Você está na página 1de 562

lgebra linear

verso 130
3 de setembro de 2015

jernimo c. pellegrini
130
Sumrio

r
o
a
e rs
n
Sumrio i

i
v
Apresentao vii
m
Nomenclatura ix

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

1.5 Subespaos 24
1.6 Aplicaes 34
no

ini

1.6.1 Protocolo Diffie-Hellman para acordo de chaves [ grupo ] 34


o

1.6.2 Cubo de Rubik [ grupo ] 37


38
gr

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


ar-

40
rs

1.6.4 Cdigos corretores de erros [ espao vetorial; subespao ]


lle

2 Dimenso e Bases 47
e
Lin

47
. Pe

2.1 Dependncia linear


2.2 Conjuntos geradores e bases 50
2.3 Isomorfismo e coordenadas 63
Ve

68
bra

oC

2.4 Mudana de base


2.5 Aplicaes 70
2.5.1 Anlise Dimensional [ base, dependncia linear ] 70
im
e

F 2.5.2 Fractais [ isomorfismo ] 79


lg

3 Transformaes Lineares 83
n

3.1 O efeito em uma base determina completamente uma transformao 91


3.2 Kernel e imagem 98
Jer

3.3 Nulidade e posto 101


3.4 Aplicaes 105
3.4.1 Transformaes em imagens 105

i
ii SUMRIO

4 Matrizes e Transformaes Lineares 111


4.1 Representao de transformaes como matrizes 111
4.1.1 De matrizes para transformaes 111
4.1.2 De transformaes para matrizes 112
4.2 Propriedades da multiplicao de matrizes 116
117

130
4.2.1 Matrizes por blocos
4.2.2 Multiplicao por vetor combinao linear 120
4.2.3 Matrizes triangulares 122

r
4.3 Propriedades de matrizes de transformaes 123

o
a
4.3.1 Mudana de base 127
4.3.2 Similaridade 133

e rs
n
4.4 Espaos de transformaes 138
4.5 Matrizes elementares 139
142
4.6 Sistemas de equaes lineares
i
v
4.6.1 Eliminao de Gauss 145
m
4.6.2 Decomposio LU 148
4.6.3 Estabilidade numrica 154

la
F 4.7 Matrizes complexas 154
i
4.8 Aplicaes
u 156
l
a
4.8.1 Clculo de uma nica coluna da inversa [ decomposio LU ] 156
156
Pre

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


de
4.8.3 Transformaes em imagens [matriz de transformao] 162
4.8.4 rbitas celestes [ mudana de base ] 166
tas

F 4.8.5 Cdigos corretores de erros [ base; espao-linha; multiplicao direita ] 169

5 Determinantes 177
no

ini

5.1 Volume orientado 177


o

5.1.1 Orientao 180


gr

5.2 Determinantes 181


ar-

187
rs

5.3 Existncia e unicidade do determinante


lle

5.4 Calculando determinantes 188


e

5.4.1 Determinantes de ordem 3: regra de Sarrus 189


Lin

190
. Pe

5.4.2 Escalonamento e decomposio LU


5.4.3 Expanso de Laplace 190
5.4.4 Frmula de Leibniz 192
Ve

195
bra

oC

5.4.5 Por blocos


F 5.5 Matrizes complexas 195
5.6 Aplicaes 196
im
e

5.6.1 Regra de Cramer 196


lg

5.6.2 rea de tringulos, volume de pirmides 200


n

5.6.3 Equao da circunferncia passando por tres pontos 202


5.6.4 O Teorema do Valor Mdio (generalizado) 204
206
Jer

5.6.5 O Wronskiano
5.6.6 Interpolao 208

6 Autovalores, Autovetores e Diagonalizao 217


SUMRIO iii

6.1 Polinmio caracterstico 223


6.1.1 Autovalores complexos 231
F 6.1.2 Matrizes complexas Hermitianas 232
6.2 Diagonalizao de operadores 234
6.3 Transformaes lineares e matrizes no quadradas 237
F 6.4 Diagonalizao simultnea de dois operadores 237

130
6.5 Clculo de autovalores e autovetores 241
6.6 Aplicaes 241

r
6.6.1 Potncia de matriz [ diagonalizao ] 242

o
243

a
6.6.2 Relaes de recorrncia [ polinmio caracterstico; diagonalizao ]
6.6.3 Soluo de sistemas de equaes de diferena [ diagonalizao ] 246

e rs
248

n
6.6.4 Exponencial de matriz [ diagonalizao ]
6.6.5 Soluo de sistemas de equaes diferenciais [ diagonalizao ] 251
6.6.6 Cadeias de Markov [ autovalor; autovetor ] 254
i
v
6.6.7 Classificao de relevncia (pagerank) [ autovalor; autovetor ] 257
6.6.8
m
Clculo de polinmio de matriz [ polinmio caracterstico; teorema de Cayley-Hamilton ] 258
6.6.9 Inverso de matrizes [ polinmio caracterstico; teorema de Cayley-Hamilton ] 259

la
F 6.6.10 Grafos [ autovalores ] 260
i
7 Produto Interno u 269
l
a
7.1 Produto interno e norma 269
Pre
de
7.2 ngulos e ortogonalidade 282
7.3 Projees 289
7.4 Ortogonalizao 295
tas

7.5 Diagonalizao de matrizes simtricas 298


F 7.6 Produto interno em espaos complexos 300
no

300
ini

7.7 Aplicaes
7.7.1 Soluo de sistemas lineares e mnimos quadrados [ distncia; projeo ] 300
o

7.7.2 Covarincia e correlao [ produto interno; ngulo ] 301


gr
ar-

F 7.7.3 Covarincia [ produto interno; matriz de Gram ] 303


rs

F 7.7.4 Otimizao linear (affine scaling) [ projeo, ncleo, escala ] 304


lle
e

8 Operadores Ortogonais e Normais 313


Lin

. Pe

8.1 Operadores Ortogonais 313


8.1.1 Decomposio QR 321
323
Ve

8.2 Operadores normais


bra

oC

8.3 Decomposio em Valores Singulares 323


8.4 Aplicaes 323
8.4.1 Anlise de Componentes Principais 323
im
e
lg

9 Pseudoinversa 325
328
n

9.1 Calculando pseudoinversas


9.1.1 Decomposio em posto completo 328
9.1.2 Por blocos 330
Jer

F 9.1.3 Mtodo de Greville 332


F 9.1.4 Mtodo iterativo de Ben-Israel e Cohen usando maior autovalor 333
F 9.1.5 Usando autovalores 335
iv SUMRIO

9.2 Matrizes complexas 336


9.3 Aplicaes 336
9.3.1 Sistemas lineares 336

10 Forma de Jordan 341


F 10.1 Existncia e clculo da forma de Jordan 343

130
10.1.1 Subespaos invariantes 343
344

r
10.1.2 Autovetores generalizados
10.1.3 Existncia da forma de Jordan (para operadores nilpotentes) 346

o
a
10.1.4 Existncia da forma de Jordan (caso geral) 349
10.2 Estabilidade numrica 350

e rs
n
10.3 Aplicaes 350
10.3.1 lgebra Linear [ forma de Jordan ] 350

i
v
10.3.2 Equaes Diferenciais [ forma de Jordan ] 351
m
11 Reticulados 355
357

la
11.1 Ortogonalidade de bases
11.2 Problemas em reticulados 358
i
u
11.2.1 Reduo de bases com posto dois: algoritmo de Gauss-Lagrange 359
l
a
11.2.2 Vetor mais prximo com posto e ortogonalidade altos: algoritmo de Babai 362
Pre

362
de
11.2.3 Posto alto, ortogonalidade baixa (reticulados difceis)
11.3 Aplicaes 363
11.3.1 Criptografia [ reticulados; desvio de ortogonalidade ] 363
tas

11.3.2 Cristalografia [ reticulados ] 365

12 Formas Quadrticas e Bilineares 367


no

ini

12.1 Formas Bilineares 367


o

12.1.1 Com termos lineares 368


gr
ar-

12.2 Formas Quadrticas 369


rs

12.3 Formas multilineares 372


lle

372
e

12.4 Aplicaes
372
Lin

12.4.1 Classificao de cnicas e qudricas


. Pe

12.4.2 Classificao de equaes diferenciais parciais [ formas definidas, eixos principais ] 383
12.4.3 Mximos e mnimos de funes em Rn [ formas definidas ] 385
Ve

12.4.4 Otimizao quadrtica 389


bra

oC

13 Geometrias: Afim e Projetiva 393


393
im

13.1 Geometria Afim


e

396
lg

13.1.1 Espao Afim


13.1.2 Subespao afim 399
n

13.1.3 Dependencia afim, baricentros 400


13.1.4 Dependncia afim, coordenadas e bases 402
Jer

13.1.5 Transformaes Afim 403


13.1.6 Coordenadas Afim 405
13.1.7 ? 408
SUMRIO v

13.2 Geometria Projetiva 410


13.2.1 Noes intuitivas 411
13.2.2 Coordenadas Homogeneas 412
13.2.3 Transformaes Projetivas 412
13.3 Aplicaes 412

130
14 Srie de Fourier 415
415

r
14.1 Funes Peridicas
14.2 Srie de Fourier 420

o
a
14.3 Determinao de coeficientes 421
14.4 Forma exponencial 426

e rs
n
14.5 Convergncia 427
14.5.1 Convergncia quase sempre 430

i
v
14.5.2 Convergncia pontual 431
432
F 14.5.3 Convergncia uniforme
m
F 14.6 Transformada de Fourier 436

la
14.7 Aplicaes 438
14.7.1 Equaes diferenciais [ srie de Fourier ] 438
i
u
F 14.7.2 Equaes diferenciais parciais: a equao da onda [ srie de Fourier ] 442
l
a
14.7.3 Msica 444
Pre
de
F 14.7.4 Compresso de dados [ transformada de Fourier ] 444
F 14.7.5 Espectroscopia de infravermelho [ transformada de Fourier ] 444
tas

15 Tensores 447
15.1 Espao dual e funcionais lineares 447
no

448
ini

15.2 Covarincia e contravarincia


15.3 Notao de Einstein 448
o

15.4 Tensores 449


gr
ar-

15.4.1 Operaes com tensores 449


rs

F 15.4.2 Produto tensorial de espaos vetoriais 450


lle

450
e

15.5 Aplicaes
Lin

. Pe

Reviso: Sistemas Lineares e Matrizes 451


.1 Sistemas de equaes lineares 451
Ve

.1.1 Resoluo de sistemas escalonados por linhas 453


bra

oC

.1.2 Resoluo de sistemas lineares na forma geral 454


.2 Matrizes 456
im

457
e

.2.1 Operaes com matrizes


lg

.3 Aplicaes 462
.3.1 Circuitos eltricos [ sistemas lineares ] 462
n

.3.2 Balanceamento de equaes qumicas [ sistemas lineares ] 463


.3.3 Cadeias de Markov [ matrizes ] 464
Jer

.3.4 Sistemas de Votao [ matrizes ] 466

Induo Finita 469


vi SUMRIO

.1 Enunciado do Princpio da Induo Finita 469


.2 Demonstraes de igualdades e desigualdades simples 471
.3 Induo dupla 474
.4 Induo em estruturas 476
.5 Induo em Geometria 477
.6 Induo em nmero de operaes com matriz 480

130
.7 Induo em ordem de matriz quadrada 481
.8 Demonstrao de corretude de algoritmos 482

r
.9 Induo para trs, com base infinita 487

o
488

a
F .10 Induo em R

Orientao de Bases 497

e rs
n
Equaes Diferenciais 501

i
v
.1 Equao Diferencial Ordinria 503
504
.2 Separao de variveis
m
.3 Problemas de valor inicial e de contorno 506

la
.4 Equao Diferencial Parcial 506
.5 Aplicaes 507
i
u
.5.1 Qumica nuclear: decaimento radioativo [ EDO de primeira ordem ] 507
l
a
.5.2 Mecnica: oscilador harmnico [ EDO de segunda ordem ] 507
Pre

.5.3 Termodinmica: propagao de calor [ EDP ] 509


de

Alfabeto Grego 513


tas

Dicas e Respostas 515


no

Ficha Tcnica 535


ini
o

Bibliografia 537
gr
ar-
rs

ndice Remissivo 543


lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

n
Jer
130
Apresentao

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

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

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

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

ini

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

haver a oportunidade de confirmar a utilidade dos tpicos estudados.


gr
ar-

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

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

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

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

. Pe

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

oC

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

n
Jer

vii
viii

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
130
SUMRIO
130
Nomenclatura

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

m
v1

la
v2

v=
.. .
i
u

.
l
a
vn
Pre
de

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

Em diversas ocasies, somatrios so denotados apenas por

X
no

ini

...,
o

i
gr
ar-
rs

ao invs de
lle

X
n
e

...,
Lin

. Pe

i=1

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


Ve
bra

oC

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

1

61
lg

0 6
0 1 1
7 2 5 1
n

7 2 5 .

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

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

ix
x SUMRIO

2
y 0
6 4 2 0 2 4 6

130
2
x

r
4

o
6

a
8

e rs
n
10

i
v
A nomenclatura usada no livro detalhada a seguir.
m
la
bxe O inteiro mais prximo de x, pgina 417
i
(an ) sequncia, pgina 18 u
l
a
(fn ) Sequencia de funes, pgina 430
Pre
de

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


tas

[v]B Coordenadas do vetor v na base B, pgina 70

[A]ij Matriz A aps remoo da linha i e coluna j, pgina 192


no

ini

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


o

gr
ar-

[x] dimenso de uma grandeza fsica, pgina 73


rs

lle

[id] Matriz de mudana de base, de para , pgina 129


e

dxe arredondamento para cima (menor inteiro maior ou igual a x), pgina 531
Lin

. Pe

Composio de transformaes lineares (e de funes), pgina 90


Ve

cof(A, i, j) Cofator do elemento aij da matriz A, pgina 192


bra

oC

(X, Y) Correlao entre variveis aleatrias X e Y, pgina 305


im
e

cov(X, Y) Covarincia entre variveis aleatrias X e Y, pgina 304


lg

det A Determinante da matriz A, pgina 183


n

diag(A1 , . . . Ak ) Matriz diagonal com blocos A1 , . . . , Ak formando a diagonal., pgina 120


Jer

diag(a1 , . . . , an ) Matriz diagonal com elementos a1 , . . . , an na diagonal., pgina 459

dim V Dimenso do espao vetorial V, pgina 59


SUMRIO xi

E(X) Esperana da varivel aleatria X, pgina 87

bxc arredondamento para baixo (maior inteiro menor ou igual a x), pgina 531

F(f(x)) Transformada de Fourier de f(x), pgina 438

130
Conjunto de todas as funes de R em R, pgina 16

F(L) domnio fundamental do reticulado L, pgina 358

r
id Funo (e transformao) identidade, pgina 85

o
a
Im T Imagem da transformao T , pgina 100

e rs
n
In(M) Inrcia da matriz M, pgina 382

i
v
hu, vi Produto interno dos vetores u e v, pgina 271
m
Z2 Corpo finito com dois elementos, pgina 8

la
ker T Kernel da transformao T , pgina 100
i
L(B) reticulado com base B, pgina 357 u
l
a

Pre

desvio de ortogonalidade, pgina 359


de

Produto de Hadamard, pgina 43


tas

Frequncia angular de funo peridica, pgina 417

Soma direta de espaos vetoriais, pgina 34


no

ini

Ou-exclusivo lgico, pgina 8


o

gr
ar-

A Matriz dos conjugados de A, pgina 157


rs

lle

x Conjugado, pgina 302


e

Lin

Frequncia de funo peridica, pgina 417


. Pe

Projx (v) Projeo de v em vetor ou subespao x, pgina 294


Ve

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


bra

oC

X Desvio padro da varivel aleatria X, pgina 304


im
e

2X Varincia da varivel aleatria X, pgina 304


lg

sgn Paridade de uma permutao, pgina 195

Expanso formal/simblica, pgina 422


Jer

[T ] Transformao T . Base para domnio e para contradomnio, pgina 129

ei Vetor (0, . . . , 1, . . . , 0), pertencente base cannica, pgina 57


xii SUMRIO

v w Produto vetorial dos vetores v e w, pgina 3


vol A volume do objeto geomtrico A, pgina 415
vol A volume do objeto geomtrico A, pgina 182

E lgico, pgina 8

130
A Conjugado transposto de A, pgina 157

r
A+ Pseudoinversa da matriz A, pgina 327

o
a
AH Conjugado transposto de A, pgina 157

e rs
n
AH Matriz adjunta de A, pgina 234
C[a, b] Conjunto (e espao vetorial) das funes contnuas em [a, b], pgina 30
i
v
C0
m
Conjnuto (e espao vetorial) das funes contnuas em R, pgina 30

la
Ck Conjnuto (e espao vetorial) das funes k vezes diferenciveis em R, pgina 30
i
d(v, w) Distncia entre os vetores v e w, pgina 280
u
l
a
En Erro na aproximao de srie com n termos, pgina 431
Pre
de
L2 Espao de funes quadrado-integrveis, pgina 432
tas

LG Matriz Laplaciana do grafo G, pgina 262


Mm,n Conjunto (e espao vetorial) das matrizes m n, pgina 65
no

ini

O(B) Orientao da base B, pgina 183


o

gr

Sn Conjunto de todas as permutaes de n elementos, pgina 194


ar-
rs

Sn Soma parcial de srie, pgina 431


lle
e

V(k1 , . . . , kn ) Matriz de Vandermonde obtida de k1 , . . . , kn , pgina 210


Lin

. Pe

V Espao dual, pgina 450


Ve

V Espao dual, pgina 141


bra

oC
im
e
lg

n
Jer
130
Captulo 1

r
o
a
Espaos Vetoriais

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

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

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


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

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

ini

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

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


gr
ar-
rs

lle

1.1 Estruturas algbricas


e
Lin

. Pe

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

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


oC

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


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

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

Estrutura algbrica (ou sistema algbrico) o nome dado a um conjunto com algumas operaes definidas
n

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

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

1
2 CAPTULO 1. ESPAOS VETORIAIS

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

130
Dizemos que uma operao binria se aceita dois argumentos ou seja, da forma f : A A A.
Dizemos que uma operao binria associativa, se a ? (b ? c) = (a ? b) ? c e comutativa, se a ? b = b ? a.

r
Um elemento e A neutro para a operao ? se para todo a A, a ? e = e ? a = a. 

o
a
Exemplo 1.2. Em R, as operaes de soma e multiplicao so associativas e comutativas, porque

e rs
n
x+y=y+x (comutatividade)
x + (y + z) = (x + y) + z (associatividade)

i
v
xy = yx
m (comutatividade)
x(yz) = (xy)z (associatividade)

la
No entanto, as operaes de diviso e subtrao no so comutativas. A subtrao associativa, e a diviso
i
no : u
l
a
Pre

x y 6= y x
de
(no vale a comutatividade)
x (y z) = (x y) z (associatividade)
tas

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


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

ini
o

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


gr
ar-

0+x=x
rs

lle

(1)x = x
e
Lin

. Pe

No definimos neste texto neutro para subtrao e diviso, porque as operaes no so comutativas, e o
neutro e teria que satisfazer x e = e x = x, e x/e = e/x = x, que no sera possvel. J
Ve

Exemplo 1.3. No conjunto de matrizes quadradas de ordem n, a operao de soma comutativa e associ-
bra

oC

ativa, porque para duas matrizes A e B, temos

A+B=B+A (comutatividade)
im
e

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

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

AB 6= BA (no vale a comutatividade)


Jer

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

O neutro para a soma de matrizes a matriz zero (ou seja, a matriz cujos elementos so todos zero).
1.1. ESTRUTURAS ALGBRICAS 3

O neutro para multiplicao de matrizes a identidade, porque, apesar da multiplicao de matrizes no


ser comutativa, temos
IA = AI = A,
para toda matriz quadrada A. J
Exemplo 1.4. O produto vetorial em R3 definido como

130
v w = (x2 y3 x3 y2 )e1

r
+ (x3 y1 x1 y3 )e2

o
a
+ (x1 y2 x2 y1 )e3 ,

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

ini
o

gr
ar-

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


rs

lle

estes so perpendiculares.
e

Esta operao no comutativa, porque


Lin

. Pe

v w = (w v).
Ve

A operao tambm no associativa, porque


bra

oC

u (v w)
im

um vetor no mesmo plano que v e w, enquanto


e
lg

(u v) w
n

um vetor no mesmo plano que u e v. J


Jer

Definio 1.5 (Fechamento). Seja A um conjunto com uma operao ?, e seja B A. Dizemos que B
dito fechado sob a operao ? se e somente se a operao com dois elementos de B sempre resulta em outro
elemento de B ou seja, x, y B, x ? y B. 
4 CAPTULO 1. ESPAOS VETORIAIS

Exemplo 1.6. As quatro operaes aritmticas definidas nos reais so operaes binrias. Alm disso, nos
reais a soma e a multiplicao so comutativas (a + b = b + a) e associativas (a + (b + c) = (a + b) + c).
Os reais so fechados para as quatro operaes.
Poderamos tentar definir as quatro operaes aritmticas para os inteiros, mas no vale o fechamento:
a operao de diviso no tem como ser definida. A intuio nos diz que podemos dividir 9/3 e obter 3, mas
no o podemos fazer para quaisquer dois inteiros por isso no definimos esta operao para o conjunto

130
dos inteiros, porque os inteiros no so fechados para a diviso. J

r
o
a
1.2 Grupos

e rs
n
Como primeiro exemplo de estrutura algbrica, tomamos os grupos.

Definio 1.7 (Grupo). Um grupo um conjunto no-vazio G associado a uma operao binria : GG
i
v
G tendo as propriedades listadas a seguir.
m
Associatividade: (a b) c = a (b c).

la
Existencia de neutro: Deve existir um elemento neutro e G para a operao de grupo: e G :
i
a e = e a = a. u
l
a
Pre

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


de

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

Exemplo 1.8. Os inteiros com a operao usual de soma formam um grupo: (i) a soma de dois inteiros
um inteiro; (ii) a soma associativa; (iii) o inteiro zero neutro para soma; e (iv), para todo inteiro a, existe
no

ini

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


o

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


gr
ar-

Demonstramos um teorema bsico sobre grupos.


rs

lle

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


e
Lin

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


. Pe

a = ae
Ve
bra

oC

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

ax = e, a inverso de x
e
lg

= b. 
n

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

seus prprios inversos. J


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

relacionada com a possibilidade de clculo das razes de polinmios.


1.2. GRUPOS 5

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

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

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

130
(iii) o vetor zero neutro; (iv) para todo vetor v = (x, y, z), existe um vetor v = (x, y, z) tal que
v + (v) = (0, 0, 0). Alm disso, o grupo comutativo. J

r
Exemplo 1.12. O conjunto R com a operao de exponenciao no um grupo, porque no vale a asso-

o
a
c
ciatividade ((ab )c 6= a(b ) ). J

e rs
n
Exemplo 1.13. O conjunto de todas as funes de R em R, com a operao de soma de funes, um grupo.

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

la
para todos f e x.
i
u
H um inverso para toda funo: f(x) tem como inversa a funo g(x) = f(x), porque f(x) +
l
a
[f(x)] = z(x). J
Pre
de
Exemplo 1.14. Dadas duas funes f e g, a composio de f com g, que denotamos f g, tal que f g(x) =
f(g(x)).
tas

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


O conjunto de todas as funes bijetoras de reais em reais com a operao de composio um grupo:
no

ini

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


o

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

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


rs

lle

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

J
Lin

. Pe

Exemplo 1.15. O conjunto das matrizes quadradas de ordem n, com a operao de soma de matrizes, um
Ve

grupo, porque:
bra

oC

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


im
e

A soma de matrizes associativa.


lg

A matriz Z com todas as entradas iguais a zero funciona como elemento neutro, porque A + Z = A
n

para toda matriz A.


Jer

Toda matriz A tem inverso para a operao de soma: A + [(1)A] = Z, onde (1)A a matriz A
com seus elementos multiplicados por 1, e Z a matriz zero.
2 Neste texto, adotamos a representao de vetores como coluna por padro.
6 CAPTULO 1. ESPAOS VETORIAIS

J o mesmo conjunto, das matrizes quadradas de ordem n, com a operao de multiplicao de matrizes,
no um grupo, porque nem toda matriz tem inversa.
No entanto, o conjunto das matrizes no-singulares de ordem n, com a operao de multiplicao de
matrizes, um grupo. J
Exemplo 1.16. O conjunto R \ { 1 } com a operao ?, definida como

130
a ? b = ab + a + b

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

o
a
associativa; (iii) zero identidade para ?; (iv) o inverso de a a/(a + 1).
Desenvolvemos detalhadamente as propriedades (ii) e (iii).

e rs
n
(ii)

(a ? b) ? c = (ab + a + b) ? c

i
v
= (ab + a + b)c + (ab + a + b) + c
m
= abc + ac + bc + ab + a + b + c

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

a a2 a
a? = +a
tas

a+1 a+1 a+1


a2 a(a + 1) a
=
no

a+1 a+1
ini

a2 + a2 + a a
o

=
a+1
gr
ar-

= 0.
rs

lle

O grupo tambm comutativo. J


e
Lin

. Pe

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

oC

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


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

1.3 Corpo
Definio 1.18. Um corpo consiste de um conjunto e duas operaes, denotadas e +, com as propriedades
Jer

listadas a seguir.
As duas operaes so associativas.
1.3. CORPO 7

As duas operaes so comutativas.

Vale a distributividade de sobre +.

H elementos neutros 0 para soma e 1 para multiplicao.

Todo elemento do corpo tem um inverso aditivo.

130
Todo elemento diferente de 0 tem inverso multiplicativo. 

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

o
a
Para todos estes conjuntos,

e rs
n
+ e so associativas e comutativas para nmeros reais.

Vale a distributividade: a(b + c) = ab + ac para quaisquer a, b e c reais.

i
v
O zero neutro para soma de reais: a+0 = a para todo a; O um neutro para multiplicao: 1a = a
m
para todo a.

la
Para todo real a existe um inverso aditivo, (1)a, tal que (1)a + a = 0.
i
u
Todo a 6= 0 tem inverso multiplicativo, que denotamos a1 , tal que aa1 = 1.
l
a
Pre

O mesmo argumento pode ser repetido para Q e C.


de
H diferenas importantes entre estes trs corpos: o corpo dos racionais no completo (no contm
os irracionais, que no podem ser representados como frao); o corpo dos reais completo e ordenado,
tas

2
a inequao x < 0; os complexos j incluem estas solues, porque contm
mas no inclui solues para
a unidade imaginria i = 1, mas no se pode orden-los. J
no

ini

Exemplo 1.20. Fixado um nmero n, denotamos o conjunto de todas as matrizes de ordem n por Mnn .
Este conjunto no um corpo com as operaes de soma e multiplicao de matrizes, porque:
o

gr
ar-

Nem toda matriz diferente de zero tem inversa;


rs

lle

A operao de multiplicao no comutativa3 . J


e


Exemplo 1.21. Seja Q[ 2] o conjunto dos nmeros da forma a + b 2, onde a, b Q, com adio e
Lin

. Pe

multiplicao usuais. Este conjunto um corpo:


Ve

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


bra

oC


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

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


lg

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


n

  !
1 1 ab 2
=
Jer

a+b 2 a+b 2 ab 2
3 Um anel o mesmo que um corpo, exceto que no vale a comutatividade para multiplicao, e os elementos no necessariamente

tem inverso multiplicativo (ou seja, no se define a operao de diviso). Mnn um anel.
8 CAPTULO 1. ESPAOS VETORIAIS

ab 2
= 2
a 2b2
a b
= 2 2,
a 2b2 a2 2b2

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

130
quando a, b 6= 0.

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

o
mando,

a
a + b 2 + x + y 2 = (a + x) + (b + y) 2.

e rs
n
Multiplicando:

(a + b 2)(x + y 2) = ax + ay 2 + bx 2 + b 2y 2
i
v

m
= ax + ay 2 + bx 2 + 2by

= (ax + 2by) + (ay + bx) 2. J

la
i
u
O prximo exemplo o corpo Z2 , de extrema importncia em Computao. Este corpo diferente dos
l
outros corpos que apresentamos por ser finito.
a
Pre
de
Exemplo 1.22. Neste exemplo exploramos um corpo com apenas dois elementos. Podemos representar
os valores lgicos verdadeiro e falso como 0 e 1, e estes sero os elementos de nosso corpo.
As operaes que definiremos so as duas operaes lgicas a seguir:
tas

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


valem um. A tabela-verdade da operao
no

ini
o

a b (a b)
gr
ar-

0 0 0
rs

0 1 0
lle
e

1 0 0
Lin

. Pe

1 1 1

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


Ve
bra

oC

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

a b (a b)
im
e

0 0 0
lg

0 1 1
n

1 0 1
1 1 0
Jer

O conjunto { 0, 1 } com as operaes lgicas (e) e (ou exclusivo) um corpo: (i) as duas operaes
so associativas; (ii) as operaes so tambm comutativas; (iii) distributiva sobre a (b c) =
1.3. CORPO 9

(a b) (a c); (iv) h elementos neutros: 0 para e 1 para ; (v) todo elemento do corpo seu prprio
inverso aditivo; (vi) O nico elemento diferente de 0 (o 1) tem inverso multiplicativo (ele mesmo).
Este corpo chamado de Z2 , porque subconjunto dos inteiros com dois elementos4 . Observe que as
operaes e tambm podem ser descritas usando soma e multiplicao: se a e b pertencem a {0, 1},
ento

130
a b o mesmo que o resto da diviso de a + b por 2, e

r
a b o mesmo que ab. J

o
a
As operaes em Z2 (e, ou-exclusivo) so normalmente implementadas por circuitos lgicos usados na
construo de computadores e outros dispositivos digitais.

e rs
n
F Exemplo 1.23. Este exemplo est em nvel de abstrao acima do resto do texto, e deve ser considerado

i
v
opcional.
Um nmero chamado de algbrico se raiz de algum polinmio
m
an xn + an1 xn1 + . . . + a1 x + a0 ,

la
onde os ai so inteiros. Um nmero que no algbrico chamado de transcendental.
i
u
corpo, chamado de corpo de nmeros algbricos, muitas
l
O conjunto de todos os nmeros algbricos um
a
vezes denotado por A. Este corpo contm Q, i = 1, todos os mltiplos de i com coeficientes raci-
Pre
de
onais, a razo uera5 , mas no contm nmeros transcendentais como e e. Alguns outros nmeros
transcendentais (e que portanto no pertencem a A) so
tas


2
2 , o nmero de Hilbert.
no

ini

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

ii = e/2 = 0.207879576 . . .
gr
ar-
rs

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


lle

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


e
Lin

. Pe

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

oC

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

elementos.
lg

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

, tambm igual frao


1
1+ .
Jer

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

F 1.3.1 Operando com corpos


Tudo o que pudermos fazer usando as operaes de corpo em nmeros reais, tambm podemos fazer
com outros corpos. Em particular, interessante observar que podemos resolver equaes e sistemas de
equaes em qualquer corpo.
Exemplo 1.24. Facilmente resolvemos a equao linear 2x + 3 = 10 em R, isolando x e obtendo

130
10 3 7
x= = .

r
2 2

o
Agora resolvemos equaes lineares em corpos diferentes. Por lineares entendemos equaes onde uma

a
incgnita pode aparecer multiplicada por uma constante (ou seja, um elemento do corpo), mas no por

e rs
n
outra incgnita ou por ela mesma.
Primeiro, resolvemos 3x + 10 + 2 = 1 + 16 2 em Q[ 2]: isolamos x e obtemos

i
v
3x = 1 10 + 16 2 2

m
3x = 9 + 15 2

x = 3 + 5 2.

la
i
u
Este exemplo parece bastante natural, porque realizamos as operaes usuais de soma e multiplicao, e
l
a
suas inversas (subtrao e diviso). Resolvemos agora uma equao em Z2 . Como os elementos do corpo
so apenas 0 e 1, somente eles podem ser usados na equao (ou seja, as constantes e incgnitas valem 0
Pre
de
ou 1). Em Z2 , as operaes que usamos so soma (ou exclusivo) e multiplicao (e lgico). Observamos
que neste corpo a funo inversa da soma ela mesma, porque
tas

1 1 = 0.

Embora isto possa, em um primeiro contato, parecer incorreto, nada na definio de corpo impede que
no

ini

somar dois nmeros seja o mesmo que somar um nmero com seu inverso aditivo.
o

Resolveremos agora a equao 1 x 1 = 1. Isolamos x:


gr
ar-

1x1 =0
rs

lle

x1 =0 (porque 1 x = x)
e

x11 =01
Lin

. Pe

x0 =1
x = 1. J
Ve
bra

oC

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


lg

1x 1y = 1
n

0x 1y = 1
Jer

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


Substituindo na primeira equao, obtemos

1x 1 1 = 1
1.4. ESPAOS VETORIAIS 11

x11 =1 (1x = x)
x1 =1 (1 1 = 1)
x =0

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

130

+ 1(0) 1(1) = 1

r
+ 0(0) 1(1) = 1

o
a
que se traduz em 
+01=1

e rs
n
+01=1

i
v
que est de acordo com o que espervamos.
A soluo de sistemas de equaes em Z2 de grande importncia em Criptografia e Criptanlise. J
m
la
1.4 Espaos vetoriais
i
u
l
a
Um espao vetorial uma estrutura que generaliza as propriedades de vetores em R3 , como as conhecemos
Pre
de
da Geometria Analtica. Em um espao vetorial podemos somar elementos e realizar multiplicao no
por elementos do prprio espao, mas por escalares, que so elementos de um outro conjunto (um corpo).
tas

Definio 1.26 (Espao Vetorial). Um espao vetorial sobre um corpo K um conjunto V com duas opera-
es, adio de vetores, denotada por + e multiplicao por escalar, denotada por concatenao. A soma opera
em pares de vetores e retorna um vetor (+ : V V V), e a multiplicao por escalar opera em pares de
no

ini

escalar e vetor, retornando um vetor ( : K V V). Para que V e K com as duas operaes formem um
o

espao vetorial as operaes devem ter as seguintes propriedades:


gr
ar-

As duas operaes so associativas:


rs

lle

c(dv) = (cd)v
e
Lin

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

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


Ve
bra

oC

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

c(v + w) = cv + cw
lg

(c + d)v = cv + dv.
n

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


Jer

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


1v = v (a multiplicao pela identidade do corpo no modifica um vetor).
12 CAPTULO 1. ESPAOS VETORIAIS

Dizemos que K o corpo subjacente ao espao vetorial V.


O espao vetorial com um nico elemento chamado de espao trivial. 

de vital importncia observar que definimos as operaes como + : V V V e : K V V, e


que portanto o vetor que resulta da aplicao delas deve sempre pertencer ao espao V onde so definidas.
No espao trivial, o nico elemento deve necessariamente ser o vetor zero, porque a existncia do

130
neutro aditivo requisito.
interessante observar que no definimos em um espao vetorial o produto de um vetor por outro, e

r
isto est em consonancia com o nome lgebra linear: em uma forma linear, ax+b, multiplica-se a varivel
x por um escalar a, mas no pelo prprio x ou por outra varivel. Por exemplo, a forma ax2 + bx + c

o
a
quadrtica, e no linear.

e rs
A seguir temos exemplos de diferentes espaos vetoriais. Mostramos que so realmente espaos veto-

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

i
v
Exemplo 1.27 (vetores no plano). O conjunto de todos os vetores no plano com as operaes de soma de
m
vetores e multiplicao por escalar um espao vetorial sobre R, porque:

la
Os vetores so pares de nmeros reais, que podemos representar como vetores coluna.
i
O corpo R u
l
a
Pre

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


de

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


tas

 
Vale a distributividade de sobre +. Se representarmos os vetores por v = v1 , etc, temos:
v2
no

ini

       
c u1 + v 1 = c u1 + c v1
o

u2 v2 u v
 2  2
gr
ar-

 
(c + d) v1 = c v1 + d v1 .
rs

v2 v2 v2
lle
e

 
Lin

. Pe

O vetor zero, 0 = 0 , quando somado a qualquer outro vetor v, resulta em v.


0
Ve

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

oC

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


im

Um vetor no plano representado por dois nmeros (ordenada e abscissa), e portanto podemos associar
e

cada vetor com o produto cartesiano de R com R. Por isso o plano denotado R2 , e o espao tridimensional
lg

denotado R3 . De amneira geral, denotamos o espao de n dimenses por Rn (claro, para n > 3 perde-
n

mos a possibilidade de visualizar o espao, mas ainda assim as operaes com n coordenadas so anlogas
quelas em R2 e R3 ). J
Jer

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

A operao usual de multiplicao or escalar


1.4. ESPAOS VETORIAIS 13

A seguinte operao de soma de vetores:


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

Se trocarmos a soma de vetores por esta operao, no teremos um espao vetorial, porque esta operao

130
no associativa, como fica claro ao calcularmos (i) (u  v)  w (a seguir, esquerda); e (ii) u  (v  w)
(a seguir, direita):

r
(i) (ii)

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

e rs
n
T T

q q q q
= w1 u1 v1 , w2 u2 v2 = u1 v1 w1 , u2 v2 w2

i
v
Assim, (R2 , , ) no espao vetorial. J
m
Antes dos prximos exemplos, demonstramos alguns fatos bsicos a respeito de espaos vetoriais.

la
Teorema 1.29. Seja V um espao vetorial e u, v V. Ento
i
i) Se u + v = v ento u = 0. u
l
a
ii) 0v = 0.
Pre
de

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


tas

iv) c0 = 0 para qualquer escalar c


v) Existe um nico w V tal que u + w = v.
no

ini

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


o

(i)
gr
ar-
rs

u+v=v
lle

u + v + (v) = v + (v)
e
Lin

u=0
. Pe

(ii) 0v = (0 + 0)v = (0v) + (0v). Pela propriedade anterior (i) temos necessariamente v = 0.
Ve

(iii) Sejam v e v 0 dois opostos de v, ou seja,


bra

oC

v + v = 0
v 0 + v = 0.
im
e
lg

Ento v e v 0 so iguais:
n

v = v + 0 = v + (v + v 0 )
Jer

= (v + v) + v 0
= 0 + v0
= v.
14 CAPTULO 1. ESPAOS VETORIAIS

Alm disso, temos


v + (1)v = 1v + (1)v = (1 1)v = 0v = 0.
e portanto = v = (1)v.
(iv) k0 = k(v + (v)) para todo v. Usando (iii) que acabamos de provar, temos

k(v + (v)) = k(v + (1)(v))

130
= kv + (k)(v)

r
= (k k)v

o
= 0v,

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

e rs
n
(v) Sejam u, v, w tais que u + w = v. Ento

u+w=v
i
v
uu+w=vu
m
w = v u.

la
Como v + (u) definido de forma nica porque u nico (conforme a propriedade (iii) acima), w
i
nico. u 
l
a
Exemplo 1.30 (polinmios). Denotamos o conjunto de todos os polinmios em x com grau n e coefici-
Pre
de
entes reais por Rn [x].
Polinmios podem ser somados e multiplicados por escalares:
tas

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

(an + bn )xn + (an1 + bn1 )xn1 + + (a0 + b0 ). (1.1)


no

ini
o

Por exemplo,
gr
ar-

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

lle
e

= 2x3 + 2x2 + x 7.
Lin

. Pe

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


Ve

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


bra

oC

Por exemplo,
im
e

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

= 21x3 + 28x2 7.
Jer

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


Como estamos trabalhando com polinmios reais, consideramos que o o corpo subjacente com sendo
R.
1.4. ESPAOS VETORIAIS 15

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

A multiplicao de um polinmio de grau n por um escalar resulta em outro polinmio de mesmo


grau (ou em zero, se o escalar for zero), conforme a equao 1.2.

