Apontamentos de Complementos

de
lgebra Linear e Geometria Analtica
Licenciatura em Tecnologias de Informao Visual
1
o

Ano, 2
o

Semestre, Ano Lectivo de 2004/2005

Departamento de Matemtica da FCTUC
Joana Teles Lus Nunes Vicente
25 de Maio de 2005
ndice
1 Complementos sobre valores e vectores prprios 2
1.1 Valores prprios e vectores prprios de matrizes . . . . . . . . . . . . . . . 2
1.2 Matrizes diagonalizveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 O caso das matrizes simtricas reais . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Curvas e superfcies do 2
o

grau . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 O caso das matrizes normais . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.1 O Teorema de Schur . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Matrizes diagonalizveis unitariamente . . . . . . . . . . . . . . . . 18
1.6 O caso das matrizes circulantes . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6.1 A matriz de permutao de deslocamento inferior . . . . . . . . . . 24
1.6.2 A matriz da transformada discreta de Fourier . . . . . . . . . . . . 26
1.6.3 Diagonalizao de matrizes circulantes . . . . . . . . . . . . . . . . 29
1.6.4 Resoluo de sistemas com matrizes circulantes . . . . . . . . . . . 30
2 Geometria analtica 35
2.1 Determinantes e medidas de paralelippedos . . . . . . . . . . . . . . . . . 38
2.2 Produto externo em IR
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3 Planos em IR
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4 Problemas mtricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.1 Distncia de um ponto a um hiperplano . . . . . . . . . . . . . . . 47
2.4.2 Distncia de um ponto a uma recta . . . . . . . . . . . . . . . . . . 48
2.4.3 Outras distncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.4 ngulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3 Complementos sobre problemas de mnimos quadrados 50
3.1 Decomposio QR de uma matriz processo de ortogonalizao de Gram-
Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Decomposio QR de uma matriz triangularizao de Householder . . . 55
3.2.1 Triangularizao ortogonal . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.2 Reectores de Householder . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Decomposio em valores singulares de uma matriz . . . . . . . . . . . . . 63
3.3.1 Normas matriciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3.2 Interpretao geomtrica . . . . . . . . . . . . . . . . . . . . . . . . 65
1
3.3.3 Formas reduzida e completa . . . . . . . . . . . . . . . . . . . . . . 67
3.3.4 Existncia e unicidade . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.5 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2
Captulo 1
Complementos sobre valores e vectores
prprios
1.1 Valores prprios e vectores prprios de matrizes
Revises de ALGA:
Dada uma matriz A em M
nn
(C) e um vector no nulo v C
n
, diz-se que v um
vector prprio de A quando Av mltiplo escalar de v, isto , quando Av = v para
algum C. Nesse caso, diz-se o valor prprio de A associado ao vector prprio v.
valor prprio de A N(A I) = 0
A I no invertvel
det(A I) = 0
Portanto, um nmero valor prprio de A se soluo da equao
det(A I) = 0
designada equao caracterstica da matriz A. Ao polinmio det(A I)
chama-se polinmio caracterstico da matriz A. Assim, um nmero valor
prprio de A se e s se raiz do polinmio caracterstico de A.
Teorema Fundamental da lgebra (Gauss, 1799)
Qualquer polinmio p(x) de grau n e com coecientes complexos da forma
p(x) = k(x
1
)(x
2
) . . . (x
n
)
para certas constantes k,
1
,
2
, . . . ,
n
C. Isto , a soma das multiplicidades algbricas
das razes de um polinmio de grau n n. Ou seja, qualquer polinmio no constante
tem razes em C (
1
,
2
, . . . ,
n
so as razes do polinmio p(x)).
Em particular, qualquer matriz tem valores prprios em C.
3
Seja
0
um valor prprio de A.
A multiplicidade algbrica de
0
a multiplicidade de
0
como raiz do polinmio
caracterstico det(A I).
v = 0 vector prprio de A associado ao valor prprio (A I)v = 0
v N(A I)
O subespao prprio de A associado ao valor prprio N(A I)
Seja
0
um valor prprio de A.
A multiplicidade geomtrica de
0
a dimenso do respectivo subespao prprio
N(A
0
I).
A multiplicidade geomtrica de
0
sempre menor ou igual multiplicidade algbrica
de
0
.
Matrizes semelhantes: Suponha-se que A e B so matrizes semelhantes, isto
, que existe uma matriz invertvel T tal que A = TBT
1
. Ento:
os determinantes so iguais, det A = det B
os polinmios caractersticos so iguais, det(A I) = det (B I)
os valores prprios so os mesmos e com as mesmas multiplicidades algbri-
cas e geomtricas;
os vectores prprios correspondem-se mas no so necessariamente os mes-
mos; se v vector prprio de B associado ao valor prprio , ento Tv
vector prprio de A associado ao valor prprio .
Exemplos:
1. Os valores prprios da matriz A =

1 2
0 3

so 1 e 3. O subespao prprio associado

a 1 N(A I) = L[
1
0
] e a 3 N(A 3I) = L[
1
1
].
2. O polinmio caracterstico da matriz B =

1 2 3
0 2 1
0 2 1

det (B I) =
( 1)
2
. Os valores prprios de B so
1
= 0 e
2
= 1. O valor prprio 1
tem multiplicidade algbrica dois.
4
O subespao prprio associado a
1
= 0 N(B) = L

1
2
1

. O subespao prprio
associado a
2
= 1 N(B I) = L

1
0
0

.
1.2 Matrizes diagonalizveis
Revises de ALGA:
A matriz A diz-se diagonalizvel quando A semelhante a uma matriz diagonal.
A matriz A em M
nn
(C) diagonalizvel se e s se A tiver n vectores
prprios linearmente independentes.
Suponha-se que v
1
, . . . , v
n
so vectores prprios de A linearmente independentes
e que
1
, . . . ,
n
so os respectivos valores prprios associados, isto , Av
j
=
j
v
j
(os
j
s podem ser repetidos). Ento A = V DV
1
onde
D =

1
.
.
.

e V =

[ [
v
1
v
n
[ [

.
Exemplo: A matriz B do exemplo da subseco anterior no diagonalizvel porque
tem no mximo dois vectores prprios linearmente independentes.
Vectores prprios associados a valores prprios distintos so line-
armente independentes.
Se A tem n valores prprios distintos dois a dois, ento existem n vectores
prprios de A linearmente independentes.
Se as multiplicidades geomtricas dos valores prprios de A somam n, ento
existem n vectores prprios de A linearmente independentes.
5
Diagonalizar uma matriz: vericar se a matriz A diagonalizvel e, se for,
encontrar uma matriz invertvel V tal que A = V DV
1
onde D diagonal. As
etapas so as seguintes:
Determinar os valores prprios de A, isto , determinar as razes do
polinmio caracterstico
det(A I);
Para cada valor prprio
j
, determinar uma base do seu subespao prprio
N(A
j
I);
A matriz A diagonalizvel se e s se as dimenses dos subespaos prprios
somam n. Nesse caso, obtm-se n vectores linearmente independentes
v
1
, . . . , v
n
coleccionando bases dos subespaos prprios e a matriz V a
matriz cujas colunas so os v
j
s.
Exemplo: A matriz A do exemplo da subseco anterior diagonalizvel. O conjunto
de vectores prprios

1
0

1
1

linearmente independente, logo sendo V =

1 1
0 1

e
D =

1 0
0 3

tem-se A = V DV
1
.
Exemplo de aplicao da diagonalizabilidade
Uma equao diferencial uma igualdade em que aparece uma funo desconhecida
e as suas derivadas, procurando-se determinar as funes que satisfazem essa igualdade.
Talvez a equao diferencial mais simples seja
f

(t) = af(t),
onde a um nmero. Qualquer funo da forma Ke
at
uma soluo desta equao
diferencial

Ke
at

= K

e
at

= Kae
at
= aKe
at
.
simples ver que no h outras solues: se g(t) for uma outra soluo tem-se

g(t)e
at

= 0
(vericar como exerccio), e portanto g(t)e
at
= K, K constante, logo g(t) = Ke
at
.
6
Tendo-se, no uma, mas duas funes desconhecidas, f
1
(t) e f
2
(t) satisfazendo as duas
igualdades seguintes:
f

1
(t) = af
1
(t) + bf
2
(t)
f

2
(t) = cf
1
(t) + df
2
(t),
onde a, b, c, d so nmeros, obtm-se um sistema linear de equaes diferenciais. Este
sistema pode ser escrito na forma matricial como
x

(t) = Ax(t)
onde x(t) =

f
1
(t)
f
2
(t)

e A =

a b
c d

.
Dado um tal sistema, no evidente como se pode resolv-lo, isto , encontrar as
funes f
1
(t) e f
2
(t). Se a matriz A for diagonalizvel tudo ca mais simples. Seja
A = V DV
1
e considere-se
y(t) = V
1
x(t).
O sistema dado equivalente a
y

(t) =

V
1
x(t)

= V
1
x

(t) = V
1
Ax(t) = DV
1
x(t),
isto ,
y

(t) = Dy(t),
sendo y(t) =

g
1
(t)
g
2
(t)

e D uma matriz diagonal, logo da forma

d
1
0
0 d
2

.
Tem-se assim duas equaes separadas
g

1
(t) = d
1
g
1
(t) e g

2
(t) = d
2
g
2
(t)
cujas solues so
g
1
(t) = K
1
e
d
1
t
e g
2
(t) = K
2
e
d
2
t
,
para certas constantes K
1
e K
2
. Ento tem-se
y(t) =

K
1
e
d
1
t
K
2
e
d
2
t

e como x(t) = V y(t), obtm-se as funes f

1
(t) e f
2
(t) procuradas.
Com um raciocnio exactamente anlogo consegue-se resolver qualquer sistema de
equaes diferenciais da forma
x

(t) = Ax(t)
com A em M
nn
(C) desde que a matriz seja diagonalizvel.
7
Se A no for diagonalizvel, o estudo de um sistema linear de equaes diferenciais da
forma
x

(t) = Ax(t)
pode ainda basear-se numa factorizao do tipo A = V JV
1
, interessando encontrar J
to simples quanto possvel.
1.3 O caso das matrizes simtricas reais
Revises de ALGA:
A matriz transposta de uma matriz mn A a matriz n m, A

, cuja linha
j a coluna j de A.
(A

= A (A + B)

= A

+ B

(AB)

= B

Se A invertvel, A

tambm o e (A

)
1
= (A
1
)

.
A matriz A diz-se simtrica se A = A

.
Uma matriz quadrada diz-se ortogonal se for invertvel e a sua inversa coincidir
com a sua transposta.
Os valores prprios de uma matriz simtrica real so nmeros reais.
Qualquer matriz simtrica real diagonalizvel com uma matriz diagonali-
zante ortogonal.
Os vectores prprios de uma matriz simtrica real correspondentes a valores
prprios distintos so ortogonais.
Exemplo: Os valores prprios da matriz simtrica real A =

0 1 1
1 0 1
1 1 0

so -2 e
1. O subespao prprio associado a 1 L

1
0
1

0
1
1

. Dois vectores deste subespao

ortogonais so

1
0
1

1
2
1

. O subespao prprio associado a -2 L

1
1
1

. As colunas da
matriz diagonalizante ortogonal da matriz A so os vectores unitrios mltiplos escalares
dos vectores prprios ortogonais, isto , V =

2
1

6

1

3
0
2

6
1

3
1

2

1

6
1

.
8
1.4 Curvas e superfcies do 2
o

grau
Denio 1.4.1 Uma cnica o lugar geomtrico dos pontos do plano cujas coordenadas
cartesianas satisfazem uma equao do segundo grau em duas variveis
a
11
x
2
+a
22
y
2
+ 2a
12
xy + b
1
x + b
2
y + c = 0.
Exemplos
x
y
1. Elipse
x
2
a
2
+
y
2
b
2
= 1
x
y
x
y
2. Hiprbole
x
2
a
2

y
2
b
2
= 1
x
2
a
2

y
2
b
2
= 1
x
y
x
y
3. Parbola
y
2
= 2px
x
2
= 2py
9
4. Cnicas degeneradas
(a) Um ponto (elipse degenerada)
x
2
a
2
+
y
2
b
2
= 0
(b) Duas rectas concorrentes (hiprbole degenerada)
x
2
a
2

y
2
b
2
= 0
(c) Duas rectas paralelas (parbola degenerada)
x
2
= c
2
Duas rectas coincidentes (parbola degenerada)
x
2
= 0
(d) Conjunto vazio, por exemplo,
x
2
a
2
+
y
2
b
2
= 1 (elipse degenerada)
A caracterizao das cnicas reduz-se escolha de um referencial adequado de modo
que a equao da cnica assuma uma das formas descritas nos exemplos anteriores
equaes reduzidas.
A equao
a
11
x
2
+ a
22
y
2
+ 2a
12
xy +b
1
x +b
2
y + c = 0
pode escrever-se na forma matricial
X

AX + BX + c = 0
sendo A =

a
11
a
12
a
12
a
22

, B =

b
1
b
2

e X =

x
y

.
Vamos procurar uma equao reduzida em duas etapas.
Etapa 1: Eliminar o termo 2a
12
xy
Etapa 2: Eliminar termos de grau 1
Etapa 1
Uma vez que a matriz A simtrica real, existe uma matriz ortogonal Q tal que
A = QDQ

,
onde D uma matriz diagonal. As colunas de Q so vectores prprios ortonormados de
A e os elementos diagonais
1
,
2
R de D so os valores prprios de A.
A equao da cnica
X

QDQ

X + BX + c = 0.
10
Fazendo X

= Q

X, tem-se X

= X

Q e assim a equao
X

DX

+BQX

+ c = 0,
ou seja,

1
x
2
+
2
y
2
+ d
1
x

+ d
2
y

+ c = 0,
com BQ =

d
1
d
2

.
A mudana de coordenadas dada por X

= Q

X. Quais so os novos eixos? O

primeiro eixo gerado pelo vector cujas novas coordenadas so 1 e 0, isto , pelo vector
X que satisfaz e
1
= Q

X. Logo, a primeira coluna de Q. Analogamente, o segundo dos

novos eixos gerado pela segunda coluna de Q. Ou seja, passmos para um referencial
ortonormado cujos eixos so gerados por vectores prprios ortonormados de A (fez-se uma
rotao dos eixos coordenados).
Etapa 2
Interessa agora eliminar os termos do primeiro grau, o que se faz por uma mudana
de coordenadas do tipo
X

= X

+K,
com K R
2
(esta mudana corresponde a uma translao).
(i) Suponhamos
1
= 0 e
2
= 0.
"Completando quadrados", chegamos a uma equao do tipo

1
(x

+ a

)
2
+
2
(y

+b

)
2
+ c

= 0.
Fazendo agora as substituies x

= x

+ a

e y

= y

+b

, obtemos a equao

1
x
2
+
2
y
2
+ c

= 0,
que j uma equao reduzida.
(ii) Se
1
= 0 (o caso
2
= 0 semelhante).
"Completando quadrados", chegamos a uma equao do tipo

2
(y

+ b

)
2
+d
1
x

+ c

= 0.
Fazendo a substituio y

= y

+ b

, obtemos

2
y
2
+ d
1
x

+ c

= 0.
Se d
1
= 0, j temos uma equao reduzida, caso contrrio faz-se x

= x

+
c

d
1
e obtm-se
a equao reduzida

2
y
2
+ d
1
x

= 0.
11
Nota: Porqu o nome cnica? Por poder ser obtida da interseco de uma superfcie
cnica com um plano. As cnicas mais importantes so elipses, hiprboles e parbolas.
Denio 1.4.2 Uma qudrica o lugar geomtrico dos pontos do espao cujas coorde-
nadas cartesianas satisfazem uma equao do segundo grau em trs variveis
a
11
x
2
+a
22
y
2
+ a
33
z
2
+ 2a
12
xy + 2a
13
xz + 2a
23
yz + b
1
x + b
2
y + b
3
z +c = 0.
Esta equao tem a seguinte expresso matricial
X

AX + BX + c = 0
sendo A =

a
11
a
12
a
13
a
12
a
22
a
23
a
13
a
23
a
33

, B =

b
1
b
2
b
3

e X =

x
y
z

.
Tal como no caso das cnicas, podemos da equao geral chegar a uma equao re-
duzida da qudrica.
Para tal suprimimos primeiro os termos mistos da "parte quadrtica", isto , os
monmios de grau dois envolvendo duas variveis. Seguidamente anulamos todos os ter-
mos de grau um que nos for possvel. Estas operaes so feitas recorrendo a mudanas
de variveis dos tipos:
(i) X

= Q

X, onde Q uma matriz ortogonal que diagonaliza A.

