Você está na página 1de 119

Sumrio

1 Matrizes e Sistemas Lineares 1


1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Multiplicao de Matrizes . . . . . . . . . . . . . . . . . 4
1.3 Sistemas Lineares e o Mtodo de Gauss-Jordan . . . . . . 7
1.4 Matrizes Elementares . . . . . . . . . . . . . . . . . . . . 19
1.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2 Base e Dimenso 25
2.1 O espao . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Espaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Subespaos . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5 Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.6 Representao de um Vetor em uma Base . . . . . . . . . 48
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8 Exerccios Suplementares . . . . . . . . . . . . . . . . . . 51

3 Produto Interno 52
3.1 Propriedades Bsicas . . . . . . . . . . . . . . . . . . . . 52
3.2 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3 Somas Diretas . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4 Bases Ortonormais . . . . . . . . . . . . . . . . . . . . . 60
3.5 O Mtodo de Gram-Schmidt . . . . . . . . . . . . . . . . 63
3.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.7 Exerccios Suplementares . . . . . . . . . . . . . . . . . . 70

4 Aplicaes Lineares 71
4.1 Aplicaes Lineares e Matrizes . . . . . . . . . . . . . . . 71
4.2 Composio de Aplicaes Lineares e Multiplicao de Ma-
trizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.3 Teorema do Ncleo e da Imagem . . . . . . . . . . . . . . 81
4.4 Espao Linha e Espao Coluna . . . . . . . . . . . . . . . 85
4.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 89

5 Bases e Decomposies Ortonormais 91


5.1 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 92

i
ii SUMRIO

6 Autovalores e Autovetores 93
6.1 Subespaos Invariantes . . . . . . . . . . . . . . . . . . . 93
6.2 Determinantes e Autovalores . . . . . . . . . . . . . . . . 94
6.3 Autovetores e Diagonalizao . . . . . . . . . . . . . . . 96
6.4 Alguns fatos sobre nmeros complexos . . . . . . . . . . . 101
6.5 Autovalores e Autovetores complexos . . . . . . . . . . . 103
6.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 105

7 A Adjunta 107
7.1 O Teorema de Representao de Riesz . . . . . . . . . . . 107
7.2 A Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.3 Decomposies Ortogonais de Espaos . . . . . . . . . . 110
7.4 Isometrias . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.5 Operadores Simtricos . . . . . . . . . . . . . . . . . . . 114
7.6 O Teorema Espectral . . . . . . . . . . . . . . . . . . . . 115
7.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Captulo 1

Matrizes e Sistemas Lineares

Objetivos: No nal do Captulo o aluno dever:

1. saber operar com matrizes;

2. saber resolver um sistema pelo mtodo de Gauss-Jordan;

3. saber relacionar as solues de um sistema linear com o sistema ho-


mogneo associado;

4. saber calcular a inversa de uma matriz invertvel.

1.1 Matrizes
Uma matriz real (com , = {1, 2, }) uma tabela de
nmeros reais, dispostos em linhas e colunas:

11 12 1
22 2
= ( ) = 21 (1.1)



1 2

O elemento a entrada correspondente linha e coluna da matriz


e algumas vezes ser denotado por () . Uma matriz nula se todas as
suas entradas forem iguais a zero.
Se = , dizemos que a matriz quadrada. Por exemplo, quadrada
a matriz 3 3
2 3 5
= 7 11 13 .

17 19 23
Se = 1, dizemos que temos uma matriz linha e, se = 1, uma matriz
coluna. Assim, as matrizes

2
= (1 2 3 5 7) e = 4

8
so, respectivamente, uma matriz linha 1 5 e uma matriz coluna 3 1.

1
2 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

A transposta de uma matriz , que ser denotada por , obtida de


ao trocar suas linhas por suas colunas. Formalmente, se = ( ), ento

= ( ).

Assim, a transposta da matriz a matriz

2 7 17
= 3 11 19 ,

5 13 23
enquanto a transposta da matriz coluna a matriz linha

= (2 4 8).

Uma submatriz de uma matriz obtida de ao se omitir alguma(s)


de sua(s) linha(s) e/ou coluna(s). Assim,

2 3 5 3 5
= = 11 13 e = (13)
(7 11 13)
19 23
so submatrizes de (dada anteriormente): em , a terceira linha de foi
omitida; em , a primeira coluna; e, em , a primeira e segunda linhas,
bem como a primeira e terceira colunas.

Exerccio 1.1 Escreva todas as submatrizes da matriz .


Exerccio 1.2 Escreva as transpostas das matrizes , , , e .

Mas uma matriz pode ser concebida de duas outras maneiras: como uma
linha de matrizes coluna ou como uma coluna de matrizes linha. Assim, a
matriz que antes denimos pode ser entendida nas formas

1
= (1 2 ) = , (1.2)


em que
1
= e = (1 2 ).


Duas matrizes = ( ) e = ( ) so iguais se
= para todos {1, , } e {1, , }.

Exerccio 1.3 Sejam


1 2 3 2 3
= 3 2 1 e = 3 .

1 7 1 1 7
Determine os valores de , , , de modo que as matrizes e sejam iguais.
1.1. MATRIZES 3

Denio 1.4 Sejam = ( ) e = ( ) matrizes reais . Denimos

+ = ( + ) e = ( ).

Em palavras, a matriz + obtida ao somar as entradas correspondentes


das matrizes e e a matriz obtida ao multiplicar cada entrada de
pelo escalar . Com essas operaes, o conjunto das matrizes reais
denotado por .

Exemplo 1.5 Considere a matrizes 2 3

1 3 5 1 3
= e = .
(2 2 1 ) ( 1 2 1)

Ento

1 + 5 1 + 3 + 3 2 3
+ = e = .
( 3 22 2 ) (2 2 )

Teorema 1.6 Para quaisquer , , e , , as seguintes


propriedades so satisfeitas

() + (fechamento);

() ( + ) + = + ( + ) (associatividade);

() + = + (comutatividade);

() existe 0 tal que + 0 = 0 + (elemento neutro);

() existe () tal que + () = 0 (inverso aditivo);

() (fechamento);

() () = () (associatividade);

() ( + ) = + (distributividade);

() ( + ) = + (distributividade);

() 1 = (regra da unidade).

A vericao de que todas essas propriedades so vlidas em sim-


ples e ser deixada como exerccio. claro que 0 a matriz nula e
() a matriz cujas entradas so os simtricos das entradas de . Denota-
remos = + ().

Observao 1.7 Poderamos considerar matrizes tendo como entra-


das nmeros complexos ao invs de entradas reais e denir a soma de matri-
zes e multiplicao de matriz pelo escalar da maneira anloga a que
foi feita no caso de matrizes em . Nesse caso, o Teorema 1.6 continua
vlido e o conjunto das matrizes com entradas complexas e operaes
de soma e multiplicao por escalar denotado ().
4 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

1.2 Multiplicao de Matrizes


Consideremos duas matrizes reais e . Se o nmero de colunas de
for igual ao nmero de linhas de , possvel denir uma multiplicao de
matrizes. Sendo mais preciso, considere as matrizes ( ) e ( ).
Ento seu produto = denido como sendo a matriz cuja
entrada satisfaz

= 1 1 + 2 2 + + , (1.3)
para {1, , } e {1, , }.
A equao (1.3) pode ser abreviada utilizando a notao de somatrio:

= , (1.4)

=1

que lida como somatrio com variando de 1 at de . O smbolo


=1 indica uma soma de parcelas, obtidas ao variar o ndice de 1 at
.
11 12 1 11 1 1

1 12 21 2 2 .


1
1 2
Entradas correspondentes da linha de e coluna de so multiplicadas
e todos esses produtos ento somados.

Exemplo 1.8 Consideremos as matrizes e

1 2 3 4
1 2 2
= e = 2 2 2 2 .
( 1 2 )
4 3 2 1
Como o nmero de colunas de igual ao nmero de linhas de , o produto
est denido e resulta em uma matriz 2 4:

3 + 42 2 + 32 1 + 22 2
= .
( 10 + 8 + 2 6 + 3 4 + 4 )

Note que, no exemplo anterior, o produto no est denido. Em


casos que e esto ambos denidos, no temos, em geral, = :

Exemplo 1.9 Consideremos as matrizes

1 1 1 1
= e = .
(1 1) (1 1)

Ento temos
0 0 2 2
= e = ,
(0 0) (0 0)
mostrando que . Note, em particular, que podemos ter = 0
sem termos = 0 ou = 0.
1.2. MULTIPLICAO DE MATRIZES 5

Exerccio 1.10 Seja uma matriz . Suponha que estejam denidos os produtos e .
Mostre que tambm .

Observao 1.11 O produto de duas matrizes, quando possvel, tem uma


denio aparentemente esdrxula. No Captulo 4 mostraremos que essa
denio, apesar de sua aparncia, inteiramente natural.

Proposio 1.12 Para matrizes reais, suponha que as operaes abaixo


sejam possveis. Ento vale:

() ( + ) = + (distributividade);

() ( + ) = + (distributividade);

() () = () (associatividade);

() Existe tal que = = (existncia da identidade).

Demonstrao: Suponhamos que e sejam matrizes e seja uma


matriz . Denotemos por = ( ) a matriz ( + ). Ento1


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

=1

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

= + ) = (1 1 + 1 1 ) + + ( + )
(
=1

= + = (1 1 + + ) + (1 1 + + )

=1 =1
= +

A prova da armao () anloga e ser deixada como exerccio.


Suponhamos que as matrizes = ( ), = ( ) e = ( ) sejam,
respectivamente, , e . Ento

(()) = () =
( )
=1 =1 =1

= = ()
( )
=1 =1 =1
= (()) .
1
A primeira igualdade utiliza a notao de somatrio; a segunda igualdade escreve esse
somatrio por extenso. possvel entender a demonstrao sem ler a igualdade envolvendo
o somatrio.
6 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Suponhamos que seja uma matriz qualquer. Ento


1 0 0
0 1 0
=


0 0 1
satisfaz = = , como vericamos facilmente. 

Exerccio 1.13 Explicite condies para que cada um dos itens da Proposio 1.12 esteja bem
denido.
Exerccio 1.14 Escreva por extenso (tal qual feito na prova da primeira armao da Proposio
1.12) os somatrios envolvidos na demonstrao da associatividade da multiplicao de matrizes.

Observao 1.15 Sem uma boa experincia com o uso de somatrios, a


prova da associatividade do produto de matrizes difcil de acompanhar.
O exerccio anterior pode ajudar na compreenso desta prova. Contudo, no
Captulo 4, ao interpretarmos a multiplicao de matrizes, vamos apresentar
uma demonstrao alternativa dessa associatividade.
A matriz nica. Sendo mais preciso, se tivssemos = =
e = = para toda matriz , ento = . De fato,
escolhendo = na primeira identidade, temos
= = .
Por outro lado, escolhendo = na segunda identidade, temos
= = ,
o que nos fora a concluir que = .
Denio 1.16 A matriz

1 0 0
0 1 0
=


0 0 1
chamada matriz identidade .
Denio 1.17 Seja uma matriz . Dizemos que invertvel, se
existir uma matriz tal que
= = ,
em que denota a matriz identidade. Denotamos = 1 e chamamos
1 de inversa da matriz .
Supondo invertvel, ao denotar = 1 , a denio anterior assume
que existe uma nica matriz satisfazendo = = . Vamos provar
esse fato. Se fosse = = e = = , ento decorre das
igualdades anteriores e da associatividade do produto de matrizes que
= = () = () = = ,
garantindo a unicidade da inversa de .
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 7

1.3 Sistemas Lineares e o Mtodo de Gauss-Jordan


Para 1 e 1 , suponhamos conhecidos os valores e
os valores . Um sistema linear em equaes e incgnitas procura a
soluo 1 , , que satisfaz

11 1 + + 1 = 1
21 1 + + 2 = 2
(1.5)



1 1 + +
= .

Exemplo 1.18 O sistema

+ = 1
{ = 1

tem duas equaes e duas incgnitas. Esse sistema est na forma (1.5) com
11 = 1, 1 = , 12 = 1, 2 = , 1 = 1, 21 = 1, 22 = 1 e 2 = 1.
Como as incgnitas e aparecem apenas multiplicadas por constantes, o
sistema linear. (Esse no seria o caso se o sistema tivesse termos como
sen ou 2 , por exemplo.)
Note que, se o nmero de incgnitas for grande, a utilizao de diferen-
tes letras (, , , ) para denot-las passa a ser invivel. Como queremos
estudar sistemas lineares arbitrrios e o nmero de incgnitas pode ser
grande, a notao 1 , , adequada e sempre ser adotada na sequn-
cia.
O produto de matrizes nos permite expressar o sistema (1.5) com nota-
o matricial:
11 12 1 1 1
21 22 2 2 2
= . (1.6)


1 2

Exerccio 1.19 Verique que (1.6) equivalente a (1.5).


Escreveremos (1.6) condensadamente como

= ,

em que

11 12 1 1 1
22 2
= 21 , = 2 e = 2 .



1 2


(A notao em negrito para e ser justicada posteriormente, no Cap-
tulo 2.) A matriz coluna o termo independente.

Exemplo 1.20 O sistema

31 + 22 3 + 44 = 2
{ 1 42 + 23 4 = 5
8 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

possui 4 incgnitas e 2 equaes e pode ser escrito matricialmente na forma

= ,

com
1
3 2 1 4 2
= , = 2 e = .
(1 4 2 1) (5)
3
4
Se a matriz coluna for nula, isto , se = 0 para todo {1, , },
o sistema chamado homogneo e essa matriz ser denotada por ; caso
contrrio, o sistema no homogneo. Como veremos, os sistemas =
e = relacionam-se de um modo especial, de modo que informaes
sobre as solues de um fornecem dados importantes para a soluo do ou-
tro. Por esse motivo, no estudo do sistema = , o sistema =
chamado sistema homogneo associado.
Vamos estudar o sistema = . Para isso, mais sinteticamente do
que em (1.6), representaremos esse sistema por uma nica matriz, chamada
matriz aumentada do sistema:

11 12 1 | 1
22 2 |
= ( | ) = 21 | 2 . (1.7)
|
||
1 2

Exemplo 1.21 (Continuao do Exemplo 1.20) O sistema apresentado no


Exemplo 1.20 tem matriz aumentada dada por
3 2 1 4 2
.
(1 4 2 15 | 5 )

No caso de termos = , como veremos, a ltima coluna no neces-


sria e o sistema pode ser representado simplesmente pela matriz
Exemplo 1.22 O sistema homogneo

1 2 3
0
3 2 1 1 0
1 =
1 1 2 0
3
0 1 2 0
ser representado simplesmente por

1 2 3
3 2 1
1 .
1 1

0 1 2

Exerccio 1.23 Escreva explicitamente o sistema descrito pela matriz aumentada

1 0 2 1 | 2
4 cos 1 1 | 5 .
|
3 1 2 1 | 3
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 9

Observao 1.24 Dada uma matriz com mais de duas colunas, podemos
associar a ela dois sistemas distintos: um sistema homogneo e tambm
aquele em que o termo independente dado pela ltima coluna de . Por
exemplo, a matriz
1 2 1
(2 1 1)
pode ser associada ao sistema homogneo


1 2 1 1 0
2 =
(2 1 1) (0)
3
ou ao sistema no homogneo

1 2 1 1
= .
(2 1) (2 ) (1)

A utilizao da barra separando a ltima coluna de uma matriz torna claro


que a estamos interpretando como sendo a matriz aumentada de um sistema
no homogneo.

Exemplo 1.25 Consideremos o sistema linear

31 22 + 3 = 5
. (1.8)
{ 1 + 2 3 = 2

claro que, se alterarmos a ordem das linhas desse sistema ou se multi-


plicarmos uma de suas linhas por uma constante no nula, no afetaremos
suas solues: se um terno (1 , 2 , 3 ) for soluo do sistema, esse mesmo
terno ser soluo do sistema alterado e vice-versa. Assim, se um sistema
no possuir soluo, o outro tambm no possuir.
Tambm podemos somar a uma linha um mltiplo de outra linha. As-
sim, as solues dos sistemas

31 22 + 3 = 5 52 + 43 = 1
e
{ 1 + 2 3 = 2 { 1 + 2 3 = 2

so as mesmas. (O segundo sistema foi obtido multiplicando a segunda


linha do primeiro sistema por -3 e somando esse resultado primeira linha.)
Note que, partindo do segundo sistema, multiplicando sua segunda linha por
3 e somando sua primeira linha, obtemos o primeiro sistema. Quer dizer,
esses procedimentos so todas reversveis.

Exemplo 1.26 (Continuao do Exemplo 1.25) Consideremos novamen-


te o sistema (1.8). Multiplicando sua primeira linha por zero, obtemos o
sistema
01 + 02 + 03 = 0
. (1.9)
{ 1 + 2 3 = 2
Observe que (3, 0, 1) (isto , 1 = 3, 2 = 0 e 3 = 1) soluo de (1.9),
mas no uma soluo de (1.8). Note tambm que no podemos recuperar
o sistema (1.8) partindo de (1.9).
10 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Abandonando a notao completa de um sistema linear e voltando


notao mais compacta da matriz aumentada do sistema, conclumos que
as seguintes operaes sobre as linhas da matriz no alteram o conjunto
de solues do sistema = :
() Transpor as linhas e , operao que indicaremos por ;

() Multiplicar a linha por um escalar no nulo, operao que indica-


remos por ;

() Substituir a linha por sua soma com um mltiplo da linha , ope-


rao que indicaremos por + .
As operaes (), () e () so as operaes elementares sobre as linhas
de uma matriz.
Observao 1.27 Consideremos a operao elementar () aplicada ma-
triz aumentada (1.7). Note que (1 , 2 , , ) satisfaz

1 1 + + =
1 1 + + =
se, e somente se, satiszer
1 1 + + =
(1 + 1 )1 + + ( + ) = + .

Exemplo 1.28 Vamos ilustrar o uso das operaes elementares sobre as li-
nhas de uma matriz para resolver um sistema linear. Consideremos o sis-
tema no homogneo
3 1 2 | 1
1 1 1 | 2 . (1.10)
|
2 1 0 | 0
Comeamos trocando sua primeira linha pela segunda, operao indicada
por 1 2 :

3 1 2 | 1 1 1 1 | 2 (1 2 )
1 1 1 | 2 3 1 2 | 1 .
| |
2 1 0 | 0 2 1 0 | 0
Como vimos, os sistemas representados por essas duas matrizes aumentadas
possuem as mesmas solues. Partindo da segunda matriz, substitumos
sua segunda linha pela soma dessa linha com (-3) vezes a primeira linha,
operao indicada por 2 31 :

1 1 1 | 2 1 1 1 | 2
3 1 2 | 1 0 2 1 | 5 (2 2 31 ) .
| |
2 1 0 | 0 2 1 0 | 0
Agora substitumos a terceira linha por ela somada a 2 vezes a primeira
linha:
1 1 1 | 2 1 1 1 | 2
0 2 1 | 5 0 2 1 | 5 .
| |
2 1 0 | 0 0 1 2 | 4 (
3 3 + 2 1 )
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 11

Prosseguimos trocando a terceira pela segunda linha:

1 1 1 | 2 1 1 1 | 2
0 2 1 | 5 0 1 2 | 4 ( ) .
| | 2 3
0 1 2 | 4 0 2 1 | 5

Somamos ento terceira linha a segunda linha multiplicada por 2:

1 1 1 | 2 1 1 1 | 2
0 1 2 | 4 0 1 2 | 4 .
| |
0 2 1 | 5 0 0 3 | 3 (3 3 + 22 )
Finalmente, dividimos a ltima linha por 3:

1 1 1 | 2 1 1 1 | 2
0 1 2 | 4 0 1 2 | 4 .
| |
0 0 3 | 3 0 0 1 | 1 (3 3 /3)

Agora examinemos o sistema representado pela ltima matriz obtida. Sua


ltima equao nos garante que 3 = 1. Substituindo esse valor em sua
segunda equao (que nos informa que 2 + 23 = 4), conclumos que
2 = 2. Sua primeira equao dada por 1 + 2 + 3 = 2. Substituindo
os valores obtidos para 2 e 3 , conclumos que 1 = 1, de forma que
obtemos a nica soluo do sistema representado pela ltima matriz:

1 = 1 2 = 2 e 3 = 1.

Como vimos, as solues desse sistema so as mesmas do sistema inicial,


de modo que obtivemos a (nica) soluo do sistema (1.10).
O mtodo utilizado neste exemplo conhecido como eliminao gaussi-
ana2 e a matriz nal, que nos possibilitou a obteno da soluo do sistema,
est na forma escalonada, isto , em forma de escada.

Agora deve ser claro que, se estivermos tratando de um sistema homo-


gneo = , no h necessidade de trabalhar com a matriz aumentada do
sistema: operaes elementares no afetam uma coluna cujos termos so
todos iguais a zero.

Exerccio 1.29 Escreva, para cada matriz aumentada do Exemplo 1.28, a forma completa do sis-
tema linear, isto , o sistema na forma (1.5).
Passemos denio formal:

Denio 1.30 Dizemos que uma matriz = (, ) est na forma escalo-


nada se:

() se existir o primeiro elemento no nulo da linha (chamado piv da


linha ) e se esse ocorrer na coluna , ento, se existir o piv da linha
+ , esse ocorre numa coluna > , para todo {1, , };
2
Em homenagem a Johann Carl Friedrich Gauss, que nasceu na cidade alem de Braun-
schweig, em 30 de abril de 1777, e morreu na cidade alem de Gttingen, em 23 de fevereiro
de 1855, conhecido como princeps mathematicorum: o prncipe da matemtica, em latim.
12 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

() o piv de cada linha igual a 1, se ocorrer na matriz .


Uma sucesso de operaes elementares utilizadas para levar uma matriz
at uma matriz na forma escalonada um escalonamento da matriz .
claro que essa denio pode ser aplicada a um sistema homogneo.
A rigor, exigirmos que o piv de cada linha seja igual a 1 no necess-
rio para obtermos a soluo de um sistema. (Essa exigncia tem motivaes
numricas, associada a erros de arredondamento em clculos computacio-
nais, assunto alm do escopo deste texto.) Observe que a primeira condio
garante que, na coluna do piv da linha , so nulos todos os elementos
abaixo do piv. Alm disso, se o primeiro elemento no nulo de uma linha
ocorrer fora da matriz , ento o sistema no tem soluo.
Exemplo 1.31 As matrizes

1 2 3 | 3 1 4 7 3
0 1 | 5 0 0 1 5
= | e =
0 0 1 | 7 0 0 0 1
||
0 0 0 2 0 0 0 0
esto na forma escalonada: o piv de uma linha ocorre esquerda do piv
da linha seguinte, linhas nulas (se existentes) so as ltimas, so nulas as
entradas que esto abaixo de cada piv, na mesma coluna.
Por outro lado, as matrizes

1 2 3 | 3 1 4 7 3
0 1 | 5 0 1 1 5
0 | e 0
1 1 | 7 1 0 1
|| 1
0 0 0 0 0 0 0
no esto na forma escalonada: em ambos os casos, existe um elemento no
nulo abaixo do piv da segunda linha.
Note que, se interpretssemos a matriz sem ser a matriz aumentada
de um sistema linear, ento no estaria na forma escalonada: seu piv na
quarta linha no igual a 1:

1 2 3 3
0 1 5
0 0 1 7 .

0 0 0 2
Dada uma matriz arbitrria = ( ), a sucessiva aplicao de ope-
raes elementares (sobre suas linhas) pode lev-la at uma forma escalo-
nada. De fato, se existir algum elemento no nulo na primeira coluna de
, ao aplicarmos as operaes elementares () e () obtemos uma nova ma-
triz = ( ), com 11 = 1. A aplicao da operao elementar () torna
possvel transformar em zero todas as outras entradas na mesma coluna do
piv e abaixo dele. Considerando ento a submatriz obtida de ao se eli-
minar a sua primeira linha e primeira coluna, aplicando sucessivamente o
mesmo procedimento, chegamos forma escalonada da matriz . (Uma
prova formal obtida por induo).
Contudo, dada uma matriz , a sucessiva aplicao de operaes ele-
mentares pode conduzir a diferentes formas escalonadas para essa matriz.
o que veremos no prximo exemplo.
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 13

Exemplo 1.32 Considere o sistema

1 2 3
.
(1 1 1)

Subtraindo da segunda linha a primeira e ento dividindo a linha resul-


tante por (1), obtemos uma matriz escalonada:

1 2 3
.
(0 1 2) (2 (2 1 )/(1))

Por outro lado, trocando as duas linhas da matriz original e ento sub-
traindo a primeira linha da segunda linha, chegamos a

1 1 1 (1 2 ) 1 1 1
,
(1 2 3) (0 1 2) (2 2 1 )

matriz que tambm est na forma escalonada.


Assim, a uma mesma matriz podem corresponder diferentes formas es-
calonadas! Mas, como sabemos as solues dos sistemas lineares dados
por essa formas escalonadas so iguais s solues do sistema original e,
portanto, todas iguais.
Examinando a soluo do sistema apresentado no Exemplo 1.28, vemos
que, depois de atingida a forma escalonada, ainda precisamos efetuar alguns
clculos para obter a soluo do sistema. Esses clculos so simples, claro.
Mas queremos produzir um algoritmo que permita que um computador nos
fornea diretamente essa soluo.
Para isso, suponhamos que uma matriz esteja na forma escalonada. Se
cada piv for o nico elemento no nulo de sua coluna, dizemos que a ma-
triz est em sua forma escalonada reduzida por linhas. Aplicando a opera-
o elementar (), podemos fazer com que uma matriz na forma escalonada
atinja sua forma reduzida por linhas. De fato, consideremos o piv da ltima
linha no-nula de . A aplicao da operao elementar () torna possvel
zerar os elementos que esto acima do piv, mantendo ainda a matriz na
forma escalonada. A demonstrao agora segue-se da por induo, apli-
cando o mesmo procedimento ao piv da penltima linha no-nula de e
assim sucessivamente.
A forma escalonada reduzida por linhas de uma matriz nica. Mos-
traremos esse resultado no Teorema 1.41.
Exemplo 1.33 Consideremos o sistema = , cuja matriz aumentada
dada por
2 0 0 3
.
(0 3 2 | 6 )
Sua forma escalonada reduzida por linhas obtida ao dividirmos a primeira
linha por 2 e a segunda linha por 3:

1 0 0 3 1 /2
2 .
2
(0 1 3 | 2 ) 2 /3

(Estamos simplicando a notao antes empregada para denotar operaes


elementares.)
14 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Voltando a expressar o sistema na forma (1.5), percebemos que os pivs


correspondem s variveis 1 e 2 . A varivel 3 , que no corresponde a
um piv, chamada varivel livre:

1 + 02 + 03 = 32
.
01 + 2 + 23 3 = 2

Esse forma escalonada nos d a soluo do sistema e, em particular, a ex-


presso de 1 e 2 . Vamos explicitar 1 , 2 , 3 escrevendo essa soluo na
forma de uma matriz coluna:
3
1 2
2 = 2 2 3 .
3
3 3

Note que expressamos os pivs em funo das variveis livres e termo


independente. (Nesse caso, o piv 1 independe da varivel livre 3 .) Po-
demos escrever essa resposta de uma maneira que se mostrar bastante til,
ao isolarmos o termo independente e a varivel livre:
3
1 2 0
2 = 2 + 3 2 .
3
3 0 1
Essa maneira de escrever a soluo nos mostra que todas as solues do
sistema so obtidas somando-se matriz coluna ( 32 2 0) um mltiplo (dado
pela varivel livre 3 ) da matriz coluna (0 23 1) . Assim, o sistema tem
innitas solues, obtidas ao escolhermos diferentes valores para a varivel
livre 3 .

