Algebra Linear

1. Espaços Vetoriais Lineares

2. Coordenadas em Espaços Lineares
3. Operadores Lineares
4. Transformação de Similaridade
5. Matriz como Operador
6. Norma de Vetores e Produto Interno

pag.1 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Espaços Vetoriais Lineares

Definição Considere um corpo F . Um espaço linear vetorial X é caracterizado por um

conjunto de elementos (vetores) com duas operações

∀x, y ∈ X → x+y ∈ X (adição)

∀α ∈ F , x ∈ X → αx ∈ X (multiplicação por escalar)

tais que satisfazem as seguintes propriedades

1. x + y = y + x
2. x + (y + z) = (x + y) + z
3. ∃0 ∈ X → x+0=x
4. ∀x ∈ X , ∃ − x ∈ X → x + (−x) = 0
5. α(x + y) = αx + αy, (α + β)x = αx + βx
6. (αβ)x = α(βx)
7. ∃0, 1 ∈ F → 0x = 0, 1x = x

pag.2 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Espaços Vetoriais Lineares

Exemplos

à α ∈ R, x ∈ Rn ; α ∈ C, x ∈ Cn

à α ∈ R, x ∈ Rn×m ; α ∈ C, x ∈ Cn×m

à Espaços X = Rn , X = Cn ... com as operações de adição vetorial e

multiplicação por escalar definidas de maneira convencional

à X = {0} , 0 ∈ Rn

à X = H(a, b), conjunto das funções reais contı́nuas no intervalo (a, b)

pag.3 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Espaços Vetoriais Lineares

n o
à W = f : R+ → Rn , f diferenciável

(f1 + f2 )(t) = f1 (t) + f2 (t) (soma)

(αf )(t) = αf (t) (multiplicação por escalar)

Um elemento neste espaço W é uma trajetória no Rn

n o
à V = x ∈ W : ẋ = Ax

Os elementos neste espaço V são trajetórias do Rn soluções do sistema linear

ẋ = Ax

à Espaço dos polinômios em s de grau menor ou igual a n

pag.4 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Espaços Vetoriais Lineares

Subespaço Vetorial Um subconjunto M = 6 ∅ de um espaço vetorial linear X é

denominado um subespaço de X , se ∀x, y ∈ M e α ∈ F
1. x + y ∈ M
2. αx ∈ M

Exemplos V é um subespaço de W
 
2 x1
à x∈R : x=  é um subespaço do R2
αx1

à S , {A ∈ X = Rn×n | A = −AT }, pois (i) 0 = 0T e portanto

pertence a S, e (ii) A = −AT , B = −B T → A + B = −(A + B)T

pag.5 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Manipulações

à No livro do Chen os parâmetros considerados são números reais (a menos que

seja especificado diferentemente)
à Matrizes: A (n × m), B (m × r), C (l × n), D (r × p)
à Seja ai a i-ésima coluna de A e bj a j-ésima linha de B:
 
b1
 
h i  b2 
 
AB = a1 a2 ··· am  .  = a1 b1 + a2 b2 + · · · + am bm
 .. 
 
bm

ai bi : matriz n por r (vetor n × 1 multiplicado por vetor 1 × r)

bi ai : só está definido para n = r (escalar)

pag.6 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Manipulações

h i h i
CA = C a1 a2 · · · am = Ca1 Ca2 ··· Ca m
2 3 2 3
b1 b1 D
6 7 6 7
6 b 7 6 b D 7
6 2 7 6 2 7
BD = 6 6 .. 7 D =
7 6
6 ..
7
7
6 . 7 6 . 7
4 5 4 5
bm bm D

à Espaço real de dimensão n: Rn . Cada vetor x ∈ Rn é uma ênupla de números reais:

2 3
x1
6 7
6 x 7 i0
6 2 7 h
x=6 6 .. 7 = x1 x2 · · · x n
7
6 . 7
4 5
xn

pag.7 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

Dependência Linear Um conjunto de vetores {x1 , x2 , . . . , xk }, xi ∈ Rn , é

linearmente dependente (LD) sse existem escalares α1 , α2 , . . . , αk , não todos
nulos tais que
k
X
αi xi = α1 x1 + α2 x2 + · · · + αk xk = 0
i=1

