Capı́tulo 1

Transformações Lineares

1.1 Transformações Lineares

1.2 Transformações Lineares e Matrizes
Exemplo 1.2.1 Sejam V = R3 , W = R2 , α = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} base canônica do R2 e
β = {(1, 0), (0, 1)} base canônica do R3 . Considere a matriz de ordem 2 × 3
 
1 3 −2
A= .
0 2 4
Seja T : R3 → R2 a aplicação definida da maneira a seguir: T (x, y, z) é o vetor do R2 tal que
 
  x
1 3 −2
[T (x, y, z)]β = A · [(x, y, z)]α = · y .

0 2 4
z
T é uma transformação lineats? Vamos encontrar uma expressão para T :
 
  x  
1 3 −2 x + 3y − 2z
[T (x, y, z)]β = · y =
 
0 2 4 2y + 4z
z
dessa forma
T (x, y, z) = (x + 3y − 2z)(1, 0) + (2y + 4z)(0, 1) = (x + 3y − 2z, 2y + 4z).
Note que T é uma transformação linear. De fato,
i) Sejam u = (x1 , y1 , x1 ), v = (x2 , y2 , x2 ) ∈ R3 , assim
T (u + v) = T (x1 + x2 , y1 + y2 , z1 + z2 )
= ((x1 + x2 ) + 3(y1 + y2 ) − 2(z1 + z2 ), 2(y1 + y2 ) + 4(z1 + z2 ))
= (x1 + 3y1 − 2z1 , 2y1 + 4z1 ) + (x2 + 3y2 − 2z2 , 2y2 + 4z2 ) = T u + T v

ii) Sejam α ∈ R e u = (x, y, x), v = (x, y, x) ∈ R3 , assim

T (αu) = T (αx, αy, αz) = (αx + 3αy − 2αz, 2αy + 4αz)
= α(x + 3y − 2z, 2y + 4z) = αT u.

1
 Dessa forma, T é transformação linear.

Observação 1.2.1 É comum denotar a transformação linear acima por TA .

De modo geral, se dimV = n, dimW = k e A é uma k × n matriz, fixando uma base α de V e

β de W , a aplicação TA : V → W definida por: dado v ∈ V , TA v é o vetor de W tal que:

[TA v]β = A · [v]α .

é uma transformação linear.

Exercı́cio 1.2.1 Verificar que a aplicação TA acima é uma transformação linear

Exemplo 1.2.2 Seja V = R3 , W = R2 , α = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} base do R3 , β =
{(1, 3), (1, 4)} base do R2 e  
3 11 5
A= .
−1 −8 −3
Determine TA : R3 → R2 .

Observação 1.2.2 Se dimV = n, dimW = k, α é uma base de V e β uma base de W , a cada

matriz A ∈ Mk×n , fica associada uma transformação linear TA : V → W tal que

[TA v]β = A · [v]α .

Vamos mostrar que a recı́proca também é verdadeira, isto é, para cada transformação linear
T : V → W , existe uma matriz A ∈ Mk×n tal que

[T v]β = A · [v]α .

Seja T : V → W . Fixe α = {v1 , v2 , · · · , vn } base de V e β = {w1 , w2 , · · · , wk } base de W (obs.:

dimV = n, dimW = k). Dessa forma, T v1 , T v2 , · · · , T vn são vetores de W , portanto, podemos os
escrever como combinação linear dos vetores de β, ou seja, existem aij ∈ R, 1 ≤ i ≤ k, 1 ≤ j ≤ n
tais que 

 T v1 = a11 w1 + a21 w2 + · · · + ak1 wk
 T v2 = a12 w1 + a22 w2 + · · · + ak2 wk

.. .


 .
 Tv = a w + a w + ··· + a w
n 1k 1 2k 2 kn k

A transposta da matriz dos coeficientes do sistema acima, denotada por [T ]αβ é chamada matriz
de T em relação às bases α e β,
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
[T ]αβ =  .. ..  .
 
