Escolar Documentos
Profissional Documentos
Cultura Documentos
v 1 = (x1 , x2 , ..., xn ) e −
Dois vectores −
→ →
v 2 = (y1 , y2 , ..., yn ) são iguais se
para qualquer i, 1 ≤ i ≤ n se tem xi = yi . Chama-se vector nulo, o vector
→
−
com todas as componentes iguais a zero e designa-se por 0 = (0, 0, ..., 0) . A
soma (adição) de dois vectores − →v 1 = (x1 , x2 , ..., xn ) e −
→
v 2 = (y1 , y2 , ..., yn )
define-se como sendo
−
→ v1+−
u =−
→ →
v 2 = (x1 + y1 , x2 + y2 , ..., xn + yn )
v1+−
A1. →
− →
v 2 é um elemento de V (a operação de adição é fechada)
v1+−
A2. →
− →
v2=−
→
v2+−
→
v 1 (comutatividade)
A3. (→
−
v1+−
→
v 2) + −
→
v3=−
→
v 1 + (−
→
v2+−
→
v 3 ) (associatividade)
→ −
− → → −
A4. →
−
v + 0 = 0 +−
v =→
v (elemento neutro)
→
−
A5. →
−
v + (−−
→
v ) = (−−
→
v)+−
→
v = 0 (elemento oposto)
1
Note-se em especial a propriedade A1, ou seja, fazendo a soma de dois
vectores obtém-se sempre um vector do mesmo conjunto (fechado sob adição).
α−
→
v 1 = (αx1 , αx2 , ..., αxn ) .
M1. α−→
v é um elemento de V (a operação de multiplicação por um escalar
é fechada)
v1+−
M2. α (−
→ →
v 2 ) = α−
→
v 1 + α−
→
v 2 (distributiva em relação à adição de vec-
tores)
v ) = (α1 α2 ) −
M4. α1 (α2 −
→ →
v (distributiva em relação à multiplicação por
escalares)
M5. 1 · −
→
v =−
→
v (elemento neutro)
2
Exemplo 5 O conjunto V dos todos os vectores de tipo − →v = (a, b, 1) não
forma um espaço vectorial, porque os elementos desse conjunto não são
v 1 = (a1 , b1 , 1) e −
fechados sob adição. Para ver isto, considerem-se −
→ →
v2 =
(a2 , b2 , 1) elementos de V e a soma deles dá
−
→
v1+−
→
v 2 = (a1 , b1 , 1) + (a2 , b2 , 1) = (a1 + a2 , b1 + b2 , 2) ∈
/ V,
Exemplo
n− 8 Os possíveis subespaços do espaço vectorial R3 são: o espaço
→o
nulo 0 , uma recta que passa pela origem, um plano que passa pela origem
e o espaço inteiro R3 .
Exemplo 9 Mostra-se a seguir que uma recta L que passa pela origem
forma um subespaço vectorial de R3 . É evident do ponto de vista geométrico
que a soma de dois vectores situados na recta ainda pertence a recta e que o
produto de um vector da recta por um escalar continua a pertencer a recta
L. Logo L é fechado sob adição e multiplicação por um escalar e o vector
nulo pertence a recta pela construção o que implica que L é um subespaço
vectorial de R3 . Nota-se que uma recta qualquer que não passa pela origem
não pode gerar um subespaço vectorial, apesar de estar fechado sob adição e
multiplicação por um escalar.
