Escolar Documentos
Profissional Documentos
Cultura Documentos
10 de julho de 2009
Iniciaremos este curso fazendo uma pequena revisão sobre sistemas de equações lineares. Para isto,
consideraremos suporemos conhecido pelo leitor todo assunto relacionado as matrizes.
A · X = B,
onde
a11 a12 ··· a1n
a21 a22 ··· a2n
..
A= .. é a matriz dos coecientes,
..
. . ··· .
am1 am2 ··· amn
x1
x2
é a matriz das incógnitas,
X= ..
.
xn
e
b1
b2
B= . é a matriz dos termos independentes.
..
bn
1
1 SISTEMAS DE EQUAÇÕES LINEARES 2
5 −2 5 −2
5 −2 −10 4
3. Substituição da i-ésima linha pela i-ésima linha mais k vezes a j -ésima linha (Li → Li + kLj ).
Exemplo 1.3. L3 → L3 + 2L1
1 0 1 0
4 −1 → 4 −1
−3 4 −1 4
−3 4 0 0
Um resultado importante que permite-nos encontrar algumas soluções de alguns sistemas é o
seguinte:
Teorema 1.5. Dois sitemas que possuem matrizes ampliadas equivalentes são equivalentes.
Exemplo 1.6. Considerando o teorema anterior, encontre uma solução do seguinte sistema.
x1
+ 4x2 + 3x3 = 1
2x1 + 5x2 + 4x3 = 4
x1 − 3x2 − 2x3 = 5
No procedimento que utilizamos no último exemplo para resolução dos sistema, através de
operações elementares sobre as linhas da matriz ampliada, transformamos esta matriz numa matriz
linha equivalente conveniente. Esta matriz é um exemplo do que deniremos como matriz-linha
reduzida à forma escada.
1 SISTEMAS DE EQUAÇÕES LINEARES 3
0 0 1 0
0 2 1
b) 1 0 −3
0 0 0
0 1 −3
c) 0 0 0
0 0
0 0 0 −1 2
0 1 −3 0 2
d) 0 0 0
1 2
0 0 0 0 0
Teorema 1.9. Toda matriz Am×n é linha-equivalente a uma única matriz-linha reduzida à forma
escada.
Denição 1.10. Dada uma matriz Am×n , seja Bm×n a matriz-linha reduzida à forma escada linha
equivalente a A. O posto de A, denotado por p, é o número de linhas não nulas de B . A nulidade
de A é o número n − p.
Exemplo 1.11. Encontre o posto e a nulidade de A, onde
1 2 1 0
−1 0 3 5
1 −2 1 1
Para motivar o teorema que irá nos garantir se um sistema possui soluções, consideraremos algumas
situações.
Exemplo 1.13. Analise as possibilidades de solução dos seguintes sistemas:
1. ax = b
(
2x1 + x2 = 5
2.
x1 − 3x2 = 6
(
2x1 + x2 = 5
3.
6x1 − 3x2 = 15
(
2x1 + x2 = 5
4.
6x1 − 3x2 = 10
onde aij e bi são números reais (ou complexos), que este sitema poderá ter:
1. uma única solução (sistema possível e determinado);
x1 = k1
..
.
x
n = kn
0 0 1 2
1 SISTEMAS DE EQUAÇÕES LINEARES 5
" #
1 0 7 −10
2.
0 1 5 −6
1 0 7 0
3.
0 1 5 0
0 0 0 1
Exercícios:
1. Resolva o sistema de equações, escrevendo a matrizes ampliadas, associadas aos novos sistemas.
2x − y + 3z = 11
4x − 3y + 2z = 0
x + y + z = 6
3x + y + z = 4
3 1 2 3
0 1 3 −2
b) 2 1 −4 3
2 3 2 −1
0 2 2
1 1 3
c)
3 −4 2
2 −3 1
z 0
z 1 0
onde λ ∈ R.
c) Verique
−4 −4λ
λ 2 = λ 2λ
1 λ
é solução do sistema homogêneo associado ao sistema (2).
d) Conclua, dos itens a), b) e c), que o conjunto-solução do sistema (2) é o conjunto-solução do
sistema homogêneo somado a uma solução particular do sistema (2).
