Escolar Documentos
Profissional Documentos
Cultura Documentos
FCUP
ALGEBRA LINEAR e
GEOMETRIA ANALITICA
Astronomia
1
2
Referencias
Neste primeiro modulo vamos retomar alguns conceitos aprendidos no ensino se-
cundario, e fazer uma ponte para os assuntos mais sofisticados que precisamos de
aprender na disciplina de ALGA. Tentamos por agora usar as notacoes que sao
mais familiares ao leitor.
Contents
1.1 Algebra Linear em R2 . . . . . . . . . . . . . . . . . . . 3
1.2 Aplicacoes a geometria . . . . . . . . . . . . . . . . . . 18
I Palavras chave
Vectores. R2 como espaco vectorial real. Subespacos . Dependencia e in-
dependencia linear. Base canonica. Bases, coordenadas e dimensao. Aplicacoes
Lineares. Matriz de uma aplicacao linear. Determinantes. Valores e vectores
proprios.
Geometria Euclideana em R2 . Produto interno (euclideano). Norma (eu-
clideana). Angulo. Ortogonalidade. Rectas vectoriais e afins. Projeccao ortogo-
nal. Interpretacao geometrica de det e de det A. Reflexoes numa recta. Trans-
formacoes ortogonais em R2 . Os grupos O(2) e SO(2).
I Notacoes
x, y, u, v, w... vectores, em vez de ~x, ~y, ~u, ~v, ...
a, b, c, ..., , , , , ... escalares, isto e, numeros reais (para ja).
I Numero de aulas
2 teoricas e 2 teorico-praticas.
I Objectivos
Um forte intuicao geometrica sobre os principais conceitos da ALGA. Resolver
os sistenmas que aparecem obrigatoriamente pelo metodo de eliminacao de
Gauss.
2
1.1. Algebra Linear em R2 3
Vectores
x1 y1
I 1.2 Dados dois vectores x = ey= , em R2 , define-se a respec-
x2 y2
tiva soma vectorial, como sendo o vector x + y, dado por:
x1 y1 x1 + y1
x+y = + =
x2 y2 x2 + y2
Subespacos
Se x, y S tambem x + y S (1.1.9)
Se R, e x S tambem x S (1.1.10)
triviais: S = {0} e S = R2
I Exerccio 1.2 ... Diga quais dos seguintes conjuntos sao subespacos vectoriais de
R2 :
a) A = (x, y) R2 : x = y ; e) E = (x, y) R2 : 3x y = 1 ;
b) B = (a, a) R2 : a R ; f) F = (x, y) R2 : |x + 2y| = 3 ;
c) C = (x, y) R2 : x + y 6= 2 ; g) G = {(b, 2a + b) : a, b R} .
d) D = (x, y) R2 : x + 5y = 0 ; g) H = {(b, 2a + 1) : a, b R} .
Combinacao linear
x = a + b (1.1.11)
span{a, b} = { a + b : , R} (1.1.12)
I Exerccio 1.3 ... Em cada uma das alneas que se seguem, verifique se x
span {a, b}:
a) x = (1, 0), a = (1, 1), e b = (0, 1); b) x = (2, 1), a = (1, 1), e b = (1, 1);
c) x = (1, 0), a = (1, 1), e b = (2, 2); d) x = (1, 1), a = (2, 1), e b = (1, 0);
e) x = (4, 3), a = (1, 1), e b = (2, 2). f) x = (0, 0), a = (2, 1), e b = (4, 2);
I Exerccio 1.4 ... Em cada um dos casos, calcule o subespaco gerado por a e b,
onde
I Exerccio 1.5 ... Verifique se os vectores que se seguem sao linearmente depen-
dentes ou independentes:
Base canonica
I 1.9 Os vectores de R2 :
1 0
e1 = i = e e2 = j =
0 1
sao
linearmente
independentes, e tem a propriedade de que qualquer vector x =
x1
, se pode escrever como combinacao linear de e1 e e2 . De facto:
x2
x1 1 0
x = = x1 + x2
x2 0 1
= x1 e1 + x2 e2 (1.1.13)
x = x1 u1 + x2 u2 (1.1.14)
I 1.11 Todas as bases de R2 tem sempre dois elementos, e, por isso, diz-se que a
dimensao (real) de R2 e 2:
Os escalares x1 , x2 R, que surgem em (1.1.14), dizem-se as componentes
(ou as coordenadas) do vector x, na base B = {u1 , u2 }. Neste caso escreve-
mos:
x1
x = (x)B (1.1.15)
x2 B
I Exerccio 1.6 ... Verifique se os conjuntos que se seguem, sao ou nao bases de
cada um dos espacos vectoriais indicados em cada alnea. Calcule as coordenadas de
x = (1, 1) relativamente aos que sao bases:
I Exerccio 1.7 ... Calcule uma base de cada um dos subespacos que se seguem, e
depois as coordenadas do vector u em cada uma das bases:
a) S = (x, y) R2 : x + y = 0 , u = (3, 3);
b) S = (x, y) R2 : 2x = y , u = (4, 8);
Aplicacoes Lineares
x, y R2 , e R.
o nucleo de A:
ker A = {x R2 : A(x) = 0} (1.1.18)
a imagem de A:
I Exerccio 1.10 ... Mostre que uma aplicacao linear A : R2 R2 fica completa-
mente determinada pelos valores que assume numa base. Mais concretamente, se {e1 , e2 }
e uma base e se A(e1 ) = f1 , A(e2 ) = f2 , onde f1 , f2 sao fixos de forma arbitraria, entao
estes dados determinam de forma unica a imagem A(x) de um vector arbitrario.
1.1. Algebra Linear em R2 7
I Exerccio 1.11 ... Sabendo que A e uma aplicacao linear, calcule em cada caso a
imagem de um vector generico:
A matriz:
a c
A = (1.1.22)
b d
diz-se a matriz de A na base B, e nota-se por:
A = (A)B
I Exerccio 1.12 ... Em cada um dos seguintes casos determine a matriz da aplicacao
linear A na base indicada e calcule ker A e im A :
A: R2 R2
a). , na base C = {(1, 0), (0, 1)}
(x, y) 7 (3x y, x + 5y)
A: R2 R 2
b). , na base B = {(1, 1), (1, 1)}
(x, y) 7 (3x y, x + 5y)
A: R2 R 2
c). , na base B = {(2, 1), (1, 1)}
(x, y) 7 (3x, x + y)
1.1. Algebra Linear em R2 8
Determinantes
a c
I 1.15 Dada uma matriz A = , definimos o seu determinante det A,
b d
como sendo o numero real:
a c
det A = det = ad bc (1.1.26)
b d
a c
Representemos por c1 = e c2 = as colunas da matriz A, de tal
b d
forma que:
det A = det [c1 c2 ] = ad bc (1.1.27)
e ainda que:
det I = 1 (1.1.33)
det (AB) =
det A det B (1.1.34)
det (A1 ) (det A)1
= A inversvel (1.1.35)
det (P 1 A P ) det A = P inversvel (1.1.36)
t
det (A) =
det (A ) (1.1.37)
1 0
onde At e a transposta de A e I = e a matriz identidade.
0 1
Alem disso e possvel provar que para uma matriz A:
x1 y1
I 1.17 Dados dois vectores x = e y = , em R2 , define-se o
x2 y2
respectivo produto interno (Euclideano), como sendo o escalar x y R, dado
por:
xy = x1 y1 + x2 y2
y1
= (x1 x2 )
y2
= xt y (1.1.39)
e bilinear:
(x + y) z = xz+yz
x (y + z) = xy+xz
x y = x y = (x y) (1.1.40)
e simetrica:
xy =yx (1.1.41)
e nao degenerada:
x y = 0 y R2 x = 0 (1.1.42)
e definida positiva:
xx0 (1.1.43)
2
x, y, z R , R.
I Exerccio 1.15 ... Verifique que o produto interno (1.1.39) satisfaz as propriedades
acima referidas.
Norma (euclideana)
x1
I 1.19 Define-se a norma euclideana kxk, de um vector x = R2 ,
x2
atraves da formula:
kxk xx
= xt x
p
= (x1 )2 + (x2 )2 (1.1.44)
e homogenea (positiva):
k xk = || kxk (1.1.46)
1.1. Algebra Linear em R2 10
x, y R2 , R.
|x y| kxkkyk (1.1.48)
x, y R2 .
Demonstracao...
Se y = 0 a desigualdade e trivial. Se y 6= 0 consideremos o vector:
xy
u=x y
kyk2
de tal forma que u y = 0. temos entao que:
xy xy
0 kuk2 = x y x y
kyk2 kyk2
(x y)(y x)
= xx
kyk2
(x y)2
= kxk2 (1.1.49)
kyk2
o que portanto demonstra a desigualdade, CQD.
Demonstremos agora a desigualdade triangular (7.3.4):
kx + yk2 = (x + y) (x + y)
= xx+xy+yx+yy
= kxk2 + 2(x y) + kyk2
kxk2 + 2|x y| + kyk2
kxk2 + 2kxkkyk + kyk2 , pela desigualdade de Cauchy-Schwarz (2.1.48)
= (kxk + kyk)2
Angulo, ortogonalidade
Portanto:
x y = kxkkyk cos (1.1.52)
I 1.23 Dado um vector nao nulo a 6= 0, o conjunto dos vectores x que sao da
forma:
x = t a, tR (1.1.53)
a1
diz-se a recta (vectorial) gerada por a. Se a = , entao (1.1.53) e equiva-
a2
lente ao sistema de equacoes:
x1 = t a1
, tR
x2 = t a2
a2 x1 a1 x2 = 0 (1.1.54)
x1
o que exibe a recta como o conjunto dos vectores x = que sao ortogonais
x2
a2
ao vector n = , isto e, tais que:
a1
xn=0
P = A + t v, tR (1.1.55)
(P A) n = 0
1.1. Algebra Linear em R2 12
A(v) = v (1.1.57)
Neste caso, o vector nao nulo v, diz-se um vector proprio associado (ou perten-
cente) ao valor proprio .
I 1.26 O conjunto constitudo pelo vector nulo 0 e por todos os vectores proprios
pertencentes a um certo valor proprio , de A, e um subespaco de R2 , chamado o
subespaco proprio de A, pertencente ao valor proprio , e nota-se por:
Exemplo...
A equacao caracterstica de A e:
isto e:
2x1 + 4x2 = 0
4x1 8x2 = 0
cuja solucao geral e:
x1 = 2t
tR
x2 = t
Portanto os vectores poprios de A, pertencentes ao valor proprio 1 = 5, sao da forma:
2
t t R {0}
1
A: R2 R2 A: R2 R2
a). b).
(x, y) 7 (2x y, y) (x, y) 7 (x, y)
A: R2 R2 A: R2 R2
c). d).