3
0.1.2 Dependência e Independência Linear de Vectores. Bases
e Dimensão de um Espaço Vectorial
Definição 11 Sejam − →
v 1, −
→
v 2 , ..., −
→
v m vectores de V e sejam α1 , α2 , ..., αm
escalares de R. Então, o elemento
m
X
−
→
v = αi −
→
v i = α1 −
→
v 1 + α2 −
→
v 2 + ... + αm −
→
vm
i=1
v 1, −
W = span {−
→ → v m } = {α1 −
v 2 , ..., −
→ →
v 1 + ... + αm −
→
v m , ∀α1 , ..., αm ∈ R}
S = {(x, y, z) : x − 3y + 4z = 0}
e portanto está descrito por uma colecção sem restrições de combinações lin-
eares dos vectores (3, 1, 0) e (−4, 0, 1) ou seja S = span {(3, 1, 0) , (−4, 0, 1)}
Exemplo 13 Os vectores − →
v = (1, 1) e −
→
u = (1, −1) são geradores do espaço
vectorial R . Para ver isto é preciso mostrar que qualquer elemento −
2 →w =
2
(x, y) de R é uma combinação linear destes dois vectores, isto é, existem
escalares reais a1 , a2 tal que
a1 −
→
u + a2 −
→
v =−
→
w
4
ou seja
a1 (1, 1) + a2 (1, −1) = (x, y)
Portanto →
−
v = (−3, 5) ∈ span {(1, 1) , (2, 0)} ,nomeadamente
−
→
v = α1 (1, 1) + α2 (2, 0) = 5 (1, 1) − 4 (2, 0)
5
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x11 x12 x1n 0
⎢ x21 ⎥ ⎢ x22 ⎥ ⎢ x2n ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
= α1 ⎢ .. ⎥ + α2 ⎢ .. ⎥ + ... + αn ⎢ .. ⎥=⎢ .. ⎥
⎣ . ⎦ ⎣ . ⎦ ⎣ . ⎦ ⎣ . ⎦
xm1 xm2 xmn 0
o que conduz a um sistema linear homogéneo, sobre o qual sabemos que
admite sempre a solução nula. O conjunto das soluções de um sistema
homogéneo com n incógnitas é um subespaço vectorial do espaço Rn . Seja
A(m×n) a matriz das coordenadas dos vectores, isto é
⎡ ⎤
x11 x12 · · · x1n
£ → ¤ ⎢ ⎢ x21 x22 · · · x2n ⎥
⎥
A= − v 1| −→
v 2 | ... |−
→
vm =⎢ . .. .. .. ⎥
⎣ .. . . . ⎦
xm1 xm2 · · · xmn
Exemplo 17 Os vectores → −
u = (1, 1/2), →
−
v = (2, 1) e →
−
w = (−2, −1) são
linearmente dependentes.
α1 −
→
u + α2 −
→
v + α3 −
→
w = 0 ⇒ α1 (1, 1/2) + α2 (2, 1) + α3 (−2, −1)
¡ ¢
= α1 + 2α2 − 2α3 , 12 α1 + α2 − α3 = (0, 0)
6
r
R u = (1,1 / 2)
r
v = (2,1)
r
1 w = (− 2,−1)
1/2 r
v
-2 -1
r
u R
r 1 2
w
-1
Exemplo 18 Os vectores →
−
u = (1, 2) e →
−
v = (2, 4) são linearmente depen-
dentes.
α1 −
→
u + α2 −
→
v = 0 ⇒ α1 (1, 2) + α2 (2, 4) = (0, 0)
7
R
r
u = (1 , 2 )
4
r
v = (2 , 4 )
3
r
v
2
1 r
u
O 1 2 R
α1 −
→
u + α2 −
→
v = 0 ⇒ −2α2 −
→
u + α2 −
→
v =0 ⇒ →
−
v = 2−
→
u
portanto →
−
v é uma combinação linear de →
−
u.
Exemplo 19 Os vectores →
−
u = (1, −1) e →
−
v = (2, 1) são linearmente inde-
pendentes.
α1 −
→
u + α2 −
→
v = 0 ⇒ α1 (1, −1) + α2 (2, 1) = 0,
8
R
r
2
r u = (1,−1)
v r
v = (2,1)
1
-1 O 1 2 R
-1 r
u
Observação 20 Se os vectores − →v 1, −
→
v 2 , ..., −
→
v n são linearmente dependentes,
então um deles pode ser escrito como uma combinação linear dos outros e
reciprocamente.
Exemplo 25 Os vectores − →
u = (1, 1, 2) , −
→
v = (−1, 4, 3) e →
−
w = (5, −5, 0)
são linearmente dependentes porque −
→
w = 3− →
u − 2−
→
v.
