Escolar Documentos
Profissional Documentos
Cultura Documentos
Bezerra
Fermín S. V. Bazán
Álgebra Linear II
Florianópolis, 2008
Universidade Federal de Santa Catarina
Consórcio ReDiSul
Comissão Editorial
Antônio Carlos Gardel Leitão
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corrêa da Silva
Ruy Coimbra Charão
Coordenação Pedagógica das Licenciaturas à Distância UFSC/CED/CFM
Coordenação: Roseli Zen Cerny
Núcleo de Formação
Responsável: Nilza Godoy Gomes
Ficha Catalográfica
B574a
Bezerra, Licio Hernanes
Álgebra Linear II / Licio Hernanes Bezerra, Fermín S. Viloche
Bazán . - Florianópolis : UFSC/EAD/CED/CFM, 2005.
91p.
ISBN 978-85-99379-54-7
CDU 681.31:51
1 Produto Interno��������������������������������������������������������������������� 9
1.1 Definição e exemplos����������������������������������������������������������������� 11
1.2 Norma definida a partir de um produto interno��������������������14
1.3 Ângulo entre vetores����������������������������������������������������������������� 15
1.4 Ortogonalidade��������������������������������������������������������������������������� 16
1.4.1 Método de Gram-Schmidt������������������������������������������������ 17
1.5 Projeção ortogonal de um vetor sobre
um subespaço vetorial�������������������������������������������������������������� 20
1.6 Matrizes ortogonais������������������������������������������������������������������� 22
1.7 Reflexões de Householder��������������������������������������������������������� 24
1.8 Matriz de um produto interno em relação a uma base�������� 28
3 Formas Multilineares��������������������������������������������������������� 71
3.1 Formas bilineares����������������������������������������������������������������������� 73
3.1.1 Forma bilinear simétrica: forma
quadrática associada �������������������������������������������������������� 76
3.2 Diagonalização de formas quadráticas����������������������������������� 77
3.3 A função determinante������������������������������������������������������������� 79
Apresentação
Caro aluno,
Licio H. Bezerra
Fermín S. V. Bazán
1 Produto Interno
1 Produto Interno
1) (∀v ∈ V ) v, v ≥ 0 e v, v = 0 ⇔ v = 0 ;
2) (∀v, w ∈ V ) v, w = w, v ;
11
3) (∀v, w, w ' ∈ V )(∀k ∈ℜ) v, kw + w ' = k v, w + v, w '
u1 v1
n×1
n×1
Exemplo 1: Seja V = ℜ . Sejam u , v ∈ℜ , u = , v = . Va-
mos definir u , v = u1v1 + + un vn . u v
n n
i) u , u = u1u1 + u2u1 + u1u2 + 4u2u2 = u12 + 2u1u2 + 4u2 2 = u12 + 2u1u2 + u2 2 + 3u2 2 =
+ 4u2 2 = u12 + 2u1u2 + u2 2 + 3u2 2 = (u1 + u2 ) 2 + 3u2 2 ≥ 0 . Além disso, temos que
u , u = 0 ⇔ (u1 + u2 ) 2 + 3u2 2 = 0 ⇔ u1 + u2 = 0, u2 = 0 ⇔ u1 = 0, u2 = 0 ⇔ u = 0
u1 + u2 = 0, u2 = 0 ⇔ u1 = 0, u2 = 0 ⇔ u = 0
iii) u , kv + v ' = u1 (kv1 + v '1 ) + u2 (kv1 + v '1 ) + u1 (kv2 + v '2 ) + 4u2 (kv2 + v '2 ) =
= ku1v1 + u1v '1 + ku2 v1 + u2 v '1 + ku1v2 + u1v '2 + k 4u2 v2 + 4u2 v '2 =
= k (u1v1 + u2 v1 + u1v2 + 4u2 v2 ) + u1v '1 + u2 v '1 + u1v '2 + 4u2 v '2 =
= k u, v + u, v '
12
Exemplo 3: Sejam u = (u1 , u2 ) e v = (v1 , v2 ) dois vetores do ℜ2 . Seja
u , v = u1v2 + u2 v1 . Afirmamos que essa função não é um produto
interno em ℜ2 , pois, apesar de satisfazer os itens ii e iii da defi-
nição, a função não é positiva. Como contra-exemplo, tomemos o
vetor u = (1, −1) : u , u = 1.(−1) + (−1).1 = −2 < 0 .
b c d b d
∫
a
( f ( x)) 2 dx = ∫ ( f ( x)) 2 dx + ∫ ( f ( x)) 2 dx + ∫ ( f ( x)) 2 dx ≥ ∫ ( f ( x)) 2 dx ≥ m ( d − c) > 0 .
a c d c
a) u , v = u1v1 + u2 v1 + u1v2 + u2 v2 ;
c) u , v = u1v1 + u2 v1 + 4u2 v2 ;
13
d) u , v = u1v2 − u2 v1 ;
m +1
e) u , v = u1v1 + u2 v1 + u1v2 + u2 v2 , em que m é um inteiro
m
positivo;
m +1
f) u , v = u1v1 − u2 v1 − u1v2 + u2 v2 , em que m é um inteiro
m
positivo;
g) u , v = 2u1v1 + 4u2 v2 ;
h) u , v = 2u1v1 .
u = u, u
14
1.3 Ângulo entre vetores
Para definir ângulo entre vetores de um espaço vetorial real V , va-
mos demonstrar primeiro a Desigualdade de Cauchy-Schwarz.
u, v ≤ u v
u, v u, v u, v u, v
w, w = w, v − w, 2
u = v, v − 2
u , v − v, 2
u + 2
u,
u u u u
u, v u, v u, v u, v u, v
w, w = w, v − w, 2
u = v, v − 2
u , v − v, 2
u + 2
u, 2
u =
u u u u u
2 2 2
2 u, v u, v 2 u, v 2
= v −2 2
+ 2
= v − 2
. Como w, w = w ≥ 0 ,
u u u
temos que:
2
2 u, v
v − 2
≥0
u
Ou seja, u, v ≤ u v .
15
Note que, por Cauchy-Schwarz, essa definição faz sentido, uma
vez que
u, v
−1 ≤ ≤ 1.
u v
1.4 Ortogonalidade
A definição de ângulo entre vetores permite-nos falar em con-
juntos de vetores ortogonais, em que o ângulo entre cada dois
vetores é igual a 2 .
16
Corolário (Teorema de Pitágoras Generalizado): Sejam u e v
dois vetores ortogonais em um espaço vetorial real V munido de
2 2 2
um produto interno. Assim: u + v = u + v .
i) w1 = v1
v2 , w1
ii) w2 = v2 − 2
w1
w1
v3 , w1 v3 , w2
iii) w3 = v3 − 2
w1 − 2
w2
w1 w2
...
vn , w1 vn , w2 vn , wn −1
n) wn = vn − 2
w1 − 2
w2 − − 2
wn −1
w1 w2 wn −1
17
v2 , w1 v2 , w1
I) w2 , w1 = v2 − 2
w1 , w1 = v2 , w1 − 2
w1 , w1 = 0
w1 w1
vk , w1 vk , w2 vk , wk −1
wk , wi = vk − 2
w1 − 2
w2 − − 2
wk −1 , wi =
w1 w2 wk −1
vk , w1 vk , w2 vk , wk −1
= vk , wi − 2
w1 , wi − 2
w2 , wi − − 2
wk −1 , wi =
w1 w2 wk −1
vk , wi
= vk , wi − 2
wi , wi = 0
wi
w1 = (1,1, 0);
18
a) V = ℜ2 , munido do produto interno usual, v1 = (1,1) ,
v2 = (1, 2) ;
3
b) V = ℜ , munido do produto interno usual, v1 = (1,1,1) ,
v2 = (1, 2,1) , v3 = (1, 2, 2) ;
19
1.5 Projeção ortogonal de um vetor
sobre um subespaço vetorial
Definição: Seja V um espaço vetorial real não-nulo munido de
um produto interno. Seja W um subespaço vetorial de V , W ≠ V .