(x, y) 7 (3x + y, 12x + 2y) (x, y) 7 (x y, x + y)
Projeccao ortogonal
1.1. Algebra Linear em R2 14
Uma vez que u = Pa (x) pertence a recta gerada por a, u e da forma u = a para
um certo R, caracterizado pela condicao de que:
(x a) a = 0
xa
Obtemos entao que t = kak2 e portanto:
xa
Pa (x) = kak2 a (1.1.62)
(b a)2
d2 = kbk2
kak2
e atendendo a (1.1.52):
d = kbk sin
onde [0, ] e o angulo entre a e b. A area do paralelogramo P(a, b), gerado
por a e b e portanto igual a:
Por outro lado um calculo simples mostra que o quadrado desta area (que e
sempre 0, ja que sin 0) e igual ao quadrado do determinante det (a b),
donde se deduz que:
Q = { e1 + e2 : 0 , 1}
Portanto:
isto e:
Note que S2a = Id. Uma vez que Pa (a) = a vemos que Sa = a, e portanto
a e vector proprio de Sa , pertencente ao valor proprio 1. Se considerarmos um
qualquer vector b 6= 0 ortogonal a a (i.e.: a b = 0), vemos que Pa (b) = 0 e
portanto Sa (b) = b.
A matriz de Sa na base {a, b} e portanto:
1 0
0 1
o que mostra que det Sa = 1 < 0, i.e., Sa inverte orientacao (embora preserve o
modulo da area de paralelogramos)
Transformacoes ortogonais em R2
ci cj = ij
a
Como c1 = A(e1 ) e um vec-
b
tor de norma 1, sabemos que a2 +b2 = 1
e portanto existe um unico [0, 2[
tal que a = cos e b = sin ( [0, 2[
e o angulo polar de c1 , i.e., o angulo ori-
entado que c1 faz com a parte positiva
do eixo dos xx):
cos
Portanto c1 = , e como c2 = A(e2 ) e tambem um vector unitario e
sin
ortogonal a c1 , dois casos podem ocorrer:
sin sin
(i). c2 = , ou (ii). c2 =
cos cos
No primeiro caso, a matriz A tem a forma:
cos sin
A= (1.1.73)
sin cos
cujo determinante e 1. Neste caso A diz-se uma rotacao de angulo (no sentido
positivo), em torno da origem, e nota-se por R :
I Exerccio 1.20 ... Em cada um dos casos que se seguem, determine a simetria S
2
relativamente a recta indicada, a matriz de S relativamente a base
canonica
de R e uma
1 0
base B de R2 relativamente a qual a matriz de S seja do tipo .
0 1
a) r e a recta de equacao y = 2x;
b) r e a recta de equacao 3x y = 0;
c) r e a recta de equacao y = (tg 5 )x;
I Exerccio 1.21 ... Em cada um dos seguintes casos, mostre que a transformacao
linear A de R2 e uma isometria linear e descreva A geometricamente (isto e, diga se A
e uma simetria ou uma rotacao; no caso de ser uma simetria, diga relativamente a que
recta, no caso de ser uma rotacao determine o angulo).
Dem.: Como OQRP e um losango, kuk = kvk. Pretende-se provar que QP
I 1.38 Exemplo [Lei dos cossenos] ... Num triangulo plano 4(ABC), onde
a = BC, etc. tem-se que:
c2 = a2 + b2 2ab cos C
Dem.: Escolhamos um referencial com origem em C, e ponhamos u = CA e
v = CB. Entao AB = v u, e da que:
kABk2 = kv uk2 = kvk2 2u v + kuk2
c2 = a2 + b2 2ab cos C
Dem.: Seja u = OQ, v = OR. Entao
P R = OR OP = u + v
QR = OR OQ = v u
Sabe-se que kuk = kvk e portanto:
P R QR = (u + v) (v u) = kvk2 kuk2 = 0
1.2. Aplicacoes a geometria 20
(X A) (C B) + (X B) (A C) + (X C) (B A) = 0 (1.2.1)
(X A) (C B) = 0 (1.2.2)
(X B) (A C) = 0 (1.2.3)
(X C) (B A) = 0
como se pretendia.
I 1.41 Exemplo ... Dados dois pontos distintos A 6= B no plano, mostrar que
o lugar geometrico dos pontos P cuja distancia a A e o dobro da distancia a B e
um crculo.
Modulo 2
Neste segundo modulo vamos retomar alguns conceitos aprendidos no ensino se-
cundario, e fazer uma ponte para os assuntos mais sofisticados que precisamos de
aprender na disciplina de ALGA. Tentamos por agora usar as notacoes que sao
mais familiares ao leitor.
Contents
2.1 Algebra Linear em R3 . . . . . . . . . . . . . . . . . . . 22
Palavras chave
Vectores. R3 como espaco vectorial real. Subespacos . Dependencia e in-
dependencia linear. Base canonica. Bases, coordenadas e dimensao. Mudanca
de base e de coordenadas. Aplicacoes Lineares. Matriz de uma aplicacao linear.
GL(2). Pontos de vista passivo e activo. Conjugacao. Determinantes. Valores e
vectores proprios.
Geometria Euclideana em R3 . Produto interno (euclideano). Norma (eu-
clideana). Angulo. Ortogonalidade. Rectas vectoriais e afins. Planos vectoriais
e afins. Produto vectorial em R3 . Produto misto em R3 . Projeccao ortogonal.
Interpretacao geometrica de det e de det A. Simetrias relativamente a uma recta
e a um plano. Transformacoes ortogonais em R3 . Os grupos O(3) e SO(3).
Notacoes
x, y, u, v, w... vectores, em vez de ~x, ~y, ~u, ~v, ...
a, b, c, ..., , , , , ... escalares, isto e, numeros reais (para ja).
21
2.1. Algebra Linear em R3 22
Vectores
Subespacos
triviais: S = {0} e S = R3
rectas vectoriais: S = { v : R}, onde v 6= 0, que representa uma
recta que passa na origem, gerada por v 6= 0.
planos vectoriais: S = { u + v : , R}, onde u e v sao dois vectores
nao colineares em R3 , que representa um plano que passa na origem, gerado
por u e v.
I Exerccio 2.1 ... Diga quais dos seguintes conjuntos sao subespacos vectoriais de
R3 :
a) A = (x, y, z) R3 : x + y + z = 0 ; e) E = (a, a, 5a) R3 : a R .
3 3
b) B = (x, y, z) R : x + y = 3z ; f) F = (a, a + 1, 5a) R : a R .
c) S = (x, y, z) R3 : x y = 3z e z = 2y ; g) G = {(b,
2a + b, 1) : a, b R}
.
d) D = (x, y, z) R3 : 0 x2 + y 2 z ; h) H = (a2 , b, 2a + b) : a, b R .
Combinacao linear
span{a1 , a2 , , ak } = {1 a1 + 2 a2 + + k ak : 1 , , n R}
(2.1.12)
I Exerccio 2.3 ... Em cada uma das alneas que se seguem, verifique se x
span {a, b, c}:
I Exerccio 2.4 ... Em cada um dos casos, calcule o subespaco gerado por a, b e c,
onde
I Exerccio 2.5 ... Verifique se os vectores que se seguem sao linearmente depen-
dentes ou independentes:
Base canonica
I 2.13 Os vectores de R3 :
1 0 0
e1 = i = 0 e2 = = 1 e e3 = k = 0
0 0 1
sao
linearmente
independentes, e tem a propriedade de que qualquer vector x =
x1
x2 , se pode escrever como combinacao linear de e1 , e2 e e3 . De facto:
x3
x1 1 0 0
x = x2 = x1 0 + x2 1 + x3 0
x3 0 0 1
= x1 e1 + x2 e2 + x3 e3 (2.1.13)
2.1. Algebra Linear em R3 25
x = a1 u1 + a2 u2 + a3 u3 (2.1.14)
Todas as bases de R3 tem sempre tres elementos, e por isso, diz-se que a
dimensao (real) de R3 e 3.
I Exerccio 2.6 ... Verifique se os conjuntos que se seguem, sao ou nao bases de
cada um dos espacos vectoriais indicados em cada alnea. Calcule as coordenadas de
x = (1, 1) relativamente aos que sao bases:
I Exerccio 2.7 ... Calcule uma base de cada um dos subespacos que se seguem, e
depois as coordenadas do vector u em cada uma das bases:
a) S = (x, y, z) R3 : x + y + z = 0 , u = (1, 1, 2);
3
b) S = (x, y, z) R : 2x y = z , u = (3, 2,4);
b) S = (x, y, z) R3 : 2x y = 0 = x + y z , u = (1, 2, 3);
Aplicacoes Lineares
x, y R3 , e R.
o nucleo de A:
ker A = {x R3 : A(x) = 0} (2.1.18)
2.1. Algebra Linear em R3 26
a imagem de A:
I Exerccio 2.9 ... Das aplicacoes que se seguem, indique aquelas que sao lineares.
Relativamente a essas, calcule o respectivo nucleo e diga quais as que sao injectivas.
a) A : R3 R3 ; (x, y, z) 7 (x + y, x y, x + z)
b) A : R3 R3 ; (x, y) 7 (|x| , |y| , x z 2 )
c) A : R3 R3 ; (x, y, z) 7 (x + 1, x y, 3)
d) A : R3 R3 ; (x, y, z) 7 (0, x + y, 0)
a) sendo que A(1, 0, 0) = (1, 1, 1), A(0, 1, 0) = (1, 2, 0); e A(0, 0, 1) = (1, 1, 1)
b) sendo A(1, 1, 1) = (1, 2, 0) e A(0, 3, 1) = (2, 2, 0); e A(1, 0, 0) = (1, 1, 1)
I 2.17 Vamos nesta seccao introduzir pela primeira vez as notacoes que serao usa-
das na parte mais avancada do curso. A primeira vista, estas notacoes parecem
muito complicadas mas, apos algum treino, veremos que elas facilitam substan-
cialmente os calculos e as deducoes teoricas que vamos estudar. E nao fossem elas
usadas intensivamente por Einstein ... As principais diferencas sao:
o uso de ndices superiores e inferiores A11 , A32 , A33 , ... para as entradas de
uma matriz, de tal forma que na matriz A = (Aij ), o ndice superior i e o
ndice-linha - o que numera as linhas - enquanto que o ndice inferior j e o
ndice-coluna - o que numera as colunas:
A matriz:
A11 A12 A13
A = A21 A22 A23 (2.1.23)
A31 A32 A33
2.1. Algebra Linear em R3 27
Determinantes
A11 A12 A13
I 2.20 Dada uma matriz A = A21 A22 A23 , definimos o seu determi-
A31 A32 A33
nante det A, como sendo o numero real:
1
A1 A12 A13
2
det A = A1 A22 A23
A31 A32 A33
2 2 2
1 A2 A23 2
1 A1 A3
A1 A22
= A1 3 A2 3 1
+ A3 det 3
A2 A33 A1 A33 A1 A32
(2.1.28)
2.1. Algebra Linear em R3 28
e ainda que:
(iv).
det I = 1 (2.1.34)
det (AB) = det A det B (2.1.35)
det (A1 ) = (det A)1 A GL(3) (2.1.36)
det (P 1 A P ) = det A P GL(3) (2.1.37)
t
det (A) = det (A ) (2.1.38)
onde At e a transposta de A.