1 SISTEMAS DE EQUAÇÕES LINEARES 7
10. Motivado pelo exercício 9., mostre que toda matriz-solução de um sistema linear AX = B é a
soma de uma solução do sitema homogêneo associado AX = 0 com uma solução particular de
AX = B . Sugestão: siga as etapas seguintes.
b a −b a b a −b a
temos que x1 = 1 22 2 12
e x2 = 2 11 1 21 . Note que o denominador a11 a22 − a12 a21 é
a11 a22 − a12 a21 a11 a22 − a12 a21
comum aos valores das duas variáveis, e este está associado a matriz dos coecientes
" #
a11 a12
a21 a22
os valores de x1 , x2 e x3 têm como denominador comum a11 a22 a33 −a11 a23 a32 −a12 a21 a33 +a12 a23 a31 +
a13 a21 a32 − a13 a22 a31 , que está associado a matriz dos coecientes.
a11 a12 a13
a21 a22 a23
2.1 Determinante
Dada uma matriz quadrada A = [aij ], denimos determinante de uma matriz o número associado
a esta, e denotamos
detA ou |A| ou det[aij ]
Então:
1. det[a] = a
" #
a11 a12 a a12
2. det
11
= = a11 a22 − a12 a21
a21 a22 a21 a22
a11 a12 a13 a11
a12 a13
3. det
a21 a22 a23 = a21
a22 a23 =
a31 a32 a33 a31 a32 a33
= a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31
Tendo em vista denir determinante para qualquer matriz quadrada, consideraremos inicial-
mente a seguinte denição.
Denição 2.4. Dada uma permutação dos inteiros 1, 2, ..., n, existe uma inversão quando um inteiro
precede outro menor que ele.
2 DETERMINANTES E MATRIZ INVERSA 9
Exemplo 2.5. Liste todas as permutações dos inteiros 1, 2 e 3, e associe a cada uma destas o número
de inversões.
Note que os termos do determinante da matriz 3 × 3 são do tipo a1j1 a2j2 a3j3 , onde (j1 , j2 , j3 )
são as permutações de 1, 2 e 3. Além disso, o sinal destes termos depende do número de inversões da
permutação (par, sinal positivo; e ímpar, sinal negativo).
Agora, podemos denir determinante de forma geral
Denição 2.6. X
det[aij ] = (−1)J a1j1 a2j2 · · · anjn ,
ρ
onde J é o número de inversões da permutação (j1 , j2 , ..., jn ) e ρ indica que a soma é estendida a
todas as n! permutações de (1, 2, ..., n).
2.2 Propriedades
1. Se todos os elementos de uma linha (coluna) de uma matriz A são nulo, detA = 0.
3. Se multiplicarmos uma linha da matriz por uma constante, o determinante ca multiplicado por
esta constante.
5. O determinante de uma matriz que tem duas linhas (colunas) iguais é zero.
a11 ··· a1n a11 ··· a1n a11 ··· a1n
.. .. . .. .. ..
. . .. . . .
··· ··· ···
6. bi1 + ci1
··· bin + cin = bi1
··· bin + ci1
··· cin
.. .. ..
.. .. ..
. . . . . .
··· ··· ···
an1 ··· ann a
n1 ··· ann an1 ··· ann
7. O determinante não se altera se somarmos a uma linha outra linha multiplicada por uma con-
stante.
8. det(A.B) = detA.detB
|A| = a11 (a22 a33 − a23 a32 ) − a12 (a21 a33 − a23 a31 )
+ a13 (a21 a32 − a22 a31 )
a
22 a23
a a23 a a22
21 21
= a11 − a12 + a13
a32 a33 a31 a33 a31 a32
2 DETERMINANTES E MATRIZ INVERSA 10
Portanto,
detA = a11 |A11 | − a12 |A12 | + a13 |A13 |,
onde Aij é a submatriz da inicial de onde a i-ésima linha e a j -ésima coluna foram retiradas. Deste
modo, se denotarmos
∆ij = (−1)i+j |Aij |,
teremos
detA = a11 ∆11 − a12 ∆12 + a13 ∆13
Isto continua sendo válido para qualquer matriz quadrada de ordem n. Logo,
−2 −1 2
calcule |A|.
Exemplo 2.8. Calcule
1 −2 3
2 1 −1
−2 −1 2
Dada uma matriz A, vimos que o cofator ∆ij do elemento aij da matriz é (−1)i+j detAij . De posse
destes cofatores podemos denir uma nova matriz, chamada matriz dos cofatores de A.
A = [∆ij ]
1 6 5
encontre A.
Denição 2.10. Dada uma matriz quadrada A, chamaremos de matriz adjunta de A à transposta
da matriz dos cofatores de A.