Se a igualdade for verdadeira apenas para α1 = α2 = · · · = αk = 0, diz-se

então que o conjunto {x1 , x2 , . . . , xk } é linearmente independente (LI)

Pk
à Veja que pode-se representar: i=1 αi xi = Xα

sendo X , [x1 x2 ··· xk ], α , [α1 α2 ··· αk ]0

pag.8 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

à Se um conjunto de vetores {x1 , x2 , . . . , xn } é linearmente dependente,

existe pelo menos um αi diferente de zero e (eg, se α1 6= 0)
1
x1 = − [α2 x2 + α3 x3 · · · + αn xn ]
α1

isto é, um dos vetores (mas não necessariamente qualquer um) pode ser escrito
como uma combinação linear dos demais

à Equivalentemente, os vetores são LI se

α1 x1 + α2 x2 + · · · + αn xn = β1 x1 + β2 x2 + · · · + βn xn

=⇒ α1 = β1 ; α2 = β2 ; · · · ; αn = βn

Ou ainda, se nenhum vetor xi puder ser expresso como combinação linear dos
demais

pag.9 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

à O conceito de dependência linear depende também do corpo (F ) considerado

Considere o conjunto das funções racionais em s

½ ¾
s 1
,
s+1 s+2

Não existem escalares reais α1 , α2 não todos nulos tais que

s 1
α1 + α2 =0
s+1 s+2

No entanto, para escalares pertencentes ao corpo das funções racionais em s, a

igualdade vale se
1 s
α1 = − ; α2 =
s+2 s+1

pag.10 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

Definição a dimensão de um espaço vetorial X é o número máximo de vetores

LI desse espaço

à Portanto no Rn há no máximo n vetores LI

à A dimensão de um espaço vetorial pode ser infinita: considere o espaço das
funções contı́nuas no intervalo [a, b]. Em particular, as funções t, t2 , t3 , . . .
∞
X
αi ti = 0 ⇐⇒ α1 = α2 = · · · = 0
i=1

Proposição Um conjunto de vetores LI do Rn é uma base se qualquer vetor

x ∈ Rn puder ser expresso de forma única como uma combinação linear destes
vetores.

pag.11 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

à Em um espaço de dimensão n, qualquer conjunto de n vetores LI forma uma base

à Quaisquer duas bases de um espaço n-dimensional possuem o mesmo número de
elementos
à Se {q 1 , q2 , . . . , qn } forma uma base para o Rn , então qualquer vetor x ∈ Rn
pode ser escrito de maneira única como: x = α1 q1 + α2 q2 + · · · + α n qn
h i
Definindo a matriz quadrada Q (n × n), Q , q1 q2 · · · q n
2 3
α1
6 7
6 α 7
6 2 7
x = Q6
6 ..
7 = Qα
7
6 . 7
4 5
αn

h i0
α, α1 α2 ··· αn é a representação de x na base {q1 , q2 , . . . , qn }

pag.12 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares
à A qualquer vetor x ∈ Rn , pode-se associar a base ortonormal
2 3 2 3 2 3 2 3 2 3
1 0 0 0 0
6 7 6 7 6 7 6 7 6 7
6 0 7 6 1 7 6 0 7 6 0 6 0 7
6 7 6 7 6 7 6 7 6 7
7
6 7 6 7 6 7 6 7 6 7
6 0 7 6 0 7 6 1 7 6 0 7 6 0 7
6 7 6 7 6 7 6 7 6 7
e1 = 6 . 7 , e2 = 6 . 7 , e3 = 6 . 7 , . . . , en−1 = 6
6 7 6 7 6 7
6 ..
7 , en = 6
6 .. 7
7
6 .. 7 6 .. 7 6 .. 7
7
6 . 7 6 . 7
6 7 6 7 6 7 6 7 6 7
6 7 6 7 6 7 6 7 6 7
6 0 7 6 0 7 6 0 7 6 1 7 6 0 7
4 5 4 5 4 5 4 5 4 5
0 0 0 0 1