(v). Alem disso e possvel provar que para uma matriz A:
A e inversvel se e so se det A 6= 0
x1 y1
I 2.23 Dados dois vectores x = x2 e y = y2 , em R3 , define-se o
x3 y3
respectivo produto interno (euclideano), como sendo o escalar x y R, dado
por:
xy = x1 y1 + x2 y2 + x3 y3
y1
= (x1 x2 x3 ) y2
y3
= xt y (2.1.39)
e bilinear:
(x + y) z = xz+yz
x (y + z) = xy+xz
x y = x y = (x y) (2.1.40)
e simetrica:
xy =yx (2.1.41)
e nao degenerada:
x y = 0 y R2 x = 0 (2.1.42)
e definida positiva:
xx0 (2.1.43)
x, y, z R3 , R.
I Exerccio 2.12 ... Verifique que o produto interno (2.1.39) satisfaz as propriedades
acima referidas.
Norma (euclideana)
x1
I 2.25 Define-se a norma euclideana kxk, de um vector x = x2 R3 ,
x3
atraves da formula:
kxk xx
= xt x
p
= (x1 )2 + (x2 )2 + (x3 )2 (2.1.44)
2.1. Algebra Linear em R3 30
e homogenea (positiva):
k xk = || kxk (2.1.46)
x, y R2 , R.
Desigualdade de Cauchy-Schwarz:
|x y| kxkkyk (2.1.48)
x, y R2 .
Angulo, ortogonalidade
xy
cos = [1, 1] (2.1.50)
kxkkyk
Portanto:
x y = kxkkyk cos (2.1.51)
I 2.28 Dado um vector nao nulo v 6= 0, o conjunto dos vectores x que sao da
forma:
x = tv tR (2.1.52)
2.1. Algebra Linear em R3 31
v1
diz-se a recta (vectorial) gerada por v. Se v = v2 , entao (3.3.4) e equiva-
v3
lente ao sistema de equacoes:
x1 = t v1
x2 = t v2 tR
x3 = t v3
que se dizem as equacoes parametricas da referida recta.
P = A + tv tR (2.1.53)
isto e, tais que AP = t v, diz-se a recta (afim) que passa em A e e gerada
por v.
x1 a1 v1
Se P = x2 , A = a2 , e v = v2 , entao (2.1.53) e equivalente
x3 a3 v3
ao sistema de equacoes:
x1 = a1 + t v1
x2 = a2 + t v2 tR
x3 = a3 + t v3
que se dizem as equacoes parametricas da referida recta.
Resolvendo em ordem a t podemos escrever as chamadas equacoes homogeneas
da referida recta, na forma:
x1 a1 x2 a2 x3 a3
= = (2.1.54)
v1 v2 v3
span{u, v} {x R3 : x = u + v , R} (2.1.55)
x = u + v , R
P = A + u + v , R (2.1.57)
I 2.32 Dado um vector nao nulo n R3 {0}, o conjunto dos pontos P cujos
vectores de posicao OP = x R3 sao ortogonais a n:
{x Rn : x n = 0} (2.1.59)
3
formam um subespaco de dimensao
2 em R ,que sediz o plano (vectorial)
x1 n1
ortogonal a n. Se x = x2 e se n = n2 , a equacao x n = 0, e
x3 n3
equivalente a seguinte equacao cartesiana:
n1 x1 + n2 x2 + n3 x3 = 0 (2.1.60)
I 2.35 Exemplo ... Calcular a distancia entre um ponto P e uma recta afim em
IE3 , quando:
Produto vectorial em R3
e bilinear:
(x + y) z = x z + y z
x (y + z) = x y + x z
x y = x y = (x y) (2.1.64)
e antissimetrico:
x y = y x (2.1.65)
(x y) z + (y z) x + (z x) y = 0 (2.1.66)
x y e perpendicular a x e a y, i.e.:
(x y) x = 0 = (x y) y (2.1.67)
enquanto que:
x (y z) = (x z)y (x y)z (2.1.70)
I 2.38Em particular,
se consideramos o paralelogramo de lados adjacentes x =
x1 y1
x2 e y = y2 , contido no plano x3 = 0, vemos que a respectiva area e
0 0
dada por:
i j k
kx yk = det x1 x2 0
y1 y2 0
x1 x2
= det (2.1.71)
y1 y2
I 2.39 Uma equacao (cartesiana) para o plano vectorial span{u, v}, gerado por
dois vectores u, v R3 {0}, linearmente independentes, e:
x (u v) = 0 (2.1.72)
2.1. Algebra Linear em R3 35
[x, y, z] x (y z) (2.1.73)
[x, y, z] = det [x y z]
x1 y1 z1
= det x2 y2 z2 (2.1.74)
x3 y3 z3
z (x y)
(x y) (2.1.77)
kx yk2
det [x1 x2 x3 ] 6= 0
Portanto:
vol A(Q) = |det A| (2.1.79)
A(v) = v (2.1.82)
Neste caso, o vector nao nulo v, diz-se um vector proprio pertencente ao valor
proprio .
2.1. Algebra Linear em R3 37
I 2.46 O conjunto constitudo pelo vector nulo 0 e por todos os vectores proprios
pertencentes a um certo valor proprio , de A, e um subespaco de R3 , chamado o
subespaco proprio de A, pertencente ao valor proprio , e nota-se por:
I 2.49 Note ainda que o polinomio caracterstico p() = det (A Id), de uma
aplicacao linear A : R3 R3 , e sempre um polinomio do 3.o grau, do tipo:
p() = 3 + b2 + c + d b, c, d R
e por isso admite sempre uma raiz real R (eventualmente nula). Se 6= 0, con-
clumos portanto que, neste caso, existe sempre um subespaco proprio invariante
E() R3 , de dimensao superior ou igual a 1, tal que:
A(E()) E()
A(x) = x x E()
Exemplo...
A equacao caracterstica de A e:
isto e:
x1 = 0
5x1 = 0
2x1 + 3x2 + 5x3 = 0
cuja solucao geral e:
x1 = 0
x2 = 53 s sR
x3 = s
Portanto os vectores poprios de A, pertencentes ao valor proprio 2 = 2, sao da forma:
0
s 35 s R {0}
1
ker Pa = span{b} = {b R3 : b a = 0} = a
P (x) x Pn (x)
P (x) x Pn (x)
xn
= x n (2.1.88)
knk2
ker P = span{n}
e:
P (x) = x x = n
S (x) = 2P (x) x
xn
= 2 x n x
knk2
xn
= x2 n x R3 (2.1.90)
knk2
S (n) = n
ci cj = ij
A(u) = u
A(u) = u
A()
~ Angulos de Euler
I 2.57 Angulos de Euler ... Qualquer rotacao pode ser escrita como um pro-
duto de rotacoes dos tipos acima indicados.
Com efeito consideremos uma qualquer rotacao R SO(3) e duas bases
ortonormadas de R3 :
B = {e1 , e2 , e3 }
b = BR =
B e1 , b
{b e2 , b
e3 } (2.1.104)
1. Obter uma base ortonormada B 0 = {e01 , e02 , e03 = e3 }, atraves de uma rotacao
R3 (), em torno de e3 e de angulo , onde e o angulo entre e1 e a chamada
linha dos nodos (a recta de interseccao dos planos gerados respectivamente por
e1 , b
{e1 , e2 } e {b e2 }):
B 0 = B R3 () (2.1.105)
2.1. Algebra Linear em R3 44
I 2.58 Portanto:
b
B = BR
= BR3 ()R2 ()R3 () (2.1.108)
e:
R = R3 ()R2 ()R3 ()
cos sin 0 cos 0 sin cos sin 0
= sin cos 0 0 1 0 sin 0
cos (2.1.109)
0 0 1 sin 0 cos 0 0 1
Os angulos , , chamam-se angulos de Euler.
2.1. Algebra Linear em R3 45
Contents
3.1 Espacos vectoriais . . . . . . . . . . . . . . . . . . . . . 46
3.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Subespacos vectoriais . . . . . . . . . . . . . . . . . . 50
3.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 54
46
3.2. Exemplos 47
3.2 Exemplos
Vamos de imediato apresentar diversos exemplos desta importante definicao. Para
fixar ideias, nos exemplos que se seguem, vamos supor que Ik = R (se Ik = C, a
discussao e completamente analoga). A verificacao detalhada de que, em cada
exemplo, se verificam as oito propriedades (3.1.3) fica a cargo do leitor. E um
exerccio facil mas instrutivo.
Rn Rn Rn
def (3.2.3)
(x = [xi ], y = [y i ]) 7 x + y = [xi + y i ]
e:
R Rn Rn
def (3.2.4)
(, x = [xi ]) 7 x = [xi ]
Quando n = 0, poe-se R0 = {0} e quando n = 1, R1 = R. O espaco Rn chama-se
o espaco coordenado real de dimensao1 n.
.
onde p, q R[X].
.
onde p, q RN [X].
.
def
[Aij ] + [Bji ] = [Aij + Bji ]
def
[Aji ] = [Aij ] (3.2.12)
def
V = RIN = {s = (s1 , s2 , , si , ) = (si )i1 ; si R, i 1} (3.2.13)
def
(si ) + (ti ) = (si + ti )
def
(si ) = (si ) (3.2.14)
x = a, R (3.3.4)
3.3. Subespacos vectoriais 51
a1
Esta equacao diz-se a equacao vectorial da recta span{a} = Ra. Se a = ,
a2
entao (3.3.4) e equivalente ao sistema de equacoes:
1
x = a1
(3.3.5)
x 2 = a2
que se dizem as equacoes parametricas da referida recta. Eliminando nestas
equacoes, obtemos a chamada equacao cartesiana dessa mesma recta:
a2 x1 a1 x2 = 0 (3.3.6)
.
3.3. Subespacos vectoriais 52
V =S T
V = S1 Sk = kj=1 Sj
Pk def
[SD10 ]. V = S1 + +Sk = j=1 Si = spanIk {kj=1 Sj }
P (3.3.13)
[SD20 ]. Sj i6=j Si = {0} j = 1, . . . , k
E facil ver que, de facto, P e I sao ambos subespacos de F(R; C) e que, alem
disso:
F(R; C) = P I
De facto, se f F (R; C), entao t R:
1 1
f (t) = [f (t) + f (t)] + [f (t) f (t)]
|2 {z } |2 {z }
P I
e, se f P I, entao:
.
3.4. Exerccios 54
3.4 Exerccios
I Exerccio 3.1 ... Diga quais dos seguintes conjuntos sao subespacos vec-
toriais de R2 :
a) A = (x, y) R2 : x = y ;
b) B = (a, a) R2 : a R ;
c) C = (x, y) R2 : x + y 6= 2 ;
d) D = (x, y) R2 : x + 5y = 0 ;
e) E = (x, y) R2 : 3x y = 1 ;
f ) F = (x, y) R2 : |x + 2y| = 3 ;
g) G = {(b, 2a + b) : a, b R} .