(ii) X

= X

+ K, com K R
3
, "completando quadrados".
12
No primeiro caso fazemos uma rotao dos eixos, sendo os novos eixos gerados por
vectores prprios de A ortonormados (colunas da matriz diagonalizante Q). No segundo
caso efectuamos uma translao do sistema de eixos.
Apresentamos de seguida uma lista das equaes reduzidas das principais qudricas.
z
x
y
1. Elipside
x
2
a
2
+
y
2
b
2
+
z
2
c
2
= 1
z
x
y
2. Hiperbolide de uma folha
x
2
a
2
+
y
2
b
2

z
2
c
2
= 1
O
z
x
y
3. Hiperbolide de duas folhas

x
2
a
2

y
2
b
2
+
z
2
c
2
= 1
13
O
z
x
y
4. Superfcie cnica
x
2
a
2
+
y
2
b
2

z
2
c
2
= 0
O
z
x
y
5. Parabolide elptico
x
2
a
2
+
y
2
b
2
= 2pz (p = 0)
O
z
x
y
6. Parabolide hiperblico
x
2
a
2

y
2
b
2
= 2pz (p = 0)
14
7. No espao, uma equao reduzida em que uma das variveis no aparece representa
uma superfcie de tipo cilndrico. Por exemplo,
z
x
y
Superfcie cilndrica elptica
x
2
a
2
+
y
2
b
2
= 1
z
x
y
Superfcie cilndrica hiperblica
x
2
a
2

y
2
b
2
= 1
O
z
x
y
Superfcie cilndrica parablica
z = ax
2
1.5 O caso das matrizes normais
Recorde-se que a matriz adjunta ou transconjugada de uma matriz A dada por A

= A

. indiferente transpor a matriz primeiro e depois conjugar os seus elementos

ou comear por conjugar antes de aplicar a transposio. Se A for m n ento A

n m.
15
Denio 1.5.1 Uma matriz A M
nn
(C) diz-se hermtica se
A = A

.
Por exemplo, a seguinte matriz hermtica,
A =

1 1 i
1 + i 2

,
uma vez que

A =

1 1 + i
1 i 2

= A

.
Este exemplo motiva o enunciado da seguinte proposio, cuja demonstrao deixada
como exerccio.
Proposio 1.5.1 Uma matriz hermtica tem elementos reais ao longo da sua diagonal
principal. O seu elemento na posio i, j o conjugado do seu elemento na posio j, i,
para ndices i, j 1, . . . , n.
As matrizes hermticas emM
nn
(C) correspondem s matrizes simtricas emM
nn
(IR),
no sentido em que uma matriz hermtica com elementos reais simtrica.
Uma outra generalizao de M
nn
(IR) para M
nn
(C) o das matrizes unitrias. As
matrizes unitrias com elementos reais so ortogonais.
Denio 1.5.2 Uma matriz A M
nn
(C) diz-se unitria se
A

= A
1
.
Assim sendo, uma matriz unitria se UU

= I (e necessariamente U

U = I) ou se
U

U = I (e de certeza que UU

= I).
fcil conrmar que unitria a seguinte matriz:
U =

2
2
i

2
2

2
2

2
2
i

.
Para o efeito, basta mostrar uma das igualdades UU

= I ou U

U = I.
A noo de matriz unitria permite-nos expandir o conceito de matrizes ortogonal-
mente semelhantes para matrizes com elementos complexos. Ambas as noes so par-
ticularizaes da noo de equivalncia entre matrizes (em que se assume somente que a
matriz U em baixo invertvel) .
Denio 1.5.3 Duas matrizes A, B M
nn
(C) dizem-se unitariamente semelhantes se
existir uma matriz U M
nn
(C) unitria tal que
B = U

AU.
16
Desta denio resulta que A = UBU

. Este raciocnio importante e aparecer

variadas vezes. Em primeiro lugar multiplicam-se ambos os membros de B = U

AU,
esquerda, por U, obtendo-se, de UU

= I, a igualdade UB = AU. A seguir multiplicam-se

ambos os membros de UB = AU, direita, por U

, concluindo-se que A = UBU

.
As matrizes unitariamente semelhantes com elementos reais so ortogonalmente se-
melhantes. Neste caso, a matriz U = Q desta denio tem entradas reais e ortogonal
(QQ

= Q

Q = I).
Sabe-se que duas matrizes semelhantes A e B tm os mesmos valores prprios. Logo,
duas matrizes (ortogonalmente ou) unitariamente semelhantes partilham os mesmos va-
lores prprios.
1.5.1 O Teorema de Schur
Qualquer matriz unitariamente semelhante a uma matriz triangular. Este resultado,
conhecido como Teorema de Schur, enunciado e demonstrado de seguida, escolhendo
como matrizes triangulares as triangulares superiores. Como veremos mais adiante, este
teorema tem vrias implicaes relevantes em diagonalizao de matrizes.
Teorema 1.5.1 Toda a matriz A M
nn
(C) unitariamente semelhante a uma matriz
triangular superior, ou seja, qualquer que seja A existe uma matriz unitria U M
nn
(C)
tal que
U

AU = T,
em que T M
nn
(C) satisfaz t
ij
= 0, i > j. Os elementos diagonais de T so, desta
forma, os valores prprios de A.
Demonstrao. Seja v
1
um vector prprio de A normalizado, ou seja,
Av
1
=
1
v
1
, |v
1
| = 1.
Para efeitos desta demonstrao, seja
v
1
, w
2
, . . . , w
n

uma base ortonormada de C

n
. Esta base pode ser obtida acrescentando vectores a v
1
, de
forma linearmente independente, at ser alcanada uma base para C
n
e, depois, aplicando
o processo de ortogonalizao de Gram-Schmidt a esta ltima base.
Ponha-se U
1
= [ v
1
w
2
w
n
]. Assim sendo, tem-se que
U

1
AU
1
= U

1
[ Av
1
Aw
2
Aw
n
]
=

1
w

2
.
.
.
w

[
1
v
1
Aw
2
Aw
n
]
=

1
r

1
0 A
1

,
17
com r
1
C
n1
e A
1
M
n1n1
(C). Daqui resulta que as matrizes A e

1
r

1
0 A
1

tm os mesmos valores prprios. Se n fosse igual a 2 a demonstrao estaria concluda.

Suponhamos, ento, que n 2.
Agora, apliquemos a A
1
um raciocnio idntico, garantindo a existncia de uma matriz
unitria U
2
M
n1n1
(C) tal que
U

2
A
1
U
2
=

2
r

2
0 A
2

,
com r
2
C
n2
e A
2
M
n2n2
(C). A matriz unitria que permite continuar o raciocnio
dada por
V
2
=

1 0
0 U
2

.
relegado para os exerccios provar que V
2
unitria. Continuando, veja-se que
V

2
(U

1
AU
1
)V
2
=

1 0
0 U

2


1
r

1
0 A
1

1 0
0 U
2

1 0
0 U

2


1
r

1
U
2
0 A
1
U
2

1
r

1
U
2
0 U

2
A
1
U
2

1
(r

1
U
2
)
1,1
(r

1
U
2
)
1,2:n
0
2
r

2
0 0 A
2

.
A demonstrao concluda aplicando o mesmo argumento sucessivamente at se obter
uma matriz A
n1
M
11
(C). No nal, chega-se a
U

AU = T com U = U
1
V
2
V
n1
e t
ii
=
i
, i = 1, . . . , n, em que T uma matriz triangular superior. Fica como exerccio
provar que U uma matriz unitria.
As matrizes T
1
e T
2
, dadas por
T
1
=

1 1 4
0 2 2
0 0 3

e T
2
=

2 1 3

2
0 1

2
0 0 3

,
18
so unitariamente (alis, ortogonalmente) semelhantes. A matriz U que mostra este facto
dada por
U =

2
2

1 1 0
1 1 0
0 0

2

.
As contas que validam a igualdade U

T
1
U = T
2
so deixadas como exerccio. Deste
exemplo, nomeadamente do facto de serem vlidas ambas as igualdades
U

T
1
U = T
2
e I

T
1
I = T
1
,
possvel concluir que nem as matrizes unitrias nem as matrizes triangulares do Teorema
de Schur so nicas.
A demonstrao do Teorema de Schur pode ser feita em aritmtica real se a matriz A
tiver elementos reais. Neste caso obtm-se
Q

AQ = T,
em que T uma matriz triangular superior e Q uma matriz ortogonal (A, Q, T
M
nn
(IR)).
1.5.2 Matrizes diagonalizveis unitariamente
Como se demonstrar mais adiante as matrizes unitariamente diagonalizveis so conhe-
cidas por matrizes normais.
Denio 1.5.4 Uma matriz A M
nn
(C) diz-se normal se
A

A = AA

,
ou seja, se A comutar com a sua adjunta ou transconjugada.
So vrias as matrizes normais j conhecidas.
Todas as matrizes hermticas so normais.
Todas as matrizes unitrias so normais.
Todas as matrizes hemi-hermticas (A

= A) so normais.
A demonstrao destes factos simples. Por exemplo, se U unitria, ento U

U =
I = UU

, como vem directamente da denio de matriz unitria. Os outros casos so

deixados como exerccio.
Estas trs classes de matrizes (hermticas, unitrias, hemi-hermticas) no esgotam
todas as matrizes normais. A matriz

1 1
1 1

19
normal mas no pertence a nenhuma destas classes. As contas cam, uma vez mais, ao
cuidado do leitor.
Por outro lado, apresentamos um exemplo de uma matriz que no normal (A

A =
AA

):
A =

1 1
1 0

.
Neste exemplo, tem-se que
A

A =

2 1
1 1

e AA

2 1
1 1

.
A importncia das matrizes normais resulta, como foi dito anteriormente, do facto
destas coincidirem com as matrizes que admitem uma diagonalizao atravs de uma
matriz diagonalizante unitria.
Teorema 1.5.2 Uma matriz A M
nn
(C) normal se e s se existir uma matriz
unitria U M
nn
(C) tal que
U

AU = D com D M
nn
(C) diagonal.
Demonstrao. Comecemos por provar a implicao mais imediata. Assuma-se, assim,
que A admite uma diagonalizao unitria. Utilizando um argumento j conhecido, prova-
se, a partir de U

AU = D, que A = UDU

. Daqui vem que

A

A = (UDU

UDU

= (U

(U

U)DU

= U D

DU

.
Da mesma forma, provar-se-ia que
AA

= = U DD

.
Esta parte da demonstrao ca rematada pelo facto de D

D = DD

(uma vez que o

produto de matrizes diagonais comutativo).
A implicao recproca (A normal ento A unitariamente diagonalizvel) baseia-se no
Teorema de Schur. Este ltimo resultado aplicvel a qualquer matriz quadrada e, em
particular, a uma matriz normal. Deste modo, temos que
T = U

AU
com T matriz triangular superior e U matriz unitria, ambas em M
nn
(C). Se soubssemos
que T era diagonal no haveria mais nada a provar. O resto desta demonstrao resume-se,
ento, a mostrar que a matriz T diagonal.
Em primeiro lugar constatamos que T uma matriz normal. Efectuando um tipo de
clculos que comeam a ser rotineiros, mostra-se que
TT

= U

AA

U = U

AU = T

T,
20
com a igualdade do meio a ser verdadeira pelo facto de se estar a assumir, nesta implicao
recproca, que A uma matriz normal.
A igualdade T

T = TT

, quando escrita por extenso, apresenta a forma

t
11
t
12
t
22
.
.
.
.
.
.
.
.
.
t
1n
t
2n
t
nn

t
11
t
12
t
1n
t
22
t
2n
.
.
.
.
.
.
t
nn

t
11
t
12
t
1n
t
22
t
2n
.
.
.
.
.
.
t
nn

t
11
t
12
t
22
.
.
.
.
.
.
.
.
.
t
1n
t
2n
t
nn

.
Efectuando, em ambos os membros, o produto da primeira linha pela primeira coluna,
vem que
t
11
t
11
= t
11
t
11
+ t
12
t
12
+ + t
1n
t
1n
ou seja, que
0 = [t
12
[
2
+ +[t
1n
[
2
.
Deste primeiro clculo obtemos que t
12
= = t
1n
= 0. Um segundo clculo (segunda
linha pela segunda coluna em ambos os membros), permite escrever
[t
12
[
2
+[t
22
[
2
= [t
22
[
2
+[t
23
[
2
+ +[t
2n
[
2
.
Mas, como j se sabe que t
12
= 0, esta igualdade reduz-se a
0 = [t
23
[
2
+ +[t
2n
[
2
,
o que implica a nulidade dos elementos t
23
, . . . , t
2n
. Repetindo este argumento (at ao
produto entre as linhas n1 e as colunas n1 de T

T e TT

) provar-se-ia, sucessivamente,
que todos os elementos no diagonais de T so nulos.
Pelo facto de serem normais, as matrizes hermticas admitem, luz deste teorema,
uma diagonalizao unitria. Alm disso, as matrizes hermticas apresentam uma diago-
nalizao com elementos diagonais reais, ou seja, tm valores prprios reais. Estes dois
factos so resumidos no seguinte corolrio.
Corolrio 1.5.1 Se A M
nn
(C) for uma matriz hermtica ento unitariamente dia-
gonalizvel com valores prprios reais.
Demonstrao. A matriz A normal porque hermtica. Logo, pelo teorema anterior,
existe uma matriz diagonalizante unitria U M
nn
(C) tal que
U

AU = D com D M
nn
(C) diagonal.
Se transconjugarmos D obtemos, ao aplicarmos A

= A, que
D

= (U

AU)

= U

(U

= U

AU = D,
mostrando que os elementos diagonais de D (os valores prprios de A) so nmeros reais.