Um vetor x na base ortonormal {e1 , e2 , . . . , en } se escreve

2 3 2 3
x1 x1
6 7 6 7
6 x 7 6 x 7
6 2 7 6 2 7
x = 6 . 7 = x1 e1 + x2 e2 + · · · + x n en = In 6
6 7
6 ..
7
.
6 . 7 6 .
7
7
4 5 4 5
xn xn
⇒ se confunde com sua representação
pag.13 Teoria de Sistemas Lineares – Aula 5
c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

Exemplo: Considere o conjunto dos polinômios de grau menor do que 4

Escolha a Base: e1 = s3 ; e2 = s2 ; e3 = s; e4 = 1
Suponha que x = s3 + 4s2 − 4s + 10, então:

 
1
 
h i 4 
 
x= e1 e2 e3 e4  
 −4 
 
10
h i0
e 1 4 −4 10 é a representação de x na base escolhida

pag.14 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares
Mudança de Base – Se β e β̄ são as representações de um vetor x ∈ Rn em relação
às bases {e1 , e2 , . . . , en } e {ē1 , ē2 , . . . , ēn }, então
h i h i
x = e1 e2 · · · e n β = ē1 ē2 · · · ē n β̄

⇒ representar ei em termos de {ē1 , ē2 , . . . , ēn } ou vice-versa?

2 3
p1i
6 7
6 p 7
6 2i 7
6 .. 7 a representação de ei na base {ē1 , ē2 , . . . , ēn }:
Considere pi = 6 7
6 . 7
4 5
pni
2 3
p1i
6 7
6 p2i
i6
h 7
7
ei = ē1 ē2 ··· ē n 6 ..
6 7
7 , Epi , i = 1, 2, . . . , n
6 . 7
4 5
pni

pag.15 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

Usando notação matricial

h i h i
e1 e2 · · · e n = Ep1 Ep2 ··· Ep n

h i
= E p1 p2 ··· pn

2 3
p11 p12 ··· p 1n
6 7
h 6 p21
i6 p22 ··· p 2n 7
7
= ē1 ē2 ··· ē n 6 ..
6
.. .. ..
7
7
6 . . . . 7
4 5
pn1 pn2 ··· p nn
h i
, ē1 ē2 ··· ē n P

pag.16 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

h i h i
∴ x= ē1 ē2 ··· ē n Pβ = ē1 ē2 ··· ē n β̄

⇒ Como a representação é única então β̄ = P β

⇒ Analogamente, representando ēi na base {e1 , e2 , . . . , en }, obtém-se

β = Q β̄

⇒ Veja que conhecida a representação de um vetor numa base, a representação em

outra base pode ser automaticamente determinada:

β̄ = P β = P Q β̄ , ∀ β̄

PQ = I → P = Q−1

pag.17 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Coordenadas em Espaços Lineares

Exemplo – polinômios de grau menor do que 4

Escolhendo a base: ē1 = s3 − s; ē2 = s2 − s; ē3 = s − 1; ē4 = 1
Se x = s3 + 4s2 − 4s + 10, então

 
1
 
h i 4 
 
x= ē1 ē2 ē3 ē4  
 1 
 
11

pag.18 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Operadores Lineares

Qualquer função f : X 7→ Y, com X e Y espaços lineares sobre o

Definição
mesmo corpo F , é denominada operador linear sse

f (α1 x1 + α2 x2 ) = α1 f (x1 ) + α2 f (x2 )

para quaisquer x1 , x2 ∈ X , f (x1 ), f (x2 ) ∈ Y, e α1 , α2 ∈ F

# y = f (x) ; x ∈ X (domı́nio) , y ∈ Y (range)

Exemplo: Considere g uma função contı́nua sobre [0, T ]. A transformação

Z T
y(t) = g(t − τ )x(τ )dτ
0

é linear, levando do espaço das funções contı́nuas no intervalo [0, T ] para o

mesmo espaço

pag.19 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Operadores Lineares

Teorema Sejam X e Y espaços lineares de dimensão n e m, respectivamente.