Seja v ∈ V . Um vetor w ∈ W é dito uma projeção ortogonal de v
sobre W se (v − w) for ortogonal a todo vetor de W .
0 = v − v , wi = v − a1w1 + an wn , wi = v, wi − ai wi , wi = v, wi − ai ,
v = v, w1 w1 + + v, wn wn .
o v
20
Operar com uma base ortonormal é muito conveniente. Para
justificar esse adjetivo, vamos ver como ficaria o cálculo com a
base {v1 ,..., vn } , que é qualquer. Uma vez que sabemos que o ve-
tor v existe e é único, como v ∈ [v1 ,..., vn ] , existe um único vetor
(b1 , , bn ) ∈ℜn tal que v = b1v1 + bn vn . Como v − v é ortogonal a
[v1 ,..., vn ] , v − v , vi = 0 , i = 1: n . Assim, obtemos:
v, v1 − b1 v1 , v1 + + bn vn , v1 = 0
, ou seja, na forma matricial,
v, v − b v , v + + b v , v = 0
n 1 1 n n n n
v1 , v1 vn , v1 b1 v, v1
= .
v1 , vn vn , vn bn v, vn
E n passant — locução
adverbial; ligeira e
circunstancialmente. Ex:
base não-ortonormal, temos que resolver o sistema apresentado,
o que é muito trabalhoso se a matriz não for diagonal (note que a
Mencionou-lhe o nome en matriz do sistema em questão é diagonal se a base é ortogonal).
passant. En passant, demonstramos a seguinte proposição:
21
Observe que, se estamos trabalhando em ℜm com o produto in-
terno usual, o referido sistema não-homogêneo pode ser reescri-
to como AT Ax = AT v , em que A é a matriz cujas colunas são as
coordenadas canônicas dos vetores da base {v1 ,..., vn } e x é a co-
luna formada por b1 , , bn . A solução desse sistema é dada por
x = ( AT A) −1 AT v . Logo, a projeção ortogonal de um vetor v sobre
um subespaço [v1 ,..., vn ] é dada por:
v = A ( AT A) −1 AT v .
22
(verifique). Matrizes, cujas colunas são vetores ortonormais, par-
tilham dessa propriedade. Note que, se A for uma matriz qua-
drada, AT é a inversa de A . Essas matrizes são ditas ortogonais
(cuidado para não fazer confusão: matrizes ortogonais têm colu-
nas ortonormais).
a) A ∈ℜn×n é ortogonal;
23
1.7 Reflexões de Householder
As matrizes de reflexão em relação a um subespaço de ℜn são
exemplos de matrizes ortogonais. As reflexões de Householder
são as reflexões em relação a um subespaço de co-dimensão 1 (ou
seja, de dimensão n − 1 ). Elas surgiram na construção de um novo
processo de ortonormalização de vetores, diferente do método de
Gram-Schmidt: o método de Householder. Nesse processo, bus-
ca-se uma reflexão H que leva um vetor v dado a um vetor na
direção do vetor canônico e1 = (1, 0, , 0) . É claro que, como uma
reflexão preserva a norma dos vetores (ver o item d da proposi-
ção anterior), há duas possibilidades para Hv : ou Hv = v e1 ou
Hv = − v e1 . H é dito uma reflexão de Householder se o subes-
paço em relação ao qual a reflexão age é o hiperplano bissetor de
um dos dois ângulos que v faz com a reta gerada por e1 , isto é:
ou é o hiperplano 1 cuja normal é o vetor n1 = v − v e1 , ou é o
hiperplano 2 cuja normal é n2 = v + v e1 .
π2
n2 v2 v
−||v||2 .e1
n1
π1
v1
o
||v||2 .e1
Vamos achar uma fórmula para essas reflexões. Seja n uma das
normais descritas anteriormente, associada ao hiperplano .
Note que ⊥ = [n] . Logo, ℜn = ⊕ [n] . Assim, dado um vetor u
qualquer, u pode ser escrito de uma única forma como soma de
um vetor de com um vetor de [n] : u = u + u [ n ] . Dessa maneira,
Hu = u − u [ n ] = u − 2 u [ n ] , entretanto u [ n ] é a projeção ortogonal de
u sobre [n] . Ou seja,
nnT
u [ n ] = n .(nT . n) −1 nT u = 2 u .
n
24
n . nT n . nT
Logo, Hu = u − 2 2
u = (I − 2 2
) u , e assim concluímos que:
n n
n.nT
H = I −2 2
.
n
13 2 3 2
3
n1. n1T n1. n1T n1. n1T 2
H1 = I − 2 2
= I −2 =I− = 3 1
3 − 3;
2
n1 12 6 2 −2 1
3 3 3
H = H T = H −1 .
25
− 12 − 12 − 12 − 12
n nT n nT n nT − 1 2 5 6 − 1 6 − 1 6
H = I −2 2 = I −2 =I− = .
n 12 6 − 12 − 16 5 6 − 16
1
− 2 − 16 − 16 5 6
−2 −1 − 1 2
0 − 13 − 16
Logo, HA = . Agora, vamos achar uma re-
0 2
3 − 16
0 2
3
5
6
13 − 2 3 − 2 3
n1 n1T n1 n1T n1 n1T 2
H 1 = I − 2 2
= I −2 = I −3 = − 3 13 − 2 3 .
n1 4
3 2 −2 −2 1
3 3 3
1 0 0 0
0 13 − 2 3 − 2 3
Considere a matriz H1 = , então
0 − 2 3 13 − 2 3
0 − 2 3 − 2 3 13
1 0 0 0 −2 −1 − 1 2
0 13 − 2 3 − 2 3 0 − 13 − 16
H1 HA = , ou seja,
0 − 2 3 13 − 2 3 0 2
3 − 16
0 − 2 3 − 2 3 13 0 2
3
5
6
−2 −1 − 1 2
0 −1 − 1 2
H1 HA = . Finalmente, vamos achar uma re-
0 0 − 12
0 0 1
2
n n T n n T 2 − 2
H 2 = I − 2 2 22 = I − 4 2 2 = 2 2
.
n2 2− 2 − 22 − 2
2
26
1 0 0 0
0 1 0 0
Considere a matriz H 2 = . Assim,
0 0 2
2 − 22
0 0 − 2 − 22
2
1 0 0 0 −2 −1 − 1 2 −2 −1 − 1 2
0 1 0 0 0 −1 − 1 2 0 −1 − 1 2
H 2 H1 HA = =
0 0 2
2 − 2 2 0 0 − 12 0 0 − 2
0 0 − 22
− 22 0 0 1
2 0 0 0
Logo,
−2 −1 − 1 2 − 1 2 1 2 0 − 2 2 −2 −1 − 1 2
1 1
0 −1 − 2 − 2
1 1 0 2
0 −1 − 2 =
A = HH1 H 2 = 2 2
0 0 − 2 − 12 − 12 2
2 0 0 0 − 2
0 0 0 − 2 − 2 − 2
1 1 2
0 0 0 0
− 12 12 0
1 −2 −1 − 1 2
− 2 12 0
= 0 −1 − 2 = QR ,
1
− 12 − 12 2
2
1
0 0 − 2
− 2 − 12 − 2
2
27
Exercício 9: Ache as duas reflexões de Householder que satisfa-
zem o que é pedido em cada item a seguir:
28
v) V é o espaço das funções polinomiais de grau menor ou igual
a três, munido do produto interno usual, = {v1 , v2 , v3 , v4 } ,
em que v1 ( x) = 1 , v2 ( x) = x , v3 ( x) = x 2 , v4 ( x) = x 3 .