..
 . . . 
ak1 ak2 · · · akn

Exemplo 1.2.3 Seja V = R3 , W = R2 , α = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} base do R3 ,
β = {(1, 3), (1, 4)} base do R2 e considere a transformação linear T : R3 → R2 definida por
T (x, y, z) = (2x + y − z, 3x − 2y + 4z). Determine [T ]αβ

2
Exemplo 1.2.4 Seja T : R3 → R2 definida por T (x, y, z) = (2x − y − z, 3x + y − 2z). Sejam
α = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} base do R3 e β = {(2, 1), (5, 3)}base do R2 .
a) Determine [T ]αβ .
b) Se v = (3, −4, 2), calcule T v utilizando a matriz encontrada.
Vamos formalizar as argumentações em um teorema.
Teorema 1.2.1 Sejam V e W espaços vetoriais, α uma base de V , β uma base de W e T : V → W
uma transformação linear. Então, para todo v ∈ V , vale:
[T v]β = [T ]αβ · [v]α .
Demonstração: Exercı́cio.
Exemplo 1.2.5 Sejam T : R2 → R3 uma transformação linear, α = {(1, 0), (0, 1)} base do R2 e
β = {(1, 2, −1), (1, 0, 1), (2, 2, 1)} base do R3 , tais que
 
1 −2
[T ]αβ =  0 3  .
2 4
Determine T (−2, 3).
Teorema 1.2.2 Sejam T : V → W transformação linear, α base de V e β base de W . Então
dimIm(T ) = posto de [T ]αβ
dimKer(T ) = nulidade de [T ]αβ = número de colunas − postode[T ]αβ

Exemplo 1.2.6 Seja T : R3 → R2 a transformação linear definida por T (x, y, z) = (2x + y −

z, 3x − 2y + 4z). Determine dimIm(T ) e dimKer(T )

1.2.1 Operação com transformações lineares

Teorema 1.2.3 Sejam T, T1 , T2 : V → W transformações lineares de V em W , L : W → U uma
transformação linear de W em U , α base de V , β base de W e γ base de U . Então:
i) (Adição) T1 + T2 : V → W definida por
(T1 + T2 )(v) = T1 v + T2 v
é uma transformação linear. Além disso
[T1 + T2 ]αβ = [T1 ]αβ + [T2 ]αβ

ii) (Multiplicação por escalar) k · T : V → W definida por

(k · T )(v) = k · T v
é uma transformação linear. Além disso
[k · T ]αβ = k · [T ]αβ

3
iii) (composição) L ◦ T : V → U definida por

(L ◦ T )(v) = L(T v)

é uma transformação linear. Além disso

[L ◦ T ]αγ = [L]βγ · [T ]αβ

Exemplo 1.2.7 Sejam S : R2 → R2 definida por S(x, y) = (2x, y) e T : R2 → R2 definida por

T (x, y) = (x, x − y). Determine:

a) S ◦ T ;

b) T ◦ S;

c) S ◦ S;

d) T ◦ T .

Exemplo 1.2.8 Sejam T : R2 → R3 e L : R3 → R2 tais que

 
1 0  
α β 0 1 −1
[T ]β =  1 −1  e [L]γ =
0 0 0
0 1

em relação às bases α = {(1, 0), (0, 2)},β = {( 31 , 0, −3), (1, 1, 15), (2, 0, 5)} e γ = {(2, 0), (1, 1)}.
Determine:

a) L ◦ T ;

b) T ◦ L.

Corolário 1.2.4 Se T : V → W é uma transformação linear invertı́vel (T é um isomorfismo), α

e β são bases de V e W respectivamente, então T −1 : W → V é uma transformaçõ linear e

−1
[T −1 ]βα = [T ]αβ

Corolário 1.2.5 Sejam T : V → W uma transformação linear , α base de V e β base de W .

Então T é invertı́vel se, e somente se det[Y ]αβ 6= 0.

1.3 Autovalores e Autovetores

Definição 1.3.1 Seja T : V → V um operador linear (transformação linear de V em V ). Um
número λ é chamado autovalor de T se existir um vetor nao nulo v ∈ V tal que:

T v = λv.

Nesse caso, v é chamado autovetor de T associado a λ.

4
Exemplo 1.3.1 Seja T : R3 → R3 definida por T (x, y, z) = (x, y, z). Note que, para todo
(x, y, z) ∈ R3 , temos
T (x, y, z) = (x, y, z) = 1(x, y, z).
Assim, λ = 1 é o único autovalor de T e todo (x, y, z) ∈ R3 não nulo é autovetor associado a
o autovalor 1.