Sejam {x1 , x2 , . . . , xn } vetores LI de X . Então, o operador linear
L : X → Y é unicamente determinado pelos n pares yi = L(xi ),
i = 1, 2, . . . , n. Além disso, com relação à base {x1 , x2 , . . . , xn } de X e à
base {u1 , u2 , . . . , um } de Y, L pode ser representado por uma matriz A
m × n. A i-ésima coluna de A é a representação de yi na base
{u1 , u2 , . . . , um }

Demonstração: Por hipótese, L é linear:

L(x) = L(α1 x1 + α2 x2 + · · · + α n xn )
= α1 L(x1 ) + α2 L(x2 ) + · · · + α n L(xn )
= α1 y1 + α2 y2 + · · · + α n yn

pag.20 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Operadores Lineares

 
a1i
 
 a2i 
 
Seja  .  a representação de yi na base dada por {u1 , u2 , . . . , um }:
 .. 
 
ami
 
a1i
 
h i a2i 
 
yi = u1 u2 ··· um  .  , i = 1, 2, . . . , n
 .. 
 
ami

pag.21 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Operadores Lineares

Neste caso,

“h i” h i
L x1 x2 ··· xn = y1 y2 ··· yn

2 3
a11 a12 ··· a 1n
6 7
h 6 a21
i6 a22 ··· a 2n 7
7
= u1 u2 ··· um 6 ..
6
.. .. ..
7
7
6 . . . . 7
4 5
am1 am2 ··· a mn
h i
, u1 u2 ··· um A

pag.22 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Operadores Lineares

Em relação às bases {x1 , x2 , . . . , xn } e {u1 , u2 , . . . , um },

y = L(x)

h i ¡h i ¢
u1 u2 ··· um β = L x1 x2 · · · xn α
| {z }
» –
u1 u2 ··· um A

β = Aα

Para se descrever a transformação, não há diferença entre especificar x, y ou α,

β. Porém A (representação da transformação linear) depende das bases escolhidas

pag.23 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Transformação de Similaridade
Considere a transformação linear L : X → Y , com a mesma base para X e Y

{e1 , e2 , . . . , en } → A , {ē1 , ē2 , . . . , ēn } → Ā

L
x y (= L(x))
h i A
e1 e2 ··· en α β (= Aα)

P Q P Q = P −1

h i Ā
ē1 ē2 ··· ēn ᾱ β̄ (= Āᾱ)

∴ β̄ = Āᾱ ; β̄ = P β = P Aα = P AP −1 ᾱ ⇒ Āᾱ = P AP −1 ᾱ , ∀α

Ā = P AP −1 = Q−1 AQ ; A = P −1 ĀP = QĀQ−1 ⇒ Q = P −1

pag.24 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Transformação de Similaridade

à A, Ā : matrizes similares

à P AP −1 , P −1 ĀP : Transformações de Similaridade

à Todas as representações de um operador linear são similares. Uma matriz

A ∈ Rn×n pode ser vista como a representação de um operador linear ou como
o operador linear propriamente dito

pag.25 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Transformação de Similaridade

Exemplo de transformação linear A transformação que rotaciona um ponto no plano

de 90o no sentido anti-horário

y3
x2 = y1 = (0, 1)
x3 = (1.5, 1
2
)

y2 x1 = (1, 0)

Em relação à base {x1 , x2 }

2 3 2 3
h i 0 h i −1
y1 = L(x1 ) = x1 x2 4 5 , y2 = L(x2 ) = x1 x2 4 5
1 0

pag.26 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Transformação de Similaridade

Então 2 3
0 −1
A=4 5
1 0
2 3
1.5
à Veja que a representação de x 3 na base {x1 , x2 } é dada por 4 5
0.5
à Portanto a representação de y 3 em relação à base {x1 , x2 } é obtida de:

β = Aα
2 32 3 2 3
0 −1 1.5 −0.5
= 4 54 5=4 5
1 0 0.5 1.5

pag.27 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Matriz como Operador Linear

à Seja a função linear L : Rn → Rn descrita pela matriz A ∈ Rn×n

y = L(x)
= A(α1 x1 + α2 x2 + · · · + αn xn )
= α1 Ax1 + α2 Ax2 + · · · + αn Axn

⇒ yi = Axi , i = 1 · · · n

à Na base ortonormal, xi = ei e, portanto, yi = Aei = ai (i-ésima coluna

de A) que coincide com sua representação na base ortonormal unitária
(representação de A = A)

pag.28 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Matriz como Operador Linear
   