• A é inversível (demonstre).
1 1 5 −1 2 1
a) A = ; b) A = ; c) A = ;
1 1 −1 −1 1 1
29
2 −1 2 2 4 2
d) A = ; e) A = ; f) A = ;
−1 1 2 1 2 1
4 1 1 0
g) A = ; h) A = .
1 0 0 1
Resumo
Neste capítulo vimos a definição de produto interno em um espaço
vetorial real V. Concluímos que, dados um produto interno , em
V e uma base , existe uma única matriz simétrica real A tal que,
quaisquer que sejam os vetores v e w de V, v, w = ( w) T A (v) .
Essa matriz é inversível e é dita uma matriz de Gram. Definimos,
ainda, o ângulo entre dois vetores e vimos que dois vetores são
ortogonais em relação a um produto interno se o produto interno
entre eles é zero.
30
Bibliografia Comentada
31
2 Autovalores e Autovetores
de um Operador Linear
2 Autovalores e Autovetores de
um Operador Linear
35
A partir daí, algumas perguntas que surgem de maneira natu-
ral são: quantos autovetores podemos associar a um autovalor?
Quantos autovalores podemos encontrar? O que podemos fazer
para encontrar autovalores e autovetores? Com o intuito de res-
ponder a essas e outras perguntas que aparecerão no decorrer do
capítulo, começamos com a observação de que se v é um auto-
vetor de T associado a , então o mesmo acontece com v para
qualquer escalar arbitrário não-nulo , já que
2 x = x
x + 3 y = y
Note que y não pode ser zero, caso contrário obteríamos x = 0 e
daí (x,y) = (0,0) (ou seja, o vetor nulo v = (0, 0) ), o que não pode
acontecer pela definição de autovetor. Agora podemos considerar
dois casos: x ≠ 0 e x = 0 . Se x ≠ 0 , da primeira equação obtemos
= 2 , e, com esse valor na segunda equação, x = - y . Assim, = 2
é um autovalor de T e v = ( x, - x) = x (1, -1) , x ≠ 0 , é um autove-
tor correspondente. Nesse caso, o subespaço próprio associado a
= 2 é V =2 = {x (1, -1) / x ∈ℜ} = [(1, -1)] ou, em palavras, V =2 é o
subespaço de ℜ2 gerado pelo autovetor v = (1, -1) que é a reta no
plano que contém v .
36
O efeito de um operador linear é determinado facilmente e sim-
ples de se interpretar geometricamente em ℜ2 . Como ilustração,
considere o operador T do exemplo 1 e os vetores v = (-1,1) , e
u = (1, 0) . Dessa forma, T (v) = (-2, 2) = 2 (-1,1) , isto é, v é trans-
formado em um múltiplo de si mesmo, pois v é um autovetor de
T associado ao autovalor = 2 (ver figura 3 a seguir). O efeito do
operador sobre u é T (u ) = (2,1) . Obviamente, u não é autovetor
do operador, pois T (u ) não é múltiplo de u .
y y
T (v) = 2v
T
v T (u)
u
x x
37
Exemplo 2: Seja T : ℜ2 → ℜ2 , T ( x, y ) = (- y, x) . Se é um au-
tovalor de T e v = (a, b) é um autovetor correspondente, então
T (v) = v ⇔ (-b, a ) = (a, b) . Daí segue que 2 + 1 = 0 , o que é im-
possível em ℜ . Ou seja, como não existe real tal que T (v) = v ,
concluímos que o operador T não tem nem autovalores nem auto-
vetores. Outro operador T : ℜ2 → ℜ2 que não possui autovalores é
aquele que produz rotações no plano, veja a lista de exercícios ao
final deste capítulo.
38
Observe que, nessa equação, I denota a matriz identidade n × n .
det ( A - I ) = 0
a11 - a1n
p ( ) = det ( A - I ) = det
a ann -
n1
obtemos p ( ) = (a11 - ) (ann - ) + termos de grau menor
que n. Isso mostra que o polinômio característico de A é
de grau n .
p ( ) = ( 1 - ) ( 2 - ) ( n - ) .
1 2 n = p (0) = det ( A) .
39
n n
∑ j = ∑ a jj .
j =1 j =1
( A - I ) x = 0.
3 -2
Exemplo 4: Considerando a matriz A = , a equação carac-
1 0
terística é:
3 - -2
det ( A - I ) = = 0 ⇔ (3 - ) (0 - ) - 1(-2) = 0.
1 0-
3 - 1 -2 x1 0
= .
1 0 - 1 x2 0
40
escalar não-nulo. Procedendo analogamente, podemos verificar
1
que os autovetores associados com 2 = 1 são da forma x = ,
sendo qualquer escalar não-nulo. 0
x1 - x2 + x3 = 0
x2 - 2 x3 = 0
que possui grau de liberdade 1 (ou seja, há uma variável livre).
Tomando x 3 como variável livre, o autovetor associado a 1 = 1
x3 1
tem a forma x = 2 x3 = x3 2 , para x 3 não-nulo e arbitrário. Pro-
x3 3
cedendo analogamente, para 2 = 3 temos que o autovetor asso-
1
ciado é x = 0 , sendo não-nulo, enquanto que para 3 = 4
-1
1
o autovetor é x = -1 , para não-nulo arbitrário.
1
41
Para cada matriz A n × n , as seguintes propriedades podem ser
provadas (consulte Noble e Daniel (1998)):
A = PΛP -1 ,
B 2 = P -1 APP -1 AP = P -1 A2 P ,
B 3 = BB 2 = P -1 APP -1 A2 P = P -1 A3 P ,
B k = BB k -1 = P -1 Ak P , k ≥ 1 .
42
Definição: Uma matriz quadrada B é dita semelhante a uma ma-
triz A se existe uma matriz não-singular P tal que B = P -1 AP .
Se B é semelhante a A , é dito que B é obtida de A por meio de
uma transformação de semelhança.
1 0 0 1 0 0 1 1 1
Λ= 0 2 0 = 0 3 0 , P = [ p1 , p2 , p3 ] = 2 0 -1 .
0 0 3 0 0 4 3 -1 1
4 -1 6
A = 2 1 6 .
2 -1 8
43
Procedendo como antes podemos ver que a equação característica
para essa matriz é
3 - 13 2 + 40 - 36 = 0
(4 - 1 ) x1 - x2 + 6 x3 = 0
2 x1 + (1 - 1 ) x2 + 6 x3 = 0 .
2 x - x + (8 - ) x = 0
1 2 1 3
2 x1 - x2 + 6 x3 = 0 .
