2 (acelerao distncia por tempo2 )
T
= L,

142
e portanto
 
1 2

r
[s] = s0 + v0 t + at
2

o
a
 
1 2
L = [s0 ] + [v0 t] + at
2

e rs
n
L = L + [LT 1 ] [T ] + [1/2] [LT 2 ] [T 2 ]
L=L+L+L J

i
v
m
Denotamos por 1 a dimenso vazia, que atribumos a grandezas sem dimenso fsica.

la
[2] = 1
i
u
[cos(x)] = 1
l
a
[] = 1 (se ngulo)
Pre
de

Exemplo 2.73. A frequncia a quantidade de vezes que algo acontece em um perodo de tempo, e sua
dimenso T 1 . Por exemplo, a frequncia angular pode ser medida em radianos por segundo; calculamos
tas

sua dimenso:
 
rad
no

= [rad][1/s]
ini

s
o

= 1[1/s] (ngulo tem dimenso 1)


gr
ar-

= T 1 . J
rs

lle

Tendo estes fatos em mente, surge naturalmente a pergunta: as dimenses fsicas no formariam um
e

espao vetorial? A resposta afirmativa. Observamos na tabela a seguir uma comparao de conceitos.
Lin

. Pe

Note que aqui usamos o termo dimenso fsica para elementos de um espao vetorial.
Ve

espao de dimenses espao vetorial


bra

oC

dimenso vetor
1 0
A A
A1
im

A
e

AB A+B
lg

As dimenses fsicas das variveis usadas na descrio de fenmenos fsicos7 formam um espao vetorial8 sobre
n

Q: sejam A B e C dimenses. Ento valem as seguintes propriedades de espao vetorial.


Jer

i) associatividade: (AB)C = A(BC), e (Ap )q = A(pq)


7 No apenas fenmenos fsicos. um exerccio interessante buscar exemplos sem significado fsico.
8 E note que aqui precisamos listar todas as condies para caracterizar o espao vetorial.
78 CAPTULO 2. DIMENSO E BASES

ii) comutatividade: AB = BA
iii) distributividade: Ap Aq = Ap+q , e (AB)p = Ap Bp
iv) h neutro aditivo: 1A = A
v) h inversos: (A1 )A = 1

142
vi) h neutro multiplicativo: A1 = A

r
Quando se estabelece uma base para um espao vetorial de dimenses, dizemos que temos um sistema.

o
a
Por exemplo, se definirmos a base (M, L, T ) nos d o sistema MLT . A capacitncia, por exemplo, definida
no sistema MLTQ, porque depende de massa, distancia, tempo e carga eltrica.

e rs
n
As coordenadas de uma dimenso fsica no sistema so os expoentes de sua representao.
Exemplo 2.74. As coordenadas da dimenso rea so (0, 2, 0), porque
i
v
m
[cm2 ] = [m2 ] = L2 = M0 L2 T 0 .

la
J as coordenadas da dimenso presso, ML1 T 2 so (1, 1, 2). J
i
u
As figuras a seguir ilustram o isomorfismo do sistema MLT com R3 (ambas as figuras mostram os
l
a
mesmos pontos, mudando apenas seus rtulos). As coordenadas mostradas nas figuras so
Pre
de
[m2 ] L2 (0, 2, 0)
[Pa] ML1 T 2 (1, 1, 2)
[m/s2 ] LT 2
tas

(0, 1, 2)
no

ini
o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC

importante observar que os pontos nos grficos so os vetores do espao de dimenses portanto
im
e

cada um uma dimenso, e no uma unidade! Assim, o mesmo ponto rotulado com [m2 ] poderia ter sido
lg

marcado com [cm2 ], [km2 ], etc, porque [m2 ] = [cm2 ] = [km2 ] = L2 .


n

Definio 2.75 (dependencia dimensional). Um conjunto de dimenses A1 , A2 , . . . , An dimensional-


Jer

mente dependente se linearmente dependente, com coeficientes racionais. Em outras palavres, dimen-
sionalmente dependente se existem racionais 1 , 2 , . . . , n , nem todos zero, tais que

A 2 n
1 A2 An = 1.
1

2.5. APLICAES 79

Podemos traduzir a definio de dependncia dimensional para a nomenclatura e notao com que
nos habituamos para espaos vetoriais: ela diz que um conjunto de dimenses (vetores) dimensionalmente
dependente (linearmente dependente) ou sejam se existem racionais 1 , . . ., nem todos zero, tais que

A 2 n
1 A2 An = 1,
1

142
ou seja,
(1  A1 )  (2  A2 )   (n  An ) = 0,

r
onde  e  so as operaes de soma e multiplicao por escalar neste espao: AB = AB; e kA = Ak .

o
a
Exemplo 2.76. As dimenses fora, distancia, tempo e massa so dimensionalmente dependentes, como
podemos verificar observando suas descries no sistema MLT :

e rs
n
[m] = L
[s] = T
i
v
[kg] = M
m
[Pa] = ML1 T 2

la
A presso pode ser descrita em termos de massa, tempo e distncia. J
i
u
Exemplo 2.77. As dimenses presso e rea no so dimensionalmente dependentes!
l
a
Pre
de
[m2 ] = L2
[Pa] = ML1 T 2
tas

No temos como descrever L2 em termos de ML1 T 2 . J


Toda dimenso fsica no sisetma MLT pode ser descrita na forma Ma Lb T c (ou seja, todo vetor pode ser
no

ini

descrito por suas coordenadas) e podemos usar este fato para obter frmulas para descrever fenmenos.
o

Exemplo 2.78. Suponha que uma partcula cai sobre um fluido viscoso. Sua velocidade para baixo ace-
gr
ar-

lerada pela ao da gravidade, mas depois de um tempo, a acelerao chega a zero.


rs

Para modelar o movimento da partcula, determinaremos uma frmula que descreva sua velocidade
lle

em funo do tempo. A velocidade da partcula depende:


e
Lin

. Pe

do dimetro, d;
da viscosidade, ;
Ve
bra

oC

da acelerao, g.
Alm disso, a velocidade proporcional diferena entre a densidade da partcula, p e a do fluido, f .
im
e

Escrevemos, portanto,
v = kda b gc (p f ).
lg

(2.4)
n

Nesta frmula, k uma constante a ser determinada experimentalmente. Os outros fatores so conforme
descrevemos, mas ainda no sabemos seus expoentes (ou seja, no sabemos as coordenadas da dimenso
Jer

fsica). Mas conhecemos a dimenso fsica de v, e podemos us-la: como [v] um vetor no espao de
dimenses fsicas, escrevemos as dimenses da frmula 2.4:

[v] = kda b gc (p f ) .
 
80 CAPTULO 2. DIMENSO E BASES

Esta frmula mostra o mesmo vetor nos dois lados da igualdade. Suas coordenadas (os expoentes) devem
portanto ser as mesmas:

[v] = kda b gc (p f )
 

M0 LT 1 = kda b gc (p f )
 

142
M0 LT 1 = da b gc (p f )
 

M0 LT 1 = (L)a (ML1 T 1 )b (L1 T 2 )c (ML3 )

r
M0 LT 1 = Mb+1 Lab+c3 T b2c .

o
a
Como os expoentes nos dois lados devem ser iguais, podemos determin-los resolvendo um sistema linear

e rs
n
com trs incgnitas e trs equaes:

b +1= 0
ab+ c3= 1
i
v


b 2c = 1
m
A soluo a = 2, b = 1, c = 1, e podemos escrever os expoentes em nossa frmula

la
v = kd2 1 g1 (p f ),
i
u
l
a
ou
d2 g(p f )
Pre
de
v=k . J

Exemplo 2.79. Observamos o escoamento laminar de um fluido por um tubo de raio r e comprimento l. A
tas

presso interna no tubo decai com a distncia isto chamado de perda de carga. O volume q funo do
raio, da viscosidade do fluido, , e da perda de carga, p/l.
no

ini

 
p
o

q=f , , r .
l
gr
ar-
rs

Listamos a seguir as dimenses de cada varivel.


lle
e

r raio distncia L
Lin

q L3 T 1
. Pe

fluxo volume por tempo


viscosidade fora-tempo por rea ML1 T 1
p
perda de carga presso por distncia ML2 T 2
Ve

l
bra

oC

As coordenadas das dimenses so iguais em ambos os lados da equao:


 a 
p
im

b c
e

[q] = () (r)
l
lg

L3 T 1 = (ML2 T 2 )a (ML1 T 1 )b (L)c .


n

Chegamos agora ao sistema


Jer


a+b =0
2a b + c = 3


2a b = 1.
2.5. APLICAES 81

Resolvendo, obtemos a = 1, b = 1, c = 4, portanto a equao


p
q=k ()1 (r)4
l
pr4
=k .
l

142
Esta a equao de Hagen-Poiseuille. A constante de proporcionalidade k, que pode ser obtida por experi-

r
mentos, igual a /8. J

o
a
O prximo exemplo mostra que nem sempre obteremos a frmula exata que procuramos.
Exemplo 2.80. Suponha que uma gota de gua cai de uma nuvem imvel. Determinaremos uma frmula

e rs
n
para sua velocidade. Presumimos, ainda que nos parea estranho, que a gota esfrica. Seu raio r, sua
densidade e sua velocidade v. A viscosidade do ar e a acelerao gravitacional g.

i
v
Se quisermos determinar a velocidade em funo das outras variveis, escrevemos
m
v = kra gb c d

la
[v] = ra gb c d
 

LT 1 = (L)a (LT 2 )b (ML3 )c (ML1 T 1 )d ,


i
u
l
a
onde k uma constante de proporcionalidade. Temos portanto que resolver o sistema
Pre


de

c+d=0
a + b 3c d = 1 ,

tas


2b d=1
no

que tem quatro incgnitas mas somente trs equaes. Isso significa que no chegaremos equao exata
ini

da velocidade, mas a uma equao dependendo de um expoente.


o

Precisamos escolher uma das quatro variveis para deixar livre. Escolhemos d, e escrevemos a soluo
gr
ar-

como
rs

1 + 3d
lle

a=
e

2
Lin

1+d
. Pe

b=
2
c = d,
Ve
bra

oC

Substituindo na frmula,

v = k r(1+3d)/2 g(1+d)/2 d d
im
e

r1/2 g1/2 d
lg

= k 3d/2 d/2 d
r g
n


rg d
=kp
r3d gd d
Jer

!d

= k rg p .
r3 g
82 CAPTULO 2. DIMENSO E BASES

Note que se tivssemos escolhido outra varivel livre ao invs de d, chegaramos a outra frmula, dando
tambm uma relao vlida entre a velocidade da gota e as outras variveis. J
O Teorema de Buckingham (Teorema 2.81) diz basicamente que se o espao vetorial onde trabalha-
mos tem dimenso n, em um conjunto com k > n vetores onde h n vetores LI, podemos descrever todos
em funo desses n.

142
Teorema 2.81 (, de Buckingham). Seja um espao de dimenses fsicas, cuja dimenso como espao vetorial
n. Se um experimento fsico relaciona grandezas x1 , x2 , . . . , xn , . . . , xk (onde claramente k > n), na forma de

r
uma funo

o
a
y = f(x1 , x2 , . . . , xk ),
ento a relao pode ser reescrita como

e rs
n
y = (n+1 , n+2 , . . . , k )xa 1 a2 an
1 x2 . . . x n ,

i
v
sendo o termo (. . .) no dimensional (ou seja, tem dimenso 1 = M0 L0 T 0 ), e
xn+1
m
1 =
xb 11
xb 1n

la
1 n
xn+2
2 =
i
xb
1
21
u
xb
n
2n
l
a
..
.
Pre
de

Demonstrao. (Parcial) Claramente, se determinarmos a1 , a2 , . . . , an de forma que a1 x1 a2 x2 . . . an xn


tenha as mesmas dimenses de y, ento necessariamente (. . .) deve ter dimenso 1.
tas

A demonstrao de que podemos encontrar os i na forma dada fica como exerccio. 


Exemplificamos agora o Teorema .
no

ini

Exemplo 2.82. Se uma esfera de dimetro d se desloca com velocidade v por um fluido com densidade
o

e viscosidade , a fora contrria ao movimento da esfera chamada de fora de arrasto. Como esta fora
gr
ar-

funo da soutras variveis, temos


rs

Fx = f(d, v, , ).
lle
e

Sabendo apenas que a relao envolve estas grandezas, poderamos tentar realizar experimentos, fixando
Lin

. Pe

dois parametros de cada vez e variando outros dois. Este procedimento, no entanto, custoso e desne-
cessrio se realizarmos a anlise dimensional do fenmeno.
A grandeza f(. . .) tem a mesma dimenso que Fx , e pode ser descrita no sistema MLT com trs vetores
Ve
bra

oC

(dimenses fsicas) linearmente independentes (ou dimensionalmente independentes). Os vetores que


representam as quatro dimenses [d], [v], [], [] so
im

d! v! ! !
e

1
lg

0 0 1
1 1 3 1
n

0 1 0 1
Escolhemos d, v, , que so independentes. Sabemos portanto que pode ser descrito como combinao
Jer

linear de d, v, . Usando o Teorema de Buckingham, chamamos esta combinao linear de , e a fora


de arrasto descrita como
Fx = () da vb c ,
2.5. APLICAES 83

onde tem dimenso [] = 1:



= .
dx vy z
O prximo passo calcular a, b e c.

142
[Fx ] = da vb c
 

MLT 2 = (L)a (LT 1 )b (ML3 )c

r
o
a
Chegamos ao sistema


c=1

e rs
n
a + b 3c = 1


b = 2

i
v
Os valores de a, b e c so portanto
m
a = b = 2, c = 1.

la
Precisamos determinar tambm x, y, z, que usamos na descrio de . Novamente, sabendo que a dmien-
i
so de [] = 1 = M0 L0 T 0 , calculamos
u
l
a
M0 L0 T 0 = [][dx vy z ]
Pre
de
M0 L0 T 0 = (ML1 T 1 ) Lx (LT 1 )y (ML3 )z
tas

Resolvemos o sistema,


z+1=0
x + y 3z 1 = 0
no

ini



y 1=0
o

gr
ar-

e obtendo os valores
rs

x = y = z = 1.
lle
e

Isto nos d = /(dv), e temos agora


Lin

. Pe

 

Fx = d2 v2
dv
Ve
bra

oC

Esta a equao do arrasto, e o que chamamos aqui de (/(dv)) o coeficiente de arrasto.


Agora, tendo a equao do arrasto, percebemos que precisamos de um nico experimento para deter-
im
e

minar o coeficiente de arrasto. J


lg

H muito material escrito sobre anlise dimensional. No entanto, no comum descrever o espao
dimensional como fizemos, em termos de espaos vetoriais. Uma boa introduo Anlise Dimensional
(ainda sem tratar o espeo dimensional como espao vetorial) dada no livro de Gibbings [Gib11].
Jer

Esta seo incluiu exemplos envolvendo Mecnica Bsica e Mecnica de Fluidos. Para uma introduo
Mecnica Geral, o leitor pode consultar o livro de J. Den Hartog [Har61]. O livro de Robert Brodkey [Bro95]
d uma boa introduo Mecnica de Fluidos.
84 CAPTULO 2. DIMENSO E BASES

F 2.5.2 Fractais [ isomorfismo ]


Muitos dos fractais mais conhecidos, em particular o conjunto de Mandelbrot e os conjuntos de Fatou
e Julia, so definidos no plano complexo.
Abordaremos o conjunto de Mandelbrot.
Considere a seguinte sequncia: comeamos com um nmero complexo inicial z0 . Os outros nmeros

142
da sequncia so obtidos elevando o anterior ao quadrado e somando ao nmero inical z0 , ou seja,

r
z0 = c

o
zn+1 = z2n + z0

a
(2.5)

e rs
n
Por exemplo, se comearmos com z0 = 2i, a sequncia ser

z0 = 2i

i
v
z1 = (2i)2 + 2i = 4 + 2i
m
z2 = (4 + 2i)2 + 2i = 12 14i

la
z3 = (12 14i)2 + 2i = 52 334i
..
i
.
u
l
a
Dependendo do nmero z0 escolhido, o limite da sequncia (zn ) quando n pode ser infinito (ou seja,
Pre
de
a sequncia diverge), ou finito. Damos a seguir exemplos de duas destas situaes.
i) Se z0 = 1, a sequncia
tas

z0 = 1
z1 = 12 + 1 = 2
no

ini

z2 = (2)2 + 1 = 5
o

z3 = (5)2 + 1 = 26
gr
ar-

..
rs

.
lle
e

ii) Se z0 = 2, temos
Lin

. Pe

z0 = 2
Ve

z1 = (2)2 2 = 2
bra

oC

z2 = (2)2 2 = 2
z3 = (2)2 2 = 2
im
e

..
.
lg

Se para um nmero c = a + bi a sequncia no diverge, ento z0 parte do conjunto de Maldelbrot.


A sequncia no caso (i) divergente (seu limite +), portanto 1 no pertence ao conjunto de Man-
Jer

delbrot.
J a sequncia no caso (ii) limitada (mais ainda, exceto por z0 todos os zi so iguais a dois), logo 2
pertence ao conjunto de Maldelbrot.
2.5. APLICAES 85

O ponto importante deste exemplo : como conhecemos um isomorfismo entre C e R2 , podemos plotar o
conjunto de Mandelbrot no plano.
Para plotar o conjunto de Mandelbrot, escolhemos os pontos (x, y) do plano com 2 x 1 e 1
y 1. Para cada um desses pontos, tomamos c = x + yi e computamos vrios valores da sequncia zn
descrita na frmula 2.5. por exemplo, de z0 at z20 . Se percebemos que a sequncia converge, pintamos
o ponto de preto. Se no, usamos alguma outra cor para indicar quo rapidamente a sequncia diverge. A

142
imagem a seguir, que mostra o conjunto de Mandelbrot, foi construda desta forma.

r
o
a
e rs
in
v
m
la
i
u
l
a
Pre
de
tas
no

ini
o

gr
ar-
rs

lle

Exerccios
e
Lin

. Pe

Ex. 46 O conjunto
A = {(x, y, z)T : x + 2y 3z = 0}
Ve

subespao de R3 ? Se for, mostre um complemento dele.


bra

oC

Ex. 47 Considere os subespaos de R5 :


im
e

A = {(v, w, x, y, z)T : x + y z = v}
lg

B = {(v, w, x, y, z)T : v 2w = x + y + z}
n

Responda o seguinte:
Jer

i) Quem so os vetores no subespao A B?


ii) Determine dim A, dim B, dim(A B).
iii) Mostre um complemento de A B.
86 CAPTULO 2. DIMENSO E BASES

iv) R5 soma de A com B? Se for, soma direta?

Ex. 48 O conjunto de solues para Ax = 0 no exemplo 2.56 um subespao de R4 . Determine um


complemento para ele.

Ex. 49 A unio do subespao de funes pares com o subespao de funes mpares subespao?

142
Ex. 50 O conjunto das matrizes simtricas de ordem n, com as operaes usuais, um espao vetorial.

r
a) Determine a dimenso deste espao.

o
a
b) Determine um complemento para ele.

e rs
c) Determine mais dois complementos, alm do que voc identificou no item (b).

n
d) Determine todos os complementos para este espao. Quantos so?

i
v
m
Ex. 51 Uma base de um espao vetorial V pode (ou deve sempre) ser subespao de V?

la
Ex. 52 Se um subespao de Rn contm vetores da forma (. . . , 0, . . .)T , tendo a i-sima coordenada igual
a zero, verdade que toda base para este subespao tambm ter zero na i-sima coordeanda?
i
u
l
a
Ex. 53 Sejam A = (1, x, x2 , x3 ), B = (1, 2x2 x + 1, x3 + x2 ), C = (, x , x2 + 2 x + , x3 )
Pre

bases para R3 [x]. Escreva as coordenadas dos polinmios a seguir usando A, B e C como base ou, se no
de
for possvel, explique o motivo. 1, x, x2 , x3 , (x + 1)(x 2), (x2 + x)(1 2x)
tas

F Ex. 54 O que significa dois grafos de ciclos disjuntos (exemplo 1.41, pgina 21) serem linearmente de-
pendentes ou linearmente independentes?
no

ini

F Ex. 55 Qual a dimenso do espao de sequncias reais? E o das sequncias reais constantes? Se algum
o

deles for finito, apresente uma base.


gr
ar-

Ex. 56 Sejam U, V, W espaos vetoriais. Prove que no necessariamente teremos


rs

lle

dim(U+V +W) = dim U+dim V +dim W dim(UV)dim(UW)dim(V W)+dim(UV W).


e
Lin

. Pe

Ex. 57 possvel obter uma base para Mnn , sem usar nenhum zero nas matrizes da base?
Ve
bra

oC

F Ex. 58 Um grafo finito tem um nmero finito de ciclos. Quem a base para o espao de ciclos de um
grafo finito (o espao de ciclos foi definido no exemplo 1.41 na pgina 21)?
im
e

Ex. 59 Defina o conjunto Pn como um conjunto de n de vetores en Rn , de forma que o primeiro vetor
lg

de Pn tem os n primeiros nmeros primos, o segundo vetor tem os n prximos nmeros primos, e assim
n

por diante. Pn base para Rn ?

F Ex. 60 Prove que em todo espao vetorial de dimenso infinita, dado qualquer k N, podemos encon-
Jer

trar k vetores linearmente independentes.