A soluo de um sistema linear levando sua matriz aumentada forma


escalonada reduzida por linhas conhecida como mtodo de Gauss-Jordan.3

Exerccio 1.34 Escreva a soluo do sistema como no Exemplo 1.33, sabendo que sua forma es-
calonada reduzida por linhas dada por

1 0 0 2 | 8
0 1 0 3 | 2 .
|
0 0 1 0 | 0

Exemplo 1.35 Consideremos o sistema = , cuja matriz aumentada


dada por
3 6 8 | 5
1 3 2 | 6 .
|
2 4 3 | 8
3
Wilhelm Jordan foi um geodesista e matemtico, que nasceu na pequena cidade alem
de Ellwangen, em 1 de maro de 1842, e faleceu na cidade alem de Hannover, em 17 de
abril de 1899. No deve ser confundido com Camille Jordan.
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 15

Trocando a primeira pela segunda linha, obtemos um piv na primeira linha


evitando fraes:

3 6 8 | 5 1 3 2 | 6 1 2
1 3 2 | 6 3 6 8 | 5 .
| |
2 4 3 | 8 2 4 3 | 8
Multiplicando a primeira linha por 3 e somando segunda e multiplicando
a primeira linha por 2 e somando terceira, obtemos

1 3 2 | 6 1 3 2 | 6
3 6 8 | 5 0 3 2 | 13 31 + 2 .
| |
2 4 3 | 8 0 2 1 | 4 21 + 3
Obtemos um piv na segunda linha ao multiplic-la por 13 :

1 3 2 | 6 1 3 2 | 6
0 3 2 | 13 0 1 23 | 13 1 .
| | 3 3 2
0 2 1 | 4 0 2 1 | 4
Multiplicando a segunda linha por 2 e somando terceira linha:

1 3 2 | 6 1 3 2 | 6
0 1 23 | 13 0 1 23 | 13 .
| 3 7
| 143
0 2 1 | 4 0 0 3
| 3 22 + 3
Chegamos a uma forma escalonada ao multiplicar a terceira linha por 37 :

1 3 2 | 6 1 3 2 | 6
0 1 23 | 13 0 1 23 | 13 .
7
| 143 | 3 3
0 0 3
| 3 0 0 1 | 2 7 3
Agora transformamos em zero as entradas acima do ltimo piv:

1 3 2 | 6 1 3 0 | 10 23 + 1
0 1 32 | 13 0 1 0 | 3 23 3 + 2 .
| 3 |
0 0 1 | 2 0 0 1 | 2
Finalmente, chegamos forma escalonada reduzida por linhas:

1 3 0 | 10 1 0 0 | 1 32 + 1
0 1 0 | 3 0 1 0 | 3 ,
| |
0 0 1 | 2 0 0 1 | 2
que nos informa que a nica soluo do sistema dada por 1 = 1, 2 = 3
e 3 = 2:
1 1
2 = 3 .

3 3
Exemplo 1.36 Consideremos o sistema = , cuja matriz aumentada
dada por
1 0 0 0 0 0 | 1
1 0 0 0 0 0 | 2
0 1 0 0 0 |
0 | 3

1 1 1 1 0 0 | 4
||
0 0 0 0 1 3 5
16 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Queremos determinar para quais valores de 1 , , 5 o sistema tem so-


luo.
Levando a matriz aumentada do sistema forma escalonada reduzida
por linhas, obtemos (conra!)

1 0 0 0 0 0 | 1
0 1 0 0 0 0 | 3
|
0 0 1 1 0 0 | 4 1 3 .

0 0 0 0 1 3 | 5
||
0 0 0 0 0 0 1 + 2
A ltima linhas nos mostra que, se tivermos 1 + 2 0, o sistema no
tem soluo.
Se tivermos 1 + 2 = 0, podemos determinar as solues do sistema.4
Escrevemos as variveis correspondentes aos pivs (isto , 1 , 2 , 3 e 5 )
em termos das variveis livres 4 e 6 e do termo independente:

1 = 1
2 = 3
3 = (4 1 3 ) 4
4 = 4
5 = 5 + 36
6 = 6
Escrevemos essa soluo em forma de uma matriz coluna, como no
Exemplo 1.33:

1 1 0 0
2 3 0 0
1 0
3 = 4 1 3
+ 4 + 6 . (1.11)
4 0 1 0
0 3
5 5
6 0 0 1
Quer dizer, para quaisquer valores de 1 , 3 , 4 e 5 , e para quaisquer
valores escolhidos para as variveis livres 4 e 6 , a soluo do sistema
= (com a igualdade 1 +2 = 0 sendo satisfeita) dada pela expresso
anterior. O sistema tem innitas solues, resultantes de escolhas arbitrrias
de valores para 4 e 6 .

Observao 1.37 Os exemplos anteriores deixam claro que a existncia de


solues para um sistema = , sendo uma matriz , no depende
diretamente de e . Ele no possuir soluo se, na forma escalonada re-
duzida por linhas de (|), no tivermos uma linha no formato (0|), com
0. (Esse o formato da ltima linha no sistema anterior, se tivermos
1 + 2 0.) Se esse no for o caso, o sistema sempre possuir soluo:
se existirem variveis livres (quer dizer, o nmero de pivs no for igual a
), ento o sistema possuir innitas solues, resultantes das innitas es-
colhas de valores para as variveis livres. Se no existirem variveis livres,
o sistema possuir uma nica soluo.
4
Sendo mais incisivo, estou dizendo que a denominao sistema indeterminado, utili-
zada no ensino mdio, inadequada.
1.3. SISTEMAS LINEARES E O MTODO DE GAUSS-JORDAN 17

Exerccio 1.38 Escreva o sistema considerado no Exemplo 1.36 na forma (1.5).


Exerccio 1.39 D um exemplo de um sistema com uma equao e duas incgnitas que possua as
mesmas solues de um sistema com duas equaes e duas incgnitas.
Exerccio 1.40 D um exemplo de um sistema com duas equaes e duas incgnitas que no pos-
sua soluo.

Teorema 1.41 Qualquer que seja a matriz , ela possui uma nica forma
escalonada reduzida por linhas.

Demonstrao: Faremos induo no nmero de colunas da matriz . Se


possuir uma nica coluna, sua forma escalonada reduzida por linhas

1 0
0 0
ou ,

0 0

a primeira possibilidade ocorrendo se possuir um elemento no nulo.


Suponhamos, portanto, o resultado vlido para qualquer matriz com
1 colunas e consideremos uma matriz com colunas, 2. Su-
ponhamos que 1 e 2 sejam formas escalonadas reduzidas por linhas da
matriz . Interpretando essas matrizes como matrizes aumentadas de um
sistema, ento 1 = (|) e 2 = (|), j que nossa hiptese de induo
aplica-se s colunas de . Agora consideramos duas opes para a coluna
: se ela possuir um piv, ento o sistema = no possui soluo, pois
a linha de correspondente posio desse piv seria identicamente nula,
j que 1 est na forma escalonada reduzida por linhas. Como as solues
de = e = so as mesmas, tambm possui um piv e, portanto,
= , j que 1 e 2 esto na forma escalonada reduzida por linhas. Se
em no existir um piv, ento o sistema = possui uma soluo 0 .
Mas ento = 0 = , provando que = e que 1 = 2 . 

Vamos agora explicitar a relao entre o sistema = e seu sistema


homogneo associado, = . Partimos de uma observao muito sim-
ples: o sistema homogneo sempre tem soluo! De fato, se tomarmos o
valor de todas as incgnitas como sendo igual a zero, obtemos uma soluo
do sistema, chamada soluo trivial.
A soluo trivial ser nica, se no existirem variveis livres. Isso im-
plica, em particular, que a forma escalonada reduzida por linhas do sistema
possui o mesmo nmero de pivs e de incgnitas. Assim, desprezadas as
possveis linhas identicamente nulas da forma escalonada reduzida por li-
nhas, o que resta a matriz identidade.

Exerccio 1.42 Justique a armao feita no pargrafo anterior.

Se existir ao menos uma varivel livre, o sistema = possuir in-


nitas solues, obtidas ao se atribuir diferentes valores cada varivel livre.
o que garante o prximo resultado:
18 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Teorema 1.43 Considere um sistema homogneo = . Se for uma


matriz , com < , ento = possui innitas solues. Ou seja,
qualquer sistema homogneo com mais incgnitas do que equaes possui
innitas solues.
Demonstrao: A forma escalonada reduzida por linhas de possui um
nmero de pivs que , no mximo, igual ao nmero de equaes. Assim,
ela possui de variveis livres e, portanto, innitas solues. 

Denio 1.44 Sejam uma matriz . Denimos o ncleo de , de-


notado ker ,5 como sendo o conjunto de solues do sistema = .
Teorema 1.45 Suponha que 0 seja uma soluo do sistema = , isto
, 0 = . Se 1 tambm for uma soluo do sistema = , ento
1 = 0 + , em que ker . Em particular, se = s possuir
a soluo trivial, a soluo de = ser nica; se = possuir
soluo e = possuir innitas solues, ento = possui innitas
solues. (Escrever essa ltima frase ou colocar como exerccio?)
Demonstrao: Suponhamos que ker . Ento 0 + soluo do
sistema = , pois (0 + ) = 0 + = + = . Quer dizer, 0 +
soluo de = , para todo ker .
Suponhamos agora que 1 = , ou seja, que 1 seja tambm soluo
de = . Consideremos 1 0 . Ento (1 0 ) = 1 0 =
= , que dizer, (1 0 ) ker . Denotando = 1 0 , temos
1 = 0 + (1 0 ) = 0 + , o que completa a demonstrao. 

Voltando ao Exemplo 1.36, podemos agora interpretar a equao (1.11).


O primeiro termo do lado direito (correspondente ao termo independente)
uma soluo particular de = (no caso em que a igualdade 1 +2 = 0
satisfeita). Os termos seguintes (correspondentes s variveis livres 4 e 6
nos fornecem todas as solues do sistema homogneo associado. Observe
que isso imediato, pois corresponde escolha 1 = = 6 = 0.

Exerccio 1.46 Considere o sistema


3 + 22 + 33 = 5
1
1 + 2 + 3 = 3

21 + 2 3 = 2.
() Resolva o sistema, levando sua matriz aumentada forma escalonada reduzida por linhas;
() Resolva o sistema homogneo associado;
() Sabendo que (1, 1, 1) soluo do sistema no homogneo, encontre todas as suas solues
aplicando o Teorema 1.45;
() Compare as solues encontradas em () e ().
Exerccio 1.47 Considere o sistema
3 + 22 + 33 = 8
1
1 + 2 + 3 = 3

21 + 2 3 = 2.
Sabendo que (1, 1, 1) uma de suas solues, ache todas as solues do sistema.
5
A notao ker vem do ingls: kernel quer dizer ncleo.
1.4. MATRIZES ELEMENTARES 19

1.4 Matrizes Elementares


Uma matriz elementar se puder ser obtida da matriz identidade
por meio da aplicao de uma operao elementar sobre linhas, conforme
denido na p. 10.
Exemplo 1.48 Consideremos as operaes elementares 1 1 1 /2,
2 1 1 e 3 2 2 + 1 . Se aplicarmos essas operaes matriz
identidade 2 2 obtemos matrizes elementares:
1 0
= ,
(0 1)
obtemos, respectivamente, as matrizes
1 0 0 1
1 = 1 () = 2 , 2 = 2 () = ,
( 0 1) (1 0)
e
1 0
3 = 3 () = .
(1 1)

Exerccio 1.49 Considere a matriz


2 4 6
=
(2 3 3)
e as operaes elementares 1 , 2 e 3 denidas no Exemplo 1.48. Obtenha as matrizes 1 (), 2 ()
e 3 (), resultantes da aplicao dessas operaes elementares sobre a matriz . Em seguida, sendo
1 , 2 e 3 as matrizes obtidas naquele exemplo, verique que os produtos 1 , 2 e 3 so
iguais, respectivamente, s matrizes 1 (), 2 () e 3 ().
Exerccio 1.50 Mostre que toda matriz elementar possui inversa. Em seguida, mostre que a inversa
de uma matriz elementar uma matriz elementar.
O prximo resultado mostra que o que aconteceu no Exerccio 1.49 um
fato geral: a aplicao de uma operao elementar sobre as linhas da matriz
equivalente multiplicao dessa matriz por uma matriz elementar.
Proposio 1.51 Sejam uma operao elementar sobre as linhas da ma-
triz e a matriz elementar (), sendo a matriz identidade
. Ento () = .
Demonstrao: A demonstrao deve ser feita para todos os tipos de ope-
rao elementar. Consideraremos apenas a aplicao de uma operao ele-
mentar (): a linha ser substituda pela soma da linha com vezes a
linha . Como a matriz , obtemos a matriz elementar que nos
interessa ao aplicar essa operao matriz identidade :

1 0 0

= 0 1 0 linha


0 0 1

coluna
20 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

Ento

1 0 0 11 12 1

= 0 1 0 1 2


0 0 1 1 2
11 12 1


= 1 + 1 2 + 2 + ,


1 2

que igual (). 

Lema 1.52 Se a matriz for invertvel, ento o sistema =


possui soluo nica = 1 . Em particular, o sistema = s possui
a soluo trivial = .

Demonstrao: Basta multiplicar a igualdade = por 1 . 

O Lema 1.52 nos mostra como importante saber se uma matriz inver-
tvel. Os prximos resultados simplicam a vericao de que uma matriz
a inversa da outra e nos ensinam como obter a inversa de uma matriz in-
vertvel.

Lema 1.53 Suponhamos que , sejam matrizes invertveis. En-


to invertvel e ()1 = 1 1 .

Demonstrao: Basta notar que ()( 1 1 ) = = ( 1 1 )(). 

A demonstrao simples do lema anterior no deixa transparecer como


se encontrou a expresso para ()1 . Mas, supondo invertvel, te-
mos ()()1 = . Multiplicando essa expresso por 1 pelo lado
esquerdo, obtemos ()1 = 1 . Multiplicando ento por 1 pela
esquerda, chegamos ao resultado.

Proposio 1.54 Seja . So equivalentes as seguintes arma-


es:

() a matriz invertvel;
() a matriz equivalente por linhas matriz identidade ;

() um produto de matrizes elementares.

Demonstrao: Suponhamos que seja invertvel e seja a forma esca-


lonada reduzida por linhas de . Considere uma sequncia de operaes
elementares tal que
1 1 = .
1.4. MATRIZES ELEMENTARES 21

Pela Proposio 1.51 temos que

1 1 =

para matrizes elementares . Como cada matriz elementar possui in-


versa (de acordo com o Exerccio 1.50), decorre do Lema 1.53 que o lado
esquerdo dessa igualdade possui inversa. Como uma matriz quadrada,
se tivssemos , ento teria uma linha nula e no possuiria in-
versa. Assim, = e () implica (). Se () for vlido, temos que
1 1 = e, portanto, = 1 1 1
11 . Assim, um
produto de matrizes elementares, pelo Exerccio 1.50. Isso mostra que ()
implica (). Como cada matriz elementar possui inversa e o produto de
matrizes invertveis invertvel, temos que () implica (). 

Exerccio 1.55 Justique as armaes feitas na demonstrao anterior:


() se , ento possui uma linha nula;
() uma matriz que possui uma linha nula no possui inversa.
O prximo resultado bastante til: para vericar que uma matriz
a inversa de no precisamos vericar que = e = ; basta uma
dessas igualdades.
Proposio 1.56 Sejam , . Se = , ento = 1 .
Demonstrao: Suponhamos que no seja invertvel e considere matri-
zes elementares que levam sua forma escalonada reduzida por linhas:
ento 1 1 possui uma linha nula, de acordo com o Exerccio
1.55. Como 1 1 = 1 1 , temos uma contradio,
pois o lado esquerdo da igualdade possui uma linha nula (verique!), en-
quanto o lado direito invertvel. Assim, possui inversa. Isso implica
que = 1 e 1 = . 

Exerccio 1.57 Sejam , . Mostre que, se = , ento = 1 .

Corolrio 1.58 (Clculo da Inversa) Seja . Monte a matriz


= (| ), em que a matriz identidade . Aplique as mesmas
operaes elementares sobre linha matriz e matriz , de forma a ob-
ter a matriz = (, ), em que a forma escalonada reduzida por
linhas de . Se = , ento = 1 . Se , no possui inversa.

Demonstrao: Se = , como 1 1 = , temos que = ,


para = 1 1 = 1 1 . Pela Proposio 1.56, temos
= 1 . 

Exemplo 1.59 Para obter a inversa da matriz

1 1 1 0
2 1 4 0
= ,
2 3 5 0

0 0 0 1
22 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

consideramos (| ), em que a matriz identidade 44 e levamos a matriz


sua forma escalonada reduzida por linhas:

1 1 1 0 | 1 0 0 0 1 1 1 0 | 1 0 0 0
2 1 4 0 | 0 1 0 0 0 1 2 0 | 2 1 0 0
2 3 5 0 0 1 0 1 0

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

1 0 3 0 | 1 1 0 0 1 0 3 0 | 1 1 0 0
0 1 2 0 | 2 1 0 0 0 1 2 0 | 2 1 0 0
0 1 0
0 5 0 | 4 1 1 0 0 0 1 0 | 4 1
5 5 5
0 0 0 1 | 0 0 0 1 0 0 0 1 | 0 0 0 1

7 2 53
1 0 0 0 | 5 5
0

0 1 0 0 2 35 2 0
| 5 5
0 0 1 0 54 1 1 0
| 5 5
0 0 0 1 0 0 0 1
|

A matriz do lado direito a inversa da matriz .

1.5 Exerccios
1. Considere as matrizes
1 5 7 11
= e = .
(2 4 6) ( 8 10 12)

Calcule as matrizes e 3 + 5.
2. Obtenha os valores de , , e tais que

3 2 2 + 3
= + .
( ) ( 2 2) ( 2 + 1)

3. Calcule as transpostas das matrizes

1 2 1 2
= e = 1 3 4 .
(2 3 )
2 4

4. Calcule, se possvel, os produtos

1 2 3
2 1 0 5
(1 3 5) 2 e 1 3 5 7 .
(1 5)
1 4 8 2 6

5. Sejam 1 , 2 , 3 matrizes invertveis. Mostre que

(1 2 3 )1 = 1 1 1
3 2 1 .

Conclua que o produto de matrizes invertveis uma matriz invertvel.


6. Seja e 0 a matrix com todas as entradas iguais a zero. Verique que 0 = 0.
1.5. EXERCCIOS 23

7. Considere nmeros 1 , , . Expandindo os dois lados da igualdade, verique que



= .

=1 =1

8. Mostre que

( + ) = + ,

=1 =1 =1

em que , para {1, , }.


9. Seja arbitrrio e 1 , . Mostre que

= .

=1 =1

10. Considere nmeros , com {1, , } e {1, , }. Verique que


= .

=1 =1 =1 =1

11. Considere o sistema de equaes

1 + 52 + 71 3 = 2
{ 21 2 + 3 = 0

Esse sistema linear?


12. Nos seguintes sistemas, determine pivs, variveis livres e termos independentes.
1 + 42 53 + 24 5 = 7
(a)
{ 3 4 + 5 = 2;
1 2 = 3
(b) .
{ 2 = 0.
13. Utilizando o mtodo de Gauss-Jordan, resolva o sistema

+ 22 33 24 + 45 = 1
1
2
1 +5 2 8 3 4 + 6 5 = 4

1 + 4 2 7 3 + 5 4 + 25 = 8

Escreva suas solues, se existirem, na forma utilizada no Exemplo 1.33.


14. Encontre condies sobre o termo independente de modo que o sistema = tenha
soluo, se sua matriz aumentada for

1 2 5 | 1
4 5 8 | .
| 2
3 3 3 | 3

Satisfeita essa condio, escreva as solues do sistema utilizando a forma utilizada no Exem-
plo 1.33.
24 CAPTULO 1. MATRIZES E SISTEMAS LINEARES

15. Determine os valores de de modo que o sistema

+ = 1

2 + 3 + = 3

+ + 3 = 2
possua:
(a) soluo nica;
(b) innitas solues;
(c) nenhuma soluo.
Determine, quando existirem, as solues deste sistema.
16. Dizemos que a matriz equivalente por linhas matriz se existirem operaes elementa-
res sobre linhas 1 , 2 , , de modo que 2 1 () = . Mostre que essa uma relao
de equivalncia, isto , que as seguintes propriedades so satisfeitas:
(a) a matriz equivalente por linhas matriz (reexividade);
(b) se a matriz for equivalente por linhas matriz , ento equivalente por linhas
matriz (simetria);
(c) se a matriz for equivalente por linhas matriz e a matriz for equivalente por linhas
matriz , ento equivalente por linhas matriz .
17. Sejam 0 e 1 solues do sistema homogneo = . Mostre que, para qualquer ,
= 0 + 1 tambm soluo desse sistema.
18. Considere a matriz
1 2 5 1
= 4 5 8 1 .

3 3 3 2
Seja sua forma escalonada reduzida por linhas. Encontre matrizes elementares 1 , ,
de modo que
2 1 = .

19. Calcule a inversa da matriz


1 0 2
2 1 3 .

4 1 8
Captulo 2

Base e Dimenso

Objetivos: No nal do Captulo o aluno dever:

1. entender a denio de espao subespao do ;

2. saber vericar se um conjunto gera um subespao do ;

3. saber vericar se um conjunto linearmente independente;

4. conceituar base e dimenso de um subespao do .

2.1 O espao
Fixe = {1, 2, }. Denimos o conjunto por

= { = (1 , 2 , , ) } .

Nesse conjunto, denimos duas operaes: para = (1 , , ) ,


= (1 , , ) e , denimos:

+ = (1 + 1 , , + ) (2.1)
= (1 , , ). (2.2)

Com essas operaes, o conjunto chamado espao vetorial e seus ele-


mentos so chamados de vetores ou pontos. Por outro lado, nmeros reais
so chamados escalares.
Em geral, denotaremos escalares por letras minsculas, gregas ou lati-
nas (, , , etc) e vetores por letras latinas minsculas em negrito (,
, , , etc). Dado = (1 , , ) , os escalares so as coorde-
nadas de . O nmero de coordenadas do ponto depender do problema
considerado; mas ele pode ser associado ao nmero de incgnitas em um
sistema linear, veja o Exemplo 2.4. Os casos = 1, = 2 e = 3 corres-
pondem a pontos da reta real, do plano e do espao, respectivamente. Ao
mostrarmos que algum resultado vlido para o (com xo, mas arbi-
trrio), esse resultado ser verdadeiro para qualquer valor de {1, 2, }.
A denominao de vetor para os elementos do tem por base o se-
guinte resultado, que resulta imediatamente da maneira que as operaes
no foram denidas.

25
26 CAPTULO 2. BASE E DIMENSO

Teorema 2.1 Para quaisquer , , e , , as seguintes propri-


edades so satisfeitas

() + (fechamento);

() ( + ) + = + ( + ) (associatividade);

() + = + (comutatividade);

() existe tal que + = (elemento neutro);

() existe () tal que + () = (inverso aditivo);

() (fechamento);

() () = () (associatividade);

() ( + ) = + (distributividade);

() ( + ) = + (distributividade);

() 1 = (regra da unidade).

A vericao de que todas essas propriedades so vlidas no espao


muito simples e ser deixada como exerccio. claro que = (0, , 0).
Assim, as propriedades () e () parecem bvias e, portanto, supruas;
isso verdade no caso do espao , mas no em um contexto mais geral,
como veremos na Seo 2.2 (cuja leitura facultativa).

Exemplo 2.2 Armamos que vale

0 = , para todo . (2.3)

A vericao de (2.3) decorre imediatamente da denio de multipli-


cao de um vetor por um escalar: se = (1 , 2 , , ) , ento

0 = 0(1 , 2 , ) = (01 , 02 , , 0 ) = (0, 0, , 0) = .



Sinteticamente, dizemos que possui uma adio (de vetores) e uma
multiplicao (de vetor) por escalar. Utilizaremos corriqueiramente a iden-
ticao
1

(1 , , ) 2 , (2.4)



que permite interpretar um ponto do como uma matriz coluna e que faz
corresponder as operaes denidas no s operaes de soma de matri-
zes coluna e multiplicao de matriz coluna por escalar.1 Mais geralmente,
muitas vezes identicaremos pontos do com colunas de uma matriz!
1
Essa identicao ser justicada no Captulo 4.
2.2. ESPAOS VETORIAIS 27

Observao 2.3 Note que a identicao (2.4) est de acordo com a nota-
o utilizada no Captulo 1: em um sistema linear = , tanto como
esto sendo interpretados como vetores.

Exemplo 2.4 Considere o sistema de 3 equaes e 4 incgnitas

3 + 2 + 3 + = 8
+ + = 3
2 + + 3 = 2.

Esse sistema pode ser escrito utilizando matrizes:


3 2 3 1 8
1 1
1 1 = 3 ,

2 1 1 3 2

Nessa forma matricial, as incgnitas , , e so dadas por uma matriz


coluna, que pode ser identicada com um vetor do 4 . Assim, procurar
as solues do sistema dado o mesmo que encontrar quais pontos do 4
satisfazem a equao matricial.
O mesmo acontece com um sistema com incgnitas: essas incgnitas
podem ser identicadas com as coordenadas do vetor = (1 , , ) .
Este exemplo, generalizado para um sistema linear qualquer com in-
cgnitas, nos mostra que sempre podemos interpretar o como o conjunto
das incgnitas desse sistema. Como existem sistemas com nmeros de in-
cgnitas arbitrariamente grande, melhor no xar um valor mximo para
e estudarmos com xo, mas arbitrrio.

Exerccio 2.5 Encontre todas as solues do Exemplo 2.4. Interprete geometricamente sua res-
posta.

2.2 Espaos Vetoriais


(Os resultados dessa seo so mais avanados e sua leitura , inicial-
mente, facultativa.)
Com base nas propriedades satisfeitas pelo (Teorema 2.1), podemos
denir abstratamente um espao vetorial.

Denio 2.6 Um espao vetorial real um conjunto cujos elementos


(chamados vetores) podem ser somados e multiplicados por escalares, isto
, nmeros reais.2 Para quaisquer , , e , , as seguintes
propriedades devem ser satisfeitas pela adio e multiplicao por escalar:

() + (fechamento);

() ( + ) + = + ( + ) (associatividade);

() + = + (comutatividade);
2
Tambm podemos denir espaos vetoriais complexos, em que os escalares so nmeros
complexos ou, mais geralmente, tomar os escalares em um corpo qualquer.
28 CAPTULO 2. BASE E DIMENSO

() existe tal que + = (elemento neutro);


() para cada , existe () tal que + () = (inverso
aditivo);
() (fechamento);
() () = () (associatividade);
() ( + ) = + (distributividade);
() ( + ) = + (distributividade);
() 1 = (regra da unidade).
Note que essa denio apenas relaciona propriedades das operaes
denidas: nem mesmo o conjunto conhecido. Assim, em particular,
um vetor em no possui coordenadas semelhantes s de um vetor no
. Veja o Exemplo 2.14.
Exemplo 2.7 Seja = {0 +1 ++1 1 } o conjunto de polinmios
em com coecientes reais e grau menor do que ou igual a 1, em que
= {1, 2, } est xo. (Estamos considerando que o polinmio
identicamente nulo tem grau , de modo que ele faz parte desse conjunto.)
Por exemplo, se = 3, ento 3 o conjunto de todos os polinmios cujo
grau menor do que ou igual a 2: se 3 , ento = 0 + 1 + 2 2 para
certos escalares 0 , 1 , 2 .
Com a adio usual de polinmios e a multiplicao de polinmio por
um nmero real, um espao vetorial real.

Exemplo 2.8 Seja o conjunto de todas as matrizes com entradas


reais. Com a adio de matrizes e multiplicao de uma matriz por um
escalar usuais, um espao vetorial real.

Exerccio 2.9 Verique as armaes do Exerccios 2.7 e 2.8. Os mesmos resultados so vli-
dos se substituirmos, nesses exemplos, os escalares (quer dizer, respectivamente, coecientes dos
polinmios e entradas das matrizes) por nmeros complexos?