21
O facto das matrizes simtricas reais terem valores prprios reais e serem diagona-
lizveis atravs de matrizes diagonalizantes ortogonais um caso particular deste corolrio.
A diagonalizao de matrizes pode ser resumida atravs do seguinte esquema.
matrizes diagonalizveis em M
nn
(C)

matrizes unitariamente diagonalizveis (ou normais) em M

nn
(C)

matrizes hermticas em M
nn
(C)

matrizes simtricas em M
nn
(IR)
Exerccios
1. Sejam U
1
, . . . , U
m
matrizes unitrias em M
nn
(C) (com m um nmero inteiro posi-
tivo). Prove que o seu produto U = U
1
U
m
, tambm, uma matriz unitria.
2. Seja U uma matriz unitria em M
n
2
n
2
(C). Mostre que tambm unitria a matriz

I 0
0 U

,
em que I a matriz identidade de M
n
1
n
1
(C) (e n
1
e n
2
nmeros inteiros positivos).
3. Destes dois primeiros exerccios conclua que a matriz U da demonstrao do teorema
de Schur unitria.
4. Mostre que se U M
nn
(C) for uma matriz unitria ento tambm so unitrias as
matrizes

U, U

e U

.
5. Demonstre que se U M
nn
(C) for uma matriz unitria ento [x e y so ortogonais
se e s se Ux e Uy so ortogonais, qualquer que sejam x, y C
n
].
6. Utilizando as propriedades dos determinantes, mostre que o mdulo do determinante
de uma matriz unitria vale sempre um.
7. Utilizando as propriedades dos determinantes, prove que duas matrizes unitaria-
mente semelhantes tm os mesmos valores prprios.
8. Classique as seguintes matrizes, indicando quais so: simtricas; hermticas; or-
togonais; unitrias; normais.
(a)

1 0
0 1

(b)

0 0 0
0 0 0
0 0 0

(c)

1 i
i 0

(d)

1 0 0
0

2
2

2
2
i
0

2
2
i

2
2

.
22
9. Considere a seguinte matriz em M
33
(C):
A =

1 0 i
0 1 0
a
31
0 1

em que a
31
um parmetro complexo.
(a) Indique, se possvel, valores para a
31
de forma a que A seja: simtrica; her-
mtica; ortogonal; unitria; normal.
(b) Faa a
31
= 0. Indique os valores prprios de A.
(c) A matriz A diagonalizvel (com a
31
= 0)?
10. Prove que se A for hermtica (respectivamente hemi-hermtica) ento iA hemi-
hermtica (respectivamente hermtica).
11. Mostre que a matriz A M
nn
(C) normal se e s se |Ax| = |A

x| para todo
o x C
n
. (As matrizes normais so aquelas em que A e A

preservam distncias
entre si.)
12. Mostre que a matriz A M
nn
(C) normal se e s se (Ax)

(Ax) = (A

x)

(A

x)
para todo o x C
n
. (As matrizes normais so aquelas em que A e A

preservam
ngulos entre si.)
13. Prove que se A M
nn
(C) for uma matriz normal ento
Ax = 0 se e s se A

x = 0.
(Quando A normal o seu espao nulo coincide com o da sua adjunta.)
Mostre, ainda, que a implicao recproca no verdadeira, recorrendo matriz
A =

0 1
0 0

.
1.6 O caso das matrizes circulantes
Uma das classes de matrizes normais mais importantes em aplicaes formada pelas
matrizes circulantes. Mostrar-se- que uma matriz circulante normal ao exibir-se a sua
diagonalizao unitria, utilizando, assim, o resultado da seco anterior. As matrizes cir-
culantes aparecem como matrizes de sistemas de equaes lineares de diversos problemas
relacionados com o processamento de sinal e imagem.
Uma matriz circulante n-por-n denida por um vector de n componentes. A sua
primeira coluna denida por este vector. A segunda coluna dene-se deslocando, infe-
riormente, as componentes do vector, trazendo para a primeira posio a ltima compo-
nente do vector. A terceira coluna da matriz forma-se aplicando segunda coluna um
23
procedimento anlogo ao que transformou a primeira na segunda. E assim se formariam,
sucessivamente, as restantes colunas.
Por exemplo, no caso n = 4, uma matriz circulante apresenta a seguinte forma
H =

h
0
h
3
h
2
h
1
h
1
h
0
h
3
h
2
h
2
h
1
h
0
h
3
h
3
h
2
h
1
h
0

.
O vector que dene esta matriz h = [ h
0
h
1
h
2
h
3
]

C
4
. Por uma questo de
convenincia, relacionada com a notao desta seco, a primeira componente h
0
de h
identicada com o ndice 0. Vemos, ento, como os elementos das colunas desta matriz
vo sendo deslocados inferiormente, num movimento do tipo circular.
As matrizes circulantes surgem, tambm, da discretizao de equaes diferenciais. A
ttulo ilustrativo, considere-se o seguinte problema de Poisson unidimensional:
u

(x) = f(x), x ]0, 1[, (1.1)

u(0) = u(1), (1.2)
u

(0) = u

(1), (1.3)
em que f uma funo denida em [0, 1] (que se assume conhecida no contexto do
problema em causa). Pretende-se descobrir a funo u, denida em [0, 1], que verica a
equao diferencial (1.1) e as condies de fronteira peridicas (1.2) e (1.3).
Sejam n um nmero inteiro no inferior a 2 e p um nmero racional dado por p =
1/(n 1). Considere-se um vector u IR
n
cujas componentes u
k
, k = 0, 1, . . . , n 1,
so aproximaes do valor u(kp) da funo u no ponto kp. Um esquema de discretizao
permite calcular os elementos de u atravs da soluo de um sistema de equaes lineares.
Vamos considerar uma discretizao de (1.1)-(1.3) denida pelas equaes lineares
u
k1
+ d u
k
u
k+1
= p
2
f(kp), k = 0, . . . , n 1, (1.4)
u
1
= u
n1
, (1.5)
u
n
= u
0
, (1.6)
com d um parmetro real.
Este sistema de equaes lineares (1.4)-(1.6) escreve-se, eliminando os valores de u
1
e de u
n
, na seguinte forma matricial

d 1 0 0 0 1
1 d 1 0 0 0
0 1 d 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
.
.
.
d 1 0
0 0 0 1 d 1
1 0 0 0 1 d

u
0
u
1
u
2
.
.
.
u
n3
u
n2
u
n1

= p
2

f(0)
f(p)
f(2p)
.
.
.
f((n 3)p)
f((n 2)p)
f(1)

.
24
Figura 1.6.1: Discretizao do intervalo [0, 1] em n 1 subintervalos de igual amplitude.
Constata-se, imediatamente, que a matriz deste sistema circulante. Se n for igual a 4
ento esta matriz

d 1 0 1
1 d 1 0
0 1 d 1
1 0 1 d

.
deixada ao leitor, de seguida, a denio formal de matriz circulante.
Denio 1.6.1 Uma matriz circulante H M
nn
(C) uma matriz da forma
H =

h
0
h
n1
h
1
h
1
h
0
h
2
h
2
h
1
h
3
.
.
.
.
.
.
.
.
.
h
n2
h
n3
h
n1
h
n1
h
n2
h
0

.
O vector que dene uma matriz circulante aparece como a sua primeira coluna:
h =

h
0
h
1
h
2
.
.
.
h
n2
h
n1

.
1.6.1 A matriz de permutao de deslocamento inferior
Entre as mais conhecidas matrizes circulantes encontram-se as matrizes de permutao
de deslocamento inferior (PDI). Quando n = 4, a matriz de PDI dada por
C =

0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0

.
25
O vector h que dene esta matriz circulante [ 0 1 0 0 ]

. No caso geral, o vector h

coincide com a segunda coluna da matriz identidade de ordem n.
Denio 1.6.2 Uma matriz de permutao de deslocamento inferior (PDI) uma ma-
triz circulante C M
nn
(IR) da forma
C =

0 0 0 0 0 1
1 0 0 0 0 0
0 1 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
.
.
.
0 0 0
0 0 0 1 0 0
0 0 0 0 1 0

.
Estas matrizes de PDI apresentam algumas propriedades atraentes. Por exemplo, se
calcularmos C
2
, obtemos, no caso n = 4,
C
2
= C C =

0 0 1 0
0 0 0 1
1 0 0 0
0 1 0 0

,
que continua a ser uma matriz de permutao. Se continuarmos, temos
C
3
= C C
2
=

0 1 0 0
0 0 1 0
0 0 0 1
1 0 0 0

e
C
4
= C C
3
=

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

.
Observa-se, assim, que C
4
= I. Por denio, tem-se que C
0
= I. Provar-se-ia, facilmente,
no caso geral, que C
n
= I.
Proposio 1.6.1 Dada uma matriz C de PDI em M
nn
(IR), tem-se que
C
n
= I = C
0
.
O efeito de multiplicar um vector, esquerda, por C consiste em deslocar, inferior-
mente, os elementos do vector, passando o ltimo a tomar a posio do primeiro. Veja-se
o seguinte exemplo:

0 0 0 1
1 0 0 0
0 1 0 0
0 0 1 0

h
0
h
1
h
2
h
3

h
3
h
0
h
1
h
2

.
26
(Este efeito foi j visvel nos produtos C C, C C
2
e CC
3
acima descritos...) Surge, assim,
com naturalidade, o seguinte resultado, cuja demonstrao deixada como exerccio.
Proposio 1.6.2 Dada uma matriz circulante H em M
nn
(C), denida pelo vector h,
tem-se que
H = [ C
0
h Ch C
n1
h],
em que C a matriz de PDI em M
nn
(IR).
possvel escrever, de uma forma diferente da anterior, uma matriz circulante em
funo das potncias de uma matriz de PDI. Vejamos o caso n = 3 para depois enunciar-
mos o caso geral.

h
0
h
2
h
1
h
1
h
0
h
2
h
2
h
1
h
0

= h
0

1 0 0
0 1 0
0 0 1

+ h
1

0 0 1
1 0 0
0 1 0

+ h
2

0 1 0
0 0 1
1 0 0

.
Proposio 1.6.3 Dada uma matriz circulante H em M
nn
(C), denida pelo vector h,
tem-se que
H = h
0
C
0
+h
1
C + +h
n1
C
n1
,
em que C a matriz de PDI em M
nn
(IR).
Esta ltima forma de exprimir uma matriz circulante torna-se til se soubermos, de
antemo, uma diagonalizao para C. Em jeito de antecipao, veja-se que se V CV
1
= D
e n = 3, ento
V HV
1
= V (h
0
C
0
+ h
1
C +h
2
C
2
)V
1
= h
0
V C
0
V
1
+ h
1
V CV
1
+h
2
V C
2
V
1
.
Como V C
2
V
1
= D
2
, vem que
V HV
1
= h
0
D
0
+ h
1
D +h
2
D
2
.
Conclumos que V tambm diagonaliza H e que os valores prprios de H so os elementos
diagonais da matriz diagonal h
0
I + h
1
D + h
2
D
2
.
1.6.2 A matriz da transformada discreta de Fourier
Conforme veremos mais frente, a matriz diagonalizante de uma matriz circulante um
mltiplo de uma matriz designada por matriz da transformada discreta de Fourier.
Denio 1.6.3 A matriz da transformada discreta de Fourier (TDF) a matriz
F =

1 1 1 1
1 w w
2
w
n1
1 w
2
w
4
w
2(n1)
.
.
.
.
.
.
.
.
.
.
.
.
1 w
n1
w
2(n1)
w
(n1)
2

M
nn
(C),
27
T
E
&%
'$
1 = w
3
= w
0

w
w
2
Figura 1.6.2: A distribuio das razes da equao w
3
= 1 no crculo unitrio.
em que
w = e
i2
n
= cis

2
n

= cos

2
n

+ sen

2
n

i.
Repare-se que w est no crculo unitrio w C : [w[ = 1[ do plano complexo,
fazendo um ngulo de 2/n com a horizontal ou, por outras palavras, arg(w) = 2/n.
Para n = 2 resultam as igualdades:
w = e
i
= 1 e F =

1 1
1 1

.
Para n = 3, vem que
w = cos

2
3

+ sen

2
3

i.
Logo,
w
2
=

e
i2
3

2
= e
i4
3
= cos

4
3

+ sen

4
3

i
e
w
3
=

e
i2
3

3
= e
i2
= 1.
Os nmeros complexos 1 = w
0
, w e w
2
distribuem-se no crculo unitrio de acordo com a
Figura 1.6.2.
A matriz da TDF, quando n = 3, dada por
F =

1 1 1
1 w w
2
1 w
2
w
4

1 1 1
1 w w
2
1 w
2
w

.
Neste ltimo exemplo, utilizou-se a igualdade w
3
= 1 para derivar w
4
= ww
3
= 1. De
uma forma geral, temos que
w
n
=

e
i2
n

n
= e
i2
= 1,
o que permite escrever uma propriedade para w em tudo semelhante enunciada para a
matriz de PDI na Proposio 1.6.1.
28
Proposio 1.6.4 Se w = e
i2
n
ento
w
n
= 1 = w
0
.
Apresenta-se, ainda, o caso n = 4, em que
w = e
i
2
= i, w
2
= 1, w
3
= i, w
4
= 1,
e
F =

1 1 1 1
1 w w
2
w
3
1 w
2
w
4
w
6
1 w
3
w
6
w
9

1 1 1 1
1 i 1 i
1 1 1 1
1 i 1 i

.
A matriz F da TDF no singular. A sua inversa F
1
um mltiplo da sua conjugada

F (que coincide com a sua transconjugada F

por F ser simtrica), conforme se prova de

seguida.
Teorema 1.6.1 A matriz da TDF de ordem n satisfaz
F

F = nI.
Demonstrao. O elemento s
pq
de F

F na posio p, q pode ser escrito na forma
s
pq
=
n1

k=0
(w
k(p1)
)(w
k(q1)
) =
n1

k=0
(w
k(p1)
)( w
k(q1)
)
=
n1

k=0
(w
k(p1)
)(w
k(q1)
) =
n1

k=0
w
k(pq)
.
Quando p = q vem que
s
pq
=
n1

k=0
w
0
= n,
mostrando o pretendido para os elementos diagonais de F

F.
Para provar que os elementos no diagonais de F

F so nulos, multipliquemos s
pq
por
1 w
pq
. Como estamos interessados, agora, nas posies p = q, podemos utilizar o
facto de 1 w
pq
ser diferente de zero. Assim, s
pq
nulo se e s se (1 w
pq
)s
pq
o for.
Recorrendo expresso para s
pq
provada acima, resultam os clculos
(1 w
pq
)s
pq
=
n1

k=0
w
k(pq)

k=1
w
k(pq)
= w
0
w
n(pq)
= 1 1
pq
= 0,
com os quais a demonstrao ca concluda.
Ficmos a saber, deste modo, que F
1
= (1/n)

F = (1/n)F

. O produto entre F
e F

(=

F) no igual matriz identidade, mas no ca muito longe desse objectivo.
Escalonando F de forma apropriada obtm-se uma matriz unitria.
29
Corolrio 1.6.1 A matriz
U =
1

n
F
unitria (em que F a matriz da TDF de ordem n).
1.6.3 Diagonalizao de matrizes circulantes
A diagonalizao de matrizes circulantes assenta na diagonalizao de matrizes de PDI.
O lema seguinte d-nos uma primeira pista sobre esta diagonalizao.
Lema 1.6.1 A matriz C de PDI e a matriz F da TDF satisfazem a seguinte igualdade
FC = DF ( equivalente a FCF
1
= D),
onde D M
nn
(C) a matriz diagonal denida por
D =

1
w
w
2
.
.
.
w
n1

.
Vamos ver o que acontece quando n = 3. Verica-se, facilmente, que
FC =

1 1 1
1 w w
2
1 w
2
w
4

0 0 1
1 0 0
0 1 0

1 1 1
w w
2
1
w
2
w 1

e
DF =

1 0 0
0 w 0
0 0 w
2

1 1 1
1 w w
2
1 w
2
w
4

1 1 1
w w
2
1
w
2
w 1

.
A demonstrao do caso geral, que se deixa como exerccio, segue os clculos do caso
n = 3 e baseia-se no facto de w
n
= 1.
Neste momento podemos armar que C admite uma diagonalizao unitria da forma
UCU

= D com U =
1

n
F.
A matriz C , consequentemente, uma matriz normal (ver Teorema 1.5.2).
A diagonalizao unitria de uma matriz circulante H resulta do desenvolvimento de
H em potncias da matriz C e da sua diagonalizao unitria.
30
Teorema 1.6.2 Seja H M
nn
(C) uma matriz circulante denida pelo vector h =
[ h
0
h
1
h
n1
]

C
n
. Ento
FHF
1
= ,
onde F a matriz da TDF e M
nn
(C) a matriz diagonal denida por
=
n1

k=0
h
k

1
w
w
2
.
.
.
w
n1

k
.
Demonstrao. Recorrendo Proposio 1.6.3, ao Lema 1.6.1 e s propriedades do
produto de matrizes, escreve-se
FHF
1
= F

n1

k=0
h
k
C
k

F
1
=
n1

k=0
h
k
FC
k
F
1
=
n1

k=0
h
k
D
k
,
onde D a matriz diagonal formada pelos elementos diagonais 1, w, w
2
, . . . , w
n1
.
Conclui-se, tambm, que qualquer matriz circulante H admite uma diagonalizao
unitria da forma
UHU