130
A soma de polinmios associativa: dados tres polinmios p(x), q(x), e r(x), ento

r
(p(x) + q(x)) + r(x) = p(x) + (q(x) + r(x)).

o
a
A multiplicao de um polinmio por um escalar associativa: sejam p(x), q(x), e r(x) trs polin-

e rs
n
mios e c, d nmeros reais. Ento
 
c dp(x) = (cd)p(x)
i
v
  
m 
p(x) + q(x) + r(x) = p(x) + q(x) + r(x).

la
A soma de polinmios comutativa: p(x) + q(x) = q(x) + p(x).
i
u
Vale a distributividade da multiplicao sobre a soma. Sejam p(x) e q(x) polinmios e c, d nmeros
l
a
reais. Temos
Pre
de
 
c p(x) + q(x) = cp(x) + cq(x)
tas

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

O nmero zero , ele mesmo, um polinmio, e a soma de um polinmio p(x) com zero resulta em
no

ini

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


o

gr
ar-

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

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


lle
e

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


Lin

. Pe

x2
Exemplo 1.31. Considere o conjunto de pontos definido no plano pela funo y = 2 . Tratamos cada
Ve

ponto como um vetor, e definimos as duas operaes:


bra

oC

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


im
e

(x, 2x2 ) + (a, 2x2 ) = (x + a, 2(x + a)2 ).


lg

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

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

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


16 CAPTULO 1. ESPAOS VETORIAIS

y
4

130
r
0 x

o
3 2 1 0 1 2 3

a
e rs
n
2

i
v
4
m
la
i
As operaes so associativas;
u
l
a
A soma comutativa;
Pre
de
A multiplicao por escalar distributiva.
tas

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


2 2
Todo vetor tem um inverso aditivo: se v = (x, x2 ), ento v = (x, x2 ). Temos v + (v) = (0, 0).
no

ini

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

gr
ar-

J
rs

lle

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

g(x) = tan(x) so elementos de F(R). Podemos somar duas funes e multiplicar uma funo por um
Lin

. Pe

escalar: sejam f, g F. Ento,

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


Ve
bra

oC

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

O conjunto F, com as operaes de soma de funes e multiplicao por escalar, um espao vetorial:
im
e
lg

A soma de funes comutativa:


n

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


Jer

A multiplicao de funo por escalar associativa:

c(d(f(x)) = (cd)f(x)
1.4. ESPAOS VETORIAIS 17

A soma de funes associativa:


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

= f(x) + g(x) + h(x)]

130
 
= f + (g + h) (x).

r
Vale a distributividade da multiplicao sobre a soma:

o
a

k(f + g)(x) = k f(x) + g(x) = kf(x) + kg(x).

e rs
n
A funo constante f(x) = 0 o neutro aditivo: para toda funo g,

(f + g)(x) = f(x) + g(x) = 0 + g(x) = g(x).

i
v
Toda funo f tem um inverso aditivo, que (1)f.
m
 
f + (1)f (x) = f(x) + (1)f(x) = f(x) f(x) = 0 = z(x),

la
i
onde z(x) a funo constante zero.
u
l
a
A multiplicao de uma funo por 1 no a modifica. J
Pre
de
Exemplo 1.33 (nmeros reais, operaes trocadas). As operaes usadas em espaos vetoriais no preci-
sam ser a soma e multiplicao usuais. Elas precisam apenas ter as propriedades listadas na definio de
tas

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


O conjunto de vetores R (os nmeros reais exceto o zero);
no

ini

O corpo usado R;
o

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


gr
ar-
rs

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


lle

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

de cada elemento x x1 . J
Lin

. Pe

Exemplo 1.34 (matrizes). O conjunto de todas as matrizes reais m n, que denotamos Mmn , um
Ve

espao vetorial: podemos somar matrizes e multiplic-las por escalares reais, e as propriedades necessrias
bra

oC

so mantidas. Este um espao vetorial sobre R, j que os escalares que multiplicamos pelas matrizes so
reais. J
F Exemplo 1.35. Este exemplo aborda a relao entre os vetores de um espao e o corpo subjacente, e ilustra
im
e

um fato muito importante. Tentaremos construir um espao vetorial de duas maneiras parecidas. Uma
lg

delas funcionar e a outra no.


n

Se tomarmos todas as matrizes 2 2 com coeficientes reais, mas usarmos o corpo Q para os escalares,
no teremos problemas. Ao multiplicarmos um escalar racional pela matriz real, obtemos outra matriz
Jer

real. Por exemplo, !


m
 
m 0 0
n
= em m 2 .
n e 2 n n
18 CAPTULO 1. ESPAOS VETORIAIS

Assim, podemos ter o corpo subjacente igual a Q, mas com matrizes reais como vetores. Temos um espao
vetorial sobre Q.
J o contrrio no possvel: suponha que queiramos usar apenas matrizes 2 2 racionais e escalares
reais, portanto V o conjunto destas matrizes e exclumos assim todas as matrizes que tem elementos
irracionais. As operaes podero resultar em matrizes reais:
 

130

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

r
Esta ltima matriz tem elementos irracionais, e no pertence a V, portanto no temos um espao vetorial.

o
a
J
Exemplo 1.36 (sequncias). Comeamos este exemplo com a definio de sequncias.

e rs
n
Definio 1.37 (sequncia). Uma sequncia uma funo de N em R. Sequencias normalmente so deno-
tadas por (an ), (bn ). O n-simo termo da sequncia (ou seja, a valor funo para o argumento igual a n)

i
v
usualmente denotado por an , bn , etc, sem os parnteses, ao invs da notao tradicional para funes
a(n), b(n), etc.
m 
Por exemplo, podemos definir uma sequncia (an ):

la
a1 = 2
i
an = 2an1 + 1 u
l
a
Pre

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


de
Um exemplo bastante conhecido a sequncia de Fibonacci, dada por
F1 = 1
tas

F2 = 1
Fn = Fn1 + Fn2 .
no

ini

A seguir mostramos os primeiros nmeros da sequncia de Fibonacci.


o

gr
ar-

F1 =1 F5 =5
rs

F2 =1 F6 =8
lle

F3 =2 F7 = 13
e

F4 =3 F8 = 21
Lin

. Pe

Sejam (an ), (bn ), . . . sequncias. Definimos as operaes de soma de sequncias e multiplicao de sequn-
cia por escalar da maneira natural:
Ve

A soma de duas sequncias (cn ) = (an ) + (bn ) sequencia onde cada termo ci a soma de termos
bra

oC

a + i + bi .
A multiplicao de uma sequncia (an ) por um nmeor real k a sequncia (cn ) = k(an ), cujos
im
e

termos so ci = kci .
lg

Por exemplo, se (an ) = (2, 4, 6, 8, . . .) a sequencia dos pares comeando com dois, e (bn ) = (10, 20, 30, 40, . . .)
n

a sequncia dos mltiplis de dez, comeando com dez, ento


Jer

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


3(an ) = (6, 12, 18, 24, . . .)
Ento o conjunto de todas as sequencias um espao vetorial:
1.4. ESPAOS VETORIAIS 19

i) a soma de sequncias associativa e comutativa;


ii) a multiplicao de sequncia por escalar associativa;
iii) a sequncia zn = 0 neutra para soma de sequncias;
iv) para toda sequncia (an ), existe uma sequencia (an ) tal que (an ) + (an ) = (zn ). J

130
F Exemplo 1.38 (solues de equao diferencial). Uma equao diferencial ordinria uma equao envol-

r
vendo uma funo e uma ou mais de suas derivadas. Uma resumida introduo s Equaes Diferenciais
dada no Apndice .

o
a
Considere a equao diferencial
y 00 y = 0. (1.3)

e rs
n
A equao linear, porque da forma an y(n) + an1 y(n1) + + a1 y + a0 = f(x).

i
v
A equao homognea, porque apenas a varivel dependente aparece na equao no vemos a
varivel independente nem constantes (a0 = 0, f(x) = 0).
m
As solues da equao 1.3 so da forma

la
y = aex bex ,
i
u
l
a
porque para todo x R,
Pre

d2
de
d n
aen bey ae bey = 0.
dx2 dx
onde a e b so constantes arbitrrias. As solues formam um espao vetorial: a soma de duas solues
tas

resulta em outra soluo sejam (a,b) e (, ) as constantes que determinam duas solues diferentes para
a EDO. Ento
no

aex bex + ex ex = (a + )ex (b + )ex


ini
o

A multiplicao por escalar tambm resulta em outra soluo:


gr
ar-

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


rs

lle

Finalmente, as propriedades de espao vetorial valem: (i) a soma de solues associativa e comutativa;
e

(ii) a multiplicao por escalar associativa; (iii) y = 0 soluo (com a = b = 0), e funciona como neutro
Lin

. Pe

aditivo; (iv) toda soluo tem oposto basta multiplic-la por 1; (v) multiplicar 1 por uma soluo no a
modifica.
Ve

O conjunto de solues para qualquer EDO linear homognea sempre um espao vetorial.
bra

oC

Uma excelente introduo s Equaes Diferenciais o livro de Tenenbaum em Pollard [TP63]. Mais
resumidos, os livros de Coddington [Cod61] e Bear [Bea62] so tambm timos textos sobre o assunto. J
im

Exemplo 1.39 (variveis aleatrias). Seja o espao amostral de um experimento aleatrio. Uma varivel
e

aleatria real uma funo X : R.


lg

Por exemplo, se o espao amostral o conjunto de pessoas em um prdio, a funo que mapeia cada
pessoa em sua massa corporal uma varivel aleatria.
O conjunto de todas as variveis aleatrias em um espao vetorial quando usamos a operao usual
Jer

de soma de variveis aleatrias, e a multiplicao de uma varivel aleatria por escalar real.
Sejam A e B duas variveis aleatrias definidas no mesmo espao amostral , e seja C = A + B. Para
todo evento simples , C() = A() + B(). Fica portanto claro que:
20 CAPTULO 1. ESPAOS VETORIAIS

A soma de variveis aleatrias associativa e comutativa.

A multiplicao de varivel aleatria por escalar distributiva sobre a soma.

A varivel aleatria Z, que leva todo elemento de em 0, o elemento neutro para adio.

130
Se A varivel aleatria, ento a varivel aleatria A, que leva os elementos do espao amostral
aos valores opostos aos que A leva, tambm .

r
o
a
Multiplicar uma varivel aleatria por 1 no a modifica.

e rs
n
Mostramos ento que o conjunto das variveis aleatrias reais em um mesmo espao amostral um espao
vetorial sobre R. J

i
v
F Exemplo 1.40 (sequncias de bits). Mencionamos no exemplo 1.22 o corpo Z2 , onde as operaes so o
m
e () e o ou-exclusivo (). Definimos agora um espao vetorial sobre este corpo, de maneira anloga
a Rn sobre os reais. Cada vetor uma sequncia de n bits, e as operaes so:

la
Soma: feita elemento a elemento somar o vetor b = (b1 , b2 , . . . , bn ) com o vetor b 0 = (b10 , b20 , . . . , bn0 )
i
u
resulta em (b1 b10 , b2 b20 , . . . , bn bn0 ). Por exemplo,
l
a
Pre
de

(0, 1, 0, 1, 1)
tas

(0, 0, 1, 1, 0)
= (0, 1, 1, 0, 1)
no

ini

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

sulta em (cb1 , cb2 , . . . , cbn ). Como h somente dois escalares no corpo (0 e 1), listamos aqui o efeito
gr
ar-
rs

da multiplicao de vetores por eles.


lle

1 (b1 , b2 , . . . , bn ) = (b1 , b2 , . . . , bn )
e
Lin

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


. Pe
Ve

Este espao chamado de Zn


2. J
bra

oC

F Exemplo 1.41 (ciclos em grafo). Um grafo uma representao grfica de uma relao em um conjunto.
Grafos tem aplicao em uma enorme quantidade de reas das Engenharias, da Computao e da Matem-
im
e

tica. A figura a seguir mostra exemplos de grafos.


lg

n
Jer
1.4. ESPAOS VETORIAIS 21

130
r
o
a
usual dar nomes aos ns, e desenhar o grafo com os nomes de cada n seu lado.
Para poder trabalhar com grafos como objetos matemticos, precisamos dar a eles uma definio for-
mal. Definimos um grafo como um par (V, E), onde V um conjunto de vrtices (representados grafica-

e rs
n
mente como pontos) e E um conjunto de arestas (graficamente so os traos que unem vrtices), de
forma que cada aresta em E seja um conjunto de dois dos vrtices em V.

i
v
Damos um exemplo de grafo na prxima figura.
m
b
a

la
c
i
u
l
a
Pre
de
f
d
e
tas

O conjunto de vrtices do grafo


V = {a, b, c, d, e, f}.
no

ini

As arestas so
{a, c}, {a, d}, {b, c}, .
gr

E=
ar-

{b, e}, {b, f}, {c, d}


rs

Um subgrafo uma parte de um grafo.


lle
e

Definio 1.42 (subgrafo). Seja G = (V, E) um grafo. Um subgrafo de G um grafo G 0 = (V 0 , E 0 ) tal que
Lin

. Pe

V 0 V e E 0 E. 
O grafo em negrito na figura a seguir um subgrafo do grafo anterior. Neste texto, quando quisermos
Ve
bra

oC

mostrar um subgrafo, ele ser desenhado em negrito sobre o grafo original, que ser desenhado em tom
de cinza claro.
b
im
e

a
lg

c
n
Jer

f
d
e
22 CAPTULO 1. ESPAOS VETORIAIS

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


est no subgrafo, e zero se no est. Por exemplo, o vetor caracterstico do subgrafo que mostramos

{a, b} 0

{a, c}
1

130
{a, d} 0


{a, e}
0

r
{a, f} 0

{b, c} 0

o
a
{b, d}

0

{b, e}

e rs
n
0

{b, f} 1


{c, d} 1

i
v
{c, e} 0

m
{c, f}

0

{d, e} 0

la

{d, f} 0
i
u
l
a
Os elementos do vetor caracterstico so 0 e 1. Ser conveniente usarmos as operaes de Z2 nestes vetores.
Pre
de
Multiplicar um vetor por 1 o mesmo que realizar a operao de e, e portanto resulta no mesmo vetor
(no modifica o subgrafo):
1 (0, 1, 1, 0, 0, 1)T = (0, 1, 1, 0, 0, 1)T .
tas

A multiplicao por zero resulta no vetor zero (e portanto no grafo sem arestas, contendo somente os
no

ini

vrtices), ou seja, multiplicar um subgrafo por zero o faz desaparecer.


o

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

ou-exclusivo):
ar-
rs

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


lle
e

Em um grafo, esta operao representa a soma de dois subrafos: se uma aresta existe somente em um dos
Lin

. Pe

subgrafos, ela passa a existir na soma. Se uma aresta existe nos dois subgrafos, ela deixa de existir na soma.
A figura a seguir ilustra a soma de dois subgrafos. Observe que as arestas (a, b), (b, c) e (d, e) existiam em
Ve

ambos os grafos, e no existem na soma (elas aparecem em cinza claro na ilustrao, apenas para facilitar
bra

oC

sua identificao).
im

b b
e

a a
lg

c c
Jer

e e

d d
1.4. ESPAOS VETORIAIS 23

b
a

= c

130
e

r
d

o
a
Um ciclo em um grafo uma sequncia de arestas (e1 , e2 , . . . , ek ) formam um caminho, iniciando com um
vrtice e terminando nele mesmo6 . A figura a seguir ilustra um ciclo em um grafo; o ciclo formado pelos

e rs
n
vrtices (a2 , a3 , b1 , b0 ).

i
v
b2 b1
m
la
a3 a2
i
u
l
a
a4 a1
Pre
de
b3 b0
a0
tas

b4
no

ini
o

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

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

ilustramos com um exemplo. A figura a seguir mostra dois grafos, G e H. Estes grafos tem dois vrtices (c
lle

e d) e uma aresta (cd) em comum.


e
Lin

. Pe

a e
Ve

c j c h
bra

oC

k
G= H=
d l d i
im
e
lg

b g
n

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


Jer

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

livro de Bondy e Murty [BM08]


24 CAPTULO 1. ESPAOS VETORIAIS

a e

c j h
k
d l i

130
b g

r
o
a
Seja C a unio dos subgrafos sem arestas com o conjunto dos subgrafos de G que consistem de unies de
ciclos. C com as operaes que definimos um espao vetorial sobre Z2 :

e rs
n
Grafos sem arestas so o elemento neutro (zero), e sua soma com qualquer outro grafo de ciclos
resulta no prprio grafo de ciclos;

i
v
A soma de dois ciclos resulta em um ciclo;
m
A multiplicao de um elemento por 1 resulta no prprio elemento; por 0 resulta no grafo sem ares-

la
tas. J
i
u
l
a
Pre
de
1.5 Subespaos
Definio 1.43 (Subespao). Seja V um espao vetorial, e seja tambm U V. Se as mesmas operaes
tas

que tornam V um espao vetorial7 tambm tornam U um espao vetorial, ento U um subespao de V. 

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

ini
o

Demonstrao. O espao trivial subespao de qualquer espao V porque


gr
ar-

{ 0 } V.
rs

lle
e

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


Lin

. Pe

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

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


Ve
bra

oC

Para todo vetor no espao trivial (ou seja, somente para o zero), 0 + 0 = 0.

A multiplicao de 1 por 0 igual a 0 (ou seja, no modifica o vetor zero).


im
e
lg

Claramente V tambm subespao de V, porque V V. 


n

Exemplo 1.45. Considere o espao R3 . O conjunto de pontos da forma (v1 , v2 , 0) um subespao, porque:
Jer

(i) a soma de dois pontos desta forma resulta em outro tambm da mesma forma: (u1 , u2 , 0)+ (v1 , v2 , 0) =
(u1 + v1 , u2 + v2 , 0), e (ii) a multiplicao por escalar tambm resulta em outro ponto da mesma forma:
7 Alguns autores dizem que U munido das mesmas operaes de V.
1.5. SUBESPAOS 25

c(v1 , v2 , 0) = (cv1 , cv2 , 0). Alm disso, (i) a soma de vetores (os pontos) associativa e comutativa; (ii) a
multiplicao de vetores por escalar associativa:
c(du) = c(d(u1 , u2 , 0))
= c(du1 , du2 , 0)
= (cdu1 , cdu2 , 0)

130
= (cd)(u1 , u2 , 0)

r
= (cd)u,

o
a
e
u + (v + w) = (u1 , u2 , 0) + [(v1 , v2 , 0) + (w1 , w2 , 0)]

e rs
n
= (u1 , u2 , 0) + (v1 + w1 , v2 + w2 , 0)
= (u1 + v1 + w1 , u2 + v2 + w2 , 0)
i
v
= [(u1 + v1 , u2 + v2 , 0)] + (w1 , w2 , 0)
m
= [(u1 , u2 , 0) + (v1 , v2 , 0)] + (w1 , w2 , 0)

la
= (u + v) + w;
i
(iii) a multiplicao por escalar distributiva: u
l
a
c(u + v) = c [(u1 , u2 , 0) + (v1 , v2 , 0)]
Pre
de
= c(u1 , u2 , 0) + c(v1 , v2 , 0)
= cu + cv,
tas

e
(c + d)v = (c + d)(v1 , v2 , 0)
no

ini

= c(v1 , v2 , 0) + d(v1 , v2 , 0)
o

= cv + dv;
gr
ar-
rs

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

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

Este exemplo mostra tambm que podemos visualizar R2 como subespao de R3 uma vez que igno-
Lin

. Pe

rando a terceira coordenada (que igual a zero), temos um plano. J


Exemplo 1.46. Sabemos que os reais so um espao vetorial (os vetores so nmeros reais, e o corpo
Ve

subjacente o prprio R). Os racionais no so subespao dos reais, porque a multiplicao de x Q


bra

oC

por escalar real no necessariamente racional: (2/3) = 2/3. J


Se sabemos que V um espao vetorial e U V, j sabemos tambm que todas as propriedades das
im
e

operaes em V tambm valem em U (porque as operaes so as mesmas). Resta apenas determinar se


lg

este subconjunto fechado para as operaes de soma de vetores e multiplicao por escalar. Para isso,
n

verificamos que: (i) o vetor zero pertence a U; (ii) as operaes de soma e multiplicao por escalar de
elementos de U resultam em elementos tambm de U.
A figura a seguir mostra, por exemplo, dois subconjuntos de um espao vetorial V. No primeiro caso,
Jer

U subconjunto, mas h vetores x e y tais que x + y = z / U. Como esta condio j no satisfeita,


podemos dizer que U no subespao de V. No segundo caso, a soma de quaiquer x e y est em W, o zero
est em W, e para todo x e todo c, cx est em W, portanto W subespao de V.
26 CAPTULO 1. ESPAOS VETORIAIS

V V

130
U W
x 0 x
c

r
o
z cx z

a
+ +

e rs
y y

in
v
m
la
i
u
Teorema 1.47. Se V um espao vetorial e U V, de forma que 0 U e U fechado para as operaes de
l
a
multiplicao por escalar e soma de vetores, ento U subespao de V.
Pre
de

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


tas

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

(a, b) + (x, y) = (a + x, b + y)
no

ini
o

Somando as coordenadas do novo vetor, temos


gr
ar-
rs

(a + x) + (b + y) = (a + b) + (x + y) = 0 + 0 = 0.
lle
e
Lin

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

escalar.
Ve

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


bra

oC

Ento
im

cx + cy = c(x + y) = 0c = 0.
e
lg

O conjunto X definido acima a reta y = x. H outras retas que so subespaos de R2 : basta que passem
n

pela origem (porque precisamos do vetor 0).


Geometricamente, podemos verificar que a adio de vetores nesta reta resulta sempre em outro vetor
Jer

tambm sobre a mesma reta e que a multiplicao por escalar tambm mantmos vetores na reta. Como
alm disso a reta pasa pela origem, o vetor zero est tambm na reta, e portanto, como soma e multiplicao
por escalar resultam em vetores na reta, e ela contm o zero, trata-se de um subespao de R2 .
1.5. SUBESPAOS 27

2
y

130
0
4 2 0 2 4
x

r
2

o
a
4

e rs
in
v
O raciocnio geomtrico que fizemos obviamente vale para qualquer reta passando pela origem (e real-
mente, so todas subespaos de R2 ).
m
P
De maneira geral, o conjunto { (x1 , x2 , . . . , xn ) : xi = 0 } subespao de Rn . J

la
Exemplo 1.49. Considere o conjunto de pontos X = { (x, y) : x + y = 1 }. X subconjunto de R2 , mas
i
no um subespao de R2 , porque u
l
a
Pre
de
i) (0, 0)
/ X.
tas

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


no

ini

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


o

gr
ar-
rs

4
lle
e
Lin

. Pe

2
y

0
Ve

4 2 2 4
bra

oC

0
x
2
im
e
lg

4
n
Jer

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


28 CAPTULO 1. ESPAOS VETORIAIS

2
y

130
0
4 2 0 2 4
x

r
2

o
a
4

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

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

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


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

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

ini

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

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


gr
ar-
rs

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

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

e o fechamento das operaes:


Lin

. Pe

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


Ve

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


bra

oC

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

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

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

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


Verificamos que Ck um espao vetorial:
Jer

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

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

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

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

130
de F(R), porque os domnios das funes so diferentes: f : R R, f(x) = x2 diferente de g :
[a, b] R, g(x) = x2 . No entanto, podemos argumentar que o conjunto formado pelas funes em

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

o
J

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

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

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

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

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


tas

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


no

ini

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


o

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

um subespao. J
rs

lle

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

subespaos de F(R). J
Lin

. Pe

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

oC

a11 x1 + a12 x2 + + a1n xn = 0


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

am1 x1 + am2 x2 + + amn xn = 0


lg

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

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

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

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

ai1 x1 + ai2 x1 + + ain xn


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

130
= 0.

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

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

o
a
que

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

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

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

la
iii) A multiplicao de uma soluo por escalar resulta em outra soluo. O exerccio 25 pede a demons-
i
trao deste item.
u
l
a
i) A soluo com x = 0 sempre vlida para Ax = 0, porque A0 = 0.
Pre
de
ii) A soma de duas solues uma soluo: Se Ax = 0 e Ay = 0, ento
tas

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


=0+0
= 0.
no

ini
o

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

A(kx) = kAx
lle

= k0
e

= 0.
Lin

. Pe

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

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

oC

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


um corpo K qualquer subespao de Kn . J
im
e

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

formam um subespao:
n

O vetor zero 00000 est contido no subespao;


Jer

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


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

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

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

0000 C.

130
A soma () de elementos de C resulta em outro elemento de C:

0011 1101 = 1110

r
0011 1110 = 1101

o
a
1101 1110 = 0011

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

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

la
Teorema 1.61. Sejam U, W subespaos de um espao vetorial V. Ento U W tambm subespao de W.
i
u
l
a
Demonstrao. Como ambos so subconjuntos de V, basta mostrar que U W fechado para as operaes.
Pre

Sejam x, y U W e c um escalar. Como x U e x W, temos cx U e cx W, e portanto


de
cx U W,
Similarmente, como x, y esto tanto em U como em W, x + y tambm devem pertencer a U e a W.
tas

Conclumos que x + y U W. 

Exemplo 1.62. Considere os subespaos de R3 :


no

ini


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


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


lle

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

tambm subespao de R3 . J
Lin

. Pe

Exemplo 1.63. Seja A o espao das matrizes diagonais de ordem tres, e B o espao das matrizes quadradas
de ordem tres com trao zero.
Ve

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

oC

um espao vetorial, com as mesmas operaes usuais de soma de matrizes e multiplicao por escalar. J

Exemplo 1.64. Seja F(R) o espao vetorial das funes reais. Considere dois subespaos de F(R):
im
e

i) O conjunto das funes reais contnuas, C0 ;


lg

ii) O conjunto das funes reais pares P.


Jer

A interseo desses dois formada pelo conjunto das funes reais contnuas pares. Esta interseo
tambm subespao de F(R):

A funo constante zero contnua e par;


32 CAPTULO 1. ESPAOS VETORIAIS

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

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

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

130
inteiros pares, que tambm espao vetorial. J

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

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

o
a
a soma de U e W. 

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

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

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

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

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

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

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

ini

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

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


gr
ar-
rs

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


lle
e

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


Lin

. Pe

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

oC

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

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


lg

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

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

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

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

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


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

130
= (0, a, , 0)T + (0, 0, , c)T
2 2
..

r
. J

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

e rs
4

in
v
m
2
y

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

2
de

4
tas

Ento
no

ini

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

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


gr
ar-

A B = A + B = R2 .
rs

lle
e

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

J
. Pe

de cada reta na figura.


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

sidere os dois subconjuntos de Rn [x]:


bra

oC

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


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

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

com outro de Rm..n [x]:

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


Jer

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


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

Note que o lado esquerdo pode ser zero (que pertence a Rm..n [x]) se todos os coeficientes ali forem zero.
Assim, temos Rn [x] = Rm [x] Rm..n [x].
Mais concretamente: seja R4 [x] o conjunto de todos os polinmios com grau no mximo 4. Ento R4 [x]
pode ser decomposto, por exemplo, em
R2 [x], o espao dos polinmios com grau mximo 2;

130
R3..4 [x], o espao dos polinmios com grau entre 3 e 4, mais o polinmio zero.

r
Qualquer polinmio de grau menor ou igual a quatro pode ser escrito como a soma de (i) um polinmio de
grau entre 3 e 4, ou zero, e um polinmio de grau no mximo 2:

o
a
a4 x4 + a3 x3 + a2 x2 + a1 x + a0
= a4 x4 + a3 x3 + a2 x2 + a1 x + a0 .
 

e rs
J

n
| {z } | {z }
R3..4 [x] R2 [x]

i
v
F Exemplo 1.74. Sejam
i) A o espao gerado pelas sequencias de bits 0110 e 1001;
m
la
ii) B o espao gerado pela sequencia de bits 0100;
i
iii) C o espao gerado pela sequencia de bits 1000.
u
l
O espao Z42 igual a A B C. Temos
a
Pre
de
A = {0000, 0110, 1001, 1111},
B = {0000, 0100},
C = {0000, 1000}.
tas

Qualquer vetor (sequencia de bits) de Z42 pode ser escrita como soma de vetores desses conjuntos. J
no

ini
o

1.6 Aplicaes
gr
ar-
rs

Esta Seo detalha trs exemplos prticos do uso de estruturas algbricas: o primeiro e o terceiro em Crip-
lle

tografia; o segundo na determinao de um mtodo para resolver o cubo mgico (ou cubo de Rubik); o
e

terceiro em Criptanlise; e o ltimo em cdigos corretores de erros. Grupos so tambm muito usados em
Lin

. Pe

algumas reas da Qumica e da Fsica [Bis93; Ham89; Cor97].


Ve

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


bra

oC

A Criptografia nos oferece mtodos para realizar comunicao privada, mesmo que o canal (meio) usado
im

seja pblico. Por exemplo, podemos usar Criptografia para enviar mensagens secretas pela Internet, e
e

para acessar sistemas bancrios sem que intrusos obtenham nossa senha, e poderamos citar uma grande
lg

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


n

Antes da era moderna da Criptografia, o mtodo usado para encriptar e decriptar mensagens envolvia
apenas uma chave secreta: se uma mensagem encriptada com chave (senha) k, ela pode ser decriptada
Jer

por qualquer um que conhea aquela chave.


Suponha que Alice e Bob queiram trocar mensagens em segredo8 , mas estejam fisicamente distantes
8 comum em Criptografia darmos nomes aos dois usurios de um sistema criptogrfico de Alice e Bob.
1.6. APLICAES 35

(em pases diferentes, por exemplo). Suponha tambm que eles s podem se comunicar por um canal
inseguro: cartas que so bisbilhotadas pelo servio secreto, telefone grampeado, ou conexo insegura por
rede de computadores. Aparentemente impossvel que os dois consigam faz-lo sem se encontrarem
fisicamente, porque teriam que definir uma chave secreta para poderem encriptar as mensagens e ambos
precisam conhecer a mesma chave.
Em 1976, Whitfield Diffie e Martin Hellman mostraram como resolver este problema, apresentando um

130
mtodo para que duas pessoas possam definir conjuntamente um segredo, comunicando-se apenas por
canais pblicos9 . Este mtodo foi publicado com o ttulo New directions in Cryptography [DH76]. Hoje

r
o mtodo conhecido como protocolo Diffie-Hellman para acordo de chaves. A seguir descrevemos de maneira

o
a
simplificada o mtodo desenvolvido por eles.
Alice e Bob devero portanto determinar, de comum acordo, um segredo (a chave criptogrfica para

e rs
n
se comunicarem, por exemplo) mas que s podem se comunicar em pblico (postando recados em um
quadro de avisos, usando uma linha telefnica grampeada, ou atravs de uma rede de computadores des-
protegida).
i
v
O protocolo Diffie-Hellman usa operaes em um grupo. Para um exemplo simples10 , usaremos um
m
grupo definido da seguinte forma: o conjunto de elementos { 1, 2, . . . , p 1 }, onde p um nmero primo.
A operao de grupo para dois elementos a e b a b = resto da diviso de ab por p. Por exemplo, se

la
p = 7, ento para calcular 5 6, fazemos 5 6 = 30, e tomamos o resto da diviso de 30 por 7, que 2.
Observe que como p (neste exemplo, 5 primo), o resultado da operao nunca ser zero, portanto
i
nunca obteremos um elemento fora do u
l
a
Exemplo 1.75. Escolhemos, para fins didticos11 , p = 5. Os elementos do grupo so { 1, 2, 3, 4 }.
Pre
de
Calculamos como exemplo 2 2. Temos 2 2 = 4, e o resto de 4 5 4, portanto 2 2 = 4.
Agora calculamos 3 2. Temos 3 2 = 6. O resto de 6 4 2, portanto 3 2 = 2. J
tas

Em grupos definidos desta forma, sempre haver pelo menos um elemento g que podemos usar para
escrever todos os outros elementos usando a operao de grupo. Chamamos este elemento de gerador do
no

grupo. No exemplo anterior, podemos escrever todos os elementos usando somente g = 2. Por exemplo,
ini
o

O elemento 4 pode ser escrito como 2 2, porque calculamos 2 2 = 4, e o resto de 4 5 4.


gr
ar-

O elemento 3 pode ser escrito como 2 2 2:


rs

lle

2 2 2 = (2 2) 2 (a operao associativa)
e

=42 (j calculado antes, 2 2 = 4)


Lin

. Pe

= resto de 8 5
= 3.
Ve
bra

oC

O mesmo pode ser feito para o elemento 1:


2 2 2 2 = (2 2) (2 2) (a operao associativa)
im
e

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


lg

= resto de 16 5
n

= 1.
9O mtodo funciona de forma que duas pessoas poderiam us-lo em uma sala com diversas outras pessoas: os dois participantes
Jer

ditam em voz alta nmeros um ao outro, e depois de um tempo ambos conhecem um segredo que ningum mais na sala conhece.
10 Em situaes prticas, h diversas restries quanto forma como o grupo definido; a apresentao do protocolo neste texto

foi simplificada.
11 Na prtica, p deve ser muito grande.
36 CAPTULO 1. ESPAOS VETORIAIS

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

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

130
1=2222 (Resto de 16 5 1)
a vezes

r
z }| {
comum usar a notao ga para ggg g, portanto

o
a
2 = 21

e rs
n
4 = 22
3 = 23

i
v
1 = 24
m
Em grupos como este, calcular ga a partir de g e a pode ser feito rapidamente, mas calcular a a partir de

la
ga extremamente demorado: para p perto de 22048 , um computador demoraria centenas de anos para
terminar o clculo.
i
u
Depois de definir p e determinar g (que podem ser pblicos), Alice e Bob seguem os passos a seguir.
l
a
Pre

1. Alice escolhe aleatoriamente seu segredo, 1 < a < p.


de

2. Bob tambm escolhe seu segredo, 1 < b < p.


tas

3. Alice envia para Bob ga .

4. Bob envia para Alice gb .


no

ini
o

5. Alice, tendo o valor enviado por Bob, calcula (gb )a , que igual a gab (verifique!).
gr
ar-

6. Bob faz o mesmo, e calcula (ga )b , obtendo tambm gab .


rs

lle

Agora Alice e Bob tem o mesmo valor, gab , que pode ser usado como senha, porque conhecido apenas
e

por eles. Os dados enviados em pblico e que podem ser capturados pelo adversrio so ga e gb , mas com
Lin

. Pe

estes dois valores seria difcil calcular a, b ou gab , e portanto Alice e Bob atingiram seu objetivo.
O grupo que apresentamos neste exemplo no o nico usado com o protocolo Diffie-Hellman em
Ve

aplicaes prticas grupos diferentes, com operaes mais complexas so usados. No entanto, o protocolo
bra

oC

definido para quaisquer grupos onde haja um gerador12 , facilitando sua exposio e estudo.
A dificuldade de determinar a dado ga neste grupo fundamental em Criptografia: dizemos que f(a) =
a
g uma funo de mo nica, porque fcil de calcular mas difcil de inverter13 (a definio precisa
im
e

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

operao).
n

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


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

discusso mais aprofundada dos fundamentos tericos [KL08].


12 H grupos que no so gerados por um nico elemento.
13 Mais precisamente, dado y = f(x), difcil encontrar algum elemento em sua pr-imagem.
1.6. APLICAES 37

1.6.2 Cubo de Rubik [ grupo ]


Grupos so usados no estudo do mtodo para soluo do cubo de Rubik, e este um exemplo importante
de grupo (e de estrutura algbrica) porque os elementos do grupo so movimentos.
O cubo de Rubik um quebra-cabeas tridimensional no formato de cubo que permite rotacionar cada
uma de suas seis faces nos dois sentidos (horrio e anti-horrio). Desta forma, o cubo tem cada face dividida

130
em nove pequenos quadrados, e cada face tem inicialmente uma cor diferente das outras.

r
o
a
e rs
in
v
m
la
Ao rotacionar as faces, elas ficam em configuraes diferentes. Em cada configurao as faces podem apre-
i
u
sentar suas parties (os pequenos quadrados) com diversas cores diferentes.
l
a
O objetivo do jogador levar o cubo da configurao em que estiver para a configurao inicial, com
Pre

cada face tendo uma nica cor.


de
O grupo usado no estudo do cubo de Rubik tem como elementos o conjunto de todas as possveis mo-
dificaes na configurao do cubo (ou seja, todas as sequncias de rotaes das faces) mais o movimento
tas

nulo, e a operao do grupo a concatenao (aplicao em sequncia). As rotaes so descritas usando


a seguinte notao:
no

ini

F a face da frente (Front);


o

B a face de trs (Back);


gr
ar-

U a face de cima (Up);


rs

lle

D a dace de baixo (Down);


e
Lin

. Pe

L a face da esquerda (Left);


R a face da direita (Right).
Ve
bra

oC

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


im
e
lg

n
Jer
38 CAPTULO 1. ESPAOS VETORIAIS

Denotamos a rotao no sentido horrio pelo nome da face: F a rotao da face frontal 90o no sentido
horrio.
A rotao no sentido anti-horrio denotada pelo nome da face com a marca de um apstrofo: F 0 a
rotao da face frontal 90o no sentido anti-horrio.
Duas rotaes iguais em seguida formam uma rotao de 180o , que denotada pelo nome da face com
uma indicao: F2 o mesmo que F seguida de F.

130
Os elementos do grupo so as rotaes bsicas, j mencionadas (F, B, U, . . ., F 0 , . . . , F2 , . . .) e suas
composies em sequncia, FUB, F2 DU, etc. Note que FFF = F2 F = F 0 .

r
O movimento nulo denotado por E (Empty).

o
a
Verificamos que o conjunto e operao dados realmente um grupo:

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

A operao associativa.
i
v
O movimento nulo o elemento neutro.
m
la
Para cada rotao existe outra no sentido contrrio, e se as realizarmos em sequncia no alteramos
i
u
a configurao do cubo (e isso portanto equivalente ao movimento nulo).
l
a
A operao do grupo no comutativa basta observar que de maneira geral, FR leva a uma configu-
Pre
de
rao diferente de RF.
Um dos fatos bsicos sobre grupos que podemos usar ao raciocinar sobre o cubo o primeiro teorema
que provamos: todo elemento em um grupo tem um nico inverso e portanto toda sequencia de movi-
tas

mentos, da maneira como as definimos, tem uma nica sequncia inversa.


O grupo descrito nesta Seo pode ser usado para derivar um mtodo para soluo do cubo de Rubik
no

ini

(onde soluo significa levar o cubo de qualquer configurao para a inicial) o leitor poder consultar,
por exemplo os livros Notes on Rubiks Magic Cube, de David Singmaster [Sin81] e Adventures in Group
o

Theory: Rubiks Cube, Merlins Machine, and Other Mathematical Toys, de David Joyner [Joy08].
gr
ar-
rs

lle

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


e
Lin

. Pe

Uma cifra uma ferramenta criptogrfica usada para garantir sigilo em comunicaes: uma mensagem
qualquer, representada como uma sequncia de bits (e portanto um elemento de Zn 2 ), misturada a
Ve

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

oC

mensagem (e nem possa, claro, obter a chave secreta). Quando a mensagem chegar ao destinatrio, a
chave secreta novamente usada para decodificar a mensagem.
chave
im
e
lg

n
Jer

texto cifra texto


claro (encriptao) encriptado
1.6. APLICAES 39

A Criptanlise trata de verificar se uma ferramenta criptogrfica segura: tenta-se quebrar mtodos crip-
togrficos a fim de realizar algo semelhante a um controle de qualidade.
O mtodo da criptanlise algbrica consiste em representar um criptossistema como um sistema de equa-
es. A soluo deste sistema poder ser uma chave ou mensagem secreta (e portanto resolver o sistema
deveria ser difcil).
Desenvolveremos um exemplo muito simplificado de cifra e mostraremos como ele pode ser quebrado.

130
Suponha que a entrada seja uma sequncia de quatro bits, b = b3 b2 b1 b0 , e uma chave, que uma
sequncia de quatro bits, k = k3 k2 k1 k0 . A sada uma sequncia de quatro bits, c = c3 c2 c1 c0 , e a cifra

r
opera da seguinte maneira:

o
a
k1 b0 b3 k2 = c3
k2 b1 b2 k3 = c2

e rs
n
k3 b2 b1 k0 = c1
k0 b3 b0 k1 = c0

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

v
um sistema linear. Suponha, por exemplo, que b = 1001 e c = 1010. Ento o sistema linear a resolver em
m
Z2

k1 1 1k2 = 0

la
k2 0 0k3 = 1
i

k3 0 0k0 = 0 u
l
k0 1 1k1 = 1
a
Pre
de
Facilmente determinamos que a chave usada foi

k = k3 k2 k1 k0 = 0100,
tas

como fcil verificar subtituindo k e b e obtendo o texto cifrado c.


O sistema descrito fcil de quebrar por vrios motivos, mas o mais evidente que ele se resume a um
no

ini

sistema linear. Suponha que a cifra fosse, ao invs disso, determinada por
o

gr

k1 k2 b0 b3 k0 k1 k2 = c3
ar-

k2 k3 b1 b2 k1 k2 k3 = c2
rs

lle

k3 k0 b2 b1 k0 k1 = c1
e

k0 k1 b3 b0 k3 k2 = c0
Lin

. Pe

Ainda que conheamos um par de texto claro e o texto cifrado obtido dele, no to simples determinar a
chave: supondo que b = 1100 e c = 1010, o sistema que teramos que resolver
Ve


bra

oC


k1 k2 0 1k0 k1 k2 =1
k2 k3 0 1k1 k2 k3 =0

k3 k0 1 0k0 k1 =1
im
e

k0 k1 1 0k3 k2 =0
lg

que no linear, e envolve equaes de grau trs. Assim, a no-linearidade uma essencial para a segurana
de uma cifra criptogrfica.
Algoritmos criptogrficos so projetados como sequencias de operaes em estruturas algbricas, de
Jer

forma que seja fcil execut-las e que seja difcil invert-las sem a chave.
Alguns exemplos de critpossistemas quebrados usando criptanlise algbrica so o AS/5, usado no pa-
dro GSM de telefonia mvel, e o Keeloq, usado em dispositivos digitais em chaves de automveis.
40 CAPTULO 1. ESPAOS VETORIAIS

O livro de Douglas Stinson [Sti06] traz uma breve introduo Criptanlise, embora no aborde a Crip-
tanlise Algbrica, que tem como pr-requisito um curso bsico de lgebra Abstrata. Sobre Criptanlise
Algbrica h o livro de Gregory Bard [Bar09] e o de Andreas Klein [Kle13] (estes dois ltimos requerem
considervel capacidade de abstrao e preparo em lgebra, Combinatria e Estatstica).

130
1.6.4 Cdigos corretores de erros [ espao vetorial; subespao ]

r
Quando uma mensagem eletrnica transmitida na forma de sequncia de bits, possvel que a transmisso
inclua erros na mensagem alguns dos bits podem vir trocados, porque os canais de transmisso no so

o
a
perfeitos. Para detectar e automaticamente corrigir estes erros as mensagens podem ser codificadas de
uma forma especial, usando um cdigo corretor de erros.

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

i
v
e corrigir erros: se enviarmos cada mensagem cinco vezes, e em uma das vezes ela for transmitida com
m
erro, o receptor decidir que as quatro mensagens iguais devem ser aquela correta, e a quinta, diferente,
deve ter sido transmitida com erro. O envio de mltiplas cpias, no entanto, no eficiente: na verdade

la
possvel corrigir erros usando menos redundncia.
Em cdigos corretores de erros necessrio medir quo diferentes duas palavras so. Para isso usada
i
a distncia de Hamming14 . u
l
a
Definio 1.76 (Distncia de Hamming). A distncia de Hamming entre duas sequncias de bits (ou seja, en-
Pre
de
tre dois vetores de Zn
2 ) a quantidade de posies em que eles diferem. Denotamos a distncia de Hamming
entre a e b por d(a, b). 
tas

Exemplo 1.77. Exemplificamos com a distncia entre alguns vetores.


no

ini

d(01011, 01000) = 2
o

d(0101, 0101) = 0
gr

d(0001, 1010) = 3. J
ar-
rs

lle

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


e

O emissor codifica as mensagens de k bits em palavras maiores, com n > k bits. Os bits adicionais sero
Lin

. Pe

usados para permitir a deteco e correo de erros. Por exemplo, suponha que k = 2 e n = 5. O emissor
ento transforma as mensagens originais de 2 bits em outras mensagens com 5 bits:
Ve

00 00000
bra

oC

01 01011
10 10110
im
e

11 11101
lg

Este um cdigo que permite representar 4 palavras diferentes usando 5 bits, por isso chamado de [5, 4]-
cdigo. Est claro que o emissor no usar todas as possveis sequncias de 5 bits.
Jer

A palavra enviada do emissor ao receptor sempre uma daquelas quatro palavras de cinco bits. A
mensagem codificada tem mais bits para adicionar redundncia. O cdigo que demos de exemplo transforma
14 Trataremos em mais detalhes da definio de distncia no Captulo 7.
1.6. APLICAES 41

mensagens de dois bits em mensagens codificadas de cinco bits:

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

Observamos que, como h somente 22 palavras de dois bits, que estamos descrevendo com cinco bits, no
temos como usar todas as palavras de Z52 as palavras codificadas formam um subespao de Z52 : o zero

130
est contido no conjunto; a multiplicao () por 0 ou por 1 resulta em palavra tambm no conjunto; e

r
finalmente, a soma tambm resulta em palavra deste conjunto:

o
a
01011 10110 = 11101
01011 11101 = 10110

e rs
n
10110 11101 = 01001

i
v
Aps uma mensagem ser enviada, o receptor ter cinco bits. Se os bits corresponderem a uma das quatro
m
palavras do cdigo, ele decidir que no houve erro e aceitar a mensagem. Se os bits no formarem uma
palavra do cdigo (ou seja se os bits pertencerem a Z52 mas no ao subespao do cdigo), ele decidir que

la
houve um erro.
Quando o receptor detecta um erro, ele automaticamente troca a mensagem recebida por uma do c-
i
u
digo aquela que for mais prxima (usando a distncia de Hamming) da que foi recebida.
l
a
Um subespao de Zn 2 pode ento ser visto como um cdigo corretor de erros. O fato de cdigos deste
Pre

tipo serem descritos como subespaos de Zn


de
2 no coicidncia: para que os algoritmos usados para detectar
e corrigir erros funcionem como projetados, o cdigo deve necessariamente ser subespao de Zn 2 , e no
apenas subconjunto.
tas

Discutiremos mais sobre cdigos corretores de erros na seo 4.8.4.


O livro de Hefez e Villela [HV08] um texto introdutrio aos cdigos corretores de erros.
no

ini
o

Exerccios
gr
ar-
rs

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


lle
e

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

. Pe

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

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

oC

isso verdade.