I Exerccio 3.2 ... Diga quais dos seguintes conjuntos sao subespacos vec-
toriais de R3 :
a) A = (x, y, z) R3 : x + y + z = 0 ;
b) B = (x, y, z) R3 : x + y = 3z ;
c) C = (x, y, z) R3 : x y = 3z e z = 2y ;
d) D = (x, y, z) R3 : 0 x2 + y 2 z ;
e) E = (a, a, 5a) R3 : a R .
I Exerccio 3.3 ... Diga quais dos seguintes conjuntos sao subespacos vec-
toriais de C2 ou C3 , espacos vectoriais munidos da estrutura usual de espacos
vectoriais complexos:
a) A = (z, w) C2 : z w = 1 ;
b) B = (z, w) C2 : z + 2w = 0 ;
c) C = (u, z, w) C3 : z w = 2u ;
d) D = (u, z, w) C3 : u + z + w > 0 ;
e) E = {(a + b, a b, a + 1) : a, b C} .
I Exerccio 3.4 ... Diga quais dos seguintes conjuntos, sao subespacos vec-
toriais de M2,2 (R):
a b
a) M2,2 (R) : a + 2b = 0 ;
c d
a b
b) M2,2 (R) : c 0 ;
c d
a 0
c) M2,2 (R) : a, c R .
c a
I Exerccio 3.5 ... Diga quais dos seguintes conjuntos sao subespacos vec-
toriais de R (X) :
a) {P R2 (X) : P (3) = 0} ;
b) {P R2 (X) : P (0) = 1} ;
3.4. Exerccios 55
c) {P R3 (X) : P 0 (X) = 0} ;
d) {P R3 (X) : P (1) = 0 e P (2) = 0} ;
e) P (X) = aX + bX 2 : a, b R .
I Exerccio 3.9 ... Em cada uma das alneas que se seguem, verifique se
x span {a, b}:
a) x = (1, 0), a = (1, 1), e b = (0, 1);
b) x = (2, 1), a = (1, 1), e b = (1, 1);
c) x = (1, 0), a = (1, 1), e b = (2, 2);
d) x = (1, 1), a = (2, 1), e b = (1, 0);
e) x = (4, 3), a = (1, 1), e b = (2, 2).
f ) x = (4i, 3), a = (1, 0), e b = (1, 1), em C2 como espaco vectorial complexo;
g) x = (4i, 3), a = (1, 0), e b = (1, 1), em C2 como espaco vectorial real.
I Exerccio 3.10 ... Em cada uma das alneas que se seguem, verifique se
verifique se x span {a, b, c}:
a) x = (1, 0, 0), a = (1, 1, 1), b = (1, 1, 0) e c = (1, 0, 1);
b) x = (1, 0, 0), a = (1, 1, 2), b = (1, 1, 0) e c = (1, 0, 1);
c) x = (1, 1, 1), a = (0, 1, 1), b = (1, 1, 0) e c = (1, 0, 2);
d) x = (0, 0, 1), a = (1, 1, 1), b = (1, 1, 0) e c = (1, 0, 1);
e) x = (1, 2, 3), a = (1, 1, 1), b = (2, 2, 0) e c = (0, 0, 1).
I Exerccio 3.11 ... Diga quais dos elementos de R (X) sao combinacao
linear de X, X + X 2 e 2X X 2 :
3.4. Exerccios 56
a) 1 + X + X 2 + X 3 ;
b) X 2 ;
c) 3X + X 2 ;
d) 0.
I Exerccio 3.12 ... Diga quais dos seguintes elementos de M3,2 (R) per-
tencem a:
1 1 0 1
span 0 1 , 0 0 :
0 0 1 0
1 3 1 2
a) 0 1 , b) 1 1 .
2 0 3 2
Modulo 4
Contents
4.1 Aplicacoes lineares. Isomorfismos lineares. Oper-
adores lineares. Funcionais lineares. O espaco dual
V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 59
57
4.1. Aplicacoes lineares. Isomorfismos lineares. Operadores lineares.
Funcionais lineares. O espaco dual V 58
HomIk (V, W) tem uma estrutura natural de espaco vectorial sobre Ik, definindo
a soma de aplicacoes lineares e a multiplicacao por escalares, respectivamente por:
def
(L + M)(v) = L(v) + M(v)
def
(L)(v) = L(v) (4.1.2)
0 : C 0 (R; R) R
def (4.1.5)
f 7 0 [f ] = f (0)
4.2. Exerccios 59
4.2 Exerccios
I Exerccio 4.1 ... Das aplicacoes que se seguem, indique aquelas que sao
lineares. Relativamente a essas, calcule o respectivo nucleo e diga quais as que sao
injectivas.
a) f : R2 R2 ; (x, y) 7 (x + y, x y)
b) f : R3 R2 ; (x, y, z) 7 (2x + y, z 3y)
c) f : R2 R2 ; (x, y) 7 (|x| , |y|)
d) f : R2 R3 ; (x, y) 7 (x2 , y 2 , 0)
e) f : R4 R2 ; (x, y, z, t) 7 (x + y + 1, z + t + 2)
f) f : R2 R1 (X) ; (a, b) 7 a + bX
g) f : R3 (X) R1 (X) ; a + bX + cX 2 + dX 3 7 (a + b) + (c 2d)X
4.2. Exerccios 60
i) f : R3 (X) R; P 7 P (1)
j) f : R (X) R (X) ; P 7 P 0
l) f : C2 C2 ; (z, w) 7 (iz + w, z + iw) considere K = R
2 2
m) f : C C ; (z, w) 7 (iz, w) considere K = R
2 2
n) f : C C ; (z, w) 7 (iz, w) considere K = C
Modulo 5
Contents
5.1 Bases, coordenadas e dimensao . . . . . . . . . . . . . 61
5.2 Calculos com coordenadas. Problemas . . . . . . . . . 68
5.3 Mudancas de base e de coordenadas . . . . . . . . . . 71
5.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 73
[LI]. 1 v1 +2 v2 + +m vm = 0 1 = 2 = = m = 0 (5.1.1)
1 v1 + 2 v2 + + m vm = 0
I Definicao 5.2 [Base finita] ... Seja V um espaco vectorial sobre um corpo
Ik. Um conjunto ordenado de vectores B = {e1 , e2 , , en } em V diz-se uma base
finita (ordenada) de V se:
O espaco vectorial V diz-se de dimensao finita se admite uma base finita. Caso
contrario diz-se de dimensao infinita.
.
61
5.1. Bases, coordenadas e dimensao 62
Alem disso, por (5.1.2) [B1]. esses escalares sao unicos (dependem apenas de
i
v).
Pn De ifacto, se existissem outros escalares Ik, i = 1, , n, tais que v =
i=1 ei entao viria que:
n
X
0= (v i i )ei i = v i , i = 1, , n
i=1
L(ei ) = wi , i = 1, . . . , n
P i
Dem.: Todo o vector v V exprime-se na formaunica
P i v = P i v ei . Se se
i
pretende
P i que L seja linear, devemos ter que L(v) = L i v e i = i v L(ei ) =
i v wi . Basta entao definir:
X
L(v) = v i wi
i
que e linear. Se existisse outra aplicacao M tal que M(ei ) = wi = L(ei ), entao
(L M)(ei ) = 0 e, como {ei } e uma base, L = M.
.
Desta forma, se V tem dimensao finita, cada base finita B estabelece um iso-
morfismo B : V
= Ikn , entre V e Ikn , definido por:
1
v
v2 Xn
B : v 7 . , onde v = v i ei V (5.1.4)
.. i=1
vn
I Lema 5.1 ... Seja {v1 , , vn } uma sucessao de n vectores num espaco
vectorial V. Seja w1 , , wn+1 uma sucessao de n + 1 combinacoes lineares dos
vectores v1 , , vn . Entao os vectores w1 , , wn+1 sao linearmente dependentes.
5.1. Bases, coordenadas e dimensao 63
w1 = 1 v1 + u1
w2 = 2 v1 + u2
..
.
wn+1 = n+1 v1 + un+1
wn+2 = n+2 v1 + un+2
3
w3 w1 = u03
1
..
.
n+2
wn+2 w1 = u0n+2
1
onde os u02 , , u0n+2 sao n + 1 combinacoes lineares de u1 , , un+2 e
portanto tambem dos vectores v2 , , vn+1 . Pela hipotese de inducao, os
u02 , , u0n+2 sao linearmente dependentes:
donde:
2 n+2
02 w2 1 w1 + + 0n+2 wn+2 1 w1 = 0
5.1. Bases, coordenadas e dimensao 64
isto e:
01 w1 + 02 w2 + + 0n+2 wn+2 = 0
onde pelo menos um dos 20 , , 0n+2 e nao nulo, o que significa que
w1 , , wn+2 sao linearmente dependentes.
1 v1 + + n vn + v = 0
1 n
v= v1 vn
o que mostra que os v1 , , vn geram V.
.
Dem.: ker L tem dimensao finita por ser subespaco de um espaco vectorial
de dimensao finita. Seja {e1 , . . . , em } uma base de ker L e completemos esta base
a uma base {e1 , . . . , em , em+1 , . . . , en } de V, onde n = dim V. Vamos mostrar que
{L(em+1 ), . . . , L(en )} formam uma base para im L, o que demonstrara o teorema.
Qualquer vector em im L tem a forma:
n ! n
X X
i
L v ei = v i L(ei )
i=1 i=m+1
(i). L e injectiva
(ii). dim V = dim (im L) (5.1.6)
(iii). ker L = {0}
.
5.1. Bases, coordenadas e dimensao 66
n
X s
X t
X
xi ei + y j e0j + z k e00k
i=1 j=m+1 k=m+1
x1
x2 , se pode escrever como combinacao linear de e1 , e2 e e3 . De facto:
x3
x1 1 0 0
x = x2 = x1 0 + x2 1 + x3 0
x3 0 0 1
= x1 e1 + x2 e2 + x3 e3
= x1b b
+ x2 b + x3 k (5.1.8)
I Exemplo 5.2 ... Mais geralmente os n vectores {ei }i=1, ,n definidos por:
0
..
.
ei =
1 , com 1 na linha i e zeros nas outras entradas (5.1.9)
.
..
0
constituem a base canonica de Ikn . Portanto dim Ik Ikn = n.
I Exemplo 5.5 ... No espaco Mm,n (Ik) das matrizes m n com entradas
em Ik, o conjunto das mn matrizes elementares Eij que tem um 1 na entrada
(i, j), isto e, na interseccao da linha i com a coluna j, e 0s em todas as outras
entradas, formam uma base de Mm,n (Ik). Portanto dim Ik Mm,n (Ik) = mn.
.