Ex. 61 Prove que so isomorfos os espaos:


2.5. APLICAES 87

[B], com B = { (0, 1, 1)T , (1, 1, 1)T } e R2 .


R5 e o conjunto de todos os polinmios com grau par e menor ou igual a oito.

Ex. 62 Mostre que a bijeo g dada no exemplo 2.56 realmente um isomorfismo.

142
Ex. 63 Use as tcnicas da seo 2.5.1 para determinar a frmula da resultante centrpeta em movimento
circular. Suponha que voc s se lembra que as grandezas fsicas envolvidas so massa, velocidade angular

r
e raio do caminho circular.

o
Ex. 64 Existe um isomorfismo f entre C e o espao das matrizes antissimtricas de ordem dois com as

a
seguintes propriedades: para todos complexos z1 e z2 ,

e rs
n
f(z1 ) + f(z2 ) = f(z1 + z2 );
f(z1 ) f(z2 ) = f(z1 z2 );

i
v
f(z1 )f(z2 ) = f(z1 z2 );
m
f(z2 )1 f(z1 ) = f(z1 /z2 ), se z2 6= 0.

la
Mostre este isomorfismo;
i
F Ex. 65 Mostre o isomorfismo entre Zn u
2 e o espao de ciclos disjuntos de um grafo.
l
a
Pre
de
tas
no

ini
o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

n
Jer
88

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
142
CAPTULO 2. DIMENSO E BASES
142
Captulo 3

r
o
a
Transformaes Lineares

e rs
in
v
m
O objeto de estudo neste Captulo so as transformaes lineares certas funes que levam elementos de
um espao vetorial em outro, de grande importncia em todas as reas das Cincias Exatas.

la
Definio 3.1 (Transformao e operador linear). Sejam U e V dois espaos vetoriais sobre um mesmo
i
u
corpo. Uma transformao linear uma funo T : V U tal que para todo escalar c e todos os vetores
l
a
v, w V,
Pre
de
T (v + w) = T (v) + T (w);
tas

T (cv) = cT (v).

Um operador linear uma transformao linear de um espao nele mesmo (T : U U). 


no

ini

Exemplo 3.2. A funo f(x1 , x2 ) = x1 + x2 uma transformao linear de R2 em R, porque


o

i) para dois vetores (x1 , x2 ) e (y1 , y2 ),


gr
ar-
rs

f[(x1 , x2 ) + (y1 , y2 )] = f(x1 + y1 , x2 + y2 ) = x1 + y1 + x2 + y2 = f(x1 , x2 ) + f(y1 + y2 );


lle
e

ii) para qualquer constante k e qualquer vetor (x1 , x2 ),


Lin

. Pe

f(k(x1 , x2 )) = f(kx1 , kx2 ) = kx1 + kx2 = k(x1 + x2 ) = kf(x1 , x2 ).


Ve
bra

oC

Exemplo 3.3. Em qualquer espao vetorial podemos definir a funo identidade, que denotamos por id
im

e que realiza a transformao id(v) = v. Esta funo um operador linear: leva vetores de um espao
e

vetorial nele mesmo, e para quaisquer vetores v e w,


lg

id(v + w) = id(v) + id(w) = v + w;


Jer

id(cv) = c id(v) = cv. J

Exemplo 3.4. A funo que d a transposta de uma matriz uma transformao linear de Mmn em Mnm :
claramente, c(AT ) = (cA)T , e AT + BT = (A + B)T . J

89
90 CAPTULO 3. TRANSFORMAES LINEARES

Exemplo 3.5. No espao vetorial formado por polinmios de grau menor ou igual a n, a derivada uma
transformao linear: (i) d/dx(p(x) + q(x)) = d/dx(p(x)) + d/dx(q(x)), e (ii) k [ d/dx(p(x)) ] =
d/dx(kp(x)). J
Exemplo 3.6. A funo f(x1 , x2 ) = x21 + x2 no uma transformao linear de R2 em R, porque

142
f(x1 + y1 , x2 + y2 ) = (x1 + y1 )2 + x2 + y2

que no , de maneira geral, igual a x21 + y21 + x2 + y2 . J

r
Exemplo 3.7. Seja T : R R, com T (x) = x + 4. Esta funo no uma transformao linear, porque

o
a
T (x + y) = (x + y) + 4

e rs
n
6= T (x) + T (y) = (x + 4) + (y + 4) = (x + y) + 8,

i
v
e portanto T (x + y) 6= T (x) + T (y). J
m
Exemplo 3.8. Considere a transformao T : R2 R3 , com T (x, y) = (x + y, y, 1):

la
cT (x, y) = c(x + y, y, 1) = (cx + cy, cy, c),
i
T (cx, cy) = (cx + cy, cy, 1).
u
l
a
Como cT (x, y) 6= T (cx, cy), a transformao no linear. J
Pre
de
Exemplo 3.9. Em R2 , o operador que rotaciona um ponto por um ngulo ao redor da origem e no sen-
tido anti-horrio linear. No damos aqui uma demonstrao formal completa, mas a intuio: primeiro,
tas

suponha que multiplicarmos um vetor w por uma constante c e depois rotacionarmos por um ngulo ,
obteremos um novo vetor. Se rotacionarmos primeiro para multiplicarmos depois, o resultado o mesmo
portanto T (cw) = cT (w).
no

ini

Sejam u e v dois vetores. A soma u + v resulta em um vetor w, que rotacionado w 0 . Se primeiro


o

rotacionarmos u e v para depois somarmos, obteremos w 0 . Assim, T (u + v) = T (u) + T (v).


gr
ar-

Construiremos o operador T que rotaciona pontos desta forma, e ao defin-lo, manteremos a lineari-
rs

dade. A figura a seguir mostra o efeito do operador quando rotacionamos os vetores e1 e e2 por um ngulo
lle

.
e
Lin

. Pe

-sen
Ve
bra

oC

Q
im
e

e2 cos
P
lg

cos
n

sen
Jer

e1
91

Suponha que queiramos rotacionar e1 . O novo vetor dever ser


   
P=T 1 = cos .
0 sen
E se rotacionarmos e2 , teremos    

142
Q=T 0 = sen .
1 cos

r
O operador T deve ento obedecer

o
T [(1, 0)T ] = (cos , sen )T

a
T [(0, 1)T ] = ( sen , cos )T .

e rs
n
Como T linear, ento necessariamente
T [(x, 0)T ] = xT [(1, 0)T ] = (x cos , x sen )T
i
v
T [(0, y)T ] = yT [(0, 1)T ] = (y sen , y cos )T ,
m
e

la
T [(x, y)T ] = T [(x, 0)T ] + T [(0, y)T ]
i
u
= (x cos , x sen )T + (y sen , y cos )T
l
a
= (x cos y sen , x sen + y cos )T .
Pre
de
A transformao T , portanto    
T x = x cos y sen J
tas

y x sen + y cos
Exemplo 3.10. No exemplo 1.39 mostramos que as variveis aleatrias reais em um espao amostral for-
no

ini

mam um espao vetorial sobre R. Tambm sabemos que R um espao vetorial sobre si mesmo.
o

A esperana de uma varivel aleatria discreta X definida como


X
gr
ar-

E(X) = x Pr(x),
rs

x
lle
e

desde que o somatrio convirja. A linearidade consequncia direta desta definio. Verificamos a soma,
XX
Lin

. Pe

E(X + Y) = (x + y) Pr[X = x, Y = y]
x y
X X X X
Ve

= x Pr[X = x, Y = y] + y Pr[X = x, Y = y]
bra

oC

x y y x
X X
= x Pr(x) + y Pr(y)
im
e

x y
lg

= E(X) + E(Y).
n

Verificamos tambm a multiplicao por escalar:


X
Jer

E(cX) = cx Pr(x) = cE(X),


x

ou seja, a esperana de c vezes a varivel aleatria X igual a c multiplicado pela esperana de X. J


92 CAPTULO 3. TRANSFORMAES LINEARES

F Exemplo 3.11. Seja T : Z52 Z42 , tal que

T [ (a, b, c, d, e) ] = (a b, b, 0, 0).

T uma transformao linear:

142
i)

T [ (abcde) () ] = T (a , b , c , e )

r
= (a b , b , 0, 0)

o
a
= (a b, b, 0, 0) ( , , 0, 0)

e rs
= T (a, b, c, d, e) T ().

ii)
in
v
m
T [k(a, b, c, d, e)] = T (ka, kb, kc, kd, ke)
= (ka kb, kb, 0, 0)

la
= k(a b, b, 0, 0)
i
u
= kT (a, b, c, d, e).
l
a
Pre

Agora considere F : Z32 Z3 , com


de

F[ (a, b, c) ] = (ab, c, 1)
tas

no linear, porque F[(a, b, c) (, , )] 6= F[(a, b, c)] F[(, , )]. J


Nos exemplos3.7, 3.8 e 3.11, mostramos transformaes que levavam vetores a outros com alguns ele-
no

ini

mentos fixos, e que no eram lineares. H uma maneira muito rpida de determinar que tais transforma-
es no so lineares: o Teorema 3.12 nos informa que para qualquer transformao linear T , deve sempre
o

valer T (0) = 0. Assim, uma transformao que leve a vetores que no podem ser zero no linear.
gr
ar-
rs

Teorema 3.12. Seja T : U V uma transformao linear. Ento, para todos x1 , x2 . . . , xn U e escalares k1 ,
lle

k2 , . . . , kn ,
e

i) T (0) = 0
Lin

. Pe

ii) T (k1 x1 + k2 x2 + + kn xn ) = k1 T (x1 ) + k2 T (x2 ) + + kn T (xn )


Ve

Demonstrao. (i) Como T transformao linear, cT (0) = T (c0). Mas


bra

oC

cT (0) = T (c0), e
im
e

cT (0) = T (0),
lg

o que implica em c = 1 ou T (0) = 0. Como c representa qualquer escalar, temos necessariamente T (0) = 0.
n

(ii) Intuitivamente, a afirmativa verdadeira porque a soma de vetores associativa e a multiplicao


por escalar distributiva sobre a soma. Formalmente, a demonstrao segue facilmente por induo em
Jer

n, usando a associatividade da soma de vetores e o fato de T ser linear. A base de induo para um nico
termo:
T (k1 x1 ) = k1 T (x1 ),
93

que verdadeira pela definio de transformao linear.


A hiptese de que a afirmao vale para m 1. O passo :

T (k1 x1 + k2 x2 + + km xm ) = T [k1 x1 + (k2 x2 + + km xm )] (associatividade de +)


= T (k1 x1 ) + T (k2 x2 + + km xm ) (T linear)

142
= k1 T (x1 ) + T (k2 x2 + + km xm ) (T linear)
= k1 T (x1 ) + k2 T (x2 ) + + km T (xm ). (pela hiptese de induo)

r
E conclumos a demonstrao. 

o
a
Na seo 2.4 mostramos como obter uma funo de mudana de base para espaos vetoriais. Essa funo

e rs
n
linear, e a demonstrao pedida no exerccio 74.
Teorema 3.13. Sejam R e S duas bases para um espao vetorial V de dimenso finita. Ento a funo que realiza a

i
v
mudana de base em cada coeficiente uma transformao linear.
m
Exemplo 3.14. A seguir temos duas bases para R3 .

la
= {(1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T }
i
u
= {(1/2, 0, 0)T , (0, 3, 0)T , (0, 0, 1)T }
l
a
A transformao que muda da base para a base
Pre
de

T (x, y, z)T = (2x, y/3, z)T .


 
tas

Assim, se x = (1, 1, 1)T , temos

[x] = (1, 1, 1)T ,


no

ini

[x] = T ([x] ) = (2, 1/3, 1)T .


o

gr
ar-

Verificamos que ambos representam o mesmo vetor, expandindo-os como combinao linear de cada uma
rs

das bases:
lle
e

[x] = (1, 1, 1)T x = 1(0, 0, 1)T + 1(0, 1, 0)T + 1(1, 0, 0)T = (1, 1, 1)T
Lin

. Pe

[x] = (2, 1/3, 1)T x = 2(1/2, 0, 0)T + 1/3(0, 3, 0)T + 1(1, 1, 1)T = (1, 1, 1)T .
Ve

A transformao T linear: primeiro mostramos que T [kv] = kT (v).


bra

oC

T (kv) = T k(x, y, z)T


 

= T (kx, ky, kz)T


 
im
e

= (2kx, ky/3, kz)T


lg

= k(2x, y/3, z)T


n

= kT (x, y, z)T .
 
Jer

Agora mostramos que T (v + w) = T (v) + T (w). Sejam v = (x, y, z)T e w = (a, b, c)T .

T (v + w) = T (x, y, z)T + (a, b, c)T


 
94 CAPTULO 3. TRANSFORMAES LINEARES

= T (x + a, y + b, z + c)T
 

= (2x + 2a, y/3 + b/3, z + c)T


= (2x, y/3, z)T + (2a, b/3, c)T
= T (x, y, z)T + T (a, b, c)T .
   
J

142
Da definio de transformao linear, observamos que podemos somar duas transformaes T e S, de
forma que a transformao (T + S), dada por (T + S)(x) = T (x) + S(x) tambm linear; e similarmente,

r
tambm podemos multiplicar uma transformao T por um escalar k, obtendo a transformao kT , dada
por kT (x) = T (kx).

o
a
Alm da soma e da multiplicao por escalar, tambm podemos realizar a composio de transforma-
es (que resulta em uma transformao tambm linear), e em alguns casos, obter a inversa de uma trans-

e rs
n
formao (e quando a inversa existe, ela linear).
Definio 3.15 (Composio de transformaes). Sejam S : V U e T : U W duas transformaes

i
v
lineares. A composio de T com S
m
(T S)(v) = T (S((v))). 

la
Exemplo 3.16. Sejam S : R4 R3 e T : R3 R3 , tais que
i
u
S[(a, b, c, d)T ] = (a + b, b + c, c + d)T
l
a
T [(x, y, z)T ] = (x, y, x + y + z)T .
Pre
de
Ento a composio de S e T
(T S)(a, b, c, d)T = T (S(a, b, c, d)T )
tas

= T (a + b, b + c, c + d)T
= (a b, b c, a + 2b + 2c + d)T .
no

ini

Note que a composio (T S) : R4 R3 . J


o

gr

Exemplo 3.17. Sabemos que a transposio de matriz quadrada um operador linear. Outra transformao
ar-
rs

linear em matrizes quadradas a multiplicao de uma linha por um escalar. Tomemos ento o espao
lle

M33 , com as tranformaes:


e
Lin

transposio,
. Pe


a11 a12 a13 a11 a21 a31
T a21 a22 a23 = a12 a22 a32 ;
Ve

a31 a32 a33 a13 a23 a33


bra

oC

multiplicao da terceira linha por 5,



im
e

a11 a12 a13 a11 a12 a13


M a21 a22 a23 = a21 a22 a23 .
lg

a31 a32 a33 5a31 5a32 5a33


n

A composio T M
Jer


a11 a12 a13 a11 a12 a13 a11 a21 5a31
T M a21 a22 a23 = T a21 a22 a23 = a12 a22 5a32 . J
a31 a32 a33 5a31 5a32 5a33 a13 a32 5a33
95

Exemplo 3.18. Em R3 [x], os dois operadores a seguir so lineares:

a derivada segunda,
d2
(a0 + a1 x + a2 x2 + a3 x3 ) = 2a2 + 6a3 x
dx2

142
a troca do primeiro com o ltimo coeficiente,

r
T (a0 + a1 x + a2 x2 + a3 x3 ) = a3 + a1 x + a2 x2 + a0 x3 .

o
a
A composio d2 /dx2 T

e rs
n
d2 2 3 d2
T (a0 + a 1 x + a2 x + a3 x ) = (a3 + a1 x + a2 x2 + a0 x3 )
dx2 dx2
i
v
= 2a2 + 6a0 x. J
m
Exemplo 3.19. Seja T o operador em R2 que realiza rotao pelo ngulo /2, e S o operador que realiza

la
rotao por /4. Nossa intuio diz que a composio das duas deve ser igual rotao pelo ngulo /4.
i
Verificamos1 ento como seria a rotao R por /4:
u
l
a
     
x y (x y)/2
Pre

x cos(/4) sen(/4)
de
R = = (ngulo /4)
y x sen(/4) + y cos(/4) (x + y)/ 2
tas

Agora calculamos a composio de T com S:


     
T x = x cos(/2) y sen(/2) = y (ngulo /2)
no

ini

y x sen(/2) + y cos(/2) x

o

    
S x = x cos(/4) y sen(/4) = (x + y)/2 . (ngulo /4)
gr
ar-

y x sen(/4) + y cos(/4) (x + y)/ 2


rs

lle

A composio T S
e


Lin

. Pe

   
T S x =T (x + y)/ 2
y (x + y)/ 2

Ve


(x y)/ 2 ,
bra

oC

=
(x + y)/ 2

exatamente igual rotao por /4. J


im
e
lg

Proposio 3.20. A composio de transformaes lineares tambm uma transformao linear.


n

1 Lembrete:
/2 = 90o /4 = 45o /4 = 45o
Jer


sen(/2) = 1 sen(/4) = +1/ 2 sen(/4) = 1/ 2

cos(/2) = 0 cos(/4) = +1/ 2 cos(/4) = +1/ 2
96 CAPTULO 3. TRANSFORMAES LINEARES

Teorema 3.21. Sejam

Q:V U
R:VU
S:WV

142
T :WV

r
transformaes lineares. Ento

o
a
R (S + T ) = (R S) + (R T )
(Q + R) S = (Q S) + (R S).

e rs
n
Definio 3.22 (Inversa de transformao linear). Seja T : V U uma transformao linear. T invertvel

i
v
se e somente se bijetora. A inversa de T , denotada T 1 , tal que T 1(T (v)) = v. 
m
Exemplo 3.23. A transformao T : R2 R2 com

la
T (x, y)T = (2x, 3y)T
i
u
l
invertvel, com inversa
a
T 1 (a, b)T = (a/2, b/3)T .
Pre

J
de

Exemplo 3.24. Em qualquer espao vetorial diferente do espao trivial, fica evidente que a transformao
T (v) = 0 no tem inversa. J
tas

Exemplo 3.25. A transposta de uma matriz quadrada sempre tem inversa (que ela mesma, j que (AT )T =
no

ini

A). Assim, esta uma transformao invertvel. J


o

Exemplo 3.26. O exemplo 3.39 mostra o operador T (x, y)T = (x, 2x)T em R2 . Esta transformao no
gr
ar-

bijetora:
rs

T [(3, 4)T ] = (3, 6)T = T [(3, 1)T ],


lle
e

portanto no tem inversa. J


Lin

. Pe

Exemplo 3.27. Em Rn [x], a derivada um operador linear, mas no invertvel:


Ve

d
bra

oC

a0 + a1 x = a1
dx
d
b0 + a1 x = a1
im

dx
e

d
lg

c0 + a1 x = a1
dx
n

..
.
Jer

e portanto no temos um nico polinmio tal que d/dx p(x) = a1 . J

Teorema 3.28. Seja T : V U uma transformao linear invertvel. Ento T 1 tambm linear.
3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 97

Demonstrao. Sejam v1 , v2 V. Como T invertvel, existem w1 , w2 U tais que T (v1 ) = w1 e T (v2 ) =


w2 . Verificamos a multiplicao por escalar:

T 1 (cw1 ) = T 1 (cT (v1 ))


= T 1 (T (cv1 ))

142
= cv1
= cT 1 (w1 ).

r
o
E verificamos tambm a soma de vetores:

a
T 1 (w1 + w2 ) = T 1 (T (v1 ) + T (v2 ))

e rs
n
= T 1 (T (v1 + v2 )) (T linear)
= v1 + v2
i
v
= T 1 (w1 ) + T 1 (w2 ). 
m
Exemplo 3.29. A transformao que rotaciona vetores em R2 por um ngulo tem como inversa a rotao

la
por , que tambm linear. J
i
Exemplo 3.30. A transformao T : R4 R3 [x], com u
l
a
Pre
de
T [(a, b, c, d)T ] = 3ax3 + 2bx2 + cx d

uma bijeo, e sua inversa


tas

p q T
T 1 (px3 + qx2 + rx + s) = , , r, s . J
3 2
no

ini
o

O exerccio 72 pede a demonstrao da proposio a seguir, que determina a inversa de uma composio.
gr
ar-

Proposio 3.31. Se T e S so invertveis e a composio S T definida, ento


rs

lle

(S T )1 = T 1 S1 .
e
Lin

. Pe
Ve

3.1 O efeito em uma base determina completamente uma transforma-


bra

oC

o
im
e

No exemplo 3.9 desenvolvemos uma transformao linear que realiza a rotao de vetores no plano. Ini-
cialmente, determinamos o efeito que queramos na base cannica { e1 , e2 }, e com isso determinamos
lg

completamente a transformao. Aquele exemplo ilustra o que o prximo teorema nos garante: uma trans-
n

formao linear T : V U completamente caracterizada pelo seu efeito em uma base de V.