9
Definição 26 Um conjunto de vectores que geram um espaço vectorial e
são linearmente independentes, designa-se por base do espaço. Diz-se
que um espaço vectorial tem dimensão n quando contém uma base com n
elementos.
n−→ → o
−
Teorema 27 Se B = b 1 , ..., b n é uma base de um espaço vectorial V ,
então cada vector −
→
v = (x , ..., x ) ∈ V vem unicamente representado por
1 n
uma combinação linear das suas coordenadas e dos vectores da base, isto é
−
→ →
− →
−
v = x1 b 1 + ... + xn b n .
Exemplo 28 O conjunto dos vectores {(2, 4) , (1, 1)} forma uma base do
espaço R2 . Para ver isso precisamos verificar se os vectores são linearmente
independentes. Os vectores são linearmente independentes porque
⎧ ⎧
⎨ 2α1 + α2 = 0 ⎨ α1 = 0
α1 (2, 4) + α2 (1, 1) = (0, 0) ⇒ ⇒
⎩ ⎩
4α1 + α2 = 0 α2 = 0
logo, formam uma base para R2 . Analogamente pode-se verificar que os vec-
tores {(1, 1) , (2, 4)} e os vectores {(1, 0) , (0, 1)} formam também bases para
o espaço vectorial R2 .
forma uma base designada por base canónica (ou natural). Designemos
e 1, −
os vectores da base canónica por −
→ →
e 2 , ...., −
→
e n.
Exemplo 31 O espaço vectorial nulo tem uma única base que consiste
no conjunto vazio.
S = {(x, y, z, w) : x − y − w = 0 e z + 2w = 0} .
10
Para determinar a dimensão do subespaço S é preciso parametrizar a
descrição do subespaço, isto é
⎧ ⎧
⎨ x−y−w =0 ⎨ x=y+w
⇒
⎩ ⎩
z + 2w = 0 z = −2w
logo
É fácil ver que estes dois vectores são linearmente independentes, logo for-
mam uma base de S, de onde vem que S é um subespaço vectorial de di-
mensão 2 do espaço R4 .
Definição
n− 35 Seja Vo um espaço vectorial de dimensão n. Dada uma base
→ − → →
−
B = b 1 , b 2 , ..., b n do espaço vectorial, qualquer vector −
→
v do espaço V,
−
→ →
− →
− →
−
v = α1 b 1 + α2 b 2 + ... + αn b n
11
Exemplo 36 Encontre a representação do vector − →
v = (1, 2) em relação à
base canónica E2 = {(1, 0) , (0, 1)} e em relação à base B = {(2, 0) , (1, 1)} .
pelo que ⎧ ⎡ ⎤
⎨ a1 = 1 1
⇒ −
→
v E2 = ⎣ ⎦ .
⎩
a2 = 2 2 E2
Em relação à base B = {(2, 0) , (1, 1)} o vector →
−
v define-se pela seguinte
combinação linear dos vectores da base e dos coeficientes (escalares) c1 , c2
de onde
⎧ ⎧ ⎡ ⎤
⎨ 2c1 + c2 = 1 ⎨ c1 = −1/2 −1/2
⇒ ⇒ −
→
vB=⎣ ⎦ .
⎩ ⎩
c2 = 2 c2 = 2 2 B
n−→ − → −→ o
Exemplo 37 Seja B = b 1 , b 2 , b 3 = {(1, 2, 1) , (2, 9, 0) , (3, 3, 4)} uma
base de R3 . Encontre as coordenadas do vector −
→
v = (5, −1, 9) na base B. En-
contre o vector u de R cujas coordenadas na base B são −
−
→ 3 →u = (−1, 3, 2) . B
12
0.1.3 Matriz de Mudança de Base
Um vector −→v pode ser representado em bases diferentes. Fazendo a conver-
são do vector −
→
v de uma base B para uma base D o vector não muda, o que
muda é a sua representação relativa às bases.
e, analogamente
−
→ →
− →
− →
−
d 2 = a12 b 1 + a22 b 2 + ... + an2 b n = (a12 , a22 , ..., an2 )
..
.