De certa forma, os Exemplos 2.7 e 2.8 so semelhantes ao . No


Exemplo 2.7, conhecendo todos os coecientes de um polinmio em
temos este polinmio; assim, podemos identicar cada polinmio com um
ponto do :
0 + 1 + 2 2 + + 1 1 (0 , 1 , , 1 ) .
Como a adio de polinmios feita adicionando os coecientes correspon-
dentes s mesmas potncias, essa identicao coerente com as operaes
de soma em e . Da mesma forma para a multiplicao por escalar.
O mesmo procedimento pode ser usado no Exemplo 2.8:

11 12 1
21 22 2
(11 , , 1 , , 1 , , ) .

1 2
2.2. ESPAOS VETORIAIS 29

Note que, tambm nesse caso, as operaes de soma e multiplicao por


escalar em correspondem s operaes em .

Exerccio 2.10 Seja o conjunto de todos os polinmios na varivel com coecientes reais.
(Esse conjunto possui polinmios de qualquer grau, enquanto possui apenas os polinmios de
grau menor do que , para xo.) Considere, nesse conjunto, as operaes usuais de adio
de polinmios e multiplicao de um polinmio por um escalar real. Verique que um espao
vetorial real.
Exerccio 2.11 Considere o conjunto

= {(1 , , , ) , }.

Verique que um espao vetorial real com a adio de vetores e multiplicao por escalar
denidas analogamente s operaes no . O espao pode ser identicado com o conjunto
das sequncias de nmeros reais.
Exerccio 2.12 Seja o espao de todos os polinmios na varivel . (Veja o Exerccio 2.10.)
Continua vlida a armao que, conhecendo todos os coecientes de um polinmio, ento conhe-
cemos o polinmio? Podemos identicar vetores em com vetores em ?

Observao 2.13 No contexto abstrato de espao vetorial, mais fcil en-


tender o signicado da propriedade () na Denio 2.6. Consideremos
= 2 , com as seguintes operaes: a adio de vetores usual

(1 , 2 ) + (1 , 2 ) = (1 + 1 , 2 + 2 )

e a multiplicao por escalar denida por

(1 , 2 ) = (0, 0),

para todo (1 , 2 ) 2 . (Voc pode achar estranha essa denio, mas


certamente ela dene uma multiplicao de vetor por escalar com a propri-
edade que para todos 2 e )
Verique ento que, com exceo da propriedade (), todas as outras
propriedades da Denio 2.6 so satisfeitas. Quer dizer, a propriedade ()
indispensvel se queremos ter uma multiplicao por escalar que evite
o que aconteceu neste caso: todos os escalares atuam da mesma maneira
sobre o conjunto. (Um anlogo a isso seria denir, no conjunto dos nmeros
complexos = + a multiplicao 1 2 = (1 + 1 )(2 + 2 ) = 1 2 ,
que reduz-se multiplicao usual de nmeros reais.)

No Exerccio 3, no nal do captulo, apresentamos um espao vetorial


real no qual foge completamente de nossa intuio sobre esse
vetor.
Ao denirmos abstratamente a noo de espao vetorial, obtemos con-
juntos que satisfazem todas as propriedades da Denio 2.6, mas que no se
assemelham ao . Por exemplo, consideremos o conjunto = {} .
Utilizando a adio e a multiplicao por escalar denidas em , verica-
mos que esse um espao vetorial. Note que, para todo e todo vetor
, ento
= ,
30 CAPTULO 2. BASE E DIMENSO

o que est relacionado com a Observao 2.13. Mas esse caso no assusta,
pois se , ento = ! Mas o prximo exemplo j difere completa-
mente de nossa intuio do :
Exemplo 2.14 Seja um conjunto qualquer. (Se voc quiser, pense
que = .) Considere ento o conjunto de todas as funes
= { },
no qual denimos as operaes de adio e multiplicao por escalar:
+ dada por ( + )() = () + ()
e
dada por () = ().
(Note que uma funo ca denida quando so dadas seu domnio, contra-
domnio e a regra que a dene em cada ponto de seu domnio. Assim,
+ e esto denidas e pertencem ao conjunto .)
Com essas operaes, um espao vetorial. Note que, se tomarmos
= , no existe maneira de falar em coordenadas de um vetor !

Exerccio 2.15 Tome = {1, 2, 3} e , denidas por () = 3 + 5 e () = 7/, para


. Obtenha + e 5.
Exerccio 2.16 Mostre que o conjunto do Exemplo 2.14 um espao vetorial.
Os prximos trs exerccios so mais difceis.
Exerccio 2.17 Considere, no Exemplo 2.14, que = {1, , }. possvel identicar com o
espao ? Como?
Exerccio 2.18 Considere, no Exemplo 2.14, que = = {1, 2, , , }. possvel identicar
com o espao ? Como?
Exerccio 2.19 Considere, no Exemplo 2.14, que = . possvel identicar e ?
Exemplo 2.20 Seja um espao vetorial real qualquer. Consideremos o
escalar 0 e um vetor qualquer . Ento continua vlido o resultado
0 = , (2.5)
que foi provado para = .
Para vericarmos a igualdade (2.5) podemos utilizar apenas as proprie-
dades descritas na Denio 2.6. Assim,
0 = (0 + 0) = 0 + 0, (2.6)
pois vale a igualdade de nmeros reais 0 = 0 + 0 e ento utilizamos a pro-
priedade () na ltima igualdade. Como 0 um vetor, a propriedade ()
garante a existncia do vetor 0, que somamos aos dois lados da igualdade
(2.6) e ento aplicamos a propriedade ():
0 + (0) = (0 + 0) + (0)
= 0 + [0 + (0)],
isto ,
= 0 + = 0,
como queramos mostrar.
2.3. SUBESPAOS 31

Exerccio 2.21 Compare os Exemplos 2.2 e 2.20. O que justica a diferena de tratamento entre
esses exemplos?
Qual o objetivo de estudarmos espaos vetoriais? A resposta que,
ao trabalharmos abstratamente com espaos vetoriais e obtermos resultados
baseados na Denio 2.6 e suas consequncias (tal qual zemos no Exem-
plo 2.20), estamos ganhando conhecimento vlido para qualquer exemplo
especco de espao vetorial, o que inclui o e aqueles dados nos Exem-
plos 2.7, 2.8 e 2.14.
Neste texto no daremos nfase a espaos vetoriais abstratos. Mas mui-
tos resultados que apresentaremos neste curso permanecero vlidos nesse
contexto mais geral.
2.3 Subespaos
Nosso objetivo denir subconjuntos do que se comportem de ma-
neira semelhante quela de retas e planos no 3 , ambos passando pela ori-
gem: vemos que, restringindo-nos a elementos desses subconjuntos, a adi-
o de dois vetores quaisquer e a multiplicao de um vetor por um escalar
permanecem nesses subconjuntos.

Exerccio 2.22 Considere os planos 1 + + = 0 e 2 + + = 1, ambos no espao


3 . Verique que os vetores 1 = (1, 0, 1) e 1 = (1, 1, 0) pertencem ao plano 1 , enquanto os
vetores 2 = (1, 0, 0) e 2 = (0, 1, 0) pertencem a 2 . Verique ento que 1 + 1 pertence a 1 ,
enquanto 2 + 2 no pertence a 2 . Mostre tambm que 1 1 para todo , enquanto
2 2 , para todo 1 .
Assim, de acordo com o nosso objetivo, 2 no se comporta da maneira
que queremos. (Note que 2 no um plano passando pela origem.)

Denio 2.23 Seja um subconjunto no vazio do . Dizemos que


um subespao do se, para quaisquer , e, para qualquer
, temos
(1) + ;

(2) .
Uma vez que 0 = para qualquer , vemos que um
elemento de qualquer subespao do . Veja o Exerccio 2.22: observe que
= (0, 0, 0) 1 , enquanto 2 . (Desse modo, temos uma vericao
rpida que 2 no um subespao do 3 .)
A denio de subespao implica que, restringindo as operaes do
aos elementos do subespao , esse subconjunto , em si, um espao veto-
rial. De fato, se o subconjunto satiszer (1) e (2), todas as propriedades
da Denio 2.6 (ou do Teorema 2.1) so automaticamente satisfeitas em
, com exceo da propriedade (). De fato, as propriedades ( ) e
( ) so vlidas para todos os elementos do e, em particular, para os
elementos de ; as propriedades (1) e (2) do subespao asseguram a vali-
dade de () e (); como j vimos que 0 = , tambm () vale; nalmente,
() = (1) (veja o Exerccio 2 no nal do captulo), a propriedade (2)
implica na validade de ().
32 CAPTULO 2. BASE E DIMENSO

Exerccio 2.24 Seja um subespao. Mostre que, se existir tal que , ento
possui innitos elementos.

Exemplo 2.25 Considere o subconjunto = {} . Ento um


subespao de , pois + = e = , para todo .
Considere tambm o subconjunto = . Claramente um subespao
do . Os subespaos = {0} e = so chamados subespaos
triviais do .

Exemplo 2.26 Seja um vetor xo e = { }.


(No caso de = 2 ou = 3, sabemos que descreve uma reta passando
pela origem.) Ento um subespao de . De fato, se 1 , 2 ,
ento 1 = 1 e 2 = 2 , para certos escalares 1 , 2 . Logo, 1 + 2 =
1 + 2 = (1 + 2 ) um elemento de . Tambm, se , ento
1 = (1 ) = (1 ) . Isso mostra o armado. Como nos casos
= 2 e = 3, dizemos ento que descreve uma reta passando pela
origem no espao . Note que o vetor gera um sistema de coordenadas
em que os pontos da reta so descritos por um nico parmetro: o valor
de .
De agora em diante, usualmente identicaremos pontos do com ma-
trizes coluna 1. Ela j nos foi til ao tratarmos de sistemas lineares;
outra aplicao ser mostrada no Captulo 4.
Dois tipos de subespaos merecem especial ateno, pois eles nos per-
mitem uma vericao indireta de que certos subconjuntos do so su-
bespaos. Comeamos mostrando que o conjunto de solues de qualquer
sistema linear homogneo com equaes e incgnitas um subespao
do . Para isso, lembramos que tais sistemas podem ser escritos na forma
= , em que uma matriz e , esto sendo interpretados como
matrizes coluna.

Proposio 2.27 Seja uma matriz . O conjunto

ker = { = }

um subespao do , chamado ncleo de .

Demonstrao: Sejam , ker . Como sabemos, propriedades bsicas


da multiplicao de matrizes mostram que

( + ) = + = + = e () = = = ,

provando o armado. 

Exemplo 2.28 O subconjunto

= {1 + 22 53 + 44 75 = 0 , 1 5}

um subespao do 5 . De fato, denindo a matriz 1 5

= ( 1 2 5 4 7 ) ,
2.3. SUBESPAOS 33

temos que = (1 , 2 , 3 , 4 , 5 ) 5 pertence a se, e somente se,3


= .
(Note que, neste exemplo, o vetor foi tratado como um elemento do
e tambm como uma matriz 1, ao escrevermos . Essa ser uma
prtica usual daqui em diante.)

Exerccio 2.29 Aplicando diretamente a Denio 2.23, mostre que o conjunto do Exemplo
2.28 um subespao.
Exerccio 2.30 Se 0 , mostre que as solues do sistema = no formam um
subespao do . Compare com o plano 2 do Exerccio 2.22.

Um segundo tipo importante de subespao dado pela


Proposio 2.31 Sejam 1 , , vetores quaisquer no , sendo um n-
mero natural xo. Ento
= {1 1 + 2 2 + + , 1 }
um subespao do . O subespao chamado espao gerado por
= {1 , , } e usualmente denotado por < 1 , , > ou < >.
Demonstrao: Sejam , . Ento, pela denio de , existem
escalares 1 , , e 1 , , tais que
= 1 1 + + e = 1 1 + + .
Assim, temos
+ = (1 + 1 )1 + + ( + )
= (1 )1 + + ( ) ,
que tambm so elementos de . Isso prova o armado. 

Observe que 1 , , denotam vetores do e no as coordenadas de


um vetor .
Exemplo 2.32 Consideremos o conjunto
= {(3 + 2 + 7, + , + , ) , , }.
Escrevendo os elementos de como matrizes 4 1, temos

3 + 2 + 7 3 2 7
+ 1 1 1
+ = 1 + 1 + 0 ,

1 0 1
vemos que pode ser interpretado como o espao gerado pelos vetores

3 2 7
1 1 1
1 = , 2 = e 3 = .
1 1 0

1 0 1
3
Note que o produto s faz sentido se for uma matriz 5 1.
34 CAPTULO 2. BASE E DIMENSO

Note que qualquer ponto ca determinado (em termos dos vetores


1 , 2 e 3 ) se conhecermos os escalares , e . Ao denirmos base, ve-
remos que os vetores 1 , 2 e 3 geram um sistema de coordenadas (isto ,
uma base), de modo que pontos de sero descritos em termos das trs
coordenadas , e .

Exemplo 2.33 (Continuao do Exemplo 2.28) Podemos descrever o su-


bespao , do Exemplo 2.28, de maneira semelhante do Exemplo 2.32.
De fato, a denio de nos informa que

1 = 22 + 53 44 + 75 .

Assim, um vetor = (1 , 2 , 3 , 4 , 5 ) 5 pertence a se, e somente


se,

1 22 + 53 44 + 75

2 2
3 = 3

4 4
5 5
2 5 4 7
1 0
0 0

= 2 0 + 3 1 + 4 0 + 5 0 .


0 0 1 0
0 0 0 1

Mostramos assim que o espao gerado pelos vetores

2 5 4 7
1 0 0 0
0 , 1, 0 e 0

0 0 1 0
0 0 0 1

Observe que esse procedimento nada mais do que explicitar o ncleo


da matriz denida no Exemplo 2.28.

Exerccio 2.34 Aplicando diretamente a Denio 2.23, mostre que o conjunto do Exemplo
2.32 um subespao.
Exerccio 2.35 Sejam 1 = (1, 2, 1, 1), 2 = (2, 1, 1, 1), 3 = (1, 1, 1, 1), 4 = (0, 1, 0, 1) e 5 =
(0, 0, 1, 0) vetores do espao 4 . Descreva o espao < 1 , , 5 > de maneira semelhante
denio de no Exemplo 2.32.

Os exerccios anteriores deixam claro que existem diferentes maneiras


de mostrar que um subconjunto um subespao. Mas a utilizao
da Proposio 2.31 no Exemplo 2.32 vantajosa, pois toda a informao
sobre aquele subespao est sintetizada nos vetores 1 , 2 e 3 : conhe-
cendo esses vetores, o subespao est determinado.
2.3. SUBESPAOS 35

Denio 2.36 Um vetor combinao linear dos vetores 1 , , se


existirem escalares 1 , , tais que

1 1 + + = . (2.7)

Quer dizer, < 1 , , > o mesmo que ser combinao linear


dos vetores 1 , , . Veja a Figura 2.1










       

Figura 2.1: Se representarmos o subespao < 1 , , > como um


plano, ento < 1 , , >, enquanto < 1 , , >.

Assim, o que zemos no Exemplo 2.32 nada mais foi do que mostrar
que o espao dado como combinao linear dos vetores 1 , 2 e 3 l
denidos. Observao anloga vlida para o Exemplo 2.33.

Exemplo 2.37 O vetor = (3, 2, 1) 3 no combinao linear dos


vetores 1 = (1, 1, 1) e 2 = (1, 1, 0). De fato, consideremos a equao
vetorial
1 1 + 2 2 = .
O vetor combinao linear dos vetores 1 e 2 se, e somente se, essa
equao tiver soluo. Essa equao equivalente a

1 (1, 1, 1) + 2 (1, 1, 0) = (3, 2, 1),

que produz o sistema

1 + 2 = 3, 1 + 2 = 2, 1 = 1,

que no possui soluo.


interessante escrever o sistema obtido em forma matricial. Fazendo
isso, obtemos o sistema no homogneo

1 1 3
1 1 1 = 2 .
(2 )
1 0 1
Vericamos ento que os vetores 1 e 2 aparecem como colunas da
matriz
1 1
= 1 1 .

1 0
36 CAPTULO 2. BASE E DIMENSO

Exerccio 2.38 Considere os vetores 1 = (1, 2, 1, 1), 2 = (2, 1, 1, 1), 3 = (1, 1, 1, 1), 4 =
(0, 1, 0, 1) e 5 = (0, 0, 1, 0). O vetor (5, 2, 3, 1) combinao linear desses vetores ?
Exerccio 2.39 Sejam
1 = (2, 3, 1, 1), 2 = (2, 2, 2, 1), e 3 = (1, 0, 2, 1).
O vetor = (1, 1, 1, 1) pertence a < 1 , 2 , 3 >?

Denio 2.40 Seja um subespao. Dizemos que o conjunto =


{1 , , } gera o subespao se qualquer vetor for
combinao linear desses vetores.
Note que essa denio est completamente relacionada com a Propo-
sio 2.31.
Se o problema que estivermos considerando tratar do subespao , o
fato de gerar garante que esse conjunto tem todas as informaes rele-
vantes sobre , pois todos os vetores em podem ser descritos utilizando
apenas os elementos de .
Exemplo 2.41 Consideremos os vetores
1 = (1, 0, , 0), 2 = (0, 1, 0, , 0), , = (0, 0, , 0, 1) .
Ento esses vetores geram o , pois se = (1 , , ) , ento
= 1 (1, 0, , 0) + 2 (0, 1, 0, ) + + (0, , 0, )
= 1 1 + + .
De acordo com o Exemplo 2.28, se 1 , , forem escalares quaisquer,
ento
= { = (1 , , ) 1 1 + + = 0}
um subespao do . Mas, se 1 0, por exemplo, os vetores 1 , ,
no geram o subespao , pois 1 .
Exemplo 2.42 (Continuao do Exemplo 2.32) Podemos descrever o su-
bespao do Exemplo 2.32 utilizando matrizes. De fato,
= (1 , 2 , 3 , 4 ) 4
pertence a se, e somente se, existirem escalares , e tais que

3 2 7


1
1 1 1 2
1 = . (2.8)
1 0 3

1 0 1 4
Note que os vetores 1 , 2 e 3 , obtidos no Exemplo 2.32, geram o es-
pao e correspondem s colunas da matriz

3 2 7
1 1 1
= . (2.9)
1 1 0

1 0 1
Note tambm que (2.8) um sistema no homogneo.
2.3. SUBESPAOS 37

Generalizando o Exemplo 2.42, a vericao de que um vetor pertence


ao subespao = < 1 , 2 , , > resume-se a resolver o sistema no
homogneo
=
em que a matriz tem como colunas os vetores 1 , 2 , , .

Denio 2.43 Um conjunto = {1 , , } linearmente indepen-


dente se
1 1 + + = (2.10)
s tem a soluo trivial 1 = = = 0. Caso contrrio, dizemos que
linearmente dependente.

Substituindo as coordenadas dos vetores 1 , , , a equao (2.10) d


origem a um sistema homogneo. (Veja o Exemplo 2.44, abaixo.) Assim,
para vericar se os vetores 1 , , so linearmente independentes, forma-
mos a matriz = (1 ), que tem os vetores 1 , , como colunas,
e consideramos o sistema = . Se esse sistema tiver apenas a soluo
trivial = , ento {1 , , } linearmente independente; caso contrrio,
linearmente dependente.

Exemplo 2.44 Consideremos os vetores 1 = (1, 0, 0), 2 = (0, 1, 0) e =


(1, 1, 0). Queremos vericar se esses vetores so linearmente independentes
ou linearmente dependentes. Para isso, consideramos a igualdade vetorial

1 1 + 2 2 + 3 = , (2.11)

ou seja,
1 (1, 0, 0) + 2 (0, 1, 0) + 3 (1, 1, 0) = (0, 0, 0).
Essa ltima igualdade d origem ao sistema homogneo

1 0 1 1 0
0 1 1 2 = 0 .

0 0 0 3 0
(Repetimos: os vetores 1 , 2 e constituem as colunas da matriz 3 3.)
A soluo do sistema homogneo dada por

1 1
2 = 3 1 .

3 1
Como o sistema homogneo possui soluo no trivial, conclumos que
os vetores 1 , 2 e so linearmente dependentes.
Substituindo a soluo (1 , 2 , 3 ) = (1, 1, 1) em (2.11), obtemos

1 2 + = ,

ou, o que o mesmo,


= 1 + 2 . (2.12)
Essa equao garante que combinao linear dos vetores 1 e 2 . Ge-
ometricamente, isso signica que pertence ao plano gerado pelos vetores
38 CAPTULO 2. BASE E DIMENSO

6
2
6 

- -
1

Figura 2.2: O vetor combinao linear dos vetores 1 e 2 , pois per-


tence ao plano gerado por estes vetores. Todos os pontos do plano so
combinaes lineares dos vetores 1 e 2 .

1 e 2 . Quer dizer, se tivermos os vetores 1 e 2 , ento duas coordenadas


bastaro para descrever todos os pontos do plano gerado por esses vetores e
o vetor no necessrio, sendo uma informao suprua. Veja a Figura
2.2.
claro que, no Exemplo 2.44, tambm podemos escrever 1 (ou 2 )
como combinao linear dos vetores restantes. Nesse caso, 1 (ou, respec-
tivamente, 2 ) seria a informao suprua.

Exerccio 2.45 Verique se os vetores

1 = (1, 1, 1), 2 = (1, 1, 0) e 3 = (1, 0, 0)

so linearmente dependentes.

Observao 2.46 Dado um conjunto de vetores = {1 , 2 , , } e


um vetor , o sistema que verica se linearmente independente o
sistema homogneo associado quele que verica se combinao linear
dos vetores de .

Podemos formular abstratamente o que aconteceu no Exemplo 2.44.


Veja que, na Proposio 2.47, a equao (2.10) tratada sem considerar
as coordenadas dos vetores do conjunto !
Proposio 2.47 O conjunto = {1 , , } linearmente dependen-
te se, e somente se, algum desses vetores combinao linear dos vetores
restantes.
Demonstrao: Suponhamos que seja linearmente dependente. Ento
existem escalares 1 , , , nem todos nulos, tais que

1 1 + + = .

Para simplicar a notao, vamos supor que 1 0. Nesse caso, temos

1 1 = 2 2 , (2.13)

ou seja,
1 = 2 2 + + ,
2.3. SUBESPAOS 39

em que = /1 para = 2, , . Assim, 1 combinao linear dos


vetores {2 , , }.
Reciprocamente, se (por exemplo) 1 = 2 2 + + , ento

11 2 2 =

e ao menos um dos escalares (qual seja, o coeciente de 1 ) no nulo,


mostrando que esse conjunto linearmente dependente. 

Note que, se tivermos 1 1 + + = , podemos escrever qualquer


vetor relacionado a um coeciente 0 como combinao linear dos
vetores restantes: na demonstrao anterior, esse fato usado ao dividirmos
a equao (2.13) pelo escalar 1 0.
O signicado da Proposio 2.47 pode ser resumido em palavras: con-
sideremos o conjunto = {1 , , } e o espao < > . Se for
linearmente dependente, ento ele possui informao suprua, isto , pelo
menos um de seus elementos pode ser retirado de sem afetar o espao
< >. De acordo com a Proposio 2.47, podemos reformular essa frase:
se for linearmente independente, todos os vetores de so essenciais;
a retirada de um desses vetores altera o subespao < >.

Observao 2.48 Retirado um vetor supruo de um conjunto linearmente


dependente, no podemos garantir que o conjunto restante seja formado ape-
nas por vetores essenciais. Isto , pode ser que o conjunto restante ainda seja
linearmente dependente. Veremos, no Exemplo 2.65, um mtodo para re-
tirar de uma vez todos os vetores supruos de um conjunto linearmente
dependente. Compare, contudo, com a Observao 4.45.

Exerccio 2.49 Verique se o conjunto = {(1, 1, 2, 1), (1, 1, 1, 1), (2, 1, 1, 1), (2, 1, 2, 1)} line-
armente dependente ou linearmente independente. Se for linearmente dependente, escreva um dos
vetores como combinao linear dos vetores restantes.
Exerccio 2.50 Suponha que o vetor pertena ao espao < 1 , , >. Mostre que o conjunto
{, 1 , , } linearmente dependente.

Exemplo 2.51 Sejam 2 , , vetores quaisquer do . Ento o conjunto


{, 2 , , } linearmente dependente. Assim, qualquer conjunto que
contm o vetor nulo linearmente dependente.
De fato, temos que

1 + 2 2 + + =

possui a soluo no trivial 1 = 1, 2 = = = 0.

Exerccio 2.52 Suponha que o conjunto {1 , , } seja linearmente dependente. Mostre


que {1 , , , } linearmente dependente, qualquer que seja o vetor .
40 CAPTULO 2. BASE E DIMENSO

Observao 2.53 Se = {1 , , } for linearmente independente e se


< >, ento {1 , , , } linearmente independente. Esse resul-
tado consequncia da Proposio 2.47 (justique!), mas vamos repetir sua
demonstrao: suponhamos que

1 1 + + + = . (2.14)

Ento = 0 pois, caso contrrio, seria combinao linear dos vetores


1 , , . Mas ento temos

1 1 + + =

e, como esses vetores so linearmente independentes, = 0 para


{1, , }. Assim, todos os escalares em (2.14) so nulos, mostrando nossa
armao.
Suponhamos agora apenas que < >. Com a linguagem pictrica
introduzida anteriormente, isso quer dizer que o vetor traz uma informao
que no est contida no subespao < >.
Mas no podemos garantir que o conjunto {1 , , , } seja
linearmente independente, pois no sabemos se seu subconjunto line-
armente independente, conforme o Exerccio 2.52.

Exerccio 2.54 Seja um vetor do . Mostre que o conjunto {} linearmente independente.


Exerccio 2.55 Mostre que < 1 , , 1 >, se = {1 , 2 , , } for linearmente inde-
pendente.

2.4 Bases
Dado um subespao e vetores 1 , , , esto denidos dois
conceitos fundamentais: se = {1 , , } gerar , todas as informa-
es essenciais sobre o subespao esto contidas no conjunto ; por
outro lado, se for linearmente independente, ento no existe informa-
o suprua nesse conjunto. Assim, um conjunto que satisfaz essas
duas condies especial...

Denio 2.56 Uma base = {1 , , } de um subespao do


um conjunto ordenado de vetores de que gera esse subespao e linear-
mente independente.

Por conjunto ordenado queremos dizer que a ordem dos elementos


importante. Quer dizer, os conjuntos ordenados

{, , }, {, , } e {, , }

so distintos! Posteriormente explicaremos a razo de denirmos uma base


como um conjunto ordenado. (Veja a Observao 2.82.)

Observao 2.57 A denio de base como um conjunto ordenado no


necessria, mas adequada aos nossos propsitos de considerar apenas
espaos de dimenso nita. Veja a Observao 2.82.
2.4. BASES 41

Assim, para vericar que um conjunto uma base do subespao ,


precisamos vericar trs armaes independentes:

() os elementos de pertencem a ;

() todo elemento de combinao linear dos elementos de (isto


, gera );

() o conjunto linearmente independente.

Apesar das condies () e () serem independentes, elas esto relaci-


onadas: sendo um vetor genrico de , para veric-las basta montar a
matriz que tem as coordenadas dos vetores 1 , , como colunas

= (1 2 )

colunas
e resolver o sistema
= .
Se esse sistema tiver soluo para todo , ento = {1 , , }
gera ; se o sistema homogneo associado tiver apenas a soluo trivial
= , ento linearmente independente.

Exemplo 2.58 Os vetores 1 , 2 , , do Exemplo 2.41 formam


uma base do espao . De fato, j vimos naquele exemplo que eles ge-
ram o . Alm disso,

= 1 1 + +
= (1 , 0, , 0) + (0, 2 , 0, , 0) + + (0, , 0, )
= (1 , , ),

o que implica que 1 = = = 0.


A base = {1 , , } chamada base cannica do .