Daí decorre que o sistema tem dois graus de liberdade (duas va-
riáveis livres). Sendo assim, o conjunto de soluções não-triviais
pode ser escrito como
x1 1/ 2 -3
x = x2 = x2 1 + x3 0 ,
x3 0 1
sendo x2 e x3 arbitrários, e ao menos um deles não-nulo. Assim,
para o autovalor repetido (duas vezes) = 2 podemos associar
um autovetor x que resulta de uma combinação linear de dois
vetores linearmente independentes:
v1 = [1/ 2 1 0 ] T , v2 = [ - 3 0 1] T .
44
Prova: Sabemos que para cada v ∈ V existem números reais x j tais
que v = x1v1 + + xn vn . Sabemos também que, se xv = [ x1 xn ] T ,
então existe um isomorfismo : V → ℜnx1 definido por (v) = xv
e que (T (v)) = [T ] xv . Logo, se é um autovalor de T e v
um autovetor associado, usando a notação acima e o isomorfis-
mo segue que [T ] xv = (T (v)) = ( v) = xv . Daí vemos
que é autovalor de [T ] e xv um autovetor corresponden-
te, pois xv é não-nulo. Reciprocamente, se é um autovalor
de [T ] e x ∈ℜnx1 um autovetor associado, via isomorfismo
podemos encontrar um único v ∈ V tal que (v) = x . Logo,
(T (v)) = [T ] x = x = (v) = ( v) . Isto é, (T (v)) = ( v),
e assim T (v) = v , pois é um isomorfismo.
det ([T ] - I ) = det ( P -1 ) det ([T ] - I ) det ( P) = det ( P -1[T ] P - I ) = det ([T ] ' - I ) .
45
Vejamos agora alguns exemplos que ilustram características as-
sociadas a autovalores e autovetores de operadores lineares ainda
não observadas nos exemplos anteriores.
1 0
a matriz de T na base é [T ] = , portanto o polinômio
1 -2
característico de T é p ( ) = det ([T ] - I ) = (1 - ) (-2 - ) e os au-
tovalores são 1 = 1 e 2 = -2 . A partir daí observamos facilmente
que o autovetor de [T ] associado a 1 = 1 é x = [3b b] T , com b
real não-nulo e arbitrário. Usando o fato de que as componentes
do autovetor x são os coeficientes do autovetor de T expresso
como combinação linear dos vetores da base , o autovetor de T
associado a 1 = 1 é v = 3bv1 + bv2 = b (3(1 + x) + (4 + x)) = b (7 + 4 x) ,
com b não-nulo e arbitrário. Procedendo analogamente verifica-
se que o autovetor de [T ] associado a 2 = -2 é Ax = [0 b] t , com
b real não-nulo e arbitrário. Assim, o autovetor de T associado a
2 = -2 é x = 0v1 + bv2 = bv2 , b não-nulo, ou seja, o vetor v2 é um
autovetor do operador associado ao autovalor 2 = -2 .
1 0
do da maneira usual, a matriz de T na base é [T ] = .
1 1
Logo, o polinômio característico é p ( ) = ( - 1) 2 e os autovalores
são 1 = 2 = 1 . Ou seja, o operador tem dois autovalores repeti-
dos. Busquemos agora os autovetores associados. Seja x = [a b] T
o autovetor procurado. Logo,
(1 - 1 ) a + 0b = 0
([T ] - 1 ) x = 0 ⇔
1a + (1 - 1 ) b = 0
e esse sistema se reduz à expressão a = 0 . Dessa forma, o au-
tovetor associado a 1 = 2 = 1 é x = [0 b] T , em que b é real e
não-nulo, e assim o autovetor de T associado a 1 = 2 = 1 é
v = 0v1 + bv2 = b (4 + x) . Note que, diferentemente do exemplo an-
46
terior, aqui vemos que o operador T não possui mais que um
autovetor linearmente independente.
amT m + + a1T + a0 I = 0 , 0 ∈ L (V ,V ) .
47
mônico. Dentre vários polinômios que anulam o operador T , um
deles recebe um nome especial, conforme veremos a seguir.
1 1
Exemplo 9: Vamos considerar a matriz A = e achar o polinô-
0 1
mio minimal associado. Com efeito, o polinômio característico de
A é det ( A - I ) = 2 - 2 + 1 = ( - 1) 2 . Após algumas operações al-
gébricas, observamos que o polinômio característico de A anula a
matriz A , isto é, a matriz A satisfaz A2 - 2 A + I = ( A - I ) ( A - I ) = 0
0 1
(verifique!). Como A - I = ≠ 0 , porém, concluímos que o
0 0
polinômio minimal é pm ( ) = 2 - 2 + 1 .
48 -10 -10
Exemplo 10: Considere agora a matriz B = 90 -17 -20 .
135 -30 -27
Nesse caso, pode-se ver que o polinômio característi-
co é p ( ) = - ( + 2) ( - 3) 2 . Pode-se ver também que
( B + 2 I ) ( B - 3I ) = 0 , e que ( B + 2 I ) ≠ 0 , e ( B - 3I ) ≠ 0 (ve-
rifique!), portanto o polinômio minimal da matriz B é
pm ( ) = ( + 2) ( - 3) .
1) em geral, p ( ) ≠ pm ( ) ;
48
raiz de p ( ) , precisamos provar que p ( ) = 0 ⇔ pm ( ) = 0 .
Com efeito, se é raiz de p ( ) , então é um autovalor de
T e, para algum vetor não-nulo v ∈ V , temos T (v) = v . Daí
decorre que T k (v) = k v para cada k ≥ 1 . Agora, assuma que
pm ( x) = b0 + b1 x + + x s . Como pm (T ) = 0 (lembrar a definição
de polinômio minimal), segue que
0 = pm (T ) v = (b0 I + b1T + + T s ) v
= b0 v + b1 v + + s v
= (b0 + b1 + + s ) v = pm ( ) v
49
que os elementos de Adj ( A) são obtidos via cálculo do determi-
nante de certas submatrizes de A de ordem n - 1 . Continuando a
prova, seja B = Adj ( A - I ) . Da observação acima, segue que os
elementos bij de B são polinômios em de grau no máximo n - 1 ,
isto é, para cada par i, j , temos
B = B0 + B1 + + Bn -1 n -1 ,
B ( A - I ) = det ( A - I ) I .
a0 I = B0 A
a1 I = ( B1 A - B0 )
a2 I = ( B2 A - B1 )
an -1 I = ( Bn -1 A - Bn - 2 )
an I = - Bn -1
p ( A) = a0 I + a1 A + + an -1 An -1 + an An = 0 ,
50
Exercícios
1) Mostre que o conjunto formado pelos autovetores de um ope-
rador linear T : V → V associados a um autovalor e o vetor nulo
é um subespaço vetorial de V .
1 a
4) Sejam A = 11 1
e B= . Ache uma matriz não-singu-
1 a 1
lar P tal que P -1 AP e P -1 BP são diagonais.
5) Seja A = -53 3 T
. Mostre que A e A têm um autovetor co-
5
mum.
51
um autovetor de A . Qual é o autovalor associado? Quantos
autovalores nulos podemos encontrar?
3
c) Seja v = [1 -1 1] T . Ache os autovalores da matriz
3
A = vv T e os autovetores correspondentes.
11) Seja T : ℜ 2
→ ℜ2 , T ( x, y ) = (-12 x - 19 y, 7 x + 11 y ) . Mostre que
T não tem autovalores em ℜ . Determine os autovalores comple-
xos de T e autovetores correspondentes.