0
adjA = A
−19 −11 5
Denição 2.12. Dada uma matrz quadrada A de ordem n, chamamos de inversa de A a uma matriz
B tal que A.B = B.A = In , onde In é a matriz identidade de ordem n. Denotamos a inversa de A
por A−1 .
Exemplo 2.13. Dada a matriz " #
6 2
A= ,
11 4
Calcule A−1 .
" #
0 2
Exemplo 2.14. A matriz possui inversa?
0 1
O último exemplo nos mostra que nem toda atriz possui inversa. O seguinte teorema fornece-nos
uma condição necessária e suciente para que uma matriz possua inversa.
Teorema 2.15. Uma matriz quadrada A admite uma inversa se, e somente se, detA 6= 0.
Exercícios:
1. Dizemos que A e B são matrizes semelhantes se existe uma matriz P tal que B = P −1 AP .
Mostre que se A e B são semelhantes , então detA = detB .
2. Mostre que se A é uma matriz invertível n × n, o sistema de equações lineares dado por AX = B
tem uma única solução X = A−1 B para todo B em Rn .
3. Considere um sistema homogêneo AX = 0, onde A é uma matriz n × n. Que condição você deve
impor sobre A, para que o sistema admita soluções diferentes da solução trivial (X = 0)?
4. Prove que a matriz identidade In é invertível e que In−1 = In .
5. A matriz A é chamada idempotente se A2 = A.
(a) Ache três matrizes 2 × 2 idempotentes.
(b) Prove que a única matriz n × n idempotente invertível é a matriz identidade.
6. Se A e B são matrizes quadradas de mesma ordem, ambas invertíveis, então A · B é invertível e
(AB)−1 = B −1 · A−1 .
a) 35412
b) 21435
c) 54321
d) No determinante de uma matriz 5 × 5, que sinal precederia os termos a13 a25 a34 a41 a52 e
a15 a24 a33 a42 a51 ?
2 0 −1
8. Calcule det
3 0 2
4 −3 7
a) pela denição
b) em relação à segunda coluna, usando o desenvolvimento de Laplace.
9. Seja
5 0 0
A= 1 5 0
0 1 5
Para que X existe um escalar c tal que AX = cX ?
2 DETERMINANTES E MATRIZ INVERSA 12
10. Suponhamos que A seja uma matriz 2 × 1 e que B seja uma matriz 1 × 2. Demonstre que
C = AB não é inversível.
a2 b2 c2
3 ESPAÇOS VETORIAIS 13
3 Espaços Vetoriais
Tendo em vista denir espaço vetorial, iniciaremos esta seção lembrando que, dados os vetores u, v e
w em V = R3 e as constantes a e b, as seguintes propriedades são satisfeitas:
1. (u + v) + w = u + (v + w);
2. u + v = v + u;
3. Existe 0 ∈ V tal que u + 0 = 0 + u = u;
4. Existe −u ∈ V tal que u + (−u) = (−u) + u = 0;
5. a(u + v) = au + av;
6. (a + b)v = av + bv;
7. (ab)v = a(bv);
8. 1u = u.
Denição 3.1. Um espaço vetorial real é um conjunto V , não vazio, com duas operações: soma,
V ×V +
→ V , multiplicação por escalar, R × V ·
→ V , tais que, para quaisquer u, v, w ∈ V e a, b ∈ R,
as propriedades de i) a iii) sejam satisfeitas.
Na denição anterior, se tivermos escalares complexos, V será um espaço vetorial complexo.
Exemplo 3.2. O conjunto
{(1, x2 , x3 ); xi ∈ R}
é um espaço vetorial.
Exemplo 3.3. Sabemos que R3 é um espaço vetorial. Se estendermos este espaço para um conjunto
de n-uplas de números reais, isto é,
V = Rn = {(x1 , x2 , ..., xn ); xi ∈ R},
é o próprio R3 .
Exemplo 3.6. Mostre que
P2 = {a0 + a1 x + a2 x2 ; ai R}
é um espaço vetorial.
Exemplo 3.7. O conjunto V = Pn dos polinômios com coecientes reais, de grau menor ou igual a
n (incluindo o zero), é um espaço vetorial.
Exemplo 3.8. a) O conjunto F (X; R), onde X é um conjunto não vazio qualquer, que representa o
conjunto de todas as funções reais f, g : X → R, é um espaço vetorial?
b) Se X = {1, 2, ..., n}, então o que ocorre com F (X; R)? E se X = N?