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


im
e


lg

Ex. 4 No exemplo 1.21 exibimos o corpoQ[ 2], formado pelos nmeros da forma a + b 2. Pode-se
n

obter infinitos corpos como este, trocando 2 por outros nmeros. Que nmeros so estes? Demonstre o
que foi afirmado neste exerccio (que realmente se pode obter infinitos corpos desta forma).
Jer

Ex. 5 O produto de Hadamard de duas matrizes A e B a matriz C tal que cij = aij bij . Dados m e n, seja
M o conjunto de matrizes m n com coeficientes reais. Determine se (M, +, ) um corpo, onde o
produto de Hadamard.
42 CAPTULO 1. ESPAOS VETORIAIS

Ex. 6 Prove que o conjunto de todas as sequncias de Fibonacci um espao vetorial (h infinitas pos-
sveis sequncias de Fibonacci, cada uma comeando com diferentes valores para f1 e f2 ).

Ex. 7 Alm da operao lgicas e (denotada por ) definida no texto, em Lgica definimos a operao
ou, denotada por , de forma que a b = 1 se e somente se pelo menos um dentre a e b for 1. Determine
se ({ 0, 1 } , , ) um corpo.

130


p(x)
Ex. 8 Seja X = q(x) onde p e q so polinmios com q(x) 6= 0. X o conjunto de todas as funes

r
racionais. Determine se X um corpo com as operaes usuais de soma e multiplicao para polinmios.

o
a
Ex. 9 No exemplo 1.22, definimos as operaes E lgico () e Ou-exclusivo (). Verifique que estas

e rs
n
duas operaes so na verdade o mesmo que multiplicar e tomar o resto da diviso por 2; somar e tomar o
resto da diviso por 2.

i
v
F Ex. 10 Resolva o sistema em Z2 :

m

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

la


1x 0y 1z = 0.
i
u
l
a
Ex. 11 Mostre um sistema linear em Z2 que no tenha soluo.
Pre
de

Ex. 12 Diga se so espaos vetoriais. Quando no especificadas, as operaes so a soma e multiplicao


usuais; o corpo usado nos espaos vetoriais sempre R.
tas

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


ii) { (a, b) R2 : a < b }.
no

ini

iii) O conjunto das matrizes diagonais.


o

gr

iv) O conjunto das matrizes triangulares superiores.


ar-
rs

v) O conjunto dos nmeros complexos com coeficientes racionais (a + bi, a, b Q).


lle

F vi) O conjunto de todas as distribuies de probabilidade sobre um conjunto finito e enumervel. A ope-
e

rao de soma de vetores p = (p1 , p2 , . . . , pn ) e q = (q1 , q2 , . . . , qn ) a distribuio onde cada


Lin

. Pe

evento i tem probabilidade (pi + qi )/2:


 
(p1 + q1 ) (p2 + q2 ) (pn + qn )
Ve

p+q= , ,...,
bra

oC

2 2 2

O corpo R. O vetor p multiplicado pelo escalar c


im
e

1X
lg

= pi
n
n

i
 c 
k = sen2
2
Jer

cp = (kp1 + (1 k), kp2 + (1 k), . . . , kpn + (1 k)) .

vii) O conjunto de todas as funes f : R R com perodo .


1.6. APLICAES 43

viii) O conjunto de pontos com coordenadas pares em R2 .


ix) O conjunto dos pontos com pelo menos uma coordenada prima em R2 .
x) O conjunto de todas as funes reais com derivada positiva em todo o domnio.
F xi) Dada uma partio dos reais em intervalos, o conjunto de funes que tem derivada com o mesmo

130
sinal em cada um dos intervalos.
xii) Os vetores em Rn que, quando lidos, so palndromos (ou seja, todos os vetores da forma15

r
(x1 , x2 , x3 , . . . , xdn/2e , . . . , x3 , x2 , x1 )).

o
xiii) O conjunto de funes F = { f(x) = a cos x + b sen x : a, b R }

a
e rs
n
Ex. 13 Demonstre a proposio 1.69.

Ex. 14 Dissemos no exemplo 1.38 que o conjunto de solues para qualquer EDO linear homognea um
i
v
espao vetorial. Demonstre este fato.
m
Ex. 15 Mostre que h equaes diferenciais no lineares cujas solues tambm formam um espao

la
vetorial.
i
u
Ex. 16 Mostre que para a EDO y 00 + y 0 = 0, as funes da forma g(x) = aex bex , com a + b = 0, so
l
um subespao do conjunto de solues.
a
Pre
de
Ex. 17 Prove que em qualquer espao vetorial o elemento neutro para adio nico.

Ex. 18 O conjunto de matrizes reais simtricas quadradas subespao do espao de matrizes reais qua-
tas

dradas?

Ex. 19 Seja A uma matriz m n. Para quais vetores b o conjunto { x : Ax = b } subespao de Rn ?


no

ini
o

Ex. 20 Prove que em um espao vetorial,


gr
ar-

i) 0v = 0.
rs

lle

ii) 1v + v = 0.
e

iii) c0 = 0.
Lin

. Pe

iv) Se u + v = u ento v = 0.
v) Dado v, v nico.
Ve
bra

oC

vi) Se cv = 0 ento c = 0 ou v = 0.
im

Ex. 21 Prove que a quantidade de vetores em um espao vetorial sobre um corpo F finita se e somente
e

se F finito.
lg

Ex. 22 O primeiro quadrante um subespao de R2 ? Ou, de maneira geral, o primeiro ortante subes-
pao de Rn ?
Jer

Ex. 23 Encontre subespaos no-triviais do espao vetorial de n bits, definido no exemplo 1.40.
15 Na frmula descrevendo o vetor, dn/2e o menor inteiro maior ou igual a n/2. Por exemplo, d3e = 3 e d4.2e = 5.
44 CAPTULO 1. ESPAOS VETORIAIS

Ex. 24 O exemplo 1.57 lista alguns subespaos de F(R). Prove que so de fato subespaos.

Ex. 25 No exemplo 1.58 no verificamos que a multiplicao de uma soluo por escalar resulta em outra
soluo. Verifique.

Ex. 26 Considere os dois sistemas lineares com os mesmos coeficientes (a mesma matriz A):

130
i) Ax = 0

r
ii) Ax = b

o
a
Se v soluo para (i) e w soluo para (ii), ento v + w soluo para um dos dois sistemas. Qual deles?
Explique.

e rs
n
Ex. 27 No exemplo 1.58 verificamos que o conjunto de solues para um sistema homogneo de equa-
es lineares subespao de Rn . Explique porque isso no vale para sistemas no homogneos.
i
v
m
Ex. 28 Para qualquer conjunto X, denotamos por 2X o conjunto de todos os subconjuntos de X. Por
exemplo,

la
A = { 1, 2, 3 }
i
u
2A = {, { 1 } , { 2 } , { 3 } ,
l
a
{ 1, 2 } , { 1, 3 } , { 2, 3 } ,
Pre
de
{ 1, 2, 3 }}
tas

Agora considere as seguintes operaes que levam um elemento de Z2 (ou seja, 0 ou 1) e um conjunto em
um outro conjunto:
no

ini

1A=A
o

0A=
gr
ar-
rs

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


lle
e

Ex. 29 Considere o conjunto de todas as matrizes reais diagonais de ordem n, para algum n fixo. Quais
Lin

. Pe

so as duas operaes que poderamos usar sobre este conjunto para obter um corpo?

Ex. 30 Mostre que o conjunto de todas as variveis aleatrias relacionadas a um mesmo experimento e
Ve

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

oC

aleatrias e a multiplicao de uma varivel por nmero real.

Ex. 31 Mostre que as funes constantes de R em R so subespao de C[a, b].


im
e
lg

Ex. 32 Mostre que um conjunto de pontos (x, y) tais que y = p(x), onde p um polinmio de grau
n

maior ou igual a dois, no subespao de R2 .


Jer

F Ex. 33 Mostramos neste texto que o conjunto grafos de ciclos disjuntos um espao vetorial. usando as
mesmas operaes, diga se so espaos vetoriais:
i) O conjunto de subgrafos de um grafo;
1.6. APLICAES 45

ii) O conjunto de subgrafos conexos de um grafo (um grafo conexo se sempre h caminho entre quais-
quer dois de seus vrtices).

Ex. 34 Em Mnn , a funo que d o trao (somatrio da diagonal) de uma matriz Tr : Mnn R.
Mostre que o conjunto das matrizes n n com trao zero um subespao de Mnn .

130
Ex. 35 Identifique o complemento do subespao mencionado no exerccio 34.

r
Ex. 36 Sabemos que Mnn espao vetorial. Prove que o conjunto das matrizes simtricas Snn

o
subespao de Mnn , e que o conjunto Snn das matrizes antissimtricas complemento de Snn .

a
Ex. 37 O conjunto F(R) de funes reais soma direta dos conjuntos de funes pares e funes mpa-

e rs
n
res?
Ex. 38 O conjunto M33 das matrizes quadradas de ordem 3 pode soma direta de:
i
v
m
i) Matrizes de ordem 3 no-positivas e matrizes de ordem 3 no-negativas?
ii) Matrizes de ordem 3 singulares e matrizes no-singulares?

la
i
u
Ex. 39 Diga quando se trata de soma, soma direta ou nenhum deles.
l
a
i) Sequncias reais; sequncias constantes; sequncias no constantes.
Pre
de
ii) Sequncias estritamente crescentes; sequncias no estritamente crescentes.
iii) Todas as solues da equao diferencial y 00 y = 0; as solues da forma kex ; a soluo trivial
mais as solues da forma jex kex , com k, j 6= 0.
tas
no

ini
o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

n
Jer
46

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
130
CAPTULO 1. ESPAOS VETORIAIS
130
Captulo 2

r
o
a
Dimenso e Bases

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

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

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

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

ini

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


o

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

combinaes lineares de u e v:
rs

lle

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

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

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

10u = (0, 20, 0)


bra

oC

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



im

Definio 2.3 (Dependncia linear). Seja S = v1 , v2 , . . . , vk um conjunto de vetores em um espao


e

vetorial V. Se um dos vetores em S puder ser escrito como combinao linear dos outros, o conjunto S
lg

linearmente dependente, ou LD. Caso contrrio, linearmente independente, ou LI. 


n

Equivalentemente, um conjunto de vetores v1 , . . . vk LI se a combinao linear


Jer

a1 v1 + a2 v2 + . . . + ak vk = 0

implica em a1 = a2 = . . . = ak = 0.

47
48 CAPTULO 2. DIMENSO E BASES

Exemplo 2.4. Temos a seguir conjuntos de vetores em R2 .


A = (1, 1)T , (2, 2)T

B = (1, 1)T , (1, 1)T


130
C = (1, 1)T , (1, 2)T

D = (1, 1)T , (1, 2)T , (1, 1)T

r
o
a
os conjuntos A, B e D so LD, porque

e rs
n
2(1, 1)T = (2, 2)T
i
v
1(1, 1)T = (1, 1)T
m
3 1
(1, 1) + (1, 1) = (1, 2)T

la
2 2
i
u
O conjunto C LI. Se tentarmos obter valores a e b tais que a(1, 1)T = b(1, 2)T , teremos
l
a
Pre
de

a = b,
tas

a = 2b,
no

ini

o que s possvel com a = b = 0.


o

A Figura a seguir ilustra geometricamente estes conjuntos de vetores.


gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC

(2, 2)
im
e

(1, 1) (1, 1)
lg

n
Jer

A, conjunto LD (1, 1) B, conjunto LD


2.1. DEPENDNCIA LINEAR 49

(1, 2) (1, 2)

130
(1, 1) (1, 1) (1, 1)

r
o
a
e rs
n
C, conjunto LI D, conjunto LD

i
v
O conjunto C tem exatamente dois vetores no colineares. Os outros tem vetores colienares (A, B) ou tem
mais de dois vetores (D).
m J

Exemplo 2.5. Em R3 , os vetores

la
i
u
u = (1/2, 1, 1/2)T ,
l
a
v = (1/2, 2, 1)T ,
Pre

w = (1/4, 2, 0)T
de

so LD, porque u = v + (1/2)w. J


tas

Exemplo 2.6. No espao de polinmios R2 [x], os vetores (polinmios) x2 + 2, x 1 e 3x2 + 2x + 4 so um


conjunto L.D., porque o ltimo combinao linear dos outros dois: 3x2 +2x+4 = 3(x2 +2)+2(x1). J
no

ini

Exemplo 2.7. No espao das funes de R em R, os vetores (ou seja, as funes) f(x) = 3x, g(x) = cos(x)
o

e h(x) = ln(x) so L.I., porque nenhuma delas pode ser escrita como combinao linear das outras: no
gr
ar-

existem a, b e c diferentes de zero tais que


rs

lle

a(3x) + b cos(x) + c ln(x) = 0 (2.1)


e
Lin

. Pe

para todo x. Para mostrar este fato, supomos que existam b e c tais que a equao 2.1 valha. Ento, teramos

c ln(x) b cos(x)
Ve

a= , (2.2)
bra

oC

3x
para todo x, com b e c constantes. Mas o valor de a, que presumimos ser constante, dependeria do valor de
x, porque o lado direito da equao 2.2 no constante: como contraexemplo basta tomar x = e, x = 1,
im
e

x = e x = 2, por exemplo, e temos


lg

c ln(1) b cos(1)
a= 0.1801c,
3
c ln() b cos()
Jer

a= 0.1061b 0.1214c,
3
c ln(2) b cos(2)
a= 0.0530b 0.0975c,
6
50 CAPTULO 2. DIMENSO E BASES

c ln(e) b cos(e)
a= 0.1118b 0.1226c.
3e
Este sistema linear s tem a soluo trivial com a = b = c = 0, que portanto a nica maneira de
satisfazer a equao 2.1. J
Exemplo 2.8. As matrizes A, B e C a seguir formam um conjunto L.I.

130
     
A= 1 1 B= 7 0 C= 1 1

r
0 0 0 7 1 1

o
a
No entanto, A, B, C acima junto com a matriz D abaixo formam um conjunto L.D., porque D = (1/7)B +
C, ou seja,

e rs
n
 
D= 0 1 . J
1 0

i
v
F Exemplo 2.9. No espao das funes contnuas complexas, eix , eix , seno e cosseno so LD, porque as
m
duas ltimas podem ser escritas como combinaes lineares das duas primeiras:
1 i 1 i

la
cos = e + e ,
2 2
i
1 i 1 i
sin = ie + ie . u
l
a
2 2
Pre
de
Note que especificamos o espao das funes contnuas complexas, porque as funes eix e eix so com-
plexas J
tas

Exemplo 2.10. No espao Z52 , os vetores 01101 e 11100 so linearmente independentes, porque nenhum
mltiplo de outro. Mas se tomarmos tambm o vetor 10001, obteremos o conjunto
no

ini

{01101, 11100, 10001} ,


o

que linearmente dependente, porque


gr
ar-
rs

1(01101) 1(11100) = 01101 11100 = 10001. J


lle

Teorema 2.11. Qualquer conjunto que contenha o vetor zero, 0, linearmente dependente.
e
Lin

. Pe

Demonstrao. Seja A = {0, v1 , v2 , . . .}. Ento

0 = 1(0) + 0(v1 ) + 0(v2 ), . . . ,


Ve
bra

oC

e como h uma combinao linear dos vetores com um coeficiente no-nulo resultando em zero, o conjunto
linearmente dependente. 
im
e
lg

2.2 Conjuntos geradores e bases


n

Um espao vetorial, mesmo tendo infinitos elementos, pode ser descrito por uma quantidade finita deles.
Jer

Na leitura da definio a seguir deve-se ter em mente que uma combinao linear sempre de uma
quantidade finita de vetores, mesmo que estes sejam escolhidos de um conjunto infinito (ou seja, no con-
sideramos somas infinitas da forma a1 v1 + a2 v2 + ).
2.2. CONJUNTOS GERADORES E BASES 51

Definio 2.12 (Gerador). Seja V um espao vetorial e S um subconjunto no vazio de V. O conjunto de


todas as combinaes lineares1 de vetores de S denotado por [S]. Dizemos que S gera [S]. 

Exemplo 2.13. Considere X = { (1, 2, 0)T , (2, 1, 0)T }, subconjunto de R3 . Ento [X] o conjunto de todas
as combinaes lineares de (1, 2, 0)T e (2, 1, 0). Este exatamente o conjunto de vetores da forma (x, y, 0).
J

130
Exemplo 2.14. O seguinte conjunto,

r
   

o
a
1 0 , 0 0 ,
0 0 0 1

e rs
n

gera as matrizes diagonais de ordem dois. Por exemplo, seja A = a0 b0 . Esta matriz uma combinao
linear das duas matrizes acima:

i
v
   
A=a 1 0 b 0 0 . J
0 0 0 1
m
la
Exemplo 2.15. O conjunto de polinmios {1, x2 , x4 } gera os polinmios de grau zero, dois e quatro em x:
i
a0 = a0 (1) u
l
a
a0 + a1 x2 = a0 (1) + a1 (x2 )
Pre
de
a1 x2 = a1 (x2 )
..
.
tas

a0 + a1 x2 + a2 x4 = a0 (1) + a1 (x2 ) + a2 (x4 )


..
no

ini

.
o

O conjunto {1, x2 + x4 , x4 } tambm gera os mesmos polinmios:


gr
ar-
rs

a0 = a0 (1)
lle

a0 + a1 x2 = a0 (1) + a1 (x2 + x4 ) a1 (x4 )


e
Lin

a1 x2 = a1 (x2 + x4 ) a1 (x4 )
. Pe

..
.
Ve

a0 + a1 x2 + a2 x4 = a0 (1) + a1 (x2 + x4 ) + (a2 a1 )(x4 )


bra

oC

..
. J
im
e
lg

1 O conceito de gerador na verdade semelhante em espaos vetoriais e grupos (geradores de grupos so abordados brevemente na
n

seo 1.6.1, pgina 35), embora os tenhamos apresentado de formas ligeiramente diferentes. Um subconjunto S A gera o conjunto
A se podemos descrever A somente com elementos de S, combinados de alguma forma. Em grupos, combinar usar a operao de
grupo. Em espaos vetoriais, podemos combinar os elementos do conjunto S atravs de combinaes lineares. O gerador descreve
Jer

de maneira compacta o conjunto. Por exemplo, o conjunto {2, 3} gera o grupo formado pelos mltiplos de dois e de trs, com a
operao de multiplicao. Para outro exemplo, podemos exibir o conjunto {a, b}, que contm dois elementos, a e b, e a operao
de concatenao. Os elementos do conjunto so as sequncias de smbolos a, b, aa, bb, ab, ba, e todas as sequencias
que se pode construir com a e b.
52 CAPTULO 2. DIMENSO E BASES

Exemplo 2.16. O conjunto {f(x) = ex , g(x) = cos(x), h(x) = 1} gera o conjunto de todas as funes da
forma
j(x) = aex + b cos(x) + c,
com a, b, c R. J
F Exemplo 2.17. O conjunto de sequncias de bits

130
{1000, 0110, 0001}

r
o
gera as sequncias de bits da forma abbc:

a
0000,1000

e rs
n
0001,0110
1001,1111 J
i
v
m
Teorema 2.18. Se V um espao vetorial e S subconjunto no vazio de V, ento [S] subespao de V
Demonstrao. Sejam S V,

la
Claramente zero pertence a [S]: basta escolher a combinao linear com todos os coeficientes iguais a
i
zero e qualquer vetor de S. u
l
a
Se u, v [S], ento existem s1 , s2 , . . . , sk S tais que
Pre
de
u = a1 s1 + a2 s2 + . . . + an sk
v = b1 s 1 + b2 s 2 + . . . + bn s k .
tas

A multipicao por escalar resulta em outro elemento de [S]:


no

ini

ku = ka1 s1 + ka2 s2 + . . . + kan sk


o

A soma de u com v tambm:


gr
ar-
rs

u + v = a1 s1 + a2 s2 + . . . + an sk + b1 s1 + b2 s2 + . . . + bn sk
lle

= (a1 + b1 )s1 + (a2 + b2 )s2 + . . . + (an + bn )sk . 


e
Lin

. Pe

Exemplo 2.19. Considere o espao vetorial R4 , e seu subconjunto S formado pelos vetores da forma
(1, 2, 1, 0)T e (0, 1, 0, 0)T . O conjunto gerado por S conter vetores da forma (x, y, x, 0)T , e este conjunto
Ve

um espao vetorial:
bra

oC

[S] fechado para as operaes de soma e multiplicao por escalar:


(a, b, a, 0)T + (x, y, x, 0)T = (a + x, b + y, a + x, 0)T , que tambm pertence a [S].
im
e
lg

k(x, y, x, 0)T = (kx, ky, kx, 0)T , que pertence a [S].


n

As operaes de soma de vetores e multiplicao por escalar so as mesmas que tnhamos em R4 ,


portanto so associativas; a soma de vetores comutativa; e vale a distributividade.
Jer

O vetor zero da forma (x, y, x, 0)T , com x = y = 0.


Dado um vetor (x, y, x, 0)T , temos o vetor (x, y, x, 0)T , que tambm pertence a [S]. J
2.2. CONJUNTOS GERADORES E BASES 53

Teorema 2.20. Sejam S e U subconjuntos no vazios de um espao vetorial V. Ento


i) S [S].
ii) [[S]] = [S].
iii) S U implica em [S] [U].

130
iv) [V] = V.

r
Demonstrao. (i) Seja x S. Ento 1x = x combinao linear de um elemento de S (o prprio x).

o
a
(ii) ([S] [[S]]) Segue diretamente de (i). ([[S]] [S]) Se x [[S]], combinao linear de vetores em
[S]. Mas a combinao linear de vetores de [S] tambm est em [S].

e rs
n
(iv) ([V] V) Seja x [V]. Toda combinao linear de vetores de V deve estar em V tambm, porque
obtida usando soma de vetores e multiplicao por escalares, portanto x V. (V [V]) Segue diretamente

de (i).
i
v
m
Do item (iv) deste teorema concluimos que se S subespao de V, ento [S] = S.
Teorema 2.21. Seja B um conjunto de n vetores L.I. de um espao vetorial. O maior conjunto L.I. de vetores em [B]

la
tem tamanho igual a n.
i
u
Demonstrao. Seja Y um conjunto gerado por B = { b1 , b2 , . . . , bn } (ou seja, X = [B]). Seja
l
a
Pre
de
X = { x1 , x2 , . . . , xk }

um conjunto L.I. de vetores de V. Todo vetor de Y pode ser escrito como combinao linear de elementos
tas

de B, portanto temos
x1 = a1 b1 + a2 b2 , + . . . + an bn .
no

ini

Como x1 6= 0 (porque X L.I.), ento existe algum ai bi na expresso acima com ai 6= 0, e portanto bi
o

pode ser escrito como


bi = c0 x1 + c1 b1 + c2 b2 , + . . . + cn bn .
gr
ar-
rs

Se removermos bi de B, trocando-o por esta expresso, teremos outro conjunto B 0 :


lle
e

B 0 = { b1 , . . . , bi1 , [c0 x1 + c1 b1 + c2 b2 , + . . . + cn bn ], bi+1 , . . . , bk }


Lin

. Pe

= { d1 b1 , . . . , di1 bi1 , c0 x1 , di+1 bi+1 , . . . , dk bk } .

O conjunto B 0 tambm gera X, mas contm o vetor c0 x1 ao invs de bi .


Ve
bra

oC

Suponha agora que k > n. Esta operao (de trocar algum bi por sua expresso como combinao
de elementos de X) pode ser realizada n vezes, resultando em um conjunto contendo n mltiplos dos xi .
Temos ento que n vetores de X geram Y. Se geram Y, tambm podem ser usados para expressar os outros
im
e

xi restantes o que contradiz o fato de X ser L.I. 


lg

Definio 2.22 (Base). Seja V um espao vetorial e B um subconjunto finito e no-vazio de V. Dizemos
n

que B uma base de V se:


Jer

B L.I.;
[B] = V (ou seja, todo vetor de V pode ser escrito como combinao linear de vetores de B, e B o
menor conjunto que permite escrever todos os vetores de V). 
54 CAPTULO 2. DIMENSO E BASES

Exemplo 2.23. Os vetores e1 = (1, 0, 0)T , e2 = (0, 1, 0)T , e e3 = (0, 0, 1)T so uma base para o es-
pao vetorial R3 , j que (i) todos pertencem a R3 e (ii) todo vetor (x, y, z)T de R3 pode ser escrito como
combinao linear de e1 , e2 e e3 :
xe1 + ye2 + ze3 = x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T = (x, y, z)T .
Outras bases para R3 so

130
{ (1, 2, 3)T , (4, 5, 0)T , (6, 0, 0)T }

r
{ (1, 1, 2)T , (1, 2, 2)T , (2, 2, 2)T }

o
{ (0, 0, )T , (0, e, 0)T , ( 2, 0, 0)T }

a
J
Exemplo 2.24. Considere C como um espao vetorial sobre R ou seja, o corpo subjacente o dos reais.

e rs
n
Queremos gerar todos os complexos, que so da forma
a + bi,
i
v
m
e portanto precisamos de dois nmeros na base. Como s os multiplicaremos por reais, precisamos de um
real e um complexo:

la
B = {1, i}
Podemos desta forma gerar qualquer complexo como combinao linear de B, com coeficientes reais (porque
i
u
l
o corpo subjacente R).
a
Se quisermos poder multiplicar por complexos, temos que mudar o corpo subjacente, e usar C. Neste
Pre
de
caso, s precisamos de um elemento na base:
B 0 = {1 + i},
tas

Qualquer complexo pode ser escrito como mltiplo de 1 + i. Suponha que queiramos escrever a + bi como
mltiplo de 1 + i. Queremos x, y tais que (x + yi)(1 + i) = a + bi. Multiplicando, temos
no

ini

(x + yi)(1 + i) = (x y) + (x + y)i.
o

portanto precisamos de x e y tais que


gr
ar-
rs

a=xy
lle

b = x + y,
e
Lin

. Pe

ou seja,
b+a
x=
Ve

2
bra

oC

ba
y= .
2
im

De fato: considere o complexo 3 5i. Temos neste caso a = 3, b = 5. Precisamos usar, portanto,
e
lg

5 + 3
x= = 1
n

2
5 3
y= = 4,
Jer

2
e o nmero que queremos 1 4i. Verificamos:
(4 i)(1 + i) = 3 5i. J
2.2. CONJUNTOS GERADORES E BASES 55

Definio 2.25 (Base cannica para Rn ). No espao Rn , denotamos por ei o vetor coluna com todos os
elementos iguais a zero2 , exceto o i-simo elemento, que igual a um. Ou seja,
e1 = (1, 0, 0, . . . , 0)T
e2 = (0, 1, 0, . . . , 0)T
e3 = (0, 0, 1, . . . , 0)T

130
..
.

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

o
a
A base cannica para Rn
{ e1 , e2 , . . . , en } .

e rs


n
Exemplo 2.26. Para qualquer n inteiro maior que zero, h infinitas bases diferentes para Rn . Por exemplo,

i
v
os vetores
m
b1 = (2, 1, 1, 1, . . . , 1)T
b2 = (2, 2, 1, 1, . . . , 1)T

la
b3 = (2, 2, 2, 1, . . . , 1)T
i
.. u
l
.
a
bn = (2, 2, 2, , 2 . . . , 1)T
Pre
de

tambm formam uma base para Rn , j que so n vetores LI, todos pertencentes a Rn . J
tas

Exemplo 2.27. O espao Rn [x] de polinmios com grau n tem como base o conjunto
B = { 1, x, x2 , x3 , . . . , xn } .
no

ini

Esta no a nica base de Rn [x]. Todo polinmio pode tambm ser escrito como combinao linear de
o

gr

B 0 = { x, x + 1, 2x2 , 3x3 , . . . , nxn } .


ar-
rs

Por exemplo, o vetor (polinmio) 5x2 + x 3 pode ser descrito facilmente usando a base B:
lle
e

5x2 + x 3 = 5(x2 ) + 1(x) 3(1).


Lin

. Pe

Para escrever este mesmo polinmio na base B 0 , verificamos primeiro que precisamos da constante 3, e
como o nico elemento da base que nos d constantes x + 1, damos a ele o coeficiente 3. Temos ento
Ve
bra

oC

3x 3,
mas precisamos de x, e no 3x. Adicionamos ento quatro vezes o polinmio x, que tambm est na base:
im
e
lg

4(x) 3(x + 1) = x 3.
n

Somamos agora 5 vezes x2 e temos


5
Jer

5x2 + x 3 = (2x2 ) + 4(x) 3(x + 1). J


2
2 Os vetores da base cannica tambm so chamados de vetores de Kronecker. Em R3 , e , e , e so algumas vezes denotados por ^
i,
1 2 3
^j e k.
^
56 CAPTULO 2. DIMENSO E BASES

Exemplo 2.28. O espao R[x] de todos os polinmios reais, com qualqer grau, no finitamente gerado
(no tem base finita). Uma base para este espao o conjunto { 1, x, x2 , x3 , . . . }. J

Exemplo 2.29. O espao das matrizes quadradas 2 2 com coeficientes reais tem como base o conjunto
formado pelas quatro matrizes no conjunto B a seguir.


130
      
B= 1 0 , 0 1 , 0 0 , 0 0 .
0 0 0 0 1 0 0 1

r
o
Outras bases para este mesmo espao so

a
       

e rs
0 1 0 0 1 1 1 0 0

n
B = , , ,
0 1 1 0 0 0 1 1


e
i
v
      
B 00 = 1 1 , 2 3 , 2 3 , 2 3
m.
1 1 5 7 5 7 5 7

la
De maneira geral, o espao das matrizes m n ter uma base com mn matrizes. J
i
F u
Exemplo 2.30. Como vimos no exemplo 1.38, o espao vetorial formado pelas solues da equao dife-
l
a
rencial ordinria y 00 y 0 = 0 contm as funes da forma
Pre
de
y = aex bex .
tas

Estas funes so claramente combinaes lineares de ex com ex . Assim, a base do espao

B = {f(x) = ex , g(x) = ex },
no

ini
o

e o espao tem dimenso dois. poderamos tambm ter usado a base


gr
ar-

B 0 = {f(x) = ex + ex , g(x) = ex ex },
rs

lle

J
e

porque este conjunto tambm LI e gera o mesmo espao.


Lin

. Pe

Para definirmos dimenso precisamos determinar primeiro que as bases para um espao vetorial tem
todas o mesmo tamanho.
Ve
bra

oC

Teorema 2.31. Se um espao vetorial tem pelo menos uma base com um nmero finito de elementos, ento todas as
suas bases tem o mesmo tamanho.
im

Demonstrao. Seja V um espao vetorial e B uma base de V com n elementos. Como V = [B], ento no
e
lg

pode haver mais que n vetores L.I. em V, e portanto no h base maior que B.
Se houvesse base B 0 menor que B com m < n vetores, ento teramos [B 0 ] = V, e geraramos V com
n

m < n vetores, e B no poderia ser L.I. (portanto no poderia ser base). 


Jer

O conceito de dimenso captura uma idia simples: se, para expressar um vetor em um espao, preci-
samos de n coordenadas, o espao tem dimenso n (posto de outra forma, a dimenso a quantidade de
graus de liberdade que temos se quisermos escolher um vetor).
2.2. CONJUNTOS GERADORES E BASES 57

Definio 2.32 (Dimenso). Um espao vetorial tem dimenso finita se o espao trivial ou se tem pelo
menos uma base com um nmero finito de elementos3 . Em outros casos, o espao tem dimenso infinita.
Se um espao V tem dimenso finita, ento sua dimenso, denotada dim V, o nmero de vetores em
qualquer base de V.
O epao vetorial trivial { 0 } tem, por definio, dimenso zero. 

130
Exemplo 2.33. O espao R3 gerado por bases com trs vetores, portanto tem dimenso 3. De forma mais
geral, o espao Rn pode ser gerado pela base { e1 , . . . , en } com n vetores, portanto dim(Rn ) = n. J

r
Exemplo 2.34. O espao Rn [x] dos polinmios com grau n gerado pela base

o


a
1, x, x2 , . . . , xn ,

e rs
n
que tem n + 1 vetores, e portanto dim(Rn [x] = n + 1). J
O prximo exemplo mostra que se mudarmos o corpo subjacente podemos mudar a dimenso de um

i
v
espao vetorial.
m
Exemplo 2.35. O conjunto de polinmios {1, x, x2 , x3 , . . .} linearmente independente e suas combina-

la
es lineares so os polinmios com coeficientes reais. Embora este conjunto seja de fato uma base para
os polinmios em R, no trataremos deste caso, porque o conjunto infinito. Dizemos que a dimenso do
i
espao de todos os polinmios em R infinita (dim Rn [x] = ).
u J
l
a
Exemplo 2.36. O espao F de todas as funes f : R R no gerado por qualquer base finita, portanto
Pre
de
tem dimenso infinita. Para verificar, basta observar que cada polinmio determina uma funo, e como
dim Rn [x] = , necessariamente dim F = , porque uma base para F deve conter uma base para Rn [x].
J
tas

Exemplo 2.37. No exemplo 2.24, mostramos que se quisermos tratar C como um espao vetorial sobre os
reais ou seja, somamos complexos mas s os multiplicamos por reais ento o espao poderia ter como
no

ini

base
o

B = {1, i},
gr
ar-

e portanto sua dimenso dois.


rs

No entanto, se quisermos tratar C como um espao vetorial sobre C ou seja, se quisermos poder somar
lle

e multiplicar complexos entre si, podemos usar como base


e
Lin

B 0 = {1 + i},
. Pe

e passamos a ter um espao de dimenso um. J


Ve
bra

oC

F Exemplo 2.38. Damos como exemplo agora outro espao de dimenso infinita o espao das funes
racionais, que definimos a seguir.
Definio 2.39. Uma funo racional f(x) a razo de dois polinmios:
im
e
lg

p(x)
f(x) = ,
n

q(x)
sendo q(x) diferente do polinmio nulo. 
Jer

3 possvel generalizar a noo de base, permitindo uma quantidade infinita de elementos, e resultando em espaos vetoriais de
dimenso infinita. A descrio das bases para alguns destes espaos vetoriais envolve dificuldades conceituais, e ao longo deste texto
os abordaremos em poucos exemplos. O Captulo 14 trata mais extensivamente de alguns espaos de funes com dimenso infinita.
58 CAPTULO 2. DIMENSO E BASES

O conjunto de todas as funes racionais um espao vetorial:


i) Este conjunto est contido no conjunto de todas as funes reais, que sabemos ser um espao vetorial;
ii) A funo zero est neste conjunto, com p(x) = 0 e q(x) = 1;
iii) Tanto a soma de duas funes racionais como a multiplicao de uma funo racional por escalar

130
resultam em outra funo racional.

r
Este espao vetorial tem dimenso infinita. O conjunto

o
a
1 1 x
xj , , , : j N, a, b, c R, b2 < 4c
(x a)j+1 (x2 + bx + c)j+1 (x2 + bx + c)j+1

e rs
n
que tem infinitos elementos, LI e constitui uma base para o espao vetorial das funes racionais reais.
No demonstraremos aqui estes dois fatos. J

i
v
Teorema 2.40. Em um espao V de dimenso n, qualquer conjunto com n vetores L.I. uma base.
m
Demonstrao. Para ser uma base precisamos que o conjunto seja L.I. e que gere o espao vetorial. Como j

la
temos um conjunto L.I., basta mostrar que os n vetores geram o espao.
Sejam V um espao vetorial de dimenso n, e X = { x1 , x2 , . . . , xn } um conjunto L.I. de vetores de V.
i
u
Mostraremos agora como escrever qualquer vetor v como combinao linear de elementos de X.
l
a
Se adicionarmos um novo vetor a X teremos um conjunto L.D. (porque teremos mais que n vetores).
Pre
de
Assim, ao adicionarmos v 6= 0, existem ai e b tais que

a1 x1 + a2 x2 + . . . + an xn + bv = 0
tas

mas b deve ser diferente de zero porque X L.I., e se b fosse zero, teramos a combinao a1 x1 +a2 x2 +. . .
+an xn = 0, com algum ai 6= 0. Ento,
no

ini

1
o

v= (a1 x1 a2 x2 . . . an xn ) . 
b
gr
ar-
rs

O prximo teorema nos garante que podemos, a partir de qualquer conjunto L.I., completar uma base
lle

para um espao vetorial algo que faremos em algumas demonstraes mais adiante.
e

Teorema 2.41. Seja U um subconjunto linearmente independente de um espao V de dimenso finita. Se U no


Lin

. Pe

gera V, podemos adicionar vetores a U de forma a obter uma base para V.


Demonstrao. Se U no gera V, ento existe pelo menos um vetor v V que no pode ser escrito como
Ve
bra

oC

combinao linear de vetores de U. Adicionamos v a U, obtendo um novo conjunto de vetores L.I. Repeti-
mos este processo at obter um conjunto que gere V. Tal conjunto ser obtido com no mximo n vetores,
onde n a dimenso de V, porque de outra forma teramos n + 1 vetores L.I. em um espao de dimenso
im
e

n. 
lg

Exemplo 2.42. O conjunto


n

X = {(0, 0, 1)T , (0, 2, 2)T }


tem dois vetores LI, mas no gera o espao R3 (este conjunto s pode gerar vetores com a primeira coor-
Jer

denada igual a zero). podemos completar este conjunto com mais um vetor, obtendo uma base:

X 0 = {(0, 0, 1)T , (0, 2, 2)T , (3, 3, 3)T }. J


2.2. CONJUNTOS GERADORES E BASES 59

Os prximos teoremas relacionam as dimenses de subespaos somados com a dimenso da soma deles.

Teorema 2.43. Seja V um espao com dimenso finita, tal que V = U W. Ento

dim(U W) = dim(U) + dim(W).

130
Demonstrao. Seja n a dimenso de V. Podemos construir uma base para U da seguinte maneira: esco-

r
lhemos qualquer vetor u1 U que seja diferente de zero e o inclumos em B. Depois, adicionamos outros
vetores de U ao conjunto B, desde que ele continue L.I. Como U V, haver no mximo n vetores, por-

o
a
tanto B finito. Como B o maior subconjunto L.I de U, base de U.

e rs
Suponha que o nmero de vetores em B seja k. Se k < n, podemos adicionar mais vetores de W at

n
formar uma base para V. Seja B 0 o conjunto destes vetores usados para complementar B. Ento [B 0 ] = W,
e [B B 0 ] = V. J h k vetores em B, portanto W deve ter n k vetores, porque uma base para V precisa

i
v
de exatamente n vetores.
m
Temos ento que

la
dim(U) + dim(W) = k + (n k) = n = dim(V). 
i
u
l
a
Proposio 2.44. Todo subespao U de um espao V de dimenso finita tem um complemento em V: este com-
Pre

plemento um outro subespao W tal que V = U W.


de

Demonstrao. A proposio provada implicitamente na demonstrao do teorema 2.43. 


tas
no

ini

Note que complemento no necessariamente significa complemento de conjuntos; tambm no


necessrio que o complemento seja nico, como podemos verificar no exemplo a seguir.
o

gr
ar-

Exemplo 2.45. Seja A o subespao de R2 formado pelos vetores (x, y) com x + y = 0 (ou seja, a reta
rs

y = x passando pela origem).


lle
e

A dimenso de A 1, porque A gerado por (1, 1).


Lin

O subespao B = { (x, y) : x y = 0 } complemento de A, e R2 = A B. A dimenso de B 1,


. Pe

porque gerado por (1, 1)


Mas o subespao C = { (x, y) : 2x y = 0 } tambm complemento de A, e R2 = A C. A dimenso
Ve
bra

oC

de C 1, porque gerado por (1, 2).


Temos portanto
im
e

dim(A) + dim(B) = 2 = dim(R2 )


lg

dim(A) + dim(C) = 2 = dim(R2 ).


n

Quaisquer duas retas diferentes passando pela origem podem gerar R2 , portanto uma reta tem, em R2 ,
Jer

infinitos complementos. A figura a seguir mostra o subespao A (a reta y = x) e dois dos seus infinitos
complementos: o subespao B (a reta y = x); o outro subespao C (a reta y = 2x); e um outro subespao,
D (a reta y = x/3).
60 CAPTULO 2. DIMENSO E BASES

4 C
B

2 D

130
0
4 2 0 2 4

r
2
x

o
a
A
4

e rs
n
Com os vetores da reta A e os vetores de uma das outras retas diferentes de A, podemos gerar todos os

i
v
vetores em R2 . J
m
Exemplo 2.46. Sabemos que R4 [x] = R2 [x] R3..4 [x]. Uma base para R2 [x]


la
1, x, x2
i
e portanto sua dimenso 3. Uma base para R3..4 [x] u
l
a
 3 4
Pre

x ,x
de

e portanto dim(R3..4 [x]) = 2.


tas

A dimenso de R4 [x] deve portanto ser 5. E realmente uma possvel base para R4 [x] a unio das bases
dos subespaos que acabamos de mostrar:

no

1, x, x2 , x3 , x4 .
ini
o

Conclumos portanto que dim(R4 [x]) = 5.


gr
ar-

Observamos tambm que o complemento de R2 [x] R3..4 [x], tambm subespao de R4 [x], conforme
rs

a proposio 2.44. J
lle
e

Exemplo 2.47. Seja F o espao de funes reais, e K o espao de funes constantes. Seja N o conjunto
Lin

. Pe

N = {0} F \ K,

ou seja, N contm todas as funes no constantes e tambm a funo zero. Embora N seja o complemento
Ve
bra

oC

de K na linguagem de conjuntos (N = KC , ou N = K), ele no complemento do espao vetorial K.


Para verificar isto, mostramos que N no pode ser espao vetorial, porque a soma em N no fechada.
De fato, podemos somar duas funes no constantes resultando em uma funo constante: seja a funo
im
e

constante h(x) = k. Construmos duas funes


lg

f(x) = x + k
g(x) = x
Jer

e temos (f + g) = h: a soma de duas funes, uma crescente e uma decrescente, iguais a uma funo
constante. Assim, a soma no fechada em N, logo N no espao vetorial, e por isso no pode ser com-
plemento de um subespao. J
2.2. CONJUNTOS GERADORES E BASES 61

Teorema 2.48. Seja V um espao com dimenso finita igual a n, tal que V = U + W. Ento

dim(U + W) = dim(U) + dim(W) dim(U W).