52
2.3 Operadores diagonalizáveis
O objetivo desta Seção é procurar condições sob as quais a matriz
de um operador linear é uma matriz diagonal. Mais especifica-
mente, se T : V → V é um operador linear, procuramos condições
sobre T para que exista uma base de V tal que a matriz [T ]
seja diagonal.
1 0 0
0 2 0
[T ] = .
0 0 n
53
Outro resultado importante que descreve condições sob as quais
um operador linear é diagonalizável ocorre através do polinômio
minimal.
a) T é diagonalizável;
-1 -3 4
3
canônica de um operador linear T em ℜ é: A = -4 0 4 ,
3 -4 0
então o polinômio característico de A é p ( x) = - ( x - 3) ( x + 2) 2 e,
assim, os autovalores da matriz são 1 = 3 com multiplicidade 1, e
2 = -2 com multiplicidade 2 (verifique!). Para aplicarmos o item
b, devemos calcular as dimensões dos espaços próprios V1 e V2 .
Para tanto, vale a pena observar que se é um autovalor de A ,
então V é o subespaço gerado pelas soluções do sistema homogê-
54
neo de equações lineares ( A - I ) x = 0 , ou equivalentemente, V
é o subespaço nulo de A - I . Isto é:
V = N ( A - I ) = {x ∈ℜn / ( A - I ) x = 0} .
-14 72 -60
lação à base canônica é A = -9 40 -30 . Procedendo na ma-
-6 24 -16
neira usual podemos ver que o polinômio característico da matriz
A é p ( x) = - ( x - 2) ( x - 4) 2 (verifique!), e que os autovalores dis-
tintos são 1 = 2 com multiplicidade 1, e 2 = 4 com multiplicida-
de 2. Com relação a V1 não há nada a ser analisado, pois 1 é um
autovalor simples. Analisemos então V2 . Com efeito, nesse caso
-18 72 -60
temos que A - 2 I = -9 36 -30 . Como a segunda linha des-
-6 24 -20
sa matriz é 1/2 vezes a primeira e a terceira linha é 1/3 vezes a
primeira, o posto de A - 2 I é 1, portanto N ( A - 2 I ) = 3 - 1 = 2 e
V2 , o espaço próprio associado a 2 , tem dimensão 2. Resolven-
do o sistema homogêneo ( A - 2 I ) x = 0 , se x = [a, b, c] T , verifica-
se facilmente que V2 = {x ∈ℜ3 x1 / x = bv2 + cv3 } , em que b e c são
reais arbitrários, com pelo menos um deles não-nulo, v2 = [4,1, 0] T ,
e v3 = [-10 / 3, 0,1] T . Isto é, V2 é gerado pelos vetores v2 e v3 . As-
55
sim, como a dimensão do subespaço V2 é igual à multiplicidade
algébrica do autovalor 2 , usando o item b da proposição con-
cluímos que o operador T é diagonalizável. Observe que, se v1
denota o autovetor associado ao autovalor 1 , então = {v1 , v2 , v3 }
é uma base do espaço ℜ3 (verifique!), e a matriz do operador T
nessa base é a matriz diagonal
2 0 0
[T ] = 0 4 0 .
0 0 4
Exercício
15) Decida se as matrizes são ou não diagonalizáveis. Em caso
afirmativo, calcule uma base de autovetores
3 1 2 4
a) A = b) B =
-1 3 4 2
4 -1 0 -4
c) C = d) D =
1 2 3 7
- + 6 3( - )
16) Mostre que a matriz A= , , ∈ℜ , é
diagonalizável. 2 ( - ) 6 -
17) Seja A = ac b
d
, a ≠ d . Mostre que A é diagonalizável se e
somente se (a - d ) 2 - 4bc ≠ 0 .
56
2 2 1
5 6 2 -8
a) A = b) A = 0 1 2 c) A =
-2 2 0 1 -4
0 -1
a 1 0
20)
Mostre que qualquer matriz da forma 0 a 1 não é
diagonalizável. 0 0 b
a b 1
A = 0 c 0 .
0 0 1
c) Se n ≠ 0 , então A é diagonalizável.
57
2.4 Matrizes hermitianas
O objetivo desta seção é estudar matrizes com entradas comple-
xas e considerar os análogos complexos de matrizes simétricas
e ortogonais. Para tanto, a noção de produto interno dada no
capítulo anterior deve ser estendida para incluir espaços veto-
riais complexos. Lembramos que, para cada número complexo
z = a + ib , com a e b reais, e i = -1 (a unidade complexa imagi-
nária), tem-se o conjugado complexo z = a - ib , e que o módulo
de z é | z |= a 2 + b 2 . Uma notação análoga pode ser usada para
matrizes. Se A é uma matriz com entradas complexas, então A
é a matriz formada tomando-se o complexo conjugado de cada
elemento de A . Nesse sentido, a propriedade do conjugado do
produto de dois números complexos, z1 z2 = z1 z2 , estende-se fa-
cilmente para o produto de matrizes complexas. Se A e B são
matrizes com dimensões apropriadas tais que o produto AB é
possível, então AB = AB .
a) (∀v ∈ V ) v, v ≥ 0 e v, v = 0 ⇔ v = 0 ;
b) (∀v, w ∈ V ) v, w = w, v ;
e a norma induzida é
|| v || = | v1 |2 + + | vn |2 = v H v .
1 i
Como um exemplo, sejam v = e w = . Assim:
2 - i 1
58
v, w = 1 ⋅ i + (2 - i ) ⋅1 = - i + (2 - i ) = 2 - 2i , v, w = 2 + 2i
|| v || = |1|2 + | 2 - i |2 = 1 + 5 = 6 , e
|| w || = | i |2 + |1|2 = 1 + 1 = 2 .
a) ( AH ) H = A ;
H H H
b) ( AB) = B A ;
c) ( A + B) H = AH + B H ;
Prova: A prova dos itens (a), (b) e (c) é análoga à prova das proprie-
dades da transposta de uma matriz real e fica como um exercício
para você, leitor. Vejamos a prova do item (d). Usando a definição
do produto interno complexo usual e os itens (a) e (b) temos:
Av, u = u H ( Av) = (u H A) v = ( AH u ) H v = v, AH u .
-3 5 + 2i
Para exemplificar, como A= satisfaz
5 - 2i 2
-3 (5 - 2i )
AH = = A , então A é hermitiana. Note que a
(5 + 2i ) 2
2 -1
mesma conclusão vale para B = , pois B é real e simétri-
-1 5
ca e, nesse caso, vale trivialmente B H = B . Esse exemplo mostra
59
que podemos considerar matrizes hermitianas como o análogo
complexo de matrizes simétricas.
1 1 + i -1 + i
Exemplo 12: A matriz U = é unitária. Como exer-
2 1 + i 1 - i
cício, basta verificar a definição.
60
2.5 Transformações unitárias e forma
canônica de Schur
Vimos que uma matriz quadrada B é obtida de A por meio de
uma transformação de semelhança, se existe uma matriz não-sin-
gular P tal que B = P -1 AP . Nesta seção consideraremos transfor-
mações de semelhança induzidas por matrizes unitárias. Lembra-
mos que, se P é unitária, então P -1 = P H . Nesse caso, B = P H AP
é dita como unitariamente equivalente a A . Procuraremos matri-
zes unitárias que produzam matrizes unitariamente equivalentes
da forma mais simples possível.
H
v1H v1H v1H AW 1
P AP = H A [v1 , W ] = H [ 1v1 , AW ] = 1 H =
W W 0 W AW 0
v H v H v1H AW 1 b H
P H AP = 1 H A [v1 , W ] = 1 H [ 1v1 , AW ] = 1 H = .