Podemos fazer uma analogia com polinmios: se quisermos determinar as retas ax + b que passam por
Jer

um ponto dado, teremos infinitas delas. Se tivermos dois pontos, h somente uma reta passando por eles, e
sabemos como calcular sua equao. Por exemplo, se tomarmos o ponto (1, 0), h infinitas retas passando
por ele. A seguir mostramos tres delas, 2x 2, x + 1, 3x + 3.
98 CAPTULO 3. TRANSFORMAES LINEARES

142
1 2
1

r
2

o
a
3

e rs
n
Se fixarmos um segundo ponto, (0, 2), somente uma das retas passar por eles, e sabemos que a reta
i
v
2x 2.
m
la
3
i
2
u
l
a
1
Pre
de
1 2
1
tas

2
no

3
ini
o

gr
ar-

Da mesma forma, se tivermos dois pontos no plano, haverinfinitas parbolas


ax2 + bx + c passando por
rs

eles. Por exemplo, h infinitas parbolas passasndo por ( 2, 0) e (+ 2, 0). Na figura a seguir mostramos
lle

tres delas: x2 2, x2 + 2, e 2x2 4.


e
Lin

. Pe

3
Ve

2
bra

oC

1
im
e

2 1 1 2
lg

1
n

3
Jer

Se fixarmos um terceiro ponto, (1/2, 7/2), somente a parbola 2x2 4 passar por todods eles.
3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 99

142
0
2 1 0 1 2
1

r
2

o
a
3

e rs
n
Semelhantemente, com n + 1 pontos determinamos completamente um polinmio de grau n.

i
v
O teorema a seguir nos garante exatamente o mesmo, mas para transformaes lineares: conhecendo
m
uma base v1 , . . . , vn e os valores de T (vi ) para seus vetores, podemos ter certeza de que h exatamente uma
transformao T : V U que mapeia vi 7 T (vi ).

la
Teorema 3.32. Sejam U e V espaos vetoriais de dimenso finita; BV = (v1 , v2 , . . . , vn ) uma base ordenada de
i
u
V; e u1 , u2 , . . . un vetores em U. Ento existe uma nica transformao T : V U tal que T (vi ) = ui .
l
a
Demonstrao. Um vetor qualquer v V pode ser descrito como combinao linear dos vetores em BV :
Pre
de
X
v= ai vi .
i
tas

Com os coeficientes ai usados para descrever v podemos determinar a transformao T .


no

ini

X
!
T (v) = T ai vi
o

i
gr

X
ar-

= ai T (vi )
rs

(pelo Teorema 3.12)


lle

i
X
e

= a i ui . (porque T (vi ) = ui )
Lin

. Pe

Temos portanto uma transformao T : V U com


Ve

X
bra

oC

T (v) = ai ui ,

onde os ai so as coordenadas de v na base BV .


im
e

Com isto j identificamos completamente a transformao T .


lg

Nos falta, agora, mostrar o que dissemos no enunciado: (i) que de fato T mapeia os vi nos ui ; (ii) que T
n

linear; e (iii) que T nica.


Primeiro verificamos (i), que T (vi ) de fato igual a ui :
Jer

T (vi ) = 0u1 + 0u2 + . . . + ai ui + . . . + 0un ,

e portanto T (vi ) = ui .
100 CAPTULO 3. TRANSFORMAES LINEARES

Assim, obtemos uma transformao T de V em U que mapeia corretamente os vetores vi nos vetores
ui .
Agora mostramos (ii), que T linear. Sejam v, w V tais que
X
v= ai vi
i

142
X
w= bi vi .

r
i

o
Ento

a
X X
" # !

e rs
n
T (v + w) = T (ai vi + bi vi ) = T (ai + bi )vi
i i
X X X

i
v
= (ai + bi )ui = a i ui + bi u i
i
m i i
X X
! !
= ai vi + bi vi = T (v) + T (w).

la
i i
i
e u
l
a
X X
"
# " #
Pre
de
T (kv) = T k (ai vi ) = T (kai vi )
i i
X X
tas

= kai ui = k ai ui = kT (v).
i i

Finalmente mostramos (iii) que T nica. Suponha que R : V U seja


no

ini

P linear, e que R tambm


mapeie os vetores vi nos vetores ui , ou seja, R(vi ) = ui . Seja v V, com v = ai vi .
o

X X
gr
ar-

R(v) = ai R(vi ) = ai ui = T (v),


rs

lle

e R deve ser igual a T . 


e
Lin

. Pe

Podemos determinar completamente uma transformao se soubermos seu efeito na base cannica.
Exemplo 3.33. Suponha que precisemos definir a transformao de R3 em R2 tal que
Ve
bra

oC

T (e1 ) = (4, 8)T


T (e2 ) = (1, 0)T
im
e

T (e3 ) = (1, 7)T .


lg

Observamos B = { e1 , e2 , e3 } base de R3 .
n

Para todo v R3 , com v = (x, y, z)T , temos uma representao de v na base B). Calculamos ento
[(x, y, z)]B.
Jer

T (v) = T (x, y, z) = T (xe1 + ye2 + ze3 ) (T linear)


= xT (e1 ) + yT (e2 ) + zT (e3 )
3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 101

= x(4, 8)T + y(1, 0)T + z(1, 7)T


= (4x + y z, 8x + 7z)T ,

e com isso determinamos T . J


Podemos conseguir o mesmo usando uma base diferente da cannica, como mostra o exemplo a seguir.

142
Lembramos que qualquer conjunto de n vetores L.I. base para um espao de dimenso n.
Exemplo 3.34. Queremos definir a transformao de R3 em R2 tal que

r
o
a
T (1, 2, 0)T = (1, 5)T
T (0, 1, 0)T = (0, 1)T

e rs
n
T (2, 0, 1)T = (2, 4)T .

i
O conjunto B = (1, 2, 0), (0, 1, 0), (2, 0, 1) L.I., e portanto base de R3 .

v
Dado v R3 , com v = (x, y, z)T , determinamos sua representao na base B:
m
(x, y, z) = a1 (1, 2, 0) + a2 (0, 1, 0) + a3 (2, 0, 1)

la
i
u
Para determinar a1 , a2 e a3 , supomos x, y e z constantes e resolvemos

l
a

a1 + 2a3 = x
Pre
de
2a1 a2 =y


a3 = z
tas

obtendo
no

ini

a1 = x 2z
o

a2 = 2x y 4z
gr
ar-

a3 = z.
rs

lle

E portanto, temos
e
Lin

. Pe

T (x, y, z) = T [a1 (1, 2, 0) + a2 (0, 1, 0) + a3 (2, 0, 1)]


= a1 T (1, 2, 0) + a2 T (0, 1, 0) + a3 T (2, 0, 1) (pelo Teorema 3.12)
Ve

= a1 (1, 5) + a2 (0, 1) + a3 (2, 4)


bra

oC

= (x 2z)(1, 5) + (2x y 4z)(0, 1) + z(2, 4)


= (x 2z, 5x 10z) + (0, 2x + y + 4z) + (2z, 4z)
im
e

= (x, 3x + y 2z). J
lg

Exemplo 3.35. Queremos definir uma transformao de R2 [x] em M22 tal que
n

 
2 0 2
Jer

T (x + x) =
3 1
 
2
T (5x ) = 1 0
0 1
102 CAPTULO 3. TRANSFORMAES LINEARES
 
T (3) = 1 1 .
1 0

Observamos que x2 + x, 5x2 , 3 base para R2 [x] e portanto, tendo o efeito de T sobre uma base, po-
demos determinar T .
Usamos o seguinte isomorfismo entre estes dois espaos com R3 e R4 :

142
f(ax2 + bx + c) = (a, b, c)T

r
 
g = (, , , )T

a
Assim, definimos S : R2 R4 como

e rs
n
S(v) = g1 T f = g1 (T (f(v)))

i
v
e consequentemente,
m
T (w) = f1 (S1 (g(w)),

la
como fica claro no diagrama a seguir.
i
R2 [x]
f u R3
l
a
Pre
de

T S
tas
no

ini

M22 R4
o

g1
gr
ar-
rs

Agora, como
lle

f(x2 + x) = (1, 1, 0)T


e
Lin

f(5x2 ) = (5, 0, 0)T


. Pe

f(3) = (0, 0, 3)T ,


Ve
bra

oC

 
g 0 2 = (0, 2, 3, 1)T
3 1
im
e

 
g 1 0 = (1, 0, 0, 1)T
lg

0 1
n

 
g 1 1 = (1, 1, 1, 0)T ,
1 0
Jer

temos os valores de S para tres vetores,

S(1, 1, 0)T = (0, 2, 3, 1)T


3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 103

S(5, 0, 0)T = (1, 0, 0, 1)T


S(0, 0, 3)T = (1, 1, 1, 0)T .

Todo vetor em R3 pode ser representado como combinao linear da base (1, 1, 0)T , (5, 0, 0)T , (0, 0, 3)T ,
portanto
(p, q, r)T = a1 (1, 1, 0)T + a2 (5, 0, 0)T + a3 (0, 0, 3)T

142
Resolvemos ento

r

a1 + 5a2 =p

o
a1 =q

a


3a3 = r

e rs
n
e obtemos

i
v
a1 = q
a2 = (p q)/5
m
a3 = r/3.

la
Finalmente, podemos determinar a expresso geral de S(p, q, r).
i
u
l
" ! !
a !#
1 5 0
Pre

T
S(p, q, r) = S a1 1 + a2 0 + a3 0
de
0
! 0! 3!
1 5 0
tas

= a1 S 1 + a2 S 0 + a3 S 0 (pelo Teorema 3.12)


0 0 3
0 1 1
no

ini

= a1 2 + a2 0 + a3 1

o

3 0 1
1 1 0
gr
ar-


rs

0 1 1
p q 0 r 1
lle

= q 2 + +
e

3 5 0 3 1
1 1 0
Lin

. Pe


0 (q p)/5 r/3
2q 0
r/3
= + +
Ve


3q 0 r/3
bra

oC

q (q p)/5 0

r/3 + (q p)/5
im
e

=
r/3 + 2q
lg


r/3 + 3q
n

q + (q p)/5

r/3 + (q p)/5
Jer


= r/3 + 2q

r/3 + 3q
(6q p)/5
104 CAPTULO 3. TRANSFORMAES LINEARES

Expressando a transformao como T : R2 [x] M22 ,


!
T (px2 + qx + r) = r/3 + (q p)/5 2q + r/3 . J
3q + r/3 (6q p)/5

142
3.2 Kernel e imagem

r
o
a
O kernel de uma transformao linear anlogo ao conceito de razes de uma funo2 .

e rs
Definio 3.36 (Kernel de uma transformao). Seja T : V U uma transformao linear. Ento

n
ker(T ) = {v V : T (v) = 0} o kernel3 (ou ncleo) de T .

i
v
m
Definio 3.37 (Imagem de uma transformao). Seja T : V U uma transformao linear. Ento
Im(T ) = {T (v) : v V} a imagem de T . 

la
Exemplo 3.38. Considere a transformao linear T : R2 R2 definida a seguir.
i
u
l
a
T [(x, y)T ] = (x + y, y x)T
Pre
de
O kernel de T o conjunto dos vetores com T (v) = 0, ou seja,

tas

ker(T ) = (x, y)T : x + y = 0 e y x = 0 .

Para x + y = 0 e y x = 0 h uma nica soluo, com x = y = 0, e portanto ker(T ) = {(0, 0)T } = {0}. J
no

ini

Exemplo 3.39. A transformao T : R2 R2 dada por


o

gr
ar-

T (x, y)T = (x, 2x)T


rs

lle

A imagem de T { (x, 2x) : x R }.


e

T (v) resultar em (0, 0)T para todo vetor v = (0, y)T , e portanto o kernel de T
Lin

. Pe


ker(T ) = (0, y)T : y R J
Ve
bra

oC

Exemplo 3.40. A operao de rotao em R2 tem como imagem o prprio R2 , porque todo vetor pode ser
resultado da rotao de outro. Alm disso, o kernel desta operao { 0 }, porque somente a origem (0, 0)T ,
quando rotacionada, resulta novamente na origem. J
im
e
lg

Exemplo 3.41. Mencionamos que a derivada uma transformao linear no espao das funes derivveis.
n

O kernel desta transformao o conjunto de funes que tem a derivada igual a zero ou seja, o conjunto
de todas as funes constantes. J
Jer

2 As razes de uma funo f so os pontos x de seu domnio tais que f(x) = 0. Por exemplo, se f(x) = x2 4, as razes de f so +2

e 2.
3 Em lgebra Linear, o kernel o conjunto de elementos que levam em zero. De maneira mais abstrata, pode-se dizer que o

conjunto que leva ao elemento neutro. Para certas funes definidas em grupos, o kernel {x G : f(x) = 1}.
3.2. KERNEL E IMAGEM 105

Exemplo 3.42. Considere a transformao T : R2 [x] C0 , definida a seguir.

T (a2 x2 + a1 x + a0 ) = a2 sen2 (x) + a1 cos2 (x) + a0

A imagem de T a de todas as combinaes lineares das funes sen2 (x), cos2 (x) e f(x) = 1.
O kernel de T composto pelos vetores que levam funo zero, ou seja, nas funes g(x) tais que

142
g(x) = a2 sen2 (x) + a1 cos2 (x) + a0 = 0

r
Isto deve valer para todo x. Evidentemente, sen2 (x) > 0 e cos2 (x) > 0, e como seno, cosseno e f(x) = 1

o
so LI, g(x) s zero quando

a
a1 = a2 = a0 .

e rs
n
Isso porque

a1 sen2 (x) + a1 cos2 (x) + a0 = 0


i
v
a1 sen2 (x) + cos2 (x) + a0 = 0

m
a1 (1) + a0 = 0

la
a1 = a0 .
i
u
No entanto, se a1 6= a0 , sempre poderemos encontrar um x tal que a2 sen2 (x) + a1 cos2 (x) 6= a0 .
l
a
O kernel de T portanto composto pelos polinmios da forma
Pre
de
p(x) = ax2 + ax a. J

Exemplo 3.43. Seja f definida em Mnn da seguinte maneira: a matriz A transformada em outra matriz
tas

B, onde cada elemento bii da diagonal de B igual soma da linha i menos a soma da coluna i, e os
elementos de B fora da diagonal so zero. O exerccio 77 pede a demonstrao de que f linear.
no

ini

! !
1 2 1 1 0 0
o

f 0 1 1 = 0 4 0
gr
ar-

4 3 1 0 0 5
rs

A imagem de f o conjunto das matrizes diagonais n n.


lle
e

O kernel de f o conjunto das matrizes onde o somatrio de cada i-sima linha igual ao da i-sima
Lin

coluna. J
. Pe

Teorema 3.44. Seja T : V U uma transformao linear. Ento ker(T ) subespao de V e Im(T ) subespao
de U.
Ve
bra

oC

Demonstrao. Temos ker(T ) V e Im(T ) U, portanto precisamos demonstrar apenas que 0 est em
ambos os conjuntos, e que so fechados sob multiplicao por escalar e adio.
(ker, i) O zero est no ncleo de T . Claramente verdade, porque T (0) = 0.
im
e

(ker, ii) A multiplicao por escalar fechada em ker T . Mostraremos que um vetor do ncleo de T , quando
lg

multiplicado por escalar, continua em ker T .


n

Suponha que v ker T , ou seja,


T (v) = 0.
Jer

Se multiplicarmos os dois lados por c, temos

cT (v) = c0
106 CAPTULO 3. TRANSFORMAES LINEARES

cT (v) = 0 (em todo espao vetorial, cv = 0)


T (cv) = 0 (T linear)
Mas a ltima linha significa que cv est no ncleo de T .
(ker, iii) A soma de vetores fechada em ker T . Mostraremos que, dados dois vetores no ncleo de T , sua
soma tambm parte de ker T .

142
Suponha que v, w ker T , ou seja,

r
T (v) = 0,
T (w) = 0.

o
a
Ento

e rs
n
T (v + w) = T (v) + T (w) (porque T linear)
=0+0
i
v
= 0,
m
o que significa que v + w est no ncleo de T .

la
Agora tratamos da imagem.
(Im, i) O zero est na imagem de T . Claramente verdade, porque T (0) = 0.
i
u
(Im, ii) A multiplicao por escalar fechada em Im T . Mostraremos que um vetor da imagem de T , quando
l
a
multiplicado por escalar, continua na imagem de T .
Pre
de
Seja c um escalar, e suponha que w Im T , ou seja,
T (v) = w, para algum v V
tas

Como v V, e V espao vetorial, ento cv V. Mas isto imediatamente nos permite escrever
no

ini

T (cv) = cT v
o

= cw.
gr
ar-

Assim, se w Im T , ento cw Im T .
rs

(Im, iii) A soma de vetores fechada em Im T . Mostraremos que, dados dois vetores na imagem de T , sua
lle

soma tambm parte de Im T .


e

Suponha que w, z Im T , ou seja,


Lin

. Pe

T (v) = w, para algum v V


T (u) = z, para algum u V
Ve
bra

oC

Ento
T (v + u) = T (v) + T (u)
im
e

=w+z
lg

o que significa que w + z imagem de u + v ou seja, a soma w + z est na imagem de T . 


Exemplo 3.45. A transformao T : R3 R3 com T (x, y, z)T = (x, x + y + z, 2x)T tem como imagem,
Jer

evidentemente, os vetores da forma (x, x + y + z, 2x)T (estes formam um plano). O kernel desta transfor-
mao composto pelos vetores com x = 0 e y + z = 0 ( uma reta). Os dois (uma reta e um plano, ambos
passando pela origem) so espaos vetoriais. Mais rigorosamente, temos:
3.3. NULIDADE E POSTO 107

Ambos so subconjuntos de R3 .
(0, 0, 0)T ker T , e (0, 0, 0)T Im T .
Im T fechada sob soma:

(x, x + y + z, 2x)T + (x 0 , x 0 + y 0 + z 0 , 2x 0 )T = (x + x 0 , x + x 0 + y + y 0 + z + z 0 , 2(x + x 0 )T .

142
Im T fechada sob multiplicao por escalar:

r
o
c(x, x + y + z, 2x)T = (cx, cx + cy + cz, 2cx)T .

a
e rs
ker T fechado sob soma: se T (v) = (0, 0, 0)T , T (u) = (0, 0, 0)T ,

n
T (u + v) = T (u) + T (v) = (0, 0, 0)T ,

i
v
e portanto u + v ker T .
m
ker T fechado sob multiplicao por escalar: se T (v) = (0, 0, 0)T ,

la
cT (v) = c(0, 0, 0)T = (0, 0, 0)T ker T J
i
u
l
a
Pre
de

3.3 Nulidade e posto


tas

Definio 3.46 (Nulidade e posto). Seja T uma transformao linear entre espaos de dimenso finita. A
nulidade de uma transformao T a dimenso de ker(T ). O posto de T a dimenso de Im(T ). 
no

ini

Exemplo 3.47. Seja T : R3 R3 , definida a seguir.


o

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


gr
ar-
rs

A imagem desta transformao um plano, contendo vetores da forma (x, y, x + y)T . Uma base para este
lle

plano  !
e

!
1 0
Lin

. Pe

BI = 0 , 1 .
1 1
Ve

Como a base da imagem tem dois vetores, o posto de T dois.


bra

oC

O ncleo de T composto pelos vetores v tais que T (v) = 0, ou seja,


! !
x 0
im
e

T y = 0
lg

z 0
n

Ou seja,
Jer

x=0
y=0
x+y=0
108 CAPTULO 3. TRANSFORMAES LINEARES

Estes so os vetores da forma (0, 0, z)T uma reta. Uma base para o ncleo , portanto,
 !
0
BN = 0 .
1
J

142
Como a base do ncleo tem um nico vetor, a dimenso do ncleo um.
Exemplo 3.48. O exemplo 3.9 mostra a transformao que realiza rotao de vetores em R2 . O kernel da

r
transformao contm somente o vetor zero, porque qualquer outro vetor em R2 , quando rotacionado,
resulta em vetor diferente de zero. J Im(T ) igual a todo R2 , porque todo vetor pode ser obtido como

o
a
rotao de outro.
Como o kernel de T { 0 }, sua nulidade T zero. O posto de T dois (a dimenso de R2 ). J

e rs
n
Exemplo 3.49. O exemplo 3.5 mostra que a derivada em Rn [x] transformao linear. A imagem desta

i
transformao Rn1 [x], e o kernel o conjunto das funes constantes (que so as que tem derivada

v
zero).
m
A nulidade da transformao um (porque a imagem pode ser gerada a partir de um nico vetor, a
funo constante f(x) = 1). O posto n (a dimenso da imagem, Rn1 [x]). J

la
Exemplo 3.50. Considere o operador derivada segunda, d2 /dx2 , no espao R4 [x]. Para um polinmio
i
qualquer deste espao, temos u
l
a
Pre

d2
de
a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 12a4 x2 + 6x3 + 2a2 .

dx 2
tas

A imagem de d2 /dx2 composta, portanto, de polinmios de grau no mximo dois. Uma base para a
imagem
BI = {1, x, x2 },
no

ini

e portanto o posto de d2 /dx2 tres.


o

J o ncleo deste operador composto pelos polinmios que so transformados no polinmio zero.
gr
ar-

Estes so, claro, os de grau no mximo um, ou seja, os da forma


rs

lle

a1 x + a0 .
e
Lin

. Pe

Uma base para o ncleo portanto


BN = {1, x},
Ve

2 2
e a nulidade de d /dx dois. J
bra

oC

Teorema 3.51 (do ncleo e da imagem). Sejam V e U espaos vetoriais de dimenso finita e T : V U uma
transformao linear. Ento a soma da nulidade com o posto de T igual dimenso de V ou seja, dim Im(T ) +
im
e

dim ker(T ) = dim V.


lg

Demonstrao. Seja { u1 , u2 , . . . , uk } uma base para ker(T ) com k vetores. Podemos completar esta base
n

para formar uma base


{ u1 , u2 , . . . , uk , w1 , w2 , . . . , wm }
Jer

para V. Temos ento

dim ker(T ) = k
3.3. NULIDADE E POSTO 109

dim V = k + m.