5.2. Calculos com coordenadas. Problemas 68
vj = vji ei j = 1, , m (5.2.2)
Se este sistema admite uma unica solucao - a trivial, em que todos os j sao
nulos - os vectores v1 , , vm , sao linearmente independentes
Se este sistema admite outras solucoes nao triviais, os vectores v1 , , vm
sao linearmente dependentes.
v = v i ei
vj = vji ei , j = 1, , m (5.2.4)
5.2. Calculos com coordenadas. Problemas 69
S = spanIk {a1 , , am }
X
= {v = j aj : j Ik, j = 1, , m} (5.2.5)
j
spanR {1 + X X 3 , X X 2 , 1 + X 2 X 3 }
.
5.3. Mudancas de base e de coordenadas 71
ou muito simplesmente:
Cb = C P
Recordando que vbi sao as componentes do vector v na base Cb, e que v j sao as
componentes do mesmo vector v na base C isto e:
X
v = vbi b
ei
i
= Cb[v]Cb (5.3.6)
[v]C = P [v]C P
v = vbj b
ej
= vbj (Pji ei ) por (5.3.4)
= (Pji v j ) ei (5.3.8)
5.4 Exerccios
I Exerccio 5.1 ... Verifique se os vectores que se seguem sao linearmente
dependentes ou independentes:
a) (1, 1, 1), (0, 1, 2) em R3 ;
b) (1, 1, 0), (0, 1, 1) e (1, 3, 2) em R3 ;
c) (1, 0), (2, 1) em R2 ;
d) (1, 1), (2, 2) em R2 ;
e) (1, 1, 0), (0, 1, 2) em R3 ;
f ) (, 0), (0, 1) em R2 ;
g) (1, 2), (2, 3), (1, 1) em R2 ;
h) (0, 1, 1), (0, 2, 1), (1, 5, 3) em R3 ;
i) {(1, i), (i, 1)} em C2 ;
j) {(1, i, 0), (i + 1, 1 + i, 0), (0, 0, 1)} em C3 ;
I Exerccio 5.7 ... Em cada um dos casos, calcule o subespaco gerado por
A:
a) A = {(1, 1), (2, 2)} em R2 ;
b) A = {(1, 0), (5, 0)} em R2 ;
c) A = {(2, 1), (1, 0)} em R2 ;
d) A = {(1, 0, 1), (0, 1, 0)} em R3 ;
e) A = {(1, 0, 1), (0, 1, 0), (0, 0, 1)} em R3 ;
f ) A = {(3, 0, 0), (0, 2, 0)} em R3 ;
g) A = 1 + X, X 2 em R (X) ;
h) A = 1 X, X 2 , 1 X + X 2 em R (X) ;
i) A = 1, 1 + X, 2X + X 2 em R (X) ;
1 0 0 2
j) A = , em M2,2 (R);
0 1 0 0
l) A = {(1, 0, i), (0, i, i)} em C2 .
I Exerccio 5.11 ... Calcule uma base de cada um dos subespacos que se
seguem, e depois as coordenadas do vector u em cada uma das bases:
a) S = (x, y) R2 : x + y = 0 , u = (3, 3);
b) S = (x, y) R2 : 2x = y , u = (4, 8);
c) S = (x, y, z) R3 : x + y + z = 0 , u = (1, 1, 2);
d) S = (x, y, z) R3 : 2x y = z , u = (3, 2, 4);
e) S = (x, y, z, t) R4 : x y = 0, z + t = 0 , u = (1, 1, 2, 2);
f ) S = a + bX + cX 2 + dX 3 R3 (X) : a + 2c = 0 , u = 2 +2X X 2 +3X 3 ;
g) S = a + bX + cX 2 + dX 3 R3 (X) : a + 2c = 0, a + c + d = 0 , u = 2 +
2X X 2 X 3 ;
a b c
h) S = M2,3 (R) : a + b + c = 0, a + d = e, f = e = c , u =
de f
1 1 2
;
3 2 2
i) S = (z, w, t) C3 : z = w = t , u = (1 + i, 1 + i, 1 + i).
I Exerccio 5.13 ... Sabendo que f e uma aplicacao linear, calcule em cada
caso a imagem de um vector generico:
a) Sendo f : R2 R2 e f (1, 0) = (1, 1) e f (0, 1) = (1, 2);
b) Sendo f : R2 R2 e f (1, 1) = (1, 2) e f (0, 3) = (2, 2);
c) Sendo f : R2 R2 e f (2, 1) = (1, 0) e f (1, 1) = (3, 2);
d) Sendo f : R3 R2 e f (1, 0, 1) = (1, 1) e f (0, 1, 0) = (1, 2) e f (0, 0, 2) =
(4, 5);
e) Sendo f : R3 R3 e f (1, 0, 1) = (1, 1, 0) e f (0, 1, 0) = (0, 2, 3) e
f (0, 0, 2) = (1, 4, 5);
5.4. Exerccios 76
I Exerccio 5.14 ... Mostre que nao e possivel definir nenhuma das seguintes
aplicacoes lineares:
a) f : R2 R2 tal que, ker(f ) = (x, y) R2 : x = 3y e f e sobrejectiva;
b) f : R3 R3 sendo f injectiva e na o sobrejectiva;
c) f : R4 (X) R3 tal que ker(f ) = span 2 + X, 3 + X 4 e im (f ) =
span {(1, 1, 1), (1, 1, 0)} ;
d) f : C2 C3 tal que f e injectiva e sobrejectiva.
I Exerccio 5.16 ... Em cada um dos casos, determine uma base ortonor-
mada do subespaco de R3 gerado pelos seguintes vectores:
a) x1 = (1, 1, 1), x2 = (1, 0, 1), x3 = (3, 2, 3).
b) x1 = (1, 1, 1), x2 = (1, 1, 1), x3 = (1, 0, 1).
I Exerccio 5.17 ... Em cada um dos casos, determine uma base ortonor-
mada do subespaco de R4 gerado pelos seguintes vectores:
a) x1 = (1, 1, 0, 0), x2 = (0, 1, 1, 0), x3 = (0, 0, 1, 1), x4 =
(1, 0, 0, 1).
b) x1 = (1, 1, 0, 1), x2 = (1, 0, 2, 1), x3 = (1, 2, 2, 1) .
I Exerccio 5.18 ... No espaco vectorial real R (t), com o produto interno
R1
hx, yi = 0 x(t)y(t) dt, mostre que as funcoes que se seguem formam uma base
ortonormada do subespaco por elas gerado:
y1 (t) = 1, y2 (t) = 3(2t 1), y3 (t) = 5(6t2 6t + 1).
I Exerccio 5.22 ... Considere o espaco vectorial real R2 (t) no qual esta
R1
definido o produto interno hf, gi = 0 f (t)g(t) dt.
a) Determine uma base do subespaco W ortogonal a h(t) = 2t + 1.
b) Aplique o metodo de ortogonalizacao de Gram-Schmidt a base (1, t, t2 )
para obter uma base ortonormada (u1 (t), u2 (t), u3 (t)) de R2 (X) .
hA, Bi = a11 b11 + a12 b12 + a21 b21 + a22 b22 onde A = (aij ) e B = (bij ) .
a b
Calcule a matriz da forma , com a, b R, mais proxima da matriz
b a
1 2
A= .
1 3
I Exerccio 5.25 ... No espaco vectorialR real das funcoes contnuas definidas
2
em (0, 2) , com o produto interno hf, gi = 0 f (x)g(x) dx, seja f (x) = exp(x).
Mostre que, o polinomio constante g, mais proximo de f e g = 12 (exp(2) 1).
2
Calcule kg f k .
ALGA I. Representacao
matricial das aplicacoes
lineares
Contents
6.1 Matriz de uma aplicacao linear . . . . . . . . . . . . . 79
6.2 Calculo do nucleo e imagem . . . . . . . . . . . . . . . 80
6.3 Matriz da composta . . . . . . . . . . . . . . . . . . . . 81
6.4 GL(n). Pontos de vista passivo e activo. . . . . . . . 82
6.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . 82
6.5.1 Definicao e propriedades . . . . . . . . . . . . . . . . . 82
6.5.2 Determinante de um produto . . . . . . . . . . . . . . 85
6.5.3 Calculo da matriz inversa. Matriz adjunta . . . . . . . 86
6.6 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . 88
6.7 Determinante de um operador linear . . . . . . . . . . 88
6.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 89
79
6.2. Calculo do nucleo e imagem 80
L /W
V
B C
Ikn / Ikm
v i ei / L(v i e ) =
a i b c
v L(ei ) = v i Lji fj = (Lji v i )fj
i
[v i ] / [wj ] = [Lj v i ]
i
Este e o passo essencial do calculo. Os elementos Lji , que assim se obtem, formam
uma matriz L = [Lji ], que e uma matriz mn, e que se diz a matriz da aplicacao
linear L, relativamente as bases {ei } e {fj }, respectivamente para V e W. Esta
matriz L nota-se as vezes por M (L)BC ou por B M (L)C .
M /V L /W
U
B C D
Ikn / Ikm / Ikp
M L
=
=
Ikn / Ikp
LM
Calculos...
(L M)(ei ) = L(M(ei ))
= L(Mij fj )
= Mij L(fj )
= Mij Lkj gk
= (Lkj Mij ) gk
= (LM )ki gk (6.3.2)
m
X
(LM )ki = Lkj Mij (6.3.3)
j=1
6.4. GL(n). Pontos de vista passivo e activo. 82
Esquematicamente:
Mi1
Mi2
(LM )ki = Lk1 Lk2 Lkm .. coluna i
| {z } .
linha k Mim
= Lk1 Mi1 + Lk2 Mi2 + + Lkm Mim
Xm
= Lkj Mij (6.3.4)
j=1
6.5 Determinantes
Comece por recordar a definicao e as propriedades do determinante de matrizes
2 2 e matrizes 3 3 que vimos nos modulos 1 e 2, respectivamente.
3. det In = 1
Antes de demonstrar este teorema, vejamos um corolario que tem uma im-
portancia pratica muito grande no calculo de determinantes:
= det det 0
Ai = Aji ej , i = 1, , n
(A1 , , An ) = 0
supondo que existe um det definido para matrizes A Mn1 (Ik), e que
verifica as tres propriedades referidas no teorema, vamos mostrar como se
define para matrizes A Mn (Ik) mantendo, e claro, ainda as referidas tres
propriedades.
Dada uma matriz A Mn (Ik), representemos por Aij Mn1 (Ik) a matriz
que se obtem de A eliminando a linha i e a coluna j.
Definamos entao:
n
X
det A = (1)i+1 A1i det A1i (6.5.2)
i=1
Pretende-se mostrar agora que esta funcao satisfaz as tres propriedades referidas
no teorema.
[1]. Vejamos um exemplo que esclarece o que esta a acontecer:
a + a0 d g
det b + b0 e h
c + c0 f k
0 e h b + b0 h b + b0 e
= (a + a ) det d det 0 +g
f k c+c k c + c0 f
A primeira parcela e obviamente linear, enquanto que as duas ultimas o sao, por
hipotese de inducao.
Em geral, o argumento e o mesmo - a linearidade em cada coluna de A resulta
do facto de que cada parcela da soma em (6.5.2), (1)i+1 A1i det A1i , tem essa
propriedade. De facto, a linearidade na coluna k, resulta do facto de que as parcelas
(1)i+1 A1i det A1i , com i 6= k, sao lineares por hipotese de inducao, enquanto
que a parcela (1)k+1 A1k det A1k o e obviamente.