Exerccio 2.59 Verique se {1 , 2 , 3 } uma base do 3 , sendo

1 = (1, 3, 3), 2 = (2, 1, 1) e 3 = (1, 1, 1).

Exerccio 2.60 Mostre que o conjunto {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)} uma base
do espao 4 .

Exemplo 2.61 Se , o conjunto {} uma base do subespao

= { }

do Exemplo 2.26. De fato, = 1 e {} linearmente independente,


de acordo com o Exerccio 2.54. Alm disso, se 1 for um elemento de ,
ento 1 = para algum , de modo que {} gera . (Dizemos que
os vetores 1 e so colineares, pois ambos esto na mesma reta.)
42 CAPTULO 2. BASE E DIMENSO

A base cannica introduz no um sistema de coordenadas semelhante


ao sistema com eixos , e do 3 . Assim, a base cannica produz um
sistema de coordenadas completamente natural: se = (1 , 2 , , ),
ento
= 1 1 + + .
Para que estudar outras bases no ? A resposta simples: a base
cannica produz um sistema de coordenadas que pode no ser o mais ade-
quado ao problema que estamos tratando. Com um sistema de eixos mais
adequado, o nosso problema pode se tornar bem mais simples. (Veremos
exemplos dessa situao com o decorrer do curso.)
Alm disso, muitas vezes estamos interessados em um subespao parti-
cular do , subespao esse que pode funcionar como um plano ou uma reta,
por exemplo. Pode acontecer que nenhum dos vetores da base cannica per-
tena a esse subespao. Alm disso, os pontos desse subespao podem ser
caracterizados por um nmero menor de coordenadas do que as coorde-
nadas utilizadas para determinar um ponto do . Voltemos aos Exemplos
2.26 e 2.61 para ilustrar essa armao: ao invs de precisarmos conhecer
as coordenadas de cada vetor , basta conhecermos o vetor e o
valor do parmetro , pois se , ento = para algum .

Exemplo 2.62 Seja = {1 , , } um conjunto linearmente indepen-


dente de vetores do . Ento o subespao < > (de todas as com-
binaes lineares de elementos em ) tem como base. De fato, notamos
inicialmente que, para todo {1, , } vale

= 01 + + 01 + 1 + 0+1 + + 0 ,

de modo que os vetores de esto em < >. Por denio, todo elemento
de < > uma combinao linear de elementos de , de modo que esse
conjunto gera < >; como, por hiptese, linearmente independente,
nossa prova est completa.

Exerccio 2.63 Se os vetores , no forem colineares, mostre que {, } uma base do


subespao < , >.

Proposio 2.64 Suponha que o conjunto = {1 , , } gere o


subespao {}. Ento um subconjunto de {1 , , } uma base de
.

Demonstrao: Podemos supor que todos os vetores no sejam


nulos, pois {} e vetores nulos podem ser retirados de sem afe-
tar o fato de gerar . Se for linearmente independente, temos uma
base de . Caso contrrio, um dos vetores desse conjunto combinao
linear dos vetores restantes. Retirando esse vetor, o conjunto restante conti-
nua gerando . Continuamos retirando vetores que so combinao linear
dos elementos restantes at obter um conjunto linearmente independente
que continua gerando . Este conjunto linearmente independente sempre
existe, pois um conjunto composto por um nico vetor no nulo sempre
linearmente independente. 
2.4. BASES 43

A demonstrao da Proposio 2.64 mostra como obter uma base a par-


tir de um conjunto que gera um subespao. Contudo, esse processo muito
trabalhoso: em cada etapa, precisamos vericar se o conjunto de vetores
linearmente independente; caso contrrio, obter ento um vetor como com-
binao linear dos vetores restantes, retirar esse vetor do conjunto e nova-
mente vericar se o conjunto restante linearmente independente, repetindo
o processo, se necessrio. Em cada etapa, retiramos apenas um vetor supr-
uo. Gostaramos, entretanto, de retirar de uma nica vez todos os vetores
supruos. Mostraremos agora como faz-lo.

Exemplo 2.65 Consideremos os vetores 1 = (1, 1, 1, 1), 2 = (1, 2, 3, 2),


3 = (2, 5, 6, 4) e 4 = (2, 6, 8, 4). Queremos achar uma base para o subes-
pao do 4 gerado por esses vetores.
Para isso, vamos formar a matriz que tem esses vetores como linhas e a
escalonamos:

1 1 1 1 1 1 1 1
1 2 3 2 0 1 2 1
= = .
2 5 6 4 0 0 2 1

2 6 8 4 0 0 0 0

Notamos ento que cada operao elementar sobre as linhas de uma ma-
triz produz uma nova linha que combinao linear das linhas envolvidas
nessa operao elementar. Ou seja, operaes elementares sobre as linhas
de uma matriz no alteram seu espao linha. Portanto, vemos que o espao
gerado pelos vetores 1 , 2 , 3 e 4 tem dimenso 3 e gerado pelos vetores
(1, 1, 1, 1), (0, 1, 2, 1) e (0, 0, 2, 1).

No Exemplo 2.65, se zermos corresponder a primeira linha de pri-


meira linha de e assim sucessivamente, podemos concluir que {1 , 2 , 3 }
uma base do espao gerado por {1 , 2 , 3 , 4 }. (Uma maneira simples
de vericar isso considerar a matriz formada apenas por essas linhas e ve-
ricar que seu escalonamento produz as linhas no nulas de . Mas nem
sempre uma concluso como essa imediata:

Exerccio 2.66 Considere os vetores (1, 1, 0), (0, 0, 1), (0, 0, 2) e (0, 1, 0). Escalone a matriz que
tem os vetores dados como linha. Obtenha uma base para o subespao gerado pelos vetores dados.
As linhas de correspondentes aos vetores no nulos de sua forma escalonada formam uma base
desse subespao?
Assim, o mtodo utilizado no Exemplo 2.65 certamente produz uma
base partir de um conjunto que gera um subespao, mas tem um inconve-
niente: os vetores da base obtida no esto todos no conjunto gerador origi-
nal. No Exemplo 2.65, apenas o primeiro vetor da base obtida faz parte do
conjunto original. Mostraremos posteriormente um mtodo alternativo que
reduz um conjunto gerador a uma base sem alterar os vetores envolvidos.
Note que a a Proposio 2.64 garante que qualquer subespao gerado
por um nmero nito de vetores em possui base, mas no garante que
qualquer subespao do possui base: precisamos obter um conjunto
gerador com elementos pertencentes a ! Faremos isso na prxima seo.
44 CAPTULO 2. BASE E DIMENSO

Proposio 2.67 Se = {1 , , } for a base de um subespao ,


ento cada vetor escrito de maneira nica como combinao linear
dos elementos de

Demonstrao: Seja tal que

1 1 + 2 2 + + = = 1 1 + 2 2 + + .

Queremos mostrar que = para {1, , }. Ora, da igualdade


anterior deduzimos que

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

Como linearmente independente, devemos ter = 0 para todo


{1, , }, o que prova nosso resultado. 

Denio 2.68 Seja = {1 , , } uma base do subespao .


Se e = 1 1 + + }, os escalares 1 , , so chamados
coordenadas de na base .

Veja tambm o Exerccio 22, no nal do captulo.

2.5 Dimenso
Agora passamos a considerar o conceito de dimenso de um subespao;
esse conceito pode ser utilizado para caracterizar todos os subespaos do
.

Exemplo 2.69 Consideremos os vetores = (1, 0, 0) e = (0, 1, 0). De


acordo com o Exerccio 2.63, {, } uma base do subespao

= { + , } 3 .

Seja = + = (1, 1, 0). Armamos que {, } outra base de .


Temos que , pois = 1 + 1. Assim, {, } . Se ,
ento
= + = (1, 0, 0) + (0, 1, 0) = (, , 0).
Armamos que combinao linear de e . De fato,

(, , 0) = 1 + 2 (, , 0) = (1 + 2 , 2 , 0).

claro ento que 2 = e 1 + 2 = , o que implica 1 = 2 =


. Mostramos assim que qualquer elemento de combinao linear
dos elementos e : se , ento = (, , 0) = ( ) + .
Mas esses elementos tambm so linearmente independentes, pois

(0, 0, 0) = 1 + 2 (0, 0, 0) = (1 + 2 , 2 , 0).

Assim, 1 = 2 = 0 a nica soluo de = 1 + 2 .


2.5. DIMENSO 45

O exemplo anterior mostra que o mesmo subespao do possui di-


ferentes bases. (Se considerarmos diferentes ordenamentos dos vetores de
uma base, isso j era bvio.) Todas essas bases possuem algo em comum:
o nmero de elementos. Utilizaremos, para mostrar esse fato, o seguinte
resultado:
Teorema 2.70 Seja = {1 , , } uma base do subespao .
Ento qualquer conjunto com mais que elementos linearmente
dependente.
Demonstrao: Mostraremos esse resultado em uma situao particular,
com uma notao mais simples. Para isso, suponhamos que = {1 , 2 }
seja uma base de . Consideremos um conjunto qualquer
= {1 , 2 , 3 } .
Vamos mostrar que linearmente dependente.
Para isso, consideremos a equao
1 1 + 2 2 + 3 3 = . (2.15)
Como uma base de , cada elemento de combinao linear
dos elementos em . Assim,
1 = 11 1 + 21 2
2 = 12 1 + 22 2
3 = 13 1 + 23 2
para determinados escalares , com {1, 2} e {1, 2, 3}. Note bem:
se conhecssemos as coordenadas dos vetores envolvidos, poderamos de-
terminar esses escalares. Mas, como os vetores envolvidos so todos arbi-
trrios, s sabemos que esses escalares existem!
Substituindo essas expresses de 1 , 2 e 3 em (2.15), obtemos
1 (11 1 + 21 2 ) + 2 (12 1 + 22 2 ) + 3 (13 1 + 23 2 ) = ,
ou seja,
(1 11 + 2 12 + 3 13 )1 + (1 21 + 2 22 + 3 23 )2 = 0.
Como um conjunto linearmente independente, devemos ter
1 11 + 2 12 + 3 13 = 0
1 21 + 2 22 + 3 23 = 0,
isto ,
0
11 12 13 1
2 = 0 .
(21 22 23 )
3 0
Como o nmero de equaes nesse sistema homogneo menor do que
o nmero de incgnitas, existe soluo no trivial para esse sistema,4 o que
prova que linearmente dependente. 
4
Veja o Teorema 1.19 do texto de Introduo lgebra Linear. Ou ento o Exerccio 8
do Captulo 4.
46 CAPTULO 2. BASE E DIMENSO

Exerccio 2.71 Diga se os conjuntos so linearmente dependentes ou linearmente independentes:


() = {(1, 1), (2, 1), (1, 0)} 2 ;
() = {(1, 1, 1, 1), (0, 0, 0, 0), (1, 2, 1, 1)} 4
() = {(1, 1, 2), (1, 0, 1), (1, 2, 1), (0, 0, 1)} 3 .
Exerccio 2.72 Com a notao do Teorema 2.70, sejam

= {1 , , } e = {1 , , , +1 }.

Prove o Teorema 2.70 adaptando a demonstrao j apresentada. Deduza da ento o caso =


{1 , , , +1 , , + }, em que 1.

Mas qualquer subespao do possui uma base? Note que j pro-


vamos que possui uma base. Assim, todos os elementos do (e, em
particular, os elementos de ) podem ser escritos como combinao li-
near dos elementos da base do . Alem disso, essa base um conjunto
linearmente independente. Isso no prova que possui uma base?
No! H uma exigncia que ainda precisa ser cumprida: os elementos
da base devem pertencer todos ao subespao .

Teorema 2.73 Seja = {1 , , } um subconjunto linearmente


independente do subespao . Ento existem vetores +1 , , +
em de modo que

= {1 , , , +1 , , + }

seja uma base de .

Demonstrao: Como um subespao e , toda combinao


linear de elementos de pertence a . Assim,

< >.

Se < > = , ento uma base de , de acordo com o Exemplo 2.62.


Caso contrrio, existiria +1 tal que +1 < >. De acordo com
a Observao 2.53, o conjunto {1 , , +1 } linearmente independente.
Agora repetimos o raciocnio. Se < 1 , , , +1 > = , ento o
conjunto {1 , , +1 } uma base de . Caso contrrio, existiria +2
tal que +2 < 1 , , , +1 >. Nesse caso, o conjunto

{1 , , , +1 , +2 }

seria linearmente independente.


Esse processo tem m, pois qualquer conjunto com + 1 elementos
no linearmente dependente, de acordo com o Teorema 2.70. Ou seja,
temos
< 1 , , , , + > =
para algum {0, 1, , }. 
2.5. DIMENSO 47

Corolrio 2.74 Todo subespao {} do possui uma base.

Demonstrao: De fato, basta tomar um vetor 1 e aplicar o


Teorema 2.73 ao conjunto linearmente independente = {1 }. 

A demonstrao do Corolrio 2.74 garante a existncia de uma inni-


dade de bases para qualquer subespao {} do .
Note que o subespao {} no possui base. De fato, se fosse
uma base do subespao {}, ento seria um elemento de . De acordo
com o Exemplo 2.51, linearmente dependente!

Corolrio 2.75 Todas as bases de um subespao possuem o mesmo


nmero de elementos.

Demonstrao: Suponhamos que existam bases e , com tendo


menos elementos do que . De acordo com o Teorema 2.70, o conjunto
seria linearmente dependente. Mas isso impossvel, pois uma
base de e, consequentemente, um conjunto linearmente independente.
Chegamos a uma contradio que mostra que todas as bases devem ter o
mesmo nmero de elementos. 

Denio 2.76 Seja um subespao do . Se {}, denimos


a dimenso de como o nmero de elementos de uma de suas bases.
Escrevemos dim = , se {1 , , } for uma base de . Se = {},
dizemos que tem dimenso igual a 0.

Como todas as bases de um subespao tem o mesmo nmero de elemen-


tos, est bem denida a dimenso do subespao .

Exemplo 2.77 J vimos que o tem dois subespaos triviais: o {0} e o


prprio . Agora podemos caracterizar todos os subespaos do . Alm
desses, existem todas as retas passando pela origem (que so os subespaos
de dimenso 1), todos os planos passando pela origem (que so os subespa-
os de dimenso 2), todos os subespaos de dimenso 3 e assim por diante,
at chegarmos a todos os subespaos de dimenso 1. O prprio seu
nico subespao com dimenso . (Note que, por falta de nomes adequados,
mudamos a maneira de nos referir aos subespaos do : comeamos com
retas e planos e passamos a falar de subespaos de dimenso 3 etc.)

Se j sabemos qual a dimenso do subespao , ento a veri-


cao de que um conjunto uma base de pode ser simplicada.

Teorema 2.78 Sejam um subespao de dimenso e

= {1 , , } .

Ento, se uma das condies seguintes for satisfeita, uma base de :

() o conjunto gera ;

() o conjunto linearmente independente.


48 CAPTULO 2. BASE E DIMENSO

Demonstrao: Suponhamos inicialmente que gere . Se esse con-


junto fosse linearmente dependente, aplicando a Proposio 2.64 obtera-
mos ento um subconjunto de , com menos que elementos, que seria
uma base de . Mas isso contradiz a hiptese de ter dimenso .
Por outro lado, se fosse linearmente independente e no gerasse ,
existiria +1 que no combinao linear dos vetores de . De
acordo com a Proposio 2.47 (ou a Observao 2.53), seria linearmente
independente o conjunto {1 , , , +1 } . Mas isso contradiz o Teorema
2.70, pois existiria um conjunto linearmente independente com mais vetores
do que a dimenso do espao. 

2.6 Representao de um Vetor em uma Base


Como dissemos, uma base em um subespao equivale a um
sistema referencial, isto , a um sistema de coordenadas. Mudando o sistema
de coordenadas, mudam as coordenadas do ponto, mas o ponto permanece
o mesmo.

Exemplo 2.79 Sejam 1 = (1, 1) e 2 = (1, 1). claro que = {1 , 2 }


uma base do 2 . Consideremos = (2, 2) 2 . Na base , temos
= 21 + 02 . natural dizer que as coordenadas de na base so 2 e
0. Veja a Figura 2.3.

2
6
@
I 
@ 2
@ 
@
@
@
@
I
2 @

1
@
@ -
2 1

Figura 2.3: As coordenadas do vetor = (2, 2) na base so 2 e 0, pois


= 21 + 02 .

Exerccio 2.80 Seja = {1 , 2 } 3 , com 1 = (1, 1, 0) e 2 = (1, 1, 0). Considere o subes-


pao = < 1 , 2 > 3 . (Compare com o Exemplo 2.79.) Mostre que o ponto (2, 2, 0) .
Em seguida, encontre as coordenadas desse ponto com relao base . (Note que, apesar de to-
dos os pontos de estarem no 3 , eles podem ser descritos utilizando apenas duas coordenadas!)

Para encontrarmos a coordenadas de em uma base arbitrria, sim-


plesmente escrevemos o vetor como combinao linear dos elementos de
e coletamos os escalares encontrados.
2.7. EXERCCIOS 49

Denio 2.81 Seja = {1 , , } uma base do subespao . Se


, ento existem (nicos) escalares 1 , , tais que

= 1 1 + + .

O vetor
1

[] = 2



chamado representao de na base e 1 , , as coordenadas de
na base .
Se for a base cannica do , escrevemos simplesmente ao invs
de [] .

Observao 2.82 Ressaltamos que o fato de uma base5 ser um conjunto


ordenado permite dar sentido representao de um vetor em uma base.

Exemplo 2.83 Seja = (3, 2) 2 . Considere a base

= {1 = (1, 1), 2 = (1, 1)}

do 2 . Para encontrar [] , resolvemos o sistema

= 1 1 + 2 2 ,

isto ,
(3, 2) = 1 (1, 1) + 2 (1, 1).
Resolvendo o sistema, obtemos
5
2
[] = .
( 12 )

2.7 Exerccios
1. Encontre os valores de e de modo que
(a) (, 3) = (2, + );
(b) (, 4) = (3, 2).
2. Considere o sistema cuja matriz aumentada

0 0 0 3 9 | 6
0 5 15 10 40 | 45 .

0 1 3 1 5 | 7

Determine todas solues desse sistema.


3. Seja = {(, , ) 3 > 0} e = {(, , ) 3 2 + 2 + 2 = 1}. Os conjuntos
e so subespaos do 3 ?
5
De um espao de dimenso nita.
50 CAPTULO 2. BASE E DIMENSO

4. Mostre que o conjunto = {(, , ) 3 = = } um subespao do 3 .


5. Sejam , dois subespaos do . Mostre que um subespao do . Generalize
esse resultado para a interseo de subespaos do .
6. Interprete a soluo de um sistema homogneo com equaes e incgnitas como a inter-
seo de subespaos do .
7. Sejam , dois subespaos do . D um exemplo mostrando que pode no ser
um subespao do .
8. Escreva o vetor = (1, 2, 5) como combinao linear dos vetores 1 = (1, 2, 3), 2 =
(1, 1, 1) e 3 = (2, 1, 1).
9. Escreva o vetor = (1, 1, 0) como combinao linear dos vetores 1 = (1, 2, 0), 2 = (2, 1, 0),
3 = (0, 0, 1) e 4 = (3, 3, 0).
10. Escreva o vetor = (4, 7, 7, 9) 4 como combinao linear dos vetores 1 = (1, 1, 1, 1),
2 = (1, 2, 3, 4), 3 = (1, 1, 4, 5).
11. Verique que o conjunto {1 = (1, 1, 1, 1), 2 = (1, 1, 1, 0), 3 = (1, 1, 0, 0), 4 = (1, 0, 0, 0)}
gera o espao 4 .
12. Determine condies sobre , e de modo que = (, , ) pertena ao espao gerado por
{1 = (3, 0, 4), 2 = (1, 2, 0), 3 = (1, 1, 2)} 3 .
13. Verique se os vetores 1 = (4, 5, 5), 2 = (1, 1, 2) e 3 = (2, 3, 1) so linearmente
dependentes ou linearmente independentes.
14. O conjunto {1 = (1, 2, 5), 2 = (1, 3, 1), 3 = (3, 1, 4), 4 = (2, 5, 7)} 3 linearmente
dependente?
15. O conjunto {(1, 1, 1), (1, 0, 0), (0, 0, 0)} linearmente dependente ou linearmente indepen-
dente?
16. Suponha que os vetores 1 , 2 e 3 do espao sejam linearmente independentes. Mostre
que o conjunto {1 + 2 , 1 2 , 1 22 + 3 } linearmente independente.
17. Verique se os seguintes conjuntos so bases do 3 :
(a) {(1, 1, 1), (1, 1, 0)};
(b) {(1, 1, 1), (1, 2, 1), (2, 3, 4), (0, 0, 1)};
(c) {(2, 2, 4), (5, 3, 4), (1, 2, 5)};
(d) {(1, 1, 1), (1, 2, 3), (2, 1, 1)}.
18. Determine uma base e a dimenso do espao gerado pelos vetores 1 = (1, 1, 1, 1), 2 =
(2, 6, 8, 5), 3 = (4, 10, 12, 8) e 4 = (1, 2, 3, 2).
19. Seja o subespao do 5 gerado pelos vetores 1 = (2, 4, 2, 6, 8), 2 = (1, 3, 2, 2, 6),
3 = (1, 4, 5, 1, 8) e 4 = (2, 4, 2, 6, 8). Encontre uma base e a dimenso de .
20. Seja = {(, , , ) , , }. Determine uma base e a dimenso de .
21. Considere o conjunto {1 = (2, 2, 3, 4), 2 = (2, 2, 2, 2)} 4 . Complete esse conjunto de
modo a obter uma base do 4 .
22. Mostre a recproca da Proposio 2.67. Isto , suponhamos que seja um subespao e
= {1 , , } . Mostre que, se cada vetor for escrito de maneira nica como
combinao linear dos elementos de , ento uma base de .
23. Seja um subespao, com dim = . Mostre que = .
2.8. EXERCCIOS SUPLEMENTARES 51

24. Seja um conjunto qualquer de elementos do . (Assim, no sabemos quantos elementos


esto em .) Dena

< >= { tal que = 1 1 + + , com }.

Mostre que < > um subespao do . (Compare com a Proposio 2.31, em que o
natural foi xado para todo elemento de < 1 , , >.)

2.8 Exerccios Suplementares


Os prximos exerccios envolvem espaos vetoriais arbitrrios e so facultativos.
1. Considere o conjunto o conjunto de todos os polinmios na varivel com coecientes
reais. Determine se um subespao de , se
(a) o conjunto de todos os polinmios com coecientes racionais;
(b) o conjunto de todos os polinmios de grau menor do que 6 (considerando que o
polinmio nulo tem grau , como anteriormente);
(c) o conjunto de todos os polinmios de grau par;
2. Seja um espao vetorial. Mostre que, para todo , vale (1) = ().
3. Seja = { = (1 , 2 ) 2 1 , 2 > 0}. Em denimos as operaes de adio

+ = (1 , 2 ) + (1 , 2 ) = (1 1 , 2 2 )

e multiplicao pelo escalar

= (1 , 2 ) = (1 , 2 ).

Mostre que, com essas operaes, um espao vetorial real. Qual o elemento ?
4. Seja um subconjunto qualquer do . Mostre que um subespao se, e somente se,
+ para quaisquer , e .
5. Generalize o Exerccio 24 da seo anterior, mostrando que pode ser substitudo por qual-
quer espao vetorial .
6. No Exemplo 2.14, considere que = [0, 2] e dena ([0, 2], ) como o conjunto
de todas as funes contnuas. Mostre que ([0, 2], ) um subespao de . Dena =
{ [0, 2] integrvel} como o conjunto de todas as funes integrveis. O
conjunto um subespao de ?
7. Verique que o espao do Exemplo 2.8 tem dimenso . Exiba uma base desse
espao.
Captulo 3

Produto Interno

Objetivos: No nal do captulo o aluno deve:

1. entender a denio de produto interno e saber operar com ela;

2. saber calcular a projeo ortogonal de um vetor sobre um vetor .

3. saber aplicar o processo de ortogonalizao de Gram-Schmidt.

3.1 Propriedades Bsicas


Comparando as propriedades do apresentadas no Teorema 2.1 com
o estudo do 3 feito em um curso de Geometria Analtica e lgebra Linear,
notamos a ausncia de uma operao entre vetores: o produto escalar ,
operao que fornece um mtodo simples para se vericar se os vetores e
so perpendiculares. (Na verdade, tambm notamos a ausncia do produto
vetorial, mas a generalizao deste ao mais delicada.)
O conceito de produto escalar muitas vezes introduzido utilizando as
normas (= comprimentos) e o ngulo entre os vetores e : dene-se o
produto escalar como sendo igual a cos , com 0 .
Interpretando vetores no 3 como segmentos orientados, esses conceitos
so concretos, pois podemos medir esses segmentos e o ngulo entre eles.
Mas esse conceitos certamente no so concretos no , se 4. Como
medir os comprimentos e ngulo entre os vetores , 4 , por exemplo?
Assim, ao invs de partirmos de normas e ngulos para denirmos o
produto escalar dos vetores , , comearemos denindo uma gene-
ralizao do produto escalar, chamada produto interno:

Denio 3.1 Um produto interno no uma funo ,


satisfazendo as seguintes propriedades:1

() , = , ;

() + , = , + , , para todo escalar ;

() , 0 e , = 0 se, e somente se, = .


1
Se estivssemos considerando escalares em um espao vetorial complexo , a
denio de produto interno alterada apenas na propriedade (), que trocada por , =
, , em que indica o conjugado de .

52
3.1. PROPRIEDADES BSICAS 53

Exerccio 3.2 Considere o produto escalar , j denido para vetores , 3 . Verique que
esse produto escalar satisfaz a Denio 3.1.

Exemplo 3.3 Para = (1 , , ) e = (1 , , ) vetores arbitrrios no


, denimos o produto interno cannico do :

1

, = = 1 1 + + = (1 2 ) 2 = t ,


em que denota a transposta da matriz coluna . (Essa a generalizao


imediata do produto escalar de vetores do 3 , de acordo com o Exerccio
3.4.)
Particularizando, considere os vetores

= (5, 1, 2, 6), = (4, 2, 2, 61) e = (1, 3, 6, 3)

do espao 4 . Ento

, = 20 + 2 + 4 6 = 20,

enquanto
, = 5 3 + 12 18 = 4.

Exerccio 3.4 Verique que o produto interno cannico do satisfaz a Denio 3.1.
Exerccio 3.5 Para os vetores , e do 4 denidos no Exemplo 3.3, verique que

, + = , + , .

Exerccio 3.6 Se = (1 , , ) e = (1 , , ) so vetores arbitrrios do , escolhendo


escalares 1 , , > 0 arbitrrios, verique que

, = 1 1 1 + +

tambm dene um produto interno no .

Uma pergunta impe-se: qual a necessidade de considerarmos abstra-


tamente um produto interno denido pelas propriedades listadas na Deni-
o 3.1? No suciente considerarmos o produto interno cannico no
(como no Exemplo 3.3), j que esse a generalizao natural do produto
escalar no 3 ?
A resposta a essa pergunta no simples e precisaremos percorrer um
longo caminho para respond-la adequadamente. Apesar de nossa abor-
dagem utilizar unicamente as propriedades listadas na Denio 3.1, voc
pode pensar, em todo o decorrer deste texto, que o produto interno no
o produto interno cannico. Em outras palavras, apesar de toda a exposi-
o ser vlida para qualquer produto interno denido em um espao vetorial
real, voc sempre pode considerar que apenas o produto interno cannico
est sendo tratado.
54 CAPTULO 3. PRODUTO INTERNO

Exerccio 3.7 Seja , um produto interno qualquer no . Mostre que , = 0 para todo
.
Exerccio 3.8 Considere = (1 , 2 ) e = (1 , 2 ) vetores no 2 . Dena

, = 1 1 1 2 2 1 + 32 2 .