Demonstrao. Seja X = U W. Argumentamos que a base de X, com k vetores, pode ser usada como parte
das bases de U e W, com l > k e m > k vetores. Assim, ao construir bases para U e W, observamos que

130
BX BU e BX W, e portanto devemos contabilizar os vetores de BU e BW descontando o tamanho de
BX , que subconjunto de ambos.

r
o
a
U X W

e rs
in
v
m
base: l vetores, base: m vetores,
k deles de BX base: BX com k deles de BX

la
k vetores
i
u
Mais detalhadamente: sabemos que X subespao de V, e podemos construir uma base para X, com
l
a
vetores
Pre
de
BX = { x1 , x2 , . . . , xk } ,
sendo k a dimenso de X. Como X U, podemos tambm completar esta base para obter uma base de U
tas

com os vetores
BU = { x1 , . . . , xk , uk+1 , . . . , ul } ,
no

ini

onde l a dimenso de U. Tambm podemos da mesma forma completar a base de X para ober uma base
de W:
o

BW = { x1 , . . . , xk , wk+1 , . . . , wm } ,
gr
ar-

onde m a dimenso de W.
rs

lle

Se um vetor a pertence a U + W, pode ser descrito (no necessariamente de maneira nica) como a
e

soma de um vetor de U e um de W (a = u + w). Mas u e w so combinaes lineares de vetores das bases


Lin

de U e W:
. Pe

a = 1 x1 + 2 x2 + . . . + k xk + k+1 uk+1 + . . . + l ul (este u)


Ve

+ 1 x1 + 2 x2 + . . . + k xk + k+1 wk+1 + . . . + m wm (este w)


bra

oC

= (1 + 1 )x1 + (2 + 2 )x2 + . . . + (k + k )xk


+ k+1 uk+1 + . . . + l ul + k+1 wk+1 + . . . + m wm .
im
e
lg

Este conjunto,
B = { x1 , . . . , xk , uk+1 , . . . ul , wk+1 , . . . , wm }
n

portanto gera V, e tem l + m k vetores. Para mostrar que B uma base de V, falta mostrarmos que B
Jer

L.I.
Se B fosse L.D., poderamos encontrar coeficientes i , i , i , no todos zero, tais que

1 x1 + . . . + k xk , +k+1 uk+1 + . . . + l ul + k+1 wk+1 + . . . + m wm = 0. (2.3)


62 CAPTULO 2. DIMENSO E BASES

Suponha que algum i 6= 0. Teramos ento


1 x1 + . . . + i xi + . . . + k xk = 0,
o que no possvel, j que estes vetores so base de X (e portanto L.I.) Como os i so zero, temos que
supor em seguida que algum i diferente de zero. Mas ento teramos

130
1 x1 + . . . + k xk + k+1 uk+1 + . . . + i ui + . . . + l ul = 0,

r
o que tambm no possvel, porque
{ x1 , . . . , xk , uk+1 , . . . , ul }

o
a
base para U, e portanto L.I.

e rs
n
Repetimos o raciocnio para os i , e conclumos que para que a expresso (2.3) valha, todos os coefici-
entes devem ser zero, e o conjunto B L.I.

i
v
Provamos que B base para U + W, e tem l + m k vetores. Assim,
m
dim(U + W) = dim(U) + dim(W) dim(U W). 

la
Observe que na demonstrao de Teorema 2.48, comeamos construindo uma base BX para a interseo
U W justamente para poder construir as outras duas bases BU e BW tendo BX como interseo.
i
u
Exemplo 2.49. Sejam A = { (0, w, x, y, z) : w, x, y, z R } e B = { (a, 0, b, c, 0) : a, b, c R } subes-
l
a
paos de R5 . O espao A contm todos os vetores onde a primeira coordenada zero; o espao B tem os
Pre
de
vetores onde a segunda e a quinta coordenada so zero. Temos claramente que
A + B = R5 .
tas

Agora calculamos as dimenses destes espaos. Uma base para A poderia ser

BA = (0, 1, 0, 0, 0)T , (0, 0, 1, 0, 0)T , (0, 0, 0, 1, 0)T , (0, 0, 0, 0, 1)T
no

ini

= { e2 , e3 , e4 , e5 }
o

gr
ar-

e portanto dim(A) = 4. Uma base para B tem trs vetores:


rs

BB = { e1 , e3 , e4 } ,
lle
e

e dim(B) = 3.
Lin

. Pe

A soma das dimenses de A e B sete diferente da dimenso de R5 . Calculamos ento a dimenso de


A B.
Como A B contm vetores que esto em A e tambm em B, ento
Ve
bra


oC

A B = (0, 0, d, e, 0)T : d, e R
contm vetores com as coordenadas 1, 2 e 5 iguais a zero. Este espao pode ser gerado pela base
im
e

BAB = { e3 , e4 } ,
lg

e tem portanto dimenso 2.


Verificamos ento que
Jer

dim(A + B) = dim(A) + dim(B) dim(A B)


5 = 4 + 3 2. J
2.3. ISOMORFISMO E COORDENADAS 63

2.3 Isomorfismo e coordenadas


Nesta seo mostramos que os espaos que estudamos so aparentemente diferentes, mas na verdade so
to semelhantes aos espaos da famlia Rn que possvel restringir nossa discusso somente a estes lti-
mos.

130
Definio 2.50 (Isomorfismo). Sejam V e U dois espaos vetoriais. Um isomorfismo entre V e U uma
bijeo f : V U tal que, para todos vetores v, w V e todo escalar c,

r
f(v + w) = f(v) + f(w)

o
a
f(cv) = cf(v).

e rs
n
Neste caso dizemos que V e U so isomorfos. 
3
Exemplo 2.51. O espao R2 [x] isomorfo a R .

i
v
Seja f a bijeo que associa polinmios a0 + a1 x + a2 x2 ao vetor (a0 , a1 , a2 )T em R3 ou seja,
m
f(a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 )T .

la
Mostramos agora que f um isomorfismo. Sejam u = u0 + u1 x + u2 x2 e v = v0 + v1 x + v2 x2 . Primeiro,
i
verificamos a soma:
u
l
a
f(u + v) = f u0 + u1 x + u2 x2 + v0 + v1 x + v2 x2

Pre
de
= f u0 + v0 + (u1 + v1 )x + (u2 + v2 )x2


= (u0 + v0 , u1 + v1 , u2 + v2 )
tas

= (u0 , u1 , u2 ) + (v0 , v1 , v2 )
= f(u) + f(v).
no

ini

Agora a multiplicao por escalar:


o

f(cv) = f c(v0 + v1 x + v2 x2 )

gr
ar-
rs

= cv0 + cv1 x + cv2 x2


lle

= (cv0 , cv1 , cv2 )


e

= c(v0 , v1 , v2 )
Lin

. Pe

= cf(v0 + v1 x + v2 x2 )
= cf(v).
Ve
bra

oC

Assim, f isomorfismo, e o espao dos polinmios de grau mximo 2 isomorfo a R3 .


De forma mais geral, o espao de polinmios Rn [x] isomorfo a Rn+1 . J
im
e

Exemplo 2.52. Considere M2,2 , o espao das matrizes 2 2. Definimos a seguinte bijeo entre M2,2 e
lg

R4 :  
n

f a b = (a, b, c, d)T .
c d
Jer

Esta bijeo um isomorfismo: sejam duas matrizes


   
A= a b , e X= w x .
c d y z
64 CAPTULO 2. DIMENSO E BASES

Ento
     
f(A + X) = f a b + w x =f a+w b+x
c d y z c+y d+z
= (a + w, b + x, c + y, d + z) = (a, b, c, d)T + (w, x, y, z)T
T
   

130
=f a b +f w x = f(A) + f(X),
c d y z

r
e

o
a
    
f(kA) = f k a b =f ka kb
c d kc kd

e rs
n
= (ka, kb, kc, kd)T = k(a, b, c, d)T
 

i
v
= kf a b = kf(A).
c d
m
O espao vetorial Mm,n ser sempre isomorfo a Rmn . J

la
Exemplo 2.53. Sabemos que o espao vetorial das solues da EDO y 00 y = 0 contm funes da forma
i
u
l
a
f(x) = aex bex .
Pre
de
Podemos identificar cada uma destas solues com um vetor em R2 atravs da bijeo

g(aex bex ) = (a, b)T .


tas

Verificamos agora que esta bijeo preserva linearidade.


no

ini

Comeamos com a multiplicao por escalar: dado k R e uma soluo aex bex ,
o

g k aex bex = g(kaex kbex )


 
gr
ar-

= (ka, kb)T
rs

lle

= k(a, b)T
e

= kg(aex bex ).
Lin

. Pe

Agora verificamos a soma: dadas duas solues aex bex e ex ex ,


Ve
bra

oC

g aex bex + ex ex = g (a + )ex (b + )ex


    

= (a + , b + )T
= (a, b)T + (, )T
im
e
lg

= g(aex bex ) + g(ex ex ).


n

conclumos portanto que g isomorfismo. J


Jer

Exemplo 2.54. Considere o sistema 


w
2 +x z=0
y
2 z = 0,
2.3. ISOMORFISMO E COORDENADAS 65

que tambm pode ser escrito na forma Ax = 0, com


 
A= 1/2 1 0 1 .
0 0 1/2 1
As solues para este sistema so da forma (w, x, y, z)T , com

130
w
x=z ,
2

r
y = 2z

o
a
ou seja, uma soluo s
w

e rs
n
s = z w/2

2z
z

i
v
formando um espao vetorial Temos o seguinte isomorfismo com R2 :
4
m
g(w, x, y, z)T = (w, z)T ,

la
j que tanto x como y dependem de w e z.
i
A demonstrao de que g isomorfismo pedida no Exerccio 54
u J
l
a
Os exemplos anteriores mostram que diversos espaos vetoriais de dimenso finita so isomorfos a R . n

De fato, todo espao vetorial de dimenso finita n isomorfo a Rn .


Pre
de
Definimos a base de um espao vetorial como um conjunto de vetores, mas em um conjunto no h ordem
dfinida para os elementos. Para poder desenvolver o conceito de coordenadas precisaremos identificar a
tas

posio de cada elemento na base, por isso definimos base ordenada a seguir.
Definio 2.55 (Base ordenada). Seja B = { b1 , b2 , . . . , bn } uma base para um espao vetorial V de di-
no

ini

menso finita. Ento a tupla


B = (b1 , b2 , . . . , bn ) .
o

uma base ordenada para V. 


gr
ar-
rs

Sabemos que possvel descrever qualquer elemento do espao como combinao linear dos elementos
lle

da base,
e

v = {a1 b1 + + an bn .}
Lin

. Pe

Como os vetores de uma base ordenada tem posio definida, podemos simplesmente listar os coeficientes
a1 , . . . , an para descrever o vetor. Estas so suas coordenadas naquela base.
Ve

A definio a seguir mostra que todos os espaos de dimenso finita (sejam eles de polinmios, ma-
bra

oC

trizes, funes, ou quaisquer outros objetos) podem ser tratados da mesma forma: ao invs de trabalhar
diretamente com esses objetos, trabalhamos com coordenadas.
im
e

4 O espao formado por estas solues tem dimenso dois (h duas variveis a escolher), com base


lg



0 1

1/2

n

1
B = , .


0

2



1 0
Jer

Informalmente, o primeiro vetor nos diz se damos um valor a z, devemos som-lo tambm a x, e seu dobro a y. De acordo com o
segundo vetor, quando damos um valor a w, devemos subtrair metade dele de x. Observe novamente a fora geral da soluo e veja
que exatamente desta forma que x e y podem ser descritas como dependentes de w e z.
66 CAPTULO 2. DIMENSO E BASES

Definio 2.56 (Coordenadas em uma base). Seja V um espao vetorial com base ordenada B. Ento um
vetor qualquer de V pode ser escrito como v = a1 b1 + a2 b2 + . . . + an bn . Os coeficientes a1 , a2 , . . . , an
so as coordenadas de v na base B. Denotamos [v]B = (a1 , a2 , . . . , an )T , onde a ordem dos coeficientes a
mesma dos vetores bi na base B. 
2 3

Exemplo 2.57. Seja B = 1, x, x , x uma base para R3 [x]. Ento

130
p(x) = x2 x + 2 = 2(1) 1(x) + 1(x2 ) + 0(x3 ),

r
e as coordenadas de p(x) nesta base so

o
a
[p(x)]B = (2, 1, 1, 0)T .

e rs
n
Se escolhermos uma base diferente para R3 [x] por exemplo,

B 0 = 1, 1 + x, 1 + x + x2 , 1 + x + x2 + x3 ,

i
v
descrevemos p(x) usando a base B 0 como
m
p(x) = 3(1) 2(x + 1) + 1(x2 + x + 1) + 0(x3 + x2 + x + 1),

la
e portanto as coordenadas de p(x) na base B 0 so
i
u
l
a
[p(x)]B 0 = (3, 2, 1, 0)T . J
Pre
de
Observe que [.]B 0 uma bijeo entre polinmios de R3 [x] e vetores de R4 ou seja, um isomorfismo.
A escolha de bases diferentes para um espao vetorial implica na escolha de isomorfismos diferentes
tas

com Rn .
Proposio 2.58. Seja V um espao vetorial de dimenso finita, e sejam e diferentes bases para V. Os isomor-
no

fismos entre V e Rn dados por f(x) = [x] e g(x) = [x] so diferentes, ou seja, existe x tal que f(x) 6= g(x).
ini
o

Demonstrao. Sejam 6= bases para um espao vetorial V. para todo x V, existem a1 , . . . , an e


gr
ar-

b1 , . . . , bn tais que
rs

lle

[x] = (a1 , a2 , . . . , an )
e

[x] = (b1 , b2 , . . . , bn )
Lin

. Pe

Suponha, por hiptese, que [x] = [x] para todo x V. Ento sempre teremos ai = bi .
Tome o vetor x = 1 . Sua representao na base (1, 0, . . . , 0). Como dissemos que os isomorfismos
Ve

so iguais, sua representao na base deve tambm ser (1, 0, . . . , 0), e conclumos que 1 = 1 . O mesmo
bra

oC

vale para todos os outros pares i , i nas bases e ou seja, as bases devem ser iguais. Como havamos
presumido que as bases so diferentes, chegamos a um absurdo, e devemos negar a hiptese que fizemos
([x] = [x] para todo x V). 
im
e
lg

Teorema 2.59. Dois espaos vetoriais de dimenso finita U e V so isomorfos se tem a mesma dimenso.
n

Demonstrao. Sejam U e V espaos vetoriais com dimenso n (finita). A bijeo


Jer

f(v) = [v]B ,
onde B alguma base de V, mostra que V e Rn so isomorfos.
Como U, pelo mesmo argumento, deve ser isomorfo a Rn , U e V so isomorfos. 
2.3. ISOMORFISMO E COORDENADAS 67

Exemplo 2.60. Um exemplo particularmente importante o espao C, onde os vetores so nmeros com-
plexos e o corpo subjacente R. Claramente, uma base para C

B = {1, i} ,

j que qualquer complexo pode ser escrito como a + bi, onde a, b R. Como este espao sobre o corpo

130
dos reais e tem dimenso dois, ele isomorfo a R2 . A bijeo

f(a + bi) = (a, b)T .

r
Assim, associamos a cada nmero complexo um ponto em R2 . Quando interpretamos R2 como o conjunto

o
a
dos complexos, o chamamos de plano complexo, onde o eixo das abscissas representa a parte real de cada

e rs
nmero, e o eixo das ordenadas representa a parte imaginria. A figura a seguir mostra a representao do

n
nmero complexo z = 2 + 3i no plano complexo.

i
v
Im
m
3 z

la
i
u
l
a
Pre

2 Re
de
tas

Como se tata de isomorfismo, a soma de complexos representada no plano pela soma usual de vetores
em R2 . Tambm a multiplicao de complexo por escalar representada no plano como a multiplicao
de vetor por escalar.
no

ini

comum adotar a noo de norma de vetores em R2 para nmeros complexos, de forma que a norma
o

de um complexo
gr

p
ar-

|a + bi| = a2 + b2 . J
rs

lle

Exemplo 2.61. Tanto R3 [x] como M22 tem dimenso 4. Mostramos agora o isomorfismo entre eles.
e

Primeiro, f : R3 [x] R4 :
Lin

. Pe

Usaremos para R3 [x] uma base


B = 1, x, x2 , x3 .

Ve

Em M22 , usaremos a base


bra

oC

       
C= 1 0 , 0 1 , 0 0 , 0 0 .
0 0 0 0 1 0 0 1
im
e

Definimos agora duas bijees:


lg

f(p(x)) = [p(x)]B
g(A) = [A]C
Jer

Por exemplo, considere p(x) = x2 1.

f(x2 1) = [x2 1]B = (1, 0, 1, 0)T .


68 CAPTULO 2. DIMENSO E BASES

Levamos o vetor p(x) de R3 [x] em R4 . Agora, podemos usar a bijeo g para levar de R4 em M22 :
 
g (1, 0, 1, 0)T = (1, 0, 1, 0)T C = 1 0 .
   
1 0
A composio das bijees f e g tambm uma bijeo e portanto temos um isomorfismo entre R3 [x] e

130
M22 .
Agora observamos o que acontece se mudarmos a base de um dos espaos vetoriais. Usaremos para
R3 [x] a base B 0 , diferente de B:

r
B 0 = x, x + 1, x2 + 1, x3 .


o
a
Como temos uma nova base, temos tambm uma nova bijeo,

e rs
n
f 0 (p(x)) = [p(x)]B 0
Novamente, usamos o isomorfismo para levar o polinmio x2 1 em M22 .

i
v
f 0 (x2 1) = [x2 1]B 0 = (2, 2, 1, 0)T ,
m
porque 2(x) + 2(x + 1) + 1(x2 + 1) + 0(x3 ). Agora usamos g para levar este vetor de R4 em M22 ,

la
usando a mesma base de antes (C) para M22 :
i

u
g((2, 2, 1, 0)T = (2, 2, 1, 0)T C = 2 2 .

l
  a
1 0
Pre
de
Esta matriz diferente da que havamos encontrado antes.
Para cada base de R3 [x] e cada base de M22 , teremos duas bijees f e g. Uma mudana nas bases pode resultar
tas

em bijees completamente diferentes.


O mesmo vale, claramente, para quaisquer outros espaos de dimenso finita. J
no

Como os espaos finitos de dimenso n so todos isomorfos a Rn , podemos desenvolver toda a lgebra
ini

Linear para espaos de dimenso finita trabalhando apenas com Rn .


o

gr
ar-
rs

2.4 Mudana de base


lle
e

Se tivermos duas bases R e S para um espao vetorial V, possvel representar cada vetor v V tanto em
Lin

. Pe

uma base como em outra. Nesta seo mostramos como obter uma funo que, dada [v]R , determina [v]S .
NaPdiscussoPa seguir, como os somatrios so todos de 1 a n, indicamos apenas o ndice em cada um
n
deles ( i xi = i=1 xi ).
Ve
bra

oC

Teorema 2.62. Sejam R = (r1 , . . . , rn ) e S = (s1 , . . . , sn ) duas bases ordenadas diferentes para um espao V,
e seja v V. Ento as coordenadas de v na base S podem ser escritas em funo das coordenadas de v na base R.
im
e

Demonstrao. Usaremos os seguintes fatos: primeiro, para qualquer v V,


lg

X X
v= ai ri = bj sj .
n

i j
Jer

Mas ri V, portanto pode ser escrito usando base S:


X
rj = qij si .
i
2.4. MUDANA DE BASE 69

Escolhemos agora um vetor qualquer v V. Temos


X
v= aj rj
j

X X
!
= aj qij si

130
j i
XX
aj qij si

r
=
j i

o
a

X X
= aj qij si .

e rs

n
i j

O termo entre parnteses no somatrio faz o papel de coeficiente na combinao linear dos si , resultando
i
v
em v e portanto deve ser igual a bi : X
m
bi = aj qij .

la
j

Mostramos que cada bi , coeficiente de v na base S, pode ser escrito como funo dos aj , coeficientes na
i
base R, usando os qij , que descrevem os vetores de R na base S.u 
l
a
Pre

Exemplo 2.63. Considere as duas bases a seguir para R3 [x]:


de

A = 1, x, x2 , x3 ,

tas

B = x, x2 , x2 2, x3 3 .


Queremos uma funo que leve coordenadas da base A para a base B. Escrevemos cada vetor de A como
no

ini

combinao linear dos vetores de B:


o

1 1
gr

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


ar-

2 2
rs

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


lle
e

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


Lin

. Pe

3 3
x3 = 0(x) (x2 ) (x2 2) + 1(x3 3).
2 2
Ve

Ou seja,[1]B = (0, 1/2, 1/2, 0)T , [x]B = (1, 0, 0, 0)T , [x2 ]B = (0, 1, 0, 0)T e [x3 ]B = (0, 3/2, 3/2, 1)T .
bra

oC

As coordenadas do polinmio x2 3 na base A so

[x2 3]A = (3, 0, 1, 0)T ,


im
e
lg

e portanto a1 = 3, a2 = 0. a3 = 1 e a4 = 0.
n

As coordenadas deste polinmio na base B so [x2 3]B = (b1 , b2 , b3 , b4 )T , com


X
b1 = ai qi1 = 3(0) + 0(1) + 1(0) + 0(0) = 0
Jer

i
X
b2 = ai qi2 = 3(1/2) + 0(0) + 1(1) + 0(3/2) = 1/2
i
70 CAPTULO 2. DIMENSO E BASES
X
b3 = ai qi3 = 3(1/2) + 0(0) + 1(0) + 0(3/2) = 3/2
i
X
b4 = ai qi4 = 3(0) + 0(0) + 1(0) + 0(1) = 0
i

E realmente,

130
x2 3(x2 2)
b1 (x) + b2 (x2 ) + b3 (x2 2) + b4 (x3 3) = 0(0) + + 0(x3 3)

r
2 2

o
3x2 x2 6

a
= = x2 3.
2

e rs
n
Temos ento [x2 3]B = (0, 1/2, 3/2, 0)T . Observamos que com os bj e qij podemos transformar a
representao de qualquer vetor da base A para a pase B. J

i
v
Uma observao importante pode ser feita neste momento: todo isomorfismo um espao de dimenso finita
m
nele mesmo representa uma mudana de base. Isso porque tal isomorfismo leva vetores de V em V, e preserva a
linearidade. O que pode mudar aps a aplicao do isomorfismo a base usada para representar os vetores.

la
Exemplo 2.64. Sejam duas bases para R3 ,
i
 u
l
a
= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T ,

Pre
de
= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1/2)T .

Os vetores tem os mesmos coeficientes nas duas bases, exceto que na base o ltimo coeficiente o dobro
tas

daquele na base :
(1, 2, 3)T = (1, 2, 6)T .
   
no

ini

O isomorfismo : R3 R3 tal que


o

(x, y, z)T = (x, y, 2z)T


gr
ar-
rs

leva vetores da base para a base .


lle
e

(x, y, z)T = x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T


Lin

. Pe

(x, y, z)T = x[(1, 0, 0)T ] + y[(0, 1, 0)T ] + z[(0, 0, 1)T ]


= (x, 0, 0)T + (0, y, 0)T + z(0, 0, 2)T
Ve
bra

oC

= (x, 0, 0)T + (0, y, 0)T + (0, 0, 2z)T


= (x, y, 2z)T . J
im
e
lg

2.5 Aplicaes
n
Jer

2.5.1 Anlise Dimensional [ base, dependncia linear ]


Nesta seo tomamos a Anlise Dimensional como exemplo de aplicao, de grande importncia em muitas
Engenharias.
2.5. APLICAES 71

Definio 2.65 (dimenso fsica). Uma dimenso fsica uma quantidade fsica, que pode ser medida em
diferentes unidades. 
Exemplo 2.66. A quantidade de tempo entre dois eventos quaisquer uma dimenso que pode ser medida
em diferentes unidades: segundos, horas, dias, etc. A distncia entre dois objetos tambm uma dimenso,
que pode ser medida em diferentes unidades: metros, ps, ngstrons, etc.

130
Ouros exemplos so presso, carga eltrica, massa, viscosidade. J
comum considerar algumas dimenses como fundamentais. Listamos estas dimenses a seguir, cada

r
uma com seu smbolo usual:

o
a
distncia (L)

e rs
tempo (T)

n
massa (M)

i
v
carga eltrica (Q)
m
Denotamos a dimenso uma grandeza fsica x por [x].

la
Exemplo 2.67. A seguir temos algumas unidades de medida de grandeza fsica, com suas dimenses.
i
u
[kg] = M
l
a
[] = [cm] = [km] = L
Pre
de
[s] = [h] = T J
Usando dimenses fudamentais, construimos dimenses a partir de outras. Por exemplo, usando dis-
tas

tncia e tempo construmos velocidade e acelerao. Note que o diferencial de uma quantidade fsica tem
a mesma dimenso que a prpria quantidade.
  h i
ds s
no

ini

[v] = = = LT 1
dt t
o

   2  h i
dv d s s
gr

= 2 = LT 2
ar-

[a] = =
dt dt2 t
rs

lle

Exemplo 2.68. A seguir temos mais algumas dimenses compostas.


e
Lin

[m3 ] = L3
. Pe

volume
acelerao [m/s2 ] = L/T 2
fora [kg m/s2 ] = MLT 1
Ve
bra

oC

A primeira dimenso fsica mostrada, volume, envolve somente a dimenso fundamental da distancia. A
segunda, acelerao, envolve distncia e tempo, e a terceira envolve massa, distancia e tempo. J
im
e

Quando combinamos uma dimenso com ela mesma por exemplo, quando definimos rea e volume a
lg

partir de distancia estamos realizando uma operao com um nmero e aquela dimenso:
n

2 L = L2 (rea)
3 L = L3 (volume)
Jer

Cada dimenso pode, portanto, estar associada a um expoente, e podemos representar dimenses compos-
tas na forma
La1 Ma2 T a3
72 CAPTULO 2. DIMENSO E BASES

Exemplo 2.69. A tabela a seguir mostra a representao de vrias dimenses fsicas.

nome unidade SI dimenso fsica


carga eltrica Coulomb C Q
volume m3 M3
densidade kg/m3 ML3

130
fora (N) Newton N = kg m/s2 [N] = MLT 2
acelerao m/s2 [m/s2 ] = LT 1 J

r
presso (Pa) Pascal Pa = N/m2 [N/m2 ] = [(MLT 2 )/L2 ] = ML1 T 2
Ns/m2 [Ns/m2 ] = [MLT 2 ][T ]/[L2 ] = ML1 T 1

o
viscosidade

a
energia (J) Joule J = (kg m2 )/s2 [kg m2 /s2 ] = ML2 T 2

e rs
ddp5 V, ou J/C [J/C] = ML2 T 2 Q1

n
Volt
capacitncia Farad F, ou C/V [Q/V] = M1 L2 T 2 TQ2

i
v
Em uma equao envolvendo grandezas fsicas, os dois lados devem ter a mesma dimenso dizemos
que a equao deve ser dimensionalmente homognea.
m
Exemplo 2.70. A equao

la
1
s = s0 + v0 t + at2 ,
i
2
u
l
a
que descreve o movimento retilneo uniformemente acelerado, dimensionalmente homogenea, porque
Pre
de
a dimenso do lado esquerdo [s] = L, e do lado direito temos [s0 ] = L, e

[v0 t] = [v][t]
tas

L
= T (velocidade distncia por tempo)
T
= L.
no

ini
o

 
1 2
gr
ar-

at = [1/2][a][t2 ]
rs

2
lle

= 1[a][t2 ]
e

L
Lin

= 2 T2 (acelerao distncia por tempo2 )


. Pe

T
= L,
Ve
bra

oC

e portanto
 
1 2
im

[s] = s0 + v0 t + at
e

2
lg

 
1 2
n

L = [s0 ] + [v0 t] + at
2
L = L + [LT 1 ] [T ] + [1/2] [LT 2 ] [T 2 ]
Jer

L=L+L+L J

Denotamos por 1 a dimenso vazia, que atribumos a grandezas sem dimenso fsica.
2.5. APLICAES 73

[2] = 1
[cos(x)] = 1
[] = 1 (se ngulo)

130
Exemplo 2.71. A frequncia a quantidade de vezes que algo acontece em um perodo de tempo, e sua
dimenso T 1 . Por exemplo, a frequncia angular pode ser medida em radianos por segundo; calculamos

r
sua dimenso:

o
a
 
rad
= [rad][1/s]
s

e rs
n
= 1[1/s] (ngulo tem dimenso 1)
1
=T . J

i
v
Tendo estes fatos em mente, surge naturalmente a pergunta: as dimenses fsicas no formariam um
m
espao vetorial? A resposta afirmativa. Observamos na tabela a seguir uma comparao de conceitos.
Note que aqui usamos o termo dimenso fsica para elementos de um espao vetorial.

la
i
espao de dimenses
dimenso u espao vetorial
vetor
l
a
1 0
Pre

A
de
A
A1 A
AB A+B
tas

As dimenses fsicas das variveis usadas na descrio de fenmenos fsicos6 formam um espao vetorial7 sobre
Q: sejam A B e C dimenses. Ento valem as seguintes propriedades de espao vetorial.
no

ini

i) associatividade: (AB)C = A(BC), e (Ap )q = A(pq)


o

ii) comutatividade: AB = BA
gr
ar-

iii) distributividade: Ap Aq = Ap+q , e (AB)p = Ap Bp


rs

lle

iv) h neutro aditivo: 1A = A


e
Lin

. Pe

v) h inversos: (A1 )A = 1
vi) h neutro multiplicativo: A1 = A
Ve

Quando se estabelece uma base para um espao vetorial de dimenses, dizemos que temos um sistema.
bra

oC

Por exemplo, se definirmos a base (M, L, T ) nos d o sistema MLT . A capacitncia, por exemplo, definida
no sistema MLTQ, porque depende de massa, distancia, tempo e carga eltrica.
im
e

As coordenadas de uma dimenso fsica no sistema so os expoentes de sua representao.


lg

Exemplo 2.72. As coordenadas da dimenso rea so (0, 2, 0), porque


n

[cm2 ] = [m2 ] = L2 = M0 L2 T 0 .
Jer

J as coordenadas da dimenso presso, ML1 T 2 so (1, 1, 2). J


6 No apenas fenmenos fsicos. um exerccio interessante buscar exemplos sem significado fsico.
7 E note que aqui precisamos listar todas as condies para caracterizar o espao vetorial.
74 CAPTULO 2. DIMENSO E BASES

As figuras a seguir ilustram o isomorfismo do sistema MLT com R3 (ambas as figuras mostram os
mesmos pontos, mudando apenas seus rtulos). As coordenadas mostradas nas figuras so

[m2 ] L2 (0, 2, 0)
[Pa] ML1 T 2 (1, 1, 2)
[m/s2 ] LT 2 (0, 1, 2)

130
r
o
a
e rs
in
v
m
la
i
u
l
a
importante observar que os pontos nos grficos so os vetores do espao de dimenses portanto
cada um uma dimenso, e no uma unidade! Assim, o mesmo ponto rotulado com [m2 ] poderia ter sido
Pre
de
marcado com [cm2 ], [km2 ], etc, porque [m2 ] = [cm2 ] = [km2 ] = L2 .
Definio 2.73 (dependencia dimensional). Um conjunto de dimenses A1 , A2 , . . . , An dimensional-
tas

mente dependente se linearmente dependente, com coeficientes racionais. Em outras palavres, dimen-
sionalmente dependente se existem racionais 1 , 2 , . . . , n , nem todos zero, tais que
no

ini

A 2 n
1 A2 An = 1.
1

o

gr

Podemos traduzir a definio de dependncia dimensional para a nomenclatura e notao com que
ar-

nos habituamos para espaos vetoriais: ela diz que um conjunto de dimenses (vetores) dimensionalmente
rs

dependente (linearmente dependente) ou sejam se existem racionais 1 , . . ., nem todos zero, tais que
lle
e

A 2 n
1 A2 An = 1,
1
Lin

. Pe

ou seja,
(1  A1 )  (2  A2 )   (n  An ) = 0,
Ve
bra

oC

onde  e  so as operaes de soma e multiplicao por escalar neste espao: AB = AB; e kA = Ak .
Exemplo 2.74. As dimenses fora, distancia, tempo e massa so dimensionalmente dependentes, como
im
e

podemos verificar observando suas descries no sistema MLT :


lg

[m] = L
n

[s] = T
[kg] = M
Jer

[Pa] = ML1 T 2

A presso pode ser descrita em termos de massa, tempo e distncia. J


2.5. APLICAES 75

Exemplo 2.75. As dimenses presso e rea no so dimensionalmente dependentes!

[m2 ] = L2
[Pa] = ML1 T 2

No temos como descrever L2 em termos de ML1 T 2 . J

130
a b c
Toda dimenso fsica no sisetma MLT pode ser descrita na forma M L T (ou seja, todo vetor pode ser

r
descrito por suas coordenadas) e podemos usar este fato para obter frmulas para descrever fenmenos.

o
Exemplo 2.76. Suponha que uma partcula cai sobre um fluido viscoso. Sua velocidade para baixo ace-

a
lerada pela ao da gravidade, mas depois de um tempo, a acelerao chega a zero.

e rs
Para modelar o movimento da partcula, determinaremos uma frmula que descreva sua velocidade

n
em funo do tempo. A velocidade da partcula depende:
do dimetro, d;
i
v
da viscosidade, ;
m
la
da acelerao, g.
i
u
Alm disso, a velocidade proporcional diferena entre a densidade da partcula, p e a do fluido, f .
l
Escrevemos, portanto,
a
v = kda b gc (p f ). (2.4)
Pre
de
Nesta frmula, k uma constante a ser determinada experimentalmente. Os outros fatores so conforme
descrevemos, mas ainda no sabemos seus expoentes (ou seja, no sabemos as coordenadas da dimenso
tas

fsica). Mas conhecemos a dimenso fsica de v, e podemos us-la: como [v] um vetor no espao de
dimenses fsicas, escrevemos as dimenses da frmula 2.4:
no

ini

[v] = kda b gc (p f ) .
 
o

Esta frmula mostra o mesmo vetor nos dois lados da igualdade. Suas coordenadas (os expoentes) devem
gr
ar-

portanto ser as mesmas:


rs

lle

[v] = kda b gc (p f )
 
e

M0 LT 1 = kda b gc (p f )
 
Lin

. Pe

M0 LT 1 = da b gc (p f )
 

M0 LT 1 = (L)a (ML1 T 1 )b (L1 T 2 )c (ML3 )


Ve
bra

oC

M0 LT 1 = Mb+1 Lab+c3 T b2c .

Como os expoentes nos dois lados devem ser iguais, podemos determin-los resolvendo um sistema linear
im
e

com trs incgnitas e trs equaes:


lg


b +1= 0
n

ab+ c3= 1


b 2c = 1
Jer

A soluo a = 2, b = 1, c = 1, e podemos escrever os expoentes em nossa frmula

v = kd2 1 g1 (p f ),
76 CAPTULO 2. DIMENSO E BASES

ou
d2 g(p f )
v=k . J

Exemplo 2.77. Observamos o escoamento laminar de um fluido por um tubo de raio r e comprimento l. A
presso interna no tubo decai com a distncia isto chamado de perda de carga. O volume q funo do

130
raio, da viscosidade do fluido, , e da perda de carga, p/l.
 
p

r
q=f , , r .
l

o
a
Listamos a seguir as dimenses de cada varivel.

e rs
n
r raio distncia L
q fluxo volume por tempo L3 T 1

i
v
viscosidade fora-tempo por rea ML1 T 1
p
l perda de carga
m
presso por distncia ML2 T 2
As coordenadas das dimenses so iguais em ambos os lados da equao:

la
 a 
i
[q] =
p
()b (r)c u
l
l
a
L3 T 1 = (ML2 T 2 )a (ML1 T 1 )b (L)c .
Pre
de

Chegamos agora ao sistema



tas

a+b =0
2a b + c = 3


2a b = 1.
no

ini
o

Resolvendo, obtemos a = 1, b = 1, c = 4, portanto a equao


gr
ar-

p
()1 (r)4
rs

q=k
l
lle

pr4
e

=k .
Lin

l
. Pe

Esta a equao de Hagen-Poiseuille. A constante de proporcionalidade k, que pode ser obtida por experi-
Ve

mentos, igual a /8. J


bra

oC

O prximo exemplo mostra que nem sempre obteremos a frmula exata que procuramos.
Exemplo 2.78. Suponha que uma gota de gua cai de uma nuvem imvel. Determinaremos uma frmula
im
e

para sua velocidade. Presumimos, ainda que nos parea estranho, que a gota esfrica. Seu raio r, sua
lg

densidade e sua velocidade v. A viscosidade do ar e a acelerao gravitacional g.


n

Se quisermos determinar a velocidade em funo das outras variveis, escrevemos

v = kra gb c d
Jer

[v] = ra gb c d
 

LT 1 = (L)a (LT 2 )b (ML3 )c (ML1 T 1 )d ,


2.5. APLICAES 77

onde k uma constante de proporcionalidade. Temos portanto que resolver o sistema




c+d=0
a + b 3c d = 1 ,


2b d=1

130
que tem quatro incgnitas mas somente trs equaes. Isso significa que no chegaremos equao exata

r
da velocidade, mas a uma equao dependendo de um expoente.
Precisamos escolher uma das quatro variveis para deixar livre. Escolhemos d, e escrevemos a soluo

o
a
como

e rs
1 + 3d

n
a=
2
1+d
b=
i
v
2
c = d,
m
la
Substituindo na frmula,
i
u
v = k r(1+3d)/2 g(1+d)/2 d d
l
a
r1/2 g1/2 d
Pre

= k 3d/2 d/2 d
de
r g

rg d
=kp
tas

r3d gd d
!d

= k rg .
no

ini

p
r3 g
o

gr

Note que se tivssemos escolhido outra varivel livre ao invs de d, chegaramos a outra frmula, dando
ar-
rs

tambm uma relao vlida entre a velocidade da gota e as outras variveis. J


lle

O Teorema de Buckingham (Teorema 2.79) diz basicamente que se o espao vetorial onde trabalha-
e

mos tem dimenso n, em um conjunto com k > n vetores onde h n vetores LI, podemos descrever todos
Lin

. Pe

em funo desses n.

Teorema 2.79 (, de Buckingham). Seja um espao de dimenses fsicas, cuja dimenso como espao vetorial
Ve
bra

oC

n. Se um experimento fsico relaciona grandezas x1 , x2 , . . . , xn , . . . , xk (onde claramente k > n), na forma de


uma funo
y = f(x1 , x2 , . . . , xk ),
im
e

ento a relao pode ser reescrita como


lg

y = (n+1 , n+2 , . . . , k )xa 1 a2 an


1 x2 . . . x n ,

sendo o termo (. . .) no dimensional (ou seja, tem dimenso 1 = M0 L0 T 0 ), e


Jer

xn+1
1 =
xb
1
11
xb
n
1n
78 CAPTULO 2. DIMENSO E BASES

xn+2
2 =
xb
1
21
xb
n
2n

..
.

Demonstrao. (Parcial) Claramente, se determinarmos a1 , a2 , . . . , an de forma que a1 x1 a2 x2 . . . an xn

130
tenha as mesmas dimenses de y, ento necessariamente (. . .) deve ter dimenso 1.
A demonstrao de que podemos encontrar os i na forma dada fica como exerccio. 

r
Exemplificamos agora o Teorema .

o
a
Exemplo 2.80. Se uma esfera de dimetro d se desloca com velocidade v por um fluido com densidade

e rs
e viscosidade , a fora contrria ao movimento da esfera chamada de fora de arrasto. Como esta fora

n
funo da soutras variveis, temos
Fx = f(d, v, , ).
i
v
m
Sabendo apenas que a relao envolve estas grandezas, poderamos tentar realizar experimentos, fixando
dois parametros de cada vez e variando outros dois. Este procedimento, no entanto, custoso e desne-

la
cessrio se realizarmos a anlise dimensional do fenmeno.
A grandeza f(. . .) tem a mesma dimenso que Fx , e pode ser descrita no sistema MLT com trs vetores
i
u
(dimenses fsicas) linearmente independentes (ou dimensionalmente independentes). Os vetores que
l
a
representam as quatro dimenses [d], [v], [], [] so
Pre
de
d! v! ! !
0 0 1 1
tas

1 1 3 1
0 1 0 1
no

ini

Escolhemos d, v, , que so independentes. Sabemos portanto que pode ser descrito como combinao
linear de d, v, . Usando o Teorema de Buckingham, chamamos esta combinao linear de , e a fora
o

de arrasto descrita como


gr
ar-

Fx = () da vb c ,
rs

lle

onde tem dimenso [] = 1:


e


= .
Lin

. Pe

dx vy z
O prximo passo calcular a, b e c.
Ve
bra

oC

[Fx ] = da vb c
 

MLT 2 = (L)a (LT 1 )b (ML3 )c


im
e
lg

Chegamos ao sistema

c=1
n

a + b 3c = 1


Jer

b = 2
Os valores de a, b e c so portanto
a = b = 2, c = 1.
2.5. APLICAES 79

Precisamos determinar tambm x, y, z, que usamos na descrio de . Novamente, sabendo que a dmien-
so de [] = 1 = M0 L0 T 0 , calculamos

M0 L0 T 0 = [][dx vy z ]
M0 L0 T 0 = (ML1 T 1 ) Lx (LT 1 )y (ML3 )z

130
Resolvemos o sistema,

z+1=0

r
x + y 3z 1 = 0

o
a
y 1=0

e rs
n
e obtendo os valores
x = y = z = 1.
Isto nos d = /(dv), e temos agora
i
v
 
m

Fx = d2 v2
dv

la
Esta a equao do arrasto, e o que chamamos aqui de (/(dv)) o coeficiente de arrasto.
i
u
l
a
Agora, tendo a equao do arrasto, percebemos que precisamos de um nico experimento para deter-
minar o coeficiente de arrasto. J
Pre
de
H muito material escrito sobre anlise dimensional. No entanto, no comum descrever o espao
dimensional como fizemos, em termos de espaos vetoriais. Uma boa introduo Anlise Dimensional
tas

(ainda sem tratar o espeo dimensional como espao vetorial) dada no livro de Gibbings [Gib11].
Esta seo incluiu exemplos envolvendo Mecnica Bsica e Mecnica de Fluidos. Para uma introduo
no

Mecnica Geral, o leitor pode consultar o livro de J. Den Hartog [Har61]. O livro de Robert Brodkey [Bro95]
ini

d uma boa introduo Mecnica de Fluidos.


o

gr
ar-

F 2.5.2 Fractais [ isomorfismo ]


rs

lle
e

Muitos dos fractais mais conhecidos, em particular o conjunto de Mandelbrot e os conjuntos de Fatou
Lin

e Julia, so definidos no plano complexo.


. Pe

Abordaremos o conjunto de Mandelbrot.


Considere a seguinte sequencia: comeamos com um nmero complexo inicial z0 . Os outros nmeros
Ve

da sequncia so obtidos elevando o anterior ao quadrado e somando ao nmero inical z0 , ou seja,


bra

oC

z0 = c
zn+1 = z2n + z0
im

(2.5)
e
lg

Por exemplo, se comearmos com z0 = 2i, a sequncia ser


n

z0 = 2i
Jer

z1 = (2i)2 + 2i = 4 + 2i
z2 = (4 + 2i)2 + 2i = 12 14i
z3 = (12 14i)2 + 2i = 52 334i
80 CAPTULO 2. DIMENSO E BASES

..
.

Dependendo do nmero z0 escolhido, o limite da sequencia (zn ) quando n pode ser infinito (ou seja,
a sequencia diverge), ou finito. Damos a seguir exemplos de duas destas situaes.