[2]. Basta mostrar que o det de uma matriz que tenha duas colunas iguais
se anula (porque?). Mais uma vez os exemplos seguintes esclarecem o argumento
geral:
a a g
det b b h
c c k
b h b h b b
= a det a det +g =0
c k c k c c
a d a
det b e b
c f c
e b b b b e
= a det d det +a =0
f c c c c f
Suponhamos entao que as colunas r e s de A sao iguais. Entao, pela hipotese de
inducao:
n
X
(1)i+1 A1i det A1i = (1)r+1 A1r det A1r + (1)s+1 A1s det A1s
i=1
6.5. Determinantes 85
uma vez que todas as outras parcelas se anulam, atendendo a que as matrizes
envolvidas tem duas colunas iguais (hipotese de inducao).
Como podem diferir A1r e A1s ?
Se r e s sao adjacentes, entao A1r = A1s ja que quando duas colunas sao
adjacentes e indiferente qual delas se omite.
Se existe apenas uma coluna a separar as linhas r e s, podemos mudar A1r
em A1s por uma simples permutacao de duas linhas. Mais geralmente se r =
s + t (podemos sempre supor que r > s), podemos mudar A1r em A1s por t 1
dessas permutacoes de duas colunas. Como pela hipotese de inducao para matrizes
(n 1) (n 1) permutacao de 2 colunas muda o sinal de det , e como A1r = A1s
pela igualdade das colunas r e s, vem que
E facil ver que satisfaz as 3 propriedades referidas no teorema 6.1 e portanto, por
unicidade, (A1 , , An ) = det (A1 , , An ). Resolvendo a igualdade (6.5.4) em
ordem a f (A1 , , An ), obtem-se o que se pretende.
n
X
det A = (1)i+j Aij det Aij
j=1
X
= Aij (1)i+j det Aij
j
| {z }
def bj
= A i
X
= bj
Aij A i
j
= b
elemento i da diagonal do produto AA (6.5.8)
b definida por:
Isto conduz portanto a uma nova matriz A
bj = (1)i+j det Aij
A i
bij def
A = (1)i+j det (At )ij (6.5.9)
Nao esqueca que (At )ij e a matriz que se obtem de At retirando-lhe a linha i e a
coluna j. Portanto:
det (At )11 det (At )12 det (At )13
det (At )21 det (At )22 det (At )23
t t t
b = det (A )31 det (A )32 det (A )33
A
.. .. .. ..
. . . .
1 b
A1 = A (6.5.10)
det A
0 = det B
X
= (1)k+j Bjk det Bkj , k fixo
j
X
= (1)k+j Bjk det Akj , porque B e A coincidem fora da linha k
j
X
= (1)k+j Ahj det Akj , porque B e A coincidem na linha h
j
X
= Ahj (1)k+j det Akj
j
X
= bj
Ahj A (6.5.11)
k
j
6.6. Regra de Cramer 88
x1 A1 + x2 A2 + + xn An = b
1
xi = det (A1 , , |{z}
b , , An ) (6.6.2)
det A
posicao i
6.8 Exerccios
I Exerccio 6.2 ... Seja V o espaco vectorial das funcoes polinomiais p :
R R de grau 4:
V = {p(x) = ao + a1 x + a2 x2 + a3 x3 + a4 x4 : ai R}
(x, y) 7 (x + y, 5x + 2y)
c) f : R3 R1 (X) , B = ((1, 0, 0), (0, 1, 0), (0, 0, 1)), Bb =
(1, X)
(a, b, c) 7 a + b + c + (a + 2b)X
6.8. Exerccios 90
d) f : R2 (X) R2 , B = (1 + X, 1 + 2X, X 2 ), Bb =
((3, 1), (5, 2));
a0 + a1 X + a2 X 2 7 (a0 + a1 + a2 , a0 + 2a1 )
e) f : (x, y, z) R3 : x = 2y (x, y, z) R3 : x = y = z
(x, y, z) 7 (2y + z, x + z, x z)
,
B = ((2, 1, 0), (0, 0, 1)), Bb = ((1, 1, 1));
1 1 1 1
1 1 1 1
i) .
1 1 1 1
1 1 1 1
Contents
7.1 Espacos Euclideanos reais . . . . . . . . . . . . . . . . 92
7.2 Espacos Hermitianos (ou Unitarios) complexos . . . 95
7.3 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7.4 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . 98
7.5 Bases ortonormadas num espaco vectorial com pro-
duto interno . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.6 Metodo de ortogonalizacao de Gram-Schmidt . . . . 100
7.7 Decomposicao ortogonal.
Teorema da aproximacao optima . . . . . . . . . . 103
7.8 Aplicacoes. Mnimos quadrados . . . . . . . . . . . . 108
7.9 Metodo dos mnimos quadrados. Aproximacao de
dados por uma recta . . . . . . . . . . . . . . . . . . . 111
7.10 Transformacoes ortogonais e unitarias. Exemplos . . 112
7.11 Transformacoes unitarias em C2 . Os grupos U(2) e
SU (2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.12 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 114
h|i : V V R
(7.1.1)
(u, v) 7 hu|vi
92
7.1. Espacos Euclideanos reais 93
hu|ui 0, u V (7.1.5)
xy = x0 y0 + x1 y1 + x2 y2 + x3 y3
y0
y1
= [x0 x1 x2 x3 ] y2
y3
= xt y (7.1.8)
7.1. Espacos Euclideanos reais 94
GTC = GC
7.2. Espacos Hermitianos (ou Unitarios) complexos 95
n=2
g11 g12
gij > 0, >0
g21 g22
n=3
g11 g12 g13
g11 g12
gij > 0, > 0, g21 g22 g23 >0
g21 g22
g31 g32 g33
h|i : V V C
(7.2.1)
(u, v) 7 hu|vi
hu|ui 0 (7.2.6)
u, v, w V, C.
Um espaco vectorial complexo, munido de um produto interno Hermitiano
chama-se um espaco Hermitiano ou um espaco unitario.
1 em Fsica, nomeadamente em Mecanica Quantica, e usual considerar outra convencao -
7.3 Norma
I 7.9 Definicao [Norma] ... Seja (V, h | i) um espaco com um produto interno
(Euclideano se V e real ou Hermitiano se V e complexo). Define-se a norma kvk,
de um vector v V, atraves da formula:
def p
kvk = hv|vi (7.3.1)
v, w V, Ik = R ou C.
Todas as propriedades sao de demonstracao imediata com excepcao da de-
sigualdade triangular, que resulta da seguinte proposicao:
(iii). No espaco Unitario C o ([a, b], C), munido do produto interno L2 , dado por
def R b
(7.2.8): hf |gi = a
f (t)g(t) dt, a norma de uma funcao f C o ([a, b], C) e dada
por:
Z !1/2
p b
2
kf k = hf |f i = |f (t)| dt (7.3.9)
a
7.4 Ortogonalidade
I 7.14 Definicao ... Seja (V, h | i) um espaco com um produto interno (Eu-
clideano se V e real ou Hermitiano se V e complexo). Dois vectores u, v V
dizem-se ortogonais se:
hu|vi = 0 (7.4.1)
I 7.15 Angulo nao orientado ... Suponhamos agora que (V, h | i) e um espaco
real Euclideano. Dados dois vectores nao nulos u, v V, deduzimos da desigual-
dade de Cauchy-Schwarz que:
hu|vi
1 1 (7.4.2)
kukkvk
hu|vi
cos = [1, 1] (7.4.3)
kukkvk
Portanto:
hu|vi = kukkvk cos (u, v) (7.4.4)
{x IEn : x u = 0} (7.4.6)
X X
0 = (OP OA) u = OP u OA u = ui xi ai ui
i i
e portanto a seguinte equacao cartesiana:
X
ui xi = u1 x1 + u2 x2 + + un xn = c (7.4.9)
i
P
onde c = OA) u = i ai ui .
I 7.19 Teorema [Pitagoras] ... Seja (V, h | i) um espaco com um produto in-
terno (Euclideano se V e real ou Hermitiano se V e complexo), e u, v V dois
vectores ortogonais. Entao:
Dem.:
ku + vk2 = hu + v|u + vi
= kuk2 + kvk2 + hu|vi + hv|ui
= kuk2 + kvk2 (7.4.11)
[2.]
E claro que a base ortogonal assim obtida, pode ser transformada numa base
ortonormada, normalizando os vectores ei , isto e, dividindo cada um deles pela
respectiva norma.
7.6. Metodo de ortogonalizacao de Gram-Schmidt 102
0 (t) = 1
Depois pomos:
ht|1i
1 = t
k1k2
R1
1
t dt
= t R1 1
k 1
12 dtk2
= t (7.6.5)
Em seguida:
V = S S (7.7.1)
isto e, qualquer vector v V pode ser representado de maneira unica como uma
soma de dois vectores:
Alem disso:
kvk2 = ksk2 + kv sk2 (7.7.3)
Dem.: Como S tem dimensao finita, existe uma base ortonormada {e1 , . . . , em }
para S, onde m = dim S. Dado um vector qualquer v V, definamos:
m
X
def
s = hv|ei i ei (7.7.4)
i=1
PS : V V (7.7.5)
im PS = S
ker PS = S
P2S = PS
7.7. Decomposicao ortogonal.
Teorema da aproximacao optima 104
ker Pa = span{b} = {b R3 : b a = 0} = a
def xn
Pn = x Pn (x) = x n (7.7.8)
knk2
onde: Z 2
hf |k i = f (t)k (t) dt (7.7.12)
0
sao os chamados coeficientes de Fourier de f . Usando a definicao das funcoes
k , podemos escrever as formulas anteriores na forma:
X n
1
Fn (f ) = a0 + (ak cos kt + bk sin kt) (7.7.13)
2
k=1
I 7.30 Exemplo Seja V = C o ([1, 1]; R) o espaco das funcoes reais contnuas
definidas em [1, 1], munido do produto L2 :
Z 1
hf |gi = f (t)g(t) dt
1
2 Usar as relacoes trigonometricas seguintes:
1
cos A cos B = {cos(A B) + cos(A + B)}
2
1
sin A sin B = {cos(A B) cos(A + B)}
2
1
sin A cos B = {sin(A B) + sin(A + B)}
2
7.7. Decomposicao ortogonal.
Teorema da aproximacao optima 107
Sn = spanR {o , 1 , , n } (7.7.15)
Em particular, hf |0 i = 0 E.
Z 1
r r
3 32
hf |1 i = t sin t dt =
1 2 2
I 7.31 Exemplo ... Considere o espaco vectorial R3 [t] das funcoes polinomiais
p(t), de grau 3, de coeficientes reais, munido do produto interno:
Z +1
hp(t)|q(t)i = p(t)q(t) dt
0
T: R3 [t] R3 [t]
p(t) 7 T[p(t)] = p00 (t) 2tp0 (t)
Resolucao ...
a.) Se p, q S entao (p + q)(t) = p(t) + q(t) = p(t) + q(t) = (p + q)(t) e
portanto p + q S. Se p S e R entao (p)(t) = p(t) = p(t) = p(t) e
portanto p S.