= com U =
1

n
F.
Logo, qualquer matriz circulante normal (ver Teorema 1.5.2).
1.6.4 Resoluo de sistemas com matrizes circulantes
Conhecida a forma de diagonalizar (unitariamente) uma matriz circulante, vamos, agora,
ver como que se resolve um sistema de equaes lineares com este tipo de matrizes.
Considere-se um sistema de equaes lineares escrito na forma
Hg = f,
em que
H =

h
0
h
n1
h
1
h
1
h
0
h
2
h
2
h
1
h
3
.
.
.
.
.
.
.
.
.
h
n2
h
n3
h
n1
h
n1
h
n2
h
0

, g =

g
0
g
1
g
2
.
.
.
g
n2
g
n1

e f =

f
0
f
1
f
2
.
.
.
f
n2
f
n1

.
Dada a matriz H e o termo independente f, pretende-se calcular g.
31
Comentrio 1.6.1 A notao H, g e f no foi escolhida ao acaso. O termo indepen-
dente f , frequentemente, a discretizao de uma funo f (por exemplo, um sinal).
A soluo g pode, tambm, corresponder discretizao de uma funo, como um sinal
processado.
O produto d = F
1
c designa-se por transformada discreta de Fourier (TDF) de c, o
que, diga-se de passagem, est em sintonia com a designao dada a F. possvel estabe-
lecer um paralelo entre a TDF e a transformada contnua de Fourier. Para entendermos
melhor o que se est a passar, faamos
c =

c
0
c
1
.
.
.
c
n1

IR
n
e d =

d
0
d
1
.
.
.
d
n1

IR
n
.
Tem-se, ento, que a j-sima componente do vector d expressa como
d
j
= (F
1
c)
j
=
1
n
(

Fc)
j
=
1
n
n1

k=0
c
k
w
jk
,
ou seja, como
d
j
=
1
n
n1

k=0
c
k
e

i2
n
jk
.
Comea a tomar forma, deste modo, a analogia entre d
j
e a transformada contnua de
Fourier da funo cuja discretizao no intervalo [0, 2] armazenada pelo vector c.
Considere-se que c
k
= c(x
k
) em que x
k
= k(2)/(n 1), k = 0, . . . , n 1, e c uma
funo denida em [0, 2]. Assumindo as devidas hipteses de integrabilidade sobre a
funo c e tomando n a tender para +, obter-se-ia
d
j
=
1
2

2
0
c(x)e
ijx
dx.
Regressamos ao sistema de equaes lineares Hg = f. So verdadeiras as seguintes
equivalncias:
Hg = f FHg = Ff
(FHF
1
)(Fg) = Ff
F
g
= F
f
,
com
F
g
= Fg e F
f
= Ff.
Se H for no singular ento no singular e
Hg = f F
g
=
1
F
f
32
ou, em termos da soluo g,
Hg = f g = F
1

1
F
f
.
A inversa de F dada por F
1
= (1/n)

F. Organizamos estes clculos, ento, na forma
do seguinte algoritmo.
Algoritmo 1.6.1 [Resolver Hg = f com H circulante e no singular.]
1. Calcular F
f
= Ff.
2. Calcular F
g
=
1
F
f
.
3. Calcular a transformada discreta de Fourier de F
g
:
g =
1
n

FF
g
.
Os Passos 1 e 3 deste algoritmo consistem em produtos entre matrizes e vectores.
Constata-se, facilmente, que o nmero de operaes elementares (adies, subtraces,
multiplicaes e divises) para efectuar o produto entre uma matriz em M
nn
(C) e um
vector em C
n
um polinmio de grau 2 em n. possvel mostrar, alis, que o primeiro
termo deste polinmio 8n
2
.
O Passo 2 do Algoritmo 1.6.1 resume-se a n divises entre nmeros complexos (uma
vez que a matriz diagonal). Assim sendo, o nmero total de operaes elementares
que este algoritmo faz para resolver o sistema circulante Hg = f da ordem de n
2
(ou
seja, um polinmio de grau 2 em n). Como mencionaremos no pargrafo seguinte, este
desempenho pode, ainda, ser melhorado. Mas mesmo um nmero de operaes da ordem
de n
2
constitui uma signicativa melhoria em relao a um nmero da ordem de n
3
, que
seria necessrio se fosse utilizado o mtodo de eliminao de Gauss.
Os produtos complexos matriz-vector envolvendo as matrizes F ou

F podem ser or-
ganizados de forma a que as operaes elementares passem a ser, em nmero, dominadas
por 5nlog
2
n. Este tipo de clculos conhecido por transformada rpida de Fourier, em
ingls fast Fourier transform (FFT). Os ganhos de 5nlog
2
n em relao a 8n
2
so maiores
do que aparentam. A Tabela 1.1 ilustra o quociente entre 8n
2
e 5nlog
2
n para diversos
valores de n.
O desempenho computacional dos algoritmos baseados em FFTs est na base da sua
ampla utilizao em equipamentos que processam sinal ou imagem.
33
Tabela 1.1: Ganhos de um algoritmo baseado em FFTs em relao ao Algoritmo 1.6.1.
n
8n
2
5nlog
2
n
32 10
1024 160
32768 3500
1048574 84000
Exerccios
1. Escreva a matriz de permutao de deslocamento inferior C, quando n = 6. Classi-
que esta matriz, indicando se : simtrica; hermtica; ortogonal; unitria; normal;
circulante. Escreva C
3
sem efectuar quaisquer clculos.
2. Identique a matriz de permutao de deslocamento superior e mostre o seu efeito
quando multiplica, esquerda, um vector de dimenso apropriada.
3. Escreva a matriz da transformada discreta de Fourier F, quando n = 6, em termos
de w = e
i/3
e das suas potncias (w
0
, w
1
, w
2
, w
3
, w
4
e w
5
).
4. Considere a seguinte matriz em M
33
(C):
A =

1 3 2
2 1 3
3 2 1

.
(a) Classique esta matriz (indicando todas as propriedades matriciais conhecidas
que ela satisfaa).
(b) Escreva esta matriz como uma combinao linear de C
0
, C e C
2
, em que C
designa a matriz de permutao de deslocamento inferior de ordem 3.
(c) Indique os valores prprios de C em funo de w = e
2i/3
.
(d) Indique os valores prprios de A em funo de w = e
2i/3
.
5. Considere a seguinte matriz em M
33
(C):
A =

a
11
a
12
a
13
a
21
a
22
a
23
1 i 1

.
(a) Complete esta matriz de forma a ser circulante.
(b) Complete esta matriz de forma a ter valores prprios reais.
(c) Complete esta matriz de forma a ser unitariamente diagonalizvel.
34
(d) No caso da alnea (a), escreva a matriz na forma [ h C
7
h C
5
h], em que C a
matriz de permutao de deslocamento inferior de ordem 3 e h um vector em
C
3
.
(e) Indique os valores prprios de C
5
.
6. Escreva a matriz U = (1/

n)F quando n = 4, em que F a matriz da TDF. Mostre

que as suas segunda e terceira colunas so ortogonais.
7. Calcule os valores e vectores prprios da matriz C de PDI quando n = 4.
8. Considere a matriz circulante
H =

d 1 0 1
1 d 1 0
0 1 d 1
1 0 1 d

.
(a) Mostre que os seus valores prprios so iguais a
d 1 1 = d 2,
d i i
1
= d,
d i
2
i
2
= d + 2,
d i
3
i
3
= d.
(b) Verica-se, assim, que os valores prprios de H so reais se d for um nmero
real. Teria sido possvel armar isto antes de ter calculado os valores prprios
de H?
(c) Faa, agora, d = 2. Diga por que que a matriz H singular. Mostre que
[ 1 1 1 1 ]

um vector prprio de H associado ao valor prprio = 0 = d 2.

35
Captulo 2
Geometria analtica
Revises de ALGA:
Seja V um espao vectorial real. Um produto interno em V uma operao
que a cada par de vectores x, y de V faz corresponder um nmero real, denotado
por 'x, y` e chamado produto interno de x por y, de forma que se veriquem as
seguintes propriedades
1. 'x, y` = 'y, x`
2. 'x + x

, y` = 'x, y` +'x

, y`, x

V
3. 'x, y` = 'x, y`, IR
4. x = 0 = 'x, x` > 0
Um espao em que est denido um produto interno diz-se um espao com pro-
duto interno ou espao euclidiano.
Podem considerar-se produtos internos em espaos complexos. Nesse caso, a primeira
propriedade deve ser substituda por 'x, y` = 'y, x`.
Exemplos
1. 'x, y` = y

x = x
1
y
1
+ x
2
y
2
+ + x
n
y
n
um produto interno no espao vectorial
real IR
n
.
2. 'x, y` = y

x = x
1
y
1
+ x
2
y
2
+ + x
n
y
n
um produto interno no espao vectorial
complexo C
n
.
36
V espao vectorial com produto interno, x, y V .
A norma (ou comprimento) de x |x| =

'x, x`.
A distncia entre x e y |x y|.
x e y so ortogonais (ou perpendiculares) se 'x, y` = 0 (notao: x y).
Desigualdade de Cauchy-Schwartz: ['x, y`[ |x||y|.
Desigualdade triangular: |x + y| |x| +|y|.
Teorema de Pitgoras: Se x y tem-se |x y|
2
= |x|
2
+|y|
2
.
A projeco ortogonal de um vector y sobre um vector no nulo x num espao
com produto interno dene-se como o vector
proj
x
y =
'y, x`
|x|
2
x.
O ngulo entre dois vectores no nulos x e y = arccos
'x, y`
|x||y|
.
Seja V um espao euclidiano e F um subespao de V . Ao conjunto de vectores
de V que so ortogonais a todos os vectores de F chama-se complemento or-
togonal de F. A notao habitual F

. Simbolicamente:
F

= v V : 'v, u` = 0, para todo o u F.

imediato vericar que F

tambm um subespao vectorial de V (exerccio). Tem-se

(F

= F e F F

= 0.
Exemplo: Os subespaos de IR
3
,
X = Le
1
e Y = Le
2

so ortogonais, mas no so complementos ortogonais um do outro, uma vez que

X

= Le
2
, e
3
e Y

= Le
1
, e
3
.
37
Se x V , um vector x
F
diz-se a projeco ortogonal de x sobre F se
x x
F
F

.
Relativamente a uma base ortogonal v
1
, . . . , v
n
(vectores ortogonais dois a dois)
de F tem-se
x
F
= proj
F
x =
n

i=1
'x, v
i
`
|v
i
|
2
v
i
=
n

i=1
proj
v
i
x.
Denio 2.0.4 Sejam F e G subespaos do espao vectorial V . Chama-se soma dos
subespaos F e G ao conjunto
F + G = v + w : v F e w G.
Exemplo: Sejam F e G duas rectas em IR
2
diferentes que passam pela origem. Veri-
que geometricamente que IR
2
= F + G.
Teorema 2.0.3 F + G ainda um subespao de V .
Demonstrao. Exerccio.
Teorema 2.0.4 dim (F +G) = dim F + dim G - dim (F G).
Demonstrao. Sejam dim F = k, dim G = m, dim (F G) = s e u
1
, . . . , u
s
base
de F G. Estendamo-la a uma base de F, u
1
, . . . , u
s
, v
1
, . . . , v
ks
e a uma base de G
u
1
, . . . , u
s
, w
1
, . . . , w
ms
. Resta mostrar que o conjunto
u
1
, . . . , u
s
, v
1
, . . . , v
ks
, w
1
, . . . , w
ms

uma base de F + G (exerccio).

Se se tiver F G = 0 diz-se que a soma de F com G directa e escreve-se F G.
Tem-se ainda
dim (F G) = dim F + dim G,
e uma base de F G obtm-se reunindo uma base de F com uma base de G.
Se V = F G, dizemos que F e G so subespaos complementares ou que F
um complemento de G (e vice-versa).
Tem-se
V = F F

para qualquer subespao F.

38
2.1 Determinantes e medidas de paralelippedos
Dados dois vectores u, v IR
2
, o paralelogramo denido
por u e v, denotado por P[u, v], o conjunto
P[u, v] = u + v : 0 1, 0 1.
A rea de P[u, v] igual a [detA[ onde A a matriz
cujas colunas so u e v.
T
E

u
v
Caso 1: u v
Neste caso, rea de P[u, v] = |u||v|.
Sendo a matriz A =

u
1
v
1
u
2
v
2

, tem-se
A

A =

u
1
u
2
v
1
v
2

u
1
v
1
u
2
v
2

'u, u` 'u, v`
'v, u` 'v, v`

|u|
2
0
0 |v|
2

,
logo |u|
2
|v|
2
= det (A

A) = det A

det A = (det A)
2
. Finalmente vem
[det A[ = |u||v| = rea de P[u, v].
T
E

B
e
e
eu
u
v
Caso 2: u e v quaisquer com u = 0
Neste caso, rea de P[u, v] = |u||h| = |u||v proj
u
v|
Mas se u h ento, pelo caso 1,
rea de P[u, v] = [det B[,
onde B a matriz cujas colunas so u e v proj
u
v.
E E

B
T
u proj
u
v
v
h
No entanto,
det

u v proj
u
v

= det

u v

det

u proj
u
v

= det

u v

det

u
u,v
u
2
u

= det

u v

'u, v`
|u|
2
det

u u

= det

u v

,
logo [det B[ = [det A[.
39
Sejam u, v, w IR
3
, o paralelippedo denido por u, v, w
o conjunto
P[u, v, w] = u+v+w, 0 1, 0 1, 0 1.
E
T

u
v
w
Teorema 2.1.1 Seja A a matriz cujas colunas so u, v e w. O volume de P[u, v, w]
igual a [det A[.
Demonstrao. Exerccio (proceder como em IR
2
).
Denio 2.1.1 Sendo v
1
, . . . , v
n
IR
n
, o paralelippedo denido por v
1
, . . . , v
n
o con-
junto
P[v
1
, . . . , v
n
] =
1
v
1
+ +
n
v
n
, 0
1
1, . . . , 0
n
1.
Denio 2.1.2 Sejam v
1
, . . . , v
n
IR
n
(n 4) e A a matriz cujas colunas so v
1
, . . . , v
n
.
Dene-se a medida de P[v
1
, . . . , v
n
] como sendo [det A[.
2.2 Produto externo em IR
3
Em IR
3
possvel determinar um vector ortogonal a dois vectores dados a partir de uma
outra operao entre vectores.
Dados u = (a, b, c) e v = (a

, b

, c

) em IR
3
, determinemos vectores perpendiculares a u
e a v. Suponhamos que u e v so linearmente independentes. Tem-se dim Lu, v = 2,
logo dim Lu, v

= 1, pelo que a direco dos vectores procurados univocamente

determinada por u e v.
Os vectores x = (x
1
, x
2
, x
3
) perpendiculares a u e a v tm de satisfazer o seguinte
sistema

'u, x` = 0
'v, x` = 0

ax
1
+ bx
2
+cx
3
= 0
a

x
1
+ b

x
2
+ c

x
3
= 0.
Como supusemos u e v linearmente independentes, eles no so mltiplos um do outro,
logo, pelo menos, um dos trs determinantes

a b
a

a c
a

b c
b

diferente de zero. Suponhamos o primeiro no nulo (se for outro o caso, o raciocnio
anlogo). Escrevemos o sistema de outra forma

ax
1
+bx
2
= cx
3
a

x
1
+ b

x
2
= c

x
3
40
e usando a regra de Cramer
x
1
=

cx
3
b
c

x
3
b

a b
a

x
2
=

a cx
3
a

x
3

a b
a

ou
x
1
=
x
3

c b
c

a b
a

x
2
=
x
3

a c
a

a b
a

onde x
3
pode tomar qualquer valor. Escolhendo, por exemplo, x
3
=

a b
a

, tem-se
x
1
=

c b
c

x
2
=

a c
a

.
Isto motiva a seguinte denio:
Denio 2.2.1 Dados u = (a, b, c) e v = (a

, b

, c

) vectores de IR
3
, chama-se produto
externo (ou produto vectorial) de u por v ao vector
u v =

b c
b

a c
a

a b
a

= (bc

c, (ac

c), ab

b).
Notao: u v ou u v.
Para recordar a expresso de uv pode usar-se o seguinte "determinante simblico"onde
e
1
, e
2
e e
3
so os vectores da base cannica de IR
3

e
1
e
2
e
3
a b c
a

calculado pelo teorema de Laplace aplicado primeira linha.