3 ESPAÇOS VETORIAIS 14
Dado um espaço vetorial V , note que para F ⊂ V ser um espaço vetorial, é necessário e suciente
que:
1. 0 ∈ F ;
2. Se u, v ∈ F , então u + v ∈ F ;
3. Se v ∈ F , então, para todo α ∈ R, αv ∈ F ;
pois neste caso as propriedades serão claramente satisfeitas.
Exemplo 3.9. Note que uma reta r passando pela origem é um espaço vetorial contido em R2 .
Denição 3.10. Dado um espaço vetorial V , um subconjunto W , não vazio, será um subespaço
vetorial de V se:
1. 0 ∈ W ;
2. Para quaisquer u, v ∈ W , tivermos u + v ∈ W ;
3. Para quaisquer a ∈ R e u ∈ W , tivermos au ∈ W .
Note que todo espaço vetorial V possui como subespaço vetoriais V e {0}, chamados subespaços
vetoriais triviais.
Exemplo 3.11. Mostre que
W = {(0, x2 , x3 , x4 , x5 ); xi ∈ R}
é subespaço vetorial de V = R .
5
W2
W1
Figura 1:
W2
W1
Figura 2:
4 Combinação Linear
Consideremos, inicialmente, os vetores v1 = (1, 0, 2), v2 = (1, 0, 0) e v3 = (5, 0, 4). Note que v3 =
2v1 + 3v2 . Dizemos que v3 é combinação linear de v1 e v2 .
Denição 4.1. Sejam V um espaço vetorial real, v1 , v2 , ..., vn ∈ V e a1 , a2 , ..., an números reais. O
vetor
v = a1 v1 + a2 v2 + · · · + an vn
W = {v ∈ V ; v = a1 v1 + a2 v2 + · · · + an vn , ai ∈ R}
Denição 4.7. Sejam V um espaço vetorial e v1 , v2 , ..., vn ∈ V . Dizemos que o conjunto {v1 , ..., vn }
é linearmente independente (LI), se a equação
a1 v1 + · · · + an vn = 0,
Teorema 4.9. {v1 , ..., vn } é LD se, e somente se, um destes vetores for uma combinação linear dos
outros.
Um teorema equivalente a este último é o seguinte.
Teorema 4.10. Um conjunto de vetores é LI se, e somente se, nenhum de seus elementos é combi-
nação linear dos outros.
Exemplo 4.11. Mostre que os vetores e1 = (1, 0, 0), e2 = (0, 1, 0) e e3 = (0, 0, 1) são LI.
Exemplo 4.12. Os vetores u = (1, 2, 3), v = (4, 5, 6) e w = (7, 8, 9) em R3 são LD?
Exemplo 4.13. Se V = R3 , indique uma condição necessária para que:
Dado o espaço V = R2 , note que e1 = (1, 0) e e2 = (0, 1) são LI. Além disso, dado v = (x, y) ∈ R2 ,
temos
v = xe1 + ye2 ,
ou seja,
R2 = [e1 , e2 ]
Denição 4.14. Um conjunto {v1 , ..., vn } de vetores de V será uma base de V se:
i) {v1 , ..., vn } é LI.
ii) [v1 , ..., vn ] = V .
Exemplo 4.15. Mostre que, dados u = (1, 1) e v = (0, 1), {u, v} é uma base de R.
Através deste último exemplo e do primeiro desta seção, podemos concluir que a base de um
espaço vetorial não é única.
5 DIMENSÃO DE UM ESPAÇO VETORIAL 17
Lema 5.0.1. Sejam v1 , v2 , ..., vn vetores não nulos que geram um espaço vetorial V . Então dentre
estes vetores podemos extrair uma base de V .
Lema 5.0.2. Todo sistema linear homogêneno, cujo número de incógnitas é maior do que o número
de equações, admite uma solução não trivial.
Teorema 5.1. Seja um espaço vetorial V gerado por {v1 , ..., vn }. Então qualquer conjunto com mais
de n vetores é necessariamente LD.
Podemos concluir pelo teorema 5.1 que qualquer conjunto LI tem no máximo n elementos.
Corolário 5.2. Qualquer base de um espaço vetorial tem sempre o mesmo número de elementos.
Denição 5.3. O número de elementos de uma base de um espaço vetorial V , denimos como a
dimensão de V , e denotamos dim V .
Exemplo 5.4. Determine uma base para o espaço V = R2 e indique sua dimensão.
Exemplo 5.5. Determine uma base para o espaço V = M (2, 2) e indique sua dimensão.
Denição 5.6. Dizemos que um espaço vetorial V possui dimensão nita, se este admite uma base
nita.