W W 0 W AW 0 C
61
1 0 1 0
V HV = H 0 U = I
0 U
e, portanto, V também é unitária. Usando essa matriz vemos que
1 0 1 b H 1 0 1 b H U 1 b H U
V H ( P H AP) V = H = = =Τ
0 U 0 C 0 U 0 U CU 0
H
Τ1
H 1 0 1 b H 1 0 1 b H U 1 b H U
( P AP) V = H = = =Τ,
0 U 0 C 0 U 0 U CU 0
H
Τ1
em que Τ é triangular superior. A igualdade acima pode ser es-
crita como Q H AQ = T com Q = PV , e a prova da proposição,
no que diz respeito à triangularização, decorre do fato de que Q
é unitária porque P e V são unitárias. Finalmente, como A e Τ
têm os mesmos autovalores ( A e Τ são semelhantes), e como
os elementos da diagonal principal de Τ são seus autovalores, a
proposição está provada.
8 2 1
Exemplo 13: Considere a matriz A = 1 7 3 . O polinômio carac-
1 1 6
terístico de A é det ( A - I ) = - ( - 6) ( - 5) ( - 10) . Ao autovalor
2
= 6 corresponde o autovetor normalizado v = [1 -1 0] T .
2
Usando o vetor v como primeira coluna de uma matriz unitária
P e considerando as outras colunas na forma mais simples possí-
vel como, por exemplo,
2 2
0
2 2 6 1 - 2
2 2
P = - 0 , temos que A1 = P H AP = 0 9 2 2.
2 2
0
0 0 1 2 6
62
Consideremos a seguir a submatriz 2 × 2 de A1 definida por
9 2 2
B1 = (veja a prova da proposição). Os autovalores de
2 6
B1 são, obviamente, 10 e 5. O autovetor normalizado associado
1
ao autovalor = 10 é [ 2 2 1] t . Usando esse vetor como pri-
3
meira coluna de uma matriz unitária 2 × 2 como, por exemplo,
2 2 1
3 3
, podemos formar uma segunda matriz unitária
1 2 2
-
3 3
1 0 0
2 2 1
3 × 3 definida por V = 0 . Aplicando essa matriz
3 3
1 2 2
0 -
3 3
T H = (Q H AQ) H = Q H AH Q = Q H AQ = T ,
63
Quando a matriz A é real e simétrica, seus autovalores e autove-
tores são reais. Assim, a matriz diagonalizante deve ser ortogo-
nal.
AH A = (Q H Λ H Q) (Q H ΛQ) = Q H Λ H ΛQ ,
AAH = (Q H ΛQ) (Q H Λ H Q) = Q H ΛΛ H Q .
T H T = Q H AH QQ H AQ = Q H AH AQ , e
TT H = Q H AQQ H AH Q = Q H AAH Q .
64
Como AAH = AH A , pois A é normal, segue que T H T = TT H .
Comparando os elementos diagonais de T H T e TT H , vemos que
| tnn | = | t2 n |2 + | t3n |2 + + | tnn |2
2
2 i
Como um exemplo, considere a matriz A = . Vamos pro-
-i 3
var que A é definida positiva. De fato, seja x = [ x1 x2 ] T um vetor
coluna em 2×1 , então:
2 i x1 2 x + ix2 2
x H Ax = x1 x2 = x1 x2 1 = 2 x1 + ix1 x2 - ix2 x
-i 3 x2 -ix1 + 3 x2
2 i x1 2 x + ix2 2 2
x H Ax = x1 x2 x = x1 x2 1 = 2 x1 + ix1 x2 - ix2 x1 + 3 x2 .
-i 3 2 -ix1 + 3 x2
Para continuar nossa prova, precisamos lembrar que, para todo
complexo z = a + ib = Re ( z ) + i Im ( z ) , vale:
a) z - z = i 2 Im ( z ) , e
b) Im ( z ) ≤ | z | .
65
Usando a expressão do item (a) temos que
ix1 x2 - ix2 x1 = i ( x1 x2 - x1 x2 ) = - 2 Im ( x1 x2 ) ,
2 -1 0
A = -1 2 -1 .
0 -1 2
2 -1 0 x1
T
x Ax = [ x1 x2 x3 ] -1 2 -1 x2
0 -1 2 x
3
2 x1 - x2
= [ x1 x2 x3 ] - x1 + 2 x2 - x3
- x2 + 2 x3
= 2 x12 - 2 x1 x2 - 2 x2 x3 + 2 x22 + 2 x32
= ( x1 - x2 ) 2 + ( x2 - x3 ) 2 + x12 + x32 .
66
Matrizes definidas positivas têm as seguintes propriedades:
Exercícios
25) Seja A uma matriz unitária. Mostre que:
a) A é normal
b) Se é um autovalor de A , então | |= 1 .
-2 0 1 1 2 1 2 0 0
a) A = 0 -1 0 b) A = 2 1 1 c) A = 0 5 3
1 0 -2 1 1 2 0 3 5
67
29) Seja B uma matriz m × n de posto n . Mostre que A = B B T
é definida positiva.
31) Seja A uma matriz definida positiva. Para cada par de ve-
tores coluna x , y , defina x, y = x H Ay . Mostre que a operação ,
define um produto interno em n .
0 5
triz .
5 0
1 -4
34) Mostre que a matriz A= é normal mas não é si-
1 1
métrica, anti-simétrica nem unitária. Ache os autovalores e um
conjunto ortonormal de dois autovetores de A .
4 0 0
38)
Seja A = 0 1 i . Ache uma matriz B tal que B H B = A.
0 -i 1
68
Resumo
Neste capítulo, dado um operador linear em um espaço vetorial
real V , T : V → V , estudamos o problema de encontrar escalares
e vetores não-nulos v em V tais que Tv = v , o problema de
autovalores. O escalar em questão, quando existe, é dito auto-
valor de T , e o vetor v é chamado de autovetor de T associado
a . Vimos que se V é de dimensão finita e é uma base de V ,
então o problema de autovalores se reduz a a) achar as raízes de
uma equação polinomial associada à matriz [T ] , e b) resolver
um sistema homogêneo do tipo ([T ] - I ) v = 0 . Do ponto de
vista operacional, mostramos que o efeito do operador sobre um
vetor v é determinado mais facilmente quando v é uma combi-
nação linear de autovetores, e que a matriz [T ] torna-se diagonal
quando o operador admite uma base de autovetores, um caso im-
portante que nos levou ao conceito de diagonalização. Na última
parte do capítulo estudou-se a forma canônica de Schur e pro-
priedades de autovalores e autovetores de matrizes que aparecem
em aplicações práticas tais como matrizes hermitianas, normais,
unitárias, definidas positivas etc.
Bibliografia Comentada
BOLDRINI, José L.; COSTA, Sueli I. Rodrigues; FIGUEIREDO, Vera L.;
WETZLER, Henry G. Álgebra Linear. 3ª ed. São Paulo: HARBRA, 1996.
69
NOBLE, Bem; DANIEL, James W. Álgebra Linear Aplicada. 3ª ed. Rio
de Janeiro: Prentice-Hall do Brasil, 1998.