Exemplo 1.3.2 Seja T : R2 → R2 definida por T (x, y) = (x, −y). Determine os autovalores e
autovetores de T .

Observação 1.3.1 Se T : V → V é um operador linear, λ é um autovalor de T e v é autovetor

de T associado a λ, qualquer vetor w = αv (α 6= 0) também é autovetor de T associado à λ. De
fato, se T v = λv, então
T (αv) = αT v = α(λv) = λ(αv).
e assim αv é autovetor de T associado à λ .
De forma mais geral, temos o seguinte resultado.

Teorema 1.3.1 Seja T : V → V um operador linear e λ um autovalor de T . Então, o conjunto

Vλ = {v ∈ V ; T v = λv}

é um subespaço vetorial de V .

Definição 1.3.2 Seja T : V → V um operador linear e λ um autovalor de T , o subespaço Vλ =

{v ∈ V ; T v = λv} é chamado subespaço associado ao autovalor λ ou autoespaço assocuado
ao autovalor λ.

1.3.1 Autovalores e Autovetores de Uma Matriz

Definição 1.3.3 Seja A = (aij )n×n uma matriz quadrada
 deordem n. Um número λ é chamado
x
autovalor de A se existir uma matriz coluna não nula  y  tal que
z
 
    a11 a12 · · · a1n    
x x  a21 a22 · · · a2n  x x
A· y =λ· y ou  .. ..  · y = λ · y  .
   
    .. 
 . . . 
z z z z
an1 an2 · · · ann
 
x
Nesse caso, y  é chamado autovetor de A associado a λ.

z

Exemplo 1.3.3 Determine os autovalores e autovetores da matriz

 
1 0 0
A =  0 2 0 .
0 0 2

5
Observação 1.3.2 Sejam V um espaço vetorial, α = {v1 , v2 , · · · , vn } base de V e A uma matriz
quadrada de ordem n. Considere TA : V → V a transformação linear associada a matriz A em
relação a base α. Note que

TA v = λv ⇔ [TA v]α = [λv]α ⇔ A · [v]α = λ · [v]α

Dessa forma, A e TA possuem os mesmos autovalores, além disso, v é autovalor de TA associado

a λ se, e somente se [v]α é autovalor de A associada a λ.

1.3.2 Polinômio Caracterı́stico

Conhecendo os autovalores de uma matriz A (ou um operador linear T : V → V ) é relativamente
simples encontrar os seus autovetores. Precisamos então de um metodo para determinar os auto-
valores de A (ou de T : V → V ). Para isso, vamos apresentar a seguinte definição:

Definição 1.3.4 Seja A uma matriz quadrada de ordem n. O polinômio P (λ) definido por
   
a11 a12 · · · a1n λ 0 ··· 0
 a21 a22 · · · a2n   0 λ ··· 0  
P (λ) = det (A − λI) = det  .. ..  −  .. ..
   
.. .. 
 . . .   . . . 
an1 an2 · · · ann 0 0 ··· λ
 
 a11 − λ a 12 · · · a 1n

 
 a21 a22 − λ · · · a2n 
= 

.. .. .. 

 . . . 

 an1 an2 · · · ann − λ 

é chamado polinômio caracterı́stico da matriz A.

Observação 1.3.3 Note que P (λ) = (a11 −λ)(a22 −λ) · · · (ann −λ)+ termos de grau < n. Dessa
forma, P (λ) é um polinômio de grau n.
Teorema 1.3.2 Sejam A uma matriz quadrada de ordem n e P (λ) seu polinômio caracterı́stico.
Então λ é autovalor de A se, e somente se λ é raiz de P (λ).

Exemplo 1.3.4 Definição 1.3.5 Sejam T : V → V um operador linear e α = {v1 , v2 , · · · , vn }.

Considere a matriz de T em relação a α [T ]αα . Definimos o o polinômio caracterı́stico de T
por
P (λ) = det ([T ]αα − λI) .

Observação 1.3.4 1. O polinômio caracterı́stico de T é o plonômio caracterı́stico de [T ]αα .

2. O polinômio caracterı́stico de T independe da escolha da base α, isto é, se β é outra bade de
V , então  
α β
det ([T ]α − λI) = det [T ]β − λI

Teorema 1.3.3 Seja T : V → V um operador linear e P (λ) o seu polonômio caracterı́stico. Então
λ é autovalor de T se, e somente se λ é raiz de P (λ).