Exemplo: Sendo u = (0, 1, 1) e v = (1, 1, 1), tem-se
u v =

e
1
e
2
e
3
0 1 1
1 1 1

= (0, 1, 1).
O vector (0, 1, 1) um vector ortogonal a u e a v.
41
fcil obter as principais propriedades do produto externo:
Teorema 2.2.1 Sejam u, v e w vectores de IR
3
e um nmero real. Ento:
1. u u = 0;
2. u 0 = 0;
3. Se u e v forem linearmente dependentes tem-se u v = 0;
4. Se u v = 0 ento u e v so linearmente dependentes;
5. v u = u v;
6. 'u, u v` = 0;
7. (u + v) w = u w + v w, u (v + w) = u v +u w;
8. (u) v = u (v) = (u v).
Demonstrao. Exerccio.
Vamos agora ver uma frmula simples para a norma de u v.
Teorema 2.2.2 Tem-se
|u v| =

|u|
2
|v|
2
'u, v`
2
= |u||v| sen ,
onde o ngulo entre u e v.
Demonstrao. Sendo u = (a, b, c) e v = (a

, b

, c

), tem-se
|u v|
2
= (bc

c)
2
+ (ac

c)
2
+ (ab

b)
2
e
|u|
2
|v|
2
'u, v`
2
= (a
2
+ b
2
+c
2
)(a
2
+ b
2
+c
2
) (aa

+bb

+cc

)
2
= . . .
= (bc

c)
2
+ (ac

c)
2
+ (ab

b)
2
.
Quanto segunda igualdade, como 'u, v` = |u||v| cos , tem-se
|u|
2
|v|
2
'u, v`
2
= |u|
2
|v|
2
|u|
2
|v|
2
cos
2

= |u|
2
|v|
2
(1 cos
2
)
= |u|
2
|v|
2
sen
2
.

42
Da igualdade |u v| = |u||v| sen conclumos que a norma de u v igual rea
do paralelogramo denido por u e v:
A = |h||v|
= |u|sen |v|
= |u||v|sen .
E

B
v
u
h
Com base nas propriedades anteriores do produto externo de dois vectores fcil
descrev-lo geometricamente: um vector ortogonal ao plano dos dois vectores dados e de
comprimento igual rea do paralelogramo denido pelos dois vectores. Resta conhecer
o sentido deste vector.
Denio 2.2.2 Sejam u, v, w IR
3
vectores linearmente independentes. Estes trs
vectores (por esta ordem) formam um triedro directo se a rotao mais curta do
vector u que o leva a sobrepor-se ao vector v feita, para um observador com os ps
na origem e a cabea na extremidade de w, no sentido contrrio ao dos ponteiros do
relgio.
E
T

%
v
w
u

Exemplo: Os vectores e
1
, e
2
, e
3
da base cannica de IR
3
formam um triedro directo.
E
T

%
E
T

%
y
e
1
e
2
e
3
z
x
Teorema 2.2.3 Sendo u, v IR
3
linearmente independentes, os vectores u, v, u v for-
mam um triedro directo.
Demonstrao. Ver apontamentos A. P. Santana e J. F. Queir.
2.3 Planos em IR
n
Em IR
2
identicado com um plano em que se xou um sistema de eixos da forma habitual
uma recta que passa pela origem simplesmente um subespao de dimenso 1.
43
F = u : IR, u = 0.
Se somarmos qualquer vector de F a p obtemos uma
recta que paralela a F (obtida por translao de F):
S = p + v : v F.
E
T

p
F
S
Exactamente da mesma forma podemos descrever uma recta qualquer em IR
3
(sendo
ento F um subespao de dimenso 1 de IR
3
) e um plano qualquer de IR
3
(sendo F um
subespao de dimenso 2 de IR
3
).
Denio 2.3.1 Um plano de dimenso k em IR
n
um conjunto do tipo
S = p + v : v F,
onde p IR
n
e F um subespao de IR
n
com dimenso k (notao: S = p +F).
Diz-se que S foi obtido de F por uma translao segundo o vector p.
A F chama-se o subespao director de S e a p o vector de translao.
Um plano de dimenso 1 diz-se uma recta e um plano de dimenso n1 em IR
n
diz-se
um hiperplano.
Exemplos:
1. Em IR
2
, os planos de dimenso 0 so os vectores individuais de IR
2
. Os planos de
dimenso 1 (hiperplanos de IR
2
) so as rectas. O plano de dimenso 2 o prprio
IR
2
.
2. Em IR
3
, os planos de dimenso 0 so os vectores individuais de IR
3
. Os hiperplanos
so os planos.
Denio 2.3.2 Dois planos da mesma dimenso S
1
= p
1
+ F
1
e S
2
= p
2
+ F
2
dizem-se paralelos se F
1
= F
2
. Se S
1
e S
2
no tiverem a mesma dimenso a condio de
paralelismo F
1
F
2
ou F
2
F
1
.
Seja S = p +F um plano de dimenso k em IR
n
e seja v
1
, v
2
, . . . , v
k
uma base de
F. Assim F =
1
v
1
+
2
v
2
+ +
k
v
k
:
1
,
2
, . . . ,
k
IR, logo
S = p +
1
v
1
+
2
v
2
+ +
k
v
k
:
1
,
2
, . . . ,
k
IR.
Dado x IR
n
, x S se e s se
x = p +
1
v
1
+
2
v
2
+ +
k
v
k
,
44
para alguns
1
,
2
, . . . ,
k
IR. Esta a equao vectorial de S. Mas, sendo x IR
n
,
a equao vectorial equivalente a
(x
1
, x
2
, . . . , x
n
) = (p
1
, p
2
, . . . , p
n
) +
1
(v
11
, v
12
, . . . , v
1n
) + +
k
(v
k1
, . . . , v
kn
)
ou ainda

x
1
= p
1
+
1
v
11
+ +
k
v
k1
x
2
= p
2
+
1
v
12
+ +
k
v
k2
.
.
.
x
n
= p
n
+
1
v
1n
+ +
k
v
kn
chamadas equaes paramtricas de S.
Diz-se que S passa por p e paralelo a F, ou tambm que paralelo aos vectores
v
1
, . . . , v
k
.
Exemplos:
1. A recta que passa por (1, 2, 3) e paralela ao vector (4, 5, 7) tem equao vectorial
(x, y, z) = (1, 2, 3) + (4, 5, 7), IR,
e equaes paramtricas

x = 1 + 4
y = 2 + 5
z = 3 7, IR.
2. O plano que passa por (1, 2, 4) e paralelo aos vectores (1, 2, 1) e (0, 1, 0) ( de facto
um plano de dimenso 2 porque (1, 2, 1) e (0, 1, 0) so linearmente independentes)
tem equao vectorial
(x, y, z) = (1, 2, 4) + (1, 2, 1) + (0, 1, 0)
e equaes paramtricas

x = 1 +
y = 2 + 2 +
z = 4 + .
Nota: Nenhuma destas representaes de planos est univocamente determinada, isto
, podemos para o mesmo plano ter vrias equaes vectoriais assim como vrios sistemas
de equaes paramtricas.
45
Sejam p = (p
1
, p
2
, . . . , p
n
) e w = (w
1
, w
2
, . . . , w
n
) IR
n
. Suponhamos w
i
= 0 para
i = 1, . . . , n. Se x pertence recta em IR
n
que passa por p e tem a direco de w ento
x p e w so linearmente dependentes, ou seja, x p e w so mltiplos um do outro.
As equaes
x
1
p
1
w
1
=
x
2
p
2
w
2
= =
x
n
p
n
w
n
dizem-se equaes normais ou cannicas da recta
que passa por p e tem a direco de w

B
w
p

B
x
Nota: As equaes paramtricas desta recta so

x
1
= p
1
+ w
1
x
2
= p
2
+ w
2
.
.
.
x
n
= p
n
+w
n
logo =
x
1
p
1
w
1
da primeira igualdade, =
x
2
p
2
w
2
da segunda, , =
x
n
p
n
w
n
da
ltima, ou seja,
x
1
p
1
w
1
=
x
2
p
2
w
2
= =
x
n
p
n
w
n
.
Um processo alternativo de descrever planos em IR
n
usa o produto interno.
Em IR
2
, considere-se a recta que passa por p e perpen-
dicular a u = 0.
Um ponto x pertence a esta recta se x p for ortogonal
a u.
E
T

B
u
e
e
e
e
e
e

x
p
A condio
'u, x p` = 0
a equao cartesiana de uma recta (plano de dimenso 1) em IR
2
.
Mais geralmente vamos ver que em IR
n
a condio
'u, x p` = 0
dene um hiperplano.
46
Teorema 2.3.1 Sendo u, p IR
n
, com u = 0, o conjunto x : 'u, x p` = 0 um
hiperplano. Reciprocamente, sendo S um hiperplano, existem u, p IR
n
, com u = 0, tais
que S = x : 'u, x p` = 0.
Demonstrao.
1
o
Caso p = 0. O conjunto x : 'u, x` = 0 (Lu)

e como IR
n
= Lu(Lu)

,
tem-se dim (Lu)

= n1, logo um subespao de dimenso n1, ou seja, um

hiperplano que passa pela origem.
2
o
Caso p IR
n
qualquer. y S = x : 'u, x p` = 0 se e s se y p pertencer
ao subespao F = x : 'u, x` = 0. Ento, S = p + F e como F tem dimenso
n 1, S um hiperplano.
Reciprocamente, seja S um hiperplano, S = p + F onde dim F = n 1. Como
IR
n
= F F

tem-se dim F

= 1. Seja u F

no nulo, ento F

= Lu e vem
F = (F

= x : 'u, x` = 0. Como S = p +F, vem que

S = x : 'u, x p` = 0.

Denio 2.3.3 Chama-se equao cartesiana do hiperplano condio

'u, x p` = 0.
O vector u diz-se um vector ortogonal ao hiperplano.
Exemplos:
1. Em IR
2
os hiperplanos so as rectas.
A equao cartesiana da recta que passa por (p
1
, p
2
) e ortogonal a (u
1
, u
2
)
'(u
1
, u
2
), (x, y) (p
1
, p
2
)` = 0
u
1
(x p
1
) + u
2
(y p
2
) = 0
u
1
x + u
2
y = u
1
p
1
+ u
2
p
2
.
Fazendo 'u, p` = b vem
u
1
x + u
2
y = b.
2. Em IR
3
os hiperplanos so os planos.
A equao cartesiana do plano que passa por (p
1
, p
2
, p
3
) e ortogonal a (u
1
, u
2
, u
3
)

'(u
1
, u
2
, u
3
), (x, y, z) (p
1
, p
2
, p
3
)` = 0
u
1
(x p
1
) + u
2
(y p
2
) + u
3
(z p
3
) = 0
u
1
x +u
2
y +u
3
z = u
1
p
1
+ u
2
p
2
+ u
3
p
3
.
Fazendo 'u, p` = b vem
u
1
x + u
2
y + u
3
z = b.
47
Nota: O vector ortogonal a um hiperplano essencialmente nico, no sentido de que
dois vectores ortogonais a um mesmo hiperplano so mltiplos um do outro.
2.4 Problemas mtricos
2.4.1 Distncia de um ponto a um hiperplano
Em IR
3
, como determinar a distncia de um ponto a um hiperplano?
Seja S o plano de IR
3
que contm p e perpendicular a
u = 0, logo a equao cartesiana deste plano
'x p, u` = 0.
Queremos determinar a distncia de v a S.
Consideramos a recta que passa por v e perpendicular
a S, isto , a recta que passa por v e paralela a u.
Sendo v

a interseco desta recta com S, a distncia

pretendida
|v v

|.

T
v

u
v
p
Encontramos assim o seguinte sistema

S
v

= v + u

'v

p, u` = 0
v

v = u.
Da primeira equao vem que =
'v p, u`
'u, u`
e substituindo na segunda obtm-se
v v

=
'v p, u`
'u, u`
u.
Logo,
|v v

| =
['v p, u`[
['u, u`[
|u| =
['v p, u`[
|u|
.
Em IR
n
, a distncia de v ao hiperplano de equao cartesiana 'u, x p` = 0 igual
norma da projeco ortogonal de v p sobre u, isto , igual a
['v p, u`[
|u|
.
Em IR
2
, a distncia do ponto (q
1
, q
2
) recta de equao cartesiana a
1
x
1
+ a
2
x
2
= b
[a
1
q
1
+ a
2
q
2
b[

a
2
1
+ a
2
2
.
48
Em IR
3
, a distncia do ponto (q
1
, q
2
, q
3
) ao plano de equao cartesiana a
1
x
1
+a
2
x
2
+
a
3
x
3
= b
[a
1
q
1
+a
2
q
2
+ a
3
q
3
b[

a
2
1
+ a
2
2
+ a
2
3
.
2.4.2 Distncia de um ponto a uma recta
Em IR
n
, como determinar a distncia de um ponto v a uma recta x = p + u, IR?
Ser a distncia de vp sua projeco ortogonal sobre
u, ou seja,
|v p proj
u
(v p)|.
$
$
$
$
$
$
$
$
$
$$
$
$
$
$
$$X

p
$
$
$X
g
g
gg
u
v

proj
u
(v p)
Fazendo alguns clculos,
|v p proj
u
(v p)|
2
= 'v p proj
u
(v p), v p proj
u
(v p)`
=
=
|v p|
2
|u|
2
'v p, u`
2
|u|
2
.
Logo, a distncia pretendida

|v p|
2
|u|
2
'v p, u`
2
|u|
.
2.4.3 Outras distncias
Em IR
3
, tem-se
Distncia entre dois planos P e P

Se P e P

forem coincidentes, d(P, P

) = 0;
Se P e P

se intersectam (segundo uma recta), d(P, P

) = 0;
Se P e P

forem estritamente paralelos, d(P, P

) = d(x, P

), com x P.
Distncia de uma recta r a um plano P
Se r for concorrente com P, d(r, P) = 0;
Se r for paralela a P, d(r, P) = d(p, P), com p r.
Distncia entre duas rectas r e r

Se as rectas forem concorrentes, d(r, r

) = 0;
Se as rectas forem paralelas, d(r, r

) = d(p, r

), com p r;
Se as rectas forem enviesadas, d(r, r

) = d(r, P), onde P o plano que contm

r

e paralelo a r.
49
2.4.4 ngulos
O ngulo entre duas rectas x = p + v e x = q + w o ngulo entre v e w (ou o
suplementar desse, se ele no pertencer a [0, /2]).
O ngulo entre dois planos 'u, x p` = 0 e 'v, x q` = 0 o ngulo entre v e w
(ou o suplementar desse, se ele no pertencer a [0, /2]).
50
Captulo 3
Complementos sobre problemas de
mnimos quadrados
3.1 Decomposio QR de uma matriz processo de
ortogonalizao de Gram-Schmidt
Revises de ALGA:
Se x V , um vector x
F
diz-se a projeco ortogonal de x sobre o subespao
F de V se
x x
F
F

.
Relativamente a uma base ortogonal v
1
, . . . , v
k
(vectores ortogonais dois a dois)
de F tem-se
x
F
= proj
F
x =
k

i=1
'x, v
i
`
|v
i
|
2
v
i
=
k

i=1
proj
v
i
x.
Ortogonalizao de Gram-Schmidt: processo iterativo para obter uma base
ortogonal u
1
, u
2
, . . . , u
k
de um subespao vectorial F a partir de uma base
qualquer v
1
, v
2
, . . . , v
k
de F.
u
1
= v
1
u
2
= v
2
proj
u
1
v
2
u
3
= v
3
proj
u
1
v
3
proj
u
2
v
3
.
.
.
u
k
= v
k
proj
u
1
v
k
proj
u
2
v
k
proj
u
k1
v
k
51
Seja A M
nk
(C) uma matriz com as colunas linearmente independentes, isto ,
car(A) = k. Designem-se as colunas de A por v
1
, . . . , v
k
(so vectores de C
n
) e por
u
1
, . . . , u
k
as colunas duas a duas ortogonais que se obtm das de A aplicando-lhes o
processo de ortogonalizao de Gram-Schmidt.
u
1
= v
1
u
2
= v
2

12
u
1
u
3
= v
3

13
u
1

23
u
2
.
.
.
u
k
= v
k

1k
u
1

2k
u
2

k1,k
u
k1
com
ij
C. Estas relaes podem escrever-se
v
1
= u
1
v
2
=
12
u
1
+ u
2
v
3
=
13
u
1
+
23
u
2
+ u
3
.
.
.
v
k
=
1k
u
1
+
2k
u
2
+ +
k1,k
u
k1
+ u
k
.
Sendo U a matriz cujas colunas so u
1
, . . . , u
k
, estas igualdades podem resumir-se pela
igualdade matricial A = UT, onde
T =

1
12

13

1k
0 1
23

2k
0 0 1
3k
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1

.
Assim,
A =

u
1
u
k

T =

u
1
u
1

u
k
u
k

|u
1
|
.
.
.
|u
k
|

T.
Faa-se

Q =

u
1
u
1

u
k
u
k

e

R =

|u
1
|
.
.
.
|u
k
|

T. Tem-se
A =

Q

R .