70
3 Formas Multilineares
3 Formas Multilineares
f (( x1 , x2 ) , ( y1 , y2 )) = x1 y2 − x2 y1 .
a) f (( ( x1 , x2 ) + ( z1 , z2 ) , ( y1 , y2 )) = f (( x1 + z1 , x2 + z2 ) , ( y1 , y2 )) =
= ( x1 + z1 ) y2 − ( x2 + z2 ) y1 = ( x1 y2 − x2 y1 ) + z1 y2 − z2 y1 =
73
b) f ((( x1 , x2 ) , ( y1 , y2 ) + ( z1 , z2 ))) = f ((( x1 , x2 ) , ( y1 + z1 , y2 + z2 ))) =
= x1 ( y2 + z2 ) − x2 ( y1 + z1 ) = ( x1 y2 − x2 y1 ) + x1 z2 − x2 z1 =
b) f : ℜ2 × ℜ2 → ℜ dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 + y1 ;
2 2
c) f : ℜ × ℜ → ℜ dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 x2 + y1 y2 ;
2 2
d) f : ℜ × ℜ → ℜ dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 + x1 y2 ;
2 2
e) f : ℜ × ℜ → ℜ dada por f (( x1 , x2 ) , ( y1 , y2 )) = 4 x1 y1 + x1 y2 ;
f) f : ℜ2 × ℜ2 → ℜ dada por
f (( x1 , x2 ) , ( y1 , y2 )) = − x1 y2 + 4 x2 y1 + 2 x2 y2 ;
g) f : ℜ2 × ℜ2 → ℜ dada por
f (( x1 , x2 ) , ( y1 , y2 )) = −3 x1 y1 − x1 y2 + 4 x2 y1 + 2 x2 y2 .
n
a1
f (v, w) = ∑ab i j f (vi , w j ) = (b1 bn )[ f ] = ( w)T [ f ] (v) ,
i , j =1 a
n
74
em que (v) e ( w) são respectivamente as coordenadas de v em
relação à base e as de w em relação à base . Quando = ,
escrevemos simplesmente [ f ] para representar a matriz de f
em relação à base .
0 −1
a matriz dada por [ f ] can = , pois f (e1 , e1 ) = f (e2 , e2 ) = 0 ,
1 0
f (e1 , e2 ) = −1 e f (e2 , e1 ) = 1 . Realmente, você pode observar que
0 −1 x1
( y1 y2 ) = x1 y2 − x2 y1 .
1 0 x2
1 −1
triz dada por [ f ] can = . Observe que, nesse caso, temos
−1 −1
y + y2 y1 − y2 x1 x1
que [( y1 y2 )] = 1 , x = x e que
2 2 2 can 2
x1 y1 + y2 y1 − y2 1 −1 x1
[( y1 y2 )] [ f ] can = = x1 y2 − x2 y1
x2 2 2 −1 −1 x2
x1 y1 + y2 y1 − y2 1 −1 x1
[( y1 y2 )] [ f ] can = = x1 y2 − x2 y1 .
x2 2 2 −1 −1 x2
a) f : ℜ2 × ℜ2 → ℜ tal que f (( x1 , x2 ) , ( y1 , y2 )) = 4 x1 y1 + x1 y2 ,
= = canônica ;
b) f : ℜ2 × ℜ2 → ℜ definida por
f (( x1 , x2 ) , ( y1 , y2 )) = − x1 y2 + 4 x2 y1 + 2 x2 y2 ,
= = {(1,1) , (1, −1)} ;
75
c) f : ℜ2 × ℜ2 → ℜ definida por
f (( x1 , x2 ) , ( y1 , y2 )) = −3 x1 y1 − x1 y2 + 4 x2 y1 + 2 x2 y2 ,
= = {(1, 2) , (1, −1)} ;
d) f : ℜ3 × ℜ3 → ℜ dada por
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 + x1 y2 − 2 x2 y1 − x2 y3 ,
= = canônica .
a) f : ℜ2 × ℜ2 → ℜ tal que f (( x1 , x2 ) , ( y1 , y2 )) = 4 x1 y1 + x2 y2 ;
76
b) f : ℜ2 × ℜ2 → ℜ tal que
f (( x1 , x2 ) , ( y1 , y2 )) = −4 x1 y2 + 4 x2 y1 + 2 x2 y2 ;
c) f : ℜ2 × ℜ2 → ℜ tal que
f (( x1 , x2 ) , ( y1 , y2 )) = − x1 y1 − 3 x1 y2 − 3 x2 y1 + 2 x2 y2 ;
d) f : ℜ3 × ℜ3 → ℜ , tal que
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 + x1 y2 + x2 y1 + x2 y3 + x3 y2 − x3 y3 ;
e) f : ℜ3 × ℜ3 → ℜ , tal que
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 − 2 x1 y2 − 2 x2 y1 + 3 x2 y3 + 3 x3 y2 .
77
3 − 2 x 6 3 4 0 6
− 3 x
q ( x, y ) = ( x y) = (x y) 3 3
3 3
=
− 2 2 y − 3
3 6
3 0 1 3 6
y
3 3
4 0 z 2 2
= (z w) = 4z + w ,
0 1 w
z 6
3 − 3
3 x x
em que = = .
w 3
3
6
3 y y
y
Uma aplicação da diagonalização
de formas quadráticas é a identifica-
ção de cônicas. Por exemplo, a par-
tir dos cálculos anteriores, concluí- w
mos que a curva dada pela equação 4z2 + w2 = 1
3 x 2 − 2 2 xy + 2 y 2 = 1 é uma elipse,
cujos eixos de simetria são Oz e Ow ,
eixos orientados definidos a partir dos
x
vetores unitários ( 6 3 , − 3 3 ) , ( 3 3 , 6 3 ) ,
respectivamente (os vetores da base ).
z
O semi-eixo menor da elipse tem ta-
manho 1 2 e, o semi-eixo maior, 1 (ver
3x² − 2 2 xy + 2y² = 1
figura 3.1 ao lado).
2 2
Figura 3.1 - A elipse 3 x − 2 2 xy + 2 y = 1 .
78
Exemplo 6: Considere f : ℜ3 × ℜ3 → ℜ , a forma bilinear simétrica
definida por
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = 2 x1 y1 + 2 x2 y2 + 2 x3 y3 + x1 y2 + x2 y1 + x1 y3 + x3 y1 + x2
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = 2 x1 y1 + 2 x2 y2 + 2 x3 y3 + x1 y2 + x2 y1 + x1 y3 + x3 y1 + x2 y3 + x3 y2 .
q ( x, y, z ) = 2 x 2 + 2 y 2 + 2 z 2 + 2 xy + 2 xz + 2 yz .
2 1 1 x
q ( x , y , z) = ( x y z ) 1 2 1 y . Os autovalores dessa ma-
1 1 2 z
triz são 4, 1 e 1. A forma diagonal dessa matriz é:
2 1 1 3
3 0 − 6
3 4 0 0 33 3
3
3
3
1 2 1 = 0 1 0 0 − 22 .
3 2 6 2
3 2 6 2
1 1 2 3
− 2 6 0 0 1 − 63 6 6
3 2 6 6 6
a) xy = 2 ;
b) 3 x 2 + 2 xy + 3 y 2 = 4 ;
c) 3 x 2 + 2 xy + 2 xz + 4 yz = 1 ;
d) x 2 + y 2 + 3 z 2 + 4 xy = 3 ;
e) 2 x 2 + 2 y 2 + 2 z 2 + 2 xy + 2 xz + 2 yz = 3 .
79
três equações lineares em duas incógnitas. Foi Cauchy, no século
XIX, quem atribuiu o nome “determinante” ao conceito.
f ((v1 ,..., vi + v ,..., vn )) = f ((v1 ,..., vi ,..., vn )) + f ((v1 ,..., v ,..., vn )) .