−
→ →
− →
− →
−
d n = a1n b 1 + a2n b 2 + ... + ann b n = (a1n , a2n , ..., ann )
13
Para determinar as coordenadas do vector − →v na base B é preciso con-
hecer a matriz de mudança de base. Por isso vejamos as coordenadas
de cada um dos vectores da base B em relação a base canónica E3 =
{(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} .
→
−
b 1 = 1− →e 1 + 1−
→
e 2 + 0−
→
e 3 = (1, 1, 0)
→
−
b 2 = 2− →e 1 + 2−
→
e 2 + (−1) −
→
e 3 = (2, 2, −1)
→
− →
− →
− →
−
b 3 = 0 e 1 + 1 e 2 + 1 e 4 = (0, 1, 1)
de onde ⎡ ⎤
1 2 0
ME3 B = ⎣ 1 2 1 ⎦.
0 −1 1
Então
v E3 = ME3 B −
−
→ →
vB
de onde
−
→
v B = ME−1 →
−
v E3
3B
14
−
→ →
− →
−
d2 = a12 b 1 + a22 b 2 = a12 (2, 1) + a22 (1, 0) = (1, 1)
⎧ ⎧
⎨ 2a12 + a22 = 1 ⎨ a22 = −1
⇒ ⇒
⎩ ⎩
a12 = 1 a12 = 1
→ ´
³−
d2 = (a12 , a22 ) = (1, −1)
B
logo ∙ ¸ ∙ ¸
1 1 −1 −1/2 −1/2
MBD = ⇒ MBD =
−3 −1 3/2 1/2
e ∙ ¸∙ ¸ ∙ ¸
−
→ −1/2 −1/2 −2 −3/2
vD= = .
3/2 1/2 5 −1/2
T (−
→
u +−
→
v ) = T (−
→
u ) + T (−
→
v ) e T (α−
→
u ) = αT (−
→
u ), ∀→
−
u,−
→
v ∈ V, ∀α ∈ K,
ou, equivalentemente
T (α−
→
u + β−
→
v ) = αT (−
→
u ) + βT (−
→
v ), ∀→
−
u,−
→
v ∈ V, ∀α, β ∈ K.
T (x, y, z) = −3x + 4y + z
S (x, y, z) = −3x + 4y + z + 8
15
No primeiro caso: sejam −
→
u = (x1 , y1 , z1 ),−
→
v = (x2 , y2 , z2 ) vectores quais-
3
quer de R e sejam α, β escalares reais. Então
T (α−
→
u + β−
→
v ) = T (α (x1 , y1 , z1 ) + β (x2 , y2 , z2 )) =
= T ((αx1 , αy1 , αz1 ) + (βx2 , βy2 , βz2 ))
= T (αx1 + βx2 , αy1 + βy2 , αz1 + βz2 )
= −3αx1 − 3βx2 + 4αy1 + 4βy2 + αz1 + βz2
= (−3αx1 + 4αy1 + αz1 ) + (−3βx2 + 4βy2 + βz2 )
= α (−3x1 + 4y1 + z1 ) + β (−3x2 + 4y2 + z2 )
= αT (x1 , y1 , z1 ) + βT (x2 , y2 , z2 ) = αT (−
→
u ) + βT (→
−
v ),
S(α−
→
u + β−
→
v ) = S (α (1, 2, 3) + β (4, 5, 6)) =
= S ((α, 2α, 3α) + (4β, 5β, 6β))
= S (α + 4β, 2α + 5β, 3α + 6β)
= −3(α + 4β) + 4(2α + 5β) + 3α + 6β + 8
= −3α − 12β + 8α + 20β + 3α + 6β + 8
= 8α + 14β + 8 6= 16α + 22β
= α (−3 · 1 + 4 · 2 + 3 + 8) + β (−3 · 4 + 4 · 5 + 6 + 8)
= αS (1, 2, 3) + βS (4, 5, 6) = αS (−
→
u ) + βS (− →
v ),
Nota 43 Observe-se que para uma transformação ser linear as suas coor-
denadas devem ser combinações lineares dos argumentos.
16
contradomínio de T define-se como sendo o conjunto de todos os vectores
do espaço de chegada W que são imagens sob T de pelo menos um vector
de V e designa-se por Im (T ). O contradomínio de T é um subespaço de
W e a dimensão de Im (T ) designa-se por característica da transformação.