Q uma matriz n k e tem as colunas ortonormadas.

R uma matriz quadrada de
ordem k, triangular superior e no singular.
52
Seja F um subespao de dimenso k e u
1
, . . . , u
k
uma sua base ortonormada.
Recorde-se que a projeco ortogonal de v sobre o subespao F pode ser expressa como
v
F
= 'v, u
1
`u
1
+ +'v, u
k
`u
k
.
Ponha-se

Q = [ u
1
u
k
] M
nk
(C).
Veja-se que

Q

Q

v = [ u
1
u
k
]

1
.
.
.
u

v
= [ u
1
u
k
]

1
v
.
.
.
u

k
v

= [ u
1
u
k
]

'v, u
1
`
.
.
.
'v, u
k
`

= 'v, u
1
`u
1
+ +'v, u
k
`u
k
= v
F
,
o que mostra a expresso
v
F
=

Q

Q

v.
A esta matriz

Q

Q

chama-se matriz de projeco ortogonal sobre F.

Seja

Q a matriz da decomposio QR de uma matriz A M
nk
(C), ou seja, considere-
se, agora, A =

Q

R com

R M
kk
(C) uma matriz triangular superior no singular. Desta
forma, como A =

Q

R equivalente a

Q = A

R
1
, vem que

Q

Q

= (A

R
1
)(A

R
1
)

= (A

R
1
)((

R
1
)

)
= A(

R
1
(

R
1
)

)A

= A(

R
1
(

R

)
1
)A

= A(

R

R)
1
A

.
Mas, porque

Q

Q = I, A

A =

R

R =

R

R e

Q

Q

= A(A

A)
1
A

M
nn
(C).
Vamos, agora, tentar identicar uma matriz de projeco ortogonal sobre F

, o com-
plemento ortogonal do subespao F. Dado o vector v, sabemos que
v = v
F
+ v
F
,
53
Figura 3.1.1: Projeco ortogonal sobre F e F

.
em que v
F
designa a projeco ortogonal de v sobre F

.
Logo,
v
F
= v v
F
= v

Q

Q

v
= (I

Q

Q

)v.
Desta forma, chamamos matriz
I

Q

Q

= I A(A

A)
1
A

M
nn
(C),
matriz da projeco ortogonal sobre F

.
Veriquemos que v
F
= (I

Q

Q

)v , de facto, a projeco ortogonal de v sobre F

:
'f, v (I

Q

Q

)v` =

v (I

Q

Q

)v

f
=

(I

Q

Q

f
= v

f v

f +v

Q

Q

f
= v

(

Q

Q

f).
(Note-se que I

Q

Q

hermtica.) Daqui resulta que

'f, v (I

Q

Q

)v` = 0 se f F

.
fcil de constatar que

Q

Q

e I

Q

Q

so matrizes que vericam P

2
= P.
54
Denio 3.1.1 Uma matriz P M
nn
(C) que verica
P
2
= P
chama-se um projector.
Vimos, tambm, que as matrizes

Q

Q

e I

Q

Q

projectam ortogonalmente sobre F

e F

, respectivamente, o que motiva a seguinte denio.

Denio 3.1.2 Um projector ortogonal P M
nn
(C) um projector tal que
F
1
= Px, x C
n
e F
2
= (I P)x, x C
n

so subespaos ortogonais.
Existe uma caracterizao necessria e suciente para um projector ser ortogonal.
Fizemos meno, anteriormente, ao facto de

Q

Q

ser uma matriz hermtica. O mesmo

sucede com I

Q

Q

e, como se prova de seguida, com qualquer projector ortogonal.

Teorema 3.1.1 Um projector P M
nn
(C) um projector ortogonal se e s se P = P

.
Demonstrao. Se P = P

ento
'Px, (I P)y` = ((I P)y)

(Px) = y

(I P)

(Px)
= y

((I P)P)x = y

(P P
2
)x
= 0,
o que mostra a ortogonalidade entre os subespaos F
1
e F
2
da denio de projector
ortogonal.
No outro sentido, suponhamos que P um projector ortogonal. Se dim F
1
= k,
considere-se uma base ortonormada de C
n
v
1
, . . . , v
k
, v
k+1
, . . . , v
n
onde v
1
, . . . , v
k

uma base de F
1
e v
k+1
, . . . , v
n
uma base de F
2
. Ento Pv
j
= v
j
para j = 1, . . . , k e
Pv
j
= 0 para j k + 1. Sendo Q a matriz unitria cujas colunas so v
1
, . . . , v
n
, tem-se
PQ =

[ [ [ [
v
1
. . . v
k
0 . . . 0
[ [ [ [

e
Q

PQ =

1
.
.
.
1
0
.
.
.
0

= D.
Logo P = QDQ

e P

= (QDQ

= QD

= QDQ

= P.
Nota: A matriz P tambm da forma

Q

Q

, onde

Q a matriz n k cujas colunas
so v
1
, . . . , v
k
.
55
Exerccios
1. Mostre que

Q

Q

e I

Q

Q

so projectores.
2. Prove que se P um projector ortogonal ento I 2P uma matriz unitria. D
uma interpretao geomtrica deste facto.
3. Considere os vectores
v
1
=

1
0
0
1

e v
2
=

1
1
1
1

.
(a) Determine uma base ortonormada para o subespao gerado por v
1
e v
2
atravs
do processo de ortogonalizao de Gram-Schmidt.
(b) Seja A a matriz 4-por-2 cujas colunas so v
1
e v
2
. Com base na alnea anterior,
escreva a decomposio QR da matriz A.
(c) Calcule I

Q

Q

(em que

Q a matriz obtida na alnea anterior).
(d) Verique que I

Q

Q

um projector ortogonal.
(e) Sobre que subespao que a matriz I

Q

Q

projecta ortogonalmente?
4. Considere os vectores
v
1
=

1
0
1

, v
2
=

1
1
1

e v
3
=

1
1
1

.
(a) Determine uma base ortonormada para o subespao gerado por v
1
, v
2
e v
3
atravs do processo de ortogonalizao de Gram-Schmidt.
(b) Seja A a matriz 3-por-3 cujas colunas so v
1
, v
2
e v
3
. Com base na alnea
anterior, escreva a decomposio QR da matriz A.
(c) Calcule

Q

Q

(em que

Q a matriz obtida na alnea anterior).
(d) Verique que

Q

Q

um projector ortogonal.
(e) Sobre que subespao que a matriz

Q

Q

projecta ortogonalmente?
3.2 Decomposio QR de uma matriz triangulariza-
o de Householder
O processo de ortogonalizao de Gram-Schmidt pode ser resumido na forma matricial
A =

Q

R = UT,

Q = UD
1
e

R = DT,
56
com as mesmas notaes e hipteses da seco anterior. Repare-se que A = UT equi-
valente a
AT
1
= U
e que T
1
pode ser expressa como o produto de k 1 matrizes,
T
1
= E
2
E
k
,
com
E
j
=

1
v
j
,u
1

u
1

2
.
.
.
.
.
.
1
v
j
,u
j1

u
j1

2
1
.
.
.
1

, j = 2, . . . , k.
Cada uma destas matrizes E
j
resulta, por sua vez, do produto de j 1 matrizes ele-
mentares.
O processo de ortogonalizao de Gram-Schmidt pode ser encarado, deste modo, como
uma ortogonalizao triangular.
3.2.1 Triangularizao ortogonal
Existe uma outra forma de calcular a decomposio QR de uma matriz. Este processo,
descrito nesta seco, pode ser visto como uma triangularizao ortogonal. A ideia
formar

Q custa do produto de k matrizes unitrias n n:
Q
k
Q
2
Q
1
A = R,
o que equivalente a
A = QR,
com Q = Q

1
Q

2
Q

k
. A matriz produto Q unitria (ver exerccios da Seco 1.5). As
dimenses so as seguintes:
A M
nk
(C), Q M
nn
(C) e R M
nk
(C).
Esquematicamente, temos, quando n = 5 e k = 3, que

0 0

0 0 0
0 0 0

.
A Q R
57
Daqui, recupera-se a forma reduzida da decomposio QR de A:

0 0

.
A

Q

R
Em termos gerais, a forma reduzida A =

Q

R da decomposio QR de A obtida
atravs da sua forma completa A = QR, atribuindo

Q = Q
1:n,1:k
e

R = R
1:k,1:k
,
ou seja, retirando a Q as suas ltimas n k colunas e a R as suas ltimas n k linhas.
Passamos, ento, descrio do processo de triangularizao ortogonal de A, baseado
na sua decomposio A = QR. Este processo (quando n = 5 e k = 3) desenrola-se de
acordo com o seguinte esquema:

Q
1

Q
2

0 0

0 0

0 0

Q
3

0 0

0 0 0
0 0 0

.
A Q
1
A Q
2
Q
1
A R = Q
3
Q
2
Q
1
A
A matriz

R denida pelas trs primeiras linhas de R = Q
3
Q
2
Q
1
A, ou seja, por

R =

0 0

.
A matriz

Q dada pelas trs primeiras colunas de Q = Q

1
Q

2
Q

3
.
Regressemos ao caso geral e comecemos por analisar a matriz Q
1
M
nn
(C). Esta
matriz ter de ser unitria. Alm disso, e de acordo com o esquema apresentado, ter de
anular os elementos da primeira coluna de A abaixo do elemento na posio 1, 1. Seja v
1
a primeira coluna de A. Pretende-se que a matriz unitria Q
1
seja tal que
Q
1
v
1
=

0
.
.
.
0

58
O escalar , que no esquema corresponde ao smbolo

na posio 1, 1 de Q
1
A, vai ser
escolhido de forma a valer |v
1
|, o que est de acordo com a decomposio QR calculada
atravs do processo de ortogonalizao de Gram-Schmidt. Assim,
Q
1
v
1
= |v
1
|e
1
,
em que e
1
representa a primeira coluna da matriz identidade de ordem n.
Como iremos ver mais frente, existe uma classe de matrizes, conhecida por reectores
de Householder, que nos d uma soluo para a matriz Q
1
com as propriedades desejadas.
No caso em causa, o reector de Householder procurado dado por
Q
1
= I
2
|h
1
|
2
h
1
h

1
M
nn
(C) com h
1
= |v
1
|e
1
v
1
.
Conrmaremos na prxima seco que Q
1
v
1
= |v
1
|e
1
.
O passo seguinte consiste em identicar a matriz Q
2
. Observando o esquema anterior,
constata-se que Q
2
, ao multiplicar, esquerda, Q
1
A, dever deixar intacta a primeira
linha desta ltima matriz. Tal efeito conseguido ao exigir-se que
Q
2
=

1 0 0
0
.
.
.

Q
2
0

M
nn
(C).
Se

Q
2
M
n1n1
(C) for unitria ento Q
2
tambm o ser (ver exerccios da Seco 1.5).
Alm disto, a matriz

Q
2
ter que anular os elementos da segunda coluna de Q
1
A abaixo
da posio 2, 2. Recorremos, novamente, aos reectores de Householder para conseguir
este ltimo objectivo. A matriz

Q
2
, assim, dada por

Q
2
= I
2
|h
2
|
2
h
2
h

2
M
n1n1
(C) com h
2
= | v
2
| e
1
v
2
e v
2
o vector em C
n1
formado pelos elementos da segunda coluna de Q
1
A, da posio 2, 2
at posio n, 2. O vector e
1
a primeira coluna da matriz identidade de ordem n 1.
No esquema apresentado para n = 5 e k = 2, as componentes do vector v
2
aparecem, de
seguida, entre parntesis rectos:
Q
1
A =

0 [

0 [

0 [

0 [

.
Este procedimento aplicado, sucessivamente, at ser concluda a triangularizao.
No passo j, com 2 j k, a matriz Q
j
tem a forma
Q
j
=

I
j1j1
0
0

Q
j

M
nn
(C),
59
em que

Q
j
um reector de Householder de ordem nj +1. A matriz Q
j
unitria por

Q
j
tambm o ser (ver exerccios da Seco 1.5).
3.2.2 Reectores de Householder
Ficou por mostrar que um reector de Householder uma matriz unitria com as pro-
priedades de anulao referidas. Apresenta-se, primeiro, a denio de um reector de
Householder.
Denio 3.2.1 Dado um vector y C
n
, o correspondente reector de Householder
H M
nn
(C) dado por
H = I
2
|h|
2
hh

com h = |y|e
1
y,
em que e
1
a primeira coluna da matriz identidade de ordem n.
A interpretao geomtrica do efeito de multiplicar esquerda um reector de House-
holder pelo vector que o dene permite conhecer melhor a expresso para H. Como o
prprio nome indica, H vai reectir y em torno de um determinado subespao, de acordo
com a Figura 3.2.2. A matriz
1
|h|
2
hh

=
1
'h, h`
hh

uma matriz de projeco ortogonal sobre o subespao Lh gerado pelo vector h. Logo,
I
1
|h|
2
hh

projecta ortogonalmente sobre o complemento ortogonal Lh

. Assim, se o Ponto A (da

Figura 3.2.2) representar as coordenadas do vector y, ento o vector

I
1
|h|
2
hh

y
corresponder s coordenadas do Ponto B.
Assim sendo, a reexo do Ponto A em torno da recta Lh

, assinalado na gura
por C, tem coordenadas dadas por

I
2
|h|
2
hh

y.
Da gura depreende-se que as coordenadas do Ponto C so as do vector |y|e
1
.
A demonstrao de que Hy = |y|e
1
pressupe, por hiptese, que a primeira coorde-
nada de y um nmero real.
60
Figura 3.2.2: A interpretao geomtrica de um reector de Householder.
Proposio 3.2.1 Seja y um vector em C
n
com y
1
IR. Se H M
nn
(C) for o reector
de Householder associado ao vector y ento
Hy = |y|e
1
,
em que e
1
representa a primeira coluna da matriz identidade de ordem n.
Demonstrao. Em primeiro lugar, calculemos o quadrado da norma do vector h =
|y|e
1
y:
(|y|e
1
y)

(|y|e
1
y) = |y|
2
|y|e

1
y |y|y

e
1
+|y|
2
= 2 (|y|e

1
y +|y|
2
) .
A segunda igualdade s foi possvel porque y
1
real.
Efectuando os restantes clculos, obtm-se

I
2
h
2
hh

y =

I
2
ye
1
y
2
(|y|e
1
y)(|y|e
1
y)

y
= y
2(ye

1
yy

y)
ye
1
y
2
(|y|e
1
y)
= y +|y|e
1
y
= |y|e
1
.
A restrio de y
1
ser real no perturba o que foi desenvolvido anteriormente na Sub-
seco 3.2.1. Se y
1
no for um nmero real, multiplica-se, primeiro, o vector y por y

1
,
61
obtendo-se um vector y

em que a primeira componente , de certeza, um escalar real.