Para mostrar que dim Im(T ) = m, mostraremos que o conjunto { T w1 , T w2 , . . . , T wm } uma base para
Im(T ).
Todo vetor v V combinao linear de vetores da base de V, portanto

142
v = a1 u1 + . . . + ak uk + b1 w1 + . . . + bm wm
T v = a1 T (u1 ) + . . . + ak T (uk ) + b1 T (w1 ) + . . . + bm T (wm )

r
= b1 T (w1 ) + . . . + bm T (wm ). (porque T (ui = 0))

o
a
As duas ltimas linhas acima mostram que todo vetor T (v) combinao linear dos vetores T (wi ), e por-

e rs
tanto mostramos que os vetores T (wi ) geram a imagem de T . Para que formem uma base, resta mostrar

n
que so um conjunto L.I4 .
Considere agora uma combinao linear qualquer de vetores T wi , e suponha que ela seja igual a zero:

i
v
m
c1 T (w1 ) + . . . + cm T (wm ) = 0.

Mostraremos a seguir que isso implica em todos os ci serem iguais a zero e portanto o conjunto dos T wi

la
L.I.
i
u
Como T linear, podemos reescrever a equao na forma a seguir.
l
a
T (c1 w1 + . . . + cm wm ) = 0
Pre
de

Ou seja, w = c1 w1 + . . . + cm wm ker(T ).
O kernel de T gerado pelos ui , portanto w, estando no kernel, combinao linear dos ui :
tas

w = c1 w1 + . . . + cm wm
no

w = z1 u1 + z2 u2 + . . . + zk uk .
ini
o

ou seja,
gr
ar-

(c1 w1 + . . . + cm wm ) = (z1 u1 + z2 u2 + . . . + zk uk )
rs

lle

O que o mesmo que


e

(c1 w1 + . . . + cm wm ) + (z1 u1 z2 u2 . . . zk uk ) = 0.
Lin

. Pe

No entanto, os wi e ui formam base para V, e so todos L.I. e todos os ci e zi acima devem necessariamente
Ve

ser iguais a zero. Desta forma, como os ci devem ser zero, os vetores T (wi ) so L.I.
bra

oC

Como mostramos que a imagem de T tem uma base com m vetores, temos dim Im(T ) = m. 
Exemplo 3.52. O exemplo 3.39 mostra a transformao T (x, y)T = (x, 2x)T em R2 , com ker(T ) = {(0, y)T :
im

y R} e Im(T ) = {(x, 2x) : x R}.


e
lg

A dimenso de ker(T ) claramente um uma base para ker(T ) poderia ser, por exemplo, o conjunto
{(0, 1)T }.
n

Para Im(T ), a base pode ser (1, 2)T , j que os vetores de Im(T ) so todos mltiplos deste. Assim,
dim Im(T ) = 1. Temos ento
Jer

dim ker(T ) + dim Im(T ) = dim R2 . J


4 Mostrar a independncia linear destes vetores essencial nesta demonstrao, porque estamos mostrando qual a dimenso da

imagem. Se houvesse vetores sobrando, estaramos superestimando a dimenso.


110 CAPTULO 3. TRANSFORMAES LINEARES

Exemplo 3.53. Considere a transformao T : (x, y, z)T = (x + y, z) de R3 em R2 .


A imagem de T R2 . O kernel de T

ker(T ) = (a, a, 0)T : a R ,

porque para que x + y resulte em zero, y deve ser igual a x.


o kernel de T poderia ser gerado, portanto, pela base {(1, 1, 0)T }, e temos a nulidade de T igual a

142
dim ker(T ) = 1, e o posto de T igual a dim Im(T ) = 2, e a soma de ambos dim R3 = 3. J

r
Exemplo 3.54. J verificamos no exemplo 3.49 que a derivada em Rn [x] tem imagem igual a Rn1 [x], e

o
a
seu kernel o conjunto das funes constantes.

dim Rn [x] = dim Rn1 [x] + dimK,

e rs
n
onde K o conjunto das funes constantes de R em R. Temos que a dimenso de K deve ser necessaria-
mente um. De fato, podemos escrever qualquer funo constante como mltipla de f(x) = 1, e portanto
i
v
f(x), um nico vetor, base para K. J
m
Exemplo 3.55. Em Mnn , a funo que d o trao (somatrio da diagonal) de uma matriz Tr : Mnn

la
R. Sabemos que
dim Mnn = n2 .
i
u
l
E sabemos que Im Tr = R, portanto
a
dim Im Tr = 1.
Pre
de
Assim, mesmo sem termos determinado o kernel de Tr, sabemos que sua dimenso necessariamente

dim ker Tr = n2 1.
tas

E realmente, para que Tr(A) = 0, precisamos que


no

ini

a11 + a22 + + ann = 0,


o

gr

independente dos valores no resto da matriz. Podemos gerar todas estas matrizes (com trao zero) como
ar-

combinao linear de n2 1 vetores: para cada posio i, j na matriz, exceto na posio n, n, inclumos a
rs

lle

matriz com aij = 1, e definimos ann de forma que o trao seja zero:
e

! ! ! !
Lin

1 0 0 0 1 0 0 0 1 0 0 0
. Pe

0 0 0 , 0 0 0 , 0 0 0 , 1 0 0 ,
0 0 1 0 0 0 0 0 0 0 0 0
Ve

! ! ! !
0 0 0 0 0 0 0 0 0 0 0 0
bra

oC

0 1 0 , 0 0 1 , 0 0 0 , 0 0 0 .
0 0 1 0 0 0 1 0 0 0 1 0
im

Estes oito (32 1) vetores geram matrizes com trao zero. No usamos nove vetores porque o ltimo
e
lg

elemento da matriz depende de outros elementos ( zero quando a diagonal zero, e 1 quando h 1 na
n

diagonal).
Observe que escolhemos a posio n, n arbitrariamente. Poderamos ter usado a posio 1, 1 ou 2, 2
para compensar o 1 em outro lugar da diagonal. Teramos matrizes como
Jer

! !
1 0 0 0 1 0
0 1 0 , 0 0 0 , etc. J
0 0 0 0 0 0
3.4. APLICAES 111

Os teoremas a seguir tratam de transformaes bijetoras, injetoras e sobrejetoras.


Teorema 3.56. Uma transformao T injetora se e somente se ker(T ) = { 0 }.
Demonstrao. () Se T injetora, ento h um nico x tal que T (x) = 0. Como 0 ker(T ), ento x deve
ser 0, e ker(T ) = { 0 }.
() Suponha que ker(T ) = { 0 }, e que h dois vetores x, y com T (x) = T (y). Ento T (x y) = 0, e

142
x y ker(T ). Mas somente 0 ker(T ), e portanto x y = 0, e x = y ou seja, T injetora. 

r
T
Exemplo 3.57. Seja T : R3 R3 uma transformao linear tal que T [(x1 , x2 , x3 )] = (2x3 , 0, 3x1 )T . De

o
imediato observamos que no pode ser injetora, porque seu kernel no contm apenas o vetor zero todos

a
os vetores da forma (0, k, 0)T tambm so levados por T ao zero, e portanto tambm esto no kernel de T .
Podemos tambm expor o fato de outra forma: como h mais de um vetor tal que T (v) = 0, h mais de

e rs
n
um vetor levando a um nico elemento do contradomnio, portanto a transformao no injetora. J
Exemplo 3.58. Seja um ngulo. A transformao que rotaciona vetores em R2 por injetora, porque o
i
v
nico vetor que pode resultar no vetor zero depois de rotacionado o prprio vetor zero (ou seja,o kernel
m
da transformao contm somente o zero). J

la
Exemplo 3.59. A dimenso da transformao definida pelo trao de matrizes quadradas um, portanto o
trao no uma transformao injetora. De fato, fcil construir duas matrizes com o mesmo trao. J
i
Teorema 3.60. Seja T : V U uma transformao linear.
u
l
a
Pre

i) Se dim V < dim U, T no sobrejetora.


de

ii) Se dim V > dim U, T no injetora.


tas

iii) Se dim V = dim U e o posto de T dim V, ento T bijetora.


no

ini

3.4 Aplicaes
o

gr
ar-
rs

3.4.1 Transformaes em imagens


lle
e

J verificamos que possvel representar a rotao de um ponto por um ngulo como transformao
Lin

. Pe

linear. Se tivermos uma imagem a ser mostrada na tela de um computador (ou de cinema), podemos realizar
a transformao em cada um dos pontos o efeito ser o de transformar a imagem inteira. A figura a seguir
mostra a rotao de todos os pontos de uma imagem por um ngulo de /3. Esta transformao dada
Ve

por
bra

oC

     
x x cos (/3) y sen (/3) 1 x+y 3
T = =
y x sen (/3) + y cos (/3) 2 x 3 + y
im
e
lg

n
Jer


112 CAPTULO 3. TRANSFORMAES LINEARES

H diversas outras transformaes em R2 que tambm so importantes em Computao Grfica. Listamos


algumas delas nesta seo.
A reflexo por qualquer reta que passe pela origem uma transformao linear. As reflexes pelas retas
y = x, y = x e x = 0 so realizadas, respectivamente, pelas transformaes
           
T1 x = y , T2 x = y , T3 x = x .

142
y x y x y y
A figura a seguir ilustra a segunda delas (T2 , reflexo pela reta y = x).

r
o
a
R

e rs
n
P

iR

v
Q
P Q
m
la
O cisalhamento tambm transformao linear, que consiste em somar um mltiplo de uma das coordenadas
i
do vetor a outra. Por exemplo,   
x x + 2y

u
l
T =
a
y y
Pre
de
uma operao de cisalhamento. Geometricamente, o cisalhamento realiza uma deformao como a mos-
trada na figura a seguir.
tas
no

ini
o


gr
ar-
rs

lle
e

A mudana de escala uma transformao linear. Se quisermos multiplicar a escala no eixo x por a e no eixo
Lin

. Pe

y por b, usamos a transformao    


T x = ax ,
Ve

y by
bra

oC

que linear. Por exemplo, os pontos da figura abaixo foram modificados usando a transformao T [(x, y)T ] =
(3x, y/2)T .
im
e
lg

n
Jer


3.4. APLICAES 113

O deslocamento por uma distncia fixa chamado de translao. A figura mostra uma translao da imagem
do tringulo, para a direita e para cima.

142

r
o
a
e rs
A translao, no entanto, no uma transformao linear: para deslocar um ponto em um dos eixos

n
por uma distncia k, precisaramos realizar a transformao
   
x x + k
i
v
T = ,
y y
m
que no linear (claramente, j que T [(0, 0)T ] = (k, 0)T , levando o vetor zero a algo diferente de zero.

la
Apesar da translao no ser transformao linear de R2 em R2 , podemos usar uma coordenada a mais
para obter uma transformao linear de R3 em R3 .
i
u
l
" !#
a
x + kz
!
x
T = ,
Pre

y y
de
z z
E representamos todos os pontos como (x, y, 1)T . Assim ao invs de somar uma constante k a x, somamos
tas

um mltiplo de z (que decidimos que ser sempre 1). Esta a abordagem da Geometria Afim, descrita no
Captulo 13.
no

H excelentes livros abordando a Computao Grfica, como o de Jonas Gomes e Luiz Velho [GV08] e o
ini

de Peter Shirley, Michael Ashikhmin e Steve Marschner [SAM09].


o

gr
ar-
rs

Exerccios
lle
e

Ex. 66 Em alguns exemplos, afirmamos que certas funes so transformaes lineares, mas no o de-
Lin

. Pe

monstramos. Verifique essas afirmaes (troca de coeficientes no exemplo 3.18; multiplicao de linha no
exemplo 3.17).
Ve

Ex. 67 Diga se as funes a seguir so transformaes lineares.


bra

oC

i) T : R3 R2 , tal que T (x, y, z) = (x + y, z).


ii) T : R2 C, com T (x, y) = (x y) + (x + y)i.
im
e

iii) No espao das funes derivveis de R2 em R,


lg

Z

n

T [f(x, y)] = f(x, y) + f(x, y) dy.


x
Jer

iv) No espao das funes de R2 em R,


  Z 

T [f(x, y)] = f(x, y) f(x, y) dy .
x
114 CAPTULO 3. TRANSFORMAES LINEARES

v) T : Mnn R, com T (A) igual ao produtrio dos elementos da diagonal de A.

Ex. 68 Neste Captulo, para mostrar que uma transformao T : V W linear sempre mostramos
primeiro que para todo c escalar e todos v V, w W, T (v+w) = T (v)+T (w), depois que T (cv) = cT (v).
Mostre que isso o mesmo que mostrar somente que T (cv + dw) = cT (v) + dT (w).

142
Ex. 69 Na demonstrao do teorema 3.12 (na pgina 92) usamos o seguinte argumento: cT (0) = T (0),
o que implica em c = 1 ou T (0) = 0. Demonstre esta afirmao.

r
o
a
Ex. 70 Construa o operador em R3 que rotacionan um ponto por um ngulo ao redor da origem,
mantendo a segunda coordenada fixa (o ponto (x, y, z)T mudado para (x 0 , y, z 0 )T ). Mostre que este

e rs
n
operador linear.

Ex. 71 Demonstre o teorema 3.20.

i
v
Ex. 72 Demonstre a proposio 3.31.
m
Ex. 73 Demonstre o teorema 3.60.

la
Ex. 74 Demonstre o teorema 3.13.
i
u
l
a
Ex. 75 O exemplo 3.55 mostra uma base para o espao das matrizes 3 3 com trao zero. Mostre outra
Pre
de
base para este espao, onde as matrizes no tenham zeros.

Ex. 76 Seja f uma funo de mudana de base (que tem como argumento as coordenadas de um vetor
em uma base B em um espao de dimenso n, e retorna as coordenadas deste vetor em outra base B 0 ).
tas

Determine o posto e a nulidade de f.


no

ini

Ex. 77 Mostre que a transformao f dada no exemplo 3.43 linear.


o

Ex. 78 Calcule o posto e a nulidade da transformao f, dada no exemplo 3.43.


gr
ar-
rs

Ex. 79 (Difcil) Verificamos que a rotao em R2 um operador linear. Em A2 (onde os pontos tem como
lle
e

coordenadas nmeros algbricos), podemos usar o mesmo operador para rotao?


Lin

. Pe

 
Ex. 80 Seja A = a1 , a2 , . . . , an uma matriz com colunas ai . A operao que transforma A em
 
Ve

0, a1 , a2 , . . . , an1 ou seja, desloca as colunas de A para a direita uma transformao linear?


bra

oC

Ex. 81 Levar uma matriz qualquer para a forma escalonada reduzida uma transformao linear? Caso
im

seja, determine sua nulidade e posto.


e
lg

Ex. 82 A mudana de coordenadas cartesianas para polares (ou a inversa, de polares para catrtesianas)
n

linear?

Ex. 83 Sejam f e g transformaes lineares tais que fg seja bem definida. Quais so o posto e a nulidade
Jer

de f g, em termos do posto e da nulidade de f e g?

Ex. 84 Na seo 3.4.1 dissemos que o deslocamento em um eixo por uma distncia fixa no transfor-
3.4. APLICAES 115

mao linear. Mostre que isso vale para deslocamentos em qualquer direo, e no apenas um dos eixos.

Ex. 85 No exerccio 3.10 mostramos que a esperana para variveis aleatrias discretas transformao
linear. Mostre que para variveis aleatrias contnuas a esperana tambm linear.

Ex. 86 A mediana uma transformao linear?

142
F Ex. 87 D um exemplo de transformao linear no espao de ciclos de um grafo (descrito no exem-

r
plo 1.41). Descreva algebricamente e ilustre com um exemplo particular, desenhando os grafos.

o
a
Ex. 88 No espao C1 , a derivada uma transformao linear injetora?

e rs
n
F Ex. 89 Considere o conjunto de pares de funes reais derivveis, C1 C1 = {(f, g) | f, g C1 }.
i) Verifique que se usarmos as operaes (f, g)+ (F, G) = (f+F, g+G) e c(f, g) = (cf, cg), o resultado

i
v
um espao vetorial.
ii) Determine a dimenso desse espao.
m
la
iii) Determine a imagem e o kernel da transformao
i
u d2
 
d
T (f, g) = (f + g), 2 g
l
dx
a dx
Pre
de
definida nesse espao.

Ex. 90 Um operador linear f em um espao V nilpotente se existe algum inteiro k tal que fk (v) = 0,
tas

para todo v V. Mostre como construir um operador nilpotente f em um espao de dimenso n tal que
fn1 (v) 6= 0 para algum v V, mas fn (v) = 0 para todo v V. Calcule o posto de fk para todo 1 k n.
no

ini

Ex. 91 Considere transformaes lineares de Rn em Rn . Diga se tais transformaes preservam:


o

gr
ar-

i) retas (se aplicarmos a mesma transformao em todos os pontos de uma reta, o resultado ser outra
rs

reta?)
lle

ii) planos (idem, para planos)


e
Lin

iii) ngulos (se aplicarmos a mesma transformao em todos os pontos de duas retas, o ngulo entre elas
. Pe

pode mudar?)
iv) proporo entre distncias em uma mesma reta (se aplicarmos ua mesma transformao linear em
Ve
bra

oC

uma reta contendo pontos P, Q, R, a razo das distncias PQ/QR muda?)

Ex. 92 Sabemos que em Mnn o posto do trao 1, e que sua nulidade n2 1. Determine o posto e
im
e

a nulidade de f : Mnn , com


lg

f(M) = (Tr M, Tr 0 M),


n

onde Tr 0 M o trao secundrio de M (a soma dos elementos da diagonal secundria).


Jer
116

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
142
CAPTULO 3. TRANSFORMAES LINEARES
142
Captulo 4

r
o
a
Matrizes e Transformaes Lineares

e rs
in
v
m
Neste Captulo verificamos que transformaes lineares podem ser representadas como matrizes, e anali-

la
samos diversas consequncias disso.
i
u
l
4.1 Representao de transformaes como matrizes
a
Pre
de
Da mesma forma que a multiplicao de vetores de n elementos por qualquer matriz de n linhas, resultando
em outro vetor de n elementos, uma transformao linear, mostraremos que toda transformao linear
tas

de um espao V em um espao W, ambos de dimenso finita, pode ser descrita como matriz, de forma que
a aplicao da transformao seja tambm descrita como multiplicao de matrizes.
Estabeleceremos portanto que matrizes m n so equivalentes a transformaes lineares de Rn em
no

ini

Rm .
o

gr
ar-

4.1.1 De matrizes para transformaes


rs

lle

Comeamos mostrando que toda matriz representa alguma transformao linear.


e
Lin

. Pe

Teorema 4.1. A multiplicao por matriz m n uma transformao linear de Rn em Rm .

Demonstrao. Se x Rn , e A tem m linhas, ento Ax ser um vetor com m linhas,


Ve
bra

oC



n

im

n = m ,

m
lg



n
Jer

portanto uma transformao de Rn em Rm . Nos falta mostrar que linear, mas isto evidente por
propriedades de multiplicao de matrizes: (i) (Acx) = cA(x) e (ii) A(x + y) = Ax + Ay. 

117
118 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.2. Temos a seguir uma matriz 3 2.


!
2 0
A= 3 2
1 5

142
Esta matriz representa uma transformao de um espao de dimenso dois em um espao de dimenso
trs:
! 

r
2 0 2x1
Ax = 3 2 x1 =
3x1 + 2x2 .

o
x2

a
1 5 x1 + 5x2
Note que os vetores (x1 , x2 )T e (2x1 , 3x1 + 2x2 , x1 + 5x2 )T so vetores de coordenadas, e que portanto

e rs
n
poderiam representar vetores de Rn , Rn1 [x], ou quaisquer outros espaos com as dimenses dadas. J

i
v
Exemplo 4.3. A matriz  
1 0 0
m
A=
1 0 1

la
representa uma transformao linear de Z32 em Z22 , porque a multiplicao de A por um vetor em Z32 ,
i
usando as operaes de Z2 , nos d
u
l
a
! 
x
  
Pre

xy .
de
Ax = 1 1 0 y =
0 1 1 yz
z
tas

E a funo
T (x, y, z)T = (x y, y z)T
no

ini

linear. J
o

gr
ar-

4.1.2 De transformaes para matrizes


rs

lle

J mostramos que toda matriz representa uma transformao linear. Agora mostramos a recproca: toda
e

transformao linear pode ser representada por uma matriz.