A matriz A determina completamente a transformação à qual está associ-
ada. Sendo assim, todas as propriedades da transformação linear
transitam para a matriz que a representa.
T (−
→
v ) = A−
→
v
onde
⎡ ⎤
a11 a12 ··· a1n
£ ¤ ⎢⎢ a21 a22 ··· a2n ⎥
⎥
A= e 1 )| T (−
T (−
→ →
e 2 )| ... |T (−
→
e n) = ⎢ .. .. .. ⎥
⎣ . . . ⎦
am1 am2 · · · amn
17
A matriz A que representa a transformação T é de tipo (2 × 3) e as suas
colunas são as imagens por T dos vectores da base canónica do espaço R3 ,
isto é
logo ∙ ¸
1 −1 1
A= .
1 1 −1
Tem-se então que
⎡ ⎤
∙ ¸ 8 ∙ ¸
1 −1 1 ⎣ −2 ⎦ = 11 .
T (→
−
v ) = A−
→
v ⇔ T (8, −2, 1) =
1 1 −1 5
1
(S + T )(−
→
v ) = S(−
→
v ) + T (−
→
v ), ∀−
→
v ∈ V.
(S + T )(−
→
v ) = (A + B)(−
→
v)
Com transformações
18
Em termos das matrizes associadas, as transformações lineares são
⎡ ⎤
¾ 1 2
T (1, 0) = (1, 0, −3)
⇒ A=⎣ 0 1 ⎦
T (0, 1) = (2, 1, 0)
−3 0
⎡ ⎤
¾ −2 0
S (1, 0) = (−2, 1, −1)
⇒ B=⎣ 1 1 ⎦
S (0, 1) = (0, 1, −1)
−1 −1
donde
(S ◦ T ) (−
→
v ) = S (T (−
→
v )) , ∀→
−
v ∈W
19
Em termos das transformações, determina-se (S ◦ T ) : R2 → R como
sendo
de onde
Considere-se →
−
v = (x, y) ∈ R2 o vector genérico do espaço dado, então
tem-se que
20
o que é equivalente ao sistema homogéneo determinado
½ ½
x−y =0 x=0
⇔ ,
2x + y = 0 y=0
logo
Nuc (T ) = {(0, 0)}
Considere-se →
−
v = (x, y) ∈ R2 o vector genérico do espaço dado, então
tem-se que
logo
N uc (T ) = {(y, y) , ∀y ∈ R}
21
Convém trabalhar com a matriz associada à transformação linear, isto é
⎫ ⎡ ⎤
T (1, 0, 0) = (−1, 3, 2) ⎬ −1 2 0
T (0, 1, 0) = (2, −7, −5) ⇒ A = ⎣ 3 −7 2 ⎦ .
⎭
T (0, 0, 1) = (0, 2, 2) 2 −5 2
∀−
→
u,−
→
v ∈ V, →
− 6 −
u = →
v ⇔ T (−
→
u ) 6= T (−
→
v ).
22
Definição 56 Uma transformação linear T : V → W diz-se invertível se
é injectiva. A transformação inversa designa-se por T −1 e tem como
domínio o espaço vectorial W e como contradomínio o espaço vectorial V.
a. T é injectiva
→o
n−
b. O núcleo só contém o vector nulo, isto é N (T ) = 0
d. T é invertível
23
Se a matriz é invertível, então a transformação é invertível. Para que a ma-
triz A seja invertível é preciso ser uma matriz regular, isto é, a característica
seja igual à ordem, ou equivalentemente det (A) 6= 0. Então
¯ ¯
¯ 1 −2 1 ¯¯
¯
det (A) = ¯¯ −1 1 0 ¯¯ = −1 6= 0
¯ 0 3 −2 ¯
pelo que Nuc (T ) = {(0, 0, 0)} o que implica que a nulidade (dim (N uc (T )))
é zero e portanto a transformação é invertível.