6
1.4 Diagonalização de Operadores
Seja T : V → V um operador linear. Suponha que V possua uma base α = {v1 , v2 , · · · , vn } formada
por autovetores de V , isto é, existem λ1 , λ2 , · · · , λn (não necessariamente distintos) tais que

T v1 = λ1 , T v2 = λ2 , · · · , T vn = λn .

Vamos encontrar a matriz de T em relação à base α. Para isso, vamos escrever os vetores
T v1 , T v2 , · · · , T vn como combinação linear dos vetores da base α.


 T v1 = λ1 = λ1 v1 + 0v2 + · · · + 0vn
 T v2 = λ2 = 0v1 + λ2 v2 + · · · + 0vn

..


 .
 T v = λ = 0v + 0v + · · · + λ v
n n 1 2 n n

Dessa forma,  
λ1 0 ··· 0
 0 λ2 ··· 0 
[T ]αα =
 
.. .. .. .. 
 . . . . 
0 0 ··· λn
e assim, [T ]αα é uma matriz diagonal.
Suponha agora que β = {w1 , w2 , · · · , wn } seja uma base de V tal que [T ]ββ seja uma matriz
diagonal, isto é  
γ1 0 ··· 0
 0 γ2 ··· 0 
[T ]ββ =  .. .. .
 
... ..
 . . . 
0 0 ··· γn
Note que, pela construção de [T ]ββ , temos
 

 T w1 = γ1 w1 + 0w2 + · · · + 0wn 
 T w1 = γ1 w1
 T w2 = 0w1 + γ2 w2 + · · · + 0wn  T w2 = γ2 w2
 
.. ⇒ ..


 . 

 .
 Tw
n = 0w1 + 0w2 + · · · + γn wn  Tw = γ w
n n n

Ou seja, a base β = {w1 , w2 , · · · , wn } de V é formada por autovetores de T .

Portanto, se T : V → V é um operador linear e α = {v1 , v2 , · · · , vn } é uma base de V , então
[T ]αα é uma matriz diagonal se, e somente se v1 , v2 , · · · , vn são autovetores de T .
Dessa forma, podemos introduzir a definição a seguir:

Definição 1.4.1 Seja T : V → V é um operador linear. Diremos que T é um operador diago-

nalizável se existe uma base de V formada por autovetores de T .

Exemplo 1.4.1 Seja T : R3 → R3 o operador linear definido por T (x, u, z) = (2x, 3y − x, 3z − x).
T é diagonalizável?
Vamos agora ver condições que determinem se um operador linear é ou não diagonalizável.

7
Teorema 1.4.1 Sejam T : V → V é um operador linear e λ1 , λ2 , · · · , λn autovalores de T . Se
α1 = {v11 , v21 , · · · , vn1 1 } ⊂ Vλ1 ,α2 = {v12 , v22 , · · · , vn2 2 } ⊂ Vλ2 , · · · , αk = {v1k , v2k , · · · , vnkk } ⊂ Vλk são
conjuntos L.I., então

α = α1 ∪ α2 ∪, · · · ∪ αk = {v11 , v21 , · · · , vn1 1 , v12 , v22 , · · · , vn2 2 , · · · , v1k , v2k , · · · , vnkk }

é L.I. .

Corolário 1.4.2 Sejam V um epaço vetorial de dimensão n e T : V → V um operador linear.

Se T possui n autovalores distintos, então T é diagonalizável.

Teorema 1.4.3 Sejam V um epaço vetorial de dimensão n, T : V → V um operador linear e

λ1 , λ2 , · · · , λn todos os autovalores de T (dois a dois distintos). Sejam α1 = {v11 , v21 , · · · , vn1 1 } base
de Vλ1 , α2 = {v12 , v22 , · · · , vn2 2 } base de Vλ2 , · · · , αk = {v1k , v2k , · · · , vnkk } base de Vλk e

α = α1 ∪ α2 ∪, · · · ∪ αk = {v11 , v21 , · · · , vn1 1 , v12 , v22 , · · · , vn2 2 , · · · , v1k , v2k , · · · , vnkk } :

Então:

a) Se α possui n elementos, então α é base de V e portanto T é diagonalizável.

b) Se α possui menos que n elemnetos, então T não é dizgonaliável.