Lin

. Pe

As funes lineares f : R2 R so todas da forma

f(x, y) = ax + by.
Ve
bra

oC

De maneira mais geral, as funes lineares g : Rn R (ou seja, as funes com argumento vetor em Rn
e valor em R) so da forma
im
e
lg

g(x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + + an xn .
n

Se K um corpo, uma transformao linear de Kn em K unicamente identificada por n coeficientes


a1 , a2 , . . . , an , de forma que
Jer

X
n
T (x) = a1 x1 + a2 x2 + + an xn = ai xi
i=1
4.1. REPRESENTAO DE TRANSFORMAES COMO MATRIZES 119

Exemplo 4.4. A mdia f(x1 , x2 ) = (x1 + x2 )/2 linear em R2 , e representada por

a1 = 1/2
a2 = 1/2,

porque

142
x1 + x2
a1 x1 + a2 x2 = = f(x1 , x2 ). J
2

r
Considere uma transformao T agindo em um vetor x, que denotamos T (x). Se representarmos T por

o
a
um vetor linha e x por vetor coluna, o produto T x exatamente o valor de T (x):

e rs
n

x1
 x2
T x = a1 a2 an .. = a1 x1 + a2 x2 + + an xn = T (x).

i
v
.
xn
m
la
Exemplo 4.5. A funo F : R3 R, tal que f(x, y, z) = 2x z, representada por
i
(2 0 1) , u
l
a
Pre
de
porque
!
x
(2 0 1) y = 2x z. J
tas

z
F Exemplo 4.6. A transformao T : Z42 Z2 , dada por T (abcd) = a b c representada por
no

ini
o

(1 1 0 1) ,
gr
ar-

porque
rs


lle

a
(1 1 0 1) b = a b d.
e


c
Lin

. Pe

d
Observamos que como o corpo usado Z2 , as operaes usadas na multiplicao de matrizes so as desse
Ve

corpo. J
bra

oC

Lema 4.7. Sejam U e V espaos vetoriais de dimenso finita, e seja {e1 , e2 , . . . , en } base cannica para u. Seja
tambm T : U V linear. Se T (u) = v, ento a i-sima coordenada de v combinao linear das coordenadas de
im
e

u. Em outras palavras, se
lg

Xn
u= uj e j
n

j=1
Jer

ento existem coeficientes qij tais que


X
n
vi = qij uj
j=1
120 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Demonstrao. O vetor u combinao linear da base:

X
n
u= uj e j ,
j=1

142
e como T linear, temos

r
v = T (u)
X n

o
a

=T uj e j
j=1

e rs
n
X
n
= uj T (ej ) (4.1)

i
v
j=1
m
Seja tij a i-sima coordenada de T (ej ):
h i

la
tij = T (ej ) . (4.2)
i
i
De 4.1 e 4.2, conclumos que u
l
a
X
m
Pre

vi = uj qij 
de
j=1
tas

Exemplo 4.8. Seja T : R3 R2 , com


" !#
x
 
no

ini

T = xy .
y
2x + z
o

z
gr
ar-

As coordenadas do vetor resultante (x y e 2x + z) so evidentemente funes lineares de x, y e z. J


rs

lle

Teorema 4.9. Sejam U e V espaos vetoriais de dimenso finita com bases cannicas A e B. Ento toda transfor-
e

mao linear T : U V pode ser representada na forma de uma matriz M, de forma que T (u) = v se e somente se
Lin

. Pe

M[u]A = [v]B .
Ve

Demonstrao. Usando o Lema 4.7 para cada coordenada de v, chegamos frmula de multiplicao de
bra

oC

matriz por vetor. A i-sima posio da multiplicao Mu exatamente

X
m
im
e

(Mu)i = uj mij . 
lg

j=1
n

As figuras a seguir ilustram o conceito: cada coordenada de y combinao linear dos coeficientes de
x:
Jer

Ax = y
4.1. REPRESENTAO DE TRANSFORMAES COMO MATRIZES 121


a11 a12 a1n y1
a21 a22
. a2n x1
y2
x2 ..

.
. = .
a ain .. y
i1 ai2 . i
..

x ..
. n .

142
am1 am2 amn ym

Assim, cada coordenada pode ser representada como a multiplicao de um vetor linha pelo vetor co-

r
luna x. Posicionado os vetores uns sobre os outros:

o
a

a11 a12 a1n  x = y1

e rs
a21 a22 a2n x = y2

n
..
. 
am1 am2 amn x = ym
i
v
m
chegamos a uma matriz:

a11 a12 a1n y1

la
a21 a22 a2n
x = y2 .

i
..

.

.u
..
l
a
am1 am2 amn ym
Pre
de
Exemplo 4.10. A transformao T : R3 R2 , dada por

T (a, b, c)T = (a + b, b c)T


 
tas

tambm descrita pela matriz  


no

ini

1 1 0 .
0 1 1
o

gr

Aplicamos a transformao em um vetor v multiplicando a matriz por v:


ar-
rs

lle

  !  
1 1 0 a a + b
b = J
e

0 1 1 bc
c
Lin

. Pe

Exemplo 4.11. No exemplo 3.9 mostramos que a transformao linear que realiza a rotao de vetores em
R2
Ve

   
bra

oC

R x = x cos y sen .
y x sen + y cos
im

Esta transformao pode ser representada como uma matriz:


e
lg

 
R= cos sen .
n

sen cos
Jer

A multiplicao por R resulta na rotao do vetor pelo ngulo :


    
Rv = cos sen x = x cos y sen . J
sen cos y x sen + y cos
122 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.12. Seja T : R4 R3 , com

T (a, b, c, d)T = (a + b + c, 3d, 2a)T .


 

A matriz que representa T !


1 1 1 0
MT = 0 0 0 3 .

142
2 0 0 0

r
fcil verificar que MT (a, b, c, d)T = (a + b + c, 3d, 2a). J

o
Exemplo 4.13. Como qualquer espao vetorial de dimenso finita com dimenso n isomorfo a Rn , dada

a
uma transfomrao t : V W, podemos usar este isomorfismo para associar:

e rs
n
A transformao t : V W com outra, r : Rn Rm
Uma matriz T com a transformao t
i
v
Por exemplo, considere o operador d2 /dx2 no espao R4 [x]. Usamos o isomorfismo entre R4 [x] e R5 ,
m
f(a4 x4 + a3 x3 + a2 x2 + a1 x + a0 ) = (a4 , a3 , a2 , a1 , a0 )T .

la
i
A derivada segunda
u
l
a
d2
(a4 x4 + a3 x3 + a2 x2 + a1 x + a0 ) = 12a4 x2 + 6a3 x + 2a2
Pre
de
dx2
Como transformao de R5 em R3 , esta transformao
tas

T (a4 , a3 , a2 , a1 , a0 )T = (12a4 , 6a3 , 2a2 )T

A matriz que realiza a transformao de R5 em R3


no

ini

!
o

12 0 0 0 0
T= 0 6 0 0 0 . J
gr
ar-

0 0 2 0 0
rs

lle

F Exemplo 4.14. Em Z22 , considere a transformao


e
Lin

T (a, b) = (b, a b).


. Pe

Esta transformao pode ser representada como matriz, de forma que


Ve
bra

    
oC

T (a, b) = 0 1 a = b .
1 1 b ab
im

Note que realizamos multiplicao de matrizes usando as operaes de Z2 ( e ) onde normalmente


e

usaramos e +. J
lg

4.2 Propriedades da multiplicao de matrizes


Jer

Nesta seo exploramos propriedades de multiplicao de matrizes que sero usadas no decorrer do cap-
tulo.
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 123

4.2.1 Matrizes por blocos


Primeiro abordamos a multiplicao de matrizes por blocos.

Definio 4.15 (Partio de matriz por blocos). A partio de uma matriz por blocos uma partio das linhas
e colunas da matriz de forma a definir blocos (submatrizes). 

142
Exemplo 4.16. Considere a matriz

o
a11 a12 a13 a14 a15 a16

a
a21 a22 a23 a24 a25 a26
A = a31 a36 .

a32 a33 a34 a35

e rs
n
a41 a42 a43 a44 a45 a46

a51 a52 a53 a54 a55 a56

i
v
m
As linhas pontilhadas mostram uma possvel maneira de particionar a matriz, com duas parties de linhas
(uma com as linhas de 1 a 3, e outra com as linhas 4 e 5); e trs parties de colunas (uma com as duas

la
primeiras, outra com as trs seguintes, e outra com a ltima coluna).
Podemos ver esta matriz como uma matriz de blocos
i
 u 
l
A A
aA
A= 11 12 13
Pre

A21 A22 A23


de

onde
tas

a11 a12 a13 a14 a15 a16


A11 = a21 a22 A12 = a23 a24 a25 A13 = a26
a31 a32  a33 a34 a35  a36  J
no

ini

A21 = a41 a42 A22 = a43 a44 a45 A23 = a46 .


o

a51 a52 a53 a54 a55 a56


gr
ar-

Exemplo 4.17. A matriz A a seguir est particionada. H trs parties de linhas e trs de colunas.
rs

lle

1 1 8 9 4
A11 A12 A13
2 0 3 1 7
Lin

. Pe

A = 3 3 = A21 A22 A23 ,



5 1 2
A31 A32 A33

0 2 1 0 0
Ve

9 8 6 1 7
bra

oC

onde Aij o bloco na i-sima partio das linhas e j-sima partio das colunas:
im
e
lg

A11 = (1 1) A12 = (8 9) A13 = (4)


n

A21 = (2 0) A22 = (3 1) A23 = (7)


! ! !
3 3 5 1 2
Jer

A31 = 0 2 A32 = 1 0 A33 = 0


9 8 6 1 7
As parties, como se pode notar no exemplo, no precisam ser de mesmo tamanho. J
124 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Teorema 4.18. Considere duas matrizes A e B compatveis para multiplicao: A m r, B r n.


Suponha que r colunas de A sejam particionadas da mesma forma que as r linhas de B ou seja, o mesmo
nmero s de parties, e a i-sima partio das colunas de A do mesmo tamanho que a i-sima partio das linhas
de B.

A11 A12 A1s A11 A12 A1q

142
A21 A22 A2s
, B = A21 A22 A2q

A= .. .. .. .
.
. .
. ..

r
Ap1 Ap2 Aps As1 As2 Asq

o
Ento podemos particionar o produto C = AB com as mesmas parties das linhas de A e das colunas de B:

a
e rs
n

C11 C12 C1q
C21 C22 C2q
.
..

..
i
v
.

.
Cp1 Cp2 Cpq
m
O bloco Cij pode ser calculado usando o mtodo usual de multiplicao de matrizes, exceto que ao invs de elementos

la
em linhas e colunas, multiplicam-se blocos em parties de linhas e parties de colunas:
i
X
p u
l
a
Cij = Aik Bkj
Pre
de
k=1

Exemplo 4.19.
tas


1 0 1 0 2 3 1 2 0 1
A= 2 1 2 1 B = 2 1 4 10 1 0

3 3 3 1

0 3 0 1 1 1
no

ini

3 3 3 5 0 8 2 1 4 3
o

A matriz C particionada ser


gr
ar-

 
C11 C12 C13
rs

C=
lle

C21 C22 C23


e

O bloco C22
Lin

. Pe

C22 = A21 B12 + A22 B22 + A23 B32


Ve

      
= 3 3 3 1 2 + 3 (3 0 1) + 1 (
8 2 1)
bra

oC

3 3 1 4 10 3 5
       
= 6 9 24 + 9 0 3 + 8 2 1 = 23 7 20 J
im
e

6 9 24 9 0 3 40 10 5 43 19 32
lg

Definio 4.20 (Matriz diagonal de blocos). Uma matriz particionada em blocos diagonal por blocos se
n

somente os blocos da posio (i, i) so diferentes de zero. 


Jer

Exemplo 4.21. Sejam


  !
5 5 5
A= 1 1 , B= 5 0 5 .
2 2
5 5 5
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 125

Ento
1 1
2 2
1
diag(A, I2 , B) = ,

1
5 5 5


5 0 5

142
5 5 5
J

r
onde as entradas ausentes so zero.

o
Exemplo 4.22. A seguinte matriz,

a

2 1 0 0 0 0 0

e rs
3 0 0 0 0 0 0

n
0 0 1 0 0 0 0 ,

0 0 0 0 1 0 4
5 0 2 0 1 0 4
i
v
no diagonal por blocos, porque todos os blocos na ltima linha tem elementos diferentes de zero.
m J

O exerccio 97 pede a demonstrao da proposio 4.23.

la
Proposio 4.23. diag(A1 , A2 , . . . , Ak )1 = diag(A1 1 1
1 , A2 , . . . , Ak ).
i
u
l
a
Exemplo 4.24. Seja
Pre


de
1 1
2 0 A11 0 0
A=
2
= 0 A
22 0 ,
tas

2 1 0 0 A33
0 2
com    
no

ini

A11 = 1 1 , A22 = (2) , A33 = 2 1 .


2 0 0 2
o

gr

As inversas dos blocos so


ar-
rs

   
0 1/2 , 1/2 1/4 .
lle

A1 A1 A1

11 = 22 = 1/2 , 33 =
e

1 1/2 0 1/2
Lin

. Pe

Assim,
0 1/1
Ve

1
A11 0 0 1 1/2
bra

oC

A1

= 0 A1
22 0 =
1/2 .
J
1
0 0 A33 1/2 1/4
0 1/2
im
e
lg

usual darmos nomes aos blocos de uma matriz. Por exemplo, dadas matrizes conhecidas A e B,
n

 
A B
B1 0
Jer

uma matriz composta por quatro blocos. O bloco (2, 2) zero, o bloco (1, 1) igual a A e os blocos (1, 2)
e (2, 1) so B e B1 .
126 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Muitas vezes a notao por blocos nos permite representar famlias de matrizes: a notao determina
a forma de um conjunto infinito de matrizes. Por exemplo,
 
I 0
0 0

142
uma matriz cuja diagonal da forma (1, 1, 1, . . . , 1, 0, 0, 0, . . . , 0) ou seja, uns seguidos de zeros, que
tambm podemos denotar por diag(I, 0). Observe que diag(I, 0) pode ser de qualquer ordem, e o tamanho

r
dos blocos I e 0 no foi especificado.

o
a
Exemplo 4.25. A notao diag(I, 0, I) indica matrizes como

e rs
n

1 0 0 0 0 1 0 0 0 0

! 1 0 0 0
1 0 0 0 0 0 0 0 0 0 1 0 0 0
1 0 0
0 0 0 , , 0 0 0 0 0 , 0 0 1 0 0 ,

i
v

0 0 0 0
0 0 1 0 0 0 1 0 0 0 0 0 0
0 0 0 1
0 0 0
m 0 1 0 0 0 0 1

la
e todas as matrizes diagonais onde a diagonal composta de uma sequncia de uns seguida de uma sequn-
cia de zeros e outra sequncia de uns. J
i
u
l
A matriz a seguir,
a
 
Pre

1 vT 0 ,
de
(4.3)
w B 0
tem a primeira linha igual a (1, v1 , v2 , . . . , vn , 0)T , a primeira coluna igual a (1, w1 , w2 , . . . , wm ). Se
tas

retirarmos da matriz a primeira coluna e a primeira linha, sobra a matriz B.


Tambm comum no usar as barras que dividem as parties. A matriz 4.3 pode tambm ser repre-
no

ini

sentada da seguinte forma:  


o

1 vT 0 .
w B 0
gr
ar-
rs

lle

4.2.2 Multiplicao por vetor combinao linear


e
Lin

. Pe

A multiplicao de matriz por vetor pode ser vista como combinao linear das linhas ou colunas da matriz.
Isto nos d uma interpretao mais til da operao de multiplicao.
Ve
bra

oC

Multiplicando direita da matriz: combinao de colunas


Em algumas situaes representaremos uma matriz como uma sequncia de vetores coluna:
im
e
lg

 
M = c1 c2 cn
n

c11 c21 . . . cm

1
Jer

c1 c2 cm
= 2 2 2 .
.. ..
.

.
1 2 m
cn cn cn
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 127

Observamos que ao multiplicar uma matriz por um vetor coluna, temos


1 2
c1 c1 . . . cm a1 c11 + a2 c21 + . . . + am cm

1 a1 1
c1 c2 cm 1 2 m
2 a2 = a1 c2 + a2 c2 + . . . + am c2

2 2
.. .. .. ..
. .

. .
1 2 m am 1 2 m
cn cn cn a1 cn + a2 cn + . . . + am cn

142
1 2
am cm

a1 c1 a2 c1 1

r
a1 c1 a2 c2 am cm
2 2 2
= .. + .. + + ..

o
a
. . .
a1 c1n a2 c2n am cmn

e rs
n
= a 1 c1 + a 2 c2 + a m cm ,

ou seja, a multiplicao da matriz (c1 , c2 , . . . , cn ) pelo vetor (a1 , a2 , . . . , an )T combinao linear das

i
v
colunas da matriz, com os coeficientes ai .
m
Exemplo 4.26. Pode-se calcular o produto a seguir como combinao linear das colunas da matriz.

la

! a ! ! ! !
1 2 3 1 1 2 3 1
i
b
2 0 2 5 = a 2 + b 0 a 2 + d 5
a u
l
8 1 0 0 8 1
a 0 0
d
Pre
de
! !
a + 2b 3a + d 2a + 2b + d
= 2a + 2a 5d = 5d J
8a + b 8a + b
tas

Esta propriedade pode ser usada na demonstrao de Lema 4.27, que pedida no Exerccio 101.
no

Lema 4.27. Se a soma de cada linha (ou de cada coluna) de uma matriz zero, ento as linhas (colunas) da matriz
ini

so LD.
o

gr
ar-
rs

Multiplicao esquerda: combinao de linhas


lle

Da mesma forma que a multiplicao Mv combinao linear das colunas de M, a multiplicao wM


e

combinao das linhas de M.


Lin

. Pe

Exemplo 4.28. Sejam


1 2 3
Ve
bra

oC

M = 4 3 8
, w = (2, 0, 1, 3).

0 0 2
2 1 0
im
e

Ento
lg

wM = 2(1, 2, 3)
n

1(0, 0, 2)
+3(2, 1, 0)
Jer

= (8, 7, 8). J

A justificativa anloga do caso anterior, para multiplicao direita de M.


128 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

4.2.3 Matrizes triangulares


Matrizes triangulares tem propriedades bastante teis. A seguir apresentamos algumas delas.

Proposio 4.29. O produto de duas matrizes triangulares inferiores tambm triangular inferior, e o produto de
duas matrizes triangulares superiores tambm triangular superior.

142
Demonstrao. Segue trivialmente da definio de multiplicao de matrizes. 

r
o
a
Exemplo 4.30.

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

e rs
n
0 2 1 5 0 2 5 = 0
3 4 10 14 J


0 0 3 0 0 0 0 3 0 0 0 9
0 0 0 4 0 0 0 1 0 0 0 4
i
v
m
Proposio 4.31. A inversa de uma matriz triangular inferior tambm triangular inferior, e a inversa de uma
matriz triangular superior tambm triangular superior.

la
Exemplo 4.32. A inversa de
i

u
l
1
a
2 2 2
A = 0 1 2 2
Pre


de

0 0 1 2
0 0 0 2
tas


1 2 2 1
A1 = 0 1 2 1 . J
no


ini

0 0 1 1

1
o

0 0 0 2
gr
ar-

Proposio 4.33. Se A uma matriz triangular, ento as entradas da diagonal de A1 so os inversos das mesmas
rs

posies em A.
lle
e

Exemplo 4.34. A inversa de


Lin

. Pe


1 0 0 0
A = 2 3 0 0

Ve

3 6 4 0
bra

oC

4 2 0 5

im
e


1 0 0 0
lg

2/3 1/3 0 0
A1 = .
n

7/4 1/2 1/4 0


8/15 2/15 0 1/5
Jer

Observe que os elementos da diagonal de A1 so 1, 1/3, 1/4, 1/5 exatamente os inversos dos elemen-
tos da diagonal de A, 1, 3, 4, 5. J
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 129

4.3 Propriedades de matrizes de transformaes


Das propriedades de matrizes derivamos tambm os seguintes fatos dadas matrizes A, B, um vetor v e
um escalar ,

(A + B)v = Av + Bv,

142
(A)v = (Av) = A(v),

r
(AB)v = A(Bv),

o
a
quando os produtos forem bem definidos.

e rs
n
Proposio 4.35. Sejam T e S matrizes representando transformaes lineares t e s. A composio t s, se existir,
representada pela matriz TS, e a soma t+s, se for bem definida, dada pela matriz T +S. A inversa da transformao

i
v
t representada pela matriz T 1 .
m
Exemplo 4.36. Considere as transformaes s : R2 R3 , e t : R3 R4 , tais que

la
s(a, b)T = (a, a + b, 2b)T
i
u
t(x, y, z)T = (x + y, x y, x + z, x z)T .
l
a
Pre
de
Sem ainda escrever suas matrizes, calculamos a composta

t s = t(s(a, b)T )
tas

= t(a, a + b, 2b)T
= (2a + b, b, a + 2b, a 2b)T (4.4)
no

ini

As matrizes das transformaes so


o

gr


ar-

1 1 0 !
1 0
rs

T = 1 1 0S =

1 1
lle

1 0 1
0 2
e

1 0 1
Lin

. Pe

A matriz da composta
2 1
Ve

TS = 0 1

bra

oC

1 2
1 2
Ao aplicarmos a matriz da composta ao vetor (a, b)T , obtemos
im
e
lg


2 1   2a + b
n

0 1 a
= b ,


1 2 b a + 2b
Jer

1 2 a 2b
claramente correto, pois exatamente da mesma forma que havamos calculado em 4.4, antes de escrever
as matrizes. J
130 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Teorema 4.37. A imagem da transformao linear representada por uma matriz A o conjunto de todas as combi-
naes lineares das colunas de A.
Demonstrao. Cada elemento da imagem de A o resultado da multiplicao de A por um vetor x ou
seja, a combinao linear das colunas de A, onde os coeficientes so os elementos de x. Se considerarmos
todos os valores possveis em x, temos todas as combinaes lineares das colunas de A. 