24
n−→ −→ → o
− n−
→ − → → o
−
B = b 1 , b 2 , ..., b n e D = d 1 , d 2 , ..., d n duas bases de V . Então,
temos
M (T, bc, bc) = Abc
M (T, B, B) = B −1 Abc B
M (T, D, D) = D−1 Abc D
M (T, B, D) = D−1 Abc B
M (T, D, B) = B −1 Abc D
onde B é a matriz cujas colunas são os vectores da base B e D é a matriz
cujas colunas são os vectores da base D.
Exemplo 59 Seja T : R3 → R3 uma transformação linear definida por
T (x, y, z) = (2y + z, x − 4y, 3x)nna base canónica. Determine a matriz da
→ −
− → − → o →
− →
−
transformação T na base D = d 1 , d 2 , d 3 onde d 1 = (1, 1, 1) , d 2 =
→
−
(1, 1, 0) e d 3 = (1, 0, 0) .
A matriz da transformação na base D é dada pela seguinte fórmula
à = M (T, D, D) = D−1 Abc D.
Para determinar a matriz Abc , matriz que representa a transformação na
base canónica, temos
⎫ ⎡ ⎤
T (1, 0, 0) = (0, 1, 3) ⎬ 0 2 1
T (0, 1, 0) = (2, −4, 0) ⇒ Abc = ⎣ 1 −4 0 ⎦.
⎭
T (0, 0, 1) = (1, 0, 0) 3 0 0
A matriz D (dos vectores da base D), é dada por
⎡ ⎤
1 1 1
D=⎣ 1 1 0 ⎦.
1 0 0
A inversa é dada por
⎡ ⎤
b 0 0 1
D
D−1 = = ⎣ 0 1 −1 ⎦ .
|D|
1 −1 0
Então, a matriz da transformação é
⎡ ⎤⎡ ⎤⎡ ⎤
0 0 1 0 2 1 1 1 1
à = M (T, D, D) = D−1 Abc D = ⎣ 0 1 −1 ⎦ ⎣ 1 −4 0 ⎦ ⎣ 1 1 0 ⎦
1 −1 0 3 0 0 1 0 0
⎡ ⎤
3 3 3
= ⎣ −6 −6 −2 ⎦ .
6 5 −1
25
0.3 Valores e vectores próprios
0.3.1 Definições e generalidades
Definição 60 Seja A uma matriz quadrada de ordem n. O escalar λ diz-se
um valor próprio (ou valor característico) da matriz A se existe um vector
não-nulo −→
v tal que A− →
v = λ−→
v . O vector −
→
v diz-se o vector próprio ou
vector característico de A associado a λ.
No que se segue são considerados apenas valores próprios reais. Pelo ex-
posto, a equação fundamental para o estudo dos valores próprios é a equação
vectorial
A−
→v = λ− →
v.
Nesta equação − →
v é um vector desconhecido, λ é um escalar também de-
sconhecido e o objectivo é determinar ambos. Uma solução trivial para esta
→
−
equação, válida qualquer que seja o escalar λ, é −→
v = 0 . No entanto, o prob-
lema dos valores próprios não tem como objectivo encontrar estas soluções
triviais. Aliás, o vector nulo não é considerado vector próprio de uma matriz,
conforme é referido na definição.
Exemplo 61 Sejam ∙ ¸
1 4
A= ,
2 3
v1 = (1, 1), e −
−
→ →v2 = (2, −1). Pretendemos averiguar se λ1 = 5 é um valor
próprio de A associada ao vector − →
v1 e se λ2 = −1 é um valor próprio de A
→
−
relativo ao vector v2 . Há que proceder às seguintes operações de matrizes,
∙ ¸ ∙ ¸ ∙ ¸ ∙ ¸
→
− 1 4 1 5 1
A v1 = · = =5 = λ1 −
→
v1
2 3 1 5 1
e, analogamente,
∙ ¸ ∙ ¸ ∙ ¸ ∙ ¸
→
− 1 4 2 −2 2
A v2 = · = = −1 = λ2 −
→
v2 .
2 3 −1 1 −1
A − λIn
26
2. Construir o polinómio (ou equação) característica, isto é
det (A − λIn ) = 0
det (A − λIn ) = 0
→
−
(A − λIn )−
→
v = 0.