Exemplo 5.7. Os espaços R2 e M (2, 2) possuem dimensão nita.
O próximo resultado fornece-nos uma ferramenta para construirmos bases de um espaço vetorial.
Lema 5.7.1. Se {v1 , ..., vn } é LI e vr+1 ∈/ [v1 , ..., vn ], então {v1 , ..., vr , vr+1 } é LI.
Teorema 5.8. Qualquer conjunto de vetores LI de um espaço vetorial V de dimensão nita pode ser
completado de modo a formar uma base de V .
Corolário 5.9. Se dim V = n, qualquer conjunto de n vetores LI formará uma base de V .
Teorema 5.11. Se U e W são subespaços de um espaço vetorial V que tem dimensão nita, então
dim U ≤ dim V e dim W ≤ dim V . Além disso,
Teorema 5.12. Dada uma base β = {v1 , ..., vn } de V , cada vetor de V é escrito de maneira única
como combinação linear de v1 , ..., vn .
Uma vez que a maneira de escrever um vetor como combinação linear de vetores de uma base
é única, faz sentido a seguinte denição.
Denição 5.13. Sejam β = {v1 , ..., vn } base de V e v ∈ V , onde v = a1 v1 + · · · + an vn . Chamamos
estes números a1 , ..., an de coordenadas de v em relação à base β e denotamos
a1
.
.
.
[v]β =
an
Podemos notar através da última denição, que a ordem dos vetores numa base é importante,
uma vez que mudada esta ordem teremos coordenadas diferentes para um mesmo vetor.
Exemplo 5.14. Dadas as bases β = {(1, 0), (0, 1)} e β 0 = {(1, 1), (0, 1)} de V = R2 , e dado o vetor
v = (1, 3), indique [v]β e [v]β 0 .
e
W = {(x, y, z); x = y},
determine uma base para V e uma base para W . Finalmente, encontre uma base para U + W e U ∩ W .
6 Mudança de Base
Sejam β = {u1 , ..., un } e β 0 = {w1 , ..., wn } bases ordenadas de um espaço vetorial V . Então, dado um
vetor v ∈ V , temos
v = x1 u1 + ··· xn un
(4)
v = y1 w1 + ··· yn wn
Deste modo,
x1 y1
. .
.
.
[v]β = e .
.
[v]β 0 =
xn yn
Como {u1 , ..., un } é base de V , podemos escrever cada wi como combinação linear dos ui , ou seja,
w1 = a11 u1 + ··· + an1 un
w2
= a12 u1 + ··· + an2 un
.. .. .. (5)
. . ··· .
wn = a1n u1 + ··· + ann un
Deste modo,
Como as coordenadas em relação a uma base são únicas, pois a combinação linear em relação a uma
base é única, temos
x1 = a11 y1 + ··· + a1n yn
x2
= a21 y1 + ··· + a2n yn
.. .. ..
. . ··· .
xn = an1 y1 + ··· + ann yn
Denição 6.1. chamamos de matriz de mudança da base para a base β , a matriz [I]ββ .
0
β0
0
Note que uma maneira de obter a matriz [I]ββ é escrevendo os vetores de β 0 como combinação
linear dos vetores da base β , e em seguida obter a matriz transposta da matriz dos coecientes do
sistema obtido.
Exemplo 6.2. Dadas as bases de R2 β = {(2, −1), (3, 4)} e β 0 = {(1, 0), (0, 1)}, encontre [v]β , onde
v = (5, −8).
0 1 1
Exercícios:
1. Verique se os conjuntos de matrizes são linearmente independente em M22 . Para os que forem
linearmente dependentes, expresse uma das matrizes como combinação linear das demais.
(" # " # " #)
1 1 1 −1 1 0
(a) , ,
0 −1 1 0 3 2
(" # " # " #)
2 −3 1 −1 −1 3
(b) , ,
4 2 3 3 1 5
(" # " # " # " #)
−1 1 3 0 0 2 −1 0
(c) , , ,
−2 2 1 1 −3 1 −1 7
2. Verique se os conjuntos de matrizes são linearmente independente. Para os que forem linear-
mente dependentes, expresse um dos polinômios como combinação linear das demais.
(a) {x, 1 + x} em P1 .
(b) {1 + x, 1 + x2 , 1 − x + x2 } em P2 .
(c) {x, 2x − x2 , 3x + 2x2 } em P2 .
(d) {2x, x − x2 , 1 + x3 , 2 − x2 + x3 } em P3 .