142
Exemplo 4.38. A transformao com a matriz

r
!
1 2
T=

o
2 2

a
1 3

e rs
n

T (x, y) = (x + 2y, 2x + 2y, x + 3y),


e tem como imagem um plano em R3 . Este plano composto pelas combinaes lineares
i
v
! !
m
1 2
x 2 +y 2 . J

la
1 3
i
u
Definio 4.39 (Posto de matriz). O posto de uma matriz o posto da transformao linear representada
l
por ela.
a 
Pre
de
Segue imediatamente da definio 4.39 e do teorema 4.37 o seguinte corolrio.
Corolrio 4.40. O posto de uma matriz A igual quantidade de colunas linearmente independentes em A.
tas

A imagem de uma transformao linear o espao-coluna de sua matriz, e portanto a dimenso da ima-
gem (e o posto da transformao) igual quantidade de colunas independentes na matriz.
no

ini

Definio 4.41 (Espao-linha, espao-coluna, posto de linhas e colunas). O espao-linha de uma matriz o
espao vetorial gerado pelas linhas da matriz; o espao-coluna o espao vetorial gerado pelas colunas da
o

gr

matriz.
ar-

O posto de linhas de uma matriz a dimenso de seu espao-linha ou seja, a quantidade de linhas
rs

lle

linearmente independentes na matriz


e

O posto de colunas de uma matriz definido de forma similar: a dimenso de seu espao-coluna, ou a
Lin

. Pe

quantidade de colunas linearmente independentes na matriz. 


Uma matriz m n tem o espao-linha gerado por m vetores-linha, e o espao-coluna gerado por n
Ve

vetores-coluna. As dimenses destes espaos no so, no entanto, necessariamente iguais a m e n, uma vez
bra

oC

que as linhas e colunas da matriz podem no ser L.I., e neste caso no formam base para aqueles espaos.
Muitas vezes dizemos que uma matriz quadrada de ordem n e com posto de colunas igual a n base
para Rn , porque Rn seu espao-coluna, e portanto a matriz, quando vista como uma sequncia de colu-
im
e

nas, uma base ordenada de Rn .


lg

Exemplo 4.42. As matrizes


n

!
1 0 1
 
A= 1 2 , B= 0 1 0
Jer

2 1 0 1 1
so bases para R2 e R3 , porque qualquer vetor de R2 pode ser escrito como combinao linear das colunas
de A, e qualquer vetor de R3 combinao linear das colunas de B. J
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 131

O lema e o teorema a seguir relacionam o posto de linhas com o posto de colunas.

Lema 4.43. Qualquer matriz A m n com posto de colunas r pode ser decomposta em duas matrizes, C m r e
L r n, de forma que A = CL, de forma que o espao coluna de A gerado pelas r colunas de C, e o espao linha de
A gerado pelas r linhas de L.

142
Demonstrao. Seja A, m n, com posto r. Como o posto de A igual ao posto de colunas de A, podemos
tomar r colunas LI de A. Pomos estas colunas lado a lado para formar uma nova matriz C, m r.

r
Dadas A e C, existe uma nica matriz L, r n, tal que

o
a
A = CL.

e rs
n
J sabemos que C gera as mesmas colunas que A. Resta observar que L gera as mesmas linhas que A. Mas
no produto CL, as linhas geradas so combinaes lineares das linhas de L, com os coeficientes dados pelas colunas
de C. Por exemplo, se
i
v
1 6 11
!
1 6
m! 
A= 2 = 1 0 1
0 2 2 0
0 1 2

la
5 1 7 5 1
i
u
Neste exemplo, a primeira linha de A, (1, 6, 4), gerada pelas linhas de L, com coeficientes na primeira
linha de C; o mesmo vale para as outras linhas:
l
a
Pre
de
1(1, 0, 1) + 6(0, 1, 2) = (1, 0, 1) + (0, 6, 12)
= (1, 6, 11). (linha 1 de A)
tas

2(1, 0, 1) + 0(0, 1, 2) = (2, 0, 2). (linha 2 de A)


no

ini
o

5(1, 0, 1) 1(0, 1, 2) = (5, 0, 5) + (0, 1, 2)


gr
ar-

= (5, 1, 7). (linha 3 de A)


rs

lle

A demonstrao est portanto terminada. 


e
Lin

. Pe

Exemplo 4.44. Seja



2 1 3 1
Ve

A = 3 0 3 0

bra

oC

1 2 1 0

1 3 4 1
A pode ser decomposta em
im
e

C
z }| { z
lg

L
}| !{
2 1 1
n

1 0 1 0
A = 3 0 0 0 1 1 0 .

1 2 0
0 0 0 1
Jer

1 3 1
A matriz C claramente tem tres colunas LI, e gera as mesmas colunas que A (porque suas colunas so
idnticas s nicas tres colunas LI de A).
132 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

A matriz L tem tres linhas LI, e gera as mesmas linhas que A: A primeira linha de C (2, 1, 1), indicando
que a primeira linha de A a combinao linear da linhas de L com coeficientes 2, 1 e 1:
!
1 0 1 0
(2, 1, 1) 0 1 1 0 = (2, 1, 3, 1).
0 0 0 1

142
O mesmo vale para as outras linhas de A. J

r
Teorema 4.45. Para toda matriz, o posto de linhas igual ao posto de colunas.

o
Demonstrao. Seja A uma matriz m n. Se A = 0, as duas quantidades (de linhas e de colunas L.I.) so

a
zero.

e rs
n
Suponha que o posto de colunas de A r. Podemos portanto escolher r colunas LI de A. Tomamos
estas r colunas LI e as pomos lado a lado para formar outra matriz C, e escolhemos uma matris L como
determina o lema 4.43, resultando em uma decomposio
i
v
A = CL.
m
la
Sabemos que C gera as colunas de A (e portanto o espao coluna de A); sabemos tambm que L gera as
linhas de A (e seu espao-linha).
i
u
Isso significa que o posto de linhas de A no maior que a quantidade de linhas em L, que igual a r.
l
a
(No provamos ainda que o posto de linhas exatamente r, porque no provamos que as r linhas so LI.)
Pre
de
Assim,
posto_linhas(A) posto_colunas(A)
Se repetirmos o mesmo raciocnio para AT obteremos
tas

posto_colunas(A) posto_linhas(A)
no

ini

e consequentemente,
o

posto_linhas(A) = posto_colunas(A). 
gr
ar-

Exemplo 4.46. A transformao de R4 em R3 , exibida no exemplo 4.12,


rs

lle

T (a, b, c, d)T = (a + b + c, 3d, 2a)T .


 
e
Lin

. Pe

A matriz que representa T !


1 1 1 0
MT = 0 0 0 3 .
Ve
bra

oC

2 0 0 0
A imagem da transformao composta pelos vetores da forma (a + b + c, 3d, 2a)T e na verdade
qualquer vetor de R3 desta forma. Assim, o posto da transformao trs. Observamos tambm que a
im
e

matriz de T tem trs linhas LI, e tambm tem trs colunas LI.
lg

A decomposio que mencionamos na demonstrao do Teorema 4.45


n

MT = LC,
Jer

com ! !
1 1 0 1 0 0 0
L= 0 0 3 . C= 0 1 1 0 . J
2 0 0 0 0 0 1
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 133

Teorema 4.47. Se uma matriz M de ordem n tem posto estritamente menor que n, ento M singular.

Demonstrao. M representa um operador linear em um espao V com dim V = n. Se o posto da trans-


fomao for menor que n, a dimenso da imagem de M ser menor que n. Pelo Teorema 3.60, M no
bijetora, e portanto no tem inversa. 

142
4.3.1 Mudana de base

r
Uma vez que a mudana de base uma transformao linear, como descrito na seo 2.4, ela pode ser

o
a
descrita como matriz. Usamos a notao [id]RS para enfatizar que esta matriz no modifica os vetores,
mudando apenas a base em que so descritos. Esta matriz representa a funo identidade (que uma

e rs
n
transformao linear), mas levando de uma base a outra:

[id]RS [x]R = [x]S .


i
v
m
Teorema 4.48. Sejam R e S duas bases para um espao vetorial V com dimenso n:

la

R = r1 , r2 , . . . , rn
i
u 
S = s1 , s2 , . . . , sn .
l
a
A matriz de mudana de base [id]RS n n cujas colunas so os vetores da base R escritos na base S:
Pre
de
 
[id]RS = [r1 ]S [r2 ]S [rn ]S ,
tas

de forma que para todo v V,


no

ini

[v]S = [id]RS [v]R .


o

Demonstrao. Primeiro observamos que se uma matriz como esta existir ela deve levar vetores ri da base
gr
ar-

R nos vetores si da base S.


rs

Sabemos que [ri ]R = ei . Assim, se aplicarmos a matriz a algum vetor ri R, obtemos


lle
e

[id]RS [ri ]R = [id]RS ei ,


Lin

. Pe

que a -sima coluna de [id]RS ou seja, [ri ]S , como queramos.


Seja ento v V um vetor qualquer. Sua representao na base R (a1 , a2 , . . . , an )T ou seja,
Ve
bra

oC

v = a1 r1 + + an rn .
im

Aplicamos [id]RS em [v]R :


e
lg


a1
n

 
[id]RS [v]R = [r1 ]S [r2 ]S [rn ]S a2

...
Jer

an
= a1 [r1 ]S + a2 [r2 ]S + + an [rn ]S
= [v]S . 
134 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.49. Considere as seguintes bases para R3 :



B = (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T

C = (1, 0, 0)T , (0, 2, 0)T , (0, 0, 3)T

O vetor (2, 4, 12)T de R3 na base cannica tem coordenadas [(2, 4, 12)T ]B . J na base C o vetor tem coor-

142
denadas [(2, 2, 4)T ]C :
2(1, 0, 0)T + 2(0, 2, 0)T + 4(0, 0, 3)T = (2, 4, 12)T .

r
Para obtermos a matriz que muda vetores da base C para a base B, listamos os vetores de C na base B:

o
a
!
1 0 0

e rs
n
[id]CB = 0 2 0 .
0 0 3

i
v
Verificamos que a matriz realmente transforma o vetor mencionado anteriormente, (2, 2, 4)T na base C,
em (2, 4, 12)T , que sua representao na base B:
m
! ! !

la
1 0 0 2 2
0 2 0 2 = 4 . J
i
0 0 3 4 12
u
l
a
Teorema 4.50. Uma matriz de mudana de base sempre tem inversa. Se [id]BD a matriz de mudana da base
Pre
de
B para a base D, ento ([id]BD )1 (a inversa de P) a matriz de mudana de base de D para B, [id]DB .
Demonstrao 1. Matrizes de mudana de base so quadradas, portanto representam transformaes entre
tas

espaos de mesma dimenso. Alm disso, so construdas com colunas da base do espao, por isso todas
as colunas so LI, e elas sempre tem posto completo. Pelo Teorema 3.60, representam transformaes
bijetoras, e consequentemente tem inversa por isso ([id]BC )1 sempre existe!
no

ini

Sejam B, C duas bases de um espao V e v um vetor v V. Ento


o

gr

[id]BC [v]B = [v]C


ar-
rs

([id]BC )1 [id]BC [v]B = ([id]BC )1 [v]C


lle

I[v]B = ([id]BC )1 [v]C ,


e
Lin

. Pe

e de acordo com a ltima linha, ([id]BC )1 realiza a mudana de base de C para B. 


Demonstrao 2. Suponha que exista uma transformao [T ] que transforma a representao de vetores
Ve

da base para a base . Sabemos que possvel mudar de qualquer base para outra, e portanto deve
bra

oC

necessariamente haver outra transformao [S] que leve da base para a base . Seja ento [id]BD
a matriz de mudana da base B para a base D. Seja [v]B um vetor representado na base B. A representao
im

de v na base D [id]BD [v]B . A representao de v na base B


e
lg

([id]BD )1 ([id]BD [v]B ) = ([id]BD )1 ([id]BD )[v]B = [v]B ,


n

e portanto ([id]BD )1 a matriz de mudana de base de D para B. 


Jer

Exemplo 4.51. Temos a seguir duas bases de R2 :

B = (1, 0)T , (1, 1)T



4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 135

D = (1, 2)T , (2, 3)T




Para obter a matriz [id]BD escrevemos os vetores de B na base D. Precisamos ento determinar os valores
de a, b, x, y tais que

(1, 0)T = a(1, 2)T + b(2, 3)T

142
(1, 1)T = x(1, 2)T + y(2, 3)T

r
Resolvemos os sistemas,

o
a +2b = 1 x +2y = 1

a
2a +3b = 0 2x +3y = 1

e rs
n
e obtemos
a = 3 x = 1
b = +2 y = +1
i
v
A matriz de mudana de base [id]BD e sua inversa, [id]DB so, portanto,
m
   

la
[id]BD = 3 1 , [id]DB = 1 1 .
2 1 2 3
i
u
Escolhemos um vetor qualquer na base B, [v]B = (5, 7)T . O vetor de R2 com estas coordenadas
l
a
Pre
de
v = 5(1, 0)T + 7(1, 1)T = (2, 7)T .

para obter suas coordenadas na base D,


tas

    
[v]D = [id]BD [v]B = 3 1 5 = 8
2 1 7 3
no

ini
o

Agora verificamos que estas coordenadas, na base D, nos do o mesmo vetor:


gr
ar-

v = 8(1, 2)T 3(2, 3)T = (2, 7)T .


rs

lle

Observamos tambm a mudana inversa no mesmo vetor, dada por [id]DB : dadas as coordenadas (8, 3)T ,
e
Lin

. Pe

    
[v]B = [id]DB [v]D = 1 1 8 = 5 ,
2 3 3 7
Ve
bra

oC

as coordeandas do mesmo vetor na base B, que havamos escolhido inicialmente. J


Exemplo 4.52. Considere as seguintes bases para R3 :
im
e

B = (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T



lg

D = (2, 3, 0)T , (4, 0, 5)T , (0, 6, 7)T



n
Jer

(2, 3, 0) = 2(1, 0, 0)T + 3(0, 1, 0)T + 0(1, 0, 0)T


(4, 0, 5) = 4(1, 0, 0)T + 0(0, 1, 0)T + 5(0, 0, 1)T
136 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

(0, 6, 7) = 0(1, 0, 0)T + 6(0, 1, 0)T + 7(0, 0, 1)T


!
2 4 0
[id]DB = 3 0 6
0 5 7
Agora transformamos um vetor qualquer da base D para a base B:

142
! ! !
T 2 4 0 8 12
[id]DB (8, 1, 2) = 3 0 6 1 = 36 .

r
0 5 7 2 9

o
a
A inversa de P
5 7
16

e rs
n
24 36
[id]BD = ([id]DB )1 = 7 7
72 1
,

48 12
5 5 1
48 72 12

i
v
e [id]BD (12, 36, 9)T = (8, 1, 2)T . J
m
Agora obervamos que, assim como uma matriz de mudana de base sempre tem inversa, toda matriz

la
invertvel representa uma mudana de base.
i
u
Proposio 4.53. Seja M uma matriz no singular de ordem n. Se fixarmos uma base B = (b1 , b2 , . . . , bn ) de
l
tamanho n, ento M representa simultaneamente:
a
Pre
de
i) a mudana de base de B para alguma base C (M = [id]BC );
ii) a mudana de base de alguma outra base A para B (M = [id]AB ),
tas

conforme ilustrado no diagrama a seguir.


M M
no

ini

[v]A [v]B [v]C


o

gr

O Exerccio 126 pede a demonstrao da Proposio 4.53.


ar-
rs

Exemplo 4.54. Uma matriz de rotao por ,


lle
e

 
R = cos() sen()
Lin

. Pe

sen() cos()
sempre tem inversa,
Ve

 
cos() sen() .
bra

oC

(R )1 = R =
sen() cos()
A matriz R realiza uma mudana de base. Para sabermos qual a base para a qual ela leva, calculamos:
im
e

         
lg

cos() sen() 1 = cos() , cos() sen() 0 = sen() .


n

sen() cos() 0 sen() sen() cos() 1 cos()

Assim, a matriz leva as coordenadas de vetores de R2 na base cannica em coordenadas dos dois vetores
Jer

da nova base,
   !
cos() , sen()
sen() cos()
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 137

Note que a frmula mostra um par ordenado com duas matrizes-coluna, e no uma matriz-linha contendo duas
matrizes.
Seja B = {e1 , e2 } a base cannica para R2 . Escolhemos agora = /4. A matriz R/4 e sua inversa,
R(/4) so1    
1 1 1 1 1 1 .
R/4 = , R(/4) =
2 1 1

142
2 1 1
Isto significa que se aplicarmos uma rotao por /4 nos vetores da base cannica, a nova base ser

r

F = f1 = R/4 e1 , f2 = R/4 e2

o
a
    
1 1 1 1
= f1 = , f2 = .

e rs
2 1 2 1

n
A figura a seguir mostra as bases B e F. Note que a rotao leva os dois vetores e1 e e2 em outros dois vetores LI
(a mesma rotao em dois vetores no poderia torn-los colineares).
i
v
m
la
i
1 u
l
a
Pre
de

f2 e2 f1
tas

/4
no

ini

/4
o

gr

e1 1
ar-
rs

lle

Escrevemos os vetores e1 e e2 na base F:


e
Lin

. Pe

! !
1 12
 
1 1
e1 = 1 = 2
0 2 1 2 1
Ve

2 2
bra

oC

! !
1 12
 
1 1
e2 = 0 = 2 +
1 2 1 2 1
2 2
im
e

Assim, temos
lg

1
[e1 ]F = (1, 1)T ,
2
Jer

1
[e2 ]F = (1, 1)T .
2
1 Lembrete:

sen(/4) = cos(/4) = cos(/4) = 1/ 2. sen(/4) = 1/ 2. Veja tambm a nota de rodap 1 na pgina 95.
138 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Vemos que a matriz que muda da base cannica B para a base F , portanto, a matriz de rotao R/4 :
 
 1 1 1 = R/4 .
[id]BF = [e1 ]F [e2 ]F =
2 1 1

Como a base foi rotacionada por /4, as coordenadas dos vetores so rotacionadas por /4, para compensar a

142
mudana na base, de outra forma os vetores tambm sofreriam a mesma rotao feita na base. Por isso os
vetores em Rn so chamados de contravariantes.

r
Considere agora o vetor [v]B = (2, 2)T em R2 , aqui descrito na base cannica. Na nova base, suas

o
coordenadas so

a
    
1 1 1 2 = 2 2 .

2 1 1 2 0

e rs
n
T

Vemos que o mesmo vetor que tem as coordenadas (2, 2) na base cannica tem as coordenadas (2 2, 0)
na nova base:
i
v

       
1 1 1 1
2 2 +0 = 2 .
m
2 1 2 1 2

la
Realmente, usando os vetores f1 e f2 , precisamos apenas de 2 2 vezes f1 (observe que v tem o comprimento
da diagonal de um quadrado de lado 2):
i
u
l
a
Pre
de

v
tas
no

ini

e2 f1
o

gr
ar-
rs

lle

/4
e
Lin

. Pe

e1
Ve

Fica claro ento que, fixada uma base B, uma transformao invertvel sempre realiza uma mudana de
bra

oC

base, e que para identificar a nova base, basta aplicar a transformao nos vetores de B. J
im
e

4.3.2 Similaridade
lg

Da mesma forma que a descrio de vetores por coordenadas em Rn depende da escolha de uma base, a
representao de transformaes lineares como matrizes depende, tambm, das bases usadas para repre-
Jer

sentar os vetores do domnio e do contradomnio.


Sejam V e W dois espaos vetoriais, tais que

V tem bases , 0
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 139

W tem bases , 0 ,

e T : V W uma transformao linear. A matriz que representa T agindo em vetores na base e


resultando em vetores na base [T ] .
Quaisquer vetores a V e b W tem representaes [a] , [a] 0 , [b] e [b] 0 . Deve existir tambm
uma matriz que realize a mesma transformao da base 0 para a base 0 . A prxima figura ilustra este

142
conceito. A matriz P muda da base para 0 ; a matriz Q muda de para 0 ; e as matrizes A e B realizam
a mesma transformao, mas usando bases diferentes.

r
(B)

o
a
[b] [a]
[T ]

e rs
P = [id] 0
equivalentes in [id] 0 = Q

v
m
[T ] 0 0

la
[b] 0 [a] 0
(A)
i
u
l
a
Se conhecemos B = [T ] , podemos determinar A = [T ] 0 0 observando que
Pre
de
[T ] 0 0 [a] 0 = [T (a)] 0
= [id] 0 [T (a)]
tas

= [id] 0 [T ] [a]
= [id] 0 [T ] [id] 0 [a] 0 ,
no

ini

ou seja,
o

[T ] 0 0 = [id] 0 [T ] [id] 0 ,
| {z } | {z } | {z }
gr
ar-

(i)
rs

(iii) (ii)
lle

ou
e

A = |{z} B Q1 .
P |{z}
|{z}
Lin

. Pe

(iii) (ii) (i)

Note que o lado direito da expresso mais facilmente lido da direita para a esquerda, porque a transfor-
Ve

mao ser aplicada a um vetor que ficar direita. Lemos a expresso da seguinte maneira: (i) mude o
bra

oC

vetor x da base 0 para ; (ii) aplique a transfomrao T , e depois (iii) leve da base para 0 .
Dizemos que as matrizes [T ] 0 0 e [T ] , que representam a mesma transformao em bases dife-
rentes, so equivalentes (como mostra tambm a figura anterior).
im
e
lg

Definio 4.55 (Matrizes equivalentes). Duas matrizes A e B so equivalentes se e somente se existem


n

matrizes invertveis P e Q tais que


A = PBQ1 . 
Jer

Na definio 4.55, P e Q so matrizes de mudana de base. Estritamente falando, P e Q1 so invert-


veis, portanto poderamos tambm ter escrito se existem matrizes invertveis R e S tais que A = SBR.
Usamos Q1 para deixar claro que uma das mudanas de alguma outra base para a base em que B opera, e
140 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

outra mudana a partir da base em que B opera para alguma outra. A figura a seguir deve deixar isto claro:
partindo de [a] 0 , primeiro aplicamos Q1 , depois B e em seguida P, para chegarmos a [b] 0 , e temos
portanto A = PBQ1 .