(∀v1 ,..., vn ∈ V )
80
Lema: Seja V um espaço vetorial real. f : V n → ℜ é uma forma
n-linear alternada se e somente se, para 1 ≤ i < j ≤ n ,
(∀v1 ,..., vn ∈ V )
(∀v1 ,..., vn ∈ V )
f ((v1 ,..., v j ,..., v j ,..., vn )) + f ((v1 ,..., vi ,..., v j ,..., vn )) + f ((v1 ,..., v j ,.
f ((v1 ,..., v j ,..., v j ,..., vn )) + f ((v1 ,..., vi ,..., v j ,..., vn )) + f ((v1 ,..., v j ,..., vi ,..., vn )) =
Por conseguinte,
ou seja, f é alternada.
81
n objetos F1 até chegarmos a uma fila F2 precisamos de um nú-
mero par de transposições, então qualquer outra forma, partindo
de F1 e chegando a F2 , precisará de um número par de transpo-
sições. Assim, classificamos as permutações em pares e ímpares.
Dessa maneira, como uma forma n-linear alternada troca de sinal
para cada transposição da n-upla, uma permutação par preserva
o sinal, enquanto uma permutação ímpar faz trocar o sinal do
valor da forma.
82
n
Prova: Sejam v1 = (a11 ,..., a1n ) = ∑ a1 j e j , ... ,
j =1
n
vn = (an1 ,..., ann ) = ∑ anj e j . Note que, pela multiline-
j =1
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) .
83
Exercício 7: Seja A uma matriz real 2 × 2 . Calcule det A pela defi-
nição anterior. Idem para uma matriz real A , de tamanho 3 × 3 .
Propriedades:
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) = a11 . . ann .
84
Note que as únicas permutações que resultariam em parcelas
não-nulas seriam aquelas que levam 1 em 1, sendo bijetoras de
{2,..., n} em {2,..., n} . Assim,
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) = ∑ (−1)
∈Pn−1
s ( )
a2 (2) . . an ( n ) = a11.det A
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) = ∑ (−1)
∈Pn−1
s ( )
a2 (2) . . an ( n ) = a11.det A(1,1)
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) . Notemos que uma permu-
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) = ∑ (−1)
∈Pn
s ( )
a −1 (1),1 . . a −1
det A = ∑ (−1)
∈Pn
s ( )
a1 (1) . . an ( n ) = ∑ (−1)
∈Pn
s ( )
a −1 (1),1 . . a −1 ( n ),n =
= ∑ (−1)
∈Pn
s ( )
a (1),1 . . a ( n ),n = det AT
85
8) det A = a11 A(1,1) − a12 A(1,2) + + (−1)1+ n a1n A(1,n ) . (Teorema
de Expansão de Laplace). Como o determinante é uma for-
ma n-linear alternada, temos que:
D (v1 ,..., vi + w ,..., vn ) = det ( Av1 ,..., A(vi + .w) ,..., Avn ) = det ( Av1 ,..., Avi + . Aw ,..., Avn ) =
, A(vi + .w) ,..., Avn ) = det ( Av1 ,..., Avi + . Aw ,..., Avn ) = det ( Av1 ,..., Avi ,..., Avn ) + det ( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,...
= det ( Av1 ,..., Avi ,..., Avn ) + det ( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,..., vn ) + .D (v1 ,..., w,..., vn )
( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,..., vn ) + .D (v1 ,..., w,..., vn ) .
86
10) det ( xI − A) = x n − (tr A) x n −1 + pn − 2 ( x) , em que pn − 2 ( x) é um
polinômio de grau menor ou igual a (n − 2) em x , e tr A é
a função traço de A . Aplicando a definição de determinan-
te, det ( xI − A) = ( x − a11 )..( x − ann ) + qn − 2 ( x) , em que qn − 2 ( x)
é um polinômio de grau menor ou igual a (n − 2) em x ,
pois qualquer permutação ∈ Pn , diferente da identidade,
vai resultar em uma parcela ( xI − A) 1 (1) . . ( xI − A) n ( n ) que
conterá, no máximo, (n − 2) elementos da diagonal entre
seus fatores.
11) det ( xI − A) = ( x − 1 ). . ( x − n ) = x n − ( ∑ i ) x n −1 + ( ∑ i j ) x n − 2 +
1≤i ≤ n 1≤i < j ≤ n
det ( xI − A) = ( x − 1 ). . ( x − n ) = x n − ( ∑ i ) x n −1 + ( ∑ i j ) x n − 2 + + (−1) n 1 . . n .
1≤i ≤ n 1≤i < j ≤ n
87
Exercícios
8) Vamos representar as permutações de {1,..., n} por n-uplas
ordenadas. Por exemplo: para n = 3 , (2,3,1) representa a permu-
tação tal que (1) = 2 , (2) = 3 e (3) = 1 .
1 2 3 1 2 3 1 2 3 1 2 3
4 5 6 = 0 −3 −6 = (−1). 0 1 −1 = (−1). 0 1 −1 = (−1).1.1.(−9) = 9
2 5 5 0 1 −1 0 −3 −6 0 0 −9
1 2 3 1 2 3
6 = (−1). 0 1 −1 = (−1). 0 1 −1 = (−1).1.1.(−9) = 9
1 0 −3 −6 0 0 −9
88
12) Idem para a matriz tridiagonal simétrica 5 × 5 , cujos ele-
mentos da diagonal principal são todos iguais a 2 e os elementos
das outras diagonais são todos iguais a -1.
2 5 −3 −2
21 22 23
−2 −3 2 −5
c) 31 32 33 d)
41 42 43 1 3 −2 2
−1 −6 4 3
6 2 1 0 5
1 2 2 3
1 0 −2 0
2 1 1 −2 1
e) f) 1 1 2 −2 3
3 −1 1 −2
3 0 2 3 −1
4 −3 0 2 −1 −1 −3 4 2
1 4 −1 2 3 4
c) 5 3 −5 d) 0 −3 7
−1 2 7 0 0 5
89
cipais A (1: k ,1: k ) , ditos menores principais, são positivos. Su-
gestão: para mostrar implicação no sentido direto, use o fato de
que as submatrizes principais de uma matriz simétrica definida
positiva são também simétricas definidas positivas e que o de-
terminante de uma matriz é o produto de seus autovalores; para
mostrar a recíproca, use o fato de que uma matriz simétrica tem
decomposição LDLT se os seus menores principais são não-nulos,
no caso em que as entradas de D , diferentes de d11 , são razões
entre menores principais consecutivos.
Resumo
Neste capítulo introduzimos funções multilineares, das quais são
exemplos notáveis os produtos internos e a função determinan-
te. Aqui, invertemos o processo de definição de determinante em
relação a alguns livros, como por exemplo o livro de Lima (1998).
Primeiro, definimos o determinante de uma matriz. Depois, defi-
nimos o determinante de um operador linear em um espaço veto-
rial de dimensão finita, como sendo o determinante da matriz do
operador em relação a uma base qualquer, pois o determinante
é invariante em relação a uma mudança de base: ele é o produto
dos autovalores, com suas multiplicidades algébricas.
Bibliografia Comentada
STRANG, Gilbert. Linear Algebra and its Applications. 3rd ed. Orlando:
Harcourt Brace Jovanovich, 1988.
90
LIMA, Elon L. Álgebra Linear. 3ª ed. Rio de Janeiro: SBM, 1998.
91