13. Seja S = {v1 , ..., vn } um conjunto gerador para um espaço vetorial V . Prove que, se vn pertence
ao conjunto [v1 , ..., vn−1 ], então S 0 = {v1 , ..., vn−1 } ainda é um conjunto gerador para V .
14. Seja {v1 , ..., vn } uma base para um espaço vetorial V , e sejam c1 , ..., cn escalares não nulos.
Prove que {c1 v1 , ..., cn vn } também é uma base para V .
15. Seja {v1 , ..., vn } uma base para um espaço vetorial V . Prove que
{v1 , v1 + v2 , v1 + v2 + v3 , ..., v1 + · · · + vn }
18. Seja P o conjunto de todos os polinômios (de qualquer grau) com coecientes reais. Existe
uma base nita para este espaço? Encontre uma "base"para P e justique então por que P é
conhecido como um espaço de dimensão innita.
20. Sejam
W1 = {(x, y, z) ∈ R4 ; x + y = 0 e z − t = 0}
e
W2 = {(x, y, z) ∈ R4 ; x − y − z + t = 0}
subespaços de R4 .
(a) Determine W1 ∩ W2 .
(b) Exiba uma base para W1 ∩ W2 .
(c) Determine W1 + W2 .
(d) W1 + W2 é soma direta? Justique.
(e) W1 + W2 = R4 ?
21. (a) Dado o subespaço V1 = {(x, y, z) ∈ R3 ; x + 2y + z = 0}, ache um subespaço V2 tal que
R3 = V1 ⊕ V2 .
(b) Dê exemplos de dois subespaços de dimensão dois de R3 tais que V1 + V2 = R3 . A soma é
direta?
7 TRANSFORMAÇÕES LINEARES 23
7 Transformações Lineares
Através da matriz de mudança de base, vimos que uma matriz pode ser usada para transformar um
vetor em outro. Por exemplo, se
1 0 " #
1
A = 2 −1 e v = ,
−1
3 4
então
1
Av = 3
−1
" #
x
De forma mais geral, dado um vetor v = de R2 , temos
y
x
Av = 2x − y
3x + 4y
Ou seja, podemos considerar A como sendo uma função entre os espaços vetoriais R2 e R3 .
Denição 7.1. Sejam V e W dois espaços vetoriais. Uma transformação linear (aplicação
linear) é uma função de V em W , T : V → W , que satisfaz as seguintes condiçãoes:
1. Quaisquer que sejam u e v em V ,
T (u + v) = T (u) + T (v)
T (kv) = kT (v)
Note que toda transformção linear de R em R deve ser da forma do exemplo 7.4. De fato, seja
T : R → R uma transformação linear. Então
T (x) = T (x.1)
Exemplo 7.7. Seja A uma matriz m × n. Denimos TA : Rn → Rm por TA (v) = Av . Mostre que
TA é uma transformação linear.
Este último exemplo generaliza o exemplo com o qual iniciamos esta seção. A matriz A associada
a transformação T será muito importante no que trataremos na próxima seção.
Exemplo 7.8. Seja D o operador diferencial D : D → F denido por D(f ) = f 0 . Prove que D é
uma transformação linear.
8 Conceitos e Teoremas
Teorema 8.1. Dados dois espaços vetoriais reais V e W e uma base de V , {v1 , v2 , ..., vn }, sejam
w1 , w2 , ..., wn elementos arbitrários de W . Então existe uma única aplicação linear T : V → W tal
que T (v1 ) = w1 , ..., T (vn ) = wn . Esta aplicação é dada por: Se v = a1 v1 + · · · + an vn , então
Exemplo 8.2. Qual é a transformação linear T : R2 → R3 tal que T (1, 0) = (2, −1, 0) e T (0, 1) =
(0, 0, 1)?
Exemplo 8.3. Qual é a transformação linear T : R2 → R3 tal que T (1, 1) = (3, 2, 1) e T (0, −2) =
(0, 1, 0)?
Denição 8.4. Seja T : V → W uma aplicação linear. A imagem de T é o conjunto dos vetores
w ∈ W tais que existe um vetor v ∈ V , que satisfaz T (v) = W . Ou seja,
ker(T ) = {v ∈ V ; T (v) = 0}
Exemplo 8.9. Seja a transformação linear T : R3 → R3 dada por T (x, y, z) = (x, 2y, 0). Encontre
Im(T ) e ker(T ).
8 CONCEITOS E TEOREMAS 25
Denição 8.11. Dada uma aplicação T : V → W , diremos que T é injetora se dados u, v ∈ V com
T (u) = T (v), tivermos u = v . Ou equivalentemente, T é injetora se dados u, v ∈ V com u 6= v , então
T (u) 6= T (v).