142
r
(B)

o
[b] [a]

a
[T ]

e rs
equivalentes
n
P = [id] 0 [id] 0 = Q

i
v
m
[T ] 0 0
[b] 0 [a] 0

la
(A)
i
Exemplo 4.56. Seja T : R3 R2 , dada por u
l
a
Pre

" !#
de
x
 
T = x+y .
y
2z
z
tas

Temos as seguintes bases para R3 e R2 :

 
no

ini

= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T = (1, 0)T , (0, 1)T
 
o

0 = (1, 0, 0)T , (0, 2, 0)T , (0, 0, 3)T 0 = (5, 0)T , (0, 2)T
gr
ar-
rs

Seja
lle

!
2
v= 1 .
e
Lin

3
. Pe

Claramente, [v] = (2, 1, 3)T , ou seja, v na base ele mesmo. Alm disso,
Ve


2
bra

oC

[v] 0 = 1/2 ,
1
im
e

j que 2(1, 0, 0)T + 1/2(0, 2, 0)T (0, 0, 3)T = (2, 1, 3)T .


lg

Agora calculamos a matriz de mudana de base de para 0 :


n

 
[id] 0 = [1 ] 0 [2 ] 0 [3 ] 0
Jer


1 0 0
= 0 1/2 0 .
0 0 1/3
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 141

Similarmente, obtemos
!    
1 0 0 1/5 0 , 5 0 .
[id] 0 = 0 2 0 , [id] 0 = [id] 0 =
0 1/2 0 2
0 0 3
A transformao T pode ser representada como matriz, levando vetores na base na base :

142
 
1 1 0

r
[T ] = .
0 0 2

o
a
Calculamos agora a matriz de T para as bases 0 e 0 :

e rs
n
[T ] 0 0 = [id] 0 [T ] [id] 0
   !
1/5 0 1 0 0
i
v
= 1 1 0
0 2 0
0 1/2 0 0 2
m !0 0 3
 
1 0 0
= 1/5 1/5 0

la
0 2 0
0 0 1
 0 0 3
i

= 1/5 2/5 0 . u
l
a
0 0 3
Pre
de
De fato,
  2  
1/5 2/5 0 3/5
tas

[T ] 0 0 [v] 0 = 1/2 =
.
0 0 3 3
1
no

ini

Verificamos que
T [(2, 1, 3)T = (3, 6)T ,
o

gr

e
ar-

3/5(5, 0)T + 3(0, 2)T = (3, 6)T .


rs

J
lle

Se considerarmos um operador linear T : V V e duas bases e 0 para o espao V, temos


e
Lin

. Pe

[T ] 0 0 = [id] 0 [T ] [id] 0 ,
Ve

ou
bra

oC

A = SBS1 .
Dizemos que as matrizes [T ] 0 0 e [T ] so similares. Isto conceitualmente o mesmo que dizer que
im

as duas matrizes so semelhantes, exceto que temos o domnio igual ao contradomnio (e portanto temos
e

P = Q na definio 4.55).
lg

Definio 4.57 (Matrizes similares). Duas matrizes A e B so similares se e somente se existe uma matriz
S tal que
A = SBS1 .
Jer


Damos a seguir um exemplo simples, sem a interpretao das matrizes como operadores de mudana
de base, e um outro, mais extenso, onde tratamos das matrizes S e S1 como matrizes de mudana de base.
142 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.58. Sejam


! ! ! !
1 4 0 1
1 0 2 7 12 14 1 0 0
S= 0 0 1 , S = 0 0 1/2 , A= 0 1 2 , B= 2 0 3 .
0 2 0 0 1 0 4 6 8 0 4 1
As matrizes A e B so similares, porque A = SBS1 .

142
J
2
Exemplo 4.59. A seguir temos duas bases para R :

r
C = (1, 0)T , (0, 1)T ,


o
a
D = (0, 1)T , (2, 2)T .


e rs
n
Definimos uma transformao T : R2 R2 como

i
T (x, y)T = (x + y, 2x 2y)T .

v
m
Para vetores na base cannica C, a matriz de T

la
 
A = [T ]CC = 1 1 .
i
2 2
u
l
a
Pre

[(1, 0)T ]D = (1, 1/2)T (porque (1, 0) = 1(0, 1)T + 1/2(2, 2)T )
de

[(0, 1)T ]D = (1, 0)T (porque (0, 1) = 1(0, 1)T + 0(2, 2)T )
tas

As matrizes de mudana so, portanto:


   
S = [id]CD = 1 1 , S1
= [id]DC = 0 2 .
no

ini

1/2 0 1 2
o

A matriz que realiza a transformao na base D


gr
ar-
rs

B = [T ]DD = [id]CD [T ]CC [id]DC


lle

= SAS1 ,
e
Lin

. Pe

e portanto as matrizes A = [T ]CC e B = [T ]DD so similares. A matriz B


 
3 4
Ve

B = [T ]DD =
bra

oC

1/2 2

Para finalizar este exemplo, tomamos as coordenadas um vetor qualquer em R2 na base cannica, v =
im

(3, 5)T . Calculamos w = T (v) nas duas bases. Temos


e
lg

    
[T ]CC ([v]C ) = 1 1 3 = 8 = [w]C .
n

2 2 5 4
Jer

Para aplicar T na base D, primeiro obtemos as coordenadas [v]D :


    
[v]D = [id]CD [v]C = 1 1 3 = 2 .
1/2 0 5 3/2
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 143

Agora aplicamos [T ]DD :


    
[T ]DD ([v]D ) = 3 4 2 . = 12 = [w] .
D
1/2 2 3/2 4
Agora verificamos que este de fato o mesmo vetor w na base D:

142
     
12 0 + 4 2 = 8 . J

r
1 2 4

o
a
A proposio a seguir segue trivialmente do fato de matrizes similares representarem a mesma trans-
formao.

e rs
n
Proposio 4.60. Matrizes equivalentes (ou similares) tem o mesmo posto.
Teorema 4.61. Similaridade uma relao e equivalncia.
i
v
m
Demonstrao. Demonstramos a reflexividade, simetria e transitividade a seguir.
(i, reflexividade) A similar a A, trivialmente: IAI 1 = A

la
(ii, simetria) Suponha que A similar a B. Ento
i
u
A = SBS1
l
a
AS = SBS1 S
Pre
de
AS = SB
1
S AS = B
tas

(iii, transitividade) Suponha que A similar a B e B similar a C:


no

ini

A = SBS1
o

B = RCR1 .
gr
ar-
rs

Ento
lle

A = SBS1
e
Lin

= SRCR1 S1
. Pe

= (SR)C(SR)1 . 
Ve
bra

oC

Exemplo 4.62. Sejam


     
A= 1 3 , P= 2 0 , P 1
= 1/2 0 .
im
e

2 1 0 1/3 0 3
lg

Exemplificamos primeiro a simetria. Suponha que B similar a A, com


n

B = PAP1 .
Jer

Ento      
B= 2 0 1 3 1/2 0 = 1 18 .
0 1/3 2 1 0 3 1/3 1
144 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Como temos B = PAP1 , temos tambm A = P1 BP:


     
1
P BP = 1/2 0 1 18 2 0 = 1 3 = A.
0 3 1/3 1 0 1/3 2 1
Agora ilustramos a transitividade. Suponha que

142
   
R= 1 0 , R 1
= 1 0 ,
0 4 0 1/4

r
e C similar a B, com C = RBR1 :

o
a
     
C = 1 0 1 18 1 0 = 1 9/2 .

e rs
0 4 1/3 1 0 1/4 4/3 1

n
Temos C similar a B e B similar a A. Devemos ter, portanto, C similar a A.

i
v
C = RBR1
m
= R(PAP1 )R1
= (RP)A(P1 R1 )

la
     
= 1 0 2 0 A 1/2 0 1 0
i
0 4 0 1/3 0 3 u
0 1/4
l
   
a
= 2 0 A 1/2 0 .
Pre
de
0 4/3 0 3/4
| {z } | {z }
RP P 1 R1 =(RP)1
tas

Claramente, RP e P1 R1 so inversas, e portanto C similar a A. J


no

ini
o

4.4 Espaos de transformaes


gr
ar-

Uma transformao de um espao de n dimenses em outro, de m dimenses, sempre ser representada


rs

lle

por uma matriz m n. J verificamos que dados m e n, o conjunto de todas as matrizes m n um


e

espao vetorial. Podemos dizer ento que o espao Mmn o espao das transformaes de dimenso n
Lin

para dimenso m.
. Pe

Exemplo 4.63. Uma matriz 3 2 representa uma transformao de R2 em R3 . Mas sabemos tambm que
as matrizes 3 2, com as operaes de soma de matriz e multiplicao por escalar, um espao vetorial
Ve
bra

oC

(M32 ). Esse espao , portanto, isomorfo ao espao de todas as transformaes lineares de R3 em R2 . J


F Exemplo 4.64. particularmente importante o espao dual de um espao vetorial.
im
e

Definio 4.65 (Espao dual). Seja V um espao vetorial sobre um corpo F. O conjunto de todas as trans-
lg

formaes lineares de V em F o espao dual de V, denotado por V . 


n

Suponha por exemplo que V = R3 . Ento V o conjunto das transformaes de R3 em R, que


podem ser representadas por vetores-linha com 3 elementos (e portanto tem a mesma dimenso que R3 :
Jer

dim V = 3).
A matriz (vetor-linha) (2, 0, 3) pertence a (R3 ) , porque representa uma transformao de R3 em R.
J
4.5. MATRIZES ELEMENTARES 145

4.5 Matrizes elementares


As operaes elementares utilizadas na soluo de sistemas lineares pelo mtodo de eliminao de Gauss 2
so transformaes lineares, e suas matrizes so chamadas de matrizes elementares. Uma matriz elementar
obtida aplicando uma operao elementar em I.

142
Definio 4.66. Uma matriz elementar uma matriz obtida submetendo I a uma das seguintes operaes
elementares:

r
Multiplicao de uma linha i por uma constante k, denotada EkLi ;

o
a
Permutao de duas linhas i e j, representada por Ei,j ;

e rs
n
Soma de um mltiplo de uma linha a outra linha, denotada Ei+(kLj) . 

i
Exemplo 4.67. A operao de multiplicao da segunda linha por 5 uma operao elementar. Seu efeito

v
na matriz identidade 4 4 mostrado a seguir.
m

la
1 0 0 0
0 5 0 0
i
u

0 0 1 0
0 0 0 1
l
a
Pre

Temos ento
de

1 0 0 0 1 2 1 1 1 2 1 1
2 3 1 4 = 10 15 5 20
0 5 0 0 . J

9 5 6 7 9 5 6 7

0 0 1 0
tas

0 0 0 1 1 3 1 2 1 3 1 2
Exemplo 4.68. Permutar a segunda e terceira linhas uma operao elementar. O efeito na identidade
no

ini

3 3 mostrado a seguir.
o

!
1 0 0
gr

0 0 1
ar-

0 1 0
rs

lle

Por exemplo,
e

! ! !
1 0 0 2 1 2 2 1 2
Lin

1 1 = 3 4 5 . J
. Pe

0 0 1 0
0 1 0 3 4 5 0 1 1
Exemplo 4.69. Somar 4 vezes a primeira linha terceira uma operao elementar. O efeito na identidade
Ve
bra

oC

3 3 mostrado a seguir. !
1 0 0
0 1 0
im
e

4 0 1
lg

Exemplificando,
n

! ! !
1 0 0 1 2 3 1 2 3
0 1 0 9 1 1 = 9 1 1 . J
4 0 1 2 6 12 6 14 24
Jer

O teorema a seguir esclarece a atuao de matrizes elementares sobre outras matrizes.


2 O mtodo de eliminao de Gauss descrito na seo .1.2 do Apndice .
146 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Teorema 4.70. Seja A uma matriz quadrada. Ento, com relao multiplicao de matrizes elementares es-
querda de A:

i) Eij A resulta na matriz A com as linhas i e j trocadas;

ii) EkLi A resulta na matriz A com a i-sima linha multiplicada por k;

142
iii) Ei+kLj A resulta na matriz A aps a soma de k vezes a j-sima linha sobre a i-sima.

r
J com relao multiplicao de matrizes elementares direita de A, temos:

o
a
i) AEij resulta na matriz A com as colunas i e j trocadas;

ii) AEiLk resulta na matriz A com a j-sima coluna multiplicada por k;

e rs
n
iii) AEi+kLj resulta na matriz A aps a soma de k vezes a i-sima coluna sobre a j-sima.

i
v
No Teorema 4.70, observe que os itens (iii) das duas situaes no diferem apenas na atuao de linhas
m
e colunas, mas nos ndices tambm: Denotarmos a k-sima linha e a k-sima coluna por Lk e Ck . A mesma
matriz elementar Ei(,j) soma:

la
i
vezes a j-sima linha i-sima;
u
l
a
vezes a i-sima coluna j-sima.
Pre
de
Note a troca de ndices:

Li = Li + Lj
tas

Cj = Cj + Ci
no

ini

Exemplo 4.71. Temos a seguir trs matrizes elementares de ordem 3:


o

! ! !
1 0 0 3 0 0 1 0 0
gr
ar-

E2,3 = 0 0 1 , E3L1 = 0 1 0 , E2+(5L3) = 0 1 5 .


rs

0 1 0 0 0 1 0 0 1
lle
e

Escolhemos tambm uma matriz quadrada para observar a atuao das matrizes acima:
Lin

. Pe

!
1 1 0
A= 4 2 2 .
Ve

5 7 3
bra

oC

A seguir temos a atuao das matrizes Ek esquerda de A:


im
e

! ! !
1 1 0 3 3 0 1 1 0
lg

E2,3 A = 5 7 3 , E3L1 A = 4 2 2 , E2+5L3 A = 21 37 17 .


5 7 3
n

4 2 2 5 7 3
Agora verificamos a atuao das matrizes Ek direita de A:
Jer

! ! !
1 0 1 3 1 0 1 1 5
AE2,3 = 4 2 2 , AE3L1 = 12 2 2 , AE2+5L3 = 4 2 12 . J
5 3 7 15 7 3 5 7 38
4.5. MATRIZES ELEMENTARES 147

Definio 4.72 (Matrizes equivalentes por linhas). Duas matrizes A e B so equivalentes por linhas se uma
pode ser obtida da outra por operaes elementares em linhas. Ou, equivalentemente, se
A = Ek Ek1 E1 B,
onde cada Ek uma matriz elementar. 

142
Exemplo 4.73. Sejam
     

r
A= 2 1 , B= 2 1 , C= 2 3 .
6 9 0 4 2 1

o
a
A e B so equivalentes por linha, porque

e rs
n
     
2 1 L2 3 2 1 L2 +L1
A= 2 1 =B
6 9 2 3 0 4

i
v
A e C tambm so equivalentes por linhas, porque
    
m
2 1 L2 3 2 1 L1 L2
A= 2 3 = C J

la
6 9 2 3 2 1
Teorema 4.74. Equivalncia por linhas uma relao de equivalncia.
i
u
l
a
Demonstrao. Precisamos mostrar reflexividade, simetria e transitividade.
Pre

(i) (Reflexividade) Trivial (A equivalente a A a sequncia vazia de operaes elementares transforma


de
A em A).
(ii) (Simetria) Se A equivalente por linhas a B, h uma sequncia de matrizes elementares E1 , E2 , . . .,
tas

Ek tal que B = E1 E2 . . . Ek A. Como toda matriz elementar tem inversa, temos A = E1 1 1


k Ek1 . . . E1 B.
(iii) (Transitividade) Se A equivalente por linhas a B e B equivalente por linhas a C, ento
no

ini

A = Ek Ek1 . . . E1 B
0 0
. . . E10 C.
o

B = Em Em1
gr
ar-

Mas ento
rs

lle

A = (Ek Ek1 . . . E1 )B
e

0 0
= (Ek Ek1 . . . E1 )(Em Em1 . . . E10 )C 
Lin

. Pe

Clculo da inversa
Ve
bra

oC

Podemos calcular a inversa de uma matriz usando operaes elementares.


Teorema 4.75. Se uma sequncia de operaes elementares leva A at I, ento a mesma sequncia leva I em A1 .
Demonstrao. Do enunciado, temos
im
e

Ek E2 E1 A = I,
lg

onde cada Ei uma matriz elementar. S precisamos observar que a matriz (E1 E2 Ek ), multiplicada
por A, igual identidade:
Jer


Ek E2 E1 I A = I

E E E A = I. 
| k {z 2 1}
A1
148 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Isto nos d um mtodo para calcular a inversa de qualquer matriz quadrada.


Mtodo 4.76. Escreva a matriz lado a lado com a identidade.

a11 a12 . . . a1n 1 0 ... 0
a21 a22 a2n ..
0 1 .

.. .. .. . .. .

..

142
. . . .. . .
am1 am2 . . . amn 0 ... ... 1

r
Realize operaes elementares na matriz do lado esquerdo at transform-la na identidade. Cada operao

o
a
que realizar no lado esquerdo, realize tambm na matriz do lado direito.

e rs
a11 a12 . . . a1n 1 0 ... 0

n
a21 a22 a2n ..
0 1 .

.. .. ..

.. . . ..
. . . . . .
i
v
am1 am2 . . . amn 0 ... ... 1

m
E1

la
E2
..
i
Ek
.
u
l
a

Pre
de

1 0 ... 0 b11 b12 . . . b1n
.. b21 b22 b2n
0 1 .

.. .. ..

.. . . ..
tas

. . . . . .
0 ... ... 1 bm1 bm2 . . . bmn

Ao terminar, a matriz direita ser B = A1 .


no

ini
o

Exemplo 4.77. Inverteremos a matriz


gr
ar-

!
2 1 4
rs

A= 1 0 .
lle

0
0 5 6
e
Lin

. Pe

Comeamos escrevendo I ao lado de A:


! !
2 1 4 1 0 0
Ve
bra

0 1 0 0 1 0
oC

0 5 6 0 0 1
Somamos 5 vezes L2 em L3 , depois dividimos L3 por 6:
im
e
lg

! !
2 1 4 1 0 0
n

0 1 0 0 1 0
0 0 1 0 5/6 1/6
Jer

Somamos L2 a L1 : ! !
2 0 4 1 1 0
0 1 0 0 1 0
0 0 1 0 5/6 1/6
4.6. SISTEMAS DE EQUAES LINEARES 149

Somamos 4L3 a L1 :
!
2 0 0 1 7/3 2/3
0 1 0 0 1 0
0 0 1 0 5/6 1/6
Finalmente, dividimos L1 por 2:

142
!
1 0 0 1/2 7/6 1/3
0 1 0 0 1 0

r
0 0 1 0 5/6 1/6

o
a
A matriz direita a inversa de A:

e rs
n
! !
2 1 4 1/2 7/6 1/3 1 0 0
0 1 0 0 1 0 = 0 1 0 J
0 5 6 0 5/6 1/6 0 0 1
i
v
m
la
4.6 Sistemas de equaes lineares
i
u
Podemos representar um sistema de equaes lineares em forma matricial. O sistema a seguir tem m
l
a
equaes e n variveis.
Pre
de
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
tas

.. ..
. .
am1 x1 + am2 x2 + . . . + amn xn = bm
no

ini
o

Este sistema descrito por uma matriz A, onde cada entrada aij o coeficiente da j-sima varivel na
i-sima linha; um vetor coluna x, com cada uma das variveis, e um vetor coluna b com os valores do lado
gr
ar-
rs

direito das equaes:


Ax = b.
lle
e

E desta forma resolver o sistema o mesmo que encontrar o vetor x que satisfaa esta equao.
Lin

. Pe

Exemplo 4.78. O sistema


x1 2x2 +3x3 =4
Ve

5x x +3x =2
bra

oC

2 3 4
x1 +x2 +x3 +x4 = 10
descrito como
im
e


x1 ! !
1 2 3 0 x 4
lg

2
0 5 1 3 = 2 . J
n

x3
1 1 1 1 10
x4
Jer

claramente possvel tambm representar sistemas de inequaes como Ax b ou Ax b.