3 2 −1 0
   
Exemplo A = 
 −2 1 0  ; b= 0 
 

4 3 1 1

Considere os vetores LI {b, Ab, A2 b} que formam uma base no R3

   
−1 −4
  2
 
Ab =  0  ; A b =  2 
  

1 −3

 
−5
 3

Particularmente: A b =  10 


−13

pag.29 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Matriz como Operador Linear

à Ā é a representação de A na base {b, Ab, A2 b}:

   
h i 0  h i 0 
A(b) = b Ab A2 b   1

 ; A(Ab) = b Ab A2 b 
 0 


0 1
 
  0 0 17
i  17 
 
2
h Ā = 
 1 0 −15 

A(A b) = b Ab A2 b  −15 
 =⇒
0 1 5
5
(Forma Companheira)

pag.30 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Matriz como Operador Linear

Representação de A ∈ Rn×n na base {q1 , q2 , . . . , qn }

h i
Ā = Q−1 AQ ; Q , q1 q2 · · · qn

Veja
Ā = Q−1 AQ → QĀ = AQ

ou ainda:
h i h i
q1 q2 ··· qn Ā = Aq1 Aq2 ··· Aqn

āi é a i-ésima coluna de Ā, representação de Aq i na base {q1 , . . . , qn }.

Escolhas adequadas da base {q1 , q2 , . . . , qn } leva a diferentes representações

pag.31 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Matriz como Operador Linear

à Considere A ∈ Rn×n . Se existir um vetor b ∈ Rn×1 tal que o conjunto de n

vetores {b, Ab, A2 b, . . . , An−1 b} é LI e se

An b = β1 b + β2 Ab + · · · + β n An−1 b

então a representação de A na base {b, Ab, A2 b, . . . , An−1 b} é dada pela forma

companheira: 2 3
0 0 ··· 0 β1
6 7
6 1 0 ··· 0 β2 7
6 7
6 7
6 0 1 ··· 0 β3 7
6 7
Ā = 6 . . .
6
. .
7
6 .. .. . . .. .. 7
7
6 7
6 7
6 0 0 · · · 0 β n−1 7
4 5
0 0 ··· 1 βn

pag.32 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Norma de vetores

Definição Qualquer função real representada por kxk pode ser definida como uma
norma se para qualquer x ∈ Rn e para qualquer escalar α ∈ R

1. kxk ≥ 0 ; kxk = 0 ⇐⇒ x=0

2. kαxk = | α | kxk

3. kx1 + x2 k ≤ kx 1 k + kx2 k (Desigualdade Triangular)

Normas usuais para vetores

n
!1
X r

• Norma-r kxk r , |xi |r , 1≤r<∞

i=1

• Norma-∞ kxk ∞ , max |xi |

1≤i≤n

pag.33 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Norma de vetores

n
!1
√ X 2

• Norma-2 ou Norma Euclidiana kxk 2 , x0 x = |xi |2

i=1

Exemplo

x
b

√
kxk1 =| a | + | b | ; kxk2 = a 2 + b2 ; kxk∞ = max{| a |, | b |}

pag.34 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Produto Interno

A função hx, yi : X × X 7→ R é um produto interno se satisfaz:

∗
1. hx, yi = hy, xi, hx, yi = hy, xi
2. hαx + y, zi = α hx, zi + hy, zi
3. hx, xi ≥ 0 e hx, xi = 0 ⇔ x = 0

Representação usual para vetores do Rn

n
X
hx, yi = xi yi = x1 y1 + x2 y2 + · · · + xn yn = x0 y (um escalar!)
i=1

Vetores ortogonais – x ⊥ y hx, yi = 0

√ p
Norma-2 kxk2 , xT x = hx, xi ⇒ hx, xi = kxk22

pag.35 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 Produto Interno

Desigualdade de Cauchy-Schwarz
p
Para kxk = hx, xi. Então, | hx, yi | ≤ kxkkyk

à Identidade do paralelogramo

kx + yk2 + kx − yk2 = 2(kxk2 + kyk2 )

x x−y
x+y

pag.36 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°
 MATLAB

à norm(x,1) – norma-1

à norm(x,2) ou norm(x) – norma-2

à norm(x,inf) – norma-∞

pag.37 Teoria de Sistemas Lineares – Aula 5

c Reinaldo M. Palhares
°