Teorema 8.14. Seja T : V → W uma aplicação linear. Então ker(T ) = {0} se, e somente se, T é
injetora.
Corolário 8.15. Uma aplicação linear injetora leva vetores LI em vetores LI.
Exemplo 8.16. Verique se a transformação linear T : R3 → R2 tal que T (e1 ) = (1, 2), T (e2 ) = (1, 0)
e T (e3 ) = (−1, 3), é injetora.
Teorema 8.17. Seja T : v → W uma aplicação linear. Então
Corolário 8.18. Se dim V = dim W = n, então T é injetora se, e somente se, T é sobrejetora.
Corolário 8.19. Seja T : V → W uma aplicação linear injetora. Se dim V = dim W , então T leva
base em base.
Denição 8.20. Dizemos que uma transformação linear T : V → W é um isomorsmo se T for
injetora e sobrejetora. Quando o isomorsmo existe, dizemos que V e W são isomorfos.
Espaços vetoriais isomorfos são, sob o ponto de vista da álgebra linear, idênticos. Isto pode
car mais claro através dos seguintes exemplo.
Exemplo 8.21. Mostre que dois espaços isomorfos têm a mesma dimensão.
Exemplo 8.22. Seja T : V → W um isomorsmo. Como dim V = dim W (exemplo 8.21), pelo
corolário 8.19, T leva base de V em base de W .
Finalmente, um isomorsmo T : V → W possui uma aplicação inversa T −1 : W → V que
também é um isomorsmo.
Exemplo 8.23. Seja T : R3 → R3 dada por T (x, y, z) = (x − 2y, z, x + y). Mostre que T é um
isomorsmo e encontre T −1 .
Exemplo 8.24. Prove que Pn−1 e Rn são isomorfos.
8 CONCEITOS E TEOREMAS 26
Exercícios:
1. Dentre as transformações T : R2 → R2 denidas pelas seguintes leis, verique quais são lineares:
2. Seja a aplicação
T : R2 → R3
(x, y) 7→ (x + ky, x + k, y)
Verique para quais valores de k T é linear.
4. (a) Determine a transformação linear T : R3 → R2 tal que T (1, −1, 0) = (1, 1), T (0, 1, 1) =
(2, 2) e T (0, 0, 1) = (3, 3).
(b) Ache T (1, 0, 0) e T (0, 1, 0).
5. Seja T : R3 → R2 uma transformação linear denida por T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e
T (1, 0, 0) = (3, 4).
6. Determine a transformação linear T : P2 → P2 tal que T (1) = x, T (x) = 1−x2 e T (x2 ) = x+2x2 .
8. Seja T : R4 → R3 a transformação linear tal que T (e1 ) = (1, −2, 1), T (e2 ) = (−1, 0, −1),
T (e3 ) = (0, −1, 1).
10. Encontre um operador linear T : R3 → R3 cujo núcleo é gerado por (1, 2, −1) e (1, −1, 0).
11. Encontrar uma transformação linear T : R3 → R4 cuja imagem é gerada por (1, 3, −1, 2) e
(2, 0, 1, −1).
9 Autovetores e Autovalores
Nos seguintes exemplos procuraremos identicar quais os vetores que são associados, pela transfor-
mação linear dada, com eles mesmos.
Note que o único vetor xo neste caso é o vetor nulo (0, 0).
Agora nos seguintes exemplos queremos encontrar os vetores que são levados, por uma transfor-
mação linear, em múltiplos de si mesmos, ou seja, dada a transformação linear T : V → V , queremos
v ∈ V tais que
T (v) = λv
Exemplo 9.3. Dada a transformação linear T : R2 → R2 denida por T (x, y) = (4x + 5y, 2x + y),
temos que v = (5, 2) é um dos vetores procurados.
Denição 9.4. Chamaremos uma transformação linear T de operador linear se T é de um espaço
vetorial nele mesmo, ou seja, T : V → V .
Denição 9.5. Seja T : V → V um operador linear. Se existirem v ∈ V , v 6= 0 e λ ∈ R, tais que
T v = λv , λ é um autovalor de T e v um autovetor de T associado a λ.
Exemplo 9.6. Seja T : R2 → R2 dada por T v = 2v . Neste caso, temos que qualquer vetor v = (x, y)
é um autovetor de T .