Se p(t) = a + bt + ct2 + dt3 S entao a + bt + ct2 + dt3 = p(t) = p(t) =
a bt + ct2 dt3 , isto e, 2bt + 2dt3 = 0 e portanto b = d = 0. Logo:
2c = A
2b + 6d = B
2b + 6d = B 2c = A
4c = C
6d = D
6d = D 0 = 2A + C
e portanto im T = {P (t) = A + Bt + Ct2 + Dt3 R3 [t] : 2A + C = 0}.
kAb
x bk e mnimo (7.8.2)
b Rn cuja imagem Ab
e um vector x x esta mais proxima de b.
A(x, y) = (x + y, x y, x)
Calcule o erro associado a essa solucao e explique qual o seu significado geometrico
(da solucao e do seu erro).
7.8. Aplicacoes. Mnimos quadrados 110
Resolucao ...
a.) A imagem de A e constituda por todos os vectores (X, Y, Z) R3 tais
que:
(X, Y, Z) = A(x, y) = (x + y, x y, x)
para algum vector (x, y) R2 . A questao e pois: quais os vectores (X, Y, Z) R3
para os quais existe (x, y) tal que:
x+y = X
xy = Y ?
x = Z
Ax = Pim A (b)
onde Pim A (b) e a projeccao ortogonal do vector b = (1, 1, 0) sobre o plano imagem
de A: X + Y 2Z = 0.
Essa projeccao pode ser calculada pela seguinte formula:
(1, 1, 0) (1, 1, 2) 2
Pim A (1, 1, 0) = (1, 1, 0) (1, 1, 2) = (1, 1, 1)
k(1, 1, 2)k2 3
e o erro correspondente.
7.9. Metodo dos mnimos quadrados. Aproximacao de dados por uma
recta 111
t1 t2 t3 tn
(7.9.1)
y1 y2 y3 yn
y = t + (7.9.2)
i = yi (ti + ), i = 1, 2, , n
= y Ax (7.9.3)
onde:
1 y1 t1 1
2 y2 t2 1
= .. , y= .. , A= .. , x=
. . .
n yn tn 1
dados estarao todos numa linha recta sse y im A. Se eles nao forem colineares
entao devemos procurar a recta para a qual o erro total:
1/2
kk = 21 + + 2n
seja mnimo.
Em linguagem vectorial, procuramos pois o vector x = que minimiza
a norma Euclideana do vector erro:
kk = kAx yk
(Av)t Aw = vt w v, w V
ou ainda:
vt At Aw = vt w = vt I w v, w V
o que significa que a matriz A e uma matriz ortogonal, isto e:
At A = I (7.10.2)
Note ainda que se A e uma matriz ortogonal entao, uma vez que:
A1 = At
(Av)t Aw = vt w v, w V
ou ainda:
vt At Aw = vt w = vt I w v, w V
At A = I (7.10.5)
(Az)t Aw = zt w z, w C2
ou ainda:
zt At Aw = zt w = zt I w z, w C2
o que significa que a matriz A e uma matriz unitaria, i.e.:
At A = I (7.11.2)
7.12 Exerccios
I Exerccio 7.1 ... Verifique quais das seguintes funcoes sao produtos inter-
nos Euclidianos em R2 ou R3 :
a) hu, vi = x1 y 1 x1 y 2 x2 y 1 +3x2 y 2 , sabendo que u = (x1 , x2 ), e v = (y 1 , y 2 ).
7.12. Exerccios 115
I Exerccio 7.2 ... Calcule em cada caso hu, vi usando o produto interno
Euclidiano usual e o produto interno definido em 7.1-a). Depois, calcule kuk e
kvk recorrendo tambem a cada um desses dois produtos internos.
a) u = (1, 1), v = (1, 1);
b) u = (1, 0), v = (1, 2);
c) u = (2, 1), v = (4, 1);
I Exerccio 7.3 ... Calcule em cada caso hu, vi usando o produto interno
euclidiano usual e o produto interno definido em 7.1-d). Depois, calcule kuk e kvk
recorrendo tambem a cada um destes dois produtos internos.
a) u = (1, 1, 1), v = (1, 1, 2);
b) u = (1, 0, 1), v = (3, 1, 2);
c) u = (0, 0, 1), v = (1, 4, 6);
I Exerccio 7.4 ... Determine todos os valores reais de k para os quais hu, vi
e um produto interno Euclidiano em R2 :
I Exerccio 7.7 ... Em cada caso, determine o cos do angulo entre os vec-
tores u e v :
a) u = (1, 3, 2), v = (2, 1, 5) em R3 , usando o produto interno euclidiano
usual e o produto interno definido em 7.1-d).
b) u = 2t 1, v = t2 em R (t), usando o produto interno Euclidiano definido
no exerccio 7.14.
7.12. Exerccios 116
I Exerccio 7.9 ... No espaco vectorial real das funcoes contnuas em (1, 1),
R1
seja hf, gi = 1 f (t)g(t) dt. Considere as tres funcoes u1 , u2 , u3 dadas por:
u1 (t) = 1, u2 (t) = t, u3 (t) = 1 + t.
Mostre que duas delas sao ortogonais, duas fazem um angulo de 3 entre si e
as outras duas fazem um angulo de 6 entre si.
I Exerccio 7.10 ... Prove cada uma das afirmacoes das alneas seguintes e
interprete-as geometricamente no caso do produto interno usual em R2 ou R3 .
2 2 2
a) hx, yi = 0 kx + yk = kxk + kyk .
2 2
b) hx, yi = 0 kx + yk = kx yk .
c) hx, yi = 0 kx + cyk kxk para todo o real c.
d) hx + y, x yi = 0 kxk = kyk .
I Exerccio 7.11 ... Calcule o angulo que o vector (1, 1, , 1) de Rn faz com
os vectores coordenados unitarios de Rn .
I Exerccio 7.12 ... Como se sabe, num espaco Euclidiano real com produto
1
interno hx, yi fica definida ume norma por kxk = hx, xi 2 . De uma formula para
obter o produto interno hx, yi a partir de normas de vectores apropriados.
2 2 2 2
kx yk + kx + yk = 2 kxk + 2 kyk
I Exerccio 7.14 ... Considere o espaco vectorial real R (t) no qual esta
R1
definido o seguinte produto interno: hf, gi = 0 f (t)g(t) dt. Seja f (t) = t + 2
e g(t) = t2 2t 3. Determine :
a) hf, gi b) kf k c) Um vector unitario com a direccao de g.
7.12. Exerccios 117
I Exerccio 7.16 ... Em cada um dos casos, determine uma base ortonor-
mada do subespaco de R3 gerado pelos seguintes vectores:
a) x1 = (1, 1, 1), x2 = (1, 0, 1), x3 = (3, 2, 3).
b) x1 = (1, 1, 1), x2 = (1, 1, 1), x3 = (1, 0, 1).
I Exerccio 7.17 ... Em cada um dos casos, determine uma base ortonor-
mada do subespaco de R4 gerado pelos seguintes vectores:
a) x1 = (1, 1, 0, 0), x2 = (0, 1, 1, 0), x3 = (0, 0, 1, 1), x4 =
(1, 0, 0, 1).
b) x1 = (1, 1, 0, 1), x2 = (1, 0, 2, 1), x3 = (1, 2, 2, 1) .
I Exerccio 7.18 ... No espaco vectorial real R (t), com o produto interno
R1
hx, yi = 0 x(t)y(t) dt, mostre que as funcoes que se seguem formam uma base
ortonormada do subespaco por elas gerado:
y1 (t) = 1, y2 (t) = 3(2t 1), y3 (t) = 5(6t2 6t + 1).
I Exerccio 7.22 ... Considere o espaco vectorial real R2 (t) no qual esta
R1
definido o produto interno hf, gi = 0 f (t)g(t) dt.
a) Determine uma base do subespaco W ortogonal a h(t) = 2t + 1.
b) Aplique o metodo de ortogonalizacao de Gram-Schmidt a base (1, t, t2 )
para obter uma base ortonormada (u1 (t), u2 (t), u3 (t)) de R2 (X) .
por:
hA, Bi = a11 b11 + a12 b12 + a21 b21 + a22 b22 onde A = (aij ) e B = (bij ) .
a b
Calcule a matriz da forma , com a, b R, mais proxima da matriz
b a
1 2
A= .
1 3
7.12. Exerccios 118
I Exerccio 7.25 ... No espaco vectorialR real das funcoes contnuas definidas
2
em (0, 2) , com o produto interno hf, gi = 0 f (x)g(x) dx, seja f (x) = exp(x).
Mostre que, o polinomio constante g, mais proximo de f e g = 21 (exp(2) 1).
2
Calcule kg f k .
ALGA I. Subespacos
invariantes. Subespacos
proprios. Valores proprios
Contents
8.1 Conjugacao . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.2 Subespacos invariantes . . . . . . . . . . . . . . . . . . 122
8.3 Valores e vectores proprios de um operador linear.
Operadores diagonalizaveis . . . . . . . . . . . . . . . . 123
8.4 Calculo de valores e vectores proprios . . . . . . . . . 124
8.5 Sistemas dinamicos lineares discretos . . . . . . . . . 127
8.6 Numeros de Fibonacci. Numero de ouro . . . . . . . 128
8.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.1 Conjugacao
I 8.1 Mudanca de base ... Suponhamos que V e um espaco vectorial e que:
C = e1 e2 en
e uma base qualquer, escrita como um vector-linha com entradas vectoriais ei . Se
v V e um vector qualquer em V, designemos por v i as suas componentes na base
C , isto e:
X
v = v i ei
i
v1
v2
= e1 e2 en ..
.
vn
= C [v]C (8.1.1)
119
8.1. Conjugacao 120
ou muito simplesmente:
Cb = C P
= Cb[v]Cb (8.1.4)
I 8.3 Conjugacao ... Suponhamos agora que escolhemos uma nova base para
V:
Cb = C P
Portanto:
por um lado:
L(v) = C [L(v)]C = C [L]C [v]C (8.1.8)
L(v) = (C P )[L(v)]C P
= (C P )[L]C P [v]C P
= (C P )[L]C P P 1 [v]C (8.1.9)
Concluindo:
{ P 1 L P : P G`(n)}
I 8.5 Uma solucao intuitiva para este problema consiste, grosso modo, em de-
compor o espaco vectorial V em blocos simples onde a accao de L seja facil de
descrever. Os conceitos que intervem nesta discussao sao os seguintes:
L(S) S (8.2.1)
2. Analogo.
.
def
E() = EL () = {v V : L(v) = v} (8.3.3)
I 8.11 Teorema ... Suponhamos que u, v V {0} sao vectores proprios per-
tencentes respectivamente aos valores proprios distintos , Ik, de um operador
linear L : V V. Entao u e v sao linearmente independentes.