Definio 4.79 (Sistema linear homogneo). Um sistema de equaes lineares homogneo se da forma
Ax = 0 (ou seja, se os termos independentes de todas as equaes so iguais a zero). 
150 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.80. O sistema a seguir homogneo.


    
3 4 x1 = 0 J
1 1 x2 0
Todo sistema linear homogneo admite pelo menos uma soluo, com todas as variveis iguais a zero.
Esta soluo chamada de soluo trivial para o sistema. O sistema dado como exemplo admite a soluo

142
trivial x1 = x2 = 0. importante ressaltar que isto significa que um sistema homogneo sempre possvel
(ou compatvel), mas ele pode ter infinitas solues (quando indeterminado) ou somente uma (quando

r
determinado).

o
a
O Teorema 4.81 reafirma o que dissemos no exemplo 1.58, no Captulo 1. Damos aqui uma demonstrao
diferente, usando notao matricial.

e rs
n
Teorema 4.81. O conjunto de solues para qualquer sistema homogneo de equaes lineares um espao vetorial.
Demonstrao. As solues so claramente um subconjunto de Rn (ou Kn para algum corpo K), portanto
i
v
somente precisamos provar que subespao de Rn .
m
i) O vetor zero pertence ao conjunto, porque 0 soluo.

la
ii) A multiplicao de uma soluo por escalar resulta em outra soluo:
i
u
c(Ax) = c 0
l
a
A(cx) = 0
Pre
de
E portanto cx soluo.
iii) A soma de duas solues tambm resulta em outra.
tas

Ax = Ay = 0
Ax + Ay = 0
no

ini

A(x + y) = 0
o

gr

E portanto x + y soluo. 
ar-
rs

3
Antes de enunciar o prximo Teorema, relembramos a classificao de sistemas lineares , que um sis-
lle

tema pode ser impossvel, possvel e indeterminado (com infinitas solues) ou possvel e determinado (com
e

somente uma soluo.


Lin

. Pe

Teorema 4.82. Um sistema linear Ax = b determinado se e somente se A tem inversa.


Demonstrao. Temos
Ve
bra

oC

Ax = b
1
A Ax = A1 b
im
e

x = A1 b.
lg

() Como a inversa nica, sua existncia garante que existe uma nica soluo para o sistema.
n

() A existncia de uma soluo nica tambm nos permite determinar A1 . Se o sistema no tem solu-
o, a inversa no pode existir. Se o sistema indeterminado, h mais de um x que o satisfaz, e portanto
Jer

A no pode ter uma nica inversa. No podendo haver uma nica inversa, conclumos que a inversa no
existe. 
3 Esta classificao dada na Definio .4, no Apndice .
4.6. SISTEMAS DE EQUAES LINEARES 151

Exemplo 4.83. O sistema


x1 x3 = 3
x1 +3x 2 x3 = 6
x1 2x3 = 1
pode ser reescrito na forma matricial como

142
! !
1 0 1 x1 3
1 3 1 x2 = 6 .

r
1 0 2 x3 1

o
a
A inversa da matriz de coeficientes A

e rs
n
2 0 1
A1 = 1/3 1/3 0 ,
1 0 1
i
v
e a soluo para o sistema
m
1
x=A
b

la
!
2 0 1 3
i
= 1/3 1/3 0 6
1 u
l
1 0 1
a
!
Pre

7
de
= 3
4
tas

J
Exemplo 4.84. Mudando um nico coeficiente no sistema linear do exemplo 4.83, obtemos

no

ini

x1 x3 = 3
o

x1 +3x 2 x 3 = 6
gr

x1 x3 = 1
ar-
rs

que podemos descrever na forma matricial como


lle
e

! !
1 0 1 x1 3
Lin

. Pe

1 3 1 x2 = 6 .
1 0 1 x3 1
Ve

A matriz de coeficientes no tem inversa, e o sistema no tem soluo nica (na verdade no tem soluo
bra

oC

nenhuma).
Mesmo que troquemos o vetor b para qualquer outro vetor no-nulo, continuaremos sem soluo nica. Observe
que se mudarmos b para
im
e

!
3
lg

b = 6 ,
n

3
a primeira e a terceira linhas do sistema passam a ser iguais: Ax = b seria o mesmo que
Jer

! !
1 0 1 x1 3
1 3 1 x2 = 6 ,
1 0 1 x3 3
152 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

e teramos ento infinitas solues da forma


x1 = x3 + 3, x2 = 3,
mas no teramos uma nica soluo. J
Uma matriz est na forma escalonada se representa um sistema linear escalonado.

142
Definio 4.85 (Matriz escalonada por linhas e por colunas). Seja A uma matriz. Se as condies (i) e (ii)
abaixo valem para todas as linhas adjacentes i e j (com i + 1 = j), ento dizemos que A est na forma

r
escalonada por linhas.

o
a
i) Se j no nula, i tambm no ;

e rs
n
ii) A quantidade de zeros esquerda do primeiro elemento no-nulo em i estritamente menor que a
quantidade de zeros esquerda do primeiro elemento no-nulo em j.

i
O piv de uma linha o primeiro (mais esquerda) elemento no-nulo.

v
m
Se todo piv da matriz for igual a um e as colunas dos pivs no tiverem outras entradas no-nulas, a
matriz est na forma escalonada reduzida por linhas.
Uma matriz est na forma escalonada (reduzida) por colunas se sua transposta est na forma escalonada

la
(reduzida) por linhas. 
i
u
Exemplo 4.86. Todas as matrizes mostradas a seguir esto na forma escalonada.
l
a
Pre


de
!
1 1 2
! 13 11 7  
3 6 9 0 5 3
A= 0 2 4 B= 0 C = D = 0 3 5 7 J
0 4
0 0 2

0 0 0 9
0 0 1 0 0 0
tas

0 0 0
Exemplo 4.87. Todas as matrizes mostradas as seguir esto na forma escalonada reduzida por linhas.
no

ini

! ! !
1 5 0 1 0 2 1 0 0 0
A= 0 0 1 B= 0 1 3 C= 0 1 0 8 J
o

0 0 0 0 0 0 0 0 1 9
gr
ar-
rs

Observe que se A a matriz aumentada de um sistema linear, a forma escalonada reduzida por linhas
lle

identifica claramente a soluo. Por exemplo, na matriz B do Exemplo 4.87, temos x1 = 2, x2 = 3, e a


e

linha adicional no faz diferena. J na matriz C, temos x1 = 0, x2 = 8 e x3 = 9.


Lin

. Pe

Claramente, a forma escalonada por colunas obtida usando as mesmas operaes que resultam na
forma escalonada por linhas, exceto que as operaes so realizadas na transposta (ou seja, so realizadas
nas colunas e no nas linhas).
Ve
bra

oC

Exemplo 4.88. Todas as matrizes mostradas as seguir esto na forma escalonada por colunas.

! ! 2 0 0 0
2 0 0 5 0 0
im
e

A= 3 4 0 B= C = 1 0 0 0 J

0 4 0 0 6 0 0
lg

0 9 1 2 0 0 4 5 9 0
n

Exemplo 4.89. Todas as matrizes mostradas as seguir esto na forma escalonada reduzida por colunas.
Jer


! ! 1 0 0
1 0 0 1 0 0
A= 0 1 0 B= 2 0 0 C = 0 1 0 J

0 0 1
0 2 0 0 1 0
2 3 9
4.6. SISTEMAS DE EQUAES LINEARES 153

4.6.1 Eliminao de Gauss


Nesta seo revemos o mtodo da eliminao de Gauss para resoluo de sistemas de equaes lineares
usando matrizes elementares.
Definio 4.90 (Matriz aumentada). Seja Ax = b um sistema de equaes lineares com m equaes e n

142
variveis. Ento a matriz aumentada deste sistema a matriz m n + 1 que tem as colunas de A seguidas
da nica coluna de b,

r
!
A b . 

o
a
Exemplo 4.91. O sistema linear

e rs

n

2x1 + 3x2 x3 = 2
3x1 x2 =1

i
v

x1 x2 + 8x3 = 4
m
descrito em forma matricial como

la
! !
2 3 1 x1 2
i
3 1 0 x2 = u 1 .
l
a 4
1 1 8 x3
Pre
de
A matriz aumentada do sistema !
2 3 1 2
3 1 0 1 J
tas

1 1 8 4
A soluo de sistemas triangulares (na forma escalonada) pode ser feita na forma matricial da mesma
no

ini

maneira que quando usada a representao sem matrizes. O processo de eliminao de Gauss consiste
o

na aplicao sucessiva de operaes elementares sobre o sistema linear. Quando representamos o sistema
gr
ar-

como matriz aumentada, cada aplicao de operao elementar uma multiplicao. O processo de elimi-
rs

nao de Gauss consiste em multiplicar sucessivamente a matriz aumentada por matrizes elementares.
lle

Lembramos aqui que normalmente no realizamos operaes elementares sem ordem definida. Em
e

cada fase do algoritmo, transformamos em zero a parte inferior de uma das colunas da matriz, processando
Lin

. Pe

as colunas da esquerda para a direita. A seguir temos um exemplo para um sistema com 3 variveis e 4
equaes (que resulta em uma matriz quadrada de ordem 4). Os pivs esto marcados com fundo cinza.
Para simplificar a exposio, no ilustramos trocas de linhas.
Ve
bra

oC

z }| {
FASE 1

a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14
im
e

a21 a22 a23 a24 a21 a22 a23 a24 a21 a22 a23 a24 0 a22 a23 a24

lg


a31 a32 a33 a34 a31 a32 a33 a34 0 a32 a33 a34 0 a32 a33 a34
a41 a42 a43 a44 0 a42 a43 a44 0 a42 a43 a44 0 a42 a43 a44
n

z }| { z }| {
FASE 2 FASE 3
Jer


a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14
0 a22 a23 a24 0 a22 a23 a24
0 a22 a23 a24


0 a32 a33 a34 0 0 a33 a34 0 0 a33 a34
0 0 a43 a44 0 0 a43 a44 0 0 0 a44
154 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.92. Considere o sistema a seguir.




2x1 x2 + 4x3 = 9
x1 x2 =4


x1 + 4x2 x3 = 1

142
Este sistema pode ser representado por

r
!
2 1 4 9
0 4 .

o
1 1

a
1 4 1 1

e rs
n
Aplicamos operaes elementares at chegar a uma matriz triangular superior:
!
2 1 4 9 E3+1/2L1 2 1 4 9 E21/2L1 2 1 4 9 E
i
v
0 4 1 1 0 4 0 1/2 2 1/2
3+7L2
1 1
0 7/2 1 11/2
m
1 4 1 1 0 7/2 1 11/2

la
2 1 4 9 E ,E2L2 ,E1/13L3 1 1/2 2 9/2
0 1/2 2 1/2 1/2L1 0 1 4 1
i
0 0 13 2 0
u
0 1 2/13
l
a
E substituindo as variveis obtemos o resultado
Pre
de

x1 = 73/13,
x2 = 21/13,
tas

x3 = 2/13.
no

ini

Cada uma das operaes uma multiplicao por matriz elementar. Por exemplo, a primeira operao
o

! !
1 0 0 2 1 4 9 2 1 4 9
gr
ar-

0 1 0 1 1 0 4 = 1 1 0 4 .
rs

1/2 0 1 1 4 1 1 0 7/2 1 11/2


lle
e

O Exerccio 118 pede as outras matrizes usadas. J


Lin

. Pe

4.6.2 Decomposio LU
Ve
bra

oC

Definio 4.93 (Decomposio LU). Seja A uma matriz quadrada. Se existem L e U tais que U triangular
superior, L triangular inferior, e A = LU, ento LU a decomposio LU de A.
Se a diagonal de L s contm uns, esta a decomposio de Doolitle. Se a diagonal de U s contm uns,
im
e

a decomposio de Crout 
lg

Exemplo 4.94. Seja


n

 
A= 2 3
1 5
Jer

Temos   
A= 1 0 2 3 . J
1/2 1 0 7/2
4.6. SISTEMAS DE EQUAES LINEARES 155

Teorema 4.95. Seja A uma matriz quadrada tal que

Ek Ek1 . . . E1 A = U,

onde as matrizes Ei so elementares que no realizam trocas de linhas, e U diagonal superior (ou seja, A pode ser
escalonada sem trocas de linhas). Ento A admite fatorao LU.

142
Demonstrao. Suponha que A necessite de k passos para ser escalonada. Realizamos o escalonamento de
A, mas descrevendo-a inicialmente como

r
A = IA.

o
a
Observe que a matriz identidade, I, triangular inferior. Aplicaremos operaes elementares em A at
transform-la em U, escalonada, e consequentemente triangular superior. A aplicao destas operaes

e rs
n
modificar a matriz identidade, esquerda, mas ela ser mantida triangular inferior durante todo o pro-
cesso.

i
v
A = IA
m
= X(1) A(1) (E1 A = A(1) )

la
= X(2) A(2) (E2 E1 A = A(2) )
i
..
. u
l
a
= X(k) A(k)
Pre
de
= X(k) U.

Se realizarmos operaes elementares somente em A(i) , para que a multiplicao X(i) A(i) continue sendo
tas

igual a A, teremos que multiplicar X(i) pela matriz elementar inversa e multiplicaremos direita de X(i) :

X(i) E1 EA(i)
 
no

ini

= X(i) |E1
 (i)
o

{z E} A
gr

=I
ar-

(i) (i)
rs

=X IA = A.
lle
e

Olhamos para o efeito das duas operaes elementares. Suponha que piv atual o da j-sima coluna Yjj ,
Lin

e que pretendemos modificar a i-sima linha, com i > j (ou seja, uma linha abaixo do piv).
. Pe

E realizar uma modificao na linha i, mas somente os elementos depois (abaixo) da posio j sero
Ve

modificados (os anteriores eram zero).


bra

oC

E1 realizar uma modificao na coluna i, mas somente os elementos antes ( esquerda) da posio
j sero modificados (os da direita eram zero).
im
e

Assim, a aplicao das duas operaes no desfaz a parte escalonada por linhas de X(i) , e nem a parte
lg

escalonada por colunas de A(i) . O resultado ser


n

A = LU,
Jer

onde L = X(k) , triangular inferior,e U = A(k) , triangular superior. 


A demonstrao do teorema 4.95 nos d um mtodo para encontrar a decomposio LU de uma matriz.
156 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Mtodo 4.96 (Decomposio LU). Descreva A como IA.



a11 a12 a1n

1 0 0
A = 0. 1 .
a21 a22
0 a2n
. . 0 ... ..

.. .

0 1 an1 ann

142
Use o mtodo da eliminao de Gauss transformar a matriz da direita em triangular superior, escalonando-

r
a, mas sempre que aplicar a operao elementar nas linhas da matriz direita, aplique sua inversa nas

o
a
colunas da matriz esquerda. Quando a matriz direita estiver escalonada, a da esquerda ser triangular
inferior.

e rs
n
Exemplo 4.97. Obteremos a decomposio LU da matriz
!

i
v
2 3 1
2 1 5 .
m
4 0 7

la
Durante o processo, mostraremos tanto L como U. Denotamos por Ui a i-sima linha de U. Comeamos
com A = IA.
i
u
l
a U
}| !{ z }| !{
L
z
Pre
de
! !
1 0 0 2 3 1 U2 U2 U1 1 0 0 2 3 1
A= 0 1 0 2 1 5 = 1 1 0 0 2 6
0 0 1 4 0 7 0 0 1 4 0 7
tas

! ! ! !
U U 2U 1 0 0 2 3 1 U3 U3 3U2 1 0 0 2 3 1
3
3

1
= 1 1 0 0 2 6 = 1 1 0 0 2 6 J
2 0 1 0 6 9 2 3 1 0 0 9
no

ini
o

Se uma matriz A precisa de permutao de linhas para ser escalonada, no admite decomposio LU.
gr
ar-

Podemos, no entanto, decomp-la de forma parecida com a decomposio LU.


rs

Teorema 4.98. Toda matriz quadrada A pode ser decomposta em A = PLU, onde P uma matriz de permutao;
lle

L triangular inferior; e U triangular superior.


e
Lin

. Pe

Demonstrao. Se aplicarmos o mtodo de decomposio LU que descrevemos, mas permitirmos trocas de


linhas, tambm trocaremos as colunas da matriz da esquerda, e por isso ela pode no terminar o processo
Ve

como triangular inferior.


bra

oC

No entanto, estas trocas podem ser representadas por uma matriz de de permutao P. Ao invs de
manter duas matrizes, iniciando com Ia, mantemos trs matrizes, comeando com IIA:
im
e

A = IIA
lg

= P(1) X(1) A(1) (E1 A = A(1) )


n

(2) (2) (2)


=P X A (E2 E1 A = A(2) )
..
Jer

.
= P(k) X(k) A(k)
= P(k) X(k) U.
4.6. SISTEMAS DE EQUAES LINEARES 157

Quando uma operao de troca de linha for aplicada em A(i) , as colunas de X(i) ficaro na ordem errada.
Aplicamos uma troca de linhas em X(i) e sua inversa nas colunas de P(i) :

P(i) E1 EX(i) .

Desta forma mantemos X como triangular inferior. Durante todo o processo P ser matriz de permutao,

142
e ao final teremos

r
A = PLU. 

o
a
Exemplo 4.99. Considere a matriz

e rs
n

0 4 1 4
1 2 1 1/2

12 24 6 1
i
v
2 8 5 7/6
m
Esta matriz no pode ser escalonada sem troca de linhas. O processo para deix-la na forma triangular de-

la
ver necessariamente trocar as duas primeiras linhas de ordem, j que no possvel dividir pelo elemento
a11 = 0.
i
Comeamos com A = IIA. u
l
a
Pre
de

1 0 0 0 1 0 0 0 0 4 1 4
1 2 1 1/12
A = 0 1 0 0
0 1 0 0


0 0 1 0 0 0 1 0 12 24 6 1
tas

0 0 0 1 0 0 0 1 2 8 5 7/6
C1 C3 L L
z }| 3 {
z }| {
1
no

ini


1 0 0 0 0 0 1 0 12 24 6 1
o

1 2 1 1/12
= 0 1 0 0
0 1 0 0

gr


0 0 1 0 1 0 0 0 0 4 1 4
ar-

0 0 0 1 0 0 0 1 2 8 5 7/6
rs

lle

C1 c3 L1 L3
z }| z
{ }| {
e


0 0 1 0 1 0 0 0 12 24 6 1
Lin

. Pe

= 0
1 0 0
0
1 0 0 1
2 1 1/12

1 0 0 0 0 0 1 0 0 4 1 4
0 0 0 1 0 0 0 1 2 8 5 7/6
Ve
bra

oC

C1 =C1 +C2 /12 L2 =L2 L1 /12


C =C1 +C4 /6 L =L L /6
z 1 }| {z }| {
4 4 1

0 0 1 0 1 0 0 0 12 24 6 1
im
e

= 0
1 0 0
1/12 1 0 0 0 0 1/2 0
lg


1 0 0 0 0 0 1 0 0 4 1 4
0 0 0 1 1/6 0 0 1
n

0 12 4 1
C C3 L2 L3
z }| {z }| {
2
Jer


0 0 1 0 1 0 0 0 12 24 6 1
1/12 0 1 0 0 4 1 4
= 0 1 0 0

0 0 1/2 0

1 0 0 0 0 1 0 0
0 0 0 1 1/6 0 0 1 0 12 4 1
158 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

C2 C3 L2 L3
z }| z }| {
{
0 1 0 0 1 0 0 0 12 24 6 1
= 0
0 1 0 0 1 0 0 0 4 1 4
1/12 0 1 0 0 0 1/2 0

1 0 0 0
0 0 0 1 1/6 0 0 1 0 12 4 1
C =CL 3C4
z }|2 {z

142
L4 =L4 +3L2
}| {
2

0 1 0 0 1 0 0 0 12 24 6 1

r
= 0
0 1 0 0 1 0 0 0 4 1 4
1/12 0 1 0 0 0 1/2 0
1 0 0 0

o
a
0 0 0 1 1/6 3 0 1 0 0 7 13
C =C +14C
z }| { z L4 =L}|
4 14L3
{
3 3 4

e rs
n

0 1 0 0 1 0 0 0 12 24 6 1
0
= 0 1 0 0 1 0 0 0 4 1 4 .

i
v
1/12 0 1 0 0 0 1/2 0
1 0 0 0
0 0 0 1 1/6 3 14 1
m 0 0 0 13

Temos finalmente A = PLU, onde P matriz de permutao, L triangular inferior e U triangular

la
superior. J
i
u
Teorema 4.100. Se uma matriz admite decomposio LU, tambm pode ser decomposta em LDU, onde L trian-
l
a
gular estritamente inferior, U triangular estritamente superior, e D uma matriz diagonal.
Pre
de

Resoluo de mltiplos sistemas lineares via decomposio LU


tas

Passamos agora ao uso da decomposio LU na soluo de sistemas lineares.


no

ini

Mtodo 4.101 (Resoluo de sistemas lineares por decomposio LU). Suponha que queiramos resolver o
sistema Ax = b. Se A tem fatorao LU, podemos usar o mtodo a seguir.
o

gr
ar-

Decomponha A em LU. Agora temos LUx = b


rs

lle

Seja y = Ux. Resolvemos Ly = b<