130
i) Se z0 = 1, a sequencia

r
z0 = 1

o
a
z1 = 12 + 1 = 2
z2 = (2)2 + 1 = 5

e rs
n
z3 = (5)2 + 1 = 26
..
i
v
.
m
la
ii) Se z0 = 2, temos
i
u
l
a
Pre
de
z0 = 2
z1 = (2)2 2 = 2
z2 = (2)2 2 = 2
tas

z3 = (2)2 2 = 2
..
no

ini

.
o

gr
ar-
rs

Se para um nmero c = a + bi a sequncia no diverge, ento z0 parte do conjunto de Maldelbrot.


lle
e

A sequncia no caso (i) divergente (seu limite +), portanto 1 no pertence ao conjunto de Man-
Lin

. Pe

delbrot.
J a sequncia no caso (ii) limitada (mais ainda, exceto por z0 todos os zi so iguais a dois), logo 2
Ve

pertence ao conjunto de Maldelbrot.


bra

oC

O ponto importante deste exemplo : como conhecemos um isomorfismo entre C e R2 , podemos plotar o
conjunto de Mandelbrot no plano.
im
e

Para plotar o conjunto de Mandelbrot, escolhemos os pontos (x, y) do plano com 2 x 1 e 1


lg

y 1. Para cada um desses pontos, tomamos c = x + yi e computamos vrios valores da sequncia zn


n

descrita na frmula 2.5. por exemplo, de z0 at z20 . Se percebemos que a sequncia converge, pintamos
o ponto de preto. Se no, usamos alguma outra cor para indicar quo rapidamente a sequncia diverge. A
Jer

imagem a seguir, que mostra o conjunto de Mandelbrot, foi construda desta forma.
2.5. APLICAES 81

130
r
o
a
e rs
in
v
m
la
i
u
l
a
Pre
de

Exerccios
tas

Ex. 40 O conjunto
A = {(x, y, z)T : x + 2y 3z = 0}
no

ini
o

subespao de R3 ? Se for, mostre um complemento dele.


gr
ar-

Ex. 41 Considere os subespaos de R5 :


rs

lle

A = {(v, w, x, y, z)T : x + y z = v}
e

B = {(v, w, x, y, z)T : v 2w = x + y + z}
Lin

. Pe

Responda o seguinte:
i) Quem so os vetores no subespao A B?
Ve
bra

oC

ii) Determine dim A, dim B, dim(A B).


iii) Mostre um complemento de A B.
im
e

iv) R5 soma de A com B? Se for, soma direta?


lg

Ex. 42 O conjunto de solues para Ax = 0 no exemplo 2.54 um subespao de R4 . Determine um


complemento para ele.
Jer

Ex. 43 A unio do subespao de funes pares com o subespao de funes mpares subespao?

Ex. 44 Uma base de um espao vetorial V pode (ou deve sempre) ser subespao de V?
82 CAPTULO 2. DIMENSO E BASES

Ex. 45 Se um subespao de Rn contm vetores da forma (. . . , 0, . . .)T , tendo a i-sima coordenada igual
a zero, verdade que toda base para este subespao tambm ter zero na i-sima coordeanda?

Ex. 46 Sejam A = (1, x, x2 , x3 ), B = (1, 2x2 x + 1, x3 + x2 ), C = (, x , x2 + 2 x + , x3 )


bases para R3 [x]. Escreva as coordenadas dos polinmios a seguir usando A, B e C como base ou, se no
for possvel, explique o motivo. 1, x, x2 , x3 , (x + 1)(x 2), (x2 + x)(1 2x)

130
F Ex. 47 O que significa dois grafos de ciclos disjuntos (exemplo 1.41, pgina 20) serem linearmente de-

r
pendentes ou linearmente independentes?

o
a
F Ex. 48 Qual a dimenso do espao de sequencias reais? E o das sequncias reais constantes? Se algum

e rs
deles for finito, apresente uma base.

n
Ex. 49 possvel obter uma base para Mnn , sem usar nenhum zero nas matrizes da base?

i
v
F Ex. 50 Um grafo finito tem um nmero finito de ciclos. Quem a base para o espao de ciclos de um
m
grafo finito (o espao de ciclos foi definido no exemplo 1.41 na pgina 20)?

la
Ex. 51 Defina o conjunto Pn como um conjunto de n de vetores en Rn , de forma que o primeiro vetor
i
u
de Pn tem os n primeiros nmeros primos, o segundo vetor tem os n prximos nmeros primos, e assim
l
por diante. Pn base para Rn ?
a
Pre
de
F Ex. 52 Prove que em todo espao vetorial de dimenso infinita, dado qualquer k N, podemos encon-
trar k vetores linearmente independentes.
tas

Ex. 53 Prove que so isomorfos os espaos:


[B], com B = { (0, 1, 1)T , (1, 1, 1)T } e R2 .
no

ini

R5 e o conjunto de todos os polinmios com grau par e menor ou igual a oito.


o

gr
ar-

Ex. 54 Mostre que a bijeo g dada no exemplo 2.54 realmente um isomorfismo.


rs

lle

Ex. 55 Use as tcnicas da seo 2.5.1 para determinar a frmula da resultante centrpeta em movimento
e

circular. Suponha que voc s se lembra que as grandezas fsicas envolvidas so massa, velocidade angular
Lin

. Pe

e raio do caminho circular.


Ex. 56 Existe um isomorfismo f entre C e o espao das matrizes antissimtricas de ordem dois com as
Ve

seguintes propriedades: para todos complexos z1 e z2 ,


bra

oC

f(z1 ) + f(z2 ) = f(z1 + z2 );


f(z1 ) f(z2 ) = f(z1 z2 );
im
e
lg

f(z1 )f(z2 ) = f(z1 z2 );


n

f(z2 )1 f(z1 ) = f(z1 /z2 ), se z2 6= 0.


Mostre este isomorfismo;
Jer

F Ex. 57 Mostre o isomorfismo entre Zn


2 e o espao de ciclos disjuntos de um grafo.
130
Captulo 3

r
o
a
Transformaes Lineares

e rs
in
v
m
O objeto de estudo neste Captulo so as transformaes lineares certas funes que levam elementos de
um espao vetorial em outro, de grande importncia em todas as reas das Cincias Exatas.

la
Definio 3.1 (Transformao e operador linear). Sejam U e V dois espaos vetoriais sobre um mesmo
i
u
corpo. Uma transformao linear uma funo T : V U tal que para todo escalar c e todos os vetores
l
a
v, w V,
Pre
de
T (v + w) = T (v) + T (w);
tas

T (cv) = cT (v).

Um operador linear uma transformao linear de um espao nele mesmo (T : U U). 


no

ini

Exemplo 3.2. A funo f(x1 , x2 ) = x1 + x2 uma transformao linear de R2 em R, porque


o

i) para dois vetores (x1 , x2 ) e (y1 , y2 ),


gr
ar-
rs

f[(x1 , x2 ) + (y1 , y2 )] = f(x1 + y1 , x2 + y2 ) = x1 + y1 + x2 + y2 = f(x1 , x2 ) + f(y1 + y2 );


lle
e

ii) para qualquer constante k e qualquer vetor (x1 , x2 ),


Lin

. Pe

f(k(x1 , x2 )) = f(kx1 , kx2 ) = kx1 + kx2 = k(x1 + x2 ) = kf(x1 , x2 ).


Ve
bra

oC

Exemplo 3.3. Em qualquer espao vetorial podemos definir a funo identidade, que denotamos por id
im

e que realiza a transformao id(v) = v. Esta funo um operador linear: leva vetores de um espao
e

vetorial nele mesmo, e para quaisquer vetores v e w,


lg

id(v + w) = id(v) + id(w) = v + w;


Jer

id(cv) = c id(v) = cv. J

Exemplo 3.4. A funo que d a transposta de uma matriz uma transformao linear de Mmn em Mnm :
claramente, c(AT ) = (cA)T , e AT + BT = (A + B)T . J

83
84 CAPTULO 3. TRANSFORMAES LINEARES

Exemplo 3.5. No espao vetorial formado por polinmios de grau menor ou igual a n, a derivada uma
transformao linear: (i) d/dx(p(x) + q(x)) = d/dx(p(x)) + d/dx(q(x)), e (ii) k [ d/dx(p(x)) ] =
d/dx(kp(x)). J
Exemplo 3.6. A funo f(x1 , x2 ) = x21 + x2 no uma transformao linear de R2 em R, porque

130
f(x1 + y1 , x2 + y2 ) = (x1 + y1 )2 + x2 + y2

que no , de maneira geral, igual a x21 + y21 + x2 + y2 . J

r
Exemplo 3.7. Seja T : R R, com T (x) = x + 4. Esta funo no uma transformao linear, porque

o
a
T (x + y) = (x + y) + 4

e rs
n
6= T (x) + T (y) = (x + 4) + (y + 4) = (x + y) + 8,

i
v
e portanto T (x + y) 6= T (x) + T (y). J
m
Exemplo 3.8. Considere a transformao T : R2 R3 , com T (x, y) = (x + y, y, 1):

la
cT (x, y) = c(x + y, y, 1) = (cx + cy, cy, c),
i
T (cx, cy) = (cx + cy, cy, 1).
u
l
a
Como cT (x, y) 6= T (cx, cy), a transformao no linear. J
Pre
de
Exemplo 3.9. Em R2 , o operador que rotaciona um ponto por um ngulo ao redor da origem e no sen-
tido anti-horrio linear. No damos aqui uma demonstrao formal completa, mas a intuio: primeiro,
tas

suponha que multiplicarmos um vetor w por uma constante c e depois rotacionarmos por um ngulo ,
obteremos um novo vetor. Se rotacionarmos primeiro para multiplicarmos depois, o resultado o mesmo
portanto T (cw) = cT (w).
no

ini

Sejam u e v dois vetores. A soma u + v resulta em um vetor w, que rotacionado w 0 . Se primeiro


o

rotacionarmos u e v para depois somarmos, obteremos w 0 . Assim, T (u + v) = T (u) + T (v).


gr
ar-

Construiremos o operador T que rotaciona pontos desta forma, e ao defin-lo, manteremos a lineari-
rs

dade. A figura a seguir mostra o efeito do operador quando rotacionamos os vetores e1 e e2 por um ngulo
lle

.
e
Lin

. Pe

-sen
Ve
bra

oC

Q
im
e

e2 cos
P
lg

cos
n

sen
Jer

e1
85

Suponha que queiramos rotacionar e1 . O novo vetor dever ser


   
P=T 1 = cos .
0 sen
E se rotacionarmos e2 , teremos    

130
Q=T 0 [r] = sen .
1 cos

r
O operador T deve ento obedecer

o
T [(1, 0)T ] = (cos , sen )T

a
T [(0, 1)T ] = ( sen , cos )T .

e rs
n
Como T linear, ento necessariamente
T [(x, 0)T ] = xT [(1, 0)T ] = (x cos , x sen )T
i
v
T [(0, y)T ] = yT [(0, 1)T ] = (y sen , y cos )T ,
m
e

la
T [(x, y)T ] = T [(x, 0)T ] + T [(0, y)T ]
i
u
= (x cos , x sen )T + (y sen , y cos )T
l
a
= (x cos y sen , x sen + y cos )T .
Pre
de
A transformao T , portanto    
T x = x cos y sen J
tas

y x sen + y cos
Exemplo 3.10. No exemplo 1.39 mostramos que as variveis aleatrias reais em um espao amostral for-
no

ini

mam um espao vetorial sobre R. Tambm sabemos que R um espao vetorial sobre si mesmo.
o

A esperana de uma varivel aleatria discreta X definida como


X
gr
ar-

E(X) = x Pr(x),
rs

x
lle
e

desde que o somatrio convirja. A linearidade consequncia direta desta definio. Verificamos a soma,
XX
Lin

. Pe

E(X + Y) = (x + y) Pr[X = x, Y = y]
x y
X X X X
Ve

= x Pr[X = x, Y = y] + y Pr[X = x, Y = y]
bra

oC

x y y x
X X
= x Pr(x) + y Pr(y)
im
e

x y
lg

= E(X) + E(Y).
n

Verificamos tambm a multiplicao por escalar:


X
Jer

E(cX) = cx Pr(x) = cE(X),


x

ou seja, a esperana de c vezes a varivel aleatria X igual a c multiplicado pela esperana de X. J


86 CAPTULO 3. TRANSFORMAES LINEARES

F Exemplo 3.11. Seja T : Z52 Z42 , tal que

T [ (a, b, c, d, e) ] = (a b, b, 0, 0).

T uma transformao linear:

130
i)

T [ (abcde) () ] = T (a , b , c , e )

r
= (a b , b , 0, 0)

o
a
= (a b, b, 0, 0) ( , , 0, 0)

e rs
= T (a, b, c, d, e) T ().

ii)
in
v
m
T [k(a, b, c, d, e)] = T (ka, kb, kc, kd, ke)
= (ka kb, kb, 0, 0)

la
= k(a b, b, 0, 0)
i
u
= kT (a, b, c, d, e).
l
a
Pre

Agora considere F : Z32 Z3 , com


de

F[ (a, b, c) ] = (ab, c, 1)
tas

no linear, porque F[(a, b, c) (, , )] 6= F[(a, b, c)] F[(, , )]. J


Nos exemplos3.7, 3.8 e 3.11, mostramos transformaes que levavam vetores a outros com alguns ele-
no

ini

mentos fixos, e que no eram lineares. H uma maneira muito rpida de determinar que tais transforma-
es no so lineares: o Teorema 3.12 nos informa que para qualquer transformao linear T , deve sempre
o

valer T (0) = 0. Assim, uma transformao que leve a vetores que no podem ser zero no linear.
gr
ar-
rs

Teorema 3.12. Seja T : U V uma transformao linear. Ento, para todos x1 , x2 . . . , xn U e escalares k1 ,
lle

k2 , . . . , kn ,
e

i) T (0) = 0
Lin

. Pe

ii) T (k1 x1 + k2 x2 + + kn xn ) = k1 T (x1 ) + k2 T (x2 ) + + kn T (xn )


Ve

Demonstrao. (i) Como T transformao linear, cT (0) = T (c0). Mas


bra

oC

cT (0) = T (c0), e
im
e

cT (0) = T (0),
lg

o que implica em c = 1 ou T (0) = 0. Como c representa qualquer escalar, temos necessariamente T (0) = 0.
n

(ii) Intuitivamente, a afirmativa verdadeira porque a soma de vetores associativa e a multiplicao


por escalar distributiva sobre a soma. Formalmente, a demonstrao segue facilmente por induo em
Jer

n, usando a associatividade da soma de vetores e o fato de T ser linear. A base de induo para um nico
termo:
T (k1 x1 ) = k1 T (x1 ),
87

que verdadeira pela definio de transformao linear.


A hiptese de que a afirmao vale para m 1. O passo :

T (k1 x1 + k2 x2 + + km xm ) = T [k1 x1 + (k2 x2 + + km xm )] (associatividade de +)


= T (k1 x1 ) + T (k2 x2 + + km xm ) (T linear)

130
= k1 T (x1 ) + T (k2 x2 + + km xm ) (T linear)
= k1 T (x1 ) + k2 T (x2 ) + + km T (xm ). (pela hiptese de induo)

r
E conclumos a demonstrao. 

o
a
Na seo 2.4 mostramos como obter uma funo de mudana de base para espaos vetoriais. Essa funo

e rs
n
linear, e a demonstrao pedida no exerccio 66.
Teorema 3.13. Sejam R e S duas bases para um espao vetorial V de dimenso finita. Ento a funo que realiza a

i
v
mudana de base em cada coeficiente uma transformao linear.
m
Exemplo 3.14. A seguir temos duas bases para R3 .

la
= {(1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T }
i
u
= {(1/2, 0, 0)T , (0, 3, 0)T , (0, 0, 1)T }
l
a
A transformao que muda da base para a base
Pre
de

T (x, y, z)T = (2x, y/3, z)T .


 
tas

Assim, se x = (1, 1, 1)T , temos

[x] = (1, 1, 1)T ,


no

ini

[x] = T ([x] ) = (2, 1/3, 1)T .


o

gr
ar-

Verificamos que ambos representam o mesmo vetor, expandindo-os como combinao linear de cada uma
rs

das bases:
lle
e

[x] = (1, 1, 1)T x = 1(0, 0, 1)T + 1(0, 1, 0)T + 1(1, 0, 0)T = (1, 1, 1)T
Lin

. Pe

[x] = (2, 1/3, 1)T x = 2(1/2, 0, 0)T + 1/3(0, 3, 0)T + 1(1, 1, 1)T = (1, 1, 1)T .
Ve

A transformao T linear: primeiro mostramos que T [kv] = kT (v).


bra

oC

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


 

= T (kx, ky, kz)T


 
im
e

= (2kx, ky/3, kz)T


lg

= k(2x, y/3, z)T


n

= kT (x, y, z)T .
 
Jer

Agora mostramos que T (v + w) = T (v) + T (w). Sejam v = (x, y, z)T e w = (a, b, c)T .

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


 
88 CAPTULO 3. TRANSFORMAES LINEARES

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

= (2x + 2a, y/3 + b/3, z + c)T


= (2x, y/3, z)T + (2a, b/3, c)T
= T (x, y, z)T + T (a, b, c)T .
   
J

130
Da definio de transformao linear, observamos que podemos somar duas transformaes T e S, de
forma que a transformao (T + S), dada por (T + S)(x) = T (x) + S(x) tambm linear; e similarmente,

r
tambm podemos multiplicar uma transformao T por um escalar k, obtendo a transformao kT , dada
por kT (x) = T (kx).

o
a
Alm da soma e da multiplicao por escalar, tambm podemos realizar a composio de transforma-
es (que resulta em uma transformao tambm linear), e em alguns casos, obter a inversa de uma trans-

e rs
n
formao (e quando a inversa existe, ela linear).
Definio 3.15 (Composio de transformaes). Sejam S : V U e T : U W duas transformaes

i
v
lineares. A composio de T com S
m
(T S)(v) = T (S((v))). 

la
Exemplo 3.16. Sejam S : R4 R3 e T : R3 R3 , tais que
i
u
S[(a, b, c, d)T ] = (a + b, b + c, c + d)T
l
a
T [(x, y, z)T ] = (x, y, x + y + z)T .
Pre
de
Ento a composio de S e T
(T S)(a, b, c, d)T = T (S(a, b, c, d)T )
tas

= T (a + b, b + c, c + d)T
= (a b, b c, a + 2b + 2c + d)T .
no

ini

Note que a composio (T S) : R4 R3 . J


o

gr

Exemplo 3.17. Sabemos que a transposio de matriz quadrada um operador linear. Outra transformao
ar-
rs

linear em matrizes quadradas a multiplicao de uma linha por um escalar. Tomemos ento o espao
lle

M33 , com as tranformaes:


e
Lin

transposio,
. Pe


a11 a12 a13 a11 a21 a31
T a21 a22 a23 = a12 a22 a32 ;
Ve

a31 a32 a33 a13 a23 a33


bra

oC

multiplicao da terceira linha por 5,



im
e

a11 a12 a13 a11 a12 a13


M a21 a22 a23 = a21 a22 a23 .
lg

a31 a32 a33 5a31 5a32 5a33


n

A composio T M
Jer


a11 a12 a13 a11 a12 a13 a11 a21 5a31
T M a21 a22 a23 = T a21 a22 a23 = a12 a22 5a32 . J
a31 a32 a33 5a31 5a32 5a33 a13 a32 5a33
89

Exemplo 3.18. Em R3 [x], os dois operadores a seguir so lineares:

a derivada segunda,
d2
(a0 + a1 x + a2 x2 + a3 x3 ) = 2a2 + 6a3 x
dx2

130
a troca do primeiro com o ltimo coeficiente,

r
T (a0 + a1 x + a2 x2 + a3 x3 ) = a3 + a1 x + a2 x2 + a0 x3 .

o
a
A composio d2 /dx2 T

e rs
n
d2 2 3 d2
T (a0 + a 1 x + a2 x + a3 x ) = (a3 + a1 x + a2 x2 + a0 x3 )
dx2 dx2
i
v
= 2a2 + 6a0 x. J
m
Exemplo 3.19. Seja T o operador em R2 que realiza rotao pelo ngulo /2, e S o operador que realiza

la
rotao por /4. Nossa intuio diz que a composio das duas deve ser igual rotao pelo ngulo /4.
i
Verificamos1 ento como seria a rotao R por /4:
u
l
a
     
x y (x y)/2
Pre

x cos(/4) sen(/4)
de
R = = (ngulo /4)
y x sen(/4) + y cos(/4) (x + y)/ 2
tas

Agora calculamos a composio de T com S:


     
T x = x cos(/2) y sen(/2) = y (ngulo /2)
no

ini

y x sen(/2) + y cos(/2) x

o

    
S x = x cos(/4) y sen(/4) = (x + y)/2 . (ngulo /4)
gr
ar-

y x sen(/4) + y cos(/4) (x + y)/ 2


rs

lle

A composio T S
e


Lin

. Pe

   
T S x =T (x + y)/ 2
y (x + y)/ 2

Ve


(x y)/ 2 ,
bra

oC

=
(x + y)/ 2

exatamente igual rotao por /4. J


im
e
lg

Proposio 3.20. A composio de transformaes lineares tambm uma transformao linear.


n

1 Lembrete:
/2 = 90o /4 = 45o /4 = 45o
Jer


sen(/2) = 1 sen(/4) = +1/ 2 sen(/4) = 1/ 2

cos(/2) = 0 cos(/4) = +1/ 2 cos(/4) = +1/ 2
90 CAPTULO 3. TRANSFORMAES LINEARES

Teorema 3.21. Sejam

Q:V U
R:VU
S:WV

130
T :WV

r
transformaes lineares. Ento

o
a
R (S + T ) = (R S) + (R T )
(Q + R) S = (Q S) + (R S).

e rs
n
Definio 3.22 (Inversa de transformao linear). Seja T : V U uma transformao linear. T invertvel

i
v
se e somente se bijetora. A inversa de T , denotada T 1 , tal que T 1(T (v)) = v. 
m
Exemplo 3.23. A transformao T : R2 R2 com

la
T (x, y)T = (2x, 3y)T
i
u
l
invertvel, com inversa
a
T 1 (a, b)T = (a/2, b/3)T .
Pre

J
de

Exemplo 3.24. Em qualquer espao vetorial diferente do espao trivial, fica evidente que a transformao
T (v) = 0 no tem inversa. J
tas

Exemplo 3.25. A transposta de uma matriz quadrada sempre tem inversa (que ela mesma, j que (AT )T =
no

ini

A). Assim, esta uma transformao invertvel. J


o

Exemplo 3.26. O exemplo 3.39 mostra o operador T (x, y)T = (x, 2x)T em R2 . Esta transformao no
gr
ar-

bijetora:
rs

T [(3, 4)T ] = (3, 6)T = T [(3, 1)T ],


lle
e

portanto no tem inversa. J


Lin

. Pe

Exemplo 3.27. Em Rn [x], a derivada um operador linear, mas no invertvel:


Ve

d
bra

oC

a0 + a1 x = a1
dx
d
b0 + a1 x = a1
im

dx
e

d
lg

c0 + a1 x = a1
dx
n

..
.
Jer

e portanto no temos um nico polinmio tal que d/dx p(x) = a1 . J

Teorema 3.28. Seja T : V U uma transformao linear invertvel. Ento T 1 tambm linear.
3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 91

Demonstrao. Sejam v1 , v2 V. Como T invertvel, existem w1 , w2 U tais que T (v1 ) = w1 e T (v2 ) =


w2 . Verificamos a multiplicao por escalar:

T 1 (cw1 ) = T 1 (cT (v1 ))


= T 1 (T (cv1 ))

130
= cv1
= cT 1 (w1 ).

r
o
E verificamos tambm a soma de vetores:

a
T 1 (w1 + w2 ) = T 1 (T (v1 ) + T (v2 ))

e rs
n
= T 1 (T (v1 + v2 )) (T linear)
= v1 + v2
i
v
= T 1 (w1 ) + T 1 (w2 ). 
m
Exemplo 3.29. A transformao que rotaciona vetores em R2 por um ngulo tem como inversa a rotao

la
por , que tambm linear. J
i
Exemplo 3.30. A transformao T : R4 R3 [x], com u
l
a
Pre
de
T [(a, b, c, d)T ] = 3ax3 + 2bx2 + cx d

uma bijeo, e sua inversa


tas

p q T
T 1 (px3 + qx2 + rx + s) = , , r, s . J
3 2
no

ini
o

O exerccio 64 pede a demonstrao da proposio a seguir, que determina a inversa de uma composio.
gr
ar-

Proposio 3.31. Se T e S so invertveis e a composio S T definida, ento


rs

lle

(S T )1 = T 1 S1 .
e
Lin

. Pe
Ve

3.1 O efeito em uma base determina completamente uma transforma-


bra

oC

o
im
e

No exemplo 3.9 desenvolvemos uma transformao linear que realiza a rotao de vetores no plano. Ini-
cialmente, determinamos o efeito que queramos na base cannica { e1 , e2 }, e com isso determinamos
lg

completamente a transformao. Aquele exemplo ilustra o que o prximo teorema nos garante: uma trans-
n

formao linear T : V U completamente caracterizada pelo seu efeito em uma base de V.


Podemos fazer uma analogia com polinmios: se quisermos determinar as retas ax + b que passam por
Jer

um ponto dado, teremos infinitas delas. Se tivermos dois pontos, h somente uma reta passando por eles, e
sabemos como calcular sua equao. Por exemplo, se tomarmos o ponto (1, 0), h infinitas retas passando
por ele. A seguir mostramos tres delas, 2x 2, x + 1, 3x + 3.
92 CAPTULO 3. TRANSFORMAES LINEARES

130
1 2
1

r
2

o
a
3

e rs
n
Se fixarmos um segundo ponto, (0, 2), somente uma das retas passar por eles, e sabemos que a reta
i
v
2x 2.
m
la
3
i
2
u
l
a
1
Pre
de
1 2
1
tas

2
no

3
ini
o

gr
ar-

Da mesma forma, se tivermos dois pontos no plano, haverinfinitas parbolas


ax2 + bx + c passando por
rs

eles. Por exemplo, h infinitas parbolas passasndo por ( 2, 0) e (+ 2, 0). Na figura a seguir mostramos
lle

tres delas: x2 2, x2 + 2, e 2x2 4.


e
Lin

. Pe

3
Ve

2
bra

oC

1
im
e

2 1 1 2
lg

1
n

3
Jer

Se fixarmos um terceiro ponto, (1/2, 7/2), somente a parbola 2x2 4 passar por todods eles.
3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 93

130
0
2 1 0 1 2
1

r
2

o
a
3

e rs
n
Semelhantemente, com n + 1 pontos determinamos completamente um polinmio de grau n.

i
v
O teorema a seguir nos garante exatamente o mesmo, mas para transformaes lineares: conhecendo
m
uma base v1 , . . . , vn e os valores de T (vi ) para seus vetores, podemos ter certeza de que h exatamente uma
transformao T : V U que mapeie vi 7 T (vi ).

la
Teorema 3.32. Sejam U e V espaos vetoriais de dimenso finita; BV = (v1 , v2 , . . . , vn ) uma base ordenada de
i
u
V; e u1 , u2 , . . . un vetores em U. Ento existe uma nica transformao T : V U tal que T (vi ) = ui .
l
a
Demonstrao. Um vetor qualquer v V pode ser descrito como combinao linear dos vetores em BV :
Pre
de
X
v= ai vi .
i
tas

Com os coeficientes ai usados para descrever v podemos determinar a transformao T .


no

ini

X
!
T (v) = T ai vi
o

i
gr

X
ar-

= ai T (vi )
rs

(pelo Teorema 3.12)


lle

i
X
e

= a i ui . (porque T (vi ) = ui )
Lin

. Pe

Temos portanto uma transformao T : V U com


Ve

X
bra

oC

T (v) = ai ui ,

onde os ai so as coordenadas de v na base BV .


im
e

Com isto j identificamos completamente a transformao T .


lg

Nos falta, agora, mostrar o que dissemos no enunciado: (i) que de fato T mapeia os vi nos ui ; (ii) que T
n

linear; e (iii) que T nica.


Primeiro verificamos (i), que T (vi ) de fato igual a ui :
Jer

T (vi ) = 0u1 + 0u2 + . . . + ai ui + . . . + 0un ,

e portanto T (vi ) = ui .
94 CAPTULO 3. TRANSFORMAES LINEARES

Assim, obtemos uma transformao T de V em U que mapeia corretamente os vetores vi nos vetores
ui .
Agora mostramos (ii), que T linear. Sejam v, w V tais que
X
v= ai vi
i

130
X
w= bi vi .

r
i

o
a
Ento
X X
" # !

e rs
n
T (v + w) = T (ai vi + bi vi ) = T (ai + bi )vi
i i
X X X

i
v
= (ai + bi )ui = a i ui + bi u i
i
m i i
X X
! !
= ai vi + bi vi = T (v) + T (w).

la
i i
i
e u
l
a
X X
"
# " #
Pre
de
T (kv) = T k (ai vi ) = T (kai vi )
i i
X X
tas

= kai ui = k ai ui = kT (v).
i i
no

Finalmente mostramos (iii) que T nica. Suponha que R : V U seja


ini

P linear, e que R tambm


mapeie os vetores vi nos vetores ui , ou seja, R(vi ) = ui . Seja v V, com v = ai vi .
o

X X
gr
ar-

R(v) = ai R(vi ) = ai ui = T (v),


rs

lle
e

e R deve ser igual a T . 


Lin

. Pe

Podemos determinar completamente uma transformao se soubermos o efeito da transformao na


base cannica.
Ve

Exemplo 3.33. Suponha que precisemos definir a transformao de R3 em R2 tal que


bra

oC

T (e1 ) = (4, 8)T


im
e

T (e2 ) = (1, 0)T


lg

T (e3 ) = (1, 7)T .


n

Observamos B = { e1 , e2 , e3 } base de R3 .
Para todo v R3 , com v = (x, y, z)T , temos uma representao de v na base B). Calculamos ento
Jer

[(x, y, z)]B.

T (v) = T (x, y, z) = T (xe1 + ye2 + ze3 ) (T linear)


3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 95

= xT (e1 ) + yT (e2 ) + zT (e3 )


= x(4, 8)T + y(1, 0)T + z(1, 7)T
= (4x + y z, 8x + 7z)T ,

e com isso determinamos T . J

130
Podemos conseguir o mesmo usando uma base diferente da cannica, como mostra o exemplo a seguir.
Lembramos que qualquer conjunto de n vetores L.I. base para um espao de dimenso n.

r
Exemplo 3.34. Queremos definir a transformao de R3 em R2 tal que

o
a
T (1, 2, 0) = (1, 5)T

e rs
n
T (0, 1, 0) = (0, 1)T
T (2, 0, 1) = (2, 4)T .

i
v
O conjunto B = (1, 2, 0), (0, 1, 0), (2, 0, 1) L.I., e portanto base de R3 .
m
Dado v R3 , com v = (x, y, z)T , determinamos sua representao na base B:

la
(x, y, z) = a1 (1, 2, 0) + a2 (0, 1, 0) + a3 (2, 0, 1)
i
u
Para determinar a1 , a2 e a3 , supomos x, y e z constantes e resolvemos
l
a

Pre


a1 + 2a3 = x
de

2a1 a2 =y


a3 = z
tas

obtendo
no

ini

a1 = x 2z
o

a2 = 2x y 4z
gr
ar-

a3 = z.
rs

lle

E portanto, temos
e
Lin

. Pe

T (x, y, z) = T [a1 (1, 2, 0) + a2 (0, 1, 0) + a3 (2, 0, 1)]


= a1 T (1, 2, 0) + a2 T (0, 1, 0) + a3 T (2, 0, 1) (pelo Teorema 3.12)
Ve

= a1 (1, 5) + a2 (0, 1) + a3 (2, 4)


bra

oC

= (x 2z)(1, 5) + (2x y 4z)(0, 1) + z(2, 4)


= (x 2z, 5x 10z) + (0, 2x + y + 4z) + (2z, 4z)
im
e

= (x, 3x + y 2z). J
lg

Exemplo 3.35. Queremos definir uma transformao de R2 [x] em M22 tal que
 
2 0 2
Jer

T (x + x) =
3 1
 
2
T (5x ) = 1 0
0 1
96 CAPTULO 3. TRANSFORMAES LINEARES
 
T (3) = 1 1 .
1 0

Observamos que x2 + x, 5x2 , 3 base para R2 [x] e portanto, tendo o efeito de T sobre uma base, po-
demos determinar T .
Usamos o seguinte isomorfismo entre estes dois espaos com R3 e R4 :

130
f(ax2 + bx + c) = (a, b, c)T

r
 
g = (, , , )T

a
Assim, definimos S : R2 R4 como

e rs
n
S(v) = g1 T f = g1 (T (f(v)))

i
v
e consequentemente,
m
T (w) = f1 (S1 (g(w)),

la
como fica claro no diagrama a seguir.
i
R2 [x]
f u R3
l
a
Pre
de

T S
tas
no

ini

M22 R4
o

g1
gr
ar-
rs

Agora, como
lle

f(x2 + x) = (1, 1, 0)T


e
Lin

f(5x2 ) = (5, 0, 0)T


. Pe

f(3) = (0, 0, 3)T ,


Ve
bra

oC

 
g 0 2 = (0, 2, 3, 1)T
3 1
im
e

 
g 1 0 = (1, 0, 0, 1)T
lg

0 1
n

 
g 1 1 = (1, 1, 1, 0)T ,
1 0
Jer

temos os valores de S para tres vetores,

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


3.1. O EFEITO EM UMA BASE DETERMINA COMPLETAMENTE UMA TRANSFORMAO 97

S(5, 0, 0)T = (1, 0, 0, 1)T


S(0, 0, 3)T = (1, 1, 1, 0)T .

Todo vetor em R3 pode ser representado como combinao linear da base (1, 1, 0)T , (5, 0, 0)T , (0, 0, 3)T ,
portanto
(p, q, r)T = a1 (1, 1, 0)T + a2 (5, 0, 0)T + a3 (0, 0, 3)T

130
Resolvemos ento

r

a1 + 5a2 =p

o
a1 =q

a


3a3 = r

e rs
n
e obtemos

i
v
a1 = q
a2 = (p q)/5
m
a3 = r/3.

la
Finalmente, podemos determinar a expresso geral de S(p, q, r).
i
u
l
" ! !
a !#
1 5 0
Pre

T
S(p, q, r) = S a1 1 + a2 0 + a3 0
de
0
! 0! 3!
1 5 0
tas

= a1 S 1 + a2 S 0 + a3 S 0 (pelo Teorema 3.12)


0 0 3
0 1 1
no

ini

= a1 2 + a2 0 + a3 1

o

3 0 1
1 1 0
gr
ar-


rs

0 1 1
p q 0 r 1
lle

= q 2 + +
e

3 5 0 3 1
1 1 0
Lin

. Pe


0 (q p)/5 r/3
2q 0
r/3
= + +
Ve


3q 0 r/3
bra

oC

q (q p)/5 0

r/3 + (q p)/5
im
e

=
r/3 + 2q
lg


r/3 + 3q
n

q + (q p)/5

r/3 + (q p)/5
Jer


= r/3 + 2q

r/3 + 3q
(6q p)/5
98 CAPTULO 3. TRANSFORMAES LINEARES

Expressando a transformao como T : R2 [x] M22 ,


!
T (px2 + qx + r) = r/3 + (q p)/5 2q + r/3 . J
3q + r/3 (6q p)/5

130
3.2 Kernel e imagem

r
o
a
O kernel de uma transformao linear anlogo ao conceito de razes de uma funo2 .

e rs
Definio 3.36 (Kernel de uma transformao). Seja T : V U uma transformao linear. Ento

n
ker(T ) = {v V : T (v) = 0} o kernel3 (ou ncleo) de T .

i
v
m
Definio 3.37 (Imagem de uma transformao). Seja T : V U uma transformao linear. Ento
Im(T ) = {T (v) : v V} a imagem de T . 

la
Exemplo 3.38. Considere a transformao linear T : R2 R2 definida a seguir.
i
u
l
a
T [(x, y)T ] = (x + y, y x)T
Pre
de
O kernel de T o conjunto dos vetores com T (v) = 0, ou seja,

tas

ker(T ) = (x, y)T : x + y = 0 e y x = 0 .

Para x + y = 0 e y x = 0 h uma nica soluo, com x = y = 0, e portanto ker(T ) = {(0, 0)T } = {0}. J
no

ini

Exemplo 3.39. A transformao T : R2 R2 dada por


o

gr
ar-

T (x, y)T = (x, 2x)T


rs

lle

A imagem de T { (x, 2x) : x R }.


e

T (v) resultar em (0, 0)T para todo vetor v = (0, y)T , e portanto o kernel de T
Lin

. Pe


ker(T ) = (0, y)T : y R J
Ve
bra

oC

Exemplo 3.40. A operao de rotao em R2 tem como imagem o prprio R2 , porque todo vetor pode ser
resultado da rotao de outro. Alm disso, o kernel desta operao { 0 }, porque somente a origem (0, 0)T ,
quando rotacionada, resulta novamente na origem. J
im
e
lg

Exemplo 3.41. Mencionamos que a derivada uma transformao linear no espao das funes derivveis.
n

O kernel desta transformao o conjunto de funes que tem a derivada igual a zero ou seja, o conjunto
de todas as funes constantes. J
Jer

2 As razes de uma funo f so os pontos x de seu domnio tais que f(x) = 0. Por exemplo, se f(x) = x2 4, as razes de f so +2

e 2.
3 Em lgebra Linear, o kernel o conjunto de elementos que levam em zero. De maneira mais abstrata, pode-se dizer que o

conjunto que leva ao elemento neutro. Para certas funes definidas em grupos, o kernel {x G : f(x) = 1}.
3.2. KERNEL E IMAGEM 99

Exemplo 3.42. Considere a transformao T : R2 [x] C0 , definida a seguir.

T (a2 x2 + a1 x + a0 ) = a2 sen2 (x) + a1 cos2 (x) + a0

A imagem de T a de todas as combinaes lineares das funes sen2 (x), cos2 (x) e f(x) = 1.
O kernel de T composto pelos vetores que levam funo zero, ou seja, nas funes g(x) tais que

130
g(x) = a2 sen2 (x) + a1 cos2 (x) + a0 = 0

r
Como isto deve valer para todo x, devemos presumir que sen2 (x) > 0 e cos2 (x) > 0, e como seno e cosseno

o
a
e f(x) = 1 so LI, g(x) s zero quando

e rs
n
a1 = a2 = a0 ,

e portanto o kernel de T composto dos polinmios da forma

i
v
p(x) = ax2 + ax a.
m J

Exemplo 3.43. Seja f definida em Mnn da seguinte maneira: a matriz A transformada em outra matriz

la
B, onde cada elemento bii da diagonal de B igual soma da linha i menos a soma da coluna i, e os
i
u
elementos de B fora da diagonal so zero. O exerccio 69 pede a demonstrao de que f linear.
l
a
! !
1 0 0
Pre

1 2 1
de
f 0 1 1 = 0 4 0
4 3 1 0 0 5
tas

A imagem de f o conjunto das matrizes diagonais n n.


O kernel de f o conjunto das matrizes onde o somatrio de cada i-sima linha igual ao da i-sima
coluna. J
no

ini

Teorema 3.44. Seja T : V U uma transformao linear. Ento ker(T ) subespao de V e Im(T ) subespao
o

de U.
gr
ar-
rs

Demonstrao. Temos ker(T ) V e Im(T ) U, portanto precisamos demonstrar apenas que 0 est em
lle

ambos os conjuntos, e que so fechados sob multiplicao por escalar e adio.


e

(ker, i) O zero est no ncleo de T . Claramente verdade, porque T (0) = 0.


Lin

. Pe

(ker, ii) A multiplicao por escalar fechada em ker T . Mostraremos que um vetor do ncleo de T , quando
multiplicado por escalar, continua em ker T .
Ve

Suponha que v ker T , ou seja,


bra

oC

T (v) = 0.
Se multiplicarmos os dois lados por c, temos
im
e

cT (v) = c0
lg

cT (v) = 0 (em todo espao vetorial, cv = 0)


n

T (cv) = 0 (T linear)
Jer

Mas a ltima linha significa que cv est no ncleo de T .


(ker, iii) A soma de vetores fechada em ker T . Mostraremos que, dados dois vetores no ncleo de T , sua
soma tambm parte de ker T .
100 CAPTULO 3. TRANSFORMAES LINEARES

Suponha que v, w ker T , ou seja,

T (v) = 0,
T (w) = 0.

Ento

130
T (v + w) = T (v) + T (w) (porque T linear)

r
=0+0

o
a
= 0,

e rs
n
o que significa que v + w est no ncleo de T .
Agora tratamos da imagem.
(Im, i) O zero est na imagem de T . Claramente verdade, porque T (0) = 0.
i
v
(Im, ii) A multiplicao por escalar fechada em Im T . Mostraremos que um vetor da imagem de T , quando
multiplicado por escalar, continua na imagem de T .
m
Seja c um escalar, e suponha que w Im T , ou seja,

la
T (v) = w, para algum v V
i
u
l
a
Como v V, e V espao vetorial, ento cv V. Mas isto imediatamente nos permite escrever
Pre
de
T (cv) = cT v
= cw.
tas

Assim, se w Im T , ento cw Im T .
(Im, iii) A soma de vetores fechada em Im T . Mostraremos que, dados dois vetores na imagem de T , sua
no

ini

soma tambm parte de Im T .


o

Suponha que w, z Im T , ou seja,


gr
ar-
rs

T (v) = w, para algum v V


lle

T (u) = z, para algum u V


e
Lin

. Pe

Ento

T (v + u) = T (v) + T (u)
Ve
bra

oC

=w+z

o que significa que w + z imagem de u + v ou seja, a soma w + z est na imagem de T . 


im
e

Exemplo 3.45. A transformao T : R3 R3 com T (x, y, z)T = (x, x + y + z, 2x)T tem como imagem,
lg

evidentemente, os vetores da forma (x, x + y + z, 2x)T (estes formam um plano). O kernel desta transfor-
n

mao composto pelos vetores com x = 0 e y + z = 0 ( uma reta). Os dois (uma reta e um plano, ambos
passando pela origem) so espaos vetoriais. Mais rigorosamente, temos:
Jer

Ambos so subconjuntos de R3 .

(0, 0, 0)T ker T , e (0, 0, 0)T Im T .


3.3. NULIDADE E POSTO 101

Im T fechada sob soma:


(x, x + y + z, 2x)T + (x 0 , x 0 + y 0 + z 0 , 2x 0 )T = (x + x 0 , x + x 0 + y + y 0 + z + z 0 , 2(x + x 0 )T .

Im T fechada sob multiplicao por escalar:


c(x, x + y + z, 2x)T = (cx, cx + cy + cz, 2cx)T .