Depois, determinar-se-ia um reector de Householder H

tal que
H

= |y

|e
1
.
Dividindo esta expresso por y

1
, obtm-se
H

y = H

1
y

1
y

=
|y

|
y

1
e
1
.
Identicou-se, assim, um reector de Householder que anula as componentes do vector y
abaixo da primeira posio.
Exerccios
1. Considere a matriz
H =

c s
s c

M
22
(IR),
com s = sen(), c = cos() e um nmero real.
(a) Prove que det(H) = 1.
(b) Mostre que H um reector de Householder, identicando o vector h a ele
associado.
2. Sejam A e y a matriz e o vector dados, respectivamente, por
A =

1 3 1
0 2 1
0 0 2
0

5 1

e y =

2
0

.
(a) Calcule uma matriz ortogonal H em M
33
(IR) tal que Hy tenha os elementos
nas posies 2, 1 e 3, 1 nulos.
(b) A partir do resultado da alnea (a), calcule uma matriz ortogonal U emM
44
(IR)
tal que UA tenha zeros na coluna 1 a seguir ao elemento na posio 1, 1 e zeros
na coluna 2 a seguir ao elemento na posio 2, 2.
(c) Seja B a matriz constituda pelas duas primeiras colunas de A. Com base na
alnea (b), indique, sem efectuar quaisquer contas, como poderia escrever B na
forma QR em que Q M
44
(IR) ortogonal e R M
42
(IR) tem zeros nas
linhas 3 e 4.
(d) Indique, sem efectuar quaisquer contas, como decomporia B na forma

Q

R
(com

Q M
42
(IR) e

R M
22
(IR)) a partir da decomposio QR da alnea
anterior.
62
3. Calcule os valores prprios e vectores prprios de um reector de Householder.
4. Seja x um vector de C
n
. Considere-se a matriz em M
nn
(C) que se obtm da matriz
identidade alterando, apenas, os seus elementos nas posies i, i, i, j, j, i e j, j,
G =

1
.
.
.
1
c s
.
.
.
.
.
.
.
.
.
s c
1
.
.
.
1

,
em que
c =
x
i

[x
i
[
2
+[x
j
[
2
e s =
x
j

[x
i
[
2
+[x
j
[
2
.
Os ndices i e j vericam i = j e i, j 1, . . . , n. Esta matriz conhecida por
rotacional de Givens (associado ao vector x).
(a) Demonstre que a j-sima componente de Gx nula.
(b) Mostre que G uma matriz unitria.
(c) Dado um vector z C
n
, explique como poderia determinar, utilizando n 1
rotacionais de Givens, uma matriz unitria U tal que Uz fosse um mltiplo de
e
1
(a primeira coluna da matriz identidade de ordem n).
5. Considere a matriz
G =

c s
s c

M
22
(IR),
com s = sen(), c = cos() e um nmero real.
(a) Conrme que det(G) = 1.
(b) Mostre que a transformao linear associada a G corresponde a uma rotao
(em vez de uma reexo). Em que sentido feita a rotao?
(c) Identique G como um rotacional de Givens.
63
3.3 Decomposio em valores singulares de uma matriz
A decomposio em valores singulares generaliza a diagonalizao atravs de valores
prprios, proporcionando uma diagonalizao (num sentido mais lato) de qualquer matriz,
quadrada ou rectangular.
Os valores e vectores singulares de uma matriz transmitem, elmente, vrias pro-
priedades matriciais, constituindo um instrumento precioso em problemas envolvendo
sistemas de equaes lineares, mnimos quadrados e outras manipulaes matriciais.
3.3.1 Normas matriciais
Uma das propriedades matriciais intimamente relacionada com os valores singulares a
norma euclidiana. A denio de norma faz-se em qualquer espao vectorial. Existem
diversas normas no espao vectorial M
mn
(C). Vamos apresentar apenas duas: a norma
euclidiana e a norma de Frobenius (ou do trao). Um estudo detalhado sobre normas
vectoriais e matriciais (que incluiria a demonstrao dos factos referidos seguidamente)
est fora do contexto deste curso.
A norma de Frobenius em M
mn
(C) denida atravs de um produto interno neste
espao vectorial. possvel provar que um produto interno complexo a aplicao que,
a cada duas matrizes A e B em M
mn
(C), faz corresponder o nmero complexo
'A, B` = tr(A

B),
em que tr(A

B) designa o trao de A

B. Repare-se que A

B uma matriz quadrada

n-por-n. O trao de uma matriz quadrada C M
nn
(C) denido pela soma dos seus
elementos diagonais:
tr(C) =
n

i=1
c
ii
.
A norma de Frobenius a norma (matricial) associada a este produto interno, ou seja,
a aplicao que, a cada matriz em M
mn
(C), faz corresponder o nmero real
|A|
F
=

'A, A` =

tr(A

A).
fcil provar que
|A|
F
=

i=1
n

j=1
[a
ij
[
2
.
A norma de Frobenius de uma matriz calcula-se, deste modo, tomando a raiz quadrada
da soma dos quadrados dos mdulos de todos os elementos da matriz. A ordem pela qual
esta soma feita arbitrria. Por exemplo,

1 i 2
1 1 1

F
=

9 = 3.
64
A norma de Frobenius de uma matriz mantm-se igual se conjugarmos os seus elemen-
tos, pois todos so tomados em mdulo. Destes dois factos simples resulta imediatamente
que
|A

|
F
=

j=1
m

i=1
[a
ij
[
2
=

i=1
n

j=1
[a
ij
[
2
= |A|
F
.
A simplicidade do processo de clculo da norma de Frobenius e o facto de ser denida
por um produto interno tornam esta norma atraente em vrios contextos.
Outra norma matricial relevante a norma euclidiana, denida por intermdio da
norma euclidiana vectorial. A norma euclidiana faz corresponder, a cada matriz em
M
mn
(C), o nmero real
|A| = max
xC
n
: x=0
|Ax|
|x|
.
Recorde-se que
|y| =

'y, y` =

i=1
[y
i
[
2
(y C
n
).
A demonstrao de que estamos na presena de uma norma omitida. Vamos, apenas,
indicar por que motivo est esta aplicao bem denida. Veja-se que
|A| = max
xC
n
: x=0

1
x
Ax

1
x
x

.
Logo, efectuando a mudana de varivel z = (1/|x|)x, obtemos
|A| = max
zC
n
: z=1
|Az|.
Observa-se, desta forma, que a norma euclidiana de A o mximo de |Az| (uma funo
contnua de z) em z C
n
: |z| = 1 (um conjunto limitado e fechado em C
n
). Pelo
Teorema de Weirstrass existe (pelo menos) um w C
n
tal que
|A| = |Aw| e |w| = 1.
A matriz A M
mn
(C) dene uma transformao linear A : C
n
C
m
que, a cada
x C
n
faz corresponder o vector Ax C
m
. A norma euclidiana est relacionada com a
forma como a transformao linear A distorce a esfera de raio 1 centrada na origem 0,
E(0; 1) = x C
n
: |x| = 1 .
Este efeito ca registado pela imagem, por A, da esfera unitria E(0; 1), dada por
A(E(0; 1)) = Ax C
n
: |x| = 1 .
65
Figura 3.3.3: O efeito de A sobre a circunferncia E(0; 1) e a interpretao geomtrica da
norma de A.
Vejamos o exemplo em M
mn
(IR) com m = n = 2 e
A =

2
2

2
2

2
2

2
2

.
A circunferncia unitria E(0; 1) em IR
2
e a sua imagem A(E(0; 1)) por A esto desenhadas
na Figura 3.3.3. Neste exemplo tem-se que |A| = 3. Um dos vectores a fazer o papel do
vector w a primeira coluna da matriz identidade de ordem 2:
|Ae
1
| =

2
2

2
2

2
2

2
2

1
0

= 3

2
2

2
2

= 3.
O outro vector nestas circunstncias w = e
1
.
A imagem A(E(0; 1)) uma elipse em IR
2
. (Em IR
n
, obter-se-ia uma hiperelipse).
O eixo de maior comprimento desta elipse vai, da esquerda para a direita na gura, de
A(e
1
) a Ae
1
. A norma de A o factor de distoro mxima da bola unitria pela
transformao linear A.
3.3.2 Interpretao geomtrica
Os valores singulares de uma matriz tm uma interpretao geomtrica no mbito da que
foi dada para a norma euclidiana.
Sejam u
1
e u
2
e v
1
e v
2
dois pares de vectores ortonormados, para os quais existem
escalares reais
1

2
0 tais que
Av
1
=
1
u
1
e Av
2
=
2
u
2
,
ou, de forma equivalente,
A[ v
1
v
2
] = [ u
1
u
2
]

1
0
0
2

.
66
Utilizando as designaes

U = [ u
1
u
2
], V = [ v
1
v
2
] e

=

1
0
0
2

,
vem que
AV =

U

.
As matrizes

U e V so unitrias. Logo, AV =

U

equivalente a
A =

U

.
Esta expresso para A a sua decomposio em valores singulares. Os valores singulares
de A so os reais
1
e
2
. Os vectores u
1
e u
2
so os vectores singulares de A esquerda
associados, respectivamente, aos valores singulares
1
e
2
. De igual forma, os vectores
v
1
e v
2
so os vectores singulares de A direita associados, respectivamente, aos valores
singulares
1
e
2
.
Regressando ao exemplo anterior, identicamos
v
1
= e
1
=

1
0

e v
2
= e
2
=

0
1

.
Assim,
Av
1
= 3

2
2
2
2

= 3u
1
com u
1
=

2
2
2
2

e
Av
2
=

2
2
2
2

= 1u
2
com u
2
=

2
2
2
2

.
Calcularam-se, assim, os valores singulares

1
= 3 e
2
= 1.
Os vectores v
1
e v
2
so os vectores na circunferncia E(0; 1) da Figura 3.3.4. Representam-
se, na elipse A(E(0, 1)), os vectores
1
u
1
e
2
u
2
. O maior valor singular de A coincide com
a sua norma, uma coincidncia que ser enunciada e provada rigorosamente mais adiante.
Os valores singulares de A so os factores de distoro mxima e mnima de E(0; 1) pela
transformao linear A.
Reunindo toda a informao, apresentamos a decomposio em valores singulares de
A determinada:
A =

U

2
2

2
2
2
2

2
2

3 0
0 1

1 0
0 1

.
Aproveita-se esta ocasio para indicar que a decomposio em valores singulares de uma
matriz no nica. Se tivssemos escolhido v
1
= e
1
e v
2
= e
2
, teramos chegado a
A =

U

2
2

2
2

2
2

2
2

3 0
0 1

1 0
0 1

.
Existe, no entanto, um certo tipo de unicidade na decomposio em valores singulares,
como este exemplo deixa antever e como veremos mais frente.
67
Figura 3.3.4: O efeito de A sobre a circunferncia E(0; 1) e a interpretao geomtrica
dos valores e vectores singulares de A.
3.3.3 Formas reduzida e completa
A denio seguinte enquadra a matriz do exemplo anterior, assim como qualquer matriz
quadrada (m = n), e generaliza o conceito da decomposio em valores singulares (DVS)
a matrizes rectangulares. Nesta primeira fase, consideram-se matrizes rectangulares em
que m > n ou, por outras palavras, estudam-se matrizes com mais linhas do que colunas.
Denio 3.3.1 Seja A M
mn
(C) com m n. Um decomposio em valores singu-
lares (DVS) de A (na forma reduzida) um produto da forma
A =

U

,
em que

U M
mn
(C) tem colunas ortonormadas,

uma matriz diagonal n-por-n com
elementos diagonais reais satisfazendo

1

2

n
0
e V uma matriz unitria em M
nn
(C).
Esquematicamente, quando m = 5 e n = 3, a forma reduzida da DVS de A apresenta
as seguintes dimenses:

1
0 0
0
2
0
0 0
3

.
A

U

V

68
O exemplo visto na subseco anterior era para o caso m = n = 2. Listamos outros
exemplos, no necessariamente com matrizes quadradas:

3 0
0 5

0 1
1 0

5 0
0 3

0 1
1 0

0 3i
i 0

i 0
0 i

3 0
0 1

0 1
1 0

0 2
0 0
0 0

1 0
0 1
0 0

2 0
0 0

0 1
1 0

0 0
0 0
5i 0

0 1
0 0
1 0

5 0
0 0

i 0
0 1

1 1
0 0

1 0
0 1

2 0
0 0

2
2

2
2

2
2

2
2

1 1
1 1

2
2

2
2

2
2

2
2

2 0
0 0

2
2

2
2

2
2

2
2

.
Est fora do mbito deste curso o processo de clculo da DVS. Espera-se, porm, que
os exemplos apresentados tenham deixado pistas para a determinao da DVS em casos
simples.
A forma completa da decomposio em valores singulares no caso m n formalizada
na seguinte denio.
Denio 3.3.2 Seja A M
mn
(C) com m n. Um decomposio em valores singu-
lares (DVS) de A (na forma completa) um produto da forma
A = UV

,
em que U M
mm
(C) e V M
nn
(C) so matrizes unitrias e da forma

M
mn
(C),
com

uma matriz diagonal nn cujos elementos diagonais so nmeros reais a satisfazer

1

2

n
0.
69
Esquematicamente, quando m = 5 e n = 3, a forma completa da DVS de A apresenta
as seguintes dimenses:

1
0 0
0
2
0
0 0
3
0 0 0
0 0 0

.
A U V

Quando m = n as formas reduzida e completa coincidem. Se m > n, passa-se da

forma completa para a forma reduzida eliminando as ltimas m n colunas de U e as
ltimas mn linhas (de zeros) de . Para passar da forma reduzida para a completa
necessrio acrescentar mn linhas de zeros a

e completar as colunas de

U de forma a
obter uma base ortonormada para C
m
. Escolha-se num dos exemplos anteriores (m = 3 e
n = 2) e escreva-se uma forma completa para a DVS, assinalando entre parntesis curvos
os elementos acrescentados:

0 0
0 0
5i 0

0 1 (0)
0 0 (i)
1 0 (0)

5 0
0 0
(0) (0)

i 0
0 1

,
Note-se que a forma de completar

U no nica.
A situao rectangular em que existem menos linhas do que colunas (m < n) resulta
da aplicao da DVS matriz adjunta A

. Como A

tem mais linhas do que colunas, esta

matriz admite uma DVS na forma reduzida
A

.
Transconjugando, obtemos a seguinte decomposio em valores singulares para A na forma
reduzida:
A =

V

= U

,
com U =

V ,

=

e

V =

U. Esquematicamente, quando m = 3 e n = 5, a forma

reduzida da DVS de A apresenta as seguintes dimenses:

1
0 0
0
2
0
0 0
3

.
A U

70
A forma completa no caso m < n consistiria em completar as colunas de

V (ou as
linhas de

V

) de forma a obter uma base ortonormada para C

n
e a acrescentar n m
colunas de zeros a

. Esquematicamente, quando m = 3 e n = 5, a forma completa da
DVS de A apresenta as seguintes dimenses:

1
0 0 0 0
0
2
0 0 0
0 0
3
0 0

.
A U V

A passagem da forma completa para a forma reduzida no caso m < n igualmente simples
e passaria por eliminar as ltimas nm colunas (de zeros) de e as ltimas nm colunas
de V (ou as ltimas n m linhas de V

).
3.3.4 Existncia e unicidade
Uma das questes qual preciso dar resposta a existncia de decomposies em valores
singulares. O teorema seguinte garante a existncia de uma DVS para qualquer matriz. A
demonstrao feita recorrendo forma completa no caso m n. Vimos anteriormente,
como passar da forma completa reduzida e como converter o formato rectangular vertical
no formato rectangular horizontal. Uma vez garantida a existncia para a forma reduzida
com as dimenses m n, todos os outros casos aparecem como simples corolrios.
Teorema 3.3.1 Toda a matriz A em M
mn
(C) admite uma decomposio em valores
singulares.
Demonstrao. Sem perda de generalidade concentrar-nos-emos no formato quadran-
gular (m = n) ou rectangular vertical (m > n). O caso n = 1 trivial e deixado como
exerccio. Vamos considerar, assim, que n > 1, o que implica m > 1. A demonstrao
feita por induo matemtica sobre m e n. Prova-se que a tese vlida para m e n
partindo do princpio que ela verdadeira para m1 e n 1.
Tome-se

1
= |A|.
Pela denio de norma euclidiana, sabe-se que existe um vector v
1
C
n
tal que
|A| = |Av
1
| e |v
1
| = 1.
Faa-se
u
1
= Av
1
C
m
.
71
Sejam, ainda,

1
|u
1
|
u
1
, u
2
, . . . , u
m

e v
1
, v
2
, . . . , v
n

bases ortonormadas de, respectivamente, C

m
e C
n
. (Como que se garante a existncia
destas bases?) Ponha-se
U
1
=

1
u
1

u
1
u
2
u
m

e V
1
=

v
1
v
2
v
n

.
Vem, ento, que
S = U

1
AV
1
=

1
u
1

1
u

2
.
.
.
u

Av
1
Av
2
Av
n

1
u
1

1
u

2
.
.
.
u

u
1
Av
2
Av
n

1
w

0 B

.
Dada a ortogonalidade entre os vectores u
i
, i = 1, . . . , m, obtiveram-se zeros abaixo de

1
. Utilizou-se, tambm, o facto de
1
= |Av
1
| = |u
1
|. O vector w est em C
n1
e a
matriz B em M
m1n1
(C).
Para que S fosse adquirindo a forma de uma matriz diagonal seria conveniente que
w fosse nulo. O passo seguinte da demonstrao consiste, precisamente, em provar que
w = 0.
Comecemos por limitar, inferiormente, a norma de S. Efectuando clculos com a
norma vectorial em C
m
, vem que

1
w

0 B


1
w

2
=

2
1
+ w

w
Bw

2
=

2
1
+ w

2
+|Bw|
2

2
1
+ w

2
.
Logo, tomando razes quadradas e fazendo mais clculos vectoriais,

1
w

2
1
+ w

w =

2
1
+w

1
w

.
Combinando esta desigualdade com a propriedade da norma matricial euclidiana |Cx|
|C||x| (ver exerccio nesta seco), resulta que

2
1
+w

1
w

1
w

|S|

1
w

.
72
Provou-se, deste modo, que
|S|

2
1
+ w

w.
Por outro lado, como U
1
e V
1
so matrizes unitrias, as normas de A e de S coincidem
(ver exerccios), o que permite armar que
|S| = |A| =
1
.
Combinando estas duas relaes envolvendo |S|, escrevemos, depois de tomar os quadra-
dos,

2
1

2
1
+ w

w,
o que implica que |w|
2
= w

w = 0, ou seja, que w = 0.
Vamos, neste momento da demonstrao, aplicar a hiptese de induo matriz B
M
m1n1
(C), garantindo a existncia de matrizes unitrias U
2
M
m1m1
(C) e V
2

M
n1n1
(C) tais que
U

2
BV
2
=
2
=

2
.
.
.

n
0

.
Os valores singulares de B aparecem por ordem decrescente (
2

n
0).
O mesmo tipo de clculos utilizado na demonstrao do Teorema de Schur conduzir-
nos-ia a

1 0
0 U

1
AV
1

1 0
0 V
2

= =

1
0
0 U

2
BV
2

1
0
0
2

.
Para terminar, basta identicar a DVS de A:
U

AV =
com
U = U
1

1 0
0 U
2

, V = V
1

1 0
0 V
2

e =

1
0
0
2

.
As matrizes U e V assim denidas so unitrias (um tipo de factos tambm necessrio na
demonstrao do Teorema de Schur).
Observe-se que os valores singulares de A respeitam a ordem decrescente da DVS.
Sabemos que
2

n
0. Alm disso, as normas de A e de B satisfazem
|A| |B| (porqu?). Logo,

1
= |A| |B| =
2
,
e no restam quaisquer dvidas que construmos uma decomposio em valores singulares
para a matriz A.
73
A decomposio em valores singulares de uma matriz apresenta propriedades de uni-
cidade semelhantes s da diagonalizao por valores e vectores prprios. Entende-se por
sinal complexo um nmero complexo cujo mdulo vale 1.
Teorema 3.3.2 Os valores singulares de uma matriz A em M
mn
(C) so nicos. Se os
valores singulares forem distintos dois a dois ento os vectores singulares ( esquerda e
direita) so nicos a menos de um sinal complexo.
A demonstrao da unicidade da DVS omitida. Dada a unicidade dos valores singu-
lares e quando estes so distintos dois a dois, fcil observar geometricamente (nos casos
reais bi ou tridimensionais) que os vectores singulares s podem ser modicados por uma
multiplicao por 1. Foi esta a forma como, para a matriz do exemplo correspondente
Figura 3.3.4, apresentmos uma DVS alternativa.
3.3.5 Propriedades
Em todos os exemplos apresentados o nmero de valores singulares no nulos coincidiu
com a caracterstica da respectiva matriz.
Teorema 3.3.3 Se A em M
mn
(C) tiver caracterstica r ento A tem r valores singulares
positivos.
Demonstrao. Uma vez que U quadrada e com caracterstica m e que V

quadrada
e com caracterstica n, sabemos, pelas propriedades da caracterstica de uma matriz, que
car(A) = car(UV

) = car().
Mas uma matriz em escada com r pivots (os s positivos), o que mostra o pretendido.

Os vectores singulares esquerda contm uma base para o espao das colunas de A.
Os vectores singulares direita contm uma base para o espao nulo de A. Estes factos
so enunciados e provados de seguida.
Teorema 3.3.4 Seja A M
mn
(C) uma matriz com caracterstica r. Seja A = UV

a
sua DVS na forma completa. Ento:
1. Uma base para C(A) dada por u
1
, . . . , u
r
.
2. Uma base para N(A) dada por v
r+1
, . . . , v
n
.
Demonstrao. Como dim(C(A)) = r e dim(N(A)) = n r e quer as colunas de U
quer as de V so linearmente independentes, basta provar que u
i
C(A), i = 1, . . . , r, e
que v
i
N(A), i = r + 1, . . . , n.
74
fcil vericar que u
i
C(A), para um dado i em 1, . . . , r, multiplicando A por v
i
:
Av
i
= UV

v
i
= Ue
i
=
i
Ue
i
=
i
u
i
,
em que e
i
designa a i-sima coluna da matriz identidade de ordem n. Como Av
i
C(A),
tem-se que u
i
= (1/
i
)Av
i
C(A).
Para mostrar que v
i
N(A), com i r + 1, . . . , n, calcula-se, novamente, o mesmo
produto Av
i
, mas desta vez com ndices i correspondentes s colunas nulas de , obtendo-
se
Av
i
= UV

v
i
= Ue
i
= U0 = 0.
A matriz A

A hermtica e os seus valores prprios so escalares reais. O produto

A

A, com A dada pela forma completa da sua DVS, escreve-se como

A

A = (UV

(UV

)
= V

(U

U)V

= V
2
V

.
A matriz
2
=

uma matriz diagonal n n. Observamos, assim, que A

A e
2
so unitariamente semelhantes e, como tal, tm os mesmos valores prprios. Logo, os
valores prprios no nulos de A

A so
2
1
, . . . ,
2
r
. Reunimos esta informao no seguinte
enunciado.
Teorema 3.3.5 Seja A M
mn
(C) uma matriz com caracterstica r. Ento os r valores
singulares no nulos de A so as razes quadradas dos r valores prprios no nulos de
A

A.
Um primeiro corolrio deste teorema indica-nos um processo para o clculo da norma
euclidiana de uma matriz. Do enunciado do teorema conclumos que o maior valor prprio
de A

A (que designaremos por (A

A)) coincide com o maior valor singular de A (conhe-

cido por
1
) ao quadrado.
Corolrio 3.3.1
|A| =

(A

A).
O clculo da norma euclidiana de matrizes diagonais, por exemplo, passa a ser trivial.
Vejamos o seguinte caso concreto.
A =

1 0 0
0 3 0
0 0 2

= A

A = A
2
=

1 0 0
0 9 0
0 0 4

= |A| =

9 = 3.
Outra consequncia imediata prende-se com a relao entre valores prprios e valores
singulares de matrizes hermticas.
75
Corolrio 3.3.2 Se A for hermtica ento os seus valores singulares so os valores abso-
lutos dos seus valores prprios.
Demonstrao. Como A

A = V
2
V

e A = A

, vem que A
2
= V
2
V

. Logo, os
valores prprios de A
2
so os valores singulares de A ao quadrado.
Por outro lado, se A = RDR

for uma diagonalizao unitria da matriz hermtica A

denida pelos seus valores e vectores prprios, tem-se que A
2
= RD
2
R

. Logo, os valores
prprios de A
2
so os valores prprios de A ao quadrado.
Destas duas observaes conclui-se o que se pretende provar.
A matriz hermtica
A =

1 4i
4i 1

tem valores prprios

1
= 3 e
2
= 5 (conrme). Consequentemente, os seus valores
singulares so
1
= 5 e
2
= 3. A norma euclidiana de A igual a 5.
Terminamos esta subseco dedicada s propriedades da decomposio em valores
singulares com uma frmula para a forma reduzida da DVS muito utilizada em aplicaes.
Teorema 3.3.6 Uma matriz A M
mn
(C) com caracterstica r pode ser escrita na forma
A =
r

i=1

i
u
i
v

i
,
em que u
i
, i = 1, . . . , r, so os primeiros r vectores singulares esquerda de A, v
i
,
i = 1, . . . , r, so os primeiros r vectores singulares direita de A e
i
, i = 1, . . . , r, so
os valores singulares positivos de A.
A demonstrao deste facto resume-se a multiplicao por blocos. O caso geral
deixado como exerccio. Exempliquemos a demonstrao com o caso m = 2 e n = 3
(com
1

2
> 0):

1
0
0
2

.
A U

Designamos por u
1
e u
2
as colunas de U e por v

1
e v

2
as linhas de

V

(ou seja, as colunas

de

V conjugadas). Multiplicando por blocos, conseguimos exprimir A da forma desejada:
A =

u
1
u
2

1
0
0
2

v

1
v

=

u
1
u
2

1
v

2
v

=
1
u
1
v

1
+
2
u
2
v

2
.
Cada matriz da forma u
i
v

i
tem caracterstica igual a 1. Um produto da forma uv

,
com u C
m
e v C
n
pode ser escrito na forma
uv

= u

v
1
.
.
.
v
n

= u

v
1
v
n

=

v
1
u v
n
u

.
76
Observa-se que todas as colunas de uv

so mltiplos do vector u. A caracterstica de

uv

, mesmo, igual a 1. A partir desta observao e do ltimo teorema podemos armar

que qualquer matriz (com caracterstica r) uma combinao linear de r matrizes de ca-
racterstica 1. Os coecientes desta combinao linear so os valores singulares
1
, . . . ,
r
da matriz. Em determinadas aplicaes, aparecem matrizes cujos valores singulares mais
pequenos deveriam ser nulos, mas no o so por determinados motivos (por exemplo,
rudo em experincias). frequente, nestes casos, substituir esses valores singulares por
zero, desprezando as suas contribuies, e considerar uma matriz aproximada com menos
termos na combinao linear das matrizes de caracterstica 1.
Exerccios
1. Mostre que
|A|
F
=

i=1
n

j=1
[a
ij
[
2
(A M
mn
(C)) .
2. Calcule a norma de Frobenius das seguintes matrizes:

i 0 0 0 0
0 0 i 0 0
0 i 0 0 0
0 0 0 i 0
0 0 0 0 i

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

1 5 4 3 2
2 1 5 4 3
3 2 1 5 4
4 3 2 1 5
5 4 3 2 1

.
3. Mostre que |Ax| |A||x|, em que A M
mn
(C) e x C
n
.
4. Considere uma matriz A M
mn
(C).
(a) Seja U M
mm
(C) uma matriz unitria. Prove que
|UA|
F
= |A|
F
e |UA| = |A|.
Sugesto: Utilize as frmulas |C|
F
=

tr(C

C) e |C| =

(C

C).
(b) Considere, agora, V M
nn
(C) uma matriz unitria. Mostre que
|AV |
F
= |A|
F
e |AV | = |A|.
Sugesto: No caso da norma de Frobenius recorra a |C

|
F
= |C|
F
e ao resul-
tado da alnea anterior. Para a norma euclidiana use |C| = max
z=1
|Cz|.
5. Seja D uma matriz diagonal n-por-n com elementos complexos. Calcule |D| e
|D|
F
em funo dos elementos diagonais de D.
6. Sejam u C
m
e v C
n
. Considere a matriz denida por
A = uv

M
mn
(C).
77
(a) Mostre que
|Ax| |u||v||x| x C
n
.
Conclua que |A| |u||v|.
(b) Faa x = v e conclua, daqui, que |A| = |u||v|.
(c) O que pode dizer sobre |A|
F
?
7. Calcule decomposies em valores singulares (nas formas reduzida e completa) das
seguintes matrizes:

0 1
0 1

0 0
0 3
0 0

i i
i i

0 0
2 0
0 0

.
8. Calcule as normas euclidianas das matrizes dadas no exerccio anterior.
9. Considere uma matriz A, 4-por-2, cuja decomposio em valores singulares (na
forma reduzida) dada por:
A =

2
2
0
0 1

2
2
0
0 0

10 0
0 5

0 1
1 0

.
(a) Qual a caracterstica da matriz A? E a sua norma euclidiana?
(b) Escreva a matriz A como uma soma de duas matrizes de caracterstica 1.
(c) Indique os valores prprios de A

A.
(d) Escreva uma forma completa para esta decomposio.
10. Escreva a DVS (formas reduzida e completa) de uma matriz-coluna (ou vector)
u M
m1
(C).
11. Escreva a DVS (formas reduzida e completa) de uma matriz-linha v M
1n
(C).
12. Seja A M
mn
(C) uma matriz com caracterstica r e valores singulares positivos

1
, . . . ,
r
. Mostre, usando propriedades da norma de Frobenius enunciadas em
exerccios anteriores, que
|A|
F
=

2
1
+ +
2
r
.
13. Utilizando as propriedades dos determinantes, mostre que o mdulo do determinante
de uma matriz quadrada igual ao produto dos seus valores singulares.
78