De forma mais geral se
T : R2 → R2
v 7→ αv, α 6= 0,
é uma transformação linear, então T tem alpha como autovalor e qualquer (x, y) 6= (0, 0) como
autovetor. Finalmente, se:
é um subespaço vetorial de V .
Exemplo 9.11. No exemplo 9.8 temos que V2 = [(1, 0)] e V1 = [(1, − 21 )].
10 Polinômio Característico
Av = λv
Av − λv = 0
Como v = Iv, temos
(A − λI)v = 0 (8)
Por denição v 6= 0, deste modo, A − λI não é inversível. Portanto,
det(A − λI) = 0
O que acabamos de fazer pode ser generalizado para um operador T : Rn → Rn , ou seja, uma
matriz de ordem n.
Denição 10.1. O determinante det(A − λ) é um polinômio em λ, P (λ), denominado polinômio
característico.
Exemplo 10.2. Encontre o polinômio característico, os autovalores e os autovetores associados a
matriz " #
−3 4
A=
−1 2
11 POLINÔMIO CARACTERÍSTICO DE UMA TRANSFORMAÇÃO LINEAR QUALQUER 29
0 1 2
0 0 −1
quer
Nosso objetivo nesta seção é mostrar que a conceito de polinômio característico estabelecido para
transformações do tipo T : Rm → Rn pode ser estendido para uma transformação qualquer. Para
isto, faremos algumas consideraçãoes necessárias.
Sejam T : V → W linear, β = {v1 , .., vn } base de V e β 0 = {w1 , ..., wm } base de W . Como
T (v1 ), ..., T (vn ) são vetores de W , segue que
A transposta da matriz dos coecientes deste sistema, que denotaremos por [T ]ββ 0 , é chamada matriz
de T em relação às bases β e β 0 .
a11 a12 ··· a1n
[T ]ββ 0 =
.. .. ..
. . ··· .
am1 am2 ··· amn
[T (v)]β = [T ]α
β [v]α
Uma vez que a toda transformação está associada uma matriz [T ]ββ 0 , sejam β uma base de um
espaço V e T : V → V um operador linear. Então
Note que a última condição é dada por P (λ) = 0, onde P (λ) é o polinômio característico
da matriz [T ]ββ . Chamaremos P (λ) independe da base escolhida.
Exemplo 11.4. Encontre o polinômio característico da transformação T : R2 → R2 dada por
T (x, y) = (−3x + 4y, −x + 2y), autovalores e autovetores, se possível.
0 0 −1
Exercícios:
1. Utilizando a denição, verique se os vetores dados são autovetores das matrizes correspondentes.
" #
2 2
(a) v = (−2, 1) e A =
1 3
1 1 1
(b) v = (1, 1, 2) e A = 0 2 1
0 2 3
1 −1 0
(c) v = (−2, 1, 3) e A = 2 3
2
1 2 1
13 Diagonalização de Operadores
Dado um operador linear T : V → V , nosso objetivo nesta seção é encontrar uma base para V tal que
a matriz associada a V seja a mais simples possível. Para isto, iniciaremos com o seguinte teorema.
Teorema 13.1. Autovetores associados a autovalores distintos são linearmente independentes.
Corolário 13.2. Se V é um espaço vetorial de dimensão n e T : V → V é um operador linear que
possui n autovalores distintos, então V possui uma base cujos vetores são todos autovetores de T .
Exemplo 13.3. Dado o operador linear T : R2 → R2 denido por T (x, y) = (−3x − 5y, 2y), encontre
uma base de autovetores de T para R2 .
Exemplo 13.4. Seja T : R2 → R2 um operador linear dado por T (x, y) = (−3x + 4y, −x + 2y).
Encontre uma base β de autovetores de T para R2 e [T ]ββ .
Exemplo 13.5. Seja T : R3 → R3 um operador linear cuja matriz em relação a base canônica α é
3 0 −4
α
[T ]α = 0 3 5 .
0 0 −1
Teorema 13.6. Um operador T : V → V admite uma base β tal que [T ]ββ é diagonal se, e somente
se, β for formada por autovetores de T .
Denição 13.7. Seja T : V → V um operador linear. Dizemos que T é um operador diagonal-
izável se existe uma base de V cujos elementos são autovetores de T .
Exemplo 13.8. Mostre que o operador T : R3 → R3 cuja matriz em relação a base canônica α é
3 −3 −4
[T ]α
α = 0 3 5
0 0 −1
não é diagonalizável.
Exercícios:
0 2 2
1 0
(e) A =
−2 3 −1
0 −4 3
0 0 −3