130
ker T fechado sob soma: se T (v) = (0, 0, 0)T , T (u) = (0, 0, 0)T ,

r
T (u + v) = T (u) + T (v) = (0, 0, 0)T ,

o
a
e portanto u + v ker T .

e rs
n
ker T fechado sob multiplicao por escalar: se T (v) = (0, 0, 0)T ,
cT (v) = c(0, 0, 0)T = (0, 0, 0)T ker T J
i
v
m
la
3.3 Nulidade e posto
i
u
Definio 3.46 (Nulidade e posto). Seja T uma transformao linear entre espaos de dimenso finita. A
l
a
nulidade de uma transformao T a dimenso de ker(T ). O posto de T a dimenso de Im(T ). 
Pre
de
Exemplo 3.47. Seja T : R3 R3 , definida a seguir.
T (x, y, z)T = (x, y, x + y)T .
tas

A imagem desta transformao um plano, contendo vetores da forma (x, y, x + y)T . Uma base para este
plano  !
no

ini

!
1 0
o

BI = 0 , 1 .
1 1
gr
ar-

Como a base da imagem tem dois vetores, o posto de T dois.


rs

lle

O ncleo de T composto pelos vetores v tais que T (v) = 0, ou seja,


e

! !
x
Lin

0
. Pe

T y = 0
z 0
Ve

Ou seja,
bra

oC

x=0
y=0
im
e

x+y=0
lg

Estes so os vetores da forma (0, 0, z)T uma reta. Uma base para o ncleo , portanto,
 !
0
Jer

BN = 0 .
1
Como a base do ncleo tem um nico vetor, a dimenso do ncleo um. J
102 CAPTULO 3. TRANSFORMAES LINEARES

Exemplo 3.48. O exemplo 3.9 mostra a transformao que realiza rotao de vetores em R2 . O kernel da
transformao contm somente o vetor zero, porque qualquer outro vetor em R2 , quando rotacionado,
resulta em vetor diferente de zero. J Im(T ) igual a todo R2 , porque todo vetor pode ser obtido como
rotao de outro.
Como o kernel de T { 0 }, sua nulidade T zero. O posto de T dois (a dimenso de R2 ). J

130
Exemplo 3.49. O exemplo 3.5 mostra que a derivada em Rn [x] transformao linear. A imagem desta
transformao Rn1 [x], e o kernel o conjunto das funes constantes (que so as que tem derivada

r
zero).

o
A nulidade da transformao um (porque a imagem pode ser gerada a partir de um nico vetor, a

a
funo constante f(x) = 1). O posto n (a dimenso da imagem, Rn1 [x]). J

e rs
n
Exemplo 3.50. Considere o operador derivada segunda, d2 /dx2 , no espao R4 [x]. Para um polinmio
qualquer deste espao, temos

i
v
d2
a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 12a4 x2 + 6x3 + 2a2 .

2
m
dx

la
A imagem de d2 /dx2 composta, portanto, de polinmios de grau no mximo dois. Uma base para a
imagem
i
BI = {1, x, x2 }, u
l
a
e portanto o posto de d2 /dx2 tres.
Pre
de
J o ncleo deste operador composto pelos polinmios que so transformados no polinmio zero.
Estes so, claro, os de grau no mximo um, ou seja, os da forma
tas

a1 x + a0 .
no

Uma base para o ncleo portanto


ini

BN = {1, x},
o

2 2
e a nulidade de d /dx dois. J
gr
ar-
rs

Teorema 3.51 (do ncleo e da imagem). Sejam V e U espaos vetoriais de dimenso finita e T : V U uma
lle

transformao linear. Ento a soma da nulidade com o posto de T igual dimenso de V ou seja, dim Im(T ) +
e

dim ker(T ) = dim V.


Lin

. Pe

Demonstrao. Seja { u1 , u2 , . . . , uk } uma base para ker(T ) com k vetores. Podemos completar esta base
para formar uma base
Ve

{ u1 , u2 , . . . , uk , w1 , w2 , . . . , wm }
bra

oC

para V. Temos ento


im
e

dim ker(T ) = k
lg

dim V = k + m.
n

Para mostrar que dim Im(T ) = m, mostraremos que o conjunto { T w1 , T w2 , . . . , T wm } uma base para
Im(T ).
Jer

Todo vetor v V combinao linear de vetores da base de V, portanto

v = a1 u1 + . . . + ak uk + b1 w1 + . . . + bm wm
3.3. NULIDADE E POSTO 103

T v = a1 T (u1 ) + . . . + ak T (uk ) + b1 T (w1 ) + . . . + bm T (wm )


= b1 T (w1 ) + . . . + bm T (wm ). (porque T (ui = 0))

As duas ltimas linhas acima mostram que todo vetor T (v) combinao linear dos vetores T (wi ), e por-
tanto mostramos que os vetores T (wi ) geram a imagem de T . Para que formem uma base, resta mostrar
que so um conjunto L.I4 .

130
Considere agora uma combinao linear qualquer de vetores T wi , e suponha que ela seja igual a zero:

r
c1 T (w1 ) + . . . + cm T (wm ) = 0.

o
a
Mostraremos a seguir que isso implica em todos os ci serem iguais a zero e portanto o conjunto dos T wi
L.I.

e rs
n
Como T linear, podemos reescrever a equao na forma a seguir.

T (c1 w1 + . . . + cm wm ) = 0
i
v
Ou seja, w = c1 w1 + . . . + cm wm ker(T ).
m
O kernel de T gerado pelos ui , portanto w, estando no kernel, combinao linear dos ui :

la
w = c1 w1 + . . . + cm wm
i
u
w = z1 u1 + z2 u2 + . . . + zk uk .
l
a
Pre

ou seja,
de
(c1 w1 + . . . + cm wm ) = (z1 u1 + z2 u2 + . . . + zk uk )
O que o mesmo que
tas

(c1 w1 + . . . + cm wm ) + (z1 u1 z2 u2 . . . zk uk ) = 0.
no

No entanto, os wi e ui formam base para V, e so todos L.I. e todos os ci e zi acima devem necessariamente
ini

ser iguais a zero. Desta forma, como os ci devem ser zero, os vetores T (wi ) so L.I.
o

Como mostramos que a imagem de T tem uma base com m vetores, temos dim Im(T ) = m. 
gr
ar-
rs

Exemplo 3.52. O exemplo 3.39 mostra a transformao T (x, y)T = (x, 2x)T em R2 , com ker(T ) = {(0, y)T :
lle

y R} e Im(T ) = {(x, 2x) : x R}.


e

A dimenso de ker(T ) claramente um uma base para ker(T ) poderia ser, por exemplo, o conjunto
Lin

. Pe

{(0, 1)T }.
Para Im(T ), a base pode ser (1, 2)T , j que os vetores de Im(T ) so todos mltiplos deste. Assim,
dim Im(T ) = 1. Temos ento
Ve
bra

dim ker(T ) + dim Im(T ) = dim R2 .


oC

J
Exemplo 3.53. Considere a transformao T : (x, y, z)T = (x + y, z) de R3 em R2 .
A imagem de T R2 . O kernel de T
im
e


lg

ker(T ) = (a, a, 0)T : a R ,


n

porque para que x + y resulte em zero, y deve ser igual a x.


o kernel de T poderia ser gerado, portanto, pela base {(1, 1, 0)T }, e temos a nulidade de T igual a
Jer

dim ker(T ) = 1, e o posto de T igual a dim Im(T ) = 2, e a soma de ambos dim R3 = 3. J


4 Mostrar a independncia linear destes vetores essencial nesta demonstrao, porque estamos mostrando qual a dimenso da

imagem. Se houvesse vetores sobrando, estaramos superestimando a dimenso.


104 CAPTULO 3. TRANSFORMAES LINEARES

Exemplo 3.54. J verificamos no exemplo 3.49 que a derivada em Rn [x] tem imagem igual a Rn1 [x], e
seu kernel o conjunto das funes constantes.

dim Rn [x] = dim Rn1 [x] + dimK,

onde K o conjunto das funes constantes de R em R. Temos que a dimenso de K deve ser necessaria-

130
mente um. De fato, podemos escrever qualquer funo constante como mltipla de f(x) = 1, e portanto
f(x), um nico vetor, base para K. J

r
Exemplo 3.55. Em Mnn , a funo que d o trao (somatrio da diagonal) de uma matriz Tr : Mnn

o
a
R. Sabemos que
dim Mnn = n2 .

e rs
n
E sabemos que Im Tr = R, portanto
dim Im Tr = 1.

i
v
Assim, mesmo sem termos determinado o kernel de Tr, sabemos que sua dimenso necessariamente
m
dim ker Tr = n2 1.

la
E realmente, para que Tr(A) = 0, precisamos que
i
u
a11 + a22 + + ann = 0,
l
a
Pre

independente dos valores no resto da matriz. Podemos gerar todas estas matrizes (com trao zero) como
de
combinao linear de n2 1 vetores: para cada posio i, j na matriz, exceto na posio n, n, inclumos a
matriz com aij = 1, e definimos ann de forma que o trao seja zero:
tas

! ! ! !
1 0 0 0 1 0 0 0 1 0 0 0
0 0 0 , 0 0 0 , 0 0 0 , 1 0 0 ,
no

ini

0 0 1 0 0 0 0 0 0 0 0 0
! ! ! !
o

0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 , 0 0 1 , 0 0 0 , 0 0 0 .
gr
ar-

0 0 1 0 0 0 1 0 0 0 1 0
rs

lle

Estes oito (32 1) vetores geram matrizes com trao zero. No usamos nove vetores porque o ltimo
e

elemento da matriz depende de outros elementos ( zero quando a diagonal zero, e 1 quando h 1 na
Lin

. Pe

diagonal).
Observe que escolhemos a posio n, n arbitrariamente. Poderamos ter usado a posio 1, 1 ou 2, 2
para compensar o 1 em outro lugar da diagonal. Teramos matrizes como
Ve
bra

oC

! !
1 0 0 0 1 0
0 1 0 , 0 0 0 , etc. J
0 0 0 0 0 0
im
e
lg

Os teoremas a seguir tratam de transformaes bijetoras, injetoras e sobrejetoras.


n

Teorema 3.56. Uma transformao T injetora se e somente se ker(T ) = { 0 }.


Demonstrao. () Se T injetora, ento h um nico x tal que T (x) = 0. Como 0 ker(T ), ento x deve
Jer

ser 0, e ker(T ) = { 0 }.
() Suponha que ker(T ) = { 0 }, e que h dois vetores x, y com T (x) = T (y). Ento T (x y) = 0, e
x y ker(T ). Mas somente 0 ker(T ), e portanto x y = 0, e x = y ou seja, T injetora. 
3.4. APLICAES 105

T
Exemplo 3.57. Seja T : R3 R3 uma transformao linear tal que T [(x1 , x2 , x3 )] = (2x3 , 0, 3x1 )T . De
imediato observamos que no pode ser injetora, porque seu kernel no contm apenas o vetor zero todos
os vetores da forma (0, k, 0)T tambm so levados por T ao zero, e portanto tambm esto no kernel de T .
Podemos tambm expor o fato de outra forma: como h mais de um vetor tal que T (v) = 0, h mais de
um vetor levando a um nico elemento do contradomnio, portanto a transformao no injetora. J

130
Exemplo 3.58. Seja um ngulo. A transformao que rotaciona vetores em R2 por injetora, porque o
nico vetor que pode resultar no vetor zero depois de rotacionado o prprio vetor zero (ou seja,o kernel

r
da transformao contm somente o zero). J

o
Exemplo 3.59. A dimenso da transformao definida pelo trao de matrizes quadradas um, portanto o

a
trao no uma transformao injetora. De fato, fcil construir duas matrizes com o mesmo trao. J

e rs
Teorema 3.60. Seja T : V U uma transformao linear.

n
i) Se dim V < dim U, T no sobrejetora.

i
v
ii) Se dim V > dim U, T no injetora.
m
iii) Se dim V = dim U e o posto de T dim V, ento T bijetora.

la
i
3.4 Aplicaes u
l
a
Pre
de
3.4.1 Transformaes em imagens
J verificamos que possvel representar a rotao de um ponto por um ngulo como transformao
tas

linear. Se tivermos uma imagem a ser mostrada na tela de um computador (ou de cinema), podemos realizar
a transformao em cada um dos pontos o efeito ser o de transformar a imagem inteira. A figura a seguir
mostra a rotao de todos os pontos de uma imagem por um ngulo de /3. Esta transformao dada
no

ini

por

o

    
1 x+y 3
x = x cos (/3) y sen (/3) =
gr

T
ar-

y x sen (/3) + y cos (/3) 2 x 3 + y


rs

lle
e
Lin

. Pe


Ve
bra

oC
im
e

H diversas outras transformaes em R2 que tambm so importantes em Computao Grfica. Listamos


lg

algumas delas nesta seo.


n

A reflexo por qualquer reta que passe pela origem uma transformao linear. As reflexes pelas retas
y = x, y = x e x = 0 so realizadas, respectivamente, pelas transformaes
Jer

           
T1 x = y , T2 x = y , T3 x = x .
y x y x y y
A figura a seguir ilustra a segunda delas (T2 , reflexo pela reta y = x).
106 CAPTULO 3. TRANSFORMAES LINEARES

R
P

R

130
Q
P Q

r
O cisalhamento tambm transformao linear, que consiste em somar um mltiplo de uma das coordenadas

o
a
do vetor a outra. Por exemplo,

e rs
n
   
T x = x + 2y
y y

i
v
uma operao de cisalhamento. Geometricamente, o cisalhamento realiza uma deformao como a mos-
m
trada na figura a seguir.

la
i
u
l
a
Pre
de


tas
no

ini

A mudana de escala uma transformao linear. Se quisermos multiplicar a escala no eixo x por a e no eixo
o

y por b, usamos a transformao


gr
ar-

   
x = ax ,
rs

T
y by
lle
e

que linear. Por exemplo, os pontos da figura abaixo foram modificados usando a transformao T [(x, y)T ] =
Lin

. Pe

(3x, y/2)T .
Ve
bra

oC
im
e
lg


n
Jer

O deslocamento por uma distncia fixa chamado de translao. A figura mostra uma translao da imagem
do tringulo, para a direita e para cima.
3.4. APLICAES 107

130
r
A translao, no entanto, no uma transformao linear: para deslocar um ponto em um dos eixos

o
a
por uma distncia k, precisaramos realizar a transformao

e rs
n
   
T x = x+k ,
y y

i
v
que no linear (claramente, j que T [(0, 0)T ] = (k, 0)T , levando o vetor zero a algo diferente de zero.
m
Apesar da translao no ser transformao linear de R2 em R2 , podemos usar uma coordenada a mais
para obter uma transformao linear de R3 em R3 .

la
" !# !
i
x x + kz
T y = u y ,
l
a
z z
Pre
de
E representamos todos os pontos como (x, y, 1)T . Assim ao invs de somar uma constante k a x, somamos
um mltiplo de z (que decidimos que ser sempre 1). Esta a abordagem da Geometria Afim, descrita no
tas

Captulo 13.
H excelentes livros abordando a Computao Grfica, como o de Jonas Gomes e Luiz Velho [GV08] e o
de Peter Shirley, Michael Ashikhmin e Steve Marschner [SAM09].
no

ini
o

Exerccios
gr
ar-
rs

Ex. 58 Em alguns exemplos, afirmamos que certas funes so transformaes lineares, mas no o de-
lle
e

monstramos. Verifique essas afirmaes (troca de coeficientes no exemplo 3.18; multiplicao de linha no
Lin

exemplo 3.17).
. Pe

Ex. 59 Diga se as funes a seguir so transformaes lineares.


Ve

i) T : R3 R2 , tal que T (x, y, z) = (x + y, z).


bra

oC

ii) T : R2 C, com T (x, y) = (x y) + (x + y)i.


iii) No espao das funes derivveis de R2 em R,
im
e

Z
lg


T [f(x, y)] = f(x, y) + f(x, y) dy.
n

iv) No espao das funes de R2 em R,


Jer

  Z 

T [f(x, y)] = f(x, y) f(x, y) dy .
x
108 CAPTULO 3. TRANSFORMAES LINEARES

v) T : Mnn R, com T (A) igual ao produtrio dos elementos da diagonal de A.

Ex. 60 Neste Captulo, para mostrar que uma transformao T : V W linear sempre mostramos
primeiro que para todo c escalar e todos v V, w W, T (v+w) = T (v)+T (w), depois que T (cv) = cT (v).
Mostre que isso o mesmo que mostrar somente que T (cv + dw) = cT (v) + dT (w).

130
Ex. 61 Na demonstrao do teorema 3.12 (na pgina 86) usamos o seguinte argumento: cT (0) = T (0),
o que implica em c = 1 ou T (0) = 0. Demonstre esta afirmao.

r
o
a
Ex. 62 Construa o operador em R3 que rotacionan um ponto por um ngulo ao redor da origem,
mantendo a segunda coordenada fixa (o ponto (x, y, z)T mudado para (x 0 , y, z 0 )T ). Mostre que este

e rs
n
operador linear.

Ex. 63 Demonstre o teorema 3.20.

i
v
Ex. 64 Demonstre a proposio 3.31.
m
Ex. 65 Demonstre o teorema 3.60.

la
Ex. 66 Demonstre o teorema 3.13.
i
u
l
a
Ex. 67 O exemplo 3.55 mostra uma base para o espao das matrizes 3 3 com trao zero. Mostre outra
Pre
de
base para este espao, onde as matrizes no tenham zeros.

Ex. 68 Seja f uma funo de mudana de base (que tem como argumento as coordenadas de um vetor
em uma base B em um espao de dimenso n, e retorna as coordenadas deste vetor em outra base B 0 ).
tas

Determine o posto e a nulidade de f.


no

ini

Ex. 69 Mostre que a transformao f dada no exemplo 3.43 linear.


o

Ex. 70 Calcule o posto e a nulidade da transformao f, dada no exemplo 3.43.


gr
ar-
rs

Ex. 71 (Difcil) Verificamos que a rotao em R2 um operador linear. Em A2 (onde os pontos tem como
lle
e

coordenadas nmeros algbricos), podemos usar o mesmo operador para rotao?


Lin

. Pe

 
Ex. 72 Seja A = a1 , a2 , . . . , an uma matriz com colunas ai . A operao que transforma A em
 
Ve

0, a1 , a2 , . . . , an1 ou seja, desloca as colunas de A para a direita uma transformao linear?


bra

oC

Ex. 73 Levar uma matriz qualquer para a forma escalonada reduzida uma transformao linear? Caso
im

seja, determine sua nulidade e posto.


e
lg

Ex. 74 A mudana de coordenadas cartesianas para polares (ou a inversa, de polares para catrtesianas)
n

linear?

Ex. 75 Sejam f e g transformaes lineares tais que fg seja bem definida. Quais so o posto e a nulidade
Jer

de f g, em termos do posto e da nulidade de f e g?

Ex. 76 Na seo 3.4.1 dissemos que o deslocamento em um eixo por uma distncia fixa no transfor-
3.4. APLICAES 109

mao linear. Mostre que isso vale para deslocamentos em qualquer direo, e no apenas um dos eixos.

Ex. 77 No exerccio 3.10 mostramos que a esperana para variveis aleatrias discretas transformao
linear. Mostre que para variveis aleatrias contnuas a esperana tambm linear.

Ex. 78 A mediana uma transformao linear?

130
F Ex. 79 D um exemplo de transformao linear no espao de ciclos de um grafo (descrito no exem-

r
plo 1.41). Descreva algebricamente e ilustre com um exemplo particular, desenhando os grafos.

o
a
Ex. 80 No espao C1 , a derivada uma transformao linear injetora?

e rs
n
F Ex. 81 Considere o conjunto de pares de funes reais derivveis, C1 C1 = (f, g) | f, g C1 .
i) Verifique que se usarmos as operaes (f, g) + (F, G) = (f + F, g + G) e c(f, g) = (cf, cg) o resultado

i
v
um espao vetorial.
ii) Determine a dimenso desse espao.
m
la
iii) Determine a imagem e o kernel da transformao
i
u d2
 
d
T (f, g) = (f + g), 2 g
l
dx
a dx
Pre
de
definida nesse espao.

Ex. 82 Um operador linear f em um espao V nilpotente se existe algum inteiro k tal que fk (v) = 0,
tas

para todo v V. Mostre como construir um operador nilpotente f em um espao de dimenso n tal que
fn1 (v) 6= 0 para algum v V, mas fn (v) = 0 para todo v V. Calcule o posto de fk para todo 1 k n.
no

ini

Ex. 83 Considere transformaes lineares de Rn em Rn . Diga se tais transformaes preservam:


o

gr
ar-

i) retas (se aplicarmos a mesma transformao em todos os pontos de uma reta, o resultado ser outra
rs

reta?)
lle

ii) planos (idem, para planos)


e
Lin

iii) ngulos (se aplicarmos a mesma transformao em todos os pontos de duas retas, o ngulo entre elas
. Pe

pode mudar?)
iv) proporo entre distncias em uma mesma reta (se aplicarmos ua mesma transformao linear em
Ve
bra

oC

uma reta contendo pontos P, Q, R, a razo das distncias PQ/QR muda?)

Ex. 84 Sabemos que em Mnn o posto do trao 1, e que sua nulidade n2 1. Determine o posto e
im
e

a nulidade de f : Mnn , com


lg

f(M) = (Tr M, Tr 0 M),


n

onde Tr 0 M o trao secundrio de M (a soma dos elementos da diagonal secundria).


Jer
110

Ve
rs
lg o
ebra
Lin
Pre
Jer
n ear- l i m
im no i
oC tas n
. Pe de a
lle
gr a u la
r
ini v
e rs
o
130
CAPTULO 3. TRANSFORMAES LINEARES
130
Captulo 4

r
o
a
Matrizes e Transformaes Lineares

e rs
in
v
m
Neste Captulo verificamos que transformaes lineares podem ser representadas como matrizes, e anali-

la
samos diversas consequncias disso.
i
u
l
4.1 Representao de transformaes como matrizes
a
Pre
de
Da mesma forma que a multiplicao de vetores de n elementos por qualquer matriz de n linhas, resultando
em outro vetor de n elementos, uma transformao linear, mostraremos que toda transformao linear
tas

de um espao V em um espao W, ambos de dimenso finita, pode ser descrita como matriz, de forma que
a aplicao da transformao seja tambm descrita como multiplicao de matrizes.
Estabeleceremos portanto que matrizes m n so equivalentes a transformaes lineares de Rn em
no

ini

Rm .
o

gr
ar-

4.1.1 De matrizes para transformaes


rs

lle

Comeamos mostrando que toda matriz representa alguma transformao linear.


e
Lin

. Pe

Teorema 4.1. A multiplicao por matriz m n uma transformao linear de Rn em Rm .

Demonstrao. Se x Rn , e A tem m linhas, ento Ax ser um vetor com m linhas,


Ve
bra

oC



n

im

n = m ,

m
lg



n
Jer

portanto uma transformao de Rn em Rm . Nos falta mostrar que linear, mas isto evidente por
propriedades de multiplicao de matrizes: (i) (Acx) = cA(x) e (ii) A(x + y) = Ax + Ay. 

111
112 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.2. Temos a seguir uma matriz 3 2.


!
2 0
A= 3 2
1 5

130
Esta matriz representa uma transformao de um espao de dimenso dois em um espao de dimenso
trs:
! 

r
2 0 2x1
Ax = 3 2 x1 =
3x1 + 2x2 .

o
x2

a
1 5 x1 + 5x2
Note que os vetores (x1 , x2 )T e (2x1 , 3x1 + 2x2 , x1 + 5x2 )T so vetores de coordenadas, e que portanto

e rs
n
poderiam representar vetores de Rn , Rn1 [x], ou quaisquer outros espaos com as dimenses dadas. J

i
v
Exemplo 4.3. A matriz  
1 0 0
m
A=
1 0 1

la
representa uma transformao linear de Z32 em Z22 , porque a multiplicao de A por um vetor em Z32 ,
i
usando as operaes de Z2 , nos d
u
l
a
! 
x
  
Pre

xy .
de
Ax = 1 1 0 y =
0 1 1 yz
z
tas

E a funo
T (x, y, z)T = (x y, y z)T
no

ini

linear. J
o

gr
ar-

4.1.2 De transformaes para matrizes


rs

lle

J mostramos que toda matriz representa uma transformao linear. Agora mostramos a recproca: toda
e

transformao linear pode ser representada por uma matriz.


Lin

. Pe

As funes lineares f : R2 R so todas da forma

f(x, y) = ax + by.
Ve
bra

oC

De maneira mais geral, as funes lineares g : Rn R (ou seja, as funes com argumento vetor em Rn
e valor em R) so da forma
im
e
lg

g(x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + + an xn .
n

Se K um corpo, uma transformao linear de Kn em K unicamente identificada por n coeficientes


a1 , a2 , . . . , an , de forma que
Jer

X
n
T (x) = a1 x1 + a2 x2 + + an xn = ai xi
i=1
4.1. REPRESENTAO DE TRANSFORMAES COMO MATRIZES 113

Exemplo 4.4. A mdia f(x1 , x2 ) = (x1 + x2 )/2 linear em R2 , e representada por

a1 = 1/2
a2 = 1/2,

porque

130
x1 + x2
a1 x1 + a2 x2 = = f(x1 , x2 ). J
2

r
Considere uma transformao T agindo em um vetor x, que denotamos T (x). Se representarmos T por

o
a
um vetor linha e x por vetor coluna, o produto T x exatamente o valor de T (x):

e rs
n

x1
 x2
T x = a1 a2 an .. = a1 x1 + a2 x2 + + an xn = T (x).

i
v
.
xn
m
la
Exemplo 4.5. A funo F : R3 R, tal que f(x, y, z) = 2x z, representada por
i
(2 0 1) , u
l
a
Pre
de
porque
!
x
(2 0 1) y = 2x z. J
tas

z
F Exemplo 4.6. A transformao T : Z42 Z2 , dada por T (abcd) = a b c representada por
no

ini
o

(1 1 0 1) ,
gr
ar-

porque
rs


lle

a
(1 1 0 1) b = a b d.
e


c
Lin

. Pe

d
Observamos que como o corpo usado Z2 , as operaes usadas na multiplicao de matrizes so as desse
Ve

corpo. J
bra

oC

Lema 4.7. Sejam U e V espaos vetoriais de dimenso finita, e seja {e1 , e2 , . . . , en } base cannica para u. Seja
tambm T : U V linear. Se T (u) = v, ento a i-sima coordenada de v combinao linear das coordenadas de
im
e

u. Em outras palavras, se
lg

Xn
u= uj e j
n

j=1
Jer

ento existem coeficientes qij tais que


X
n
vi = qij uj
j=1
114 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Demonstrao. O vetor u combinao linear da base:

X
n
u= uj e j ,
j=1

130
e como T linear, temos

r
v = T (u)
X n

o
a

=T uj e j
j=1

e rs
n
X
n
= uj T (ej ) (4.1)

i
v
j=1
m
Seja tij a i-sima coordenada de T (ej ):
h i

la
tij = T (ej ) . (4.2)
i
i
De 4.1 e 4.2, conclumos que u
l
a
X
m
Pre

vi = uj qij 
de
j=1
tas

Exemplo 4.8. Seja T : R3 R2 , com


" !#
x
 
no

ini

T = xy .
y
2x + z
o

z
gr
ar-

As coordenadas do vetor resultante (x y e 2x + z) so evidentemente funes lineares de x, y e z. J


rs

lle

Teorema 4.9. Sejam U e V espaos vetoriais de dimenso finita com bases cannicas A e B. Ento toda transfor-
e

mao linear T : U V pode ser representada na forma de uma matriz M, de forma que T (u) = v se e somente se
Lin

. Pe

M[u]A = [v]B .
Ve

Demonstrao. Usando o Lema 4.7 para cada coordenada de v, chegamos frmula de multiplicao de
bra

oC

matriz por vetor. A i-sima posio da multiplicao Mu exatamente

X
m
im
e

(Mu)i = uj mij . 
lg

j=1
n

As figuras a seguir ilustram o conceito: cada coordenada de y combinao linear dos coeficientes de
x:
Jer

Ax = y
4.1. REPRESENTAO DE TRANSFORMAES COMO MATRIZES 115


a11 a12 a1n y1
a21 a22
. a2n x1
y2
x2 ..

.
. = .
a ain .. y
i1 ai2 . i
..

x ..
. n .

130
am1 am2 amn ym

Assim, cada coordenada pode ser representada como a multiplicao de um vetor linha pelo vetor co-

r
luna x. Posicionado os vetores uns sobre os outros:

o
a

a11 a12 a1n  x = y1

e rs
a21 a22 a2n x = y2

n
..
. 
am1 am2 amn x = ym
i
v
m
chegamos a uma matriz:

a11 a12 a1n y1

la
a21 a22 a2n
x = y2 .

i
..

.

.u
..
l
a
am1 am2 amn ym
Pre
de
Exemplo 4.10. A transformao T : R3 R2 , dada por

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


 
tas

tambm descrita pela matriz  


no

ini

1 1 0 .
0 1 1
o

gr

Aplicamos a transformao em um vetor v multiplicando a matriz por v:


ar-
rs

lle

  !  
1 1 0 a a + b
b = J
e

0 1 1 bc
c
Lin

. Pe

Exemplo 4.11. No exemplo 3.9 mostramos que a transformao linear que realiza a rotao de vetores em
R2
Ve

   
bra

oC

R x = x cos y sen .
y x sen + y cos
im

Esta transformao pode ser representada como uma matriz:


e
lg

 
R= cos sen .
n

sen cos
Jer

A multiplicao por R resulta na rotao do vetor pelo ngulo :


    
Rv = cos sen x = x cos y sen . J
sen cos y x sen + y cos
116 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.12. Seja T : R4 R3 , com

T (a, b, c, d)T = (a + b + c, 3d, 2a)T .


 

A matriz que representa T !


1 1 1 0
MT = 0 0 0 3 .

130
2 0 0 0

r
fcil verificar que MT (a, b, c, d)T = (a + b + c, 3d, 2a). J

o
Exemplo 4.13. Como qualquer espao vetorial de dimenso finita com dimenso n isomorfo a Rn , dada

a
uma transfomrao t : V W, podemos usar este isomorfismo para associar:

e rs
n
A transformao t : V W com outra, r : Rn Rm
Uma matriz T com a transformao t
i
v
Por exemplo, considere o operador d2 /dx2 no espao R4 [x]. Usamos o isomorfismo entre R4 [x] e R5 ,
m
f(a4 x4 + a3 x3 + a2 x2 + a1 x + a0 ) = (a4 , a3 , a2 , a1 , a0 )T .

la
i
A derivada segunda
u
l
a
d2
(a4 x4 + a3 x3 + a2 x2 + a1 x + a0 ) = 12a4 x2 + 6a3 x + 2a2
Pre
de
dx2
Como transformao de R5 em R3 , esta transformao
tas

T (a4 , a3 , a2 , a1 , a0 )T = (12a4 , 6a3 , 2a2 )T

A matriz que realiza a transformao de R5 em R3


no

ini

!
o

12 0 0 0 0
T= 0 6 0 0 0 . J
gr
ar-

0 0 2 0 0
rs

lle

F Exemplo 4.14. Em Z22 , considere a transformao


e
Lin

T (a, b) = (b, a b).


. Pe

Esta transformao pode ser representada como matriz, de forma que


Ve
bra

    
oC

T (a, b) = 0 1 a = b .
1 1 b ab
im

Note que realizamos multiplicao de matrizes usando as operaes de Z2 ( e ) onde normalmente


e

usaramos e +. J
lg

4.2 Propriedades da multiplicao de matrizes


Jer

Nesta seo exploramos propriedades de multiplicao de matrizes que sero usadas no decorrer do cap-
tulo.
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 117

4.2.1 Matrizes por blocos


Primeiro abordamos a multiplicao de matrizes por blocos.

Definio 4.15 (Partio de matriz por blocos). A partio de uma matriz por blocos uma partio das linhas
e colunas da matriz de forma a definir blocos (submatrizes). 

130
Exemplo 4.16. Considere a matriz

o
a11 a12 a13 a14 a15 a16

a
a21 a22 a23 a24 a25 a26
A = a31 a36 .

a32 a33 a34 a35

e rs
n
a41 a42 a43 a44 a45 a46

a51 a52 a53 a54 a55 a56

i
v
m
As linhas pontilhadas mostram uma possvel maneira de particionar a matriz, com duas parties de linhas
(uma com as linhas de 1 a 3, e outra com as linhas 4 e 5); e trs parties de colunas (uma com as duas

la
primeiras, outra com as trs seguintes, e outra com a ltima coluna).
Podemos ver esta matriz como uma matriz de blocos
i
 u 
l
A A
aA
A= 11 12 13
Pre

A21 A22 A23


de

onde
tas

a11 a12 a13 a14 a15 a16


A11 = a21 a22 A12 = a23 a24 a25 A13 = a26
a31 a32  a33 a34 a35  a36  J
no

ini

A21 = a41 a42 A22 = a43 a44 a45 A23 = a46 .


o

a51 a52 a53 a54 a55 a56


gr
ar-

Exemplo 4.17. A matriz A a seguir est particionada. H trs parties de linhas e trs de colunas.
rs

lle

1 1 8 9 4
A11 A12 A13
2 0 3 1 7
Lin

. Pe

A = 3 3 = A21 A22 A23 ,



5 1 2
A31 A32 A33

0 2 1 0 0
Ve

9 8 6 1 7
bra

oC

onde Aij o bloco na i-sima partio das linhas e j-sima partio das colunas:
im
e
lg

A11 = (1 1) A12 = (8 9) A13 = (4)


n

A21 = (2 0) A22 = (3 1) A23 = (7)


! ! !
3 3 5 1 2
Jer

A31 = 0 2 A32 = 1 0 A33 = 0


9 8 6 1 7
As parties, como se pode notar no exemplo, no precisam ser de mesmo tamanho. J
118 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Teorema 4.18. Considere duas matrizes A e B compatveis para multiplicao: A m r, B r n.


Suponha que r colunas de A sejam particionadas da mesma forma que as r linhas de B ou seja, o mesmo
nmero s de parties, e a i-sima partio das colunas de A do mesmo tamanho que a i-sima partio das linhas
de B.

A11 A12 A1s A11 A12 A1q

130
A21 A22 A2s
, B = A21 A22 A2q

A= .. .. .. .
.
. .
. ..

r
Ap1 Ap2 Aps As1 As2 Asq

o
Ento podemos particionar o produto C = AB com as mesmas parties das linhas de A e das colunas de B:

a
e rs
n

C11 C12 C1q
C21 C22 C2q
.
..

..
i
v
.

.
Cp1 Cp2 Cpq
m
O bloco Cij pode ser calculado usando o mtodo usual de multiplicao de matrizes, exceto que ao invs de elementos

la
em linhas e colunas, multiplicam-se blocos em parties de linhas e parties de colunas:
i
X
p u
l
a
Cij = Aik Bkj
Pre
de
k=1

Exemplo 4.19.
tas


1 0 1 0 2 3 1 2 0 1
A= 2 1 2 1 B = 2 1 4 10 1 0

3 3 3 1

0 3 0 1 1 1
no

ini

3 3 3 5 0 8 2 1 4 3
o

A matriz C particionada ser


gr
ar-

 
C11 C12 C13
rs

C=
lle

C21 C22 C23


e

O bloco C22
Lin

. Pe

C22 = A21 B12 + A22 B22 + A23 B32


Ve

      
= 3 3 3 1 2 + 3 (3 0 1) + 1 (
8 2 1)
bra

oC

3 3 1 4 10 3 5
       
= 6 9 24 + 9 0 3 + 8 2 1 = 23 7 20 J
im
e

6 9 24 9 0 3 40 10 5 43 19 32
lg

Definio 4.20 (Matriz diagonal de blocos). Uma matriz particionada em blocos diagonal por blocos se
n

somente os blocos da posio (i, i) so diferentes de zero. 


Jer

Exemplo 4.21. Sejam


  !
5 5 5
A= 1 1 , B= 5 0 5 .
2 2
5 5 5
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 119

Ento
1 1
2 2
1
diag(A, I2 , B) = ,

1
5 5 5


5 0 5

130
5 5 5
J

r
onde as entradas ausentes so zero.

o
Exemplo 4.22. A seguinte matriz,

a

2 1 0 0 0 0 0

e rs
3 0 0 0 0 0 0

n
0 0 1 0 0 0 0 ,

0 0 0 0 1 0 4
5 0 2 0 1 0 4
i
v
no diagonal por blocos, porque todos os blocos na ltima linha tem elementos diferentes de zero.
m J

O exerccio 89 pede a demonstrao da proposio 4.23.

la
Proposio 4.23. diag(A1 , A2 , . . . , Ak )1 = diag(A1 1 1
1 , A2 , . . . , Ak ).
i
u
l
a
Exemplo 4.24. Seja
Pre


de
1 1
2 0 A11 0 0
A=
2
= 0 A
22 0 ,
tas

2 1 0 0 A33
0 2
com    
no

ini

A11 = 1 1 , A22 = (2) , A33 = 2 1 .


2 0 0 2
o

gr

As inversas dos blocos so


ar-
rs

   
0 1/2 , 1/2 1/4 .
lle

A1 A1 A1

11 = 22 = 1/2 , 33 =
e

1 1/2 0 1/2
Lin

. Pe

Assim,
0 1/1
Ve

1
A11 0 0 1 1/2
bra

oC

A1

= 0 A1
22 0 =
1/2 .
J
1
0 0 A33 1/2 1/4
0 1/2
im
e
lg

usual darmos nomes aos blocos de uma matriz. Por exemplo, dadas matrizes conhecidas A e B,
n

 
A B
B1 0
Jer

uma matriz composta por quatro blocos. O bloco (2, 2) zero, o bloco (1, 1) igual a A e os blocos (1, 2)
e (2, 1) so B e B1 .
120 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Muitas vezes a notao por blocos nos permite representar famlias de matrizes: a notao determina
a forma de um conjunto infinito de matrizes. Por exemplo,
 
I 0
0 0

130
uma matriz cuja diagonal da forma (1, 1, 1, . . . , 1, 0, 0, 0, . . . , 0) ou seja, uns seguidos de zeros, que
tambm podemos denotar por diag(I, 0). Observe que diag(I, 0) pode ser de qualquer ordem, e o tamanho

r
dos blocos I e 0 no foi especificado.

o
a
Exemplo 4.25. A notao diag(I, 0, I) indica matrizes como

e rs
n

1 0 0 0 0 1 0 0 0 0

! 1 0 0 0
1 0 0 0 0 0 0 0 0 0 1 0 0 0
1 0 0
0 0 0 , , 0 0 0 0 0 , 0 0 1 0 0 ,

i
v

0 0 0 0
0 0 1 0 0 0 1 0 0 0 0 0 0
0 0 0 1
0 0 0
m 0 1 0 0 0 0 1

la
e todas as matrizes diagonais onde a diagonal composta de uma sequncia de uns seguida de uma sequn-
cia de zeros e outra sequncia de uns. J
i
u
l
A matriz a seguir,
a
 
Pre

1 vT 0 ,
de
(4.3)
w B 0
tem a primeira linha igual a (1, v1 , v2 , . . . , vn , 0)T , a primeira coluna igual a (1, w1 , w2 , . . . , wm ). Se
tas

retirarmos da matriz a primeira coluna e a primeira linha, sobra a matriz B.


Tambm comum no usar as barras que dividem as parties. A matriz 4.3 pode tambm ser repre-
no

ini

sentada da seguinte forma:  


o

1 vT 0 .
w B 0
gr
ar-
rs

lle

4.2.2 Multiplicao por vetor combinao linear


e
Lin

. Pe

A multiplicao de matriz por vetor pode ser vista como combinao linear das linhas ou colunas da matriz.
Isto nos d uma interpretao mais til da operao de multiplicao.
Ve
bra

oC

Multiplicando direita da matriz: combinao de colunas


Em algumas situaes representaremos uma matriz como uma sequncia de vetores coluna:
im
e
lg

 
M = c1 c2 cn
n

c11 c21 . . . cm

1
Jer

c1 c2 cm
= 2 2 2 .
.. ..
.

.
1 2 m
cn cn cn
4.2. PROPRIEDADES DA MULTIPLICAO DE MATRIZES 121

Observamos que ao multiplicar uma matriz por um vetor coluna, temos


1 2
c1 c1 . . . cm a1 c11 + a2 c21 + . . . + am cm

1 a1 1
c1 c2 cm 1 2 m
2 a2 = a1 c2 + a2 c2 + . . . + am c2

2 2
.. .. .. ..
. .

. .
1 2 m am 1 2 m
cn cn cn a1 cn + a2 cn + . . . + am cn

130
1 2
am cm

a1 c1 a2 c1 1

r
a1 c1 a2 c2 am cm
2 2 2
= .. + .. + + ..

o
a
. . .
a1 c1n a2 c2n am cmn

e rs
n
= a 1 c1 + a 2 c2 + a m cm ,

ou seja, a multiplicao da matriz (c1 , c2 , . . . , cn ) pelo vetor (a1 , a2 , . . . , an )T combinao linear das

i
v
colunas da matriz, com os coeficientes ai .
m
Exemplo 4.26. Pode-se calcular o produto a seguir como combinao linear das colunas da matriz.

la

! a ! ! ! !
1 2 3 1 1 2 3 1
i
b
2 0 2 5 = a 2 + b 0 a 2 + d 5
a u
l
8 1 0 0 8 1
a 0 0
d
Pre
de
! !
a + 2b 3a + d 2a + 2b + d
= 2a + 2a 5d = 5d J
8a + b 8a + b
tas

Esta propriedade pode ser usada na demonstrao de Lema 4.27, que pedida no Exerccio 93.
no

Lema 4.27. Se a soma de cada linha (ou de cada coluna) de uma matriz zero, ento as linhas (colunas) da matriz
ini

so LD.
o

gr
ar-
rs

Multiplicao esquerda: combinao de linhas


lle

Da mesma forma que a multiplicao Mv combinao linear das colunas de M, a multiplicao wM


e

combinao das linhas de M.


Lin

. Pe

Exemplo 4.28. Sejam


1 2 3
Ve
bra

oC

M = 4 3 8
, w = (2, 0, 1, 3).

0 0 2
2 1 0
im
e

Ento
lg

wM = 2(1, 2, 3)
n

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

= (8, 7, 8). J

A justificativa anloga do caso anterior, para multiplicao direita de M.


122 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

4.2.3 Matrizes triangulares


Matrizes triangulares tem propriedades bastante teis. A seguir apresentamos algumas delas.

Proposio 4.29. O produto de duas matrizes triangulares inferiores tambm triangular inferior, e o produto de
duas matrizes triangulares superiores tambm triangular superior.

130
Demonstrao. Segue trivialmente da definio de multiplicao de matrizes. 

r
o
a
Exemplo 4.30.