Dem.: De facto, se por exemplo v = ru, para algum r Ik {0}, entao viria
que:
ru = v = L(v) = L(ru) = r L(u) = r u
e portanto:
r ( )u = 0
o que implica, uma vez que 6= e r 6= 0, que u = 0, o que e absurdo.
L(v) = v v E()
ker L = E(0)
nao se reduz ao vector nulo 0, e portanto L e nao inversvel (por outras palavras,
L e singular), ou de forma equivalente, det L = 0.
Quando 6= 0, dizer que e valor proprio de L, e equivalente a dizer que 0 e
valor proprio de L Id, o que, pelo paragrafo anterior, e equivalente a dizer que
L Id e singular, ou ainda que:
A equacao caracterstica de A e:
isto e:
2x1 + 4x2 = 0
4x1 8x2 = 0
cuja solucao geral e:
x1 = 2s
sR
x2 = s
Portanto os vectores poprios de A, pertencentes ao valor proprio 1 = 5, sao da
forma:
2
s s R {0}
1
Por outras palavras, o espaco proprio E(5) e:
2
E(5) = span
1
2 1
Note que neste exemplo os vectores proprios u1 = e u2 =
1 2
2
formam uma base B = {u1 , u2 } de R relativamente a qual a matriz de A e
diagonal:
5 0
[A]B =
0 5
portanto A e um operador diagonalizavel.
A equacao caracterstica de A e:
isto e:
x1 = 0
5x1 = 0
2x1 + 3x2 + 5x3 = 0
cuja solucao geral e:
1
x = 0
x2 = 53 s sR
3
x = s
Notas ...
p(t) = t3 + bt2 + ct + d b, c, d R
x : INo Rn
x(1)= Axo
x(2)= Ax(1) = A2 xo
x(3)= Ax(2) = A3 xo
..
.
x(k) = Ax(k 1) = Ak xo
..
. (8.5.3)
B = CP xB = xC P = P 1 xC (8.5.6)
xB (k) = P 1 xC (k)
= P 1 Ak xC (0)
= P 1 Ak P xB (0)
= (P 1 AP )k xB (0)
= (diag(1 , 2 , ..., n ))k xB (0)
= diag(k1 , k2 , ..., kn ) xB (0) (8.5.7)
8.6. Numeros de Fibonacci. Numero de ouro 128
[2]. Pomos: X
x(k) = C xC (k) = BxB (k) = (ci ki )vi
i
Concluindo :
X X
x(k) = (ci ki )vi , onde x(0) = ci vi (8.5.9)
i i
I 8.22 Calculo explcito dos numeros de Fibonacci ... Para calcular a forma
explcita dos numeros de Fibonacci, usamos o metodo descrito no numero 8.19.
0 1
Para isso, determinamos os valores e vectores proprios da matriz A = .
1 1
Um calculo simples mostra que eles sao:
1+ 5 1+ 5
1 = = 1.618034..., v1 = 2
2 1
1 5 1 5
2 = = 0.618034..., v2 = 2 (8.6.9)
2 1
T: R3 R3
(x, y, z) 7 T(x, y, z) = (4z, x + 2y + z, 2x + 4y 2z)
Resolucao ...
0 0 4
a.) A matriz e T = 1 2 1 . ker T = {(x, y, z) R3 : T(x, y, z) =
2 4 2
(4z, x + 2y + z, 2x + 4y 2z) = (0, 0, 0)} o que implica que:
4z = 0 z = 0
x + 2y + z = 0 x + 2y = 0
2x + 4y 2z = 0 2x + 4y = 0
x = 2t
z = 0
y = t tR
x + 2y = 0
z = 0
8.6. Numeros de Fibonacci. Numero de ouro 131
Portanto:
4c = x a + 2b + c = y
a + 2b + c = y ........ 4c = 2y z
2a + 4b 2c = z 0 = x 2y + z
e os vectores {e1 = (1, 0, 1), e2 = (2, 1, 0), e3 = (1, 1, 1)} constituem uma base
de vectores proprios de T que e, por isso, diagonalizavel. Nesta base a matriz de
T e diag(4, 0, 4).
c.) Calculando as componentes do vector (0, 0, 4) na base de vectores proprios
de T, calculada anteriormente, vem que:
Resolucao ...
8.6. Numeros de Fibonacci. Numero de ouro 132
Estes espacos sao ortogonais (tinham que o ser, pelo teorema espectral!). Um base
ortonormada para R2 constituda por vectores proprios de A e:
(2, 1) (1, 2)
B = u1 = , u2 =
5 5
xn
a.) Pondo xn = , as formulas de recorrencia dadas escrevem-se na
yn
forma vectorial:
xn+1 = Axn , x0 = (1, 1)
6 2
onde A = . Os calculos devem ser feitos na base B que diagonaliza
2 9
o operador A. Escrevendo o vector xn na base B, vem que:
2x
0 +y0 3 , y x0
2y0 1
Mas x
e0 = 5
= 5
e0 = 5
=
5
. Portanto:
( 2xn
x
en = +yn = 5n 35
5
xn
2yn 1
yen = 5
= 10n 5
8.7 Exerccios
I Exerccio 8.1 ... Seja f um endomorfismo de R2 (X) tal que X + X 2 e
um vector proprio associado ao valor proprio 2, 1 + X e um vector proprio
associado ao valor propprio 5 e X 2 e um vector proprio associado ao valor proprio
-3. Determine f (a0 + a1 X + a2 X 2 ).
I Exerccio 8.7 ... Calcular formulas explcitas para as solucoes das seguintes
formulas recursivas:
x(k + 1) = x(k) 2y(k) x(0) = 1
a). ,
y(k + 1) = 2x(k) + y(k) y(0) = 0
1
x(k + 1) = 2 x(k)+ y(k) x(0) = 1
b). y(k + 1) = y(k) 2z(k) , y(0) = 1
1
z(k + 1) = 3 z(k) z(0) = 1
I Exerccio 8.10 ... Em cada um dos seguintes casos, mostre que o endomor-
fismo f de R2 ou R3 e uma isometria linear e descreva f geometricamente (isto
e, diga se f e uma simetria ou uma rotacao; no caso de ser uma simetria, diga
relativamente a que recta, no caso de ser uma rotacao determine o angulo).
a) f (x, y) = (y, x);
b) f (x, y) = (y, x);
2x 2y
c) f (x, y) = ( 2 , 2x+
2
2y
);
d) f (x, y) = (( cos 8 )x + (sin 8 )y, (sin 8 )x
+ (cos 8 )y);
I Exerccio 8.13 ... Em cada uma das alneas que se seguem, calcule P (x)
e ker P , em R3 sendo cada um dos planos que se seguem. Calcule tambem em
cada caso, os valores proprios e os vectores proprios de P . Finalmente, defina
Defina S (x).
a) 2x y + 3z = 0;
b) x + y + z = 0;
c) 3x + y + 2z = 0.
ALGA I. Operadores
auto-adjuntos (simetricos e
hermitianos). Teorema
espectral
Contents
9.1 Operadores auto-adjuntos (simetricos e hermitianos) 136
9.2 Teorema espectral
para operadores auto-adjuntos . . . . . . . . . . . 139
9.3 Diagonalizacao de formas quadraticas reais . . . . . . 141
9.4 Propriedades extremais dos valores proprios . . . . . 143
9.5 Operadores comutativos . . . . . . . . . . . . . . . . . 145
9.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . 146
136
9.1. Operadores auto-adjuntos (simetricos e hermitianos) 137
De facto, se C = {ei } e Cb = {b
ej }, com hei |ej i = ij e analogamente hb
e` |b
ek i =
`k , entao, como:
ei = e` Pi`
b
vem que (supondo que V e Hermitiano):
ij = hb
ei |b
ej i
= he` Pi` |ek Pjk i
= Pi` Pjk he` |ek i
= Pi` Pjk `k
X
= Pik Pjk
k
I 9.5 Definicao ... Seja (V, h | i) um espaco com um produto interno (Euclideano
se V e real, ou Hermitiano, se V for complexo). Um operador linear S : V V,
diz-se auto-adjunto se S satisfaz a condicao:
hei |S(ej )i = hS(ei )|ej i = Sik hek |ej i = Sik kj = Sij = (S t )ij
Dem.:
1. Seja v V {0}, um vector proprio pertencente ao valor proprio :
S(v) = v (9.1.4)
hSv|vi
= (9.1.5)
kvk2
1 Se U () e uma curva de matrizes unitarias, tais que:
U (0) = Id, e U 0 (0) = iH
entao:
U ()t U () = Id U 0 (0)t + U 0 (0) = 0 iH t iH = 0 Ht = H
isto e, H e Hermitiana
9.2. Teorema espectral
para operadores auto-adjuntos 139
V = R u1 S (9.2.1)
9.2. Teorema espectral
para operadores auto-adjuntos 140
: V V R (9.3.1)
def
ij = (ei , ej ), i, j = 1, . . . , n (9.3.3)
Se v = xi ei , entao:
Q(v) = Q(xi ei )
def
= Q(x1 , , xn )
= (xi ei , xj ej )
X
= ij xi xj
ij
C C P
C C P = [v]C P = P 1 [v]C
Pondo v = xi ei = y j uj , isto e:
[v]C = [xi ], [v]C P = [y j ]
conclumos que:
Q(v) = Q(xi ei )
def
= Q(x1 , . . . , xn )
= [v]tC []C [v]C
= Q(y j uj )
def
= Q(y 1 , . . . , y n )
= [v]tC P []C P [v]C P
= [v]tC P diag[1 2 n ][v]C P
X
= i (y i )2 (9.3.9)
i
y1
Se designamos por y 2 as coordenadas de um vector v, na base B, entao, se
y3
x1
as coordenadas desse mesmo vector, na base C , sao x2 , vem que:
x3
x1 y1 1 0 0
x2 = P y2 , onde P = 0 1 1
2 2
x3 y3 0 12 1
2
isto e:
x1 = y1
1 1
x2 = y2 + y3
2 2
1 2 1
x3 = y + y3
2 2
e nas novas coordenadas (y i ), q escreve-se na forma:
q(y 1 , y 2 , y 3 ) = (y 1 )2 (y 2 )2 + 3(y 3 )2
9.5. Operadores comutativos 145
Dem.:
Seja v E(), de tal forma que Sv = v. Pretende-se mostrar que Tv E().
De facto:
STv = TSv = T(v) = Tv = Tv E()
I 9.23 Corolario ... Se S e T sao dois operadores comutativos (ST = TS) num
ev complexo de dimensao finita, entao S e T tem um vector proprio comum.
9.6 Exerccios
I Exerccio 9.1 ... Em cada uma das alneas que se seguem, determine:
I) Uma matriz simetrica A que represente a forma quadratica que se segue;
II) Os valores proprios de A;
III) Uma base ortonormal de vectores proprios;
IV) Uma matriz ortogonal diagonalizante C;
V) Diagonalize a forma quadratica.