27
Definição 63 Uma matriz quadrada A de ordem n diz-se matriz diago-
nalizável se A é semelhante a uma matriz diagonal. Isto é, A é matriz
diagonalizável se existe uma matriz invertível P tal que
A0 = P −1 · A · P
28
Vamos determinar os valores próprios de A. Para tal há que determinar o
polinómio característico de A
∙ ¸
−5 − λ 2
det (A − λI2 ) = det = (λ + 5)(λ + 2) − 4 = λ2 + 7λ + 6
2 −2 − λ
29
associados ao valor próprio λ2 = −6 são
−
→
v2 = (a, b) = (−2b, b) = b (−2, 1)
30
Os vectores próprios associados ao valor próprio λ2 = 1 são as soluções
→
−
do sistema linear homogéneo (A − λ2 I3 )−
→
v = 0 . Assim, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 −2 1 a 0
→
−
(A − λ2 I3 )−
→
v = 0 ⇔ ⎣ 0 −1 0 ⎦ · ⎣ b ⎦ = ⎣ 0 ⎦
0 1 0 c 0
⎧ ⎧
⎨ −2b + c = 0 ⎨ c=0
⇔ −b = 0 .⇔ 0=0→a∈R
⎩ ⎩
b=0 b=0
As soluções não-nulas deste sistema são os vectores da forma (a, 0, 0),onde a
é um número real diferente de zero. Assim, os vectores próprios associados
ao valor próprio λ2 = 1 são da forma
−
→
v2 = (a, b, c) = (a, 0, 0) = a (1, 0, 0)
para a 6= 0. Assim, a λ2 = 1 corresponde o subespaço próprio gerado pelo
vector (1, 0, 0) sendo, portanto, um subespaço vectorial de R3 de dimensão
1 (m.g = 1)
Como m.a = 2 6= m.g = 1 para o valor próprio λ2 = 1, a matriz dada
não é diagonalizável.
Exemplo: Seja A uma matriz de ordem 3 definida por
⎡ ⎤
2 1 0
A = ⎣ 0 2 0 ⎦.
0 0 2
Para determinar os valores próprios de A há que determinar o polinómio
característico de A
⎡ ⎤
2−λ 1 0
det (A − λI3 ) = det ⎣ 0 2−λ 0 ⎦ = (2 − λ)3
0 0 2−λ
e resolver a equação característica de A
det (A − λI3 ) = 0 ⇔ (2 − λ)3 = 0 ⇔ 2 − λ = 0
que tem como única solução λ = 2 (solução tripla, repete-se 3 vezes, logo
m.a = 3). Os vectores próprios associados ao único valor próprio λ = 2 são
→
−
as soluções do sistema linear homogéneo (A − λI3 )−
→
v = 0 . Assim, temos
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2−2 1 0 a 0
→
− →
− ⎣ ⎦
(A − λI3 ) v = 0 ⇔ 0 2−2 0 · b = 0 ⎦
⎣ ⎦ ⎣
0 0 2−2 c 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎧
0 1 0 a 0 ⎨ b=0
⇔ ⎣ 0 0 0 ⎦·⎣ b ⎦=⎣ 0 ⎦⇔ 0=0 .
⎩
0 0 0 c 0 0=0
31
As soluções não-nulas deste sistema (possível e indeterminado) são os vec-
tores da forma (a, 0, c),onde a e c são números reais diferentes de zero. Assim,
os vectores próprios associados ao valor próprio λ = 2 são os vectores não-
nulos múltiplos de − →v = (1, 0, 1). Os vectores próprios associados a λ = 2
são, portanto, da forma
−
→
v = (a, 0, c) = (a, 0, 0) + (0, 0, c) = a (1, 0, 0) + c (0, 0, 1)
32
a que corresponde o sistema homogéneo
∙ ¸ ∙ ¸ ∙ ¸
→
− →
− −1 4 a 0
(A − 6I2 ) v = 0 ⇐⇒ · =
0 0 b 0
½ ½
−a + 4b = 0 a = 4b
⇐⇒ ⇐⇒ .
0=0 0=0
33