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

e rs
n
0 2 1 5 0 2 5 = 0
3 4 10 14 J


0 0 3 0 0 0 0 3 0 0 0 9
0 0 0 4 0 0 0 1 0 0 0 4
i
v
m
Proposio 4.31. A inversa de uma matriz triangular inferior tambm triangular inferior, e a inversa de uma
matriz triangular superior tambm triangular superior.

la
Exemplo 4.32. A inversa de
i

u
l
1
a
2 2 2
A = 0 1 2 2
Pre


de

0 0 1 2
0 0 0 2
tas


1 2 2 1
A1 = 0 1 2 1 . J
no


ini

0 0 1 1

1
o

0 0 0 2
gr
ar-

Proposio 4.33. Se A uma matriz triangular, ento as entradas da diagonal de A1 so os inversos das mesmas
rs

posies em A.
lle
e

Exemplo 4.34. A inversa de


Lin

. Pe


1 0 0 0
A = 2 3 0 0

Ve

3 6 4 0
bra

oC

4 2 0 5

im
e


1 0 0 0
lg

2/3 1/3 0 0
A1 = .
n

7/4 1/2 1/4 0


8/15 2/15 0 1/5
Jer

Observe que os elementos da diagonal de A1 so 1, 1/3, 1/4, 1/5 exatamente os inversos dos elemen-
tos da diagonal de A, 1, 3, 4, 5. J
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 123

4.3 Propriedades de matrizes de transformaes


Das propriedades de matrizes derivamos tambm os seguintes fatos dadas matrizes A, B, um vetor v e
um escalar ,

(A + B)v = Av + Bv,

130
(A)v = (Av) = A(v),

r
(AB)v = A(Bv),

o
a
quando os produtos forem bem definidos.

e rs
n
Proposio 4.35. Sejam T e S matrizes representando transformaes lineares t e s. A composio t s, se existir,
representada pela matriz TS, e a soma t+s, se for bem definida, dada pela matriz T +S. A inversa da transformao

i
v
t representada pela matriz T 1 .
m
Exemplo 4.36. Considere as transformaes s : R2 R3 , e t : R3 R4 , tais que

la
s(a, b)T = (a, a + b, 2b)T
i
u
t(x, y, z)T = (x + y, x y, x + z, x z)T .
l
a
Pre
de
Sem ainda escrever suas matrizes, calculamos a composta

t s = t(s(a, b)T )
tas

= t(a, a + b, 2b)T
= (2a + b, b, a + 2b, a 2b)T (4.4)
no

ini

As matrizes das transformaes so


o

gr


ar-

1 1 0 !
1 0
rs

T = 1 1 0S =

1 1
lle

1 0 1
0 2
e

1 0 1
Lin

. Pe

A matriz da composta
2 1
Ve

TS = 0 1

bra

oC

1 2
1 2
Ao aplicarmos a matriz da composta ao vetor (a, b)T , obtemos
im
e
lg


2 1   2a + b
n

0 1 a
= b ,


1 2 b a + 2b
Jer

1 2 a 2b
claramente correto, pois exatamente da mesma forma que havamos calculado em 4.4, antes de escrever
as matrizes. J
124 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Teorema 4.37. A imagem da transformao linear representada por uma matriz A o conjunto de todas as combi-
naes lineares das colunas de A.
Demonstrao. Cada elemento da imagem de A o resultado da multiplicao de A por um vetor x ou
seja, a combinao linear das colunas de A, onde os coeficientes so os elementos de x. Se considerarmos
todos os valores possveis em x, temos todas as combinaes lineares das colunas de A. 

130
Exemplo 4.38. A transformao com a matriz

r
!
1 2
T=

o
2 2

a
1 3

e rs
n

T (x, y) = (x + 2y, 2x + 2y, x + 3y),


e tem como imagem um plano em R3 . Este plano composto pelas combinaes lineares
i
v
! !
m
1 2
x 2 +y 2 . J

la
1 3
i
u
Definio 4.39 (Posto de matriz). O posto de uma matriz o posto da transformao linear representada
l
por ela.
a 
Pre
de
Segue imediatamente da definio 4.39 e do teorema 4.37 o seguinte corolrio.
Corolrio 4.40. O posto de uma matriz A igual quantidade de colunas linearmente independentes em A.
tas

A imagem de uma transformao linear o espao-coluna de sua matriz, e portanto a dimenso da ima-
gem (e o posto da transformao) igual quantidade de colunas independentes na matriz.
no

ini

Definio 4.41 (Espao-linha, espao-coluna, posto de linhas e colunas). O espao-linha de uma matriz o
espao vetorial gerado pelas linhas da matriz; o espao-coluna o espao vetorial gerado pelas colunas da
o

gr

matriz.
ar-

O posto de linhas de uma matriz a dimenso de seu espao-linha ou seja, a quantidade de linhas
rs

lle

linearmente independentes na matriz


e

O posto de colunas de uma matriz definido de forma similar: a dimenso de seu espao-coluna, ou a
Lin

. Pe

quantidade de colunas linearmente independentes na matriz. 


Uma matriz m n tem o espao-linha gerado por m vetores-linha, e o espao-coluna gerado por n
Ve

vetores-coluna. As dimenses destes espaos no so, no entanto, necessariamente iguais a m e n, uma vez
bra

oC

que as linhas e colunas da matriz podem no ser L.I., e neste caso no formam base para aqueles espaos.
Muitas vezes dizemos que uma matriz quadrada de ordem n e com posto de colunas igual a n base
para Rn , porque Rn seu espao-coluna, e portanto a matriz, quando vista como uma sequncia de colu-
im
e

nas, uma base ordenada de Rn .


lg

Exemplo 4.42. As matrizes


n

!
1 0 1
 
A= 1 2 , B= 0 1 0
Jer

2 1 0 1 1
so bases para R2 e R3 , porque qualquer vetor de R2 pode ser escrito como combinao linear das colunas
de A, e qualquer vetor de R3 combinao linear das colunas de B. J
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 125

O lema e o teorema a seguir relacionam o posto de linhas com o posto de colunas.

Lema 4.43. Qualquer matriz A m n com posto de colunas r pode ser decomposta em duas matrizes, C m r e
L r n, de forma que A = CL, de forma que o espao coluna de A gerado pelas r colunas de C, e o espao linha de
A gerado pelas r linhas de L.

130
Demonstrao. Seja A, m n, com posto r. Como o posto de A igual ao posto de colunas de A, podemos
tomar r colunas LI de A. Pomos estas colunas lado a lado para formar uma nova matriz C, m r.

r
Dadas A e C, existe uma nica matriz L, r n, tal que

o
a
A = CL.

e rs
n
J sabemos que C gera as mesmas colunas que A. Resta observar que L gera as mesmas linhas que A. Mas
no produto CL, as linhas geradas so combinaes lineares das linhas de L, com os coeficientes dados pelas colunas
de C. Por exemplo, se
i
v
1 6 11
!
1 6
m! 
A= 2 = 1 0 1
0 2 2 0
0 1 2

la
5 1 7 5 1
i
u
Neste exemplo, a primeira linha de A, (1, 6, 4), gerada pelas linhas de L, com coeficientes na primeira
linha de C; o mesmo vale para as outras linhas:
l
a
Pre
de
1(1, 0, 1) + 6(0, 1, 2) = (1, 0, 1) + (0, 6, 12)
= (1, 6, 11). (linha 1 de A)
tas

2(1, 0, 1) + 0(0, 1, 2) = (2, 0, 2). (linha 2 de A)


no

ini
o

5(1, 0, 1) 1(0, 1, 2) = (5, 0, 5) + (0, 1, 2)


gr
ar-

= (5, 1, 7). (linha 3 de A)


rs

lle

A demonstrao est portanto terminada. 


e
Lin

. Pe

Exemplo 4.44. Seja



2 1 3 1
Ve

A = 3 0 3 0

bra

oC

1 2 1 0

1 3 4 1
A pode ser decomposta em
im
e

C
z }| { z
lg

L
}| !{
2 1 1
n

1 0 1 0
A = 3 0 0 0 1 1 0 .

1 2 0
0 0 0 1
Jer

1 3 1
A matriz C claramente tem tres colunas LI, e gera as mesmas colunas que A (porque suas colunas so
idnticas s nicas tres colunas LI de A).
126 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

A matriz L tem tres linhas LI, e gera as mesmas linhas que A: A primeira linha de C (2, 1, 1), indicando
que a primeira linha de A a combinao linear da linhas de L com coeficientes 2, 1 e 1:
!
1 0 1 0
(2, 1, 1) 0 1 1 0 = (2, 1, 3, 1).
0 0 0 1

130
O mesmo vale para as outras linhas de A. J

r
Teorema 4.45. Para toda matriz, o posto de linhas igual ao posto de colunas.

o
Demonstrao. Seja A uma matriz m n. Se A = 0, as duas quantidades (de linhas e de colunas L.I.) so

a
zero.

e rs
n
Suponha que o posto de colunas de A r. Podemos portanto escolher r colunas LI de A. Tomamos
estas r colunas LI e as pomos lado a lado para formar outra matriz C, e escolhemos uma matris L como
determina o lema 4.43, resultando em uma decomposio
i
v
A = CL.
m
la
Sabemos que C gera as colunas de A (e portanto o espao coluna de A); sabemos tambm que L gera as
linhas de A (e seu espao-linha).
i
u
Isso significa que o posto de linhas de A no maior que a quantidade de linhas em L, que igual a r.
l
a
(No provamos ainda que o posto de linhas exatamente r, porque no provamos que as r linhas so LI.)
Pre
de
Assim,
posto_linhas(A) posto_colunas(A)
Se repetirmos o mesmo raciocnio para AT obteremos
tas

posto_colunas(A) posto_linhas(A)
no

ini

e consequentemente,
o

posto_linhas(A) = posto_colunas(A). 
gr
ar-

Exemplo 4.46. A transformao de R4 em R3 , exibida no exemplo 4.12,


rs

lle

T (a, b, c, d)T = (a + b + c, 3d, 2a)T .


 
e
Lin

. Pe

A matriz que representa T !


1 1 1 0
MT = 0 0 0 3 .
Ve
bra

oC

2 0 0 0
A imagem da transformao composta pelos vetores da forma (a + b + c, 3d, 2a)T e na verdade
qualquer vetor de R3 desta forma. Assim, o posto da transformao trs. Observamos tambm que a
im
e

matriz de T tem trs linhas LI, e tambm tem trs colunas LI.
lg

A decomposio que mencionamos na demonstrao do Teorema 4.45


n

MT = LC,
Jer

com ! !
1 1 0 1 0 0 0
L= 0 0 3 . C= 0 1 1 0 . J
2 0 0 0 0 0 1
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 127

Teorema 4.47. Se uma matriz M de ordem n tem posto estritamente menor que n, ento M singular.

Demonstrao. M representa um operador linear em um espao V com dim V = n. Se o posto da trans-


fomao for menor que n, a dimenso da imagem de M ser menor que n. Pelo Teorema 3.60, M no
bijetora, e portanto no tem inversa. 

130
4.3.1 Mudana de base

r
Uma vez que a mudana de base uma transformao linear, como descrito na seo 2.4, ela pode ser

o
a
descrita como matriz. Usamos a notao [id]RS para enfatizar que esta matriz no modifica os vetores,
mudando apenas a base em que so descritos. Esta matriz representa a funo identidade (que uma

e rs
n
transformao linear), mas levando de uma base a outra:

[id]RS [x]R = [x]S .


i
v
m
Teorema 4.48. Sejam R e S duas bases para um espao vetorial V com dimenso n:

la

R = r1 , r2 , . . . , rn
i
u 
S = s1 , s2 , . . . , sn .
l
a
A matriz de mudana de base [id]RS n n cujas colunas so os vetores da base R escritos na base S:
Pre
de
 
[id]RS = [r1 ]S [r2 ]S [rn ]S ,
tas

de forma que para todo v V,


no

ini

[v]S = [id]RS [v]R .


o

Demonstrao. Primeiro observamos que se uma matriz como esta existir ela deve levar vetores ri da base
gr
ar-

R nos vetores si da base S.


rs

Sabemos que [ri ]R = ei . Assim, se aplicarmos a matriz a algum vetor ri R, obtemos


lle
e

[id]RS [ri ]R = [id]RS ei ,


Lin

. Pe

que a -sima coluna de [id]RS ou seja, [ri ]S , como queramos.


Seja ento v V um vetor qualquer. Sua representao na base R (a1 , a2 , . . . , an )T ou seja,
Ve
bra

oC

v = a1 r1 + + an rn .
im

Aplicamos [id]RS em [v]R :


e
lg


a1
n

 
[id]RS [v]R = [r1 ]S [r2 ]S [rn ]S a2

...
Jer

an
= a1 [r1 ]S + a2 [r2 ]S + + an [rn ]S
= [v]S . 
128 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.49. Considere as seguintes bases para R3 :



B = (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T

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

O vetor (2, 4, 12)T de R3 na base cannica tem coordenadas [(2, 4, 12)T ]B . J na base C o vetor tem coor-

130
denadas [(2, 2, 4)T ]C :
2(1, 0, 0)T + 2(0, 2, 0)T + 4(0, 0, 3)T = (2, 4, 12)T .

r
Para obtermos a matriz que muda vetores da base C para a base B, listamos os vetores de C na base B:

o
a
!
1 0 0

e rs
n
[id]CB = 0 2 0 .
0 0 3

i
v
Verificamos que a matriz realmente transforma o vetor mencionado anteriormente, (2, 2, 4)T na base C,
em (2, 4, 12)T , que sua representao na base B:
m
! ! !

la
1 0 0 2 2
0 2 0 2 = 4 . J
i
0 0 3 4 12
u
l
a
Teorema 4.50. Uma matriz de mudana de base sempre tem inversa. Se [id]BD a matriz de mudana da base
Pre
de
B para a base D, ento ([id]BD )1 (a inversa de P) a matriz de mudana de base de D para B, [id]DB .
Demonstrao 1. Matrizes de mudana de base so quadradas, portanto representam transformaes entre
tas

espaos de mesma dimenso. Alm disso, so construdas com colunas da base do espao, por isso todas
as colunas so LI, e elas sempre tem posto completo. Pelo Teorema 3.60, representam transformaes
bijetoras, e consequentemente tem inversa por isso ([id]BC )1 sempre existe!
no

ini

Sejam B, C duas bases de um espao V e v um vetor v V. Ento


o

gr

[id]BC [v]B = [v]C


ar-
rs

([id]BC )1 [id]BC [v]B = ([id]BC )1 [v]C


lle

I[v]B = ([id]BC )1 [v]C ,


e
Lin

. Pe

e de acordo com a ltima linha, ([id]BC )1 realiza a mudana de base de C para B. 


Demonstrao 2. Suponha que exista uma transformao [T ] que transforma a representao de vetores
Ve

da base para a base . Sabemos que possvel mudar de qualquer base para outra, e portanto deve
bra

oC

necessariamente haver outra transformao [S] que leve da base para a base . Seja ento [id]BD
a matriz de mudana da base B para a base D. Seja [v]B um vetor representado na base B. A representao
im

de v na base D [id]BD [v]B . A representao de v na base B


e
lg

([id]BD )1 ([id]BD [v]B ) = ([id]BD )1 ([id]BD )[v]B = [v]B ,


n

e portanto ([id]BD )1 a matriz de mudana de base de D para B. 


Jer

Exemplo 4.51. Temos a seguir duas bases de R2 :

B = (1, 0)T , (1, 1)T



4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 129

D = (1, 2)T , (2, 3)T




Para obter a matriz [id]BD escrevemos os vetores de B na base D. Precisamos ento determinar os valores
de a, b, x, y tais que

(1, 0)T = a(1, 2)T + b(2, 3)T

130
(1, 1)T = x(1, 2)T + y(2, 3)T

r
Resolvemos os sistemas,

o
a +2b = 1 x +2y = 1

a
2a +3b = 0 2x +3y = 1

e rs
n
e obtemos
a = 3 x = 1
b = +2 y = +1
i
v
A matriz de mudana de base [id]BD e sua inversa, [id]DB so, portanto,
m
   

la
[id]BD = 3 1 , [id]DB = 1 1 .
2 1 2 3
i
u
Escolhemos um vetor qualquer na base B, [v]B = (5, 7)T . O vetor de R2 com estas coordenadas
l
a
Pre
de
v = 5(1, 0)T + 7(1, 1)T = (2, 7)T .

para obter suas coordenadas na base D,


tas

    
[v]D = [id]BD [v]B = 3 1 5 = 8
2 1 7 3
no

ini
o

Agora verificamos que estas coordenadas, na base D, nos do o mesmo vetor:


gr
ar-

v = 8(1, 2)T 3(2, 3)T = (2, 7)T .


rs

lle

Observamos tambm a mudana inversa no mesmo vetor, dada por [id]DB : dadas as coordenadas (8, 3)T ,
e
Lin

. Pe

    
[v]B = [id]DB [v]D = 1 1 8 = 5 ,
2 3 3 7
Ve
bra

oC

as coordeandas do mesmo vetor na base B, que havamos escolhido inicialmente. J


Exemplo 4.52. Considere as seguintes bases para R3 :
im
e

B = (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T



lg

D = (2, 3, 0)T , (4, 0, 5)T , (0, 6, 7)T



n
Jer

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


(4, 0, 5) = 4(1, 0, 0)T + 0(0, 1, 0)T + 5(0, 0, 1)T
130 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

(0, 6, 7) = 0(1, 0, 0)T + 6(0, 1, 0)T + 7(0, 0, 1)T


!
2 4 0
[id]BD = 3 0 6
0 5 7
Verificamos que a transformao de cada vetor da base B resulta em outro da base D:

130
! ! !
T 2 4 0 1 2

r
[id]BD (1, 0, 0) = 3 0 6 0 = 3
0 5 7! 0! 0!

o
a
2 4 0 0 4
[id]BD (0, 1, 0)T = 3 0 6 1 = 0

e rs
n
0 5 7! 0! 5!
2 4 0 0 0
[id]BD (0, 0, 1)T = 3 0 6 0 = 6
i
v
0 5 7 1 7
m
la
Agora transformamos um vetor qualquer da base B para a base D:
i
2 4 0
!
8 u
!
12
!
l
T
[id]BD (8, 1, 2) = 3 0 6
a
1 = 36 .
Pre

0 5 7 2 9
de

A inversa de P
5 7
16
tas

24 36
[id]DB = ([id]BD )1 = 7 7
72 1
,

48 12
5 5 1
48 72 12
no

ini

e [id]DB (12, 36, 9)T = (8, 1, 2)T . J


o

Agora obervamos que, assim como uma matriz de mudana de base sempre tem inversa, toda matriz
gr
ar-

invertvel representa uma mudana de base.


rs

lle

Proposio 4.53. Seja M uma matriz no singular de ordem n. Se fixarmos uma base B = (b1 , b2 , . . . , bn ) de
e

tamanho n, ento M representa simultaneamente:


Lin

. Pe

i) a mudana de base de B para alguma base C (M = [id]BC );


Ve

ii) a mudana de base de alguma outra base A para B (M = [id]AB ),


bra

oC

conforme ilustrado no diagrama a seguir.


im
e

M M
[v]A [v]B [v]C
lg

O Exerccio 119 pede a demonstrao da Proposio 4.53.


Exemplo 4.54. Uma matriz de rotao por ,
Jer

 
R = cos() sen()
sen() cos()
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 131

sempre tem inversa,


 
(R ) 1
= R = cos() sen() .
sen() cos()
A matriz R realiza uma mudana de base. Para sabermos qual a base para a qual ela leva, calculamos:

130
         
cos() sen() 1 = cos() , cos() sen() 0 = sen() .
sen() cos() 0 sen() sen() cos() 1 cos()

r
Assim, a matriz leva as coordenadas de vetores de R2 na base cannica em coordenadas dos dois vetores

o
a
da nova base,
!

e rs
  

n
cos() , sen()
sen() cos()

i
v
Note que a frmula mostra um par ordenado com duas matrizes-coluna, e no uma matriz-linha contendo duas
matrizes.
m
Seja B = {e1 , e2 } a base cannica para R2 . Escolhemos agora = /4. A matriz R/4 e sua inversa,

la
R(/4) so1
i
u
   
1 1 1 1 1 1
R/4 = , R(/4) = .
l
2 1 1
a 2 1 1
Pre
de
Isto significa que se aplicarmos uma rotao por /4 nos vetores da base cannica, a nova base ser

F = f1 = R/4 e1 , f2 = R/4 e2
tas

    
1 1 1 1
= f1 = , f2 = .
2 1 2 1
no

ini

A figura a seguir mostra as bases B e F. Note que a rotao leva os dois vetores e1 e e2 em outros dois vetores LI
o

(a mesma rotao em dois vetores no poderia torn-los colineares).


gr
ar-
rs

lle
e
Lin

. Pe

1
Ve
bra

oC

f2 e2 f1
im
e
lg

/4
n

/4
Jer

e1 1

1 Lembrete:

sen(/4) = cos(/4) = cos(/4) = 1/ 2. sen(/4) = 1/ 2. Veja tambm a nota de rodap 1 na pgina 89.
132 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Escrevemos os vetores e1 e e2 na base F:


! !
1 12
 
1 1
e1 = 1 = 2
0 2 1 2 1
2 2
! !
1 12
 
1 1
e2 = 0 = 2 +

130
1 2 1 2 1
2 2

r
Assim, temos
1

o
[e1 ]F = (1, 1)T ,

a
2

e rs
1

n
[e2 ]F = (1, 1)T .
2

i
Vemos que a matriz que muda da base cannica B para a base F , portanto, a matriz de rotao R/4 :

v
1

m
1 1

[id]BF = [e1 ]F [e2 ]F = = R/4 .
2 1 1

la
Como a base foi rotacionada por /4, as coordenadas dos vetores so rotacionadas por /4, para compensar a
i
u
mudana na base, de outra forma os vetores tambm sofreriam a mesma rotao feita na base. Por isso os
l
vetores em Rn so chamados de contravariantes.
a
Considere agora o vetor [v]B = (2, 2)T em R2 , aqui descrito na base cannica. Na nova base, suas
Pre
de
coordenadas so     
1 1 1 2 = 2 2 .

tas

2 1 1 2 0

Vemos que o mesmo vetor que tem as coordenadas (2, 2)T na base cannica tem as coordenadas (2 2, 0)
na nova base:
no

ini


       
1 1 1 1
2 2 +0 = 2 .
o

2 1 2 1 2

gr
ar-

Realmente, usando os vetores f1 e f2 , precisamos apenas de 2 2 vezes f1 (observe que v tem o comprimento
rs

da diagonal de um quadrado de lado 2):


lle
e
Lin

. Pe
Ve

v
bra

oC
im
e

e2 f1
lg

n
Jer

/4

e1
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 133

Fica claro ento que, fixada uma base B, uma transformao invertvel sempre realiza uma mudana de
base, e que para identificar a nova base, basta aplicar a transformao nos vetores de B. J

4.3.2 Similaridade

130
Da mesma forma que a descrio de vetores por coordenadas em Rn depende da escolha de uma base, a
representao de transformaes lineares como matrizes depende, tambm, das bases usadas para repre-

r
sentar os vetores do domnio e do contradomnio.

o
Sejam V e W dois espaos vetoriais, tais que

a
V tem bases , 0

e rs
n
W tem bases , 0 ,

i
v
e T : V W uma transformao linear. A matriz que representa T agindo em vetores na base e
resultando em vetores na base [T ] .
m
Quaisquer vetores a V e b W tem representaes [a] , [a] 0 , [b] e [b] 0 . Deve existir tambm

la
uma matriz que realize a mesma transformao da base 0 para a base 0 . A prxima figura ilustra este
conceito. A matriz P muda da base para 0 ; a matriz Q muda de para 0 ; e as matrizes A e B realizam
i
a mesma transformao, mas usando bases diferentes. u
l
a
Pre
de
(B)
[b] [a]
[T ]
tas
equivalentes

P = [id] 0 [id] 0 = Q
no

ini
o

gr
ar-

[T ] 0 0
[b] 0 [a] 0
rs

(A)
lle
e

Se conhecemos B = [T ] , podemos determinar A = [T ] 0 0 observando que


Lin

. Pe

[T ] 0 0 [a] 0 = [T (a)] 0
Ve

= [id] 0 [T (a)]
bra

oC

= [id] 0 [T ] [a]
= [id] 0 [T ] [id] 0 [a] 0 ,
im
e
lg

ou seja,
n

[T ] 0 0 = [id] 0 [T ] [id] 0 ,
| {z } | {z } | {z }
(iii) (ii) (i)
Jer

ou
A = |{z} B Q1 .
P |{z}
|{z}
(iii) (ii) (i)
134 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Note que o lado direito da expresso mais facilmente lido da direita para a esquerda, porque a transfor-
mao ser aplicada a um vetor que ficar direita. Lemos a expresso da seguinte maneira: (i) mude o
vetor x da base 0 para ; (ii) aplique a transfomrao T , e depois (iii) leve da base para 0 .
Dizemos que as matrizes [T ] 0 0 e [T ] , que representam a mesma transformao em bases dife-
rentes, so equivalentes (como mostra tambm a figura anterior).

130
Definio 4.55 (Matrizes equivalentes). Duas matrizes A e B so equivalentes se e somente se existem
matrizes invertveis P e Q tais que

r
A = PBQ1 . 

o
a
Na definio 4.55, P e Q so matrizes de mudana de base. Estritamente falando, P e Q1 so invert-
veis, portanto poderamos tambm ter escrito se existem matrizes invertveis R e S tais que A = SBR.

e rs
n
Usamos Q1 para deixar claro que uma das mudanas de alguma outra base para a base em que B opera, e
outra mudana a partir da base em que B opera para alguma outra. A figura a seguir deve deixar isto claro:
partindo de [a] 0 , primeiro aplicamos Q1 , depois B e em seguida P, para chegarmos a [b] 0 , e temos
i
v
portanto A = PBQ1 .
m
la
i
u
l
a
Pre
de
(B)
[b] [a]
[T ]
tas equivalentes

P = [id] 0 [id] 0 = Q
no

ini
o

gr
ar-

[T ] 0 0
[b] 0 [a] 0
rs

(A)
lle
e

Exemplo 4.56. Seja T : R3 R2 , dada por


Lin

. Pe

" !#
x
 
T = x+y .
y
Ve

2z
bra

oC

z
Temos as seguintes bases para R3 e R2 :
im
e

 
lg

= (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T = (1, 0)T , (0, 1)T
n

 
0 = (1, 0, 0)T , (0, 2, 0)T , (0, 0, 3)T 0 = (5, 0)T , (0, 2)T
Jer

Seja !
2
v= 1 .
3
4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 135

Claramente, [v] = (2, 1, 3)T , ou seja, v na base ele mesmo. Alm disso,

2
[v] 0 = 1/2 ,
1

130
j que 2(1, 0, 0)T + 1/2(0, 2, 0)T (0, 0, 3)T = (2, 1, 3)T .
Agora calculamos a matriz de mudana de base de para 0 :

r
o
 

a
[id] 0 = [1 ] 0 [2 ] 0 [3 ] 0

e rs
n

1 0 0
= 0 1/2 0 .
0 0 1/3
i
v
m
Similarmente, obtemos

la
!    
1 0 0 1/5 0 , 5 0 .
[id] 0 = 0 2 0 , [id] 0 = [id] 0 =
i
0 0 3 u 0 1/2 0 2
l
a
Pre

A transformao T pode ser representada como matriz, levando vetores na base na base :
de
 
[T ] = 1 1 0 .
tas

0 0 2

Calculamos agora a matriz de T para as bases 0 e 0 :


no

ini

[T ] 0 0 = [id] 0 [T ] [id] 0
o

!
gr

  
1 0 0
ar-

= 1/5 0 1 1 0
0 2 0
rs

0 1/2 0 0 2
!0 0 3
lle
e

 
1 0 0
= 1/5 1/5 0
Lin

0 2 0
. Pe

0 0 1
  0 0 3
= 1/5 2/5 0 .
Ve

0 0 3
bra

oC

De fato,
im

2
e

   
[T ] 0 0 [v] 0 = 1/5 2/5 0 = 3/5 .
1/2
lg


0 0 3 3
1
n

Verificamos que
T [(2, 1, 3)T = (3, 6)T ,
Jer

e
3/5(5, 0)T + 3(0, 2)T = (3, 6)T . J
136 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Se considerarmos um operador linear T : V V e duas bases e 0 para o espao V, temos

[T ] 0 0 = [id] 0 [T ] [id] 0 ,

ou
A = SBS1 .

130
Dizemos que as matrizes [T ] 0 0 e [T ] so similares. Isto conceitualmente o mesmo que dizer que
as duas matrizes so semelhantes, exceto que temos o domnio igual ao contradomnio (e portanto temos

r
P = Q na definio 4.55).

o
a
Definio 4.57 (Matrizes similares). Duas matrizes A e B so similares se e somente se existe uma matriz
S tal que

e rs
n
A = SBS1 . 
Damos a seguir um exemplo simples, sem a interpretao das matrizes como operadores de mudana
i
v
de base, e um outro, mais extenso, onde tratamos das matrizes S e S1 como matrizes de mudana de base.
m
Exemplo 4.58. Sejam

la
! ! ! !
1 4 0 1 0 2 7 12 14 1 0 0
i
S= 0 0 1 , S1 = 0 0 1/2 , A=
u 0 1 2 , B= 2 0 3 .
l
0 2 0 0 1 0
a 4 6 8 0 4 1
Pre
de
As matrizes A e B so similares, porque A = SBS1 . J
2
Exemplo 4.59. A seguir temos duas bases para R :
tas

C = (1, 0)T , (0, 1)T ,




D = (0, 1)T , (2, 2)T .



no

ini
o

Definimos uma transformao T : R2 R2 como


gr
ar-

T (x, y)T = (x + y, 2x 2y)T .


rs

lle

Para vetores na base cannica C, a matriz de T


e
Lin

. Pe

 
A = [T ]CC = 1 1 .
2 2
Ve
bra

oC

[(1, 0)T ]D = (1, 1/2)T (porque (1, 0) = 1(0, 1)T + 1/2(2, 2)T )
[(0, 1)T ]D = (1, 0)T (porque (0, 1) = 1(0, 1)T + 0(2, 2)T )
im
e
lg

As matrizes de mudana so, portanto:


n

   
S = [id]CD = 1 1 , S1
= [id]DC = 0 2 .
1/2 0 1 2
Jer

A matriz que realiza a transformao na base D

B = [T ]DD = [id]CD [T ]CC [id]DC


4.3. PROPRIEDADES DE MATRIZES DE TRANSFORMAES 137

= SAS1 ,
e portanto as matrizes A = [T ]CC e B = [T ]DD so similares. A matriz B
 
B = [T ]DD = 3 4
1/2 2

130
Para finalizar este exemplo, tomamos as coordenadas um vetor qualquer em R2 na base cannica, v =
(3, 5)T . Calculamos w = T (v) nas duas bases. Temos

r
    
1 1 3 = 8 = [w]C .

o
[T ]CC ([v]C ) =

a
2 2 5 4
Para aplicar T na base D, primeiro obtemos as coordenadas [v]D :

e rs
n
    
[v]D = [id]CD [v]C = 1 1 3 = 2 .
3/2
1/2 0
i
v
5
Agora aplicamos [T ]DD :
m
    

la
[T ]DD ([v]D ) = 3 4 2 . = 12 = [w] .
D
1/2 2 3/2 4
i
u
Agora verificamos que este de fato o mesmo vetor w na base D:
l
a
Pre

     
de
12 0 + 4 2 = 8 . J
1 2 4
A proposio a seguir segue trivialmente do fato de matrizes similares representarem a mesma trans-
tas

formao.
Proposio 4.60. Matrizes equivalentes (ou similares) tem o mesmo posto.
no

ini

Teorema 4.61. Similaridade uma relao e equivalncia.


o

Demonstrao. Demonstramos a reflexividade, simetria e transitividade a seguir.


gr
ar-

(i, reflexividade) A similar a A, trivialmente: IAI 1 = A


rs

lle

(ii, simetria) Suponha que A similar a B. Ento


e

A = SBS1
Lin

. Pe

AS = SBS1 S
AS = SB
Ve
bra

1
oC

S AS = B
(iii, transitividade) Suponha que A similar a B e B similar a C:
im
e

A = SBS1
lg

B = RCR1 .
n

Ento
Jer

A = SBS1
= SRCR1 S1
= (SR)C(SR)1 . 
138 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.62. Sejam


     
A= 1 3 , P= 2 0 , P1 = 1/2 0 .
2 1 0 1/3 0 3
Exemplificamos primeiro a simetria. Suponha que B similar a A, com

130
B = PAP1 .

r
Ento

o
     

a
B= 2 0 1 3 1/2 0 = 1 18 .
0 1/3 2 1 0 3 1/3 1

e rs
n
Como temos B = PAP1 , temos tambm A = P1 BP:
     
P1 BP = 1/2 0 1 18 2 0 = 1
i
3 = A.

v
0 3 1/3 1 0 1/3 2 1
m
Agora ilustramos a transitividade. Suponha que

la
   
1 0 1 1 0 ,
i
R=
0 4
, R =
u 0 1/4
l
a
Pre

e C similar a B, com C = RBR1 :


de
     
C= 1 0 1 18 1 0 = 1 9/2 .
tas

0 4 1/3 1 0 1/4 4/3 1

Temos C similar a B e B similar a A. Devemos ter, portanto, C similar a A.


no

ini

C = RBR1
o

= R(PAP1 )R1
gr
ar-

= (RP)A(P1 R1 )
rs

lle

     
= 1 0 2 0 A 1/2 0 1 0
e

0 4 0 1/3 0 3 0 1/4
Lin

. Pe

   
= 2 0 A 1/2 0 .
0 4/3 0 3/4
| {z } | {z }
Ve
bra

RP
oC

P 1 R1 =(RP)1

Claramente, RP e P1 R1 so inversas, e portanto C similar a A. J


im
e
lg

4.4 Espaos de transformaes


n

Uma transformao de um espao de n dimenses em outro, de m dimenses, sempre ser representada


Jer

por uma matriz m n. J verificamos que dados m e n, o conjunto de todas as matrizes m n um


espao vetorial. Podemos dizer ento que o espao Mmn o espao das transformaes de dimenso n
para dimenso m.
4.5. MATRIZES ELEMENTARES 139

Exemplo 4.63. Uma matriz 3 2 representa uma transformao de R2 em R3 . Mas sabemos tambm que
as matrizes 3 2, com as operaes de soma de matriz e multiplicao por escalar, um espao vetorial
(M32 ). Esse espao , portanto, isomorfo ao espao de todas as transformaes lineares de R3 em R2 . J
F Exemplo 4.64. particularmente importante o espao dual de um espao vetorial.
Definio 4.65 (Espao dual). Seja V um espao vetorial sobre um corpo F. O conjunto de todas as trans-

130
formaes lineares de V em F o espao dual de V, denotado por V . 

r
Suponha por exemplo que V = R3 . Ento V o conjunto das transformaes de R3 em R, que

o
podem ser representadas por vetores-linha com 3 elementos (e portanto tem a mesma dimenso que R3 :

a
dim V = 3).
A matriz (vetor-linha) (2, 0, 3) pertence a (R3 ) , porque representa uma transformao de R3 em R.

e rs
n
J

i
v
m
4.5 Matrizes elementares

la
As operaes elementares utilizadas na soluo de sistemas lineares pelo mtodo de eliminao de Gauss 2
i
u
so transformaes lineares, e suas matrizes so chamadas de matrizes elementares. Uma matriz elementar
l
obtida aplicando uma operao elementar em I.
a
Pre
de
Definio 4.66. Uma matriz elementar uma matriz obtida submetendo I a uma das seguintes operaes
elementares:
tas

Multiplicao de uma linha i por uma constante k, denotada EkLi ;


Permutao de duas linhas i e j, representada por Ei,j ;
no

ini

Soma de um mltiplo de uma linha a outra linha, denotada Ei+(kLj) . 


o

gr

Exemplo 4.67. A operao de multiplicao da segunda linha por 5 uma operao elementar. Seu efeito
ar-
rs

na matriz identidade 4 4 mostrado a seguir.


lle

1 0 0 0
Lin

0 5 0 0
. Pe


0 0 1 0
0 0 0 1
Ve
bra

oC

Temos ento
1 0 0 0 1 2 1 1 1 2 1 1
2 3 1 4 = 10 15 5 20
0 5 0 0 . J

9 5 6 7 9 5 6 7

0 0 1 0
im
e

0 0 0 1 1 3 1 2 1 3 1 2
lg

Exemplo 4.68. Permutar a segunda e terceira linhas uma operao elementar. O efeito na identidade
n

3 3 mostrado a seguir. !
1 0 0
Jer

0 0 1
0 1 0
2 O mtodo de eliminao de Gauss descrito na seo .1.2 do Apndice .
140 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Por exemplo, ! ! !
1 0 0 2 1 2 2 1 2
0 0 1 0 1 1 = 3 4 5 . J
0 1 0 3 4 5 0 1 1
Exemplo 4.69. Somar 4 vezes a primeira linha terceira uma operao elementar. O efeito na identidade

130
3 3 mostrado a seguir. !
1 0 0

r
0 1 0
4 0 1

o
a
Exemplificando, ! ! !
1 0 0 1 2 3 1 2 3

e rs
n
0 1 0 9 1 1 = 9 1 1 . J
4 0 1 2 6 12 6 14 24

i
v
O teorema a seguir esclarece a atuao de matrizes elementares sobre outras matrizes.
m
Teorema 4.70. Seja A uma matriz quadrada. Ento, com relao multiplicao de matrizes elementares es-
querda de A:

la
i) Eij A resulta na matriz A com as linhas i e j trocadas;
i
u
l
a
ii) EkLi A resulta na matriz A com a i-sima linha multiplicada por k;
Pre
de
iii) Ei+kLj A resulta na matriz A aps a soma de k vezes a j-sima linha sobre a i-sima.

J com relao multiplicao de matrizes elementares direita de A, temos:


tas

i) AEij resulta na matriz A com as colunas i e j trocadas;


no

ini

ii) AEiLk resulta na matriz A com a j-sima coluna multiplicada por k;


o

iii) AEi+kLj resulta na matriz A aps a soma de k vezes a i-sima coluna sobre a j-sima.
gr
ar-
rs

lle

No Teorema 4.70, observe que os itens (iii) das duas situaes no diferem apenas na atuao de linhas
e

e colunas, mas nos ndices tambm: Denotarmos a k-sima linha e a k-sima coluna por Lk e Ck . A mesma
Lin

matriz elementar Ei(,j) soma:


. Pe

vezes a j-sima linha i-sima;


Ve
bra

oC

vezes a i-sima coluna j-sima.

Note a troca de ndices:


im
e

Li = Li + Lj
lg

Cj = Cj + Ci
n

Exemplo 4.71. Temos a seguir trs matrizes elementares de ordem 3:


Jer

! ! !
1 0 0 3 0 0 1 0 0
E2,3 = 0 0 1 , E3L1 = 0 1 0 , E2+(5L3) = 0 1 5 .
0 1 0 0 0 1 0 0 1
4.6. SISTEMAS DE EQUAES LINEARES 141

Escolhemos tambm uma matriz quadrada para observar a atuao das matrizes acima:
!
1 1 0
A= 4 2 2 .
5 7 3
A seguir temos a atuao das matrizes Ek esquerda de A:

130
! ! !
1 1 0 3 3 0 1 1 0
E2,3 A = 5 7 3 , E3L1 A = 4 2 2 , E2+5L3 A = 21 37 17 .

r
4 2 2 5 7 3 5 7 3

o
a
Agora verificamos a atuao das matrizes Ek direita de A:

e rs
! ! !

n
1 0 1 3 1 0 1 1 5
AE2,3 = 4 2 2 , AE3L1 = 12 2 2 , AE2+5L3 = 4 2 12 . J
5 3 7 15 7 3 5 7 38

i
v
Definio 4.72 (Matrizes equivalentes por linhas). Duas matrizes A e B so equivalentes por linhas se uma
m
pode ser obtida da outra por operaes elementares em linhas. Ou, equivalentemente, se

la
A = Ek Ek1 E1 B,
i
onde cada Ek uma matriz elementar. 
u
l
Exemplo 4.73. Sejam
a
Pre
de
     
A= 2 1 , B= 2 1 , C= 2 3 .
6 9 0 4 2 1
tas

A e B so equivalentes por linha, porque


     
2 1 L2 3 2 1 L2 +L1
A= 2 1 =B
no

ini

6 9 2 3 0 4
o

A e C tambm so equivalentes por linhas, porque


gr
ar-

     
2 1 L2 3 2 1 L1 L2 2 3

rs

A= =C J
6 9 2 3 2 1
lle
e

Teorema 4.74. Equivalncia por linhas uma relao de equivalncia.


Lin

. Pe

Demonstrao. Precisamos mostrar reflexividade, simetria e transitividade.


(i) (Reflexividade) Trivial (A equivalente a A a sequncia vazia de operaes elementares transforma
Ve

A em A).
bra

oC

(ii) (Simetria) Se A equivalente por linhas a B, h uma sequncia de matrizes elementares E1 , E2 , . . .,


Ek tal que B = E1 E2 . . . Ek A. Como toda matriz elementar tem inversa, temos A = E1 1 1
k Ek1 . . . E1 B.
(iii) (Transitividade) Se A equivalente por linhas a B e B equivalente por linhas a C, ento
im
e

A = Ek Ek1 . . . E1 B
lg

0 0
. . . E10 C.
n

B = Em Em1
Mas ento
Jer

A = (Ek Ek1 . . . E1 )B
0 0
= (Ek Ek1 . . . E1 )(Em Em1 . . . E10 )C 
142 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

4.6 Sistemas de equaes lineares


Podemos representar um sistema de equaes lineares em forma matricial. O sistema a seguir tem m
equaes e n variveis.

a11 x1 + a12 x2 + . . . + a1n xn = b1

130
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. ..

r
. .

o
a
am1 x1 + am2 x2 + . . . + amn xn = bm

e rs
Este sistema descrito por uma matriz A, onde cada entrada aij o coeficiente da j-sima varivel na

n
i-sima linha; um vetor coluna x, com cada uma das variveis, e um vetor coluna b com os valores do lado
direito das equaes:

i
v
Ax = b.
m
E desta forma resolver o sistema o mesmo que encontrar o vetor x que satisfaa esta equao.

la
Exemplo 4.75. O sistema
x1 2x2 +3x3
i
5x x +3x
=4
=2 u
l
2 3 4
a
x1 +x2 +x3 +x4 = 10
Pre
de
descrito como
x1 ! !
1 2 3 0 x 4
tas

2
0 5 1 3 = 2 . J
x3
1 1 1 1 10
x4
no

ini

claramente possvel tambm representar sistemas de inequaes como Ax b ou Ax b.


o

Definio 4.76 (Sistema linear homogneo). Um sistema de equaes lineares homogneo se da forma
gr
ar-

Ax = 0 (ou seja, se os termos independentes de todas as equaes so iguais a zero). 


rs

lle

Exemplo 4.77. O sistema a seguir homogneo.


e
Lin

. Pe

    
3 4 x1 = 0 J
1 1 x2 0
Ve
bra

oC

Todo sistema linear homogneo admite pelo menos uma soluo, com todas as variveis iguais a zero.
Esta soluo chamada de soluo trivial para o sistema. O sistema dado como exemplo admite a soluo
trivial x1 = x2 = 0. importante ressaltar que isto significa que um sistema homogneo sempre possvel
im
e

(ou compatvel), mas ele pode ter infinitas solues (quando indeterminado) ou somente uma (quando
lg

determinado).
O Teorema 4.78 reafirma o que dissemos no exemplo 1.58, no Captulo 1. Damos aqui uma demonstrao
n

diferente, usando notao matricial.