Verique que , dene um produto interno no 2 . Para = (1, 1), encontre os vetores 2
que satisfazem , = 0.

Denio 3.9 Seja , um produto interno no . Os vetores ,


so ortogonais (ou perpendiculares) se , = 0. Nesse caso, denotamos
.

A justicativa geomtrica dessa denio dada pelo Teorema de Pit-


goras, que apresentaremos na sequncia. Note, contudo, que o conjunto dos
vetores que so perpendiculares a um vetor xo depende
do produto interno considerado. Mas, no importa qual seja esse produto
interno, perpendicular a qualquer vetor do , de acordo com o
Exerccio 3.7.

3.2 Norma
Denio 3.10 Uma norma no uma aplicao satis-
fazendo, para todos , e :

() 0 e = 0 se, e somente se, = 0;

() = || ;

() + + (desigualdade triangular).

Considerado com uma norma , dizemos que um espao nor-


mado.

O valor pode ser interpretado, geometricamente, como uma ma-


neira de medir o comprimento do vetor . Se = 1, o vetor unitrio.
(Veja o Exerccio 2.)

Exemplo 3.11 Para = (1 , 2 , , ) , dena

= |1 | + |2 | + + | |.

Essa a norma da soma no .

Exerccio 3.12 Mostre que satisfaz as propriedades que caracterizam uma norma no , de
modo que sua denominao adequada.
Exerccio 3.13 Para os vetores , e do 4 , denidos no Exemplo 3.3, calcule , e
.
Exerccio 3.14 Para = (1 , 2 , , ) , dena = max1 | |. Mostre que assim
est denida uma norma, chamada norma do mximo no .
3.2. NORMA 55

Exerccio 3.15 Repita o Exerccio 3.13 trocando a norma pela norma .


Denotemos (com abuso de notao) = , 1/2 . Vamos mostrar
que essa notao coerente, isto , que , 1/2 realmente dene uma norma
no . Mas notamos que, com essa denio, j temos
() = , 1/2 0 e = 0 = 0;

() = , 1/2 = 2 , 1/2 = || ;
Antes de completarmos a demonstrao de nossa armao, justicare-
mos a denio de perpendicularidade, dada anteriormente.
Teorema 3.16 (Pitgoras)
Considere = , 1/2 para todo . Ento, se, e
somente se,
+ 2 = 2 + 2 .
Demonstrao: Uma vez que

+ 2 = + , + = , + 2, + ,
= 2 + 2, + 2 ,

o resultado decorre imediatamente. 

Se , forem dois vetores linearmente independentes (com


para todo ), ento podemos escrever o vetor como a soma de
dois vetores: = + , em que e ortogonal a . De fato, basta
mostrar que existe tal que , = 0. Essa equao pode ser
resolvida facilmente:
, ,
, = 0 , = , = = .
, 2
(Note que = 0 implica = 0 e os vetores e so linearmente
dependentes.)
O vetor proj = = ,
2
a projeo ortogonal do vetor sobre o
vetor . Veja a Figura 3.1.





proj
Figura 3.1: O vetor proj = (, /2 ) a projeo ortogonal do vetor
no vetor . O vetor = proj a componente de ortogonal ao
vetor .

Exemplo 3.17 Considere os vetores = (1, 1, 1) e = (1, 1, 1). Vamos


calcular proj . Temos
11+1 1
proj = (1, 1, 1) = (1, 1, 1).
12 2
+1 +1 2
3
56 CAPTULO 3. PRODUTO INTERNO

Exerccio 3.18 Sejam = (1, 1, 1, 1) e = (1, 2, 4, 5) vetores do 4 . Calcule a projeo ortogonal


do vetor sobre o vetor . Obtenha tambm a componente de ortogonal ao vetor .

Proposio 3.19 (Desigualdade de Cauchy-Bunyakowsky-Schwarz)


Considere = , 1/2 . Ento para todos , vale:

|, | .

Demonstrao: A prova que apresentaremos bem geomtrica.2


Se = , ento |, | = || , = || 2 = . Se
, ento . Denimos = /. Dado , temos que

= , + ( , ) (= proj + ( proj ))
e , ( , ), como vericamos facilmente. Pelo Teorema de
Pitgoras,

2 = , 2 + ( , )2 > , 2 = |, |2 ,

o que implica que |, | < . Substituindo = /, obtemos o


resultado. 

Observao 3.20 Note que mostramos que |, | = se, e so-


mente se, = .

A desigualdade de Cauchy-Bunyakowsky-Schwarz garante que


, 1 1 , 1.
| |

Assim, natural denir o ngulo entre os vetores e (com 0 )


por

cos = , .

Portanto, podemos escrever

, = cos ,

expresso que, como mencionamos, muitas vezes utilizada na denio


do produto escalar de vetores , 3 .

Exerccio 3.21 Considere os vetores = (5, 1, 2, 6) e = (4, 1, 2, 1) do espao 4 . Calcule


o ngulo entre e .
A desigualdade de Cauchy-Bunyakowsky-Schwarz permite que justi-
quemos a notao = , 1/2 .
Proposio 3.22 O espao tem uma norma denida por = , 1/2 ,
qualquer que seja o produto interno considerado no . Dizemos que essa
norma gerada pelo produto interno.
2
Outra demonstrao sugerida no Exerccio 3.
3.3. SOMAS DIRETAS 57

Demonstrao: Para completar a prova de que = , 1/2 dene uma


norma, basta provar a desigualdade triangular. Temos que

+ 2 = + , + = 2 + 2, + 2
2 + 2 |, | + 2
2 + 2 + 2 = ( + )2 .

O resultado decorre da imediatamente. 

Observao 3.23 Convencionaremos que, ao usarmos a notao , es-


taremos sempre nos referindo norma = , , conhecida como
norma euclidiana.

Como vimos, a norma euclidiana gerada por qualquer produto interno


denido no ; em particular, pelo produto interno cannico do . Mas
existem normas no que no so geradas por um produto interno. Isso
acontece, por exemplo, com as normas e .

Exerccio 3.24 Considere os vetores (1, 1, 1, 1) 4 , (1, 5, 3, 2, 1) 5 e (1, 2, 1) 3 . Calcule


as normas , e de cada um deles.
Exerccio 3.25 Descreva o conjunto { 3 = 1}, sendo cada uma das normas
, e . Observe que apenas na norma esse conjunto corresponde nossa intuio.
Exerccio 3.26 Encontre a projeo ortogonal do vetor (1, 2, 4, 5) sobre o vetor (1, 1, 1, 1) com
relao ao produto interno cannico do 4 .
Exerccio 3.27 Vale a identidade do paralelogramo:

+ 2 + 2 = 2 (2 + 2 ) .

A recproca do Exerccio 3.27 um fato notvel: uma norma arbitrria


satisfaz a identidade do paralelogramo apenas se for gerada por um produto
interno. A demonstrao desse fato est alm dos objetivos deste texto.

3.3 Somas Diretas


Vamos denir a soma direta de subespaos vetoriais, que consiste em
uma generalizao da decomposio de um vetor em uma base.

Denio 3.28 Sejam , subespaos quaisquer do . Denimos

+ = { + , }.

Proposio 3.29 Sejam , subespaos do . Ento + subespao


do . O subespao = + chamado soma dos subespaos e .

Demonstrao: Se 1 = 1 + 1 e 2 = 2 + 2 forem elementos de +


e , ento claramente 1 + 2 = (1 + 2 ) + (1 + 2 ) + . 

No custa salientar que os elementos de so combinaes lineares


dos elementos de e de .
58 CAPTULO 3. PRODUTO INTERNO

Exemplo 3.30 Sejam = < 1 , 2 > e = < 1 , 2 > subespaos do


6 , em que

1 = (1, 2, 0, 3, 1, 0), 2 = (1, 2, 1, 3, 1, 2)

e
1 = (1, 2, 0, 3, 2, 1), 2 = (3, 6, 1, 9, 4, 3).
Encontraremos uma base para o subespao +
O subespao + gerado pelos vetores 1 , 2 , 1 e 2 . Formamos
assim a matriz , que tem esses vetores como linhas, e a escalonamos:

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

3 6 1 9 4 3 0 0 1 0 1 3
1 2 0 3 1 0
0 0 1 0 0 2

0 0 0 0 1 1

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

0 0 0 0 0 0
Assim, as linhas no nulas de formam uma base para = + :

1 = (1, 2, 0, 3, 1, 0), 2 = (0, 0, 1, 0, 0, 2) e 3 = (0, 0, 0, 0, 1, 1).

Nesse exemplo, os vetores dados no formam uma base de + : como


a linha nula da matriz nos mostra, existe um vetor supruo. Assim, a
nossa intuio nos diz que devem existir vetores que pertencem tanto a
como a .

Denio 3.31 Sejam , subespaos do . O subespao = +


a soma direta dos subespaos e se cada elemento puder ser
escrito de maneira nica como

= + ,

com e . Nesse caso denotamos por = . (Veja a


Figura 3.2.)

Assim, de maneira semelhante representao de um vetor em uma


base, a denio de soma direta de dois subespaos possibilita a decompo-
sio de um vetor = + em duas componentes (os vetores e ), sem
escolhermos bases nos espaos e !

Exerccio 3.32 Como se generaliza essa denio para o caso da soma direta de subespaos?

Proposio 3.33 Sejam = {1 , , } e = {+1 , , } bases dos


espaos e , respectivamente. Ento = se, e somente se,
= {1 , , , +1 , , } for uma base do espao .
3.3. SOMAS DIRETAS 59

Figura 3.2: Se = , um ponto escreve-se de maneira nica


como = + .

Demonstrao: Se for uma base de , ento cada vetor


escreve-se de maneira nica como

= 1 1 + + + +1 +1 + + .

Denindo = 1 1 + + e = +1 +1 + + ,
temos que e so unicamente determinados, de modo que a soma
direta dos espaos e .
Reciprocamente, suponhamos que para todo existam nicos
e tais que = + . Como e so bases de e ,
respectivamente, temos que = 1 1 ++ e = +1 +1 ++
para (nicos) escalares 1 , , .3 Isso mostra que gera o subespao .
Como + = implica = e = (pela unicidade dada na denio de
soma direta), a igualdade = (1 1 + + ) + (+1 +1 + + )
implica 1 1 + + = e +1 +1 + + = . Mas e so
linearmente independentes, de modo que = 0 para todo {1, , }.
Isso prova que linearmente independente e, assim, uma base de . 

Tendo em vista esse resultado, podemos concluir que, no Exemplo 3.30,


no temos uma soma direta dos subespaos e , conrmando nossa in-
tuio: tanto quanto tem dimenso 2, enquanto + tem dimenso
menor do que 4.

Exerccio 3.34 Justique: se = , ento dim = dim + dim .


Exerccio 3.35 Tendo em vista a Figura 3.2, d exemplos de subespaos , 3 tais que
3 = .
Exerccio 3.36 Generalize a Proposio 3.33 para a soma de subespaos.

Uma outra maneira prtica de vericar que a soma direta de dois


subespaos dada por

Proposio 3.37 O subespao = + a soma direta dos subespaos


, do se, e somente se, = {}.

Demonstrao: Suponhamos que = . Se ento


= + tambm pode ser escrito como = ( + ) + ( ). Como a
3
Aplicando a Proposio 2.67 e o Exerccio 22 do Captulo 2, a demonstrao est com-
pleta.
60 CAPTULO 3. PRODUTO INTERNO

decomposio = + nica, devemos ter = + e = . Isso


implica que = .
Reciprocamente, suponhamos que 1 +1 = = 2 +2 , com e
para = {1, 2}. Ento 1 2 . Uma vez que 1 2 = 2 1 ,
tambm temos 1 2 . Como = {0}, conclumos que 1 = 2 ,
o que implica 1 = 2 e garante a unicidade da decomposio de . 

Exerccio 3.38 Considere os subespaos

= {(, , ) = = } e = {(, , 0) , }.

Mostre que 3 = .

3.4 Bases Ortonormais


Denio 3.39 Um conjunto = {1 , , } de vetores do ortogonal
se cada par de vetores em for ortogonal, isto ,

, = 0, se , , {1, , }.

Se todos os vetores de forem unitrios, isto , = 1 para 1 ,


ento dizemos que um conjunto ortonormal.

Se o vetor no pertencer a um conjunto ortonormal , intuitivamente


diramos que o conjunto linearmente independente. (Observe que
perpendicular a qualquer vetor e que qualquer conjunto que contm o vetor
linearmente dependente.)
Comeamos mostrando que nossa intuio acertada:
Lema 3.40 Se for um conjunto ortogonal de vetores no nulos, ento
linearmente independente.
Demonstrao: Seja = {1 , , } um conjunto ortogonal de vetores
no nulos e suponhamos que

1 1 + + = . (3.1)

Tomando o produto escalar pelo vetor 1 em ambos os lados dessa igual-


dade, obtemos

1 1 + + , 1 = , 1
1 1 , 1 + 2 2 , 1 + + , 1 = 0
1 1 2 = 0,

o que implica 1 = 0, pois os vetores de no so nulos.


Do mesmo modo, tomando o produto escalar em ambos os lados de (3.1)
pelo vetores , com 2 , encontramos

1 1 + + , = ,
1 1 , + + , + + , = 0
= 0,
3.4. BASES ORTONORMAIS 61

o que implica, como antes, = 0. Assim, 1 = = = 0, mostrando


que linearmente independente. 

Note que provamos, em particular, que todo conjunto ortonormal line-


armente independente. Como um conjunto linearmente independente do
possui, no mximo, vetores, o mesmo acontece para conjuntos ortogonais
cujos elementos no so nulos.
Se o conjunto ortogonal {1 , , } for formado por vetores no
nulos, obtemos imediatamente uma base ortonormal do ao dividir cada
vetor por sua norma.

Exemplo 3.41 claro que a base cannica {1 , , } ortonormal com


relao ao produto interno cannico do . De fato,

, = 0,

se e
, 1 = 1 2 = 1.

Exemplo 3.42 Os vetores 1 = (1, 2, 1), 2 = (3, 2, 1) e 3 = (2, 1, 4)


formam uma base ortogonal do 3 considerado com seu produto interno
cannico, pois
, = 0, se
e
, 0
para todos , {1, 2, 3}.

Exerccio 3.43 Justique: qualquer conjunto ortonormal com elementos uma base do .
Exerccio 3.44 Considere o conjunto = {1 , 2 , 3 , 4 } em que

1 = (16, 13, 1, 3), 2 = (1, 2, 1, 3), 3 = (1, 1, 0, 1) e 4 = (1, 1, 9, 2).

Mostre que uma base ortogonal do 4 (considerado com seu produto interno cannico).

Vale tambm uma generalizao do Teorema de Pitgoras:

Proposio 3.45 Seja = {1 , , } um conjunto ortonormal. Ento

1 + + 2 = 1 2 + + 2 .

Exerccio 3.46 Demonstre a Proposio 3.45 ao expandir o lado esquerdo da igualdade usando a
identidade 2 = , . necessrio supor que todos os vetores em no sejam nulos?

Bases ortonormais so especiais. J conhecemos uma base ortonormal:


a base cannica do . Mas muitas vezes nosso interesse trabalhar com
uma base ortonormal de um subespao do ou mesmo com bases ortonor-
mais que sejam mais adequadas ao problema que estamos tratando. Assim,
vericaremos algumas propriedades satisfeitas por qualquer base ortonor-
mal.
62 CAPTULO 3. PRODUTO INTERNO

Proposio 3.47 Seja = {1 , , } uma base ortonormal do subes-


pao . Se = 1 1 + + , ento

= , (3.2)

e

= , .

=1

Demonstrao: Aplicando o procedimento utilizado na demonstrao do


Lema 3.40, determinamos facilmente os escalares na expanso = 1 1 +
+ :

, = 1 1 , + + , + + , = ,

o que nos d
= , para {1, , }
e, portanto

= , .

=1 

Exemplo 3.48 Considere a base ortonormal = {1 , 2 , 3 } do espao


3 (verique!), em que

1 2 1 2 1 4
1 = , , , 2 = , ,
( 6 6 6 ) ( 21 21 21 )

e
3 2 1
3 = , , .
( 14 14 14 )
Se = (1, 1, 1) determinamos facilmente os escalares tais que

= 1 1 + 2 2 + 3 3 .

De fato, como vimos, temos

4 1 2
1 = , 1 = , 2 = , 2 = e 3 = , 3 = .
6 21 14

Exerccio 3.49 Compare a soluo apresentada no Exemplo 3.48 com o clculo direto dos coe-
cientes (como feito no Captulo 2, isto , sem usar o fato que uma base ortonormal).
Exerccio 3.50 Na Proposio 3.47, se a base = {1 , , } for apenas ortogonal ao invs de
ortonorma, qual a expresso dos coecientes ?
Exerccio 3.51 Ache a representao do vetor = (1 , 2 , 3 , 4 ) 4 na base do Exerccio
3.44.
3.5. O MTODO DE GRAM-SCHMIDT 63

A Proposio 3.47 tem vrias aplicaes. Por exemplo, se , ,


temos
= 1 1 + + e = 1 1 + + ,
de modo que, ao expandirmos ambos os lados do produto interno ,
obtemos

1 1 + + , 1 1 + + = 1 1 + + , (3.3)

o que mostra que, com relao a essa base ortonormal, o produto interno se
comporta como o produto interno cannico do . (Note que a ortogonali-
dade de vetores depende do produto interno considerado. O que uma base
ortonormal para o produto interno cannico no precisa ser ortogonal para
outro produto interno.

3.5 O Mtodo de Gram-Schmidt


Na seo anterior, mostramos que bases ortogonais so fceis de lidar.
Mas, como obt-las? Se 1 e 2 denotam vetores ortogonais e um vetor
que no pertence ao plano gerado por 1 e 2 , a Figura 3.3 ilustra como obter
de um vetor , ortogonal ao plano gerado por 1 e 2 .
Uma vez que proj1 + proj2 + = , o vetor procurado dado
por = proj1 proj2 , o que generaliza o procedimento descrito
na Figura 3.1. Demonstraremos e generalizaremos nossas observaes para
um nmero qualquer de vetores ao mostrar o processo de ortogonalizao
de Gram-Schmidt:






proj2

2
proj1

= proj1 + proj2
1
Figura 3.3: O vetor a componente de ortogonal ao plano gerado por
1 e 2 . O vetor nada mais do que a soma das projees de sobre os
vetores 1 e 2 .

Teorema 3.52 (Gram-Schmidt)


Seja {1 , , } um conjunto ortogonal de vetores no nulos e
um vetor qualquer. Ento o vetor

= proj1 proj2 proj


1 , , ,
= 2
1 2 2 2 2 (3.4)
1 2
ortogonal aos vetores 1 , , . Se < 1 , , >, ento = .
64 CAPTULO 3. PRODUTO INTERNO

Demonstrao: Basta vericar que , = 0 para = 1, , .

, ,
, = 1 2 1 2 ,
1
, ,
= , 1 2 1 , 2 ,
1
,
= , ,
2
= , , = 0,

mostrando que ortogonal a todos os vetores .


Contudo, se < 1 , , >, ento

= 1 1 + + .
,
Uma vez que = 2
(veja o Exerccio 3.50), vemos que

1 , , ,
= 1 1 + + 2
1 2 2 2 2 = 0,
1 2

provando o armado. 

Denio 3.53 Seja {1 , , } um conjunto ortogonal de vetores no nu-


los e um vetor qualquer. O vetor

= proj1 proj2 proj

a projeo ortogonal de sobre o espao < 1 , 2 , , >

Salientamos que os vetores (1 ) obtidos pelo processo de


ortogonalizao de Gram-Schmidt so combinaes lineares dos vetores
1 , , . Esse fato est implcito no Teorema 3.52 mas, para enfatiz-
lo, vamos mostr-lo novamente, usando induo sobre o nmero de vetores
da base {1 , , }. Se = 1, nada h a demonstrar. Suponhamos que os
vetores ortonormais 1 , , 1 sejam combinaes lineares dos vetores
1 , , 1 e consideremos o vetor , obtido pelo processo de ortogona-
lizao de Gram-Schmidt:

= proj1 proj2 proj1 .

Claramente combinao linear dos vetores 1 , , 1 , ;como nossa


hiptese de induo garante que, para 1 1, cada vetor combi-
nao linear dos vetores 1 , , , conclumos que combinao linear
dos vetores 1 , , . Isso prova o armado.
Note que o processo de Gram-Schmidt nos permite a obteno de uma
base ortonormal para qualquer subespao . De fato, partindo de um vetor
arbitrrio 1 , obtemos uma base de ao utilizar o Teorema
2.73 e obtemos uma base de . Aplicando o processo de Gram-Schmidt,
obtemos uma base ortogonal. Dividindo esses vetores por suas respectivas
normas, obtemos uma base ortonormal.
3.5. O MTODO DE GRAM-SCHMIDT 65

Exemplo 3.54 Considere os vetores 1 = (1, 1, 0), 2 = (1, 0, 1) e


3 = (1, 1, 1). fcil vericar que {1 , 2 , 3 } uma base do 3 . Mas
essa base no ortogonal com relao ao produto interno cannico do 3 ,
pois 1 , 2 = 1 0. Vamos utilizar o processo de ortogonalizao de
Gram-Schmidt para obter uma base ortonormal do 3 . Denimos 1 =
1 = (1, 1, 0) e

2 = 2 proj1 2
2 , 1 1
= 2 = (1, 0, 1) (1, 1, 0)
1 2 1 2
= (1, 0, 1) (1/2, 1/2, 0)
= (1/2, 1/2, 1).

Evitando fraes, consideraremos 2 = (1, 1, 2). Note que 1 , 2 =


0.
Continuando, consideremos

3 = 3 proj1 3 proj2 3
3 , 1 ,
= 3 2
1 3 22 2
1 2
0 0
= (1, 1, 1) (1, 1, 0) (1, 1, 2)
2 6
= (1, 1, 1).

Note que o vetor 3 coincidiu com o vetor 3 , pois esse vetor j era
ortogonal aos vetores 1 e 2 (verique!). Assim, a base = {1 , 2 , 3 }
uma base ortogonal do 3 . Para obter uma base ortonormal, basta dividir
cada vetor por sua norma. Ento os vetores

1 1 6 6 6
1 = ,
,0 , 2 = , ,
( 2 2 ) ( 6 6 3 )

e
1 1 1
3 = , ,
( 3 3 3 )

formam uma base ortonormal do 3 .

Exerccio 3.55 Seja o espao gerado pelos vetores

1 = (1, 1, 1, 1), 2 = (1, 1, 2, 4) e 3 = (1, 2, 4, 3).

Ache uma base ortonormal para .

Denio 3.56 O complemento ortogonal do subespao , deno-


tado por , o conjunto

= { , = 0, }.

Claramente um subespao do .
66 CAPTULO 3. PRODUTO INTERNO

Exerccio 3.57 Mostre que, qualquer que seja o conjunto (que no precisa ser um subes-
pao), temos que um subespao do .

Teorema 3.58 Seja um subespao. Ento vale a decomposio

=
.
= +

Se {1 , , } for uma base ortonormal de , ento

= , 1 1 + + , .

Alm disso, vale


( ) = .

Demonstrao: Para arbitrrio, dena como acima e = .


A demonstrao do Teorema 3.52 mostra que . (Por outro lado, no
difcil vericar que ortogonal aos vetores 1 , .) Assim, temos
= + . Note que o vetor nada mais do que a projeo do vetor
sobre o subespao .
Se , a denio de garante que , = 0 e, portanto,
= .
Para arbitrrio, temos que , = 0 para todo .
A denio de ( ) garante ento que ( ) . Se fosse
( ) , por Gram-Schmidt existiria 0 ( ) . Aplicando
o processo de ortogonizao de Gram-Schmidt ao vetor , podemos supor
que , = 0 para todo , mostrando que . Assim, temos
que ( ) = {0}. Absurdo. 

Exerccio 3.59 Na demonstrao anterior, verique que .

Exemplo 3.60 Seja = < 1 , 2 , 3 > 4 , em que 1 = (1, 0, 0, 0),


2 = (1, 1, 0, 0) e 3 = (1, 2, 1, 2). Para = (1, 2, 0, 1), vamos encontrar a
projeo ortogonal de em . (Ou, dito de outra forma, se = +
, vamos obter o vetor .)
Temos que

= proj1 + proj2 + proj3


, 1 , 2 , 3
= 2
1 + 2
2 + 3
1 2 3 2
1 3 7
= (1, 0, 0, 0) + (1, 1, 0, 0) + (1, 2, 1, 2)
1 2 10
32 29 7 14
= ( , , , ).
10 10 10 10

Exemplo 3.61 Seja = < , > 5 , em que = (1, 3, 2, 1, 2) e =


(2, 7, 4, 2, 1). Vamos encontrar uma base para , com 5 considerado
com seu produto interno cannico. (Note que os vetores e no precisam
ser ortogonais.)
3.5. O MTODO DE GRAM-SCHMIDT 67

Para isso, seja = (1 , 2 , 3 , 4 , 5 ) um vetor arbitrrio de . Como


os vetores , so linearmente independentes, o vetor ser ortogonal a
se for perpendicular a e . Assim, devemos ter

, = 1 + 32 + 23 4 + 25 = 0
, = 21 + 72 + 43 + 24 5 = 0,

sistema que conduz forma escalonada reduzida por linhas

1 0 2 13 17
,
( 0 1 0 4 5 )

de modo que suas solues so

1 23 + 134 175
2 44 + 55
3 = 3

4 4
5 5
2 13 17
0 4 5
= 3 1 + 4 0 + 5 0 .

0 1 0
0 0 1

Assim,
2 13 17
0 4 5

= 1 , 0 , 0

0
1 0
0 0 1

uma base para . Para obter uma base ortogonal para , aplicamos
o processo de ortogonalizao de Gram-Schmidt a esses vetores.

Exerccio 3.62 Encontre bases ortonormais para os subespaos e do Exemplo 3.61.

Denio 3.63 Na soma direta ortogonal

=
= + ,

denotamos a projeo ortogonal de em por . A aplicao

a projeo ortogonal do em .

Proposio 3.64 Seja um subespao. Ento,


uma aplicao linear.
68 CAPTULO 3. PRODUTO INTERNO

Demonstrao: Sejam , vetores arbitrrios e {1 , , } uma


base ortonormal de . Ento, de acordo com o Teorema 3.58, temos

( + ) = + , 1 1 + + + ,
= , 1 1 + + ,
+, 1 1 + + ,
= + ,

mostrando o armado. 

3.6 Exerccios
1. Seja , um produto interno. Mostre que , + = , +, para todos , ,
e .
2. Seja uma norma no espao . Mostre que = 0.
3. Seja , um produto interno no . Demonstre a desigualdade de Cauchy-Bunyakowsky-
Schwarz da seguinte maneira: para , , desenvolva a expresso 0 , .
Escolhendo = , , obtenha um trinmio do segundo grau com coecientes reais. Analise
esse trinmio e obtenha a desigualdade de Cauchy-Bunyakowsky-Schwarz.
4. Sejam = (1, 1, 1) e = (1, 2, 3) vetores do 3 considerado com seu produto interno can-
nico. Calcule proj .
5. Sejam = (4, 1, 2) e = (2, 1, 3) vetores do 3 considerado com seu produto interno
cannico. Escreva = + , com e ortogonal a .
6. Seja , um produto interno qualquer no e a norma por ele gerada. Mostre que
1
, = + 2 2 ) ,
4(
expresso conhecida como identidade de polarizao.
7. Considere o produto interno , denido no Exerccio 3.8. Sejam = (3, 4) e = (1, 5)
vetores do 2 . Calcule , , bem como .
8. Considere a norma da soma no espao , como no Exemplo 3.11. Mostre que no existe
um produto interno , denido no de modo que , = 2 para todo .
9. Considere os subespaos , e do espao , com

= {(, , ) + + = 0}, = {(, 0, 0)}

e
= {(, , ) = }.
Mostre que
(a) 3 = + ;
(b) 3 = + ;
(c) 3 = + .
Quando temos uma soma direta de subespaos?
10. Sejam = (2, 1, ) e = (1, 3, 2). Para que valor de os vetores e so ortogonais com
relao ao produto interno cannico do 3 ?
3.6. EXERCCIOS 69

11. Considere a base ortogonal do 3 denida no Exemplo 3.42. Dado o vetor = (1 , 2 , 3 ),


obtenha o valor de de modo que

= 1 1 + 2 2 + 3 3 .

(Veja a Denio 2.68.)


12. Considere o espao 3 com seu produto interno cannico e o plano dado por 1 +2 +3 =
0.
(a) Encontre uma base ortonormal para .
(b) Complete essa base de modo a obter uma base ortonormal para o espao 3 .
13. Considere o conjunto = {1 , 2 , 3 , 4 }, em que

1 = (1, 2, 2, 3), 2 = (2, 3, 2, 4), 3 = (2, 2, 1, 0)

e
4 = (5, 2, 6, 1).
Seja = (1, 1, 1, 1).
(a) Mostre que uma base ortogonal do 4 considerado com seu produto interno can-
nico;
(b) Escreva como combinao linear dos elementos de .
14. Com 4 considerado com seu produto interno cannico, encontre uma base ortonormal para
o subespao

= { = (1 , 2 , 3 , 4 ) 4 1 2 23 + 4 = 0}.

15. Seja {1 , , } uma base ortonormal do subespao . Dados , , mostre que

, = , 1 , 1 + , 2 , 2 + + , , .

16. Escreva o vetor (1, 3) 2 como combinao linear dos vetores 1 = (1/2, 1/2) e 2 =
(1/2, 1/2).
17. Seja = < 1 , 2 , 3 >, em que 1 = (1, 0, 0, 1), 2 = (2, 2, 2, 0) e 3 = (0, 1, 0, 2).
Determine uma base ortonormal para .
18. Considere a base {1 = (1, 1, 1), 2 = (1, 2, 3), 3 = (1, 1, 0)} 3 . Aplique o processo de
ortogonalizao de Gram-Schmidt a esses vetores e obtenha uma base ortonormal do 3
com relao ao seu produto interno cannico, tendo 1 /1 como o primeiro vetor de .
19. Considere 4 com seu produto interno cannico. Seja = < >, em que = (1, 1, 2, 3).
Calcule uma base ortonormal para .
20. Considere os vetores 1 = (1, 1, 1, 1) e 2 = (1, 1, 1, 1). Sejam = < 1 , 2 > e
= (1, 2, 0, 2). Calcule proj .
21. Seja o subespao gerado pelos vetores 1 = (4, 0, 3) e 2 = (0, 1, 0). Escreva o vetor
= (1, 2, 3) na forma = + com e .
22. Seja um subespao tal que = {0}. Mostre que = .
23. Suponha que seja ortogonal aos vetores , 1 . Mostre que ortogonal ao
subespao < 1 , , >.
24. Suponha que = + e . Mostre que = .
70 CAPTULO 3. PRODUTO INTERNO

25. Sejam um vetor arbitrrio e um subespao. Mostre que

proj

para todo . Assim, proj o vetor de mais prximo do vetor .


26. Sejam 1 = (2, 1, 2, 1, 1) e 2 = (1, 2, 1, 2, 1). Sejam 5 o subespao gerado por esses
vetores e = (1, 2, 3, 4, 6). Encontre o vetor que minimiza .
27. Sejam = {1 , , } uma base ortonormal do subespao e um vetor
arbitrrio. Suponha que = 1 1 + + . Mostre a desigualdade de Bessel:

12 + + 2 2 .

3.7 Exerccios Suplementares


Os prximos exerccios envolvem espaos vetoriais arbitrrios e so facultativos.
1. Considere = { = ( ) , | | < } o conjunto das
sequncias reais limitadas (Veja o Exerccio 2.11 do Captulo 2). fcil vericar que, com
as operaes denidas em , 0 um subespao de e, portanto, um espao vetorial:
note que, se | | < 1 e | | < 2 , ento | + | | | + | | < 1 + 2 . Dena, em ,


, = .
2
=1

(a) Mostre que , dene um produto interno em ;


(b) Encontre um subespao tal que = {0} e . (Compare com o
Exerccio 23 da Seo 3.6.)
2. Considere o espao ([0, 2], ) denido no Exerccio 6 da Seo 2.8. Para , ([0, 2], ),
dena
2
, = ()() d.
0

(a) Mostre que , dene um produto interno em ([0, 2], );


(b) Para () = cos ( {0, 1, 2, } e () = sen ( ), verique que

f , g = 0, , = 0 , {0, 1, 2, },

e
, = 0, , , .
3. Em todos as denies do Captulo 3, substitua o espao por um espao vetorial qualquer
de dimenso nita. Assim, por exemplo, dena um produto interno no espao como
uma funo , satisfazendo as propriedades (i)-(ii)-(iii) da Denio 3.1.
Mostre que todos os resultados mostrados no Captulo 3 continuam vlidos.
Captulo 4

Aplicaes Lineares

Objetivos: No nal do Captulo o aluno deve saber:


1. reconhecer uma aplicao linear;
2. obter sua representao matricial;
3. obter bases para o ncleo e imagem de uma aplicao linear.

4.1 Aplicaes Lineares e Matrizes


J vimos o tipo de conjunto que estudaremos neste curso: os subespaos
do . Agora veremos as funes que nos interessam entre esses conjuntos:
as aplicaes lineares.

Denio 4.1 Uma aplicao linear (ou transformao linear) uma fun-
o tal que
( + ) = + , , . (4.1)

Essa denio merece alguns comentrios. Em primeiro lugar, estamos


denotando a imagem do ponto por ao invs de (). Essa ser
nossa prtica: parnteses s sero utilizados para ajudar na interpretao.
Em segundo lugar, notamos que a soma de vetores e a multiplicao por es-
calar presentes em (4.1) possuem signicados diferentes: no lado esquerdo
da igualdade, a soma de vetores e a multiplicao por escalar ocorrem no
espao , enquanto no lado direito da igualdade elas acontecem no .
Finalmente, essa denio pode ser generalizada para aplicaes lineares
denidas em subespaos : basta considerar apenas , na
igualdade (4.1). (Posteriormente mostraremos tambm que a denio dada
corresponde ao caso geral.)

Exemplo 4.2 Seja dada por = . Ento uma aplicao


linear pois, para , e , temos ( + ) = + = + .
A aplicao linear I chamada aplicao identidade (no espao ).

Exemplo 4.3 Seja a aplicao denida por = para


todo . A aplicao chamada aplicao nula, qualquer que seja
, dimenso do espao . Tambm se denota por 0 a aplicao nula:
0 = para todo .

71
72 CAPTULO 4. APLICAES LINEARES

Exemplo 4.4 Seja denida por () = 2 . A funo uma


aplicao linear? (Lembre-se: = 1 um espao vetorial!)
Uma vez que ( + ) = ( + )2 = 2 + 2 + 2 = () + () + 2,
vemos que no linear.

Exerccio 4.5 Seja uma aplicao linear qualquer. Mostre que () = .


Em vrias oportunidades vericamos que a identicao

1
(1 , , ) e 1 (4.2)


til no tratamento de vetores. Se a utilizarmos tanto no quanto no ,
ela nos permite interpretar uma matriz = ( ), , como denindo
uma aplicao linear . De fato, dado = (1 , , ) ,
escrevendo esse vetor como uma matriz coluna temos que

11 12 1 1 11 1 + 12 2 + + 1
21 22 2 2 + 22 2 + + 2
= 21 1



1 2 1 1 + 2 2 + +
= 1 . (4.3)

Identicando 1 com o (identicao idntica utilizada em (4.2)),


vemos que a matriz = ( ) associa a cada vetor , um vetor
. Para mostrar que essa funo linear (e, portanto, uma aplicao linear)
basta aplicar propriedades bsicas de matrizes:

( + ) = + .

Note tambm que, se tomarmos o vetor da base cannica do escrito


como uma matriz coluna, obtemos justamente a coluna da matriz . Por
exemplo,
11 12 1 1 11
22 2 0 21
= 21 = .


1 2 0 1

Exerccio 4.6 Considere a matriz

2 1 7 5
= .
(1 1 1 1)

Quais so o domnio e o contra-domnio da aplicao linear denida por ? Calcule , se


= (1, 1, 1, 1). Calcule tambm , em que os vetores compem a base cannica do domnio
de (veja o Exemplo 2.58).
Exerccio 4.7 Sejam = {1 , , } uma base do espao vetorial . Mostre que existe uma
nica aplicao linear tal que = , quaisquer que sejam os vetores no
espao vetorial .
4.1. APLICAES LINEARES E MATRIZES 73

Uma das consequncia da interpretao de uma matriz como denindo


uma aplicao linear diz respeito ao sistema linear = . Se for uma
matriz , esse sistema pode ser entendido como a procura de pontos
que so levados pela aplicao linear no ponto . Ou, dito
de outra forma, as solues do sistema so as pr-imagens do ponto
pela aplicao linear .

Exemplo 4.8 Para = (1 , , ), consideremos denida


por

= (1 , , ) = (11 1 + + 1 , , 1 1 + + ),

em que os escalares , {1, , } e {1, , } so arbitrrios. Um


caso particular desse a aplicao 3 2 dada por

(1 , 2 , 3 ) = (31 + 22 , 1 + 2 + 23 ).

Armamos que, no caso geral, uma aplicao linear. De fato, basta


notar que, em cada uma das coordenadas de , temos

1 (1 + 1 ) + + ( + ) = (1 1 + + ) + +
(1 1 + + ).

Dessa igualdade, vlida para todo {1, , }, deduzimos que


linear. (Justique!)
Se compararmos a denio de com a expresso de na igualdade
(4.3), no podemos deixar de perceber a semelhana: cada uma das coorde-
nadas de coincide com as coordenadas de , com uma nica diferena:
em essas coordenadas so escritas como um vetor do , enquanto
que em so representadas como uma matriz coluna. Vamos entender
o porqu dessa semelhana, considerando a base cannica = {1 , , }
do .
Temos que = (1 , , ) = 1 1 + + . Assim, como cada
um escalar e um vetor, temos

= (1 1 + + ) = 1 1 + + . (4.4)

Tomando = na denio de , obtemos = (1 , 2 , , ).


Decorre de (4.4), escrevendo como matriz coluna, que

11 12 1

= 1 21 + 2 22 + + 2


1 2
11 12 1 1
22 2 2
= 21 (4.5)



1 2

A matriz = ( ) chamada representao de com relao s bases


cannicas do e .
74 CAPTULO 4. APLICAES LINEARES

Exerccio 4.9 Considere 2 3 denida por

= (1 , 2 ) = (31 + 2 , 1 + 2 , 2 ).

Verique que uma aplicao linear. Calcule a matriz que representa com relao s
bases cannicas do 2 e 3 , respectivamente.

Considerada uma aplicao linear , o que foi feito no


Exemplo 4.8 utilizando as bases cannicas do e pode ser feito para
qualquer escolha de bases = {1 , , } e = {1 , , }
. Mostraremos que, com relao a essas bases, pode ser representada

por uma nica matriz, que denotaremos .

De fato, como uma base do , para cada vetor existem nicos
escalares , com {1, , }, tais que

= 1 1 + + + + = [ ] . (4.6)

Por sua vez, dado um vetor qualquer , podemos represent-lo na


base de maneira nica:

= 1 1 + + .

A linearidade de nos garante que

= (1 1 + + ) = 1 1 + +
= 1 (11 1 + + 1 ) + + (1 1 + + )
= (11 1 + + 1 )1 + + (1 1 + + ) .

Isso mostra que

11 1 + + 1

[ ] = 1 1 + +


1 1 + +
11 12 1 1

= 2
1

1 2

= [] . (4.7)

Note que, de acordo com a equao (4.6), as colunas da matriz [ ]


so as representaes dos vetores na base . Uma vez que os escalares

e ( {1, , }, {1, , }) so nicos, nica. Por outro
lado, dada uma matriz , a Proposio 4.37 garante obtermos uma
nica aplicao linear tal que [ ] = [] , substituindo
por na igualdade (4.7).
Demonstramos assim o
4.1. APLICAES LINEARES E MATRIZES 75

Teorema 4.10 Fixadas bases

= {1 , , } e = {1 , , } ,

uma aplicao linear pode ser representada por uma nica


matriz

= ([ 1 ] [ 2 ] [ ] ),
em que [ ] uma matriz coluna, satisfazendo

[ ] = [] .

Reciprocamente, a cada matriz corresponde uma nica apli-



cao linear tal que = .
No caso de aplicaes lineares , a mesma base do espao
pode ser escolhida tanto no domnio quanto no contradomnio. Nesse

caso, denotamos ao invs de .

Exemplo 4.11 Considere a aplicao linear 2 2 denida por

(, ) = (4 2, 2 + ).

Seja a base do 2 formada pelos vetores 1 = (1, 1) e 2 = (1, 0).


Vamos achar a matriz que representa com relao base . (Quer dizer,
estamos procurando a matriz .) Para isso, calculamos

1 = (2, 3) = 3(1, 1) + (1, 0) = 31 + 2 .

Note que escrevemos a imagem de (1 ) na base , utilizada tambm no


contradomnio. De acordo com a notao introduzida na Denio 2.81,
temos (veja o Exemplo 2.83)

3
[ (1 )] = .
(1)

Da mesma forma, (2 ) = (4, 2) = 2(1, 1) + 2(1, 0) = 21 + 22


e, portanto,
2
[ (2 )] = .
( 2)
Assim,
3 2
= ([ 1 ] [ 2 ] ) = .
(1 2)
As colunas de so as imagens dos vetores da base , escritas na prpria
base utilizada, nesse caso, tambm no contradomnio.
Se quisermos calcular a imagem do vetor (1, 2) = 11 + 22 2
utilizando a matriz , primeiro expressamos esse vetor na base (veja o
Exemplo 2.83):

(1, 2) = 2(1, 1) + 1(1, 0) = 21 + 2 .

Calculando
2 3 2 2 4
= = ,
(1) (1 2 ) (1) (4)
76 CAPTULO 4. APLICAES LINEARES

obtemos a resposta na base . Se quisermos a resposta na base cannica,


precisamos escrever o resultado obtido nessa base:

41 + 42 = 4(1, 1) + 4(1, 0) = (0, 4) = 01 + 42 ,

que o mesmo resultado que obtemos ao calcular (1, 2) utilizando a ex-


presso (, ) = (4 2, 2 + ).

Observao 4.12 Dada uma aplicao linear , a escolha de


bases e no pode fazer com que a representao matricial de
assuma formas bem gerais. Por exemplo, se for invertvel, pode
ser a matriz identidade! (Veja o Exerccio 10.) Assim, a representao
de em bases completamente arbitrrias quase no nos passa
informao relevante sobre a aplicao . Essa questo ser tratada no Ca-
ptulo 6. Mas a mesma questo tambm pode ser considerada no contexto
mais geral , contexto que no ser abordado neste texto.

Denio 4.13 Denotamos por ( , ) o espao vetorial de todas as


aplicaes lineares denidas no e tomando valores em

( , ) = { linear},

munido das operaes:

( + )() = + e ()() = .

Exerccio 4.14 Mostre que ( , ) um espao vetorial com essas operaes.

Observao 4.15 Para sermos coerentes com a nossa conveno inicial,


aplicaes lineares , (, ) deveriam ser denotadas em negrito.
Contudo, manteremos a notao que estamos utilizando.

Teorema 4.16 Escolhidas as bases

= {1 , , } e = {1 , , } ,

a aplicao ( , ) , denida por



( ) =

um isomorsmo entre os espaos ( , ) e .

Demonstrao: Comeamos mostrando que linear. Para isso, consi-


deremos a aplicao linear + ( , ). Queremos mostrar que

( + ) = ( + )


=
+ = ( ) + ().

De acordo com a Proposio 4.37, temos que

[( + )] = [ + ] = [ ] + [] .

Pelo Teorema 4.10, isso quer dizer que



( + ) [] = [] + [] = ( + ) []
4.1. APLICAES LINEARES E MATRIZES 77

para todo vetor , de onde decorre a linearidade de . Uma vez que


o Teorema 4.10 garante que a associao entre ( , ) e uma
bijeo, temos o nosso resultado. 

O signicado do Teorema 4.16 que, xadas as bases e



, a identicao entre aplicaes lineares e matrizes

ocorre de maneira linear: as operaes em ( , ) correspondem
quelas de .
Escolhidas as bases de e do , associamos, assim, a cada

aplicao linear a matriz , cuja expresso depende das
bases e . Uma vez que podemos escolher diferentes bases em e
em , vemos que existem muitas maneiras distintas de representar uma
transformao linear por meio de uma matriz. Como se relacionam essas
matrizes que representam a aplicao linear ?
Para responder a essa pergunta, comeamos estudando como se relacio-
nam as representaes de em bases = {1 , , } e = {1 , , }
do espao . Como o ponto no varia, mas apenas as bases em que ele
representado, a aplicao linear que estamos considerando a identidade

I , que pode ser representada pela matriz . (Para sermos co-

erentes com a notao anterior, deveramos escrever I ao invs de .
Entretanto, usual denotar esse tipo de matriz por letras como ou .)

Pelo Teorema 4.10, a -sima coluna de dada por [I ] = [ ] .
1
A matriz chamada matriz de mudana (de coordenadas) da base
para a base . Dadas as coordenadas de na base , isto , [] , as
coordenadas de na base so dadas por


[] = [] . (4.8)


Claramente a matriz possui inversa .

Exemplo 4.17 (Continuao do Exemplo 4.11) Vamos agora obter a ma-


triz , matriz mudana da base para a base . Ela dada pelo Teorema
4.10: escrevemos a imagem dos vetores 1 , 2 pela aplicao identidade na
base . Temos

(1, 0) = 0(1, 1) 1(1, 0) = 01 2

e
(0, 1) = 1(1, 1) + 1(1, 0) = 11 + 12 .

A matriz , ento,
0 1
= .
( 1 1 )

No Exemplo 4.11, calculamos a imagem do vetor (1, 2) = 11 + 22


2 utilizando a matriz . Para isso, tivemos inicialmente que expressar

Alguns autores preferem chamar essa matriz de matriz de passagem da base para
1

a base . Assim, a terminologia utilizada por eles ca invertida com relao nossa.
78 CAPTULO 4. APLICAES LINEARES

esse vetor na base , isto , tivemos que obter [(1, 2)] = 21 + 12 .


Utilizando a matriz , basta multiplicar:

0 1 1 2
= ,
( 1 1 ) (2) (1)

que nos d a mesma informao: [(1, 2)] = 21 + 12 .


Exerccio 4.18 Continuando o Exemplo 4.17, calcule a matriz . Verique que ( )1 =

.

Utilize ento a matriz para obter [ (1, 2)] e compare sua resposta com aquela obtida no
Exemplo 4.11.

Para salientar as bases utilizadas na matriz , muitas vezes utilizamos
o diagrama


( , ) ( , ),


salientando as bases utilizadas para se produzir a matriz . Note, con-

tudo, que ( , ) apenas uma notao para o espao considerado sem
qualquer base!
Passemos ento pergunta feita anteriormente, utilizando essa nova no-
tao: dada uma aplicao linear , como se relacionam as

matrizes e ? Temos o diagrama



( , ) - ( , )
@
I 
@
@
-

@
? @ ?
@
R
-
( , )

( , )

Figura 4.1: No diagrama, a aplicao independe de escolhas


de bases no domnio e contradomnio. Escolhidas as bases e no e
e no , as aplicaes , , e so os isomorsmo dados pela

Proposio 4.37, que do origem s representaes matriciais e .

As matrizes e
so as matrizes mudanas de base no domnio e
contradomnio, respectivamente.

Esse diagrama, cujas componentes so matrizes, nos mostra que



= [


]1
.
=

O caso em que = permite que se tome a mesma base no domnio e


contradomnio. Nesse caso, a relao entre e dada por

1
= [ ] = ,

para qualquer outra base do .


4.1. APLICAES LINEARES E MATRIZES 79

Observao 4.19 Dada uma aplicao linear , a escolha de


bases e no pode fazer com que a representao matricial de

assuma formas bem gerais. Por exemplo, se for invertvel, pode ser
a matriz identidade! Assim, a representao de em bases completamente
arbitrrias quase no nos passa informao relevante sobre a aplicao .
Em geral, consideramos a matriz para uma escolha adequada de base
, como veremos no Captulo 6.
Exemplo 4.20 (Continuao dos Exemplos 4.11 e 4.17) Temos a aplica-
o linear 2 2 denida por
(, ) = (4 2, 2 + ).
A representao de na base cannica a matriz cujas colunas so
4 2
(1, 0) = e (0, 1) = ,
(2) ( 1)
ou seja
4 2
= .
(2 1)
Por outro lado, no Exemplo 4.11 calculamos a matriz :
3 2
= .
(1 2)
Vamos entender a relao entre as matrizes e . Para isso, analisa-
mos o seguinte diagrama (comparando com a Figura 4.1, a aplicao linear
est implcita)

(2 , ) (2 , )
.
2 2
( , ) ( , )

A matriz a matriz mudana da base para a base foi calculada
no Exemplo 4.17:
0 1
= .
(1 1 )
O diagrama anterior garante que
= [ ]1 ,
ou seja,
4 2 0 1 1 3 2 0 1
= .
(2 1 ) (1 1 ) (1 2 ) (1 1 )
Se calcularmos a inversa da matriz , vericaremos esse fato. En-

tretanto, fcil obter . Essa matriz tem como colunas a expresso dos
vetores 1 e 2 na base cannica. Assim, claro que

1 1
= .
(1 0)

Verique que = [ ]1 e que =

.
80 CAPTULO 4. APLICAES LINEARES

Note que a ltima igualdade coerente: dado um vetor = [] (na


base cannica), podemos calcular diretamente = [] = [ ] =
, de acordo com a nossa conveno de denotar [] simplesmente por .
Por outro lado, calculando pelo lado direito da igualdade, temos

=

[] =

[] = [ ] = [ ] = ,

o que produz o mesmo resultado.

4.2 Composio de Aplicaes Lineares e Multipli-


cao de Matrizes
Consideremos aplicaes lineares e e
denotemos por a aplicao composta de com . Quer
dizer,
( ) = ( ).

Lema 4.21 A composta uma aplicao linear. Assim,


( , ).

Demonstrao: ( )( + ) = ( ( + )) = ( + ) =
( ) + ( ()) = ( ) + ( ). 

As prximas propriedades so de fcil vericao:

() ( ) = ( ) , ( , );

() ( + ) = + , ( , );

() ( + ) = + , ( , ).

(As propriedades () e () independem das aplicaes envolvidas serem li-


neares.)

Exerccio 4.22 Mostre as propriedades (), () e () da composio de aplicaes lineares.


As operaes em ( , ) foram interpretadas em termos matriciais
por meio do Teorema 4.16. Como a composta de aplicaes lineares uma
aplicao linear, tambm podemos represent-la por uma matriz. o que
passaremos a tratar.
Usualmente, no caso de aplicaes lineares, denotamos por ,
chamado de produto das aplicaes lineares e . Note que, em geral,
(na verdade, os dois lados nem precisam estar simultaneamente
denidos; mesmo estando, no h razo para serem iguais). A justicativa
para a notao dada no prximo resultado, que mostra que a compo-
sio de aplicaes lineares corresponde multiplicao de matrizes:

Teorema 4.23 Fixadas bases

= {1 , , } , = {1 , , } e = {1 , , } ,
4.3. TEOREMA DO NCLEO E DA IMAGEM 81

ento a matriz ( )

representa a composio das aplicaes lineares
e , com

( )

=

, (4.9)

de modo que
( )

[] = [( )] . (4.10)
Demonstrao: Suponhamos que = 1 1 + + . Pelo Teorema
4.10, temos

( )

= ([( )1 ] [( )2 ] [( ) ] ) .

Mas [( ) ] = [( )] = [ ] , pelo mesmo Teorema 4.10.



Ainda pelo mesmo teorema, [ ] = [ ] , de modo que a -sima
coluna de ( ) , que ( ) [ ] , igual a

[ ] . Como as apli-

caes lineares ( ) e so iguais em cada coluna , conclumos
(4.9).
A equao (4.10) nada mais expressa que o signicado de ( )
, se-
gundo o Teorema 4.10. 

Exemplo 4.24 Sejam escalares arbitrrios. Ento de-


nida em = (1 , , ) por

4.3 Teorema do Ncleo e da Imagem


Nesta seo mostraremos um dos resultados mais importantes da lge-
bra Linear, com implicaes importantes no estudo de sistemas lineares.
Para isso, denimos agora dois subespaos fundamentais associados a
uma aplicao linear.
Denio 4.25 Seja uma aplicao linear. Denimos a
imagem de , denotada por im , por

im = { = }.

Denimos o ncleo de , denotado por ker , por

ker = { = }.

O ncleo e a imagem de so subespaos vetoriais do domnio de


(isto , ) e do contradomnio de (isto , ), respectivamente. De
fato, se 1 , 2 ker e , ento (1 + 2 ) = 1 + 2 =
+ = , provando que 1 + 2 ker . Se 1 , 2 im , ento
existem 1 , 2 tais que 1 = 1 e 2 = 2 . Logo, se ,
1 + 2 = 1 + 2 = (1 + 2 ), o que mostra que 1 + 2 im .
Observe que, nas demonstraes anteriores, no utilizamos bases, seja no
domnio, seja no contradomnio.
82 CAPTULO 4. APLICAES LINEARES

Observao 4.26 O subespao , introduzido no Exemplo 2.32, carac-


terizado, no Exemplo 2.42, como a sendo a imagem da aplicao linear ,
denida em (2.9).

Teorema 4.27 (do Ncleo e da Imagem)


Seja uma aplicao linear. Ento

= dim ker + dim im .

Demonstrao: Se ker {0}, seja {1 , , } uma base de ker .


Como esse um conjunto linearmente independente no espao , podemos
aplicar o Teorema 2.73 e obter uma base

= {1 , , , +1 , , }

do . (Se ker = {0}, simplesmente tomamos uma base de .)


Armamos que { +1 , , } uma base de im . De fato,
suponhamos que
+1 +1 + + = 0.
Da decorre que (+1 +1 + + ) = ; denindo

= +1 +1 + + ,

conclumos que ker . Como {1 , , } uma base de ker , temos


que
= 1 1 + + .
Ou seja,
1 1 + + +1 = .
Como uma base do , conclumos que 1 = = = +1 =
= = 0. Isso mostra que os vetores +1 , , so linearmente
independentes.
Seja agora im . Ento existe tal que = . Como
base de , = 1 1 + + + +1 +1 + + e, portanto,

= = 1 1 + + + +1 +1 + +
= +1 +1 + + ,

pois = 0, {1, , }. Isso mostra que { +1 , , } gera im


e conclui a prova. 

Observao 4.28 Observe que a construo da base foi um passo fun-


damental na demonstrao do Teorema do Ncleo e da Imagem. Se tivs-
semos partido de uma base qualquer (como, por exemplo, a base cannica
do ), a demonstrao s teria sido obtida no caso em que ker = {0}.

Denio 4.29 Seja uma aplicao linear. Dizemos que


um isomorsmo se for uma bijeo.2
2
Uma funo injetora, se (1 ) = (2 ) implicar 1 = 2 ; uma funo
sobrejetora se, para todo , existir tal que () = ; ou seja,
quando im = . Uma funo uma bijeo, se for injetora e sobrejetora.
4.3. TEOREMA DO NCLEO E DA IMAGEM 83

Lema 4.30 Uma aplicao linear injetora se, e somente


se, ker = {0}.

Demonstrao: Se existir tal que = 0, ento no injetora,


pois tambm temos () = . (Veja o Exerccio 4.5.)
Suponhamos agora ker = {} e que existam 1 , 2 tais que 1 =
2 . Da decorre que 1 2 = , ou seja, (1 2 ) = . A ltima
igualdade garante que 1 2 ker , isto , 1 2 = 0 e, portanto,
1 = 2 . Isso mostra que injetora. 

Exemplo 4.31 Considere a aplicao linear 2 3 dada por


(1 , 2 ) = (1 , 2 , 1 + 2 ).
fcil vericar que injetora: (1 , 2 ) = 0 quer dizer
(1 , 2 , 1 + 2 ) = (0, 0, 0),
igualdade que implica (1 , 2 ) = 2 , ou seja, ker = {0}. Mas no
sobrejetora, pois no existe = (1 , 2 ) 2 tal que = (1, 1, 0).

Tal qual feita no exemplo anterior, a vericao de que uma aplicao


linear no sobrejetora parece difcil: como encontrar pontos que no per-
tencem imagem de ? Para vericar que uma aplicao linear
um isomorsmo, temos que vericar que ker = {0} e dim im =
(pois isso implica que im = . Mas podemos simplicar esse procedi-
mento aplicando o Teorema do Ncleo e da Imagem.
Vamos mostrar que, se , ento no um isomor-
smo.
Corolrio 4.32 Se > , ento a aplicao linear no
sobrejetora.
Demonstrao: Pelo Teorema do Ncleo e da Imagem, temos que
dim im = dim ker .
Como < , no podemos ter dim im = . 

Comparando com o Exemplo 4.31, vemos que poderamos dizer imedi-


atamente que no sobrejetora!

Corolrio 4.33 Se < , ento a aplicao linear no


injetora.

Demonstrao: Pelo Teorema do Ncleo e da Imagem, temos


= dim ker + dim im dim ker + ,
pois dim im . Como < , temos dim ker 1. 

Sintetizando os resultados anteriores, aplicaes lineares


podem ser isomorsmos apenas se = . Claro, essa condio no su-
ciente; quer dizer, existem aplicaes lineares que no so
isomorsmos. Mas a vericao de que uma aplicao um
isomorsmo bastante simples:
84 CAPTULO 4. APLICAES LINEARES

Corolrio 4.34 Uma aplicao linear injetora se, e so-


mente se, for sobrejetora. Em outras palavras, um isomor-
smo se, e somente se, ker = {0}.
Demonstrao: De fato, se tivermos ker = {}, ento
dim im = dim ker = .
Como a dimenso da imagem de igual a dimenso do contradomnio de
, temos que sobrejetora. Da mesma forma, se for sobrejetora, ento
dim im = e da deduzimos, como antes, dim ker = 0. 

Assim, para que seja um isomorsmo, basta vericar que


ker = {}. Considerando uma funo qualquer e compa-
rando com esse resultado, temos uma ideia de quo especiais so as aplica-
es lineares !

Exerccio 4.35 D um exemplo de uma aplicao linear que no um isomorsmo.


Exerccio 4.36 Mostre que a aplicao identidade I , denida no Exemplo 4.2, um
isomorsmo.
Proposio 4.37 Seja = {1 , , } uma base do subespao .
Se = 1 1 + + , a aplicao dada por

1

= [] = 2



um isomorsmo entre o subespao considerado com a base e o
espao , este ltimo considerado sem qualquer base.
Demonstrao: Se = 1 1 + + e = 1 1 + + , ento

( + ) = ((1 + 1 )1 + + ( + ) )
1 + 1 1 1
+ 2 2
= 2 = + 2 = + ,


+
mostrando a linearidade de .
Se = , ento = 01 + + 0 = 0, mostrando que ker = {}.
O resultado decorre ento do Teorema 4.34. 

Observao 4.38 Note que, na Proposio 4.37, o espao (ou, mais pre-
cisamente, o espao 1 das matrizes 1) est sendo considerado sem
qualquer base, em virtude da identicao

1
= (1 , , ) 1 .


Usaremos a Proposio 4.37 muitas vezes, especialmente no caso que
que = .
4.4. ESPAO LINHA E ESPAO COLUNA 85

Exerccio 4.39 Mostre que = , o -simo vetor da base cannica do .

4.4 Espao Linha e Espao Coluna


Nesta seo estudaremos mais detalhadamente a matriz = ( ). Como
sabemos, pode ser vista por meio de suas linhas ou colunas:

11 1 1
= = (1 ) = .
(4.11)

1
Os vetores colunas 1 , , so naturalmente identicados com vetores
do . Se = {1 , , }, chamamos de espao coluna o espao gerado
por , isto , < > .
Por outro lado, podemos interpretar as linhas de como elementos do
prprio espao . Se denotarmos = {1 , , } , chamamos de
espao linha o espao gerado por , isto , < > .

Exemplo 4.40 Considere a matriz


2 1 1
= .
(1 1 2)

O espao coluna de o subespao do 2


2 1 1
< >= + + , , .
{ (1) (1) (2) }
Como as duas primeiras colunas de so dadas por vetores linearmente
independentes, claro que < > = 2 .
Por outro lado, o espao linha de o subespao do 3

< > = {(2, 1, 1) + (1, 1, 2) , } .

Como as duas primeiras linhas de so dadas por vetores linearmente in-


dependentes, < > um plano do 3 . Note que as dimenses de < >
e < > so iguais.

Mas, qual o signicado dos subespaos < > e < >? Comeamos
interpretando o espao coluna de uma matriz.
Lema 4.41 Considere o sistema linear no homogneo = , em que
= ( ) uma matriz . Ento so equivalentes:
() Existe soluo para = ;
() O vetor combinao linear das colunas de .
Demonstrao: Basta notar que o sistema = equivalente equao

11 12 1 1

1 21 + 2 22 + + 2 = 2 , (4.12)



1
2

86 CAPTULO 4. APLICAES LINEARES

de acordo com a equao (4.5).


Quer dizer, se = (1 , , ) for uma soluo de = , ento
combinao linear das colunas de por meio dos escalares 1 , , .
Reciprocamente, se existirem escalares 1 , , de modo que seja com-
binao linear das colunas de , ento o vetor = (1 , , )
soluo de = . 

Se existe soluo para o sistema = , isso quer dizer que im .


Em outras palavras, acabamos de mostrar que < > o subespao im .

Denio 4.42 Se = ( ) for uma matriz , denimos a transposta


de como a matriz t = (t ), com t = .

Logo, se for a matriz dada por (4.11), ento

11 1
t = .

1
Assim, as colunas da matriz t so justamente as linhas da matriz .
Como consequncia imediata do Lema 4.41, temos que
< > = im t . (4.13)
Utilizando essas interpretaes para os espaos linha e coluna de uma
matriz, estamos em condies de resolver um problema fundamental: dada
uma matriz , encontrar bases para os espaos ker e im . Para isso,
enunciamos o seguinte
Corolrio 4.43 Seja uma matriz e sua forma escalonada redu-
zida por linhas. Ento as colunas de correspondentes aos pivs de
formam uma base do espao coluna de .
Demonstrao: Considere a forma escalonada reduzida por linhas da
matriz . fcil ver que as colunas de correspondentes aos pivs for-
mam uma base do espao coluna de . Como as solues de = 0 e
= 0 so as mesmas, escolhendo com as coordenadas nulas nas posi-
es correspondentes s variveis livres em = 0, vemos que as colunas
correspondentes aos pivs em so linearmente independentes, aplicando
o Lema 4.41. Do mesmo modo, escrevendo uma coluna de como com-
binao linear das colunas dos pivs de , vemos que a coluna de pode
ser escrita como combinao linear das colunas em correspondentes s
colunas dos pivs em . 

Estude o prximo exemplo e ento releia a demonstrao do Corolrio


4.43.
Exemplo 4.44 Vamos obter bases para o ncleo e a imagem da matriz

3 1 2 4 1
= 1 1 1 1 2 .

2 2 2 1 1
Para obter o ncleo, resolvemos = 0 levando a matriz a sua forma
escalonada reduzida por linhas:
4.4. ESPAO LINHA E ESPAO COLUNA 87

3 1 2 4 1 1 0 1/2 0 5
1 1 1 1 2 0 1 1/2 0 4 .

2 2 2 1 1 0 0 0 1 3
Escrevendo as variveis correspondentes aos pivs em termos da vari-
veis livres, obtemos a soluo geral do sistema homogneo associado.

1 1/2 5
2 1/2 4
3 = 3 1 + 5 0 (4.14)

4 0 3

5 0 1
Assim, podemos concluir que o ncleo de um subespao de dimenso
2, gerado pelos vetores

1/2 5
1/2 4
1 = 1 5 e 2 = 0 5 .

0 3
0 1
De acordo com o Corolrio 4.43, temos que os vetores

3 1 4
1 = 1 , 2 = 1 e 4 = 1

2 2 1
formam uma base da imagem de , pois estes vetores coluna correspondem
s posies dos pivs na forma escalonada reduzida por linhas de .
Vamos aproveitar este exemplo e ilustrar a demonstrao do Corolrio
4.43. Se denotarmos as colunas de por 1 , , 5 , claro que 51 +42 +
03 + 34 = 5 , isto , o vetor t = (5 4 0 3 1) uma soluo de = 0.
Logo, esse vetor soluo de = 0. Assim,

3 1 2 4 1 0
5 1 + 4 1 + 0 1 + 3 1 1 2 = 0 ,

2 2 2 1 1 0
ou seja,
1 3 1 4
2 = 5 1 + 4 1 + 3 1 .

1 2 2 1
De modo anlogo, considerando t = (1 2 0 4 0) e = 0, o fato das
colunas dos pivs de serem linearmente independentes implica que 1 =
2 = 4 = 0. Como = 0, vemos que as colunas de correspondentes
aos pivs de so linearmente independentes, o que ilustra o Corolrio
4.43.

Observao 4.45 Resulta do Corolrio 4.43 um segundo mtodo simples


para a obteno de uma base do subespao < 1 , , > : basta
88 CAPTULO 4. APLICAES LINEARES

formar a matriz = (1 2 ) e ento selecionar as colunas correspon-


dentes aos pivs da sua forma escalonada reduzida por linhas.
Comparando com o Exemplo 2.65, vemos que um outro mtodo para
obter-se uma base para a imagem da matriz consiste em escrever suas
colunas como linhas, ou seja, considerar a matriz transposta. Assim, as
linhas no nulas da forma escalonada de t so linearmente independentes
e, escritas novamente como colunas, produzem uma base para im .
Note, contudo, que ao utilizar esse mtodo para obter bases para ker
e im , temos que escalonar duas matrizes distintas: a matriz , para ob-
ter uma base para ker , e a matriz t , para produzir uma base para im .
Quer dizer, a aplicao do Corolrio 4.43 um mtodo muito mais ecaz!
Por outro lado, a base de im obtida ao se escalonar t tem vetores com
mais entradas nulas do que o mtodo do Corolrio 4.43. Veja novamente o
Exemplo 2.65.
Vamos agora relacionar as dimenses dos subespaos < > e < >
de uma matriz . Mostraremos que esses espaos tm a mesma dimen-
so; isso um fato notvel, pois eles so subespaos de espaos vetoriais
diferentes!
Teorema 4.46 Dada uma matriz , seu espao linha tem a mesma di-
menso de seu espao coluna.
Demonstrao: Suponhamos que os vetores
1 = (11 , 12 , , 1 ), 2 = (21 , 22 , , 2 ), , = (1 , 2 , , )
formem uma base do espao linha da matriz . Ento cada linha de
combinao linear desses elementos:
1 = 11 1 + + 1
2 = 21 1 + + 2
=
= 1 1 + +
Igualando a componente de cada uma dessas equaes, obtemos
1 = 11 1 + 12 2 + + 1
2 = 21 1 + 22 2 + + 2
=
= 1 1 + 2 2 + + .
Assim,
1 11 12 1
2 21 22 2
= 1 + 2 + + ,

1 2
mostrando que as colunas de so combinaes lineares dos vetores

11 1
21 2
,, .

1
4.5. EXERCCIOS 89

Isso quer dizer que o espao coluna tem dimenso, no mximo, igual a ,
ou seja,
dim < > dim < > .
Procedendo da mesma maneira com relao a uma base do espao co-
luna, mostramos que

dim < > dim < > .

Assim, essas duas dimenses so iguais.3 

Denio 4.47 Denimos o posto da matriz , denotado por p , como


sendo
dim < > = dim < > .
Se for uma representao matricial da aplicao linear , denimos

p = p .

O seguinte resultado decorre imediatamente do Teorema 4.46:


Corolrio 4.48 Seja uma matriz . Ento

dim(im ) = dim(im t ).

4.5 Exerccios

1. Considere as aplicaes do 2

1 2 2 2 2 2
() ()
1 (1 , 2 ) = (1 , 0) 1 (1 , 2 ) = (0, 2 )

1 2 2 2 2 2
() () .
1 (1 , 2 ) = (1 , 2 ) 2 (1 , 2 ) = (1 , 2 )
Mostre que cada uma dessas aplicaes linear e encontre sua representao matricial (com
relao base cannica do 2 ). Interprete-as geometricamente.
2. Sejam = {1 , , } uma base do e , aplicaes lineares. Mostre
que, se ( ) = ( ) = para todo {1, , }, ento = .
3. Seja = {1 = (1, 1, 0), 2 = (1, 2, 0), 3 = (1, 1, 1)} uma base do 3 . Ache a aplicao
linear 3 4 tal que 1 = (1, 0, 0, 0), 2 = (0, 0, 0, 1) e 3 = (1, 1, 1, 1).
4. Escreva a equao
1 1 2 3
2 = 1 2 + 2 5 + 3 2

3 3 8 3
na forma de um sistema no homogneo = . Resolva-o, se esse sistema possuir soluo.
5. Sejam uma aplicao linear e {1 , , } um conjunto qualquer. Se { 1 , , }
for linearmente independente, mostre que {1 , , } linearmente independente e, por-
tanto, uma base do .
3
De maneira mais elegante, podemos notar que mostramos dim < > dim < >
para qualquer matriz. Aplicando esse fato matriz t , obtemos o resultado.
90 CAPTULO 4. APLICAES LINEARES

6. Encontre bases para o espao linha e para o espao coluna da matriz , dada por

1 2 1 1 1 2 1 1
1 2 1
2 1 2 1
() 2 1 2 1 ; () () 2 1 2 .
0 1 1 0
0 1 1 0 0 1 1
1 0 0 0

7. Encontre bases para o ncleo e imagem da matriz

1 2 2 3 1 4
2 4 5 5 4 9 .

3 6 7 8 5 9
Determine o posto dessa matriz.
8. Escolhendo as bases cannicas dos respectivos espaos, interprete o Corolrio 4.33 em termos
de um sistema homogneo = 0.
9. Sejam , matrizes . Mostre que = 0 se, e somente se, o espao coluna de estiver
contido no ncleo de .
10. Considere a aplicao linear 2 2 , denida por (1 , 2 ) = (1 , 2 ). Mostre que

invertvel. Escolha bases no domnio e no contradomnio de modo que seja a
matriz identidade.
Captulo 5

Bases e Decomposies
Ortonormais

Objetivos: No nal do captulo o aluno deve:

1. entender o conceito de soma direta de dois subespaos;

2. saber operar com bases ortonormais;

3. saber obter, de um conjunto linearmente independente, um conjunto


ortonormal.

Dada uma aplicao linear , tambm a matriz pode ser


facilmente obtida, se = {1 , , } for uma base ortonormal. De fato, se
denotarmos por = ( ) a matriz , ento -sima coluna de obtida
ao se calcular e expressar esse vetor na base . Assim, temos =
=1 . Por outro lado, de (3.2) decorre que = =1 , para
todo , de modo que

= , = , . (5.1)

Exemplo 5.1 Considere a base

1 1
= (1, 1, 0), (1, 1, 0), (0, 0, 1) 3 ,
{ 2 2 }

que ortonormal com relao ao produto interno cannico do 3 (veri-


que!). Vamos obter , em que 3 3 a aplicao linear denida
por (1 , 2 , 3 ) = (1 + 2 3 , 2 , 3 ). Claramente temos

2
2 0 1
1
1 = 1 , 2 = 2 e 3 = 0 .
2

0 0 1

91
92 CAPTULO 5. BASES E DECOMPOSIES ORTONORMAIS

Calculando, obtemos

1 1 = 23 , 1 2 = 12 , 1 3 = 1
2
2 1 = 21 , 2 2 = 12 , 2 3 = 1 ,
2
3 1 = 0, 3 2 = 0, 3 3 = 1

de modo que
3 1 1
2 2 2
1 .
= 12 12
2

0 0 1

Exerccio 5.2 Sem considerar que a base do Exemplo 5.1 ortonormal, obtenha utilizando
apenas a teoria desenvolvida no Captulo 4, isto , utilizando o Teorema 4.10. Compare sua soluo
com aquela do Exemplo 5.1.
importante ressaltar que o mtodo utilizado no Exemplo 5.1 apenas
uma consequncia simples da Proposio 3.47. De acordo com o Teorema
4.10, para obtermos a -sima coluna de precisamos calcular [ ] ,
isto , obtermos os coecientes em

= 1 1 + + .

Ora, a Proposio 3.47 nos diz que

= , = , .

5.1 Exerccios
1.
Captulo 6

Autovalores e Autovetores

Objetivos: No nal do captulo o aluno deve:

1. entender o conceito de soma direta de dois subespaos;

2. saber operar com bases ortonormais;

3. saber obter, de um conjunto linearmente independente, um conjunto


ortonormal.

6.1 Subespaos Invariantes


Dada uma aplicao linear , j vimos que a escolha de
bases no domnio e no contradomnio pode fazer com que a repre-

sentao matricial se torne bastante simples (veja a Observao 4.12 e
o Exerccio 10 do Captulo 4). Mas, no queremos desprezar informaes
importantes fornecidas por , como aconteceu naquele exerccio.
Aqui restringiremos nossa ateno obteno de uma representao ma-
tricial simples do operador que contenha informaes impor-
tantes fornecidas por . Para isso, consideraremos uma nica base , uti-
lizada tanto no domnio quanto no contradomnio, e tentaremos obter uma
forma simples para .
Dependendo de nossos objetivos, existem vrias maneiras para se fazer
isso. Neste texto restringiremos nossa ateno a operadores que podem ser
representados por uma matriz diagonal. Embora no seja vlida para todos
os operadores lineares, a representao diagonal de um operador muito
importante.

Denio 6.1 Seja um operador linear e um subespao.


Dizemos que invariante por se ( ) .

Note que se for invariante por , podemos considerar a restrio


| , isto , a aplicao .

Exemplo 6.2 Suponhamos que, para alguma aplicao linear


, tenhamos = . Considere = < >, o espao gerado por .
Se , ento = para algum escalar . Como () = =
() , vemos que invariante por .

93
94 CAPTULO 6. AUTOVALORES E AUTOVETORES

Seja um operador linear. Suponhamos que


1. = 1 ;
2. cada subespao seja invariante por .
Vamos escolher arbitrariamente bases de cada subespao . Ento
= {1 , , } uma base do . (Veja o Exerccio 3.36.)
A representao de na base uma matriz diagonal em blocos (veja
o Exemplo 6.3):

[1 ]1 0 0
0 [2 ]2 0
= ,


0 0 [ ]
em que a restrio de a , isto , .
Reciprocamente, se existir uma base do espao na qual a aplicao
representado por uma matriz diagonal com blocos, ento
existe uma decomposio = 1 , com ( ) .
Exemplo 6.3 Sejam 1 = {(, 0, , 0) 4 } e 2 = {(0, , 0, ) 4 }.
Claramente vale
4 = 1 2 .
Considere a aplicao 4 4 denida por
(, , , ) = ( , + , + 2, )
Claramente ( ) para = 1, 2. Tomemos as bases 1 = {(1, 0, 1, 0), (1, 0, 1, 0)}
e 2 = {(0, 1, 0, 1), (0, 0, 0, 1)} de 1 e 2 , respectivamente. A represen-
tao de na base = {1 , 2 }
3 1
2 2 0 0
3
2 3 0 0
= 2 . (6.1)
0 0 2 1

0 0 1 0

Exerccio 6.4 Voc consegue justicar a armao que a matriz tem a forma (6.1)?

6.2 Determinantes e Autovalores


Denio 6.5 Duas matrizes e so semelhantes, se existir uma matriz
invertvel tal que = 1 .
Lema 6.6 Matrizes semelhantes possuem o mesmo determinante.
Demonstrao: Temos
det = det( 1 ) = det 1 det det
= det det( 1 ) = det det I
= det . 

Exerccio 6.7 Interprete, em termos de mudana de base, a semelhana de matrizes. Nesses ter-
mos, qual a relao entre as matrizes e ?
6.2. DETERMINANTES E AUTOVALORES 95

O exerccio anterior torna possvel a seguinte denio:


Denio 6.8 Seja uma aplicao linear. Denimos

det = det = det ,

em que qualquer base do .

Exemplo 6.9 Considere o operador linear 2 2 denido por

(1 , 2 ) = (21 + 32 , 41 52 ).

Para obter det , escolhemos uma base e encontramos a matriz . Por


exemplo, se = {1 = (1, 2), 2 = (2, 5)}, ento (verique!)
52 129
= .
( 22 55 )
Ento vericamos que det = 22.
Se tivssemos escolhido a base cannica , teramos (verique!)
2 3
=
( 4 5 )
e det tambm igual a 22.

Denio 6.10 Seja um operador linear. O polinmio

() = det(I )

o polinmio caracterstico de . As razes desse polinmio so


os autovalores de . Os elementos no-nulos de ker( I ) so os auto-
vetores associados ao autovalor , ou simplesmente autovetores de . O
auto-espao associado ao autovalor denido por

= ker(I ) = { ; (I ) = 0} .

O prximo exerccio mostra que o polinmio caracterstico de est


bem denido:

Exerccio 6.11 Mostre que det(I ) = det(I ) para qualquer base do , adaptando a
demonstrao do Lema 6.6,
Exerccio 6.12 Seja uma matriz . Mostre que: det(I ) um polinmio mnico1 de grau
na varivel .

Exemplo 6.13 Considere 4 4 denida por

(1 , 2 , 3 , 4 ) = (31 42 +3 +4 , 21 62 +23 +24 , 23 +24 , 3 +34 ).

A representao de na base cannica do 4 dada por

3 4 1 1 3 4 1 1
2 6 2 2 2 + 6 2 2
= I =
0 0 2 2 0 0 2 2

0 0 1 3 0 0 1 3
1
Isto , o coeciente do termo de maior grau igual a 1.
96 CAPTULO 6. AUTOVALORES E AUTOVETORES

que uma matriz diagonal em blocos, com blocos diagonais


3 4 2 2
I = e I = .
( 2 + 6) ( 1 3 )

Como sabemos (veja Introduo lgebra Linear, Teorema 1.28), o deter-


minante da matriz (I ) obtido como o produto dos determinantes das
matrizes (I ) e (I ). Assim, vemos que o polinmio caracterstico
de o polinmio () = det(I ) com
() = det(I ) = det(I )
= det(I ) det(I )
= (2 + 3 10)(2 5 + 4)
= ( 2)( + 5)( 1)( 4).
Desse modo, os autovalores de so 5, 1, 2 e 4.

Exerccio 6.14 Encontre os autovalores da matriz

1 1 1 1
0 2 3 4
= .
0 0 3 3

0 0 0 4

6.3 Autovetores e Diagonalizao


Seja uma aplicao linear. Consideremos a seguinte si-
tuao ideal: suponhamos a existncia de uma decomposio do em
subespaos invariantes por :
= 1 2 , dim = 1, 1 . (6.2)
Seja { } uma base de . Ento = {1 , , } uma base do .
Como ( ) , existe tal que = . A representao de
na base (no domnio e na imagem) a matriz diagonal = , dada
por
1 0 0
0 2 0
= .


0 0
Dizemos, ento, que diagonalizvel. (Note que podemos ter =
para .)
A igualdade = garante que ker( I ); assim, det( I
) = det( I ) = 0, de acordo com o Exerccio 6.11. Isso quer dizer que
uma raiz do polinmio caracterstico () = det(I ) do operador
(ou da matriz ). Uma vez que () um polinmio mnico de grau
(veja o Exerccio 6.12), o Teorema Fundamental da lgebra garante que
() possui exatamente razes. Assim, podemos concluir (mesmo quando
= para ) que
() = ( 1 )( 2 ) ( ) (6.3)
6.3. AUTOVETORES E DIAGONALIZAO 97

e ker( I ). (Note que a equao = satisfeita por qualquer


elemento de .)

Observao 6.15 Segundo o Teorema Fundamental da lgebra, um po-


linmio de grau possui exatamente razes complexas, contada a mul-
tiplicidade da raiz. Esse o caso, por exemplo, do polinmio (de grau )
() = ( 3)2 ( 1)2 . Nesse texto estamos estudando apenas autovalores
reais, isso , estamos supondo que as razes do polinmio caracterstico se-
jam todas reais. Mas isso nem sempre verdade. Por esse motivo, a teoria
de autovalores e autovetores melhor desenvolvida quando o corpo de es-
calares o conjunto dos complexos e no o conjunto do nmeros reais. Nas
consideraes anteriores, como um subespao do , temos que os es-
calares so nmeros reais e, portanto, todos os autovalores do polinmio
caracterstico de so reais.

Mudemos agora o enfoque e consideremos o operador com seu po-


linmio caracterstico () = det(I ). As razes do polinmio ca-
racterstico so os autovalores de . Se existirem razes distintas ,
isto , se
() = ( 1 ) ( ),
com para , ento = 1 , com ( )
para {1, , }. De fato, para cada , existe ao menos um vetor no nulo
tal que ( I) = 0 pois, como I no tem inversa, o sistema
( I) = 0 possui soluo no-trivial . (Esse vetor 0 um
autovetor de associado ao autovalor .) Isso quer dizer que = < >
tal que dim 1. Como = {0}, se , conclumos que
dim = 1.
Para garantir que = 1 , aceitaremos momentaneamente
que autovetores associados a autovalores distintos so linearmente in-
dependentes, resultado que ser demonstrado mais adiante. Admitido esse
resultado, conclumos que {1 , , } uma base do . Quer dizer,
nesse caso especial em que o polinmio caracterstico possui razes reais
distintas, teremos provado que

= 1 2 ,

com = ker( I) e ( ) (pois ( ) = = ).

Estamos, assim, em um caso particular da situao em que iniciamos;


logo, a representao de na base = {1 , , } ser justamente a
matriz diagonal dada por .
Entretanto, nem sempre o polinmio caracterstico produto de fatores
lineares distintos, mesmo se o operador for diagonalizvel:

Exemplo 6.16 O polinmio caracterstico da aplicao identidade

() = det(I I) = ( 1) , que possui apenas a raiz 1. Vale a decompo-


sio (6.2)
= 1
98 CAPTULO 6. AUTOVALORES E AUTOVETORES

com = { | } e I( ) . Contudo, ao autovalor 1 est associado


o espao 1 = ker(1I I) = ker 0 = .

Observao 6.17 O polinmio caracterstico de especi-


almente importante por causa de suas razes, os autovalores de . Como
det( I) = (1) det(I ) (em que a dimenso do ) um polin-
mio que possui as mesmas razes de det(I ), usual chamar de polinmio
caracterstico de tambm ao polinmio det( I).

Mostraremos agora a armativa de que autovetores associados a auto-


valores distintos so linearmente independentes. Sendo mais preciso:
Teorema 6.18 Se for um autovetor de associado ao au-
tovalor , e se para , ento o conjunto {1 , , }
linearmente independente.
Demonstrao: Faremos induo no nmero de elementos do conjunto
{1 , , }. Se = 1, o resultado bvio. Suponhamos verdadeiro para
1 vetores e consideremos o caso de vetores. Se

1 1 + 2 2 + + = 0, (6.4)

aplicando em (6.4), obtemos

1 1 + 2 2 + + = 0.

Mas = . Assim,

1 1 1 + + = 0.

Por outro lado, multiplicando (6.4) por , vem

1 1 + 2 2 + + = 0.

Subtraindo essas duas ltimas equaes, conclumos que

1 (1 )1 + 2 (2 )2 + + 1 (1 )1 = 0.

Como 0 para todo = 1, , 1, a hiptese de induo


garante que = 0 para {1, , 1}. Levando em (6.4), conclumos
que = 0 e que {1 , , } linearmente independente. 

Exerccio 6.19 Considere a matriz


4 1 1
= 2 5 2 .

1 1 2

1. Verique que o polinmio caracterstico de () = 3 112 + 39 45.


2. Verique que = 3 uma das razes do polinmio caracterstico de .2
2
Para tentar encontrar razes inteiras de um polinmio () com coecientes inteiros,
devemos testar os divisores do termo independente 45. Assim, uma raiz de () deve ser
procurada entre {1, 3, 5, 9, 15, 45}. Mas existem polinmios com coecientes in-
teiros que no possuem raiz inteira. Voc consegue dar um exemplo?
6.3. AUTOVETORES E DIAGONALIZAO 99

3. Encontre as razes restantes de ().


4. Encontre autovetores 1 , 2 e 3 , cada um associado a uma dessas razes.
5. Responda: o conjunto {1 , 2 , 3 } linearmente independente?
Exerccio 6.20 Suponha que vetores 1 , 2 e 3 esto associados, respectivamente, aos autovalores
1, 1 e 2. O conjunto {1 , 2 , 3 } linearmente independente?
O corolrio a seguir traz o enunciado do resultado vericado no incio
da seo:

Corolrio 6.21 Se o operador linear possuir polinmio ca-


racterstico com razes distintas, ento possui uma base formada
por autovetores de . A aplicao representada na base uma matriz
diagonal, sendo os elementos da diagonal principal os autovalores de .

Teorema 6.22 Uma aplicao linear diagonalizvel se, e


somente se, existir uma base do formada por autovetores de .

Demonstrao: Suponhamos que = {1 , , } seja uma base do


tal que seja uma matriz diagonal (no estamos supondo que os sejam
distintos!):
1 0 0
0 2 0
= = .


0 0
De acordo com a equao (4.7), temos

[ ] = [ ] = = .

Isso quer dizer que

= 01 + + + + 0 ,

mostrando que = .
A recproca imediata. 

Exerccio 6.23 O operador do Exemplo 6.13 diagonalizvel? E a matriz do Exerccio 6.19?


fcil dar exemplos de operadores que no so diagonalizveis:

Exemplo 6.24 Consideremos o operador 2 2 , cuja representao


matricial na base cannica do 2

0 1
= .
(0 0)

O polinmio caracterstico de (e de ) () = 2 , de modo que seu


nico autovalor = 0. A esse autovalor de est associado um nico
autovetor: 1 = 01 . Pelo Teorema 6.22, no existe uma base de 2 na
qual assuma uma representao diagonal.
100 CAPTULO 6. AUTOVALORES E AUTOVETORES

Exemplo 6.25 Considere a aplicao linear 2 2 denida por

(1 , 2 ) = (31 42 , , 21 62 ),

cuja representao na base cannica do 2

3 4 3 4
= I = (6.5)
( 2 6 ) ( 2 + 6 )

Ento o polinmio caracterstico de o mesmo que o polinmio ca-


racterstico de :

3 4
() = det(I ) = det = 2 + 3 10
( 2 + 6 )
= ( 2)( + 5).

Assim, os autovalores de so = 5 e 2.
Substituindo = 5 na expresso de I dada por (6.5), obtemos o
sistema homogneo representado matricialmente por

8 4 1 0
= ,
( 2 1 ) (2 ) (0)

que conduz forma escalonada reduzida por linhas

1 12
.
( 0 0)

Assim, as solues do sistema so dadas por

1/2
= 5 .
(1)

O autoespao associado ao autovalor = 5 dado por

1/2
5 = ker(5I ) = 2 = 5 , 5 .
{ (1) }

(Note que, tomando 5 = 0, vericamos que 5 , mas no um


autovetor associado ao autovalor 5.)
Eliminando fraes (ou, o que o mesmo, tomando 5 = 2), encon-
tramos o autovetor
1
1 = ,
(2)
que gera o autoespao 5 .
Do mesmo modo, considerando o autovalor = 2, chegamos ao sistema
homogneo cuja matriz na forma escalonada reduzida por linhas

1 4
,
( 0 0)

de modo que suas solues so dadas por

4
= 2 .
(1)
6.4. ALGUNS FATOS SOBRE NMEROS COMPLEXOS 101

Assim, o autoespao associado ao autovalor = 2 dado por

4
2 = ker(2I ) = 2 = 2 , 2 ,
{ (1) }

que gerado pelo vetor


4
2 = .
(1)
Ao tomarmos a base = { = (1 2), = (4 1)}, a representao de
na base
5 0
= ,
( 0 2)

enquanto a matriz dada por

4 1
= .
(1 2)

Verique que = 1 .

Exerccio 6.26 Seja 2 2 denida por

(1 , 2 ) = (21 + 22 , 1 + 32 ).

Encontre uma base de modo que a representao de nessa base seja uma matriz diagonal.
Exerccio 6.27 De acordo com o Corolrio 6.21, o operador denido no Exemplo 6.13 dia-
gonalizvel, pois possui 4 autovalores distintos. Voc consegue encontrar uma base de modo
que seja uma matriz diagonal, utilizando apenas os resultados do Exemplo 6.25 e do Exerccio
6.26? Se voc no conseguir, ache diretamente a base procurada e compare seu resultado com
aqueles do Exemplo 6.25 e do Exerccio 6.26.

6.4 Alguns fatos sobre nmeros complexos


O conjunto dos nmeros complexos um conjunto de pares ordenados
(, ), com , . Diferenciamos esse conjunto do 2 ao denirmos
nele, alm da operao de soma

(, ) + (, ) = ( + , + ),

tambm uma operao de multiplicao:

(, )(, ) = ( , + ).

Com essas operaes, esse conjunto de pares ordenados denotado por .


usual denotar o par ordenado (, ) por + , denindo 2 = 1.
Se = + , denimos = e = , chamadas de parte
real e parte imaginria do nmero complexo .
Utilizando essa notao +, a expresso da multiplicao de nmeros
complexos simplicada ao separarmos suas partes real e imaginria:

( + )( + ) = + + + 2 = ( ) + ( + ),
102 CAPTULO 6. AUTOVALORES E AUTOVETORES

mostrando que a multiplicao de nmeros complexos feita como no caso


de nmeros reais se aplicarmos a igualdade 2 = 1.
Assim, o conjunto dos nmeros complexos pode ser denido como

= { + , e 2 = 1}.

Note que pode ser considerado como um subconjunto de , se tomarmos


= 0 nessa denio.
Introduzimos o conjugado do nmero complexo , denotado por . Se
= +
= ( + ) = .
Se , , fcil vericar que

+ = + e = .

Em particular, se = , ento

= 2 + 2 0,

de modo que podemos denir o valor absoluto de por

|| = = 2 + 2 .

Um vetor complexo como um vetor do , apenas com entra-


das complexas:

1

= 2 , em que , = {1, , }.



Da mesma forma que no caso de matrizes reais, uma matriz com
entradas complexas pode multiplicar uma matriz com entradas com-
plexas:

11 12 1 11 12 1 11 12 1
21 22 2 21 22 2 21 22 2
= ,



1 2 1 2 1 2
em que

= ,

=1

como na multiplicao de matrizes com entradas reais.


Para uma matriz , com entradas complexas, denimos como
a matriz obtida ao se tomar o conjugado de cada entrada de . Assim, se
= ( ), ento
11 12 1
22 2
= 21 .


1 2
6.5. AUTOVALORES E AUTOVETORES COMPLEXOS 103

Note que, se for uma matriz com entradas reais, ento = .


Se for uma matriz e uma matriz , fcil vericar que

= .

Em particular, esse resultado tambm se for uma matriz coluna, isto ,


um vetor com entradas complexas.

Exerccio 6.28 Mostre que as seguintes propriedades so vlidas no conjunto dos nmeros com-
plexos:
() ( + ) + = + ( + ) para quaisquer , , (associatividade da adio);
() + = + para quaisquer , (comutatividade da adio);
() existe 0 tal que + 0 = para todo (existncia do elemento neutro aditivo);
() para todo , existe () tal que + () = 0 (existncia do simtrico);
() () = () para quaisquer , , (associatividade da multiplicao);
() = para quaisquer , (comutatividade da multiplicao);
() existe 1 tal que 1 = para todo (existncia do elemento neutro multiplicativo);
() para todo 0 , existe 1 tal que 1 = 1 (existncia de inversos);
() ( + ) = + para quaisquer , , (distributividade).
Por satisfazer essas propriedades (que tambm so satisfeitas pelo conjuntos dos nmeros re-
ais), dizemos que um corpo.
Exerccio 6.29 Sejam , . Mostre que + = + e = .
Exerccio 6.30 Se for uma matriz e uma matriz , mostre que

= .

Exerccio 6.31 Mostre que se = (1 2 ) for um vetor complexo, ento

( ) = |1 |2 + + | |2 .

Exerccio 6.32 Sejam , matrizes . Mostre que

+ = + .

6.5 Autovalores e Autovetores complexos


Frisamos que apenas as razes do polinmio caracterstico so
autovalores de um operador .
Por exemplo, se 2 2 for denido por (, ) = (, ), ento
sua representao na base cannica do 2 a matriz

0 1
= = ,
( 1 0 )

o que implica
1
I = ,
(1 )
104 CAPTULO 6. AUTOVALORES E AUTOVETORES

de modo que o polinmio caracterstico de () = 2 + 1, que no possui


razes reais. Assim, no possui autovalores ou autovetores.
Mas o polinmio caracterstico () pode ser fatorado como

2 + 1 = ( )( + )

no corpo dos complexos. Assim, so razes do polinmio caracterstico


e chamadas de autovalores complexos.
Substituindo = em I , chegamos forma escalonada reduzida
por linhas
1
.
( 0 0)
(Nenhuma conta necessria para se chegar a essa forma escalonada redu-
zida por linhas; voc sabe justicar o motivo?)
Resolvendo o sistema homogneo associado a essa matriz, chegamos ao
sistema
1 2 = 0,
que nos proporciona o autovetor complexo


.
(1)

Do mesmo modo, substituindo = , em I , chegamos forma


escalonada reduzida por linhas

1
.
(0 0)

(Como antes, nenhuma conta necessria para se chegar a essa forma esca-
lonada reduzida por linhas.)
Resolvendo o sistema homogneo associado a essa matriz, chegamos ao
autovetor complexo

.
(1)
Verique que os autovetores complexos


1 = e 2 =
(1) (1)

so linearmente independentes em 2 , isto , 1 1 + 2 2 = 0 implica


1 = 2 = 0. (De outra forma, verique que no existe tal que
1 = 2 .) Note que esse resultado est em completo acordo com o Teorema
6.18.
Se consideramos a base

= 1 = , 2 = ,
{ (1) ( 1 )}

a representao de na base

0
= ,
( 0 )
6.6. EXERCCIOS 105


enquanto a matriz mudana dada por


= = .
( 1 1)

Verique que, como em exemplos anteriores,

= 1 .

6.6 Exerccios
1. Considere a matriz
3 1 1
= 7 5 1 .

6 6 2
(a) Acho o polinmio caracterstico de .
(b) Ache os autovalores de .3
(c) Ache autovetores associados a cada um dos autovalores.
(d) A matriz diagonalizvel?

2. Encontre uma base do 2 tal que a expresso da matriz

1 1
=
( 4 1)

na base uma matriz diagonal. Os autovetores de so ortogo-


nais?

3. Considere o operador linear 3 3 denido por

(1 , 2 , 3 ) = (41 + 22 + 23 , 21 + 42 + 23 , 21 + 22 + 43 ).

(a) Encontre , a representao de na base cannica do 3 .


(b) Encontre o polinmio caracterstico de .
(c) Encontre bases para os autoespaos associados a cada um dos
autovalores.
(d) Aplique o processo de ortogonalizao de Gram-Schmidt base
do autoespao 2 .
(e) Considere o conjunto formado pelas bases ortogonais de cada
um dos autoespaos. Esse conjunto uma base do 3 ? Essa
conjunto ortogonal?

4. Considere a matriz
3 5
= .
( 2 3 )
(a) Encontre o polinmio caracterstico de
(b) Quais so os autovalores de em ? E em ?
3
Veja o Exerccio 6.19.
106 CAPTULO 6. AUTOVALORES E AUTOVETORES

(c) Se possvel, encontre uma base na qual representada por


uma matriz diagonal.

5. Repita o exerccio anterior para a matriz

1 1
= .
( 2 1 )
Captulo 7

A Adjunta

Objetivos: No nal do captulo o aluno deve:

1. saber denir, em termos do produto interno, a adjunta de uma aplica-


o linear;

2. saber operar com bases ortonormais;

3. saber obter, de um conjunto linearmente independente, um conjunto


ortonormal.

7.1 O Teorema de Representao de Riesz


Fixado , a aplicao , uma aplicao linear. Reci-
procamente, temos o importante

Teorema 7.1 (de Representao de Riesz)


Todo funcional linear pode ser escrito como um produto
interno. Mais precisamente, existe um nico tal que

() = , .

Demonstrao: Considere uma base ortonormal {1 , , } . Se


, ento = , 1 1 + + , e

() = (, 1 1 + + , )
= , 1 (1 ) + + , ( )
= , (1 )1 + + , ( )
= , (1 )1 + + ( ) .

Dena = (1 )1 + + ( ) . Como {1 , , } uma base,


nico. 

Seja ( ) = { }. Fixado , a aplicao ,


linear e, portanto, dene um funcional linear em ( ) . Reciprocamente,
o Teorema de Representao de Riesz estabelece que todo elemento
( ) tem a forma () = , para algum vetor . Assim, temos
que existe uma bijeo entre e ( ) .

107
108 CAPTULO 7. A ADJUNTA

Corolrio 7.2 A aplicao um isomorsmo entre ( ) e .


Demonstrao: O Teorema de Representao de Riesz estabelece uma bi-
jeo entre e ( ) , que denotaremos por . Falta apenas mostrar que
linear. Dados , , existem funcionais lineares , tais que
() = , e () = , para qualquer . Ento

( + ) = , + = , + , = () + ()
= () + (). 

7.2 A Adjunta
Denio 7.3 Seja uma aplicao (no necessariamente
linear). Uma aplicao adjunta de , se satiszer

, = , , .

Note que, do lado esquerdo da igualdade, o produto interno o utilizado


no espao , enquanto no lado direito o produto interno utilizado no .
Lema 7.4 Seja uma aplicao linear. Se existir a adjunta
de , ento ela nica. Alm disso, linear.
Demonstrao: Sejam , e . Ento,

, ( + ) = , +
= , + ,
= , + , .

Assim,

, ( + ) = 0, .

Escolhendo = ( + ) , conclumos que

( + ) 2 = 0,

o que implica ( + ) = 0, provando a linearidade de .


O mesmo argumento prova sua unicidade. 

Proposio 7.5 Existe a adjunta de uma aplicao linear .

Demonstrao: Para todo xo, a aplicao , pertence


ao dual ( ) = { linear}. O Teorema de Represen-
tao de Riesz garante, ento, que existe um nico (dependendo de
) tal que
, = ,
para todo . Dena = . Est assim denida, para cada ,
uma aplicao .
A linearidade de , bem como sua unicidade, foram demonstradas no
Lema 7.4. 
7.2. A ADJUNTA 109

Exemplo 7.6 Seja 2 2 dada por (, ) = ( + , + ),


com 2 considerado com o produto interno cannico. A base cannica ,
ento, ortonormal e a representao de nessa base a matriz


= .
( )

Logo,

(1 , 1 ), (2 , 2 ) = (1 + 1 )2 + (1 + 1 )2
= (2 + 2 )1 + (2 + 2 )1
= (1 , 1 ), (2 + 2 , 2 + 2 ),

de onde conclumos que


[ ] = = ( ) .
( )

Os clculos efetuados no exemplo anterior sugerem que o tratamento do


caso geral de uma matriz deve ser bastante difcil. Como veremos, a
identicao da adjunta de uma matriz qualquer com relao a uma
base ortonormal bastante simples e mostra a utilidade do tratamento abs-
trato que estamos adotando. Na verdade, o tratamento abstrato tem como
um de seus objetivos exatamente este: simplicar a obteno de resultados
gerais, ao ignorar todas as informaes adicionais implicitamente obtidas
ao se tratar de um exemplo especco. (Note que, no Exemplo 7.6, foi es-
colhida a base cannica do 2 .)

Exerccio 7.7 Seja uma aplicao linear. Mostre que ( ) = .

Lema 7.8 Sejam = {1 , , } uma base ortonormal do espao


e um operador linear. Se = ( ) for a representao
de na base , ento a representao de na base a transposta
da representao de na base . Em outras palavras, se = ( ) a
representao de na base , ento

= .

Demonstrao: De acordo com a igualdade (5.1), temos que = , ,


de modo que

= , = , = , = .


Observao 7.9 Na continuao deste texto, continuaremos a empregar a


notao que pode, contudo, ser substituda por .
110 CAPTULO 7. A ADJUNTA

Exemplo 7.10 Seja 3 3 denida por

(1 , 2 , 3 ) = (21 + 32 43 , 51 62 + 73 , 81 + 92 + 3 ).

Vamos encontrar . Para isso, achamos a representao de na base can-


nica do 3 :
2 3 4
= = 5 6 7 .

8 9 0
Aplicamos o Lema 7.8 e obtemos

2 5 8

= = 3 6 9 ,

4 7 0

que implica que

(1 , 2 , 3 ) = (21 + 52 83 , 31 62 + 73 , 41 + 72 ).

Proposio 7.11 Seja um subespao invariante pelo operador


. Ento invariante por .

Demonstrao: Sejam e . Ento 0 = , = , .


Assim, perpendicular a para todo . Logo, . 

7.3 Decomposies Ortogonais de Espaos


A demonstrao simples do prximo resultado est em oposio sua
importncia...

Teorema 7.12 Seja uma aplicao linear. Ento vale:

() ker = (im ) ;

() ker = (im ) ;

() im = (ker ) ;

() im = (ker ) ;

() p = p .

Em particular, valem as decomposies ortogonais1

= ker im e = ker im .

Demonstrao: Tambm nesse caso as demonstraes so muito seme-


lhantes. A armao () mostra-se assim:
1
Observe que, em = ker im , a notao insatisfatria, uma vez que a orto-
gonalidade entre os subespaos ker e im informao primordial da armao. Assim,
vamos salientar a ortogonalidade dos espaos envolvidos em uma soma direta dizendo que
ela ortogonal.
7.4. ISOMETRIAS 111

ker T ker T 


im T  im T

T



 
T




E F

Figura 7.1: As aplicaes e decompem ortogonalmente os espaos


e .

ker = 0 , = 0
, = 0 im .

Do mesmo modo mostra-se (). As relaes () e () so obtidas


passando-se ao complementar ortogonal.
Finalmente, () decorre de

posto = dim(im ) = dim(ker ) = dim dim(ker )


= dim(im )
= posto . 

Exemplo 7.13 Seja uma matriz. Consideremos o sistema li-


near no-homogneo = . Se im ento esse sistema no possui
soluo. Considerada a decomposio ortogonal

= ker im ,

vemos que = tem soluo se, e somente se, (ker ) = im .

7.4 Isometrias
Denio 7.14 Seja uma aplicao (no necessariamente
linear). A aplicao uma isometria se, para quaisquer , ,
tivermos
() () = . (7.1)

(Note que estamos denotando as normas nos espaos e por .)


Decorre imediatamente da denio que a composta de duas isometrias
uma isometria.
Um exemplo elementar de isometria uma translao:

() = +

para xo.
112 CAPTULO 7. A ADJUNTA

Dada uma isometria , podemos comp-la com uma trans-


lao e produzir assim uma isometria que preserva a origem (isto , leva
0 em 0 ). Reciprocamente, toda isometria a composta de uma
isometria que preserva a origem com uma translao.
Teorema 7.15 Seja uma isometria, com (0) = 0. Ento
linear.
Demonstrao: Vamos denotar () = , () = etc. Por denio
vale
= . (7.2)
Tomando sucessivamente = 0 e = 0 em (7.2), obtemos tambm
= e = . (7.3)
Uma vez que
, = , , , + , ,
ao elevarmos ao quadrado (7.2) e (7.3), obtemos
, + , = , + , . (7.4)
Do mesmo modo,
2 = 2 + 2 + 2 , ,
, , + , + , .
Substituindo (7.2), (7.3) e (7.4) na ltima igualdade, chegamos a
2 = 2 .
Escolhemos ento = + . O lado esquerdo dessa igualdade , ento,
nulo. Assim, temos = 0. Mas isso mostra que ( + ) =
() + ().
Temos que (7.4) implica
(), () = , .
Agora completamos a prova da linearidade de :
(), = , = , = (), ()
= (), ().
Por conseguinte,
() (), () = 0.
Escolhendo sucessivamente = e = , obtemos
() (), () = 0
e
() (), () = () (), () = 0.
Logo,
() (), () () = 0,
mostrando a linearidade de . 
7.4. ISOMETRIAS 113

Note que uma isometria entre os espaos e sempre uma apli-


cao injetora.

Teorema 7.16 Seja uma aplicao linear. As seguintes


armativas so equivalentes:

() uma isometria;

() preserva o produto interno: , = , ;

() = I.

Se = , ento essas condies so equivalentes a

() e so isometrias.

Demonstrao: A identidade de polarizao (Exerccio 6 do Captulo 3)


mostra que () implica ().
Para quaisquer , , vale

, = , = , , = 0.

Escolhendo = , vemos que () implica ().


Uma vez que

, = , = , ,

temos que () implica ().


Se = , de = I decorre que 1 = e, portanto, =
I. Como 2 = , = , = 2 , temos que
uma isometria. O mesmo clculo com ao invs de garante
que tambm uma isometria. Assim, () implica ().
bvio que () implica (). 

Como uma isometria preserva a ortogonalidade, temos imediatamente:

Corolrio 7.17 Seja uma isometria linear. Ento leva


conjuntos ortogonais do em conjuntos ortogonais do .

Proposio 7.18 Seja uma isometria linear. Ento det =


1.

Demonstrao: Como = e det = det , a igualdade =


I garante que (det )2 = 1 e, portanto, det = 1. 

Lema 7.19 Seja um operador linear tal que a imagem de


uma base ortonormal seja uma base ortonormal. Ento uma isometria
e, assim, 1 = .
114 CAPTULO 7. A ADJUNTA

Demonstrao: Suponhamos que a base ortonormal {1 , , } seja le-


vada na base ortonormal { 1 , , }.
Se
= 1 1 + + e = 1 1 + + ,
j vimos que , = 1 1 + + .
Mas

= 1 ( 1 ) + + ( ) e = 1 ( 1 ) + + ( ),

de modo que , = 1 1 + + = , e o armado decorre


do Teorema 7.16. 

Exerccio 7.20 Mostre a implicao () () do Teorema 7.16.


Exerccio 7.21 Mostre o Corolrio 7.17.

7.5 Operadores Simtricos


Denio 7.22 Um operador linear simtrico (ou auto-
adjunto) se = .

Lema 7.23 Valem as seguintes armativas:


() se for um operador simtrico e for invariante por
, ento tambm invariante por ;

() se for uma base ortonormal do e um operador


simtrico, ento uma matriz simtrica;

() se for uma matriz simtrica, ento a representao na base


cannica do de um operador simtrico .

Demonstrao: A armao () decorre imediatamente da Proposio 7.11.


De acordo com o Lema 7.8, se for uma base ortonormal do e =
( ), ento ( ) = ( ) = ( ) . Como = , conclumos que
( ) = = ( ) = ( ), mostrando ().
Dena por = para {1, , }. Ento,

, = , = = = , = , = , .

Da decorre que , = , para quaisquer , , mostrando


(). 

O Lema 7.23 nos mostra que a denominao de matrizes simtricas est


de acordo com a Denio 7.22.

Lema 7.24 Seja um operador simtrico. Ento:


() possui apenas autovalores reais;

() autovetores de correspondentes a autovalores distintos so ortogo-


nais.
7.6. O TEOREMA ESPECTRAL 115

Demonstrao: Seja uma raiz do polinmio caracterstico de .2 Es-


colhida uma base ortonormal para (por exemplo, a base cannica),
consideremos a matriz = . De acordo com a Denio 6.8, uma
raiz do polinmio caracterstico de . Assim, o sistema (I ) = 0 pos-
sui uma soluo no trivial , como vimos na Seo 6.5. Quer dizer,
= . (Ressaltamos que esse vetor pode ter coordenadas complexas.)

Alm disso, como a matriz real e simtrica, temos = .
Ento, se = (1 2 ) , temos

=

= =
= ( ) = ( )
= ( ) = . (7.5)

de modo que ( ) = 0. Uma vez que

= 1 1 + + = |1 |2 + + | |2 0,

conclumos que = 0, ou seja, = , provando que e concluindo


a prova de (). Observe que o fato de ser real garante a existncia de um
autovetor tal que = .
Sejam , autovetores associados aos autovalores distintos ,
. Ento

, = , = , = , = , ,

de modo que
( ), = 0.

Como , isso implica , completando a prova. 

Exerccio 7.25 Escolha uma matriz simtrica 3 3 qualquer e denote = (1 2 3 ) um vetor


complexo arbitrrio. Refaa a igualdade (7.5) nesse caso especco.

7.6 O Teorema Espectral


Teorema 7.26 Seja um operador simtrico. Ento orto-
gonalmente diagonalizvel, isto , existe uma base ortonormal {1 , , }
de tal que
= ,

em que uma matriz diagonal formada pelos autovalores de e 1 =


.
2
Uma raiz do polinmio caracterstico de apenas um autovalor de se for um nmero
real!
116 CAPTULO 7. A ADJUNTA

Demonstrao: : Seja um operador auto-adjunto (real ou


complexo). Faremos a demonstrao por induo na dimenso , o caso
= 1 sendo trivial. Suponhamos o resultado vlido no 1 e consideremos
o caso de .
Seja um autovalor de (que sabemos ser real) e um autovetor cor-
respondente. (Note que pertence ao .) Considere a decomposio
= < > < > . De acordo com a Proposio 7.11, = < >
invariante por . Como a restrio de ao subespao ( 1)-dimensional
um operador auto-adjunto, o resultado est demonstrado. 

Exemplo 7.27 Consideremos a matriz simtrica

2 1 1
1 2 1 ,

1 1 2

cujo polinmio caracterstico () = ( 1)2 ( 4). A matriz possui


uma base formada por autovetores, na qual ela representada pela matriz

1 0 0
= 0 1 0 .

0 0 4

O autoespao bidimensional 1 = {(2 3 , 2 , 3 ) 3 } est asso-


ciado ao autovalor = 1, de modo que {(1 0 1) , (1 1 0) } uma base
de 1 . Uma base ortonormal encontrada aplicando-se Gram-Schmidt. En-
contramos os vetores

1 1 1 2 1
1 = 0 e 1 = .
( 2 2 ) ( 6 6 6 )

O espao unidimensional 4 = {(3 , 3 , 3 ) 3 } est associado ao


autovalor = 4, de modo que

1 1 1
2 =
( 3 3 3 )

uma base ortonormal de 2 . Assim, a matriz


1 1 1
2 6 3
2 1
= 0 6 3
1 1 1
2 6 3

unitria e = .

7.7 Exerccios
Lembre-se que, em todos os exerccios, pode ser substitudo por .
7.7. EXERCCIOS 117

1. Sejam , e aplicaes lineares e .


Mostre que

(a) I = I;
(b) ( + ) = + ;
;
(c) ( ) =
(d) ( ) = ;
(e) ( ) = ;
(f) se = e ou for invertvel, ento ( 1 ) = ( )1 .