Teorema 4.78. O conjunto de solues para qualquer sistema homogneo de equaes lineares um espao vetorial.
Jer

Demonstrao. As solues so claramente um subconjunto de Rn (ou Kn para algum corpo K), portanto
somente precisamos provar que subespao de Rn .
4.6. SISTEMAS DE EQUAES LINEARES 143

i) O vetor zero pertence ao conjunto, porque 0 soluo.


ii) A multiplicao de uma soluo por escalar resulta em outra soluo:
c(Ax) = c 0
A(cx) = 0

130
E portanto cx soluo.

r
iii) A soma de duas solues tambm resulta em outra.

o
a
Ax = Ay = 0
Ax + Ay = 0

e rs
n
A(x + y) = 0
E portanto x + y soluo. 
i
v
m
Antes de enunciar o prximo Teorema, relembramos a classificao de sistemas lineares3 , que um sis-
tema pode ser impossvel, possvel e indeterminado (com infinitas solues) ou possvel e determinado (com

la
somente uma soluo.
i
u
Teorema 4.79. Um sistema linear Ax = b determinado se e somente se A tem inversa.
l
a
Demonstrao. Temos
Pre
de
Ax = b
1
A Ax = A1 b
tas

x = A1 b.
() Como a inversa nica, sua existncia garante que existe uma nica soluo para o sistema.
no

ini

() A existncia de uma soluo nica tambm nos permite determinar A1 . Se o sistema no tem solu-
o

o, a inversa no pode existir. Se o sistema indeterminado, h mais de um x que o satisfaz, e portanto


gr

A no pode ter uma nica inversa. No podendo haver uma nica inversa, conclumos que a inversa no
ar-
rs

existe. 
lle

Exemplo 4.80. O sistema


e

x1
Lin

x3 = 3
. Pe

x1 +3x 2 x3 = 6
x1 2x3 = 1
Ve
bra

oC

pode ser reescrito na forma matricial como


! !
1 0 1 x1 3
1 3 1 x2 = 6 .
im
e

1 0 2 x3 1
lg

A inversa da matriz de coeficientes A



2 0 1
Jer

A1 = 1/3 1/3 0 ,
1 0 1
3 Esta classificao dada na Definio .4, no Apndice .
144 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

e a soluo para o sistema


1
x=A
b !
2 0 1 3
= 1/3 1/3 0 6
1 0 1 1

130
!
7
= 3

r
4

o
a
J

e rs
n
Exemplo 4.81. Mudando um nico coeficiente no sistema linear do exemplo 4.80, obtemos

x1 x3 = 3
i
v
x1 +3x 2 x 3 = 6
x1 x3 = 1
m
la
que podemos descrever na forma matricial como
i
1 0 1
!
x1 u 3
!
l
a
1 3 1 x2 = 6 .
Pre

1 0 1 x3 1
de

A matriz de coeficientes no tem inversa, e o sistema no tem soluo nica (na verdade no tem soluo
tas

nenhuma).
Mesmo que troquemos o vetor b para qualquer outro vetor no-nulo, continuaremos sem soluo nica. Observe
que se mudarmos b para
no

ini

!
3
b = 6 ,
o

3
gr
ar-

a primeira e a terceira linhas do sistema passam a ser iguais: Ax = b seria o mesmo que
rs

lle

!
e

!
1 0 1 x1 3
Lin

1 3 1 x2 = 6 ,
. Pe


1 0 1 x3 3
Ve

e teramos ento infinitas solues da forma


bra

oC

x1 = x3 + 3, x2 = 3,
im
e

mas no teramos uma nica soluo. J


lg

Uma matriz est na forma escalonada se representa um sistema linear escalonado.


n

Definio 4.82 (Matriz escalonada por linhas e por colunas). Seja A uma matriz. Se as condies (i) e (ii)
Jer

abaixo valem para todas as linhas adjacentes i e j (com i + 1 = j), ento dizemos que A est na forma
escalonada por linhas.
i) Se j no nula, i tambm no ;
4.6. SISTEMAS DE EQUAES LINEARES 145

ii) A quantidade de zeros esquerda do primeiro elemento no-nulo em i estritamente menor que a
quantidade de zeros esquerda do primeiro elemento no-nulo em j.
O piv de uma linha o primeiro (mais esquerda) elemento no-nulo.
Se todo piv da matriz for igual a um e as colunas dos pivs no tiverem outras entradas no-nulas, a
matriz est na forma escalonada reduzida por linhas.

130
Uma matriz est na forma escalonada (reduzida) por colunas se sua transposta est na forma escalonada
(reduzida) por linhas. 

r
Exemplo 4.83. Todas as matrizes mostradas a seguir esto na forma escalonada.

o
a

!
1 1 2
! 13 11 7  
3 6 9 0 5 3
A= 0 2 4 B= 0 C= D= 0 3 5 7 J

e rs
n
0 4 0 0 2 0 0 0 9
0 0 1 0 0 0 0 0 0

i
Exemplo 4.84. Todas as matrizes mostradas as seguir esto na forma escalonada reduzida por linhas.

v
! !
m !
1 5 0 1 0 2 1 0 0 0
A= 0 0 1 B= 0 1 3 C= 0 1 0 8 J

la
0 0 0 0 0 0 0 0 1 9
i
u
Observe que se A a matriz aumentada de um sistema linear, a forma escalonada reduzida por linhas
l
a
identifica claramente a soluo. Por exemplo, na matriz B do Exemplo 4.84, temos x1 = 2, x2 = 3, e a
linha adicional no faz diferena. J na matriz C, temos x1 = 0, x2 = 8 e x3 = 9.
Pre
de
Claramente, a forma escalonada por colunas obtida usando as mesmas operaes que resultam na
forma escalonada por linhas, exceto que as operaes so realizadas na transposta (ou seja, so realizadas
tas

nas colunas e no nas linhas).


Exemplo 4.85. Todas as matrizes mostradas as seguir esto na forma escalonada por colunas.
no

ini


! ! 2 0 0 0
2 0 0 5 0 0
o

A= 3 4 0 B= C = 1 0 0 0 J

0 4 0 0 6 0 0
gr
ar-

0 9 1 2 0 0 4 5 9 0
rs

Exemplo 4.86. Todas as matrizes mostradas as seguir esto na forma escalonada reduzida por colunas.
lle
e


Lin

! ! 1 0 0
. Pe

1 0 0 1 0 0
A= 0 1 0 B= 2 0 0 C = 0 1 0 J

0 0 1
0 2 0 0 1 0
2 3 9
Ve
bra

oC

4.6.1 Eliminao de Gauss


im
e

Nesta seo revemos o mtodo da eliminao de Gauss para resoluo de sistemas de equaes lineares
lg

usando matrizes elementares.


n

Definio 4.87 (Matriz aumentada). Seja Ax = b um sistema de equaes lineares com m equaes e n
variveis. Ento a matriz aumentada deste sistema a matriz m n + 1 que tem as colunas de A seguidas
Jer

da nica coluna de b, !
A b . 
146 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Exemplo 4.88. O sistema linear



2x1 + 3x2 x3 = 2
3x1 x2 =1


x1 x2 + 8x3 = 4
descrito em forma matricial como

130
! !
2 3 1 x1 2

r
3 1 0 x2 = 1 .
1 1 8 x3 4

o
a
A matriz aumentada do sistema

e rs
n
!
2 3 1 2
3 1 0 1 J
1 1 8 4
i
v
m
A soluo de sistemas triangulares (na forma escalonada) pode ser feita na forma matricial da mesma
maneira que quando usada a representao sem matrizes. O processo de eliminao de Gauss consiste

la
na aplicao sucessiva de operaes elementares sobre o sistema linear. Quando representamos o sistema
como matriz aumentada, cada aplicao de operao elementar uma multiplicao. O processo de elimi-
i
u
nao de Gauss consiste em multiplicar sucessivamente a matriz aumentada por matrizes elementares.
l
a
Lembramos aqui que normalmente no realizamos operaes elementares sem ordem definida. Em
Pre

cada fase do algoritmo, transformamos em zero a parte inferior de uma das colunas da matriz, processando
de
as colunas da esquerda para a direita. A seguir temos um exemplo para um sistema com 3 variveis e 4
equaes (que resulta em uma matriz quadrada de ordem 4). Os pivs esto marcados com fundo cinza.
tas

Para simplificar a exposio, no ilustramos trocas de linhas.

z }| {
FASE 1
no

ini


a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14
o

a21 a22 a23 a24 a21 a22 a23 a24 a21 a22 a23 a24 0 a22 a23 a24

gr


a31 a32 a33 a34 a31 a32 a33 a34 0 a32 a33 a34 0 a32 a33 a34
ar-

a41 a42 a43 a44 0 a42 a43 a44 0 a42 a43 a44 0 a42 a43 a44
rs

lle

z }| { z }| {
FASE 2 FASE 3
e


a11 a12 a13 a14 a11 a12 a13 a14 a11 a12 a13 a14
Lin

. Pe

0 a22 a23 a24 0 a22 a23 a24


0 a22 a23 a24


0 a32 a33 a34 0 0 a33 a34 0 0 a33 a34
0 0 a43 a44 0 0 a43 a44 0 0 0 a44
Ve
bra

oC

Exemplo 4.89. Considere o sistema a seguir.




2x1 x2 + 4x3 = 9
im
e

x1 x2 =4
lg



x1 + 4x2 x3 = 1
n

Este sistema pode ser representado por


Jer

!
2 1 4 9
1 1 0 4 .
1 4 1 1
4.6. SISTEMAS DE EQUAES LINEARES 147

Aplicamos operaes elementares at chegar a uma matriz triangular superior:


!
2 1 4 9 E3+1/2L1 2 1 4 9 E21/2L1 2 1 4 9 E
0 4 1 1 0 4 0 1/2 2 1/2
3+7L2
1 1
1 4 1 1 0 7/2 1 11/2 0 7/2 1 11/2

2 1 4 9 E 1 1/2 2 9/2

130
,E2L2 ,E1/13L3
0 1/2 2 1/2 1/2L1 0 1 4 1
0 0 13 2 0 0 1 2/13

r
E substituindo as variveis obtemos o resultado

o
a
x1 = 73/13,

e rs
n
x2 = 21/13,
x3 = 2/13.

i
v
Cada uma das operaes uma multiplicao por matriz elementar. Por exemplo, a primeira operao
! !
m
1 0 0 2 1 4 9 2 1 4 9
0 1 0 0 4 = 1 1 0 4 .

la
1 1
1/2 0 1 1 4 1 1 0 7/2 1 11/2
i
O Exerccio 111 pede as outras matrizes usadas. u J
l
a
Pre
de
Clculo da inversa
Podemos calcular a inversa de uma matriz usando operaes elementares.
tas

Mtodo 4.90. Escreva a matriz lado a lado com a identidade.



a11 a12 . . . a1n 1 0 ... 0
no

ini

a21 a22 a2n ..


0 1 . .

.. .. .
o

..

. . . .
.
. . .

. . .
gr
ar-

am1 am2 . . . amn 0 ... ... 1


rs

Realize operaes elementares na matriz do lado esquerdo at transform-la na identidade. Cada operao
lle

que realizar no lado esquerdo, realize tambm na matriz do lado direito.


e
Lin


. Pe

a11 a12 . . . a1n 1 0 ... 0


a21 a22 a2n ..
0 1 .

.. .. ..

.. . .
. . ..
Ve

. . . .
bra

oC

am1 am2 . . . amn 0 ... ... 1



E1
im
e

E2
..
lg

.
n

Ek

1 0 ... 0 b11 b12 . . . b1n
Jer

.. b21 b22 b2n


0 1 .

. .. ..

.. . . .. .
. . . . . .
0 ... ... 1 bm1 bm2 . . . bmn
148 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Ao terminar, a matriz direita ser B = A1 .


Exemplo 4.91. Inverteremos a matriz
!
2 1 4
A= 0 1 0 .
0 5 6

130
Comeamos escrevendo I ao lado de A:

r
! !
2 1 4 1 0 0

o
a
0 1 0 0 1 0
0 5 6 0 0 1

e rs
n
Somamos 5 vezes L2 em L3 , depois dividimos L3 por 6:
! !

i
v
2 1 4 1 0 0
0 1 0 0 1 0
m
0 0 1 0 5/6 1/6

la
Somamos L2 a L1 : ! !
2 0 4 1 1 0
i
0 1 0 0 1 0 u
l
0 0 1 0 5/6 1/6
a
Pre
de
Somamos 4L3 a L1 :
!
2 0 0 1 7/3 2/3
0 1 0 0 1 0
tas

0 0 1 0 5/6 1/6
Finalmente, dividimos L1 por 2:
no

ini

!
1 0 0 1/2 7/6 1/3
o

0 1 0 0 1 0
gr
ar-

0 0 1 0 5/6 1/6
rs

lle

A matriz direita a inversa de A:


e

! !
1/2 7/6 1/3
Lin

2 1 4 1 0 0
. Pe

0 1 0
0 1 0 = 0 1 0 J
0 0 1 0 5/6 1/6 0 0 1
Ve
bra

oC

Este mtodo pode ser til se quisermos resolver mais de um sistema com os mesmos coeficientes.
O exerccio 109 pede a demonstrao do teorema a seguir, que enuncia a corretude do mtodo.
Teorema 4.92. O mtodo 4.90 sempre produzir a inversa de qualquer matriz no singular.
im
e
lg

4.6.2 Decomposio LU
Definio 4.93 (Decomposio LU). Seja A uma matriz quadrada. Se existem L e U tais que U triangular
Jer

superior, L triangular inferior, e A = LU, ento LU a decomposio LU de A.


Se a diagonal de L s contm uns, esta a decomposio de Doolitle. Se a diagonal de U s contm uns,
a decomposio de Crout 
4.6. SISTEMAS DE EQUAES LINEARES 149

Exemplo 4.94. Seja  


A= 2 3
1 5
Temos   
A= 1 0 2 3 . J

130
1/2 1 0 7/2

Teorema 4.95. Seja A uma matriz quadrada tal que

r
o
a
Ek Ek1 . . . E1 A = U,

onde as matrizes Ei so elementares que no realizam trocas de linhas, e U diagonal superior (ou seja, A pode ser

e rs
n
escalonada sem trocas de linhas). Ento A admite fatorao LU.

i
Demonstrao. Suponha que A necessite de k passos para ser escalonada. Realizamos o escalonamento de

v
A, mas descrevendo-a inicialmente como
m
A = IA.

la
Observe que a matriz identidade, I, triangular inferior. Aplicaremos operaes elementares em A at
i
u
transform-la em U, escalonada, e consequentemente triangular superior. A aplicao destas operaes
l
a
modificar a matriz identidade, esquerda, mas ela ser mantida triangular inferior durante todo o pro-
Pre

cesso.
de

A = IA
= X(1) A(1) (E1 A = A(1) )
tas

(2) (2)
=X A (E2 E1 A = A(2) )
..
no

ini

.
o

= X(k) A(k)
gr
ar-

= X(k) U.
rs

lle

Se realizarmos operaes elementares somente em A(i) , para que a multiplicao X(i) A(i) continue sendo
e

igual a A, teremos que multiplicar X(i) pela matriz elementar inversa e multiplicaremos direita de X(i) :
Lin

. Pe

X(i) E1 EA(i)
 
Ve

= X(i) |E1
 (i)
{z E} A
bra

oC

=I
(i) (i)
=X IA = A.
im
e

Olhamos para o efeito das duas operaes elementares. Suponha que piv atual o da j-sima coluna Yjj ,
lg

e que pretendemos modificar a i-sima linha, com i > j (ou seja, uma linha abaixo do piv).
n

E realizar uma modificao na linha i, mas somente os elementos depois (abaixo) da posio j sero
Jer

modificados (os anteriores eram zero).

E1 realizar uma modificao na coluna i, mas somente os elementos antes ( esquerda) da posio
j sero modificados (os da direita eram zero).
150 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Assim, a aplicao das duas operaes no desfaz a parte escalonada por linhas de X(i) , e nem a parte
escalonada por colunas de A(i) . O resultado ser

A = LU,

onde L = X(k) , triangular inferior,e U = A(k) , triangular superior. 

130
A demonstrao do teorema 4.95 nos d um mtodo para encontrar a decomposio LU de uma matriz.

r
Mtodo 4.96 (Decomposio LU). Descreva A como IA.

o
a

a11 a12 a1n

1 0 0
A = 0. 1 . a21 a22
0 a2n

e rs
n

. . 0 ... ..

.. .

0 1 an1 ann

i
v
m
Use o mtodo da eliminao de Gauss transformar a matriz da direita em triangular superior, escalonando-
a, mas sempre que aplicar a operao elementar nas linhas da matriz direita, aplique sua inversa nas

la
colunas da matriz esquerda. Quando a matriz direita estiver escalonada, a da esquerda ser triangular
inferior.
i
Exemplo 4.97. Obteremos a decomposio LU da matriz u
l
a
Pre
de
!
2 3 1
2 1 5 .
4 0 7
tas

Durante o processo, mostraremos tanto L como U. Denotamos por Ui a i-sima linha de U. Comeamos
com A = IA.
no

ini

U
}| !{ z }| !{
L
z
o

! !
1 0 0 2 3 1 U2 U2 U1 1 0 0 2 3 1
gr
ar-

A= 0 1 0 2 1 5 = 1 1 0 0 2 6
rs

0 0 1 4 0 7 0 0 1 4 0 7
lle

! ! ! !
2 3 1 U3 U3 3U2 2 3 1
e

U U 2U 1 0 0 1 0 0
3
3

1
= 1 1 0 0 2 6 = 1 1 0 0 2 6 J
Lin

. Pe

2 0 1 0 6 9 2 3 1 0 0 9
Se uma matriz A precisa de permutao de linhas para ser escalonada, no admite decomposio LU.
Ve
bra

oC

Podemos, no entanto, decomp-la de forma parecida com a decomposio LU.


Teorema 4.98. Toda matriz quadrada A pode ser decomposta em A = PLU, onde P uma matriz de permutao;
L triangular inferior; e U triangular superior.
im
e
lg

Demonstrao. Se aplicarmos o mtodo de decomposio LU que descrevemos, mas permitirmos trocas de


n

linhas, tambm trocaremos as colunas da matriz da esquerda, e por isso ela pode no terminar o processo
como triangular inferior.
No entanto, estas trocas podem ser representadas por uma matriz de de permutao P. Ao invs de
Jer

manter duas matrizes, iniciando com Ia, mantemos trs matrizes, comeando com IIA:

A = IIA
4.6. SISTEMAS DE EQUAES LINEARES 151

= P(1) X(1) A(1) (E1 A = A(1) )


(2) (2) (2)
=P X A (E2 E1 A = A(2) )
..
.
= P(k) X(k) A(k)

130
= P(k) X(k) U.

Quando uma operao de troca de linha for aplicada em A(i) , as colunas de X(i) ficaro na ordem errada.

r
Aplicamos uma troca de linhas em X(i) e sua inversa nas colunas de P(i) :

o
a
P(i) E1 EX(i) .

e rs
n
Desta forma mantemos X como triangular inferior. Durante todo o processo P ser matriz de permutao,
e ao final teremos
i
v
A = PLU. 
m
Exemplo 4.99. Considere a matriz

la

0 4 1 4
i
1

2
12 24 6u
1 1/2
1

l
a
2 8 5 7/6
Pre
de
Esta matriz no pode ser escalonada sem troca de linhas. O processo para deix-la na forma triangular de-
ver necessariamente trocar as duas primeiras linhas de ordem, j que no possvel dividir pelo elemento
tas

a11 = 0.
Comeamos com A = IIA.
no

ini


1 0 0 0 1 0 0 0 0 4 1 4
o

1 2 1 1/12
A = 0 1 0 0
0 1 0 0

gr


0 0 1 0 0 0 1 0 12 24 6 1
ar-

0 0 0 1 0 0 0 1 2 8 5 7/6
rs

lle

C1 C3 L L
z }| 3 {
z }| {
1
e


1 0 0 0 0 0 1 0 12 24 6 1
Lin

. Pe

0 1 0 0 0 1 0 0 1 2 1 1/12
=
0 0 1 0 1 0 0 0 0 4 1 4
0 0 0 1 0 0 0 1 2 8 5 7/6
Ve
bra

oC

C1 c3 L1 L3
z }| {
z }| {
0 0 1 0 1 0 0 0 12 24 6 1
1 2 1 1/12
= 0 1 0 0
0 1 0 0
im


1 0 0 0 0 0 1 0 0 4 1 4
lg

0 0 0 1 0 0 0 1 2 8 5 7/6
n

C1 =C1 +C2 /12 L2 =L2 L1 /12


C =C1 +C4 /6 L =L L /6
z 1 }| {z }| {
4 4 1
Jer


0 0 1 0 1 0 0 0 12 24 6 1
1/12 1 0 0 0 0 1/2 0
= 0 1 0 0


1 0 0 0 0 0 1 0 0 4 1 4
0 0 0 1 1/6 0 0 1 0 12 4 1
152 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

C C3 L2 L3
z }| {z }| {
2

0 0 1 0 1 0 0 0 12 24 6 1
1/12 0 1 0 0 4 1 4
= 0 1 0 0

0 0 1/2 0

1 0 0 0 0 1 0 0
0 0 0 1 1/6 0 0 1 0 12 4 1
C2 C3 L2 L3
z }| {

130
z }| {
0 1 0 0 1 0 0 0 12 24 6 1

r
= 0
0 1 0 0 1 0 0 0 4 1 4
1/12 0 1 0 0 0 1/2 0

1 0 0 0

o
a
0 0 0 1 1/6 0 0 1 0 12 4 1
C =CL 3C4
z }|2 {z L4 =L4 +3L2
}| {
2

e rs
n

0 1 0 0 1 0 0 0 12 24 6 1
0
= 0 1 0 0 1 0 0 0 4 1 4

i
v
1/12 0 1 0 0 0 1/2 0
1 0 0 0
0 0 0 1 1/6 3 0 1
m 0 0 7 13
C =C +14C
z }| { z L4 =L}|
4 14L3
{
3 3 4

la

0 1 0 0 1 0 0 0 12 24 6 1
0 1 0 0 0 4 1 4 .
i
= 0

1
0
0
1
0
0
0

1/12 0 1 u 0 0 0 1/2 0
l
a
0 0 0 1 1/6 3 14 1 0 0 0 13
Pre
de
Temos finalmente A = PLU, onde P matriz de permutao, L triangular inferior e U triangular
superior. J
tas

Teorema 4.100. Se uma matriz admite decomposio LU, tambm pode ser decomposta em LDU, onde L trian-
gular estritamente inferior, U triangular estritamente superior, e D uma matriz diagonal.
no

ini
o

Resoluo de mltiplos sistemas lineares via decomposio LU


gr
ar-

Passamos agora ao uso da decomposio LU na soluo de sistemas lineares.


rs

lle

Mtodo 4.101 (Resoluo de sistemas lineares por decomposio LU). Suponha que queiramos resolver o
e

sistema Ax = b. Se A tem fatorao LU, podemos usar o mtodo a seguir.


Lin

. Pe

Decomponha A em LU. Agora temos LUx = b


Seja y = Ux. Resolvemos Ly = b
Ve
bra

oC

Como L triangular, o sistema resolvido facilmente e obtemos y.


Finalmente resolvemos Ux = y, que tambm fcil porque U triangular, e obtemos x.
im
e

Suponha que queiramos resolver diversos sistemas com a mesma matriz A, mas com diferentes vetores
lg

constantes b1 , b2 , etc. Podemos calcular a fatorao LU de A (que a parte mais demorada do processo)
n

e posteriormente resolver LUx = bi facilmente. Por esse motivo o mtodo LU normalmente prefervel
eliminao de Gauss.
Jer

Exemplo 4.102. Suponha que queiramos resolver os sistemas

(i) Ax = b,
4.6. SISTEMAS DE EQUAES LINEARES 153

(ii) Ax 0 = c,
(iii) Ax 00 = d,

onde ! ! ! !
1 2 1 1 0 4
A= 2 6 3 , b= 1 , c= 0 , d= 2 .

130
2 2 4 10 15 20
Primeiro calculamos a decomposio LU de A:

r
o
! !

a
1 0 0 1 2 1
A= 2 1 0 0 2 1 .

e rs
2 3 1 0 0 5

n
Esta decomposio, que requer muito trabalho, feita uma nica vez. Agora resolvemos os tres sistemas por

i
v
simples substituio.
(i) Resolvemos Ax = b, ou LUx = b. Seja w = Ux. Resolvemos Lw = b facilmente, porque L
m
triangular:
!

la
!
1 0 0 w1 1
2 1 0 w2 =
1
i
2 3 1 w3 u 10
l
a
Temos
Pre
de
w1 = 1, w2 = 1, w3 = 15.
Agora resolvemos Ux = w, tambm facilmente, porque U triangular:
tas

! !
1 2 1 x1 1
0 2 1 x2 = 1
no

ini

0 0 5 x3 15
o

Obtemos
gr
ar-

x1 = 2, x2 = 1, x3 = 3.
rs

lle

(ii) resolvemos Ax = c, ou LUx = c. Seja y = Ux 0 . Resolvemos Ly = c facilmente, porque L


0 0
e

triangular:
Lin

. Pe

! !
1 0 0 y1 0
2 1 0 y2 = 0
2 3 1 y3 15
Ve
bra

oC

Temos evidentemente
y1 = 0, y2 = 0, y3 = 15.
im
e

0
Agora resolvemos Ux = y, tambm facilmente, porque U triangular:
lg

! 0
n

x1
!
1 2 1 0
0 2 1 x20 = 0
0 0 5 x30 15
Jer

Obtemos
x10 = 0, x20 = 3/2, x30 = 3.
154 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

(iii) Novamente, resolvemos Ax 00 = c, ou LUx 00 = c. Seja z = Ux 00 . Resolvemos Lz = c facilmente,


porque L triangular:
! !
1 0 0 z1 4
2 1 0 z2 =
2
2 3 1 z3 20

130
Temos
z1 = 4, z2 = 6, z3 = 6.

r
Agora resolvemos Ux 00 = z, tambm facilmente, porque U triangular:

o
a
! 00
x1
!
1 2 1 4

e rs
n
00
0 2 1 x2 = 6
0 0 5 x300 6

i
v
Obtemos
m
x100 = 10, x200 = 12/5, x300 = 6/5. J

la
Como j vimos, a matriz A pode no admitir decomposio LU. Neste caso calculamos a decomposio
PLU de A e usamos o mtodo abaixo.
i
u
l
a
Mtodo 4.103 (Resoluo de sistemas lineares por decomposio PLU). Suponha que queiramos resolver
o sistema Ax = b. Se A no tem fatorao LU, podemos usar o mtodo a seguir.
Pre
de

Decomponha A em PA = LU. Agora temos PLU = Pb.


tas

Permute os elementos de b ou seja, calcule d = Pb

Seja y = Ux. Resolvemos Ly = d


no

ini
o

Como L triangular, o sistema resolvido facilmente e obtemos y.


gr
ar-

Finalmente resolvemos Ux = y, que tambm fcil porque U triangular, e obtemos x.


rs

lle
e

4.6.3 Estabilidade numrica


Lin

. Pe

A resoluo de sistemas lineares envolve repetidos passos de computao numrica, e isso normalmente
Ve

resulta em erros de arredondamento que tornam-se maiores no decorrer do processo. Dizemos que estes
bra

algoritmos tem um problema de estabilidade numrica. Uma maneira de mitigar este problema tentar
oC

evitar divises por nmeros muito pequenos, atravs de permutao de linhas ou multiplicando linhas
com coeficientes pequenos por constantes grandes. Mais detalhes sobre mtodos para computar solues
im
e

para sistemas lineates podem ser obtidos na literatura de Clculo Numrico por exemplo, no livro de
lg

Neide Franco [Fra07].


n

F 4.7 Matrizes complexas


Jer

Podemos tambm representar transformaes lineares em espaos vetoriais sobre corpos complexos, sendo
portanto til conhecer um pouco da lgebra das matrizes complexas.
4.8. APLICAES 155

Exemplo 4.104. A matriz  


T= i 3
1 2
representa uma transformao linear.
Se o domnio for R2 , temos T : R2 C2 .
Se o domnio for C2 , temos T : C2 C2 .

130
Se o domnio for a reta X composta pelos pontos (3x, ix), com x R, mesmo tendo domnio complexo,

r
a transformao
T (x, 3x)T = (i(3x) + 3(ix), 3x + 2x)T = (0, 3x + 2x)T ,

o
a
e a imagem de T est contida em R2 , logo poderamos definir R2 como contradomnio, e teramos T : X
R2 . J

e rs
n
Definio 4.105. Se A uma matriz complexa, A a matriz dos conjugados de A, que contm os conjugados
complexos dos elementos de A. 
i
v
Exemplo 4.106. Sejam
m
     
1 2 , i 0 2+i 2
i .

la
A= B, = C=
0 2 + 3i i 1 i 2 1+ 3
i
Ento u
l
  
a   
A= 1 2 , B, = i 0 C= 2
i 2+
i . J
Pre

0 2 3i i 1 i 2 1 + 3
de

Definio 4.107 (Conjugado transposto). O conjugado transposto, ou a matriz adjunta de uma matriz A a
transposta da matriz com os conjugados dos elementos de A:
tas

T
AH = A ,
no

ini

Tambm usada a notao A . 


o

Observe que se A somente tem elementos reais, ento AH = AT .


gr
ar-

Exemplo 4.108. Seja


rs

!
lle

2 3i 5 i
A=
e

i 0 1
0 1 + 2i 1 i
Lin

. Pe

Ento !
H
2 + 3i i 0
Ve

A = 5 0 1 2i J
bra

oC

i 1 1 + i
Teorema 4.109. Sejam A e B matrizes complexas m n, e z um nmero complexo. Ento
im
e

i) (AH )H = A
lg

ii) (zA)H = z(AH )


n

iii) (A + B)H = AH + BH
Jer

iv) (AB)H = BH AH
v) Se A tem inversa, (A1 )H = (AH )1
156 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

4.8 Aplicaes
4.8.1 Clculo de uma nica coluna da inversa [ decomposio LU ]
Se quisermos calcular somente uma coluna da inversa de uma matriz A, podemos obter sua fatorao LU

130
e usar a matriz U para obter a coluna desejada. Para isto basta usar substituio:

Ux = ei

r
o
nos dar a i-sima coluna da inversa.

a
Por exemplo, !

e rs
n
1 2 3
A= 0 4 5
1 0 0

i
v
! !
1 0 0 1 2 3
A= 0 1 0 0 4 5
m
1 1/2 1 0 0 1/2

la
Usamos somente a matriz U para computar, por exemplo, a terceira coluna de A1 . Resolvemos
i
! u
l
1 2 3 x1
a 0
!
0 4 5 x2 = 0
Pre
de
0 0 1/2 x3 1

e obtemos
tas

x1 = 1
no

ini

x2 = 5/2
o

x3 = 2
gr
ar-

ou seja, a terceira coluna da inversa de A deve ser


rs

lle


1
e

5/2 .
Lin

. Pe

2
Ve

De fato, a inversa de A
bra

oC


0 0 1
5/2 3/2 5/2
2 1 2
im
e

Este mtodo requer menos esforo do que computar a inversa completamente.


lg

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


Jer

Nesta seo introduzimos conceitos de otimizao linear a partir de um exemplo.


Uma indstria fabrica tintas de dois tipos, A e B. Queremos saber quanto de cada tinta pode ser fabricado
a fim de maximizar o lucro da empresa, levando em considerao as seguintes restries:
4.8. APLICAES 157

i) Cada lote do tipo A tem, para a empresa, um custo de 4, e cada galo do tipo B custa 3, e o oramento
da empresa prev que se gaste at 20 com a produo das tintas por semana. O lucro para um litro
da tinta do tipo A de 5, e para um do tipo B 10.

ii) Trs lotes da tinta A demoram 3h para serem produzidos, enquanto a mesma quantidade da tinta B
demora 10h. A empresa tem 40 horas teis disponeis para a produo em uma semana

130
r
iii) A tinta A s produzida por um fornecedor, que s oferece quatro lotes por semana, no mximo.

o
a
Estas so as restries do problema. Chamamos de x1 a quantidade de tinta do tipo A e x2 a quantidade de
tinta do tipo B. Queremos portanto maximizar o lucro,

e rs
n
z = 5x1 + 10x2 . (4.5)

i
v
Esta a funo objetivo que queremos otimizar.
m
la
Definio 4.110 (problema de programao linear). Em um problema de programao linear, temos um
conjunto de pontos definido por desigualdades ou igualdades lineares4 , e que podemos descrever como o
i
conjunto de solues de um sistema u
l
a
Ax = b.
Pre
de

Chamamos este conjunto de pontos de regio vivel.


Dentro da regio vivel, queremos encontrar o ponto x que maximiza o valor de uma funo linear
tas

f(x) = c1 x1 + c2 x2 + + cn xn
no

ini

= cT x.
o

gr

Assim, um problema de programao linear pode ser descrito como


ar-
rs

lle

maximize cT x
e

sujeito a Ax = b,
Lin

. Pe

x 0. 
Ve

No problema que estamos modelando, as restries que temos so:


bra

oC

4x1 + 3x2 20 (i)


im

3x1 + 10x2 40 (ii)


e

(4.6)
4
lg

x1 (iii)
n

alm, claro, de x 0, uma vez que no faz sentido produzir quantidade negativa de tinta.
Temos portanto m restries na forma de desigualdades, e duas variveis. til visualizar graficamente
Jer

a regio definida por estas desigualdades.

4 Note que a
1 x1 + a2 x2 + + an xn k equivalente a a1 x2 + a2 x2 + + an xn + s k, s 0
158 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

(iii), x1 4
6

130
(ii), 3x1 + 10x2 40

r
o
a
(i), 4x1 + 3x2 20

e rs
n
0 4

i
v
Assim, com as restries (4.6) e a funo objetivo (4.5), temos um problema de programao linear:
m
max cT x

la
s.a.: Ax = b,
x0
i
u
l
a
com ! !
Pre

 
4 3 20
de
A = 3 10 , b = 40 , c = 5 .
10
1 0 4
A regio definida pelas desigualdades chamada de politopo.
tas

A soluo tima estar necessariamente num dos vrtices do politopo. Como este um problema pe-
queno, podemos enumerar as solues definidas pelos vrtices e determinar assim a melhor delas.
no

ini

Agora observamos que cada desigualdade da forma


o

a1 x1 + a2 x2 + + an xn k
gr
ar-
rs

pode ser reescrita como


lle

a1 x1 + a2 x2 + + an xn +s = k,
e

usando uma varivel de folga s > 0.


Lin

. Pe

O sistema que modelamos, na forma matricial e usando igualdades, Av = b:


Ve


x1
bra

oC

x1 x2 s1 s2 s3 ! !
4 3 1 0 0 x2 20

3 10 0 1 0 s = 40 ,
1
1 0 0 0 1 s2 4
im
e

s3
lg

onde s1 , s2 e s3 so as folgas das trs desigualdades. Indicamos, acima da matriz, as variveis relacionadas
a cada coluna. Note que agora procuramos por uma soluo em um espao de dimenso maior (estvamos
em R2 , e quando passamos o problema para a forma de igualdade, camos em R5 ).
Jer

O espao-coluna de A R3 , porque a matriz tem trs colunas LI. Podemos formar bases para o espao-
coluna de A escolhendo quaisquer 3 colunas LI da matriz. Ao faz-lo, estaremos escolhendo trs das cinco
variveis. Dizemos que ao fazer isto estamos construndo uma soluo bsica.
4.8. APLICAES 159

Definio 4.111. Seja Ax = b o conjunto de restries de um programa linear com m restries e n


variveis. Seja B uma matriz formada por m colunas de A (ou seja, as colunas de B so base para o espao-
coluna de A). As solues de Bx = b so chamadas de solues bsicas para o problema. 

Por exemplo, considere o problema apresentado anteriormente. Se escolhermos as colunas de x2 , s1 ,


e s3 , teremos

130
x2 s1 s3 !
!
3 1 0 x2 20
10 0 0 s1 = 40 .

r
0 0 1 s3 4

o
a
com x1 = s2 = 0; x2 = 4; s1 = 8; s3 = 4.

e rs
n
(iii), x1 4

i
v
6
m
la
4
i
u
(ii), 3x1 + 10x2 40
l
a
Pre
de

(i), 4x1 + 3x2 20


tas

0 4
no

ini

Podemos formar bases diferentes para o espao coluna de A, e cada base nos dar uma soluo dife-
o

rente. Alm disso, o seguinte Teorema nos garante que estas solues so pontos extremos do politopo.
gr
ar-

Teorema 4.112. Seja S o conjunto de solues viveis para um problema de programao linear. Uma soluo x
rs

lle

bsica se e somente se ponto extremo de S.


e
Lin

. Pe

Como sabemos que s precisamos verificar os pontos extremos, podemos simplesmente verificar as
solues bsicas. Isto tambm significa que nos pontos extremos (e portanto na soluo tima) teremos
somente m variveis diferentes de zero (incluindo as de folga).
Ve
bra

oC

Experimentamos agora com algumas bases.


Se usarmos s1 , s2 e s3 na base, teremos o ponto extremo na origem, e
im
e

x1 = 0
lg

s1 s2 s3 !
!
1 0 0 s1 20 x2 = 0
n

0 1 0 s = 40 , s1 = 20 z = 0.
2
0 0 1 s3 4 s2 = 40
s3 = 4
Jer

com x1 = x2 = 0 (ou seja, usamos toda a folga em todas as restries, e no demos valor positivo a
nenhuma das variveis).
160 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

(iii), x1 4
6

130
(ii), 3x1 + 10x2 40

r
o
a
(i), 4x1 + 3x2 20

e rs
n
0 4

i
v
m
Se a base for x2 , s1 , s3 , teremos

la
x1 = 0
i
x2
3 1
s1 s3 !
0

x2 20
!
u x2 = 4
l
s =
a
10 0 0 1 40 , s1 = 8 z = 40.
Pre

0 0 1 4
de
s3 s2 = 0
s3 = 4
tas

(iii), x1 4
6
no

ini
o

gr
ar-

4
rs

lle

(ii), 3x1 + 10x2 40


e
Lin

. Pe

(i), 4x1 + 3x2 20


Ve
bra

oC

0 4
im
e

Se a base for x1 , x2 , s3 , teremos


lg

x1 = 80/31 2.580
x1 x2 s3 !

x2 = 100/31 3.225
!
Jer

4 3 0 x1 20
3 10 0 x =
2 40 , s1 = 0 z = 1400/31 45.161.
1 0 1 s3 4 s2 = 0
s3 = 44/31 1.419
4.8. APLICAES 161

(iii), x1 4
6

130
(ii), 3x1 + 10x2 40

r
o
a
(i), 4x1 + 3x2 20

e rs
n
0 4

i
v
Pode-se fazer o mesmo com todas as outras bases. A que tem maior valor esta ltima que calculamos,
m
e portanto a soluo tima para o problema x1 = 80/31 e x2 = 100/31.
Terminamos o exemplo com duas variveis, e agora olhamos brevemente para o caso em que temos mais

la
variveis e restries, resumindo o que verificamos antes. Com m restries e n variveis, o problema por
ser descrito como um sistema de inequaes lineares,
i
u
l
a
a11 x1 + a12 x2 + + a1n xn b1
Pre
de
a21 x1 + a22 x2 + + a2n xn b2
..
.
am1 x1 + am2 x2 + + amn xn bm
tas

xi 0.
no

Cada inequao pode ser transformada em uma equao atravs da incluso de uma varivel de folga.
ini
o

ai1 x1 + ai2 x2 + + ain xn bi


gr
ar-

m
rs

ai1 x1 + ai2 x2 + + ain xn + i si = bi


lle
e

i 0.
Lin

. Pe

Suponha que h apenas desigualdades do tipo . Ento adicionam-se m colunas s n j existentes.


Ve

a11 x1 + a12 x2 + + a1n xn + a1,n+1 s1 = b1


bra

oC

a21 x1 + a22 x2 + + a2n xn + a2,n+2 s2 = b2


..
.
im

am1 x1 + am2 x2 + + amn xn + am,n+m sm = bm


e
lg

xi , si 0.
n

Se o problema s tem igualdades e h mais linhas do que colunas, podemos descartar linhas at obter uma
matriz quadrada (porque as linhas excedentes so LD, e no modificam a soluo do sistema); Um problema
Jer

de otimizao linear descrito portanto por uma matriz com mais colunas do que linhas. Isso significa que
h colunas LD, e que nem todas as colunas so necessrias para formar uma base para o espao-coluna.
Cada base para o espao coluna corresponde a uma soluo bsica.
162 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

Pode-se demonstrar que a soluo tima, se existir, um ponto extremo, e consequentemente uma
soluo bsica, e o que o algoritmo Simplex faz percorrer cada uma destas solues bsicas at encontrar
n
a tima (o algoritmo Simplex as percorre de maneira inteligente, evitando enumerar todas elas h m
possveis bases!).
Normalmente, programas que realizam otimizao linear no armazenam a base inteira. A fatorao
LU de A armazenada, e quando uma coluna da inversa necessria, ela calculada, como descrito na

130
Seo 4.8.1.
O livro de Matousek [MG07] u ma introduo Programao Linear. Abordagens mais aprofundadas

r
e detalhadas so encontradas nos livros de Bazaraa, Jarvis, e Sherali [BJS90], de Schrijver [Sch99], de de

o
a
Bertsimas e Tsitsiklis [BT97] e de Luenberger e Ye [LY10].

e rs
n
4.8.3 Transformaes em imagens [matriz de transformao]

i
v
Rotao por eixo cannico
m
Matrizes de rotao ao redor de um dos eixos da base cannica so descritas no Teorema 4.113, cuja de-

la
monstrao pedida no Exerccio 115.
i
u
Teorema 4.113. Em R3 , seja Rs () a matriz de rotao ao redor do eixo s, pelo ngulo . Para os trs eixos da
base cannica, temos
l
a
Pre
de
! ! !
1 0 0 cos 0 sen cos sen 0
Rx () = 0 cos sen , Ry () = 0 1 0 , Rz () = sen cos 0 .
0 sen cos sen 0 cos 0 0 1
tas

Rotao por eixo passando na origem


no

ini

Teorema 4.114 (de Euler). Qualquer rotao passando pela origem em tres dimenses pode ser descrita como
o

composio de rotaes por tres eixos diferentes.


gr
ar-
rs

Se quisermos realizar uma rotao por ngulo ao redor de um eixo qualquer passando pela origem
lle

(no necessariamente um dos trs da base cannica), podemos usar o seguinte mtodo.
e
Lin

. Pe

0. escolha um ponto P, representado pelo vetor (u, v, w)T colinear com o eixo de rotao

1. aplique rotao por z, deixando o eixo de rotao no plano xz


Ve
bra

oC

2. aplique rotao por y, deixando o eixo de rotao colinear com z

3. realiza a rotao por ao redor do eixo z


im
e
lg

4. desfaa (2)
n

5. desfaa (1)
Jer

T
Da Geometria Analtica, sabemos que a norma do vetor (u, v, w) (o comprimento do segmento de reta
2 2 2
indo da origem at P) q = u + v + w . A figura a seguir mostra o ngulo de rotao () que nos
interessa para o passo (1), levando o ponto ao plano xz.
4.8. APLICAES 163

130
r
o
a
e rs
in
v
m
la
i
u
l
a
Pre
de
tas
no

ini
o

gr
ar-
rs

lle
e
Lin

. Pe
Ve
bra

oC
im
e
lg

n
Jer


Verificamos que o comprimento do vetor projetado no plano xy k = u2 + v2 . Da figura tambm
164 CAPTULO 4. MATRIZES E TRANSFORMAES LINEARES

obtemos que
p
cos = u/ u2 + v2
p
sen = v/ u2 + v2

A matriz de rotao do passo (1) pode ser escrita portanto substituindo os valores de cos e sen :

130

u/u2 + v2 v/u2 + v2 0

r
R1 = v/ u2 + v2 u/ u2 + v2 0

o
a
0 0 1
Olhamos agora a figura com o ponto j no plano xz, representado por p 0 . O ngulo que nos interessa para

e rs
n
o passo (2), , mostrado na prxima figura.
z
i
v
p0 k
m
la
i
w u
l
a
Pre
de

tas

Novamente, idntificamos seno e cosseno